拉曼光谱是一种用于分析分子化学成分、结构等信息的检测技术，具有信息丰富、制样简单、水的干扰小、非侵入等特点，在生物医学等研究领域中具有广泛应用。拉曼光谱成像作为一种结合拉曼光谱和成像的混合模式，通过采集空间中每个像素处的拉曼光谱信息，将分子信息在空间上展现，并定性、定量与定位地分析物质分子。相对于传统的拉曼光谱测量，拉曼光谱成像可额外提供生物医学应用中极为重要的空间信息，因此，以图像形式观测物质成分与结构等信息的拉曼光谱成像技术在生物样本检测、临床诊断及治疗等生物医学领域中具有重要的应用价值。从拉曼光谱原理出发,介绍了拉曼光谱成像技术及其发展，并综述了近年来拉曼光谱成像技术在生物医学领域中的应用，最后总结并展望了拉曼光谱成像技术及其发展趋势。

高光谱成像技术在生物医学中的应用进展；高光谱成像技术在生物医学中的应用进展

画幅式多光谱成像技术能够同时获取多波段光谱图像数据，在材料分析及环境监控等领域有广泛应用。采用一种基于光场成像的画幅式多光谱成像方法，利用二次成像的方法将由光场成像系统获取的多光谱图像转接成像到探测器光敏面，不需微透镜阵列与探测器光敏面直接接触，避免了对探测器的损坏，同时降低了系统安装调节的难度。此外，研究了不同通道光谱信息混叠的影响因素，采用像素灰度匹配的方法获取各通道像点的矢量坐标，实现光谱通道信息的提取。在不同光强条件下对灰度进行平场校正，获取各光谱通道的归一化通光率，用以校正通道灰度误差。搭建了实验装置，对室内目标进行多光谱瞬时探测，获取了较为清晰的多光谱图像。

对新疆冰糖心红富士苹果采用高光谱成像技术进行分级和糖度预测研究。在糖度预测分析中,使用正交试验设计方法确定影响预测效果的主要因素是预测回归方法、光谱预处理方法和波长合并,次要因素是光谱校正处理方法、数据类型和实测值归一化处理。提取平均光谱,经过白板校正,采用一阶微分光谱预处理,10个波长的光谱合并,基于多元线性回归方法建立苹果糖度的预测模型,其验证集苹果糖度的预测模型相关系数为0.911,预测均方根误差为0.76%Brix,相对分析误差为2.44。在分级研究中,选择712nm波长图像,Gamma灰度变换增强图像,大津算法阈值确定后分割图像,基于形态学处理剔除果梗区域,提取苹果分割后区域的面积、充实度、周长、平均灰度等特征,采用二次判别分析分级苹果,验证集苹果分级准确率达到89.5%。结果表明,高光谱图像技术既能够准确预测新疆冰糖心红富士苹果糖度品质,也可以用于基于外部品质特征的分级研究。

手指静脉识别技术促使了多光谱手指静脉图像采集的进一步发展。对于多光谱手指静脉采集系统而言,获得更加合理的光源控制电路,设计出更加合理的光源光路结构形式已经变得非常重要。因此本设计以这两个关键点为目标,对现有的采集系统进行了优化改进。首先从设计硬件电路出发,优化了光源控制电路;同时对采集装置外壳进行了重新设计,并改善了光源光路结构形式,建立了新的多光谱手指静脉成像系统,然后在硬件的基础上对其相应的软件支持进行完善,最后搭建成新的采集系统,通过详细的比较实验,验证了本文设计的有效性。

为实现玉米种子含水率(MC)的精确、快速、无损检测, 消除种子放置方式(胚部朝上/下)的影响, 基于高光谱成像和图像处理技术, 结合变量筛选法, 针对玉米种子正反面放置的不同分别建立对应的MC预测模型。分别采集种子正、反两面高光谱图像, 提取质心区域光谱数据, 采用竞争性自适应重加权变量选择算法筛选特征波段, 建立对应的MC预测模型。对比图像不同部位光谱曲线变化趋势, 挑选4个特征波段(1104, 1304, 1454, 1751 nm)进行波段运算获取种子正、反面信息及质心位置。依据正、反面检测结果, 自主选择对应的MC预测模型对45个验证集样本进行含水率检测。结果表明, 使用波段运算正、反面识别率分别为97.8%、100%; 正、反两面验证集相关系数分别为0.969, 0.946, 均方根误差分别为0.464%, 0.616%。该研究为使用多光谱成像技术实现玉米种子MC的快速无损自动化检测奠定基础。

水果成熟度作为衡量水果品质和等级的一个重要指标，区分不同成熟度的水果可以降低水果在采摘、包装、储存、运输等物流环节的损失率。高光谱技术是一种新型光谱技术和计算机视觉融合技术，它可以从图像维和光谱维对水果的综合品质进行评价。分析了国内外将该技术应用于水果成熟度检测方面的研究进展，提出了利用高光谱图像技术检测枣和梨成熟度的方法，利用不同成熟度的水果在可见光及近红外波段的反射率，初步确定了利用高光谱成像技术检测枣和梨2种水果成熟度的有效特征波长。

高光谱图像技术结合光谱技术与计算机图像技术两者的优点,可获得大量包含连续波长光谱信息的图像块,其图像信息可检测水果的外部品质,光谱信息则可用于水果内部品质的检测,达到根据水果内、外部综合品质进行分类的目的. 综述了国内外将该技术应用于水果品质检测方面的研究进展,提出了利用高光谱图像技术检测苹果轻微损伤的方法,利用500~900 nm的高光谱图像数据,通过主成分分析提取547 nm波长下的特征图像.

提出一种利用FPGA实现Hadamard变换光谱仪光谱复原算法的方案。利用具备数字信号处理功能的FPGA对Hadamard编码图像,可以快速地进行 Hadamard逆变换并得到复原图像。根据复原图像可以知道被测目标在各个波段的信息从而获得光谱曲线。实验表明，利用FPGA来完成该型光谱仪的光谱复原可以得到清晰的复原图像和单点光谱曲线，并且与软件得到的处理结果基本相同。该方案可以用于该型光谱仪的实时光谱复原以及基于光谱特征的目标识别领域。

hsi matlab代码使用线性回归的快速高光谱图像超分辨率 C语言实现 此版本的C语言实现是在Linux上开发的。 内部使用Intel Math Kernel Library（MKL）和Matlab R2014a extern库。 请确保您的计算机上正确安装了这两个依赖项。 使用Makefile编译计算机上的源代码，但是需要根据您的安装修改MKL和Matlab路径（我们的MKL位于/ usr / opt，Matlab位于/ usr / local。）。 我们的方法的实现包含在hss_lr.c中，该文件明确要求低空间分辨率高光谱图像（LR-HSI），高空间分辨率多光谱图像（HR-MSI）和降级算子（D）。 输出为高空间分辨率高光谱图像（HR-HSI）。 在我们的演示（LR_C.c）中，我们分别在CAVE，Havard和ICVL数据集上测试了我们的方法。 Matlab实现 LR_latest * .M包含了我们对不同贴片尺寸的方法，即，2 2，4 4，8×8，16 16，32×32的执行。 为使代码正常运行，请将* .m移到字典依赖项中。