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

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。

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.

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。

高光谱成像是一种新兴的无损快速检测技术，可以同时获取研究对象的图像和光谱信息，集成了光谱分析和图像处理的优势，已成为农产品病虫害信息快速、无损检测的重要手段之一，在农产品的溃疡病、褐斑病、白粉病、黑星病、腐烂、虫蛀等病虫害无损检测中的应用越来越广泛。本文简述了高光谱成像系统，总结分析了其在水果、蔬菜、肉类、谷物等农产品病虫害无损检测中的国内外最新研究进展，提出了农产品病虫害高光谱成像技术检测的未来研究发展方向，以期对相关研究人员的研究工作提供参考。

将堆栈自动编码器(SAE)与极限学习机(ELM)联合,建立了深度神经网络预测模型(SAE-ELM)。利用苹果高光谱图像提取出的光谱数据,对深度神经网络的权值和阈值进行了初始化和微调。与传统ELM模型预测结果相比,SAE-ELM的预测集决定系数和残留预测偏差分别从0.7345和1.968提升至0.7703和2.116,预测集方均根误差从1.6297降至1.2837。研究结果表明:深度学习网络SAE-ELM模型的预测性能优于传统的ELM模型,将其用于预测苹果硬度是可行的。

编码孔径光谱成像系统利用空间光调制器对目标信息进行编码,将信号映射到二维探测器面阵上,形成空间和光谱混叠信息,通过重构算法恢复出光谱数据立方体。由于该系统的色散仅仅发生在水平方向上,为了提高编码的效率,提出只在一个方向上具有编码效果的多狭缝组合编码。与目前采用的二维随机编码比较,在取得相同重构结果的前提下,多狭缝组合编码形式简化了数学模型的建立和分析,降低了编码复杂度。在此基础上,利用液晶光阀的开关特性实现实际系统编码,结合PGP(棱镜-透射光栅-棱镜)分光组件搭建光谱成像系统,进行了不同采样率下的实验,得到了高精度的恢复结果,验证了系统编码的可行性,为编码光谱成像系统领域提供了新思路。

Image Processing Toolbox:trade_mark: 高光谱成像库提供用于高光谱图像处理和可视化的 MATLAB:registered: 函数和工具。 使用该库中的函数来读取、写入和处理使用各种文件格式的高光谱成像传感器捕获的高光谱数据。 该库支持国家图像传输格式 (NI​​TF)、图像可视化环境 (ENVI)、标记图像文件格式 (TIFF) 和元数据文本扩展 (MTL) 文件格式。 该库提供了一组用于端元提取、丰度图估计、降维、波段选择、光谱匹配和异常检测的算法。 Hyperspectral Viewer 应用程序使您能够读取高光谱数据、可视化单个波段图像及其直方图、为高光谱数据立方体中的像素或区域创建光谱图、生成高光谱图像的彩色或假彩色表示以及显示元数据。 有关高光谱成像库的更多信息，请参阅文档 - https://www.mathworks.com/help/images/hyperspectra