Introdução

As imagens de alto espectro têm a capacidade de “ver o invisível”, mas o que realmente transforma os dados em informações e permite que as características sejam “escavadas” do ruído é o pré-processamento espectral e a redução de dimensões. Nesta edição, usamos o caso mais intuitivo - o kiwi contusionado - para mostrar como o espectro original revela gradualmente estruturas teciduales claras e características de lesão sob o efeito de uma série de métodos de pré-tratamento (suavização, SNV, MSC) e redução dimensional (PCA, MNF). Com apenas alguns gráficos, você pode ver as grandes diferenças entre o "processamento de alto espectro antes e depois" e entender rapidamente por que o pré-processamento é mais importante do que a própria modelagem.

4 Pré-processamento de imagens espectrais

4.1 Pré-tratamento espectral

O método de suavização é usado principalmente para eliminar o ruído aleatório de alta frequência no espectro, ao mesmo tempo em que se tenta manter a tendência geral e o pico do espectro.

1) Média móvel

A média móvel é o método mais básico de suavização. Ele suaviza o espectro tomando a média do ponto atual e seus pontos vizinhos. Este método suaviza o ruído de alta frequência, mas não é sensível a alguns ruídos espinhosos. A fórmula é a seguinte:

Entre eles, para o tamanho da janela móvel.

Exemplo de código Python:

(2) Suavização de Savitzky-Golay

A ideia central da suavidade SG é encaixar o sinal espectral em uma janela deslizante, substituindo o ponto espectral original por um valor encaixado. Em comparação com uma média móvel simples, a suavidade SG não só elimina o ruído de alta frequência, mas também mantém as características locais do pico espectral e do sinal. A fórmula é a seguinte: o tamanho da janela é 2mNo caso do +1,iA suavidade de um ponto espectral é:

Neste caso, o coeficiente obtido é o valor original do ponto espectral dentro da janela.

Exemplo de código Python:

3) Filtro médio

O filtro de média substitui o valor de ponto atual pela média dentro da janela e é especialmente eficaz para ruídos espinhosos ocasionais.

Exemplo de código Python:

Transformação Normal Padrão (SNV)

O SNV é um método de normalização que elimina o efeito de dispersão ou a diferença de intensidade entre os espectros através da centralização e padronização de cada espectro e mantém a morfologia relativa do espectro. A fórmula é a seguinte:

Isso representa a média espectral, o desvio padrão espectral.

Exemplo de código Python:

Correção de dispersão múltipla (MSC)

O MSC ajusta cada espectro ao espectro de referência (geralmente o espectro médio) através da regressão linear, corrigindo os efeitos de multiplicação e adição de dispersão. Este método corrige as diferenças de intensidade causadas pela dispersão, mantendo as características de forma do espectro. A fórmula é a seguinte:Entre os

Dos quais aiO espectro de comprimento de onda, o espectro de referência, é geralmente o espectro médio de todas as amostras, o coeficiente de regressão, o espectro ajustado.

Exemplo de código Python:

4.2 Redução de imagens espectrais

Análise de Componentes Principais (PCA)

No processamento de imagens de alto espectro, o PCA é um método de redução dimensional comumente usado para reduzir a redundância de banda, reduzir o ruído e extrair informações espectrais principais. As imagens de alto espectro são geralmente representadas por cubos de dados tridimensionais que contêm dimensões espaciais e centenas de bandas espectrais. A ideia central da redução de dimensão do PCA é considerar o vetor espectral de cada pixel como dados de alta dimensão e obter os componentes principais ordenados por tamanho de variação através da médiação zero de todos os dados de pixel, o cálculo da matriz de covariança e a busca de seus valores característicos e vetores característicos. Selecionando vários componentes principais, você pode mapear dados espectrais de alta dimensão para baixa dimensão, mantendo a maioria das informações espectrais. Os dados reduzidos não só reduzem o volume de cálculo, mas também melhoram significativamente a relação sinal-ruído e podem ser usados ​​para visualização, classificação ou análise de agrupamento. Por exemplo, os três primeiros componentes principais podem ser combinados em imagens de cor falsa para mostrar intuitivamente a estrutura espacial. No geral, a redução de dimensões PCA é uma ferramenta de pré-processamento importante no processamento e análise de imagens de alto espectro, permitindo a compressão eficaz de dados, eliminando redundância e ruído, mantendo as características espectrais.

Redução mínima do ruído (MNF)

No processamento de imagens de alto espectro, a redução de dimensões MNF é um método comum de redução de ruído e compressão de dados, com a ideia central de extrair os principais componentes do sinal considerando as propriedades de ruído espectral. A redução de dimensões do MNF é geralmente realizada em duas etapas: * Uma etapa, a estimativa de ruído dos dados de alto espectro bruto e a normalização do ruído dos dados, padronizando o impacto do ruído; A segunda etapa é a análise do componente principal (PCA) em dados normalizados, extraindo o componente com grande variância * como sinal principal e descartando o componente com baixa variância dominado pelo ruído. Ao contrário do PCA convencional, o MNF faz com que os primeiros componentes principais após a redução dimensional sejam melhores em relação ao sinal-ruído, destacando melhor o sinal espectral real. Os dados de redução de dimensão MNF não só reduzem a redundância de banda, mas também reduzem o ruído de forma eficaz e são amplamente utilizados em tarefas como visualização, classificação e reconhecimento de alvos de imagens de alto espectro. Devido à sua capacidade de simultaneamente suprimir ruído e compressão de características, o MNF é frequentemente considerado um método de redução dimensional avançado para processar dados de alto espectro.

4.4 Comparação dos casos

(1) Casos de pré-tratamento espectral

As curvas espectrais após o tratamento de diferentes métodos de pré-tratamento são mostradas na figura abaixo. Em comparação com o espectro original, os métodos de pré-tratamento suave, como Savitzky-Golay, média móvel e filtro médio, eliminam principalmente as flutuações de alta frequência na curva espectral, tornando a curva espectral mais suave, mantendo a morfologia básica do pico e da linha de base geral. O método SNV padroniza a amplitude e o desvio do espectro original, alinhando os espectros de diferentes amostras no mesmo nível, ao mesmo tempo que altera ligeiramente a altura geral da curva. O MSC corrige as diferenças de amplitude e desvio causadas pela dispersão da luz através da regressão linear, mantendo a característica de pico e eliminando as diferenças de dispersão entre as amostras. No entanto, SNV e MSC não eliminam o ruído de alta frequência no espectro. Os métodos combinados (como SG + SNV ou SG + MSC) suavizam primeiro o espectro de ruído de alta frequência e, em seguida, a correção de dispersão, levando em consideração o efeito da suavização e da correção de dispersão, para que o espectro seja plano e mantenha as características de pico. Ao comparar o espectro antes e depois do tratamento, é possível visualizar intuitivamente a regulação de ruído, dispersão e linha de base dos métodos para escolher* a estratégia de pré-tratamento adequada.

(2) Casos de redução de dimensões de imagens espectrais

Tome a imagem espectral de kiwi bruised por exemplo, imagem espectral alta de kiwi bruised e imagem em escala de cinza de comprimentos de onda específicos como mostrado abaixo.

Imagens de alto espectro de kiwi bruised e imagens em escala de cinza para comprimentos de onda específicos

Após análises de PCA e MNF de dados de alto espectro de kiwi bruised, ambos os métodos foram capazes de extrair características relacionadas com mudanças de tecido no componente principal, mas com diferenças significativas no desempenho. O PC1 do PCA caracteriza principalmente a distribuição de refletidão e densidade geral do tecido da carne de fruto, e o PC2 é capaz de destacar claramente o aumento da absorção da área de hematomas, o que é uma componente diagnóstica* no PCA; E desde o início do PC3, o ruído predominou e a aparição de falsificação de listras claras não é adequada para análise adicional. Em contraste, o MNF inibiu eficazmente o ruído classificando por relação de sinal-ruído, o MNF1 mostrou características de fundo tecido estáveis, o MNF2 separou a área do núcleo da hematoma com maior contraste e fronteiras mais claras, enquanto o MNF3 reforçou ainda mais a estrutura da margem da lesão, mostrando mudanças hierárquicas na difusão da hematoma. No geral, o MNF é significativamente superior ao PCA em termos de melhoria da característica de hematomas, supressão de ruído e manutenção de detalhes de tecido, onde o MNF2-MNF3 é a componente de característica de valor diagnóstico.

Imagem espectral completa de amostras de kiwi para análise PCA e MNF

Próximo anúncio

Na próxima edição, apresentaremos a classificação de identificação de imagens de alto espectro e a classificação de supervisão de métodos de classificação de imagens de alto espectro.