Introduction

Les images hyperspectrales ont la capacité de « voir ce que l’œil humain ne peut pas voir », mais ce qui rend les données vraiment informatives, ce qui permet aux caractéristiques d’être « extraites » du bruit, c’est le prétraitement spectral et la réduction des dimensions. Avec le cas le plus intuitif – le kiwi meurtri – ce numéro vous montre comment le spectre original révèle progressivement une structure tissulaire claire et des caractéristiques de dommages sous l’action d’une série de prétraitements (lissage, SNV, MSC) et de méthodes de réduction dimensionnelle (PCA, MNF). Avec quelques diagrammes, vous pouvez voir la grande différence entre « avant et après le traitement hyperspectral» et comprendre rapidement pourquoi le prétraitement est plus important que la modélisation elle - même.

4 prétraitement des images spectrales

4.1 prétraitement spectral

La méthode de lissage est principalement utilisée pour éliminer le bruit aléatoire à haute fréquence dans le spectre tout en essayant de préserver la tendance globale et la forme de crête du spectre.

(1) moyenne mobile

La moyenne mobile est la méthode de lissage la plus basique. Il lisse le spectre en prenant la moyenne du point courant et de ses points voisins. Cette méthode peut lisser le bruit à haute fréquence, mais n'est pas sensible à certains bruits de pointes. La formule est la suivante:

Où, la taille de la fenêtre mobile.

Exemple de code Python:

(2) savitzky - Golay lisse

L'idée centrale de SG Smoothing est l'ajustement polynomial des signaux spectraux dans une fenêtre glissante, en remplaçant les points spectraux d'origine par des valeurs ajustées. Comparé à une moyenne mobile simple, SG Smooth élimine non seulement le bruit à haute fréquence, mais préserve également les pics spectraux et les caractéristiques locales du signal. La formule est la suivante: dans la taille de la fenêtre est 2m+ 1 à la condition deiLe lissage des points spectraux est:

Où est le coefficient résultant de l'ajustement du polynôme, la valeur originale du point Spectral dans la fenêtre.

Exemple de code Python:

(3) Filtrage médian

Le filtrage médian, qui consiste à remplacer la valeur du point courant par la médiane à l'intérieur de la fenêtre, est particulièrement efficace contre les bruits de pointes épisodiques (bavures).

Exemple de code Python:

(4) Transformation normale standard (SNV)

La SNV est une méthode de normalisation qui élimine les effets de diffusion ou les différences d'intensité entre les spectres et préserve la morphologie relative des spectres en centralisant et en normalisant chaque spectre. La formule est la suivante:

Où la moyenne spectrale est représentée, représentant l'écart - type spectral.

Exemple de code Python:

(5) correction de diffusion multiple (MSC)

Le MSC ajuste chaque spectre à un spectre de référence (généralement un spectre moyen) par régression linéaire, corrigeant les effets de diffusion multiplicative et additive. Cette méthode permet de corriger les différences d'intensité induites par la diffusion, en conservant les caractéristiques de forme du spectre. La formule est la suivante:, dont

Dont leiLe spectre de longueur d'onde, le spectre de référence, généralement le spectre moyen de tous les échantillons, est le coefficient de régression, le spectre après ajustement.

Exemple de code Python:

4.2 réduction de dimension de l'image spectrale

(1) Réduction de la dimension analytique en composantes principales (PCA)

Dans le traitement d'images hyperspectrales, la PCA est une méthode de réduction de dimension couramment utilisée pour réduire la redondance de bande, réduire le bruit et extraire des informations spectrales primaires. Les images hyperspectrales sont généralement représentées par des cubes de données tridimensionnels contenant des dimensions spatiales et des centaines de bandes spectrales. L'idée centrale de PCA downsize est de traiter les vecteurs spectraux de chaque pixel comme des données de haute dimension, en égalisant toutes les données de pixel à zéro, en calculant la matrice de covariance et en sommant ses valeurs propres et ses vecteurs propres pour obtenir les composants principaux triés par la taille de la variance. La sélection des premiers composants principaux permet de cartographier les données hyperspectrales des dimensions supérieures aux dimensions inférieures, tout en conservant la plupart des informations spectrales. Les données après réduction dimensionnelle réduisent non seulement le volume de calcul, mais améliorent également considérablement le rapport signal sur bruit et peuvent être utilisées pour la visualisation, la classification ou l'analyse de Clustering. Par exemple, les trois premiers composants principaux peuvent être combinés en une image pseudo - couleur présentant visuellement une structure spatiale. Dans l'ensemble, la réduction de la PCA est un moyen de prétraitement important dans le traitement et l'analyse d'images hyperspectrales, qui compresse efficacement les données, élimine la redondance et le bruit tout en préservant les caractéristiques spectrales.

(2) Réduction fractionnaire minimale du bruit (MNF)

Dans le traitement d'images hyperspectrales, la réduction de la dimension MNF est une méthode courante de réduction du bruit et de compression des données, dont l'idée centrale est d'extraire les principaux composants du signal en tenant compte des propriétés spectrales du bruit. La réduction de MNF est généralement effectuée en deux étapes: * une étape, estimation du bruit sur les données hyperspectrales brutes et normalisation du bruit sur les données, normalisation de l'impact du bruit; La deuxième étape consiste à effectuer une analyse en composantes principales (APC) sur les données normalisées, en extrayant les composantes de grande variance * comme signaux principaux et en abandonnant les composantes de faible variance dominées par le bruit. Contrairement aux PCA classiques, le MNF rend les premiers composants principaux après réduction de dimension plus optimaux sur le rapport signal / bruit et plus capables de mettre en évidence le signal Spectral réel en considérant d'abord la structure du bruit. Les données après réduction de la taille du MNF réduisent non seulement la redondance de bande, mais réduisent également efficacement le bruit et sont largement utilisées pour des tâches telles que la visualisation, la classification et la reconnaissance de cibles d'images hyperspectrales. En raison de sa capacité à réaliser à la fois la suppression du bruit et la compression caractéristique, le MNF est souvent considéré comme une méthode avancée de réduction des dimensions pour le traitement des données hyperspectrales.

4.4 comparaison des cas avant et après

(1) cas de prétraitement spectral

Les courbes spectrales après traitement par les différentes méthodes de prétraitement sont présentées dans la figure ci - dessous. Par rapport au spectre original, les méthodes de prétraitement lisse (par exemple savitzky - Golay, la moyenne mobile et le filtrage médian) éliminent principalement les fluctuations à haute fréquence sur la courbe spectrale, ce qui rend la courbe spectrale plus lisse tout en conservant la morphologie de base du pic global et de la ligne de base. La méthode SNV, quant à elle, a normalisé l'amplitude et le décalage du spectre original, alignant les spectres des différents échantillons au même niveau tout en modifiant légèrement la hauteur globale de la courbe. Le MSC corrige les différences d'amplitude et de décalage causées par la diffusion de la lumière par régression linéaire, tout en conservant les caractéristiques de pics et en éliminant les différences de diffusion entre les échantillons. Cependant, le SNV et le MSC n'éliminent pas le bruit à haute fréquence dans le spectre. Les méthodes combinées telles que SG + SNV ou SG + MSC effectuent d'abord un lissage du bruit à haute fréquence du spectre, puis une correction de la diffusion, en prenant en compte les effets du lissage et de la correction de la diffusion, de sorte que le spectre soit à la fois plat et conserve les caractéristiques picturales. En comparant les spectres avant et après le traitement, il est possible d'observer visuellement l'effet régulateur de chaque méthode sur le bruit, la diffusion et la ligne de base, ce qui permet de choisir * La stratégie de prétraitement appropriée.

(2) cas de réduction de dimension d'image spectrale

Si l'on prend l'exemple de la réduction de la dimension de l'image spectrale du Kiwi meurtri, l'image hyperspectrale du Kiwi meurtri et l'image en niveaux de gris d'une longueur d'onde spécifique sont illustrées ci - dessous.

Images hyperspectrales du Kiwi meurtri et images en niveaux de gris à des longueurs d'onde spécifiques

Après l'analyse PCA vs MNF des données hyperspectrales du Kiwi meurtri, il a été constaté que les deux méthodes permettaient d'extraire les caractéristiques associées aux changements tissulaires dans la composante principale, mais qu'il y avait des différences significatives dans les performances. Pc1 de PCA caractérise principalement la réflectivité globale et la distribution de densité du tissu pulmonaire, PC2 est capable de mettre en évidence de manière significative l'absorption accrue dans les zones meurtries et est une composante diagnostique significative * de PCA; Et à partir de PC3, le bruit prédomine, il apparaît des artefacts striés évidents, qui ne sont plus appropriés pour une analyse plus approfondie. En revanche, le MNF supprime efficacement le bruit en classant le rapport signal / bruit, son mnf1 présente des caractéristiques de fond tissulaire stables, le MnF2 peut séparer la zone centrale des ecchymoses avec un contraste plus élevé et des limites plus claires, et le mnf3 renforce davantage la structure des bords des blessures, présentant des changements hiérarchiques dans La diffusion des ecchymoses. Dans l'ensemble, le MNF surpasse significativement le PCA en termes d'amélioration des caractéristiques des ecchymoses, de suppression du bruit et de rétention des détails tissulaires, où MnF2 - mnf3 sont * des composantes caractéristiques à valeur diagnostique.

Images spectrales complètes d'échantillons de kiwi pour analyse PCA et MNF

Teaser de la prochaine période

Dans le prochain numéro, nous présenterons la classification d'identification concernant les images hyperspectrales, la classification de supervision méthodologique concernant la classification des images hyperspectrales.