Гиперспектральная визуализация - Hyperspectral imaging

Двумерная проекция гиперспектрального куба

Гиперспектральная визуализация, как и другие спектральная визуализация, собирает и обрабатывает информацию со всего электромагнитный спектр.[1] Цель гиперспектрального изображения - получить спектр для каждого пикселя изображения сцены с целью поиска объектов, идентификации материалов или обнаружения процессов.[2][3] Есть три основных ветви спектральных формирователей изображения. Есть толкать сканеры метлы и связанные сканеры метлы венчика (пространственное сканирование), которые считывают изображения во времени, сканеры с последовательной полосой (спектральное сканирование), которые получают изображения области на разных длинах волн, и снимок гиперспектрального изображения, который использует пристальный массив мгновенно сгенерировать изображение.

В то время как человеческий глаз видит цвет видимый свет в основном три группы (длинные волны - воспринимаются как красные, средние длины волн - как зеленые, а короткие - как синие), спектральная визуализация делит спектр на гораздо большее количество полос. Эта техника разделения изображений на полосы может быть расширена за пределы видимого. При построении гиперспектральных изображений регистрируемые спектры имеют высокое разрешение по длине волны и охватывают широкий диапазон длин волн. Гиперспектральная визуализация измеряет непрерывные спектральные полосы, в отличие от многополосная визуализация который измеряет разнесенные спектральные диапазоны.[4]

Инженеры создают гиперспектральные датчики и системы обработки данных для приложений в астрономии, сельском хозяйстве, молекулярной биологии, биомедицинской визуализации, геонауках, физике и наблюдении. Гиперспектральные датчики смотрят на объекты, используя большую часть электромагнитного спектра. Некоторые объекты оставляют уникальные «отпечатки пальцев» в электромагнитном спектре. Эти «отпечатки пальцев», известные как спектральные сигнатуры, позволяют идентифицировать материалы, из которых состоит сканируемый объект. Например, спектральная подпись на нефть помогает геологам находить новые нефтяные месторождения.[5]

Датчики гиперспектрального изображения

Образно говоря, гиперспектральные сенсоры собирают информацию в виде набора «изображений». Каждое изображение представляет собой узкий диапазон длин волн электромагнитного спектра, также известный как спектральный диапазон. Эти «изображения» объединяются в трехмерный (Икс,у,λ) гиперспектральный куб данных для обработки и анализа, где Икс и у представляют два пространственных измерения сцены, и λ представляет собой спектральный размер (включающий диапазон длин волн).[6]

С технической точки зрения, существует четыре способа для сенсоров производить выборку гиперспектрального куба: пространственное сканирование, спектральное сканирование, создание снимков и т.д.[5][7] и пространственно-спектральное сканирование.[8]

Гиперспектральные кубы генерируются бортовыми датчиками, такими как НАСА. Бортовой спектрометр видимого / инфракрасного изображений (AVIRIS) или со спутников, таких как НАСА EO-1 со своим гиперспектральным инструментом Hyperion.[9][10] Однако во многих исследованиях по разработке и проверке используются портативные датчики.[11]

Точность этих датчиков обычно измеряется в спектральном разрешении, которое представляет собой ширину каждой полосы захваченного спектра. Если сканер обнаруживает большое количество довольно узких частотных диапазонов, можно идентифицировать объекты, даже если они зафиксированы только в небольшом количестве пикселей. Тем не мение, Пространственное разрешение является фактором помимо спектрального разрешения. Если пиксели слишком большие, то несколько объектов захватываются одним и тем же пикселем, и их становится трудно идентифицировать. Если пиксели слишком малы, то интенсивность, захваченная каждой ячейкой датчика, низкая, и уменьшенная соотношение сигнал шум снижает надежность измеряемых характеристик.

Получение и обработка гиперспектральных изображений также называется визуальная спектроскопия или, применительно к гиперспектральному кубу, как трехмерная спектроскопия.

Технологии получения гиперспектральных данных

Фотографии, иллюстрирующие выходные сигналы отдельных датчиков для четырех методов гиперспектральной визуализации. Слева направо: Щелевой спектр; монохроматическая пространственная карта; «перспективная проекция» гиперспектрального куба; пространственная карта с кодированием по длине волны.

Есть четыре основных техники для получения трехмерного (Икс,у,λ) набор данных гиперспектрального куба. Выбор метода зависит от конкретного приложения, поскольку каждый метод имеет контекстно-зависимые преимущества и недостатки.

Пространственное сканирование

Методы получения гиперспектральных изображений, визуализируемых как секции гиперспектрального куба данных с его двумя пространственными измерениями (x, y) и одним спектральным измерением (лямбда).

При пространственном сканировании выходной сигнал каждого двумерного (2-D) датчика представляет собой полный спектр щелей (Икс,λ). Устройства гиперспектральной визуализации (HSI) для пространственного сканирования получают спектры щелей, проецируя полосу сцены на щель и рассеивая изображение щели с помощью призмы или решетки. У этих систем есть недостаток в том, что изображение анализируется по строкам (с толкать сканер метлы ), а также с некоторыми механическими деталями, интегрированными в оптическую систему. С этими системы линейной развертки, пространственное измерение собирается посредством движения платформы или сканирования. Для этого требуются стабилизированные крепления или точная информация о наведении для «реконструкции» изображения. Тем не менее, системы строчной развертки особенно распространены в дистанционное зондирование, где целесообразно использовать мобильные платформы. Системы линейного сканирования также используются для сканирования материалов, движущихся по конвейерной ленте. Частным случаем строчной развертки является точечное сканирование (с метла сканер ), где вместо щели используется точечная апертура, а датчик по существу одномерный, а не двухмерный.[7][12]

Спектральное сканирование

При спектральном сканировании выход каждого двумерного датчика представляет собой монохроматический (одноцветный), пространственный (Икс,у) карта сцены. Устройства HSI для спектрального сканирования обычно основаны на оптических полосовых фильтрах (настраиваемых или фиксированных). Сцена спектрально сканируется путем замены одного фильтра на другой, пока платформа остается неподвижной. В таких «смотрящих» системах сканирования по длине волны спектральное размытие может происходить, если есть движение внутри сцены, что делает недействительной спектральную корреляцию / обнаружение. Тем не менее, есть преимущество возможности выбирать спектральные диапазоны и иметь прямое представление двух пространственных измерений сцены.[6][7][12] Если система формирования изображений используется на движущейся платформе, например в самолете, полученные изображения на разных длинах волн соответствуют разным областям сцены. Пространственные особенности на каждом из изображений могут использоваться для перестройки пикселей.

Без сканирования

Основная статья: Снимок гиперспектрального изображения

В режиме без сканирования выходной сигнал одного двухмерного датчика содержит все пространственные (Икс,у) и спектральная (λ) данные. Устройства HSI без сканирования выдают полный куб данных сразу, без какого-либо сканирования. Образно говоря, отдельный снимок представляет собой перспективную проекцию куба данных, по которой может быть восстановлена ​​его трехмерная структура.[7][13] Наиболее заметные преимущества этих снимок гиперспектрального изображения системы являются преимущество моментального снимка (более высокая светопропускная способность) и более короткое время сбора данных. Разработан ряд систем, в том числе компьютерная томографическая спектрометрия изображений (CTIS), спектрометрия визуализации с переформатированием волокна (FRIS), интегральная полевая спектроскопия с решетками линз (IFS-L), многоапертурный интегральный полевой спектрометр (Hyperpixel Array), интегральная полевая спектроскопия с зеркалами, разрезающими изображение (IFS-S), спектрометрия репликации изображений (IRIS), спектральная декомпозиция набора фильтров (FSSD), спектральная визуализация снимков с кодированной апертурой (CASSI), спектрометрия отображения изображений (IMS) и мультиспектральная интерферометрия Саньяка (MSI).[14] Однако вычислительные затраты и производственные затраты высоки. Стремясь снизить вычислительные требования и потенциально высокую стоимость несканирующих гиперспектральных приборов, прототипы устройств на основе Многомерные оптические вычисления были продемонстрированы. Эти устройства были основаны на Многомерный оптический элемент[15][16] спектральная вычислительная машина или Пространственный модулятор света[17] спектральная вычислительная машина. В этих платформах химическая информация вычисляется в оптической области до построения изображения, так что химическое изображение полагается на обычные системы камер без дополнительных вычислений. Недостатком этих систем является то, что спектральная информация никогда не собирается, т.е. только химическая информация, так что постобработка или повторный анализ невозможны.

Пространственно-спектральное сканирование

Основная статья: Пространственно-спектральное сканирование

При пространственно-спектральном сканировании выходной сигнал каждого двухмерного датчика представляет собой кодированный по длине волны («цвет радуги», λ=λ(у)), пространственный (Икс,у) карта сцены. Прототип этой техники, представленный в 2014 году, состоит из камеры на некоторых ненулевой расстояние за базовым щелевым спектроскопом (щель + диспергирующий элемент).[8][18] Усовершенствованные системы пространственно-спектрального сканирования можно получить, поместив дисперсионный элемент перед системой пространственного сканирования. Сканирование может быть достигнуто перемещением всей системы относительно сцены, перемещением только камеры или перемещением только щели. Пространственно-спектральное сканирование объединяет некоторые преимущества пространственного и спектрального сканирования, тем самым устраняя некоторые их недостатки.[8]

Отличие гиперспектрального изображения от мультиспектрального

Мультиспектральные и гиперспектральные различия

Гиперспектральная визуализация является частью класса методов, обычно называемых спектральная визуализация или же спектральный анализ. Гиперспектральная визуализация связана с мультиспектральная съемка. Различие между гипер- и многодиапазонным иногда ошибочно основывается на произвольном «количестве диапазонов» или на типе измерения. Гиперспектральная визуализация (HSI) использует непрерывные и смежные диапазоны длин волн (например, 400 - 1100 нм с шагом 1 нм), в то время как многополосная визуализация (MSI) использует подмножество целевых длин волн в выбранных местах (например, 400 - 1100 нм с шагом 20 нм). ).[19]

Многополосная визуализация имеет дело с несколькими изображениями в дискретных и несколько узких полосах. "Дискретность и в некоторой степени узость" - вот что отличает мультиспектральные изображения в видимой длине волны от цветная фотография. Мультиспектральный датчик может иметь много диапазонов, охватывающих спектр от видимого до длинноволнового инфракрасного. Мультиспектральные изображения не создают «спектр» объекта. Landsat является отличным примером получения мультиспектральных изображений.

Гиперспектральный имеет дело с отображением узких спектральных полос в непрерывном спектральном диапазоне, создавая спектры всех пикселей в сцене. Датчик только с 20 полосами может также быть гиперспектральным, когда он охватывает диапазон от 500 до 700 нм с 20 полосами шириной 10 нм каждая. (В то время как датчик с 20 дискретными полосами, охватывающими видимую, ближнюю, коротковолновую, средневолновую и длинноволновую инфракрасную области, будет считаться мультиспектральным.)

Ультраспектральный может быть зарезервирован для интерферометр датчики изображения типа с очень высоким спектральным разрешением. Эти датчики часто имеют (но не обязательно) низкий Пространственное разрешение из нескольких пиксели только ограничение, наложенное высокой скоростью передачи данных.

Приложения

Гиперспектральное дистанционное зондирование используется в широком спектре приложений. Хотя изначально он был разработан для горнодобывающей промышленности и геологии (способность гиперспектральных изображений выявлять различные полезные ископаемые делает его идеальным для горнодобывающей и нефтяной промышленности, где его можно использовать для поиска руды и нефти),[11][20] теперь он распространился в такие широко распространенные области, как экология и наблюдение, а также в исследования исторических рукописей, такие как создание изображений Архимед Палимпсест. Эта технология становится все более доступной для общественности. Такие организации, как НАСА и USGS имеют каталоги различных минералов и их спектральные характеристики и разместили их в Интернете, чтобы сделать их доступными для исследователей. В меньшем масштабе гиперспектральная визуализация в ближнем ИК-диапазоне может использоваться для быстрого мониторинга применения пестицидов к отдельным семенам для контроля качества оптимальной дозы и однородного покрытия.

сельское хозяйство

Гиперспектральная камера, встроенная в OnyxStar HYDRA-12 БПЛА из Альтигатор

Хотя стоимость получения гиперспектральных изображений обычно высока для конкретных культур и в конкретном климате, использование гиперспектрального дистанционного зондирования для мониторинга развития и состояния сельскохозяйственных культур возрастает. В Австралия, ведутся работы по использованию спектрометры изображения для выявления сортов винограда и разработки системы раннего предупреждения о вспышках болезней.[21] Кроме того, ведутся работы по использованию гиперспектральных данных для определения химического состава растений.[22] которые можно использовать для определения содержания питательных веществ и воды в пшенице в орошаемых системах.[23] В меньшем масштабе гиперспектральная визуализация в ближнем ИК-диапазоне может использоваться для быстрого мониторинга применения пестицидов к отдельным семенам для контроля качества оптимальной дозы и однородного покрытия.[24]

Еще одно применение в сельском хозяйстве - обнаружение животных белков в комбикормах, чтобы избежать губчатая энцефалопатия крупного рогатого скота (BSE), также известное как коровье бешенство. Были проведены различные исследования, чтобы предложить инструменты, альтернативные эталонному методу обнаружения (классический микроскопия ). Одна из первых альтернатив близка инфракрасная микроскопия (NIR), который сочетает в себе преимущества микроскопии и NIR. В 2004 году было опубликовано первое исследование, посвященное этой проблеме с помощью гиперспектральных изображений.[25] Были созданы гиперспектральные библиотеки, которые представляют разнообразие ингредиентов, обычно присутствующих при приготовлении комбикормов. Эти библиотеки можно использовать вместе с хемометрическими инструментами для исследования предела обнаружения, специфичности и воспроизводимости метода гиперспектральной визуализации в ближнем ИК-диапазоне для обнаружения и количественной оценки ингредиентов животного происхождения в кормах.

Уход за глазами

Исследователи из Université de Montréal работают с Фотон и др. и Оптина Диагностика[26] протестировать использование гиперспектральной фотографии в диагностике ретинопатия и макулярный отек до того, как произойдет повреждение глаза. Метаболическая гиперспектральная камера обнаружит снижение потребления кислорода сетчаткой, что указывает на потенциальное заболевание. An офтальмолог затем можно будет лечить сетчатку с помощью инъекций, чтобы предотвратить возможное повреждение.[27]

Переработка пищевых продуктов

Для сканирования сыров использовалась система линейного сканирования с пуш-щеткой, и изображения получали с помощью камеры с линейным сканированием, оснащенной Hg-Cd-Te (386x288), с галогеновым светом в качестве источника излучения.

в переработка пищевых продуктов промышленности, гиперспектральные изображения в сочетании с интеллектуальным программным обеспечением позволяют использовать цифровые сортировщики (также называемые оптические сортировщики ) для выявления и удаления дефектов и посторонних материалов (FM), которые не видны традиционным фотоаппаратам и лазерным сортировщикам.[28] Повышая точность удаления дефектов и FM, кухонный комбайн ставит перед собой задачу улучшить качество продукции и увеличить выход продукции.

Использование гиперспектральных изображений на цифровых сортировщиках обеспечивает неразрушающий, 100-процентный контроль на конвейере при полном объеме производства. Программное обеспечение сортировщика сравнивает полученные гиперспектральные изображения с заданными пользователем порогами приема / отклонения, а система выброса автоматически удаляет дефекты и инородные материалы.

На гиперспектральном изображении картофельных полосок с сахарным концом видны невидимые дефекты.

Недавнее коммерческое внедрение сортировщиков пищевых продуктов на основе гиперспектральных датчиков наиболее продвинуто в ореховой промышленности, где установленные системы максимально удаляют камни, скорлупу и другие посторонние материалы (FM) и посторонние растительные вещества (EVM) из грецких орехов, орехов пекан, миндаля, фисташек. , арахис и другие орехи. Здесь улучшенное качество продукции, низкий уровень ложных браковок и способность справляться с большим количеством поступающих дефектов часто оправдывают затраты на технологию.

Коммерческое внедрение гиперспектральных сортировщиков также быстро продвигается в отрасли переработки картофеля, где эта технология обещает решить ряд нерешенных проблем с качеством продукции. Ведутся работы по использованию гиперспектральной визуализации для обнаружения «кончиков сахара»,[29] «Пустое сердце»[30] и «парша обыкновенная»,[31] условия, от которых страдают переработчики картофеля.

Минералогия

Набор камней сканируется Specim Тепловизор LWIR-C в тепловом инфракрасном диапазоне от 7,7 мкм до 12,4 мкм. В кварц и полевой шпат спектры хорошо различимы.[32]

Геологические образцы, такие как буровые коронки, можно быстро нанести на карту почти все полезные ископаемые, представляющие коммерческий интерес, с помощью гиперспектральных изображений. Слияние спектральных изображений SWIR и LWIR является стандартом для обнаружения минералов в полевой шпат, кремнезем, кальцит, гранат, и оливин группы, так как эти минералы имеют свои наиболее характерные и сильные спектральная подпись в регионах LWIR.[32]

Развито гиперспектральное дистанционное зондирование полезных ископаемых. Многие минералы можно идентифицировать с помощью аэроснимков, и их связь с наличием ценных минералов, таких как золото и алмазы, хорошо изучена. В настоящее время наблюдается прогресс в понимании взаимосвязи между утечками нефти и газа из трубопроводов и естественных скважин и их воздействием на растительность и спектральные характеристики. Последние работы включают кандидатские диссертации Верффа.[33] и Noomen.[34]

Наблюдение

Гиперспектральный тепловой инфракрасный выброс измерение, сканирование вне помещения в зимних условиях, температура окружающей среды -15 ° C - спектры относительной яркости от различных целей на изображении показаны стрелками. В инфракрасные спектры различных объектов, например, часового стекла, имеют четко различимые характеристики. Уровень контрастности указывает на температуру объекта. Это изображение было создано с помощью Specim LWIR гиперспектральный формирователь изображения.[32]

Гиперспектральное наблюдение - это реализация технологии гиперспектрального сканирования для наблюдение целей. Гиперспектральная визуализация особенно полезна при военном наблюдении, поскольку контрмеры что военные организации теперь используют, чтобы избежать наблюдения с воздуха. Идея, лежащая в основе гиперспектрального наблюдения, заключается в том, что гиперспектральное сканирование извлекает информацию из такой большой части светового спектра, что любой объект должен иметь уникальный спектральная подпись по крайней мере в некоторых из множества сканируемых полос. В Уплотнения из NSWDG кто убил Усама бен Ладен в мае 2011 г. применил эту технологию при проведении рейд (Операция «Копье Нептуна») на Резиденция Усамы бен Ладена в Абботтабаде, Пакистан.[9][нужен лучший источник ][35] Гиперспектральная визуализация также показала потенциал для использования в распознавание лиц целей. Было показано, что алгоритмы распознавания лиц с использованием гиперспектральных изображений работают лучше, чем алгоритмы с использованием традиционных изображений.[36]

Традиционно коммерчески доступные тепловизионные инфракрасные гиперспектральные системы визуализации требовали жидкий азот или же гелий охлаждение, что сделало их непрактичными для большинства приложений наблюдения. В 2010, Specim представила тепловизионную инфракрасную гиперспектральную камеру, которую можно использовать для наружного наблюдения и БПЛА приложения без внешнего источника света, такого как солнце или луна.[37][38]

Астрономия

В астрономии гиперспектральные изображения используются для определения спектрального изображения с пространственным разрешением. Поскольку спектр является важной диагностикой, наличие спектра для каждого пикселя позволяет решать больше научных задач. В астрономии этот метод обычно называют интегральная полевая спектроскопия, и примеры этого метода включают FLAMES[39] и SINFONI[40] на Очень большой телескоп, но и Усовершенствованный ПЗС-спектрометр на Рентгеновская обсерватория Чандра использует эту технику.

Дистанционная химическая визуализация одновременного выброса SF6 и NH3 на 1,5 км с использованием Телопс Спектрометр визуализации Hyper-Cam[41]

Химическая визуализация

Основная статья: Химическая визуализация

Солдаты могут подвергаться разнообразным химическим опасностям. Эти угрозы в основном невидимы, но обнаруживаются с помощью технологии гиперспектральной визуализации. В Телопс Hyper-Cam, представленный в 2005 году, продемонстрировал это на дистанциях до 5 км.[42]

Среда

Верхняя панель: Контурная карта усредненной по времени спектральной яркости на 2078 см−1 соответствующий СО2 эмиссионная линия. Нижняя панель: Контурная карта спектральной яркости на 2580 см.−1 соответствует непрерывному выбросу твердых частиц в шлейфе. Полупрозрачный серый прямоугольник указывает положение стопки. Горизонтальная линия в строке 12 между столбцами 64-128 указывает пиксели, используемые для оценки фонового спектра. Измерения, выполненные с помощью Телопс Hyper-Cam.[43]

В большинстве стран требуется непрерывный мониторинг выбросов, производимых угольными и мазутными электростанциями, установками для сжигания бытовых и опасных отходов, цементными заводами, а также многими другими видами промышленных источников. Этот мониторинг обычно выполняется с использованием систем экстракционного отбора проб в сочетании с методами инфракрасной спектроскопии. Некоторые недавно выполненные измерения зазора позволили оценить качество воздуха, но не многие удаленные независимые методы позволяют проводить измерения с низкой погрешностью.

Гражданское строительство

Недавние исследования показывают, что гиперспектральная визуализация может быть полезной для обнаружения развития трещин в тротуары[44] которые трудно обнаружить на изображениях, сделанных камерами видимого спектра.[44]

Сжатие данных

В феврале 2019 года организация, основанная крупнейшими космическими отраслями мира, Консультативный комитет по стандартам космических данных (CCSDS ), утвердил стандарт сжатия мультиспектральных и гиперспектральных изображений как без потерь, так и почти без потерь (CCSDS 123 ). На основе НАСА быстрый алгоритм без потерь, он требует очень мало памяти и вычислительных ресурсов по сравнению с альтернативами, такими как JPEG 2000.

Коммерческие реализации CCSDS 123 включают:

Преимущества и недостатки

Основное преимущество гиперспектральной визуализации заключается в том, что, поскольку в каждой точке собирается весь спектр, оператору не требуется предварительное знание образца, а постобработка позволяет получить всю доступную информацию из набора данных. Гиперспектральная визуализация также может использовать преимущества пространственных отношений между различными спектрами в окрестности, позволяя создавать более сложные спектрально-пространственные модели для более точной сегментация и классификация изображения.[47][48]

Основные недостатки - стоимость и сложность. Для анализа гиперспектральных данных необходимы быстрые компьютеры, чувствительные детекторы и большие объемы хранения данных. Необходим значительный объем хранилища данных, поскольку гиперспектральные кубы без сжатия представляют собой большие многомерные наборы данных, потенциально превышающие сотни мегабайты. Все эти факторы значительно увеличивают стоимость получения и обработки гиперспектральных данных. Кроме того, одним из препятствий, с которыми пришлось столкнуться исследователям, является поиск способов запрограммировать гиперспектральные спутники для сортировки данных самостоятельно и передачи только наиболее важных изображений, поскольку как передача, так и хранение такого большого количества данных может оказаться сложной и дорогостоящей.[9] Как относительно новый аналитический метод, весь потенциал гиперспектральной визуализации еще не реализован.

Смотрите также

Рекомендации

  1. ^ Чилтон, Александр (2013-10-07). «Принцип работы и основные области применения инфракрасных датчиков». AZoSensors. Получено 2020-07-11.
  2. ^ Чейн-И Чанг (31 июля 2003 г.). Гиперспектральная визуализация: методы спектрального обнаружения и классификации. Springer Science & Business Media. ISBN  978-0-306-47483-5.
  3. ^ Ганс Гран; Пол Гелади (27 сентября 2007 г.). Методы и приложения анализа гиперспектральных изображений. Джон Вили и сыновья. ISBN  978-0-470-01087-7.
  4. ^ Хаген, Натан; Куденов, Майкл В. (2013). «Обзор технологий построения спектральных снимков» (PDF). Оптическая инженерия. 52 (9): 090901. Bibcode:2013OptEn..52i0901H. Дои:10.1117 / 1.OE.52.9.090901. S2CID  215807781.
  5. ^ а б Лу, G; Фэй, Б. (январь 2014 г.). «Медицинская гиперспектральная визуализация: обзор». Журнал биомедицинской оптики. 19 (1): 10901. Bibcode:2014JBO .... 19a0901L. Дои:10.1117 / 1.JBO.19.1.010901. ЧВК  3895860. PMID  24441941.
  6. ^ а б "Nikon MicroscopyU - конфокальная микроскопия - спектральная визуализация".
  7. ^ а б c d http://www.bodkindesign.com/wp-content/uploads/2012/09/Hyperspectral-1011.pdf
  8. ^ а б c «OSA - Щелевой спектроскоп Basic показывает трехмерные сцены через диагональные срезы гиперспектральных кубов».
  9. ^ а б c Шермер, Дж. Х. (декабрь 2003 г.), Исследовательские лаборатории ВВС США Technology Horizons
  10. ^ "Наблюдение Земли 1 (ЭО-1)". earthobservatory.nasa.gov. 2000-11-15. Получено 2020-07-17.
  11. ^ а б Эллис, Дж. (Январь 2001 г.) Поиск нефтяных выходов и нефтенасыщенных грунтов с помощью гиперспектральных изображений Архивировано 2008-03-05 на Wayback Machine, Журнал наблюдения за Землей.
  12. ^ а б Лу, Гуолань; Фэй, Баовей (2014). «SPIE - Журнал биомедицинской оптики - Медицинская гиперспектральная визуализация: обзор». Журнал биомедицинской оптики. 19 (1): 010901. Bibcode:2014JBO .... 19a0901L. Дои:10.1117 / 1.JBO.19.1.010901. ЧВК  3895860. PMID  24441941.
  13. ^ «Гиперспектральная визуализация: однокадровая камера получает одновременные гиперспектральные данные».
  14. ^ Хаген, Натан; Кестер, Роберт Т .; Гао, Лян; Ткачик, Томаш С. (2012). «SPIE - Оптическая инженерия - Преимущества моментального снимка: обзор улучшения сбора света для параллельных систем измерения больших размеров». Оптическая инженерия. 51 (11): 111702. Bibcode:2012OptEn..51k1702H. Дои:10.1117 / 1.OE.51.11.111702. ЧВК  3393130. PMID  22791926.
  15. ^ Myrick, Michael L .; Soyemi, Olusola O .; Хайбах, Фред; Чжан, Ликсия; Грир, Эшли; Ли, Хунли; Приоре, Райан; Schiza, Maria V .; Фарр, Дж. Р. (22 февраля 2002 г.). Кристесен, Стивен Д.; Седлачек III, Артур Дж (ред.). «Применение многомерных оптических вычислений к формированию изображений в ближнем инфракрасном диапазоне». Сенсорные системы на основе вибрационной спектроскопии. 4577: 148–158. Bibcode:2002SPIE.4577..148M. Дои:10.1117/12.455732. S2CID  109007082.
  16. ^ Джей Приоре, Райан; Хайбах, Фредерик; V Schiza, Мария; Э. Грир, Эшли; Л. Перкинс, Дэвид; Myrick, M.L. (2004-08-01). «Миниатюрная система стереоспектральной визуализации для многомерных оптических вычислений». Прикладная спектроскопия. 58 (7): 870–3. Bibcode:2004ApSpe..58..870P. Дои:10.1366/0003702041389418. PMID  15282055. S2CID  39015203.
  17. ^ Дэвис, Брэндон М .; Хемфилл, Аманда Дж .; Дебечи Мальташ, Дерья; Зиппер, Майкл А .; Ван, Пинг; Бен-Амоц, Дор (01.07.2011). «Многомерная гиперспектральная рамановская визуализация с использованием компрессионного обнаружения». Аналитическая химия. 83 (13): 5086–5092. Дои:10.1021 / ac103259v. ISSN  0003-2700. PMID  21604741.
  18. ^ Гиперспектральные изображения с пространственно-спектральными изображениями от простого спектроскопа. 12 июля 2014 г. - через YouTube.
  19. ^ CM Veys; и другие. (2017). «Сверхдешевый активный прибор для многоспектральной диагностики сельскохозяйственных культур» (PDF). Журнал датчиков IEEE. 113: 1005–1007.
  20. ^ Смит, Р. Б. (14 июля 2006 г.), Введение в гиперспектральную визуализацию с помощью TMIPS Архивировано 2008-05-09 на Wayback Machine, Веб-сайт учебника MicroImages
  21. ^ Lacar, F.M .; и другие. (2001). "Использование гиперспектральных изображений для картографирования сортов винограда в долине Баросса, Южная Австралия ". Симпозиум по геонаукам и дистанционному зондированию (IGARSS'01) - IEEE 2001 International. 6: 2875–2877. Дои:10.1109 / IGARSS.2001.978191. S2CID  61008168. Внешняя ссылка в | название = (помощь)
  22. ^ Ферверда, Дж. (2005), Составление карты качества кормов: измерение и картографирование изменений химических компонентов в листве с помощью гиперспектрального дистанционного зондирования, Университет Вагенингена, Диссертация 126, 166 стр. ISBN  90-8504-209-7
  23. ^ Тиллинг, А.К. и др., (2006) Дистанционное зондирование для выявления азотного и водного стресса у пшеницы, Австралийское агрономическое общество
  24. ^ Vermeulen, Ph .; и другие. (2017). «Оценка пестицидного покрытия семян зерновых с помощью гиперспектрального изображения в ближнем инфракрасном диапазоне». Журнал спектральной визуализации. 6: a1. Дои:10.1255 / jsi.2017.a1.
  25. ^ Фернандес Пьерна, Дж. А. и др., «Комбинация машин опорных векторов (SVM) и спектроскопии изображения в ближнем инфракрасном диапазоне (NIR) для обнаружения мяса и костей (MBM) в комбикормах» Journal of Chemometrics 18 (2004) 341- 349
  26. ^ "ДОМА".
  27. ^ AM Шахиди; и другие. (2013). «Региональные вариации насыщения кислородом сосудов сетчатки глаза человека». Экспериментальные исследования глаз. 113: 143–147. Дои:10.1016 / j.exer.2013.06.001. PMID  23791637.
  28. ^ Хиггинс, Кевин. «Пять новых технологий инспекции». Переработка пищевых продуктов. Получено 6 сентября 2013.
  29. ^ Бургшталлер, Маркус; и другие. "В центре внимания: спектральные изображения сортируют" сахарные "дефекты". PennWell.
  30. ^ Дакал-Ньето, Ангел; и другие. (2011). Неразрушающее определение полого сердца в картофеле с помощью гиперспектральной визуализации (PDF). С. 180–187. ISBN  978-3-642-23677-8. Архивировано из оригинал (PDF) на 2014-08-10.
  31. ^ Дакал-Ньето, Ангел; и другие. (2011). «Распространенное обнаружение парши на картофеле с использованием системы инфракрасной гиперспектральной визуализации». Анализ и обработка изображений - ICIAP 2011. Конспект лекций по информатике. 6979. С. 303–312. Дои:10.1007/978-3-642-24088-1_32. ISBN  978-3-642-24087-4.
  32. ^ а б c Холма, Х. (май 2011 г.), Thermische Hyperspektralbildgebung im langwelligen Infrarot Архивировано 26 июля 2011 г. Wayback Machine, Фотоник
  33. ^ Верфф Х. (2006), Дистанционное зондирование сложных объектов на основе знаний: распознавание спектральных и пространственных закономерностей в результате естественных просачиваний углеводородов, Утрехтский университет, ITC Диссертация 131, 138 с. ISBN  90-6164-238-8
  34. ^ Нумен, М.Ф. (2007), Гиперспектральная отражательная способность растительности, пострадавшей от подземной просачивания углеводородного газа, Энсхеде, ITC 151p. ISBN  978-90-8504-671-4.
  35. ^ Марк Амбиндер (3 мая 2011 г.). «Секретная команда, убившая бен Ладена». Национальный журнал. Архивировано из оригинал 24 мая 2012 г.. Получено 12 сентября, 2012.
  36. ^ «Исследования гиперспектрального распознавания лиц в видимом спектре с выбором диапазона характеристик - журналы и журнал IEEE». CiteSeerX  10.1.1.413.3801. Дои:10.1109 / TSMCA.2010.2052603. S2CID  18058981. Цитировать журнал требует | журнал = (помощь)
  37. ^ Frost & Sullivan (февраль 2011 г.). Техническая информация, аэрокосмическая промышленность и оборона: Первая в мире тепловизионная гиперспектральная камера для беспилотных летательных аппаратов.
  38. ^ Сова Специма видит невидимый объект и распознает его материалы даже в кромешную тьму ночи. Архивировано 2011-02-21 на Wayback Machine.
  39. ^ "FLAMES - Многоэлементный спектрограф с оптоволоконной большой решеткой". ESO. Получено 30 ноября 2012.
  40. ^ «СИНФОНИ - спектрограф для интегральных полевых наблюдений в ближней инфракрасной области». ESO. Получено 30 ноября 2012.
  41. ^ М. Чемберленд, В. Фарли, А. Валлиер, Л. Бельхумер, А. Виллемер, Ж. Жиру и Ж. Лего, «Высокопроизводительный портативный радиометрический спектрометр для получения изображений для гиперспектральных изображений», Proc. SPIE 5994, 59940N, сентябрь 2005 г.
  42. ^ Фарли В., Чемберленд М., Лаге П. и др., «Обнаружение и идентификация химических агентов с помощью инфракрасного датчика гиперспектрального изображения», Архивировано 2012-07-13 в Archive.today Труды SPIE Vol. 6661, 66610L (2007).
  43. ^ Гросс, Кевин С.; Брэдли, Кеннет С.; Перрам, Глен П. (2010). «Дистанционная идентификация и количественная оценка промышленных дымовых стоков с помощью спектроскопии с преобразованием Фурье изображения». Экологическая наука и технологии. 44 (24): 9390–9397. Bibcode:2010EnST ... 44.9390G. Дои:10.1021 / es101823z. PMID  21069951.
  44. ^ а б Абделлатиф, Мохамед; Пил, Харриет; Кон, Энтони Дж .; Фуэнтес, Рауль (2020). «Обнаружение трещин на тротуаре по гиперспектральным изображениям с использованием нового индекса трещин в асфальте». Дистанционное зондирование. 12 (18): 3084. Дои:10.3390 / RS12183084.
  45. ^ «Сессия сжатия и сжатия данных» (PDF).
  46. ^ «Метаспектральная технология».
  47. ^ А. Пикон, О. Гита, П.Ф. Уилан, П. Ириондо (2009), Интеграция спектральных и пространственных характеристик для классификации цветных металлов в гиперспектральных данных, IEEE Transactions по промышленной информатике, Vol. 5, N ° 4, ноябрь 2009 г.
  48. ^ Ран, Линъянь; Чжан, Яньнин; Вэй, Вэй; Чжан, Цилинь (2017-10-23). «Структура классификации гиперспектральных изображений с функциями пространственной пары пикселей». Датчики. 17 (10): 2421. Дои:10,3390 / с17102421. ЧВК  5677443. PMID  29065535.

внешняя ссылка