|
|
高(gāo)光(guāng)譜在文物(wù)保護方面的(de)應用(yòng)
高(gāo)光(guāng)譜圖像分(fēn)析簡要原理(lǐ) 高(gāo)光(guāng)譜圖像是将成像技術和(hé)光(guāng)譜技術相結合的(de)多(duō)維信息檢測技術，它能夠同時探測目标的(de)二維幾何空間與一維光(guāng)譜信息，獲取高(gāo)光(guāng)譜分(fēn)辨率的(de)連續、窄波段的(de)圖像數據。和(hé)以往的(de)多(duō)光(guāng)譜、多(duō)波段成像光(guāng)譜技術相比，高(gāo)光(guāng)譜圖像技術的(de)優勢，主要體現在高(gāo)空間分(fēn)辨率、高(gāo)光(guāng)譜分(fēn)辨率和(hé)高(gāo)信息質量等方面。 高(gāo)光(guāng)譜圖像數據是一個光(guāng)譜圖像立方體，其最主要的(de)特點是将傳統的(de)圖像空間維與光(guāng)譜信息維信息融合爲一體，與單波段圖像相比，他(tā)多(duō)出一維光(guāng)譜信息，在獲取目标物(wù)空間圖像的(de)同時，可(kě)以得(de)到每個像元對應的(de)光(guāng)譜信息，高(gāo)光(guāng)譜數據以較窄的(de)波段區間、較多(duō)的(de)波段數量來描述目标物(wù)，包含非常豐富的(de)物(wù)質光(guāng)譜信息，能有效地捕捉物(wù)質的(de)光(guāng)譜特征。 我們可(kě)以根據獲得(de)的(de)高(gāo)光(guāng)譜數據，分(fēn)析得(de)到具有診斷性意義的(de)物(wù)質光(guāng)譜特征，建立代表物(wù)質特性的(de)“指紋光(guāng)譜”（每種物(wù)質都有的(de)自己獨特的(de)光(guāng)譜特征），接著(zhe)便可(kě)以針對高(gāo)光(guāng)譜圖像中每個像元的(de)光(guāng)譜反射率曲線，基于光(guāng)譜匹配與特征分(fēn)析，利用(yòng)光(guāng)譜信息直接識别目标物(wù)質。 文物(wù)中，消失的(de)文字、脫落的(de)顔料，由于他(tā)們擁有自己獨特的(de)光(guāng)譜特征，而高(gāo)光(guāng)譜圖像的(de)特點在于極高(gāo)的(de)光(guāng)譜分(fēn)辨率和(hé)空間分(fēn)辨率，隻要其留有微弱的(de)信号，我們就可(kě)以根據光(guāng)譜特征将其探測出來、并标明(míng)在什(shén)麽位置。 應用(yòng)分(fēn)析流程 一、預處理(lǐ) 手冊中，預處理(lǐ)的(de)主要目的(de)是将絕對輻射數據轉換爲反射率數據，對圖像的(de)噪聲進行去除，對圖像的(de)有效區域（空間維和(hé)光(guāng)譜維）進行選取，爲後續處理(lǐ)提供高(gāo)質量的(de)原始數據。這裏，預處理(lǐ)主要以Philumina的(de)控制軟件Philumina Image Analyzer爲例，一般預處理(lǐ)步驟包括白闆校正（calibration，光(guāng)線校正）、噪聲去除（noise remove，爲提高(gāo)信噪比，獲得(de)更有效的(de)數據）、波段裁切（subset bands，去除光(guāng)效率低的(de)波段，獲得(de)更有效的(de)數據），有時數據量太大(dà)，可(kě)對數據進行空間裁切（subset roi，加快(kuài)處理(lǐ)速度，分(fēn)段處理(lǐ)後再合成）。 二、單目标光(guāng)譜分(fēn)析 案例代表：秦代官墓墓文闆。 分(fēn)析目的(de)：墓文闆年代久遠，表面文字脫落，需盡可(kě)能探測到丢失的(de)文字（圖1中紅色文字即爲探測目标），恢複整塊墓文闆的(de)可(kě)讀信息。
圖1 秦代官墓墓文闆采集原稿 1.選取ROI(regions of interest，感興趣區域) 借助ENVI的(de)ROI工具，選取圖1中的(de)文字部分(fēn)作爲感興趣區域，并保存。 2.使用(yòng)target detection工具進行分(fēn)析 借助ENVI的(de)“Target Detection Wizard”工具，對目标信息進行提取：
根據圖2所示工具，按照(zhào)左面闆中的(de)說明(míng)，按步驟點擊“next”,直到分(fēn)析完成，其中第3步中，選擇之前保存的(de)roi文件作爲目标波譜，第6步中，選取目标探測方法時，可(kě)以多(duō)選擇幾種，最後根據效果選取最合适的(de)結果。 經上述1、2處理(lǐ)步驟，得(de)到秦代官墓墓文闆分(fēn)析結果：
圖3 秦代墓文闆分(fēn)析結果 從圖3可(kě)以看出，原先丢失的(de)信息，很大(dà)一部分(fēn)都被提取了(le)出來，小部分(fēn)完全沒有信息的(de)地方可(kě)能是年代太久遠，刻字用(yòng)的(de)顔料已經消失了(le)。 三、多(duō)目标光(guāng)譜分(fēn)析 案例代表：上海博物(wù)院古畫。 分(fēn)析目的(de)：上海博物(wù)館采集到的(de)古畫，畫中有些地方有黴斑，需要識别黴斑區域是什(shén)麽成分(fēn)，以便于後期修複。
圖4 上海博物(wù)院古畫原稿 1.數據降維 高(gāo)光(guāng)譜圖像數據量非常大(dà)，在處理(lǐ)前一般先進行降維處理(lǐ)，我們使用(yòng)MNF進行數據降維。借助ENVI中的(de)“Forward MNF Estimate Noise Statistics ”工具，對源數據（即圖4所示數據）執行MNF變化(huà)，對數據降維。 這裏截取MNF變換後第1波段圖像和(hé)2,3,4波段的(de)假彩色合成：
圖5 mnf變換後第1波段
圖6 mnf變換後第2/3/4波段假彩色合成效果 MNF變換後每個波段具有不同的(de)意義，根據不同的(de)用(yòng)途，用(yòng)戶可(kě)以加以研究，MNF波段1代表整個波段的(de)亮度背景，即光(guāng)譜背景，在影(yǐng)像上都較其他(tā)的(de)MNF波段亮，mnf波段2-x(x根據待檢測的(de)物(wù)質會有所不同，一般會集中在前2-10個波段内，不同的(de)波段強調不同的(de)主成分(fēn))，每個波段的(de)信息互不相關。 2.端元提取 本案例選用(yòng)PPI方法進行端元提取，具體操作步驟爲： （1）利用(yòng)ENVI中的(de)“Pixel Purity Index(PPI) New Output Band”工具,對mnf變換結果文件執行PPI處理(lǐ)，獲取純淨像元指數文件；
（2）根據PPI結果文件選取ROI； （3）根據（1）（2）結果，利用(yòng)ENVI中的(de)“n-Dimensional Visualizer New Data”工具獲取端元； （4）獲取端元波譜并保存。
圖9 端元波譜 3.高(gāo)光(guāng)譜圖像分(fēn)類（光(guāng)譜解混） 本例選用(yòng)SAM(Spectral Angle Mapping，光(guāng)譜角填圖)方法進行高(gāo)光(guāng)譜分(fēn)類。具體操作爲，在ENVI中，調用(yòng)“Spectral Angle Mapper Classification”工具,利用(yòng)第2步中提取的(de)端元波譜，設置阈值，執行分(fēn)類。本例分(fēn)類結果：
圖10 SAM分(fēn)類結果 圖10中各類别的(de)顔色與圖8及圖9中的(de)顔色對應，根據圖10的(de)分(fēn)類結果，可(kě)以知道黴斑部分(fēn)原有的(de)成分(fēn)構成。在執行SAM分(fēn)類時，可(kě)以選擇生成SAM的(de)豐度圖像，這樣，當您對分(fēn)類結果不滿意（因爲分(fēn)類之前需要設置阈值參數，這個值往往不好确定，因此會影(yǐng)響分(fēn)類結果）時，可(kě)以利用(yòng)各目标成分(fēn)的(de)豐度圖進行進一步分(fēn)析。 本例中生成的(de)SAM豐度圖示例：
圖11 SAM豐度圖 圖11中的(de)SAM分(fēn)類的(de)豐度圖依次爲紅色、綠色、藍色及黃色分(fēn)量，每一幅圖中，黑(hēi)色表示相應分(fēn)量的(de)目标，像素值越小（越黑(hēi)），說明(míng)該像元中該端元所占比例越大(dà)。在該案例中，因不知道具體的(de)物(wù)質成分(fēn)，所以在分(fēn)類時物(wù)質僅僅按照(zhào)提取的(de)端元簡單的(de)用(yòng)顔色區分(fēn)，實際中若有物(wù)質的(de)光(guāng)譜庫，可(kě)以識别圖中的(de)物(wù)質，而且分(fēn)類結果也(yě)将更加精确。
|
