高光谱成像技术用于金属锈化分级

1.介绍：
IRIS集团提供了14个金属样本给美国Headwall公司用于高光谱成像技术在金属鉴别方面的识别应用的可行性测试。测试的目的为判断利用高光谱成像仪在UV到近红外范围内对金属的反射率能否量化金属的锈化等级。本测试利用的高光谱成像仪分别是Headwall公司的 Hyperspec® UV，光谱覆盖范围是250~500nm；Micro-Hyperspec® VNIR E-Series，光谱覆盖范围是400~1000nm；Micro-Hyperspec® SWIR M-Series，光谱覆盖范围是900~2500nm。
2.系统配置
2.1. 高光谱成像系统
整个高光谱成像系统利用Headwall Hyperspec® UV来负责UV范围内光谱采集。该高光谱成像仪有409个光谱通道，光谱分辨率为1.4nm。该部分数据采集不设置感兴趣区域（ROI）或者舍弃区域。扫描帧频设置为大约16.7Hz。
在VNIR范围内，系统利用的是Micro-Hyperspec® VNIR E-Series。该高光谱成像仪有369光谱个通道，光谱分辨率为5.8nm。该部分数据采集也不设置感兴趣区域（ROI）或者舍弃区域。扫描的帧频设置为大约60Hz。
在SWIR范围内，系统利用的是Micro-Hyperspec® SWIR M-Series。该高光谱成像仪有166个光谱通道，光谱分辨率为10nm。同以上部分一样，采集不设置ROI与舍弃区域。其扫描帧频设置为45Hz。
每个高光谱成像系统由一个前视透镜、一个摄谱仪和一个焦平面阵列组成。前视镜将场景成像到摄谱仪的入口端口。该场景摄入的光通过狭缝打在摄谱仪上。光通过摄谱仪分光处理后将不同波长的光以垂直于狭缝方向的排列方式进行分离。这就形成了一个矩形的光场，在平行于狭缝方向的维度表示沿狭缝摄入光的点，而垂直于狭缝维度则表示每一个点的光谱信息。这个矩形光场投射到精确定位的焦平面阵列（CCD）上来保存光谱信息并成像。在满足数据采集需要（如，曝光时间）的条件下，以一个特定速度匀速在垂直于狭缝方向上移动，这样就可以将采集到一个完整的2维平面图像。与此同时，由于光谱仪会记录下平面图像每一个点（像元）的光谱信息，所以*后就会得到一个3维的光谱立方体。
在控制样品动态方面，本次测试采用Headwall Hyperspec® Starter Kit。该设备可连接电脑对实验中的移动平台（盛放样品），光源以及高光谱成像仪进行控制。
2.2. 光源与放射率参考
该实验光源采用Headwall VNIR-SWIR光源。该光源通过光学器件将石英钨卤素灯泡发出的光会聚成一条聚焦的光束打在样品上。
在反射率方面，白参比与暗电流都在实验前采集完成。这两种参考可以帮助高光谱成像仪消除空间像元的不均匀以及对光谱响应不均匀。这个实验中，白参比采用的是光谱仪采集到的光电球白数据。对数据进行校正的公式如下： 3. 样本概要
所提供的14个样品均已装在编号的塑料袋中运抵。每一个编号都随附着样本简介。等级1样本（图1.A）为基础样本，没有生锈。等级2样本（图1.B）有零星的锈迹。等级3，4样本（图1.C/D）为开始锈化样本，颜色呈橙色。从等级4样本向等级5样本（图1.E）变化的过程，橙色变深，但是样本内部还是与等级4样本外观类似。正如预期的一样，金属是由外向内被侵蚀的。混合等级样本（图1.F）为没有被精准归类于某一等级的样本。 图1. 通过数码相机拍摄的样本照片。从左上至右下分别为1,2,3,4,5和混合等级样本。在E中的红圈代表在图6中测试部分。
4. 分析
在没有其他材料（混凝土）的情况下，钢铁可以被氧化并生成几种不同的矿物质。其中包括水合铁(III)氧化物(Fe₂O₃·nH₂O)和铁(III)氧化物-氢氧化物(FeO(OH)， Fe(OH)3)组。赤铁矿(Fe₂O₃)，磁铁矿(Fe₃O₄)、磁赤铁矿(γ-Fe₂O₃),针铁矿(α-FeO(OH),四方纤铁矿(β-FeO(OH)以及纤铁矿(γ-FeO (OH))都属于这两组。不同矿物质的生成依赖于不一样的环境条件，比如温度和压力等等。大多数情况下，矿物都是以混合物的形式存在的，它们不止含有一种矿物质，比如褐铁矿。
为了量化钢铁锈化等级，本次测试利用的方式是分析数据取得每一份样本的平均光谱。当目标光谱被提取出来再利用监督分类发算法将等级分类。本次实验采用的监督分类法是光谱角制图（SAM）。光谱角制图获取数据并在尽可能多的维度中将其可视化。然后算法计算表示每个光谱距离的角与输入光谱比较，并将对每一个等级的偏移量设置为0.1。混合等级样本数据不会被利用在该算法里。这样就就可以判断该算法是否可以根据现有的等级分类将金属锈化等级进行适当的分类。本次测试结果没有优化，只提供一个全景的解决方式。随着实验的进行，未来会有更多的详细的优化的解决方法。
4.1. UV数据
本次实验的UV数据是在Headwall宽频段辅助光源辅助下获取的。宽频带光源有UV区域的*小输出量。预计光线不足，无法进行成像，结果与假设是一致的。总体来说在250nm~400nm波段获取到的数据伴有极强烈的噪声，导致无法建立建立较高精度的分类模型。图2展示了感兴趣区域（ROI）平均像元，每一个样本的光谱还有分类成像结果。感兴趣区域大概有15,000到510,000个像元。
4.2. VNIR数据
相比于UV数据，VNIR数据在本次实验中更为有效。如图3所示，大部分像元都被归类到了合适的等级中。只有很少部分离群的像元数据没有被分类到正确的类别中。所以在本次实验可以判定该分类算法可以用来对样本锈化分级。 图2.（A）所有样本在UV-VIS波段范围内RGB图像，R:479.6050 nm, G:500.6190 nm, B:500.6190 nm。（B）利用不同颜色画出的A图像中的样品感兴趣区域，颜色与D曲线图中反射率曲线相对应。（C）光谱角制图（SAM）算法分类结果。（D）所有样本在UV-VIS波段范围内的平均光谱。
  图3. （A）所有样本真彩色图像，R:699.7260 nm, G:519.4020 nm, B:480.4130 nm。（B）在A图像中利用不同颜色画出的样品感兴趣区域，颜色与D曲线图中光谱曲线颜色相对应。（C）光谱角制图（SAM）分类结果。（D）所有样本在VNIR波段范围内的平均光谱。
在VIS波段范围内，由于金属（Fe）处于锈化的过程中，所以产生了晶体场吸收跟电子跃迁，因此VNIR波段范围的光谱信息是*优的监测富铁氧化变化的数据。
4.3. SWIR数据
通过图4的显示结果可以说利用SWIR波段范围内的光谱数据也可以很好的将样本以1，2和5这三个等级分类，但是对于等级3，4以及混合等级分类没有利用VNIR波段范围内的光谱数据进行分类的一致性做的好。如图所示，在这三个等级中依然有很多像元没有被正确分类。这是因为SWIR波段范围内的数据对于金属变异更为敏感。但是这也说明SWIR波段范围内的光谱数据对于金属变化区分能力更好。 图4. （A）所有样本的彩色图像，R:1028.5900 nm，G:1191.4700 nm，B:1593.8600 nm。（B）在A图像中利用不同颜色画出的样品感兴趣区域，颜色与D曲线图中光谱曲线颜色相对应。（C）光谱角制图（SAM）算法分类输出结果。（D）所有样本在SWIR波段范围内的平均光谱。
在1.4微米波长处产生的吸收现象是因为H-O-H的拉伸力以和泛音，以及O-H的泛音协同产生的影响。在1.9微米波长处出现的吸收现象是由水分子的v₂+v₃与v₂+v₁造成的。这些特征将在图5-7中显示的更为明显。所以依此得到结论是一些样本看起来要比其他样本含水量要多。
4.4. 概要
统观所有样本，大多数都含有针铁矿、磁赤铁矿，赤铁矿以及褐铁矿等矿物质。如图5,6所示，一些变化过程发生在样本内部。参考USGS矿物光谱可以看出，通过SWIR波段观察到的变化大多是因为有几种不同的矿物质同时存在于一个比较小的区域。比如，褐铁矿的光谱看起来不像是它自己应有的光谱，但铁的氢氧化混合物会根据含有的丰富的其他物质再次发生较大变化。颜色也会从黄色变的越来越发橙色。 图7. 图中绘制点是USGS光谱库数据以及图6中等级5样本光谱数据。6A-针铁矿，6B-磁赤铁矿、褐铁矿，6C-褐铁矿、纤铁矿，6D-针铁矿、纤铁矿、褐铁矿。
5. 总结
本次实验得出，VNIR波段的光谱数据在通过金属表面光谱数据进行分类表现*好。在VNIR与SWIR波段上都可以看出样本内部矿物质变化，但是相比较于VNIR波段，SWIR波段对于不同物质变化的区分能力更强。所以VNIR波段与SWIR波段的综合光谱数据可以更有效，更精准的区别矿物质。
 
参考：
Clark, R.N., Swayze, G.A., Wise, R., Livo, E., Hoefen, T., Kokaly, R., Sutley, S.J. (2007), USGS digital spectral library splib06a: U.S. Geological Survey, Digital Data Series 231.
 
如需原文可给我们留言或者联系我们：010-84562860/84562550