머리말

높은 스펙트럼 이미지는"사람의 눈을 보면 보이지 않는"능력을 가지고 있지만, 진정으로 데이터를 정보로 만들고, 특징을 소음에서"파내는"것은 스펙트럼 사전 처리와 차원 강하이다.이번 호에서 우리는 가장 직관적인 사례인 멍든 키위를 사용하여 원시 스펙트럼이 어떻게 일련의 사전 처리 (매끄러움, SNV, MSC) 와 차원 강하 방법 (PCA, MNF) 의 작용하에 점차 명확한 조직 구조와 손상 특징을 나타내는지 보여줍니다.몇 장의 그림만 있으면"높은 스펙트럼 처리 전후"의 큰 차이를 볼 수 있고, 왜 미리 처리되었는지 신속하게 이해할 수 있으며, 모델링 자체보다 더 중요하다.

4 스펙트럼 이미지 사전 처리

4.1 스펙트럼 사전 처리

매끄러운 방법은 주로 스펙트럼에서 고주파 무작위 소음을 제거하는 데 사용되며 스펙트럼의 전반적인 추세와 피크 형태를 최대한 보존합니다.

(1) 평균 이동

평균을 이동하는 것이 가장 기본적인 매끄러운 방법입니다.현재 점과 인접 점의 평균을 취하여 스펙트럼을 부드럽게 만듭니다.이 방법은 고주파 소음을 부드럽게 할 수 있지만 일부 가시 소음에는 민감하지 않습니다.공식은 다음과 같습니다.

여기서 은 이동 창의 크기입니다.

python 코드 예:

(2) Savitzky-Golay 부드럽게

SG 매끄러움의 핵심 사상은 스펙트럼 신호를 하나의 슬라이딩 창 안에서 다항식 의합하여 원시 스펙트럼 점을 의합된 값으로 대체하는 것이다.SG 매끄러움은 단순한 이동 평균에 비해 고주파 노이즈를 제거할 뿐만 아니라 스펙트럼 피크 및 신호의 로컬 특성을 유지할 수 있습니다.이 방정식은 다음과 같습니다. 창 크기는 2입니다.m+1의 조건하에서 제군에게i개의 스펙트럼 점은 다음과 같이 부드럽습니다.

여기서 는 창 내의 스펙트럼 점의 원래 값인 다항식 맞춤 계수입니다.

python 코드 예:

(3) 중간값 필터

중간값 필터는 현재 점 값을 창 내의 중위수로 대체하는 것으로, 우발적인 스파이크 노이즈 (가시) 에 특히 효과적입니다.

python 코드 예:

(4) 표준 정적 변환(SNV)

SNV는 각 스펙트럼을 중심화하고 표준화함으로써 스펙트럼 간의 산란 효과나 강도 차이를 제거하고 스펙트럼의 상대적 형태를 보존하는 귀일화 방법이다.공식은 다음과 같습니다.

여기서 는 스펙트럼 평균을 나타내고 스펙트럼 표준 차이를 나타냅니다.

python 코드 예:

(5) 다중 산란 보정(MSC)

MSC는 선형 회귀를 통해 각 스펙트럼을 참조 스펙트럼 (일반적으로 평균 스펙트럼) 에 맞추어 곱셈과 덧셈 산란 효과를 교정합니다.이 방법은 산란으로 인한 강도 차이를 교정하고 스펙트럼의 형태 특징을 보존할 수 있다.공식은 다음과 같습니다., 여기서

여기서 제i파장의 스펙트럼, 참조 스펙트럼, 일반적으로 모든 샘플의 평균 스펙트럼, 회귀 계수, 의합 후의 스펙트럼이다.

python 코드 예:

4.2 스펙트럼 이미지 다운그레이드

(1) 주성분분석 차원강하(PCA)

높은 스펙트럼 이미지 처리에서 PCA는 주파수 대역의 이중화를 줄이고 소음을 줄이며 주요 스펙트럼 정보를 추출하는 데 자주 사용되는 차원 감소 방법입니다.높은 스펙트럼 이미지는 일반적으로 공간 차원과 수백 개의 스펙트럼 대역을 포함하는 3D 데이터 입방체로 표시됩니다.PCA 다운그레이드의 핵심 사상은 각 픽셀의 스펙트럼 벡터를 고차원 데이터로 간주하여 모든 픽셀 데이터를 0균등화하고, 협방차 행렬을 계산하며, 그 특징값과 특징 벡터를 구하여 방차 크기에 따라 정렬된 주성분을 얻는 것이다.앞의 몇 가지 주성분을 선택하면 고차원 스펙트럼 데이터를 고차원에서 저차원으로 매핑할 수 있으며 대부분의 스펙트럼 정보를 보존할 수 있다.차원을 낮춘 데이터는 계산량을 줄일 뿐만 아니라 신호 잡음비도 현저하게 높여 시각화, 분류 또는 분류 분석에 사용할 수 있다.예를 들어, 처음 세 개의 주성분을 위조 컬러 이미지로 조합하여 공간 구조를 직관적으로 보여줄 수 있다.전체적으로 PCA 다운그레이드는 높은 스펙트럼 이미지 처리 및 분석에서 중요한 사전 처리 수단으로서 데이터를 효과적으로 압축하고 이중화 및 노이즈를 제거하며 스펙트럼 특성을 유지합니다.

(2) 최소 노이즈 점수 차원 감소(MNF)

높은 스펙트럼 이미지 처리에서 MNF 다운그레이드는 스펙트럼 노이즈 특성을 고려하여 주요 신호 성분을 추출하는 데 사용되는 데이터 노이즈 감소 및 압축 방법입니다.MNF 다운그레이드는 일반적으로 두 단계로 진행됩니다: * 한 단계로 원시 하이 스펙트럼 데이터에 대한 노이즈 추정과 데이터에 대한 노이즈 귀일화, 노이즈 영향 표준화;두 번째 단계는 귀일화된 데이터에서 주성분 분석 (PCA) 을 진행하여 방차 * 가 큰 성분을 주요 신호로 추출하고 소음이 주도하는 낮은 방차 성분을 포기한다.전통적인 PCA와 달리 MNF는 소음 구조를 먼저 고려함으로써 차원을 낮춘 후의 처음 몇 가지 주성분이 신호 소음 비율에서 더 우수하고 실제 스펙트럼 신호를 더 두드러지게 한다.MNF가 차원을 낮춘 후의 데이터는 주파수 대역의 이중화를 줄일 뿐만 아니라 소음을 효과적으로 감소시켜 높은 스펙트럼 이미지의 시각화, 분류 및 목표 식별 등의 작업에 널리 응용된다.소음 억제와 특징 압축을 동시에 실현할 수 있기 때문에 MNF는 종종 높은 스펙트럼 데이터를 처리하는 고급 차원 강하 방법으로 여겨진다.

4.4 사례 전후 비교

(1) 스펙트럼 사전 처리 사례

다음 그림과 같이 다른 사전 처리 방법으로 처리된 스펙트럼 커브가 표시됩니다.원시 스펙트럼에 비해 Savitzky-Golay, 이동 평균 및 중간 값 필터와 같은 매끄러운 사전 처리 방법은 주로 스펙트럼 곡선의 고주파 파동을 제거하고 스펙트럼 곡선을 더 매끄럽게 만들며 전체 피크와 베이스라인의 기본 형태를 유지합니다.SNV 방법은 원본 스펙트럼의 폭과 오프셋을 표준화하여 서로 다른 샘플의 스펙트럼을 동일한 수준에서 정렬하는 동시에 곡선의 전체 높이를 약간 변경합니다.MSC는 선형 회귀를 통해 빛의 산란으로 인한 폭과 오프셋 차이를 교정하여 피크 특성을 유지하면서도 샘플 간의 산란 차이를 제거합니다.그러나 SNV와 MSC는 스펙트럼에서 고주파 노이즈를 제거하지 않습니다.SG+SNV 또는 SG+MSC와 같은 조합 방법은 스펙트럼에 대해 고주파 노이즈를 매끄럽게 한 다음 산란 보정을 수행하여 매끄러움과 산란 보정의 효과를 모두 고려하여 스펙트럼이 평평하면서도 피크 특성을 유지하도록 합니다.처리 전후의 스펙트럼을 비교하여 소음, 산란, 베이스라인에 대한 각 방법의 조절 작용을 직관적으로 관찰할 수 있으며, * 적합한 사전 처리 전략을 선택할 수 있다.

(2) 스펙트럼 이미지 차원 강하 사례

멍든 키위의 스펙트럼 이미지 다운그레이드를 예로 들면, 멍든 키위의 높은 스펙트럼 이미지 및 특정 파장의 그레이스케일 이미지는 다음 그림과 같다.

타박상 키위의 높은 스펙트럼 이미지 및 특정 파장의 그레이스케일 이미지

멍든 키위의 높은 스펙트럼 데이터를 PCA와 MNF로 분석한 결과 두 방법 모두 주성분에서 조직 변화와 관련된 특징을 추출할 수 있지만 현저한 차이를 보였다.PCA의 PC1은 주로 과육조직의 전반 반사률과 밀도분포를 표징하는데 PC2는 타박상구역의 흡수증강을 뚜렷이 두드러지게 두드러지게 나타낼수 있으며 PCA에서 * 진단의의가 있는 분량이다.PC3부터 소음이 주도해 뚜렷한 줄무늬 위영이 나타나 더 이상 분석하기에 적합하지 않다.이에 비해 MNF는 신호 소음 비율에 따라 정렬함으로써 소음을 효과적으로 억제했다. MNF1은 안정적인 조직 배경 특징을 보여준다. MNF2는 더 높은 명암비와 더 선명한 경계로 멍든 핵심 영역을 분리할 수 있다. MNF3는 손상된 가장자리 구조를 더욱 강화해 멍든 확산의 차원 변화를 보여준다.전체적으로 MNF는 타박상 특성 향상, 노이즈 억제 및 조직 세부 유지 측면에서 PCA보다 월등히 우수하며, 그 중 MNF2–MNF3는 * 진단 가치가 있는 특징 컴포넌트입니다.

PCA 및 MNF 분석을 위해 키위 샘플의 전체 스펙트럼 이미지

다음 예고

다음 호에서는 하이 스펙트럼 이미지의 식별 분류, 하이 스펙트럼 이미지 분류의 방법에 대한 모니터링 분류를 소개할 것입니다.