Применение гиперспектральных данных
Измерение непрерывного спектра отражения в каждом пикселе двумерного изображения.
• Изображение RGB: 3 точки спектральных данных (красный, зеленый, синий)
• Гиперспектральное изображение: 100 - 500 точек спектральных данных
ЧТО ТАКОЕ ГИПЕРСПЕКТРАЛЬНАЯ СЪЕМКА?
Имеют различные спектры отражения → позволяет проводить количественный анализ & автоматическое выявление
Мультиспектральная съемка:

- 4 - 12 спектральных полос
- спектральные полосы не являются непрерывными
ГИПЕРСПЕКТРАЛЬНАЯ vs. МУЛЬТИСПЕКТРАЛЬНАЯ
Гиперспектральная съемка:

- 100+ спектральных полос
- спектральные полосы образуют непрерывный спектр
ЗАЧЕМ НУЖНА ГИПЕРСПЕКТРАЛЬНАЯ СЪЕМКА
→ Позволяет идентифицировать материалы. Различные материалы имеют различные спектры отражения.
Вода, земля и растения
Минералы
Различные виды растений
Строительные материалы
ЛЕСНОЕ ХОЗЯЙСТВО
Управление лесным хозяйством с помощью гиперспектральной съемки обеспечивает прочную основу для принятия решений на основе данных или адаптации стратегий управления.
Управление лесным хозяйством в значительной степени необходимо для удовлетворения растущих потребностей в лесной продукции и охране окружающей среды. Однако ручная инвентаризация и лабораторный анализ отнимают много времени и сил.
Анализ гиперспектральных изображений, выявляющий биохимический и структурный состав как в пространственном, так и в спектральном аспектах, позволяет найти разнообразные применения для понимания леса.
Сравнение технологий естественного цвета, мультиспектральной и гиперспектральной съемки, включая количество полос и примеры приборов
Классификация видов растительности
Гиперспектральная съемка помогает определить местоположение и распределение различных видов деревьев в ландшафте, показывая ценную информацию для управления деревьями и лесами. Например, гиперспектральные изображения с использованием инновационных методов машинного обучения могут быть использованы для классификации доминирующих видов деревьев в смешанном лесу.
Окончательная классификация аэрофотоснимков Пустоши 1 (слева) и Пустоши 2 (справа)
Оценка здоровья / болезней деревьев
Гиперспектральные изображения, полученные с воздуха, позволяют оценить поражения ясеня (Hymenoscyphus fraxineus) отдельных деревьев ясеня в условиях живой изгороди. Отдельные кроны деревьев выделялись из живой изгороди с точностью 89%. Индексы узкополосной растительности, рассчитанные на основе гиперспектральных изображений, были применены для классификации наличия отмирания с общей точностью 87%.
Пример анализа поражения ясеня вдоль линий электропередач с использованием воздушных гиперспектральных снимков для определения местоположения отдельных деревьев, а также их вида, высоты и состояния. Все эти данные могут быть объединены для создания окончательной карты риска
Картографирование деревьев
Усовершенствованные гиперспектральные камеры облегчают сбор данных с высоким разрешением, что позволяет определять отдельные кроны деревьев на больших площадях. Воспользовавшись этим значительным преимуществом, на основе гиперспектральных данных в масштабе кроны отдельных деревьев, можно получить конкретные показатели для управления и мониторинга лесной среды.
Карта деревьев с указанием высоты деревьев на участке заповедника The Lodge RSPB
Метод гиперспектральной визуализации способен одновременно визуализировать локализацию и биохимическую информацию леса. Таким образом, она обеспечивает прочную основу для принятия решений на основе данных или разработки стратегий управления в лесном секторе.
СЕЛЬСКОЕ ХОЗЯЙСТВО
Гиперспектральная съемка в сельском хозяйстве позволяет значительно расширить спектр сельскохозяйственных задач и приложений, которые можно решить с помощью дистанционного зондирования.
Осматривая свои посевы с помощью гиперспектральных камер, фермеры могут обнаруживать такие вещи, как:

- ранние симптомы болезней
- водный стресс
- качество почвы

На основе этих данных они затем могут принять подход точного земледелия: более целенаправленное использование орошения, удобрений, пестицидов и т. Д.
В чем ценность гиперспектральных изображений для сельского хозяйства? Он основан на том факте, что тонкие различия в растениях или почвах, незаметные невооруженным глазом, приводят к разным спектральным характеристикам. И это можно сделать с помощью гиперспектральной камеры.
Многие из них обращаются к точному земледелию: оптимальному управлению процессом роста, в основном с помощью передовых технологий. Одной из таких технологий является гиперспектральная съемка.
Засухи, нехватка земли, экологические проблемы, ... Существует множество причин, по которым фермеры ищут разумные способы повышения урожайности и эффективности своего производства.
С помощью гиперспектральных камер фермеры, фермеры и исследователи могут получить большой объем информации.
Слева - четыре снимка, сделанные в разные дни над экспериментальным участком озимой пшеницы частично обработанной фунгицидами и содержащей 40 различных сортов с наложением NDVI ( = индикатор живой зеленой растительности). С течением времени некоторые сорта заражаются и теряют свою зеленую окраску.

Справа показаны изображения экспериментальных полей клубники, на которых различные участки подвергались разным обработкам: в вверху - изображение RGB, а внизу - карта индекса хлорофилла, показывающая уровень хлорофилла (показатель общего состояния здоровья растений). Карты иллюстрируют различную реакцию роста растений клубники в зависимости от среды их обитания (орошения и удобрения).

Все это прекрасно иллюстрирует, что спектральные отпечатки , которые камера записывает как необработанные данные, могут быть преобразованы - посредством обработки спектральных изображений - в полезные карты для фермеров и научных сотрудников.
Количественная оценка урожайности яблонь с помощью гиперспектральных снимков
В рамках исследовательского проекта BigApple были проведены гиперспектральные измерения на тестовых деревьях в фруктовом саду KOB (Kompetenzzentrum Obstbau-Bodensee) в Бавендорфе, недалеко от Боденского озера, на юге Германии.. В центре внимания измерений были два класса, т.е. яблоня и листва. Данные спектральных измерений являются основой для определения физиологических параметров роста/плода, которые рассматриваются в виде индексов в моделировании и анализе. Гиперспектральные измерения проводились в лаборатории в контролируемых условиях измерения. Кроме того, измерительные кампании проводились во фруктовом саду. Для этих целей использовалась гиперспектральная камера с диапазоном длин волн 450 - 950 нм.
Измерительная установка показывает гиперспектральную камеру S185 и мобильную систему обработки данных для сбора и хранения результатов измерений.
Автоматизированная количественная оценка яблок
На основе измерений был проведен анализ спектральных характеристик искомых классов (рис. ниже) и определены индивидуальные различия между спектральными кривыми классов. Ручная количественная оценка этих различий не подходит из-за высокой информационной плотности гиперспектральных измерений.

Поэтому для анализа данных в рамках проекта было использовано несколько известных методов классификации под наблюдением (например, k-Nearest-Neighbour, Support Vector Machine, Random Forest, Neural Networks) и их комбинации. Используя обширные обучающие данные, полученные в результате измерений, можно было автоматически определить желаемые классы.
Отобранные образцы для классов в примере измерения в KOB. Соответствующие кривые спектра/отражения для соответствующих классов. (яблоко = красное, лист = синий, фон: ствол дерева = зеленый, фон: черный материал = розовый)
Классификация объектов
Результаты классификаций показывают хорошее визуальное соответствие по сравнению с панхроматическим изображением. Количественная оценка результата классификации для искомых объектов проводилась по общей точности (OA), точности производителя (PA) и точности пользователя (UA). На рисунке 9 показана матрица путаницы и связанная с ней точность отдельных классов. Из-за путаницы между зеленым яблоком и зеленым листом, UA составляет 75,2 %. Точность для других классов составляет от 93,4 % до 97,1 %. Кроме того, общая точность показывает высокое значение 93,5%, что указывает на очень хороший результат классификации.
Панхроматическое изображение (слева) и пример классификации измерений 01.08.2018. (яблоко = светло-зеленое, лист = темно-зеленый, фон: ствол дерева = фиолетовый, фон: черный материал = коричневый)
Матрица путаницы для k-ближайшего соседа с точностью производителя (PA), точностью пользователя (UA), общей точностью (OA).
На основе результатов классификации могут быть созданы различные параметры роста/плодов. В качестве примера здесь приведен параметр соотношение листьев и плодов. Этот параметр предназначен для предоставления информации о посевной нагрузке яблонь, которая ранее была определена ручным или деструктивным методом. На основе этих результатов и измерений, проведенных в разное время роста, можно определить средние значения роста плодов.

В рамках проекта классификация яблок и листьев может быть успешно проведена с помощью гиперспектральной камеры. Кроме того, из классификации могут быть определены различные параметры/индексы, которые используются для модели наших партнеров по проекту для оценки оптимального хранения яблок.
ГЕОЛОГИЯ
Распределение материала в забое рудника обычно варьируется в мелком масштабе и в пределах ежедневных сегментов добычи. Эти изменения не всегда можно определить визуально, но они имеют отношение к качеству руды из извлеченной руды и для корректировки последующих этапов обработки. Сведение к минимуму неправильной классификации или ложного распределения материалов позволит свести к минимуму энергоемкую повторную обработку материалов. Спектроскопия изображений может помочь идентифицировать и оценить соответствующие минералы или геологические материалы конкретных месторождений до их добычи.
Гиперспектральная визуализация для идентификации минералов
Были сгруппированы геохимические данные (ICP-ES и анализ углерода и серы) 36 проб с участка. Он выявил семь различных групп материалов. Эти группы были подтверждены путем оценки спектральных отпечатков образцов и доминирующей минералогии (XRD). Спектральная библиотека для конкретных участков (рис. 1) показывает один спектр на кластер и была собрана в лаборатории из 36 образцов поверхности с использованием приборов VNIR и SWIR
Для классификации забоя входные параметры, используемые для анализа, были сокращены до шести кластеров за счет исключения кластера, в котором преобладает гипс. Полученная карта показывает расположение штокверковой зоны, а также вкрапленные и выветренные сульфидные руды. Здесь каждый кластер представляет собой отдельную зону внутри рудника, например, минерализованные подушечные лавы, смектито-хлоритовую зону или хлоритовую штокверковую зону.
Ожидаемая зональность забоев рудника (Antivachis, 2015). B: Гиперспектральное картирование забоя рудника Аплики (Koerting 2020, в стадии подготовки) с помощью алгоритма двоичной подгонки (Mielke et al, в стадии подготовки).
Классификация забоев рудника
Гиперспектральную карту можно визуализировать на 3D-моделях, созданных с помощью Structure-for-Motion (SfM) или путем реализации точного LiDAR-моделирования (рис. 20). Эти модели помогают при распределении материала на месте. Области, например, с высоким содержанием гидроксида алюминия (AlOH), могут быть дополнительно нанесены на карту с помощью картирования минимальной длины волны для характеристики AlOH. Этот тип анализа помогает в выявлении участков с более высоким уровнем загрязнения (например, глины) для корректировки обработки извлеченного здесь материала.
3D-модель, созданная SfM, наложенная на гиперспектральную классификацию (вверху) и центральную карту распределения длин волн для конкретных характеристик поглощения.
Визуализация гиперспектральной карты на 3D-моделях
Этот пример показывает потенциал гиперспектральной визуализации как инструмента для геологических и горнодобывающих приложений. Его использование позволяет точно идентифицировать полезные ископаемые и материалы где угодно, от разведки и добычи до обработки и производства.
Изображения SWIR для разведки полезных ископаемых
Выходы серицита (красный цвет = наилучшее соответствие) распределяются на южном краю средней и северной части субвулканического тела, а также на восточном краю. Бордовыми точками обозначены известные урановые участки. Красный > желтый = уменьшающаяся урановая минерализация, связанная с обнажением серицита. Фиолетовый - низкая вероятность серицита (аномальные неправильные чешуйки). Сиреневый - карбонат. Голубой - эпидот.
Серицитовые карты, связанные с урановой минерализации. Данные позволяют лучше понимание потенциала территории как ресурсного района.

Обновление региональных запасов ураноносных минералов для энергетической промышленности
Аэрофотосъемка полезных ископаемых
Картирование полезных ископаемых с высоким разрешением
Визуализация SWIR и LWIR обеспечивает быстрый инструмент минералогического картирования для геологических исследований в микро и макро масштабе с разрешением от 30 мкм до 2 мм.
Трансформация каолинита/дикита – Бассейн Кариверлу, Южная Каролина
На глубине от 2500 до 5000 м в осадочных бассейнах можно наблюдать следующие последовательности минералов: каолинит → дикит, детритовые слюды → каолинит и/или дикит и детритовые полевые шпаты → дикит (Cassagnabère 1998).

Данные из песчаников Северного моря указывают на то, что морфология дикита имеет отношение к глубине захоронения. Дикит образуется либо из каолина в осадке, либо из изменения обломочного полевого шпата и слюды. Дикит становится более блочным и упорядоченным с глубиной и устойчив к глубинам захоронения не менее 5000 м.
Градационные границы слюдистого песчаника в зоне дикита и за ее пределами наводят на мысль о фациальных вариациях. Большинство осадочных последовательностей, содержащих дикит, изученных в австралийских буровых кернах NVCL, представляют собой крупнозернистые, высокопроницаемые породы. Действительно, "трансформация [каолинит>дикит] обычно более распространена в песчаниках с высокой проницаемостью, чем в песчаниках с низкой проницаемостью" (Cassagnabere, 1998). Снижение проницаемости (наоборот) благоприятствует каолиниту. Так что дело не только в том, чтобы быть палеогеотермометром.
Анализ пищевых продуктов
Качество и безопасность пищевых продуктов - это темы, которые привлекают много внимания в наши дни. Потребители хорошо осведомлены о влиянии качества и состава пищевых продуктов не только на состояние питания человека, но и на общее самочувствие. Становятся важными этические вопросы производства продуктов питания, а с другой стороны, очень распространены различные типы аллергии и непереносимости. Неудивительно, что обычный потребитель выбирает органическую еду без глютена и без лактозы в качестве обычного обеда в рабочий день.

Гиперспектральная визуализация хорошо зарекомендовала себя методом измерения, инспекции, сортировки и классификации пищевых продуктов на различных этапах цепочки поставок, поскольку она дает достоверную информацию быстрым, неразрушающим и гигиеничным способом, не требующим подготовки образцов.

HSI обычно используется для изучения химического состава пищевых продуктов, фальсификации, спелости, свежести или пятен на различных фруктах и овощах, классификации семян, обнаружения посторонних предметов или идентификации различных сортов или смесей. По сравнению со многими другими технологиями, гиперспектральная визуализация позволяет обнаруживать все эти параметры качества одновременно. Для этой цели обычно используются диапазоны длин волн VNIR, NIR и SWIR.
Распределение влаги в хлебе
Распределение влаги - важный атрибут многих пищевых продуктов, который влияет на текстуру и условия, благоприятные для микробной активности. Влага может измениться в течение срока хранения и, следовательно, связана со свежестью продукта. Распределение не всегда равномерно, но это трудно обнаружить без технологии визуализации.

На рисунке ниже показано распределение влаги в свежем ломтике белого хлеба. Сначала была построена калибровка, а затем эта модель была применена к реальным образцам. Фиолетовый и синий цвета на изображении указывают на низкое содержание влаги, а желтый и красный цвет - на высокое содержание влаги. Легко увидеть, что уровень влажности быстро увеличивается к центру хлеба, в то время как внешняя корка имеет очень низкий уровень влажности.
Состав плитки шоколада
Поскольку гиперспектральная визуализация обеспечивает попиксельную информацию об образце, она идеально подходит для составления карт составов многокомпонентных продуктов. Определенные характеристики качества, такие как жир, влажность или кристаллическая сахароза, имеют четкие спектральные характеристики в диапазоне SWIR. Путем калибровки по эталонным образцам можно проводить количественные измерения.
На рисунке показаны карты трех полос поглощения. Полоса для CH2 обычно связана с различиями в содержании жира, другая полоса характерна для присутствия кристаллической сахарозы, а полоса поглощения OH обычно связана с различиями в содержании влаги.

Области с высоким содержанием жира показаны красным цветом, а кристаллическая сахароза и влага - зеленым и синим, соответственно. Комбинации компонентов показаны смешанными цветами. Орехи затеняются красным цветом, указывая на высокое содержание жира, карамель - синим или фиолетовым, указывая на высокое содержание влаги при различном содержании жира. Шоколад отображается зеленым, желтым или оранжевым цветом, указывая на различные комбинации жира и кристаллической сахарозы; видно, что они различаются между этими коммерческими продуктами.
Обнаружение гистамина в тунце
При употреблении морепродуктов повышенный уровень гистамина может вызвать отравление скомброидом - чаще всего из-за употребления в пищу рыбы, принадлежащей к семейству Scombridae, - тунца и скумбрии, но также и от других рыб, таких как голубая рыба и тд. Образование гистамина напрямую связано с разложением, чаще всего в результате плохого контроля температуры при хранении, и может использоваться как индикатор свежести.

Гиперспектральная визуализация (HSI) помогает получить ценную информацию без необходимости отбора проб или контакта с продуктом. Сочетание спектроскопии отражения в реальном времени с визуализацией позволяет переработчикам морепродуктов быстро и многократно оценивать уровень гистамина в рыбных продуктах.
В примере образцы измельченного тунца были проанализированы с использованием системы Hyperspecral, работающей в диапазоне VNIR (400–1000 нм). Контрольные значения для каждого из образцов были получены с использованием набора для иммуноферментных тестов. На основе этих образцов была разработана модель классификации гиперспектральных данных с различным цветом, присвоенным каждому уровню гистамина.
Используя эту классификационную модель, несколько филе тунца были просканированы системой гиперспектральной визуализации, рисунки ниже дают визуальную индикацию общего уровня гистамина и пространственного распределения гистамина в каждом образце.
Тунец с низким содержанием гистамина
Тунец с высоким содержанием гистамина
Орегано и петрушка: проверка качества трав и специй
Орегано часто смешивают с другими похожими на вид, но более дешевыми ингредиентами, такими как оливковое масло и мирт. Исследования, проведенные в последние годы на молотом орегано, продаваемом в магазинах, показали, что почти четверть образцы содержали ингредиенты, не относящиеся к орегано. Было обнаружено, что масштаб фальсификации находится в диапазоне от 30% до 70% по весу.
Характеристика и классификация испорченной черники.
Черника и другие мелкие фрукты особенно чувствительны к обращению и хранению, а параметры качества имеют тенденцию быстро ухудшаться, если с продуктом не обращаться осторожно. HSI можно использовать для оценки внешних атрибутов, таких как цвет, текстура, твердость, повреждение поверхности, синяки, дефекты и загрязнения в ягодах и других мелких фруктах. Данные HSI также можно сопоставить с результатами WLA для определения внутренних параметров питания без повреждения продукта. Типичные параметры, подходящие для анализа HSI, включают вкус, аромат, содержание влаги, сухое вещество, общее содержание растворимых твердых веществ, антоцианин, кислотность, pH, содержание сахара и витамин С. Для этого исследования свежую чернику с гнилыми участками сканировали. Полная система покрывает спектральный диапазон от 400 до 2500 нм и работает на высоких скоростях, совместимых с большинством систем транспортировки и сортировки. Рабочее расстояние было установлено 30 см от ягод с использованием специально разработанных линз для крупного плана для достижения разрешения 52 мкм и 250 мкм соответственно.
Хотя гнилые участки на чернике трудно обнаружить на высоких скоростях при визуальном осмотре или в режиме RGB, гнилые пятна легко обнаружить с помощью гиперспектральной системы.
Гиперспектральная визуализация с высоким разрешением в сочетании с хемометрическими методами - эффективный инструмент для обнаружения ранней гнили ягод. Кроме того, описанный здесь анализ может быть применен к другим продуктам, а также к другим показателям качества.
ФАРМАЦЕВТИКА
Поскольку гиперспектральная визуализация - это неинвазивный, гигиеничный и быстрый способ изучения объекта, он хорошо подходит для исследований, связанных с благополучием человека. Гиперспектральная визуализация обеспечивает надежный способ проверки химического состава фармацевтических продуктов в процессе производства. Это особенно важно для продуктов, которые внешне похожи, но имеют разные пропорции активного фармацевтического ингредиента (API).

С помощью гиперспектрального изображения каждую таблетку или капсулу можно быстро и надежно идентифицировать по их активным ингредиентам. 100% продукции можно проверить онлайн в режиме реального времени.
Химический анализ позволяет:

- Качественно идентифицировать фармацевтические продукты с различными активными принципами.

- Количественная идентификация фармацевтических продуктов с другой дозировкой и измерение однородности распределения активного ингредиента.
Определение концентрации и однородности химических компонентов в фармацевтических таблетках и порошках.
В этом примере один API смешан в разных соотношениях с тремя разными наполнителями с похожими характеристиками. Четыре чистых образца, две неизвестные порошковые смеси и один набор фармацевтических таблеток, также содержащих смесь тех же компонентов, были получены с помощью гиперспектральной камеры. Данные были проанализированы для оценки количества и распределения API в смесях и таблетках. Хотя все вещества кажутся идентичными в видимом диапазоне, все они демонстрируют спектральную структуру в спектральном диапазоне SWIR. Подпись API особенно легко отличить из-за ее уникальных характеристик поглощения. Спектральные различия между фармацевтическими вспомогательными веществами меньше, как и следовало ожидать от компонентов с аналогичной химической структурой.
Слева: изображение в условных цветах на основе SWIR, содержащее чистые образцы. В центре: Спектральная классификация образцов. Сплошной цвет в классах означает чистоту и однородность образца. Справа: характерные спектры всех чистых веществ.
Данные чистых образцов были использованы для создания библиотеки спектральных эталонов. Благодаря возможности спектрального разделения в программном обеспечении для анализа, можно количественно оценить соотношение различных компонентов в смесях, используя спектральную библиотеку в качестве входных данных. Эта функция спектрального разделения позволяет решать задачи количественной оценки без необходимости использования всеобъемлющего калибровочного набора.
МЕДИЦИНСКАЯ НАУКА
Поскольку гиперспектральная визуализация - это неинвазивный, гигиеничный и быстрый способ изучения объекта, он хорошо подходит для исследований, связанных с благополучием человека, и демонстрирует высокий потенциал в качестве диагностического инструмента в медицинских приложениях. Это помогает быстро и точно определить состояние пациента, а затем обеспечить своевременное и соответствующее лечение, уменьшить количество ненужных операций и сократить продолжительность госпитализации.

Бесконтактные измерения кожи с помощью спектральной камеры могут дать надежную информацию о здоровье тканей, например, по оксигенации и эффективности кровообращения, помочь в диагностике открытой раны и ожоговой раны, а также выявить раковые опухоли или проблемы кровообращения, связанные с диабетом.
Гиперспектральные видеокамеры также могут помочь хирургам, предлагая им информацию, невидимую невооруженным глазом, в режиме реального времени.

Это медицинское гиперспектральное изображение можно отобразить на экране. Или гиперспектральная информация может быть добавлена как наложение на перспективу хирурга с помощью очков дополненной реальности . Это помогает хирургам определить, какие анатомические структуры следует сохранить при удалении больных тканей.
Медицинская гиперспектральная визуализация для хирургии дополненной реальности
Медицинская гиперспектральная визуализация для хирургии дополненной реальности
Моментальный снимок гиперспектрального изображения человеческого мозга при управляемой хирургии: камера HSI установлена на операционном микроскопе.
Гиперспектральная визуализация для медицинской диагностики
Таким образом, вы можете использовать гиперспектральную визуализацию в широком спектре клинических областей, таких как:

- картирование мозговой активности
- мониторинг заживления ран
- офтальмологическая диагностика заболеваний глаз и головного мозга
- обнаружение следов крови
Как компонент диагностических инструментов, гиперспектральная визуализация имеет множество преимуществ:

- Сама по себе это неинвазивная процедура
- Его относительно легко настроить из-за компактности гиперспектральных камер нового поколения.

Хорошо задокументированные диагностические варианты использования гиперспектральных камер связаны с их способностью определять насыщение кислородом . Это позволяет создавать двухмерные карты насыщения тканей кислородом кровью.
Гиперспектральное изображение сетчатки
Окклюзия пальца и связанная с ним объемная доля крови и сатурация кожи кровью изучаются с помощью спектральной камеры
Гиперспектральное измерение коллагена
Коллаген - это группа белков природного происхождения, встречающихся в организме человека и животных. В организме человека содержание коллагена составляет более 30% от общей массы всех белков. Это очень важный компонент соединительной ткани и кожи.

На рисунке вы можете увидеть программный интерфейс. Справа - запись коллагена. Для обнаружения каждого пикселя, показывающего коллаген на этом изображении, была выбрана одна характерная точка, которая была идентифицирована как коллаген. После этого программа сможет автоматически определять похожие спектры. Все эти пиксели отмечены красным на этом изображении.
Анализ структуры кожи
Кожа - самый универсальный орган. Он служит барьером для внешнего мира, защитой от влияний окружающей среды и берет на себя важные функции в области обмена веществ и иммунологии. Он состоит из трех слоев: эпидермиса, дермы и подкожной клетчатки (или гиподермы).

На рисунке показывает запись кожи. Эпидермис узнаваем в верхнем правом углу, дерма расположена непосредственно под ним, а в нижнем левом углу изображена подкожная клетчатка. В этой записи было выбрано несколько точек. Для этих проблем было измерено, сколько света отражается на требуемой длине волны. Справа представлен ряд графиков, каждый из которых предназначен для выбранных областей. Эти графики описывают коэффициент отражения и спектральные отклонения в диапазоне 450-750 нм.
На рисунке ниже были использованы три полосы для создания RGB-изображения в искусственных цветах. Интенсивность красного цвета представлена интенсивностью отражения при 510 нм. Для зеленого соотношение квадратов длин волн (510-470 нм) и (510 + 470 нм). Синим цветом представлено значение коэффициента отражения 686 нм.
В зависимости от настройки wavelenths можно создавать различные графики с ложными цветами. На этих графиках в ложных цветах могут быть выделены различные элементы. Таким образом, мы можем глубже изучить специфические вопросы микроскопической диагностики клеток. Сортировка похожих спектров всегда происходит одинаково. Можно выбрать одну характерную точку, и программное обеспечение автоматически идентифицирует похожие спектры, показывая высокую потенциальную ценность гиперспектральной информации для медицинских анализов.
Made on
Tilda