Bandbereichswahl und Materialanteilsschätzung mithilfe von Spektralfiltern

Abstract

Zusammenfassung Hyperspektralbilder liefern neben räumlicher auch spektrale Information. Dadurch ist es möglich, zu jedem Pixel solcher Bilder qualitative und quantitative Analysen, wie beispielsweise die Bestimmung einzelner Materialanteile, über die aufgezeichnete Szene durchzuführen. Die Mehrzahl der dazu verwendeten Methoden besitzt einen hohen Rechenzeitbedarf und basiert auf einem vollständig aufgezeichneten Hyperspektralbild, zu dessen Aufnahme kostspielige Hardware und hoher Speicherbedarf notwendig sind. Um diese Nachteile zu beseitigen, wird in diesem Beitrag ein Ansatz mit optischer Spektralfilterung verfolgt. Anstelle eines Hyperspektralbilds werden durch spektrale Filterungen des von der Szene reflektierten Lichts nur noch einige wenige Intensitätsbilder aufgenommen. Jedes dieser Bilder enthält Information in Abhängigkeit des entworfenen Spektralfilters. So können mithilfe der spektralen Filterung Materialanteile unmittelbar ortsaufgelöst aufgezeichnet werden. Die Genauigkeit der geschätzten Materialanteile ist stark von dem angenommen Mischmodell der Reinstoffe abhängig. Für präzisere Schätzungen wird deshalb mit weiteren Spektralfiltern eine Bandbereichsauswahl vor der Materialanteilsschätzung getroffen. Die hierbei aufgezeichneten Intensitätsbilder werden verwendet, um einzelne Bandbereiche nach der Abweichung von dem angenommenen Mischmodell zu bewerten. Da die Bandbereichsauswahl ebenso optisch erfolgen kann, bleiben der Rechenaufwand und Speicherbedarf gering, während genauere Materialanteilsschätzungen erzielt werden.

Generation of artificial training data for spectral unmixing by modelling spectral variability using Gaussian random variables

“…The models used here approximate the mixed spectra using a parametric function. The most commonly used mixing model is the LMM, which works well for many applications [2,5,12,13]:…”

Erzeugung künstlicher Datensätze zum Training konvolutionaler neuronaler Netze für die spektrale Entmischung

“…Das am häufigsten verwendete Mischmodell ist das lineare Mischmodell (LMM), welches für viele Anwendun-gen eine gute Näherung darstellt [4,[16][17][18][19]:…”

Ortsaufgelöste spektrale Entmischung mit Hilfe von konvolutionalen neuronalen Netzen / Spatially resolved spectral unmixing using convolutional neural networks

“…Sind die Spektren der Reinstoffe bekannt, wird von überwachter spektraler Entmischung gesprochen. Die meisten Entmischungsverfahren basieren auf einem Mischmodell, wobei das lineare Mischmodell (LMM) am häufigsten verwendet wird, da es für viele Anwendungen eine gute Näherung darstellt [3,[8][9][10][11]:…”