2025《高光谱图像技术发展的国内外文献综述》3000字.docxVIP

第

第PAGE一页共NUMPAGES11页

高光谱图像技术发展的国内外文献综述

高光谱图像技术出现在二十世纪七十年代的早期，后来逐步发展的原因是对地面观测的需要。在上世纪最后十几年间，在农业、医疗行业等很多领域高光谱图像技术得到了广泛的运用，尤其是对农业领域的植物微量元素的检测方面。

1.1国外研究现状

关于高光谱图像的技术，在国外的研究较多。比如Horle等人，研究植物的光谱信息与叶绿素浓度之间的相互关系，并且首次提出了光谱的“红边”位置对植物叶绿素浓度预测中的影响[9]。Pinar等人，发现通过光谱中植物的红边的位置信息可以更有效的反映出植物群的叶绿素密度信息[10]。Tumbo等人的实验研究中，构建了一个光谱反射模型，这模型可以估测出玉米在生长过程中的叶绿素含量的变化[11]。Campbell等人，分别用高光谱技术和荧光技术探究三种不同植物的叶片受环境影响下的变化，实验结果显示高光谱比荧光光谱要好[12]。Gitelson等人，发现用RNI/R700和RNVR550两种光谱指数评测枫树和栗树的叶绿素含量是可行的[13]。Kim等人通过高光谱荧光图像检测了动物体内的排泄物对苹果生长的环境污染的影响问题，他通过主要成分分析这种方式对450纳米、685纳米、530纳米和735纳米四个特征波长进行了确定[REF_Ref22753\r\h14]。结果证明了运用这种方式去检测分析污染的问题是能行的。Renfu?Lu等人发现在不同硬度的桃子中光线的扩散的程度是不同的，就开始采集其高光谱图像，把采集的数据跟桃子硬度间的关系进行构建模型，从结果当中我们能看到，品种不一样的两种桃子准确度一个达到了0.77，另外一个则是0.58[15]。

以上的研究内容，对本次实验有很大的启发和参考意义，尤其在利用光谱信息检测叶绿素含量的方法这方面。但是这些研究没有提出如何更有效的来处理和分析农作物的高光谱图像。

1.2国内研究现状

近几年在国内高光谱图像的技术也慢慢的成熟了起来。马伟提出一种基于深度学习的分类方法。在研究过程中他结合空间信息对图片分类，进而提出了温室病害叶片高光谱的预测分类[16]。李玥，罗滔等人提出基于深度学习的高光谱图像分类方法。此方法大幅度的提高了分类的正确率[17]。孟凡春在提出基于循环神经网络的高光谱图像分类方法，他使用非临近域像素特征思想进行实验[18]。付青，郭晨等人利用CNN和Log-Gabor滤波器的优点，将二者滤波器方法相结合处理高光谱图像，同时用两个真实的高光谱图像进行了对比实验。实验结果表明，结合后的方法比传统的算法分类精度更高[19]。李源彬，李凌，穆烔等人，利用独立分量法对黄瓜叶片的高光谱图像数据完成处理并获得独立分量信号，通过线性回归逐步模型与信号和叶绿素含量的关系式，获取叶片所有像素点相应的叶绿素浓度值，将其与信号进行替换代入后，归一化浓度值并扩展灰度等级范围，采用伪彩色处理后即可直观呈现出黄瓜叶片叶绿素含量的分布情况。经过仿真实验，证明本文的测试方法能够快速、精准地对叶绿素含量的分布情况完成测试，而且具备理想的可行性[20]。孙红等科技人员，通过相应的实验得到了冠层反射光谱红边具体的拐点位置，构建了预测冬小麦两个成长期内叶绿素含量模型[21]。赵春江以及其它科技人员，运用高光谱仪器探究出了冠层冬小麦所含叶绿素的垂直分布，在不同的俯视角度下利用从高光谱中获得的数据去反映叶绿素含量的垂直改变[22]。宋开山等人对大豆顶层的高光谱反射率和叶绿素的含量数据间的关系进行了研究和分析，进行了多种比较，然后利用神经网络对光谱和叶绿素的含量的关系构建模型，R2达到0.99[23]；棉花单叶和顶层生长期的反射光普被王登伟等科技人员发现并且分析了这些数据与我国棉花中叶绿素的含量及其密度之间的相关性及影响等[24]。以上研究成果表明，利用高光谱技术去估测植物的叶绿素含量这一方法在许多作物上取得了很大的成就。

刘堂友等人利用光谱分离法，快速识别并准确分离出蓝藻和悬浮物的特征波峰，然后对同一水源中的蓝藻和漂浮物的叶绿素进行采集，对特征波峰高度和叶绿素度的之间的关系进行了创建，从而获得了遥感定量反演算法[REF_Ref23419\r\h25]；唐延林等人则是对光谱植被指数跟玉米叶片叶绿素存在的联系进行了相应的研究，并且还研究了它们跟类胡萝卜素浓度存在的联系，得出了它们之间具有很强的关联性的结果[26]。叶绿素的含量分布和植物缺少营养的关系很紧密，现在大部分还是要利用专家人工判断[REF_Ref23530\r\h27]。这种依靠人工进行判断的方法准确度低，而且只能在某些植物体内存在缺素的特殊情况下才能进行，即便及时可以得到有效弥补，也可能会造成一定的损失。

陈全胜等人