Bandbereichswahl und Materialanteilsschätzung mithilfe von Spektralfiltern
-
Wolfgang Krippner
Wolfgang Krippner hat an der Technischen Universität Darmstadt Elektro- und Informationstechnik studiert. Er arbeitet als wissenschaftlicher Mitarbeiter am Institut für Industrielle Informationstechnik (IIIT) und beschäftigt sich dort mit hyperspektraler Bildgewinnung und -verarbeitung sowie Klassifikationsproblemen.
and
Fernando Puente León
Fernando Puente León leitet das Institut für Industrielle Informationstechnik (IIIT) am Karlsruher Institut für Technologie (KIT). Hauptarbeitsgebiete: Mess- und Automatisierungstechnik, Signalverarbeitung, automatische Sichtprüfung und Bildverarbeitung, Mustererkennung und Informationsfusion.
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.
Abstract
Hyperspectral images deliver both spatial and spectral information. As a consequence, these images allow carrying out qualitative and quantitative analyses such as the determination of material abundances about the observed scene. The majority of methods used to estimate material abundances is computationally demanding and requires a fully acquired hyperspectral image, for which costly hardware, high demand for disc storage and time-consuming acquisitions are needed. To overcome these drawbacks, we follow an approach based on optical spectral filtering within this work. By using programmable spectral filters in the optical channel, only few intensity images have to be acquired. Each of these images provides information depending on the design of the used spectral filter. By such spectral filtering, material abundances can be acquired directly and resolved spatially. The accuracy of the material abundance estimations is significantly influenced by the assumed underlying mixing model. For this reason, we propose a method for selecting band regions by applying additional spectral filters. The intensity images acquired this way are used to derive a quantity which allows to assess band regions according to their deviation from the assumed mixture model. Since this method can be realized optically, more precise estimates for the material abundances are achieved, still requiring both modest computational costs and little demand for disc storage.
Über die Autoren
Wolfgang Krippner hat an der Technischen Universität Darmstadt Elektro- und Informationstechnik studiert. Er arbeitet als wissenschaftlicher Mitarbeiter am Institut für Industrielle Informationstechnik (IIIT) und beschäftigt sich dort mit hyperspektraler Bildgewinnung und -verarbeitung sowie Klassifikationsproblemen.
Fernando Puente León leitet das Institut für Industrielle Informationstechnik (IIIT) am Karlsruher Institut für Technologie (KIT). Hauptarbeitsgebiete: Mess- und Automatisierungstechnik, Signalverarbeitung, automatische Sichtprüfung und Bildverarbeitung, Mustererkennung und Informationsfusion.
Literatur
1. N. Ahmed, T. Natarajan and K. R. Rao, Discrete Cosine Transform, IEEE Transactions on Computers C-23 (1974), 90–93.10.1109/T-C.1974.223784Search in Google Scholar
2. Y. Altmann, N. Dobigeon, J. Y. Tourneret and J. C. M. Bermudez, A robust test for nonlinear mixture detection in hyperspectral images, in: 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, pp. 2149–2153, May 2013.10.1109/ICASSP.2013.6638034Search in Google Scholar
3. Sebastian Bauer and Fernando Puente León, Gewinnung und Verarbeitung hyperspektraler Fluoreszenzbilder zur optischen Mineralklassifikation, tm – Technisches Messen 82 (2015), 24–33.10.1515/teme-2014-0018Search in Google Scholar
4. Sebastian Bauer and Fernando Puente León, Spectral and geometric aspects of mineral identification by means of hyperspectral fluorescence imaging, tm – Technisches Messen 82 (2015), 597–605.10.1515/teme-2015-0039Search in Google Scholar
5. Sebastian Bauer, Johannes Stefan and Fernando Puente León, Hyperspectral image unmixing involving spatial information by extending the alternating least-squares algorithm, tm – Technisches Messen 82 (2015), 174–186.10.1515/teme-2014-0005Search in Google Scholar
6. J. M. Bioucas-Dias, A. Plaza, N. Dobigeon, M. Parente, Q. Du, P. Gader and J. Chanussot, Hyperspectral Unmixing Overview: Geometrical, Statistical, and Sparse Regression-Based Approaches, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5 (2012), 354–379.10.1109/IGARSS.2011.6049397Search in Google Scholar
7. Yud-Ren Chen, Kuanglin Chao and Moon S. Kim, Machine vision technology for agricultural applications, Computers and Electronics in Agriculture 36 (2002), 173–191.10.1016/S0168-1699(02)00100-XSearch in Google Scholar
8. Roger N. Clark and Ted L. Roush, Reflectance spectroscopy: Quantitative analysis techniques for remote sensing applications, Journal of Geophysical Research: Solid Earth 89 (1984), 6329–6340.10.1029/JB089iB07p06329Search in Google Scholar
9. Peter Deuflhard and Andreas Hohmann, Numerische Mathematik I, De Gruyter, Berlin, 2008.Search in Google Scholar
10. Nicolas Dobigeon, Yoann Altmann, N. Brun and S. Moussaoui, Linear and Nonlinear Unmixing in Hyperspectral Imaging, Data Handling in Science and Technology 30, pp. 185–224, Elsevier, Netherlands, 2016.10.1016/B978-0-444-63638-6.00006-1Search in Google Scholar
11. A. A. Gowen, C. P. O’Donnell, P. J. Cullen and S. E. J. Bell, Recent applications of Chemical Imaging to pharmaceutical process monitoring and quality control, European Journal of Pharmaceutics and Biopharmaceutics 69 (2008), 10–22.10.1016/j.ejpb.2007.10.013Search in Google Scholar PubMed
12. A. A. Gowen, C. P. O’Donnell, P. J. Cullen, G. Downey and J. M. Frias, Hyperspectral imaging – an emerging process analytical tool for food quality and safety control, Trends in Food Science & Technology 18 (2007), 590–598.10.1016/j.tifs.2007.06.001Search in Google Scholar
13. R. Heylen and P. Gader, Nonlinear Spectral Unmixing With a Linear Mixture of Intimate Mixtures Model, IEEE Geoscience and Remote Sensing Letters 11 (2014), 1195–1199.10.1109/LGRS.2013.2288921Search in Google Scholar
14. R. Heylen, M. Parente and P. Gader, A Review of Nonlinear Hyperspectral Unmixing Methods, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 7 (2014), 1844–1868.10.1109/JSTARS.2014.2320576Search in Google Scholar
15. N. Keshava and J. F. Mustard, Spectral unmixing, IEEE Signal Processing Magazine 19 (2002), 44–57.10.1109/79.974727Search in Google Scholar
16. Wolfgang Krippner, Sebastian Bauer and Fernando Puente León, Optical determination of material abundances by using neural networks for the derivation of spectral filters, in: Automated Visual Inspection and Machine Vision (Jürgen Beyerer and Fernando Puente León, eds.), Proceedings of SPIE 10334, Bellingham, WA, 2017.10.1117/12.2270237Search in Google Scholar
17. Wolfgang Krippner, Sebastian Bauer and Fernando Puente León, Considering spectral variability for optical material abundance estimation, tm – Technisches Messen 85 (2018), 149–158.10.1515/teme-2017-0053Search in Google Scholar
18. Wolfgang Krippner, Sebastian Bauer and Fernando Puente León, Ortsaufgelöste optische Bestimmung von Materialanteilen in Mischungen, tm – Technisches Messen 84 (2017), 207–215.10.1515/teme-2016-0077Search in Google Scholar
19. Wolfgang Krippner and Fernando Puente León, Optische Bandselektion für die verbesserte Schätzung von Materialanteilen. tm – Technisches Messen 84(s1) (2017), 124–130.10.1515/teme-2017-0048Search in Google Scholar
20. Fernando Puente León, Messtechnik, Springer Berlin Heidelberg. 10. Auflage, 2015.10.1007/978-3-662-44821-2Search in Google Scholar
21. Jörg Liesen and Volker Mehrmann, Die Singulärwertzerlegung, pp. 273–280, Vieweg+Teubner Verlag, Wiesbaden, 2012.10.1007/978-3-8348-8290-5_19Search in Google Scholar
22. Joseph Medendorp and Robert A. Lodder, Applications of integrated sensing and processing in spectroscopic imaging and sensing, Journal of Chemometrics 19 (2005), 533–542.10.1002/cem.961Search in Google Scholar
23. A. Mertins, Signaltheorie, Springer Wiesbaden. 3. Auflage, 2010.10.1007/978-3-8348-9381-9Search in Google Scholar
24. Anna M. C. Prakash, Christopher M. Stellman and Karl S. Booksh, Optical regression: a method for improving quantitative precision of multivariate prediction with single channel spectrometers, Chemometrics and Intelligent Laboratory Systems 46 (1999), 265–274.10.1016/S0169-7439(98)00176-2Search in Google Scholar
25. B. Somers, G. P. Asner, L. Tits and P. Coppin, Endmember variability in Spectral Mixture Analysis: A review, Remote Sensing of Environment 115 (2011), 1603–1616.10.1016/j.rse.2011.03.003Search in Google Scholar
© 2018 Walter de Gruyter GmbH, Berlin/Boston
Articles in the same Issue
- Frontmatter
- Editorial
- XXXI. Messtechnisches Symposium des AHMT in Clausthal-Zellerfeld
- Beiträge
- Multisensorisches Messsystem zur Untersuchung der Übertragungseigenschaften von Topographiesensoren
- Multivariate Kalibrationsverfahren für einen nicht-dispersiven Infrarotsensor zur Ölzustandsüberwachung in Verbrennungsmotoren
- Theory and application of a novel co-resonant cantilever sensor
- Charakterisierung einer Modenverwirbelungskammer als Testumgebung für drahtlose Sensor/Aktor-Module
- Classification of journal bearing friction states based on acoustic emission signals
- Vibrationsbasierende White-Etching-Cracks-Detektion an Wälzlagern
- Bandbereichswahl und Materialanteilsschätzung mithilfe von Spektralfiltern
Articles in the same Issue
- Frontmatter
- Editorial
- XXXI. Messtechnisches Symposium des AHMT in Clausthal-Zellerfeld
- Beiträge
- Multisensorisches Messsystem zur Untersuchung der Übertragungseigenschaften von Topographiesensoren
- Multivariate Kalibrationsverfahren für einen nicht-dispersiven Infrarotsensor zur Ölzustandsüberwachung in Verbrennungsmotoren
- Theory and application of a novel co-resonant cantilever sensor
- Charakterisierung einer Modenverwirbelungskammer als Testumgebung für drahtlose Sensor/Aktor-Module
- Classification of journal bearing friction states based on acoustic emission signals
- Vibrationsbasierende White-Etching-Cracks-Detektion an Wälzlagern
- Bandbereichswahl und Materialanteilsschätzung mithilfe von Spektralfiltern
