高通量塑料表征中高光谱图像的系统化降维
图像与视频处理
2023-08-30 v1 机器学习
摘要
高光谱成像（HSI）将显微镜与光谱学结合，以评估物体中具光谱活性化合物的空间分布，并在食品质量控制、制药工艺和废物分选中有多样应用。然而，由于 HSI 数据集规模庞大，在合理数字基础设施内分析与存储颇具挑战，尤其在废物分选中速度与数据存储资源受限。此外，与多数光谱数据一样，存在显著冗余，使得像素与变量选择对保留化学信息至关重要。化学计量学近期的高技术发展实现了自动化且基于证据的数据降维，可大幅提升非负矩阵分解（NMF）——一种广泛使用的 HSI 数据化学分辨算法——的速度与性能。通过恢复分布化合物的纯贡献图与光谱轮廓，NMF 可为高效废物管理提供基于证据的分选决策。为提升高光谱成像（HSI）数据分析的质量与效率，我们应用凸包方法选择关键像素与波长，去除无信息及冗余信息。该过程最小化计算负担并有效消除高度混合像素。通过降低数据冗余，数据调查与分析更为简便，如用于塑料分选的模拟与真实 HSI 数据所展示。
引用
@article{arxiv.2308.14776,
title = {Systematic reduction of Hyperspectral Images for high-throughput Plastic Characterization},
author = {Mahdiyeh Ghaffari and Mickey C. J. Lukkien and Nematollah Omidikia and Gerjen H. Tinnevelt and Marcel C. P. van Eijk and Jeroen J. Jansen},
journal= {arXiv preprint arXiv:2308.14776},
year = {2023}
}