多传感器光谱成像作为一种通用的工具,基于图像的化学结构测定|光谱学欧洲和世界半岛综合体育官方APP下载德甲bdapp官方下载安卓版

全文PDF

h . Lohninger和j .探讨

化学技术研究所和分析,维也纳科技大学、奥地利的维也纳

介绍

今天,化学分析趋势倾向于越来越多的对化学结构测定微观——使用各种光谱或纳米结构材料和其他成像技术(如。扫描电子microscopy-energy色散x射线(SEM-EDX),拉曼,质量,太赫兹(太赫兹),傅里叶变换红外(ir)、二次离子质谱(SIMS)、电感耦合等离子体质谱法(ICP - MS)、电感耦合等离子体光学发射光谱法(ICP - OES)等)。然而,明确确定组件的许多复杂的环境,医疗或工业样品是几乎不可能只通过一个成像技术。因此,数据从几个互补的光谱技术结合似乎变得越来越重要,尤其是在光谱成像技术的发展在最近几年,在速度和分辨率。

大多数软件包与仪器不允许绑定一个将数据从其他制造商的工具,要求研究者写多元数据的专有代码(最优化)对多传感器数据进行的分析。

ImageLab,¹新开发的成像软件,设计允许的结合分析来自不同成像技术获得的高光谱数据。这多传感器方法支持基于图像结构决心利用互补信息识别各个成分的样品。

在本文中,我们将讨论一些基本的方面多传感器高光谱成像,descriptor-based处理数据的优点和ImageLab的功能。最后的一个例子分析的多传感器高光谱图像的复杂环境样品。

多传感器图像融合

而多传感器成像是众所周知的,在医学应用方面进行了十多年,²仍然有缺乏通用软件允许一个编译多传感器图像到一个单独的数据集和支持联合分析的各种传感器输入信号。各种方法(半)自动融合算法近年来一直在开发和测试。这些方法大多数试图自动对齐的来自不同传感器的图像(如雷达和可见光)假设的一部分信息是可见的光谱域。虽然这也适用于许多监控图像,这是不一定适用于从光谱技术交付互斥信息获得的图像。在这种情况下自动图像融合非常苛刻,容易出错。因此,我们已经开发出一种方案基于参考照片,是常见的所有光谱图像融合。

一般来说,融合多传感器图像受到以下主要问题:(1)数据格式的各种光谱设备是不同的,(2)使用的仪器获得的图像通常有不同的空间分辨率,(3)图片展示不同方向的一个示例和(4)光谱域信息可能显示少共同之处。虽然第一个问题主要是一个实际问题(可以很烦人的一些制造商成像仪器不完全支持导出图像数据的一个简单易读的格式),问题(2)(4)有更高的要求。

假设图像表现出线性空间相互关系(即没有非线性失真,这也是最实际的目的),我们只需要找到项目所有图像的变换矩阵组合到一个共同的参考网格。一个可能实现这一目标的方法是创建校准图像引用的照片(或地图或其他形式的参考网格)是常见的所有谱域。当处理微观高光谱图像,这可以很容易地通过拍照在视觉范围内的光。每一个高光谱图像可以校准通过指定多个参考点,在高光谱图像和照片。然后计算每个变换矩阵的多重线性回归。

后建立了校准方程融合的最后一步是通过预测个体高光谱图像到一个共同的空间,导致超立方体的像素各种光谱组件相互对齐的(图1)。

< >

在这一点上我们必须处理那些缺少的部分结合图像数据在某些光谱域由于部分重叠的原始图像。特别重要的纪念这些部分地区为了能够排除相应的像素从统计处理,可能需要有效输入光谱区域。

原始数据或光谱描述符?

多传感器图像的另一个重要方面是数据的统计解释。尽管大多数研究人员倾向于使用可用的原始数据发展的多元模型,以解释数据,我们建议不使用原始数据本身,而是引入光谱描述符指定和从数据中提取特定的信息。光谱的定义和用法的描述符是一个简单而有效的方法:(1)应对维度的诅咒多元数据分析,和(2)改善结构在数据空间的信息。两个自变量的维数的减少空间和改进的多元数据模型和数据结构有助于更快更好的计算。

为了解释背后的动机的偏好使用光谱描述符代替原始数据让我们详细讨论这种方法的几个方面。首先,著名的维数的诅咒³自动导致几乎空特征空间可能会大大减少多元数据模型的有效性。尽管在成像“样本”(即图像的像素的数量)明显高于在经典(即化学)分析,特征空间仍几乎空空如也。例如,如果你与300年获得光谱强度测量沿波长轴,特征空间包含约10^600年细胞(假设强度测量的分辨率为1%)。进一步假设由200×200像素的图片,我们有40000的样品相比几乎没有什么巨大的特征空间的大小。

这个空间可以(很可能)会导致质量差的多元分类器。甚至进一步,很难测试这种分类器的质量,因为它是不可能填补这个空间合理数量的均匀分布的样本。因此这是一个好主意来降低特征空间的大小通过关注变量包含相关信息调查的问题。此时变量选择方法可以帮助,但不会完全解决这个问题。

不能忽视的第二个方面是化学知识这是包含在数据,但是这是模糊特征空间巨大。这些知识可以“集中”在特征空间的减少空间和通过改变空间的大小在某种程度上,这样的化学知识是由派生变量编码(“光谱描述符”)。

一个小实例应该澄清的情况:图2显示了从环境获得的图像样本由拉曼光谱分析显微镜。半岛综合体育官方APP下载德甲

在左边的图像产生的原始强度在2917厘米¹显示,该中心的图像显示的结果集成在峰值约2917厘米吗¹,而正确的图片显示图像计算得到的相关模板的峰值。这个模板是一个理想化的光谱峰值,峰值代表一定阶级的物质(即乐队由拉伸模式CH-containing化合物)。

在第一个和第二个情况下轻松地识别一个或多或少在图像模糊的斑点。看着两个点的光谱,我们可以看到这两种光谱之间的区别。在L1位置有明显峰值约2917厘米¹以现货L2有波动,而来自一个广泛的潜在的峰值和/或过度的噪音。

背后的想法光谱描述符可以用于编码的知识高峰出现在2917厘米¹具有一定宽度可能(当然)有特殊意义相关的类物质(即。在这种情况下,脂肪族化合物)。如果我们计算所有与模板光谱的相关光谱只包含这一个理想化的高峰期,我们最终得到的图像显示只有一个大型现货L1。的确,进一步的分析表明,这个地方不同于所有其他的景点,包含有机物质,而其他的粒子主要是由无机物质。

多传感器成像ImageLab-A通用软件解决方案

ImageLab女士是一个基于Windows™的多传感器成像系统进行处理和分析高光谱图像。¹它被设计来应对上述问题的多传感器成像。ImageLab背后的主要思想是支持尽可能多的不同的光谱技术。为了实现这个ImageLab实现的概念(用户定义)进口过滤器是专门设计用于导入测试数据从各种成像设备。唯一的限制进口过滤器是基于能够访问数据的必要性产生的设备。在许多情况下,这可以通过执行数据访问文本格式导致简单和易于实现进口过滤器。

ImageLab引擎是一个模块化的系统组成的一个基地,一个图形用户界面,化学计量学工具和可选的用户提供的模块。它支持最重要的光谱成像技术,如紫外、红外、拉曼、太赫兹,光发射/吸收、能量色散x射线和质谱分析。此外,ImageLab允许将高光谱图像与地图相结合的物理性质和传统高分辨率彩色照片(见图3)。

Figure 3. General processing queue within ImageLab: the acquired multisensor data are subject to a feature extraction generating a set of spectral descriptors which form the basis of chemometric algorithms applied to the data. The resulting “virtual images” are finally combined into one or several “real” images which may be blended with photos to improve the interpretability of the data.

丰富的内置的多元统计分析方法提供了能力和获得的高光谱图像进行分类。其中包括:高钙(多元线性回归),PCA(主成分分析),HCA(分层聚类分析),相似性地图和请/ DA(偏最小二乘判别分析)。

所有images-either造成原始数据的图像或图像的统计分析可以是结合传统照片利用图像栈。图像栈可以用来混合到八层为一个图像使用不同的算法和层次的透明度。因此分析信息可以直接在相应的高亮显示照片,使它更容易识别感兴趣的领域。

此外,ImageLab提供了一些工具来预处理,提高原始图像数据。图片可能被削减,重新取样,镜像,蒙面。一个坏像素探测器有助于识别像素是无效的问题,例如,探测器。在光谱数据处理方面,最重要的工具,如基线减法、平滑、导数光谱的计算,以及更多。此外,ImageLab提供了一个通用的和开放的编程接口允许研究人员把自己的数据处理模块(用任何语言编写它允许访问本地磁盘和创建可执行文件)。用户自定义模块的概念也可以用来为任何光谱设备开发数据导入模块。

应用实例

为了展示的好处多传感器成像分析的目的,其应用到复杂环境样品的一个例子。西澳大利亚盐湖展览超细粒子的形成,应该沉淀雨。研究有机和无机粒子的多样性在这些盐湖,德国研究基金会资助三个所谓的小麦带测量活动。收集了从250纳米到几个微米粒子嵌入。随后,图像已经收购了利用高分辨率电子显微镜、能量色散x射线(SEM-EDX)和拉曼光谱解开复杂样品的成分。半岛综合体育官方APP下载德甲⁴

获得的信息从这些成像技术是互补的。SEM为研究提供了一个高分辨率图像的形态、EDX提供元素组成和最后的拉曼光谱成像提供振动信息的有机和无机物种。,例如,氯化钠只有可见的EDX形象,另一方面挥发性有机物只有可见的拉曼形象。其他的物种,例如卡索₄或硅酸盐,无疑只能验证使用这两种技术,支持元素组成振动带的分配。我们几个分类器构造不同的选择性,如被选择性氯化钠、硫酸钙、硅酸盐、烟尘和有机物质表现出CH债券。沉淀的复杂混合物气溶胶可以开始,通过分析结合高光谱数据集使用descriptor-based方法(参见图4)。

除了常用的批量分析大规模关闭计算,多传感器光谱成像提供了一个更详细的了解不同气溶胶成分的混合和互连。对于这个示例,无机粒子的涂料如氯化钠,卡索₄和挥发性有机硅酸盐物种可以确定。

结论

多传感器光谱成像是一种多用途工具空间解决复杂样品的化学分析。如上所述,结合多种成像技术提供更深入的理解等复杂环境样品气溶胶的化学性质。建立了气溶胶的方法分析相比,可以获得额外的形态和化学信息。因此,多传感器成像,利用拉曼光谱和SEM / EDX在我们的例子中,显著辅助样半岛综合体育官方APP下载德甲本的解释。ImageLab被证明是一个有价值的工具,用于多传感器高光谱数据的分析,开了门,一个快速和有效的分析这些数据。

确认

作者要感谢凯瑟琳a . Kamilli Andreas举行(拜罗伊特大学)和德国研究基金会(DFG RU 763 - haloproc)提供样品从澳大利亚西部。进一步,作者感谢伊丽莎白Eitenberger和Gernot Friedbacher(维也纳科技大学)SEM-EDX成像,以及Bernhard Lendl(维也纳科技大学)对拉曼成像系统的访问。