趙茂程 陳加新 邢曉陽 汪希偉 顧 越 李 忠

(1.南京林業(yè)大學(xué)機械電子工程學(xué)院， 南京 210037； 2.南京林業(yè)大學(xué)機電產(chǎn)品包裝生物質(zhì)材料國家地方聯(lián)合工程研究中心， 南京 210037)

0 引言

近年來，高光譜成像技術(shù)由于其快速、無損的特點，被廣泛地應(yīng)用于農(nóng)林產(chǎn)品質(zhì)量安全檢測工作中[1-7]，其中推掃式高光譜成像(Pushbroom hyperspectral imaging, P-B HSI)因在空間和光譜方面都具有很好的分辨率而備受關(guān)注[8-10]。

高光譜圖像中的每個像素點都包含特定位置的光譜信息，它可以實現(xiàn)被測樣本組分含量分布的可視化[11]，以便實現(xiàn)品質(zhì)在線檢測[12]。但是這些可視化圖像中常出現(xiàn)多條貫穿整個樣本區(qū)域的縱向條紋，例如文獻(xiàn)[13]建立的豬肉腌制過程中水分變化的空間分布圖像；文獻(xiàn)[14]建立的三文魚脂肪含量分布圖像；文獻(xiàn)[15]建立的變質(zhì)牛肉摻假物在鮮肉糜中分布的可視化圖像。這種條紋還會出現(xiàn)在圖像處理工作中，如文獻(xiàn)[16]將玉米根茬從裸露地表背景中分離。這些條紋并非樣本自身的紋理，而是圖像中的條紋噪聲，其影響檢測精度，干擾可視化圖像中靶標(biāo)物的判斷，阻礙圖像中靶標(biāo)物與背景的分離。

目前，對于推掃式高光譜成像條紋噪聲問題的研究主要是針對衛(wèi)星遙感上的高光譜圖像，處理方法包括數(shù)字濾波法[17]、增益估計法[18]、匹配法[19]、變分法[20]、圖像分解法[21]等，這些方法對圖像中條紋噪聲有一定的抑制效果，但是會改變相鄰沒有條紋噪聲區(qū)域的像素值，容易損失原始圖像中的真實信息，降低空間分布預(yù)測圖像的可信度。而對于室內(nèi)高光譜成像系統(tǒng)應(yīng)用，可以對系統(tǒng)條紋噪聲進(jìn)行標(biāo)定，通過使用專用的去條紋校正，更好地解決條紋噪聲問題。而目前推掃式高光譜成像固有的條紋噪聲對生物對象品質(zhì)指標(biāo)空間分布預(yù)測的影響及消除方法尚無專門研究報道。

我國是世界最大的銀杏葉生產(chǎn)國和出口國，由銀杏葉提取物制成的各類食品、保健品、藥品等已超過了100種，市場每年對銀杏葉有數(shù)以萬噸的需求量[22]。銀杏葉的含水率可以用于監(jiān)測銀杏樹苗對水分的需求情況，且在收購時有助于準(zhǔn)確預(yù)估干葉質(zhì)量。更重要的是，對化學(xué)計量學(xué)可視化圖像中條紋噪聲分析的關(guān)鍵是能夠?qū)⑵渑c樣本紋理相區(qū)別，以驗證其對細(xì)節(jié)部分的影響，而含水率對葉片表面的傷痕非常敏感，在可視化圖像中可以呈現(xiàn)傷痕的空間細(xì)節(jié)。因此，本文以銀杏葉含水率為例，基于化學(xué)計量學(xué)進(jìn)行指標(biāo)空間分布預(yù)測，利用標(biāo)定法去除推掃式高光譜成像中的條紋噪聲，以改善含水率預(yù)測的可視化效果。

1 材料與方法

1.1 實驗材料

1.1.1實驗樣本

銀杏葉樣本采自江蘇省徐州市邳州市四戶鎮(zhèn)銀杏種植基地，于2020年8月12日采摘銀杏葉若干片，當(dāng)天通過保溫箱帶回實驗室，并置于冰箱-18℃環(huán)境下保存。在第5～15天，每天22:00從冰箱中取出無破損的銀杏葉15片，以吸水紙包裹，放置于室溫(20℃)解凍9 h，在第2天07:00將葉片表面水擦干，然后先采集銀杏葉鮮葉質(zhì)量，再采集高光譜圖像，最后干燥后采集銀杏葉干葉質(zhì)量，計算含水率。

1.1.2高光譜成像系統(tǒng)

高光譜成像檢測平臺包含高光譜成像系統(tǒng)、一條白色食品級傳送帶(HSIA-CSD800型)、一套由12只50 W的鹵素?zé)襞c一個穹頂構(gòu)成的漫反射照明系統(tǒng)，以及一臺計算機。高光譜成像系統(tǒng)為四川雙利合譜成像技術(shù)有限公司生產(chǎn)的GaiaField-N17E-N3型系統(tǒng)，主要包括成像光譜儀(Imspector N7E型，900～1 700 nm)、探測器(InGaAs型相機)、鏡頭(OLES22型)。其中成像光譜儀光譜分辨率為5 nm，被測樣品置于傳送帶上的載物臺上，由步進(jìn)電機驅(qū)動，整個檢測過程置于暗室中，以屏蔽其他雜散光對數(shù)據(jù)采集的影響。

1.2 實驗方法

1.2.1含水率測定

采用干燥法對銀杏葉含水率進(jìn)行測定。先用JA003型電子天平(上海浦春計量儀器有限公司)稱量鮮葉質(zhì)量，然后將葉片放入牛皮信封中，將其置于DHG-9246A型電熱恒溫鼓風(fēng)干燥箱(上海精宏實驗設(shè)備有限公司)中，于80℃條件下干燥2 h，使水分完全蒸發(fā)，再稱量干葉質(zhì)量。銀杏葉含水率計算方法為

(1)

式中Mf——鮮葉質(zhì)量，g

Md——干葉質(zhì)量，g

1.2.2高光譜圖像采集

高光譜圖像數(shù)據(jù)由計算機中Specview軟件獲取，將高光譜相機與照明系統(tǒng)預(yù)熱30 min后進(jìn)行銀杏葉圖像數(shù)據(jù)采集。為了避免采集的圖像失真，檢測平臺經(jīng)過多次調(diào)整以獲取最佳數(shù)據(jù)采集參數(shù)：成像光譜儀的曝光物距為430 mm，曝光時間為6 ms，傳送帶移動速度為2.8 cm/s，掃描距離為200 mm，圖像分辨率為640像素×580像素。

1.2.3圖像預(yù)處理

(1)反射率校正

由于高光譜相機在圖像采集過程中存在暗電流影響，且光源系統(tǒng)照明通常不均勻，從而導(dǎo)致采集的圖像中有大量噪聲，因此需要對采集的圖像進(jìn)行反射率校正，以消除暗電流及光源不均勻的影響[23]。校正方法為

(2)

式中R——高光譜圖像反射率

Ro——原始高光譜圖像反射率

Rb——黑色背景高光譜圖像反射率

Rw——白板高光譜圖像反射率

(2)傳統(tǒng)均值濾波圖像增強

平滑空間濾波一般通過模糊處理達(dá)到降低圖像噪聲的效果，傳統(tǒng)均值濾波是其中的線性空間濾波[24]，它可以對圖像中每個像素點進(jìn)行處理。傳統(tǒng)均值濾波主要是將圖像中每個像素點的值用濾波器模板內(nèi)像素的平均值代替，從而抑制噪聲的影響，本文采用圓形均值濾波模板，當(dāng)半徑為3像素時，條紋噪聲被有效消除。

雖然傳統(tǒng)均值濾波可以削弱條紋噪聲的影響，并且算法簡單，計算效率高，但是它使圖像變得模糊，圖像中的細(xì)節(jié)被嚴(yán)重削弱，真實信息丟失。

1.2.4去條紋標(biāo)定法

去條紋標(biāo)定法同樣也是對圖像中每個像素點進(jìn)行校正處理。首先將整個高光譜采集系統(tǒng)進(jìn)行標(biāo)定，計算出每個像素點在不同亮度下的誤差，然后在采集新圖像時，對每個像素點進(jìn)行校正。校正方法為

(3)

式中Iout(w,r,c)——經(jīng)去條紋標(biāo)定法處理后高光譜圖像立方體中第w波段、第r行、第c列灰度

Iin(w,r,c)——原始高光譜圖像立方體中第w波段、第r行、第c列灰度

去條紋標(biāo)定法可以有效消除高光譜圖像中的條紋噪聲，并且不會影響圖像中的細(xì)節(jié)，使真實信息保存良好。

1.2.5建模與評價

(1)偏最小二乘回歸法(PLSR)預(yù)測模型

偏最小二乘回歸法[25]主要用于多因變量對多自變量之間關(guān)系建立的模型，是一種廣泛應(yīng)用于光譜分析的多元回歸方法。這種方法將因變量和自變量數(shù)據(jù)矩陣同時進(jìn)行分解，在自變量分解過程中引入因變量,以建立圖像數(shù)據(jù)中自變量主成分與樣本中被測組分含量之間的關(guān)系。PLSR本質(zhì)上是一個線性預(yù)測模型，公式為

(4)

式中Y——模型預(yù)測值

β0——增益常數(shù)

Xw——第w波段圖像

βw——第w波段圖像的增益系數(shù)

n——模型所用波段的數(shù)量

PLSR模型中，βw越大，其對預(yù)測結(jié)果的貢獻(xiàn)越高，相應(yīng)波段高光譜圖像的放大倍率也越高。然而，此時圖像中蘊含的條紋噪聲也將被放大。各PLSR模型的波段增益系數(shù)在本文中用于對指標(biāo)分布預(yù)測結(jié)果圖中條紋強度變化趨勢的分析。

(2)模型評價

為了得到最佳性能的模型，采用交叉驗證法(Cross validation，CV)確定最優(yōu)主成分?jǐn)?shù)。通過取得最小交叉驗證均方根誤差(Root mean square error of cross validation，RMSECV)獲得最佳潛變量數(shù)。并采用決定系數(shù)R2以及均方根誤差(Root mean square error, RMSE)來驗證模型的效果，通常來說，R2越大(最大值為1)，RMSE(最小值為0)相對于實測值越小，模型效果越好。

1.2.6含水率可視化

高光譜成像能夠通過預(yù)測模型對樣本高光譜圖像中每個像素的含水率進(jìn)行預(yù)測，從而得到被測組分含量的空間分布圖像。分布圖像的準(zhǔn)確性受預(yù)測模型性能以及圖像噪聲的影響，預(yù)測模型性能可通過調(diào)整模型參數(shù)來改善；而對于圖像噪聲，部分可以通過反射率校正消除，而另一部分影響較為明顯的條紋噪聲，可通過去條紋校正削弱甚至消除，以獲得最佳葉片含水率分布圖。

2 結(jié)果與分析

2.1 銀杏葉含水率及其分析

2.1.1銀杏葉光譜曲線提取

圖1 銀杏葉原始反射率光譜曲線Fig.1 Original reflection spectrum curves of ginkgo leaves

由于稱量時按單片葉子稱量，且每幅高光譜圖像中只包含一片葉子，因此將圖像中葉片的表面作為感興趣區(qū)域。在1 191 nm處，每幅圖像反射率閾值設(shè)置為0.2，然后經(jīng)過向內(nèi)腐蝕3個像素，再向外膨脹3個像素，可有效提取銀杏葉圖像感興趣區(qū)域的光譜信息。又因為采集的高光譜圖像在874.0～1 045.1 nm和1 556.5～1 731.0 nm范圍內(nèi)噪聲干擾很大，因此刪除這兩個光譜波段。當(dāng)用去條紋標(biāo)定法校正后建立銀杏葉含水率分布圖像時，圖像在1 179.2 nm和1 523.0 nm處存在壞點，使分布圖像中存在兩條明顯的深色縱向條紋，因此將這兩個波長也刪除。最終選擇的有效光譜波段為1 046.7～1 177.5 nm、1 180.9～1 504.6 nm和1 507.9～1 554.9 nm，光譜曲線如圖1所示。

從圖1中可以看出，光譜曲線在1 200 nm左右存在微弱的吸收峰，在1 400 nm左右存在明顯的吸收峰。在1 200 nm處為C—H的伸縮振動的二級倍頻信息，是纖維素的吸收谷[26]；在1 400 nm附近為O—H的伸縮振動的一級倍頻信息，此處主要為水分的吸收谷[27]。

2.1.2銀杏葉含水率統(tǒng)計

本實驗共采集165個樣本，剔除異常數(shù)據(jù)的樣本，最終剩余155個樣本。根據(jù)含水率排序，以留出法將117個樣本劃分為訓(xùn)練集，38個樣本劃分為預(yù)測集。如表1所示，訓(xùn)練集與預(yù)測集的平均值和標(biāo)準(zhǔn)差相近，說明樣本集分布均勻，且總樣本含水率在56.86%～73.22%之間，樣本之間有明顯的差異性，有利于全波段的PLSR建模。

表1 155份銀杏葉樣本含水率Tab.1 Moisture content of 155 ginkgo leaves

2.2 去條紋標(biāo)定法及傳統(tǒng)均值濾波增強處理

首先將原始高光譜圖像進(jìn)行反射率校正，得到原始反射率圖像。然后將原始高光譜圖像進(jìn)行傳統(tǒng)均值濾波增強，均值濾波采用圓形濾波器。當(dāng)半徑為3個像素時，條紋被有效削弱，再對增強后的圖像使用反射率校正，得到經(jīng)傳統(tǒng)均值濾波增強后反射率圖像。最后使用去條紋標(biāo)定法對原始高光譜圖像進(jìn)行處理，并進(jìn)行反射率校正，得到經(jīng)去條紋標(biāo)定法處理后的反射率圖像。

為體現(xiàn)去條紋標(biāo)定法的去條紋效果，選擇葉片表面存在折痕、信息比較豐富的146號樣本進(jìn)行分析，分別選取該樣本在1 045.1 nm處的原始反射率高光譜圖像、經(jīng)傳統(tǒng)均值濾波增強反射率高光譜圖像和經(jīng)去條紋標(biāo)定法處理的反射率高光譜圖像，并將它們的葉片區(qū)域置于同一黑色背景中，最后將圖像的色帶刻度值范圍設(shè)置為25%～40%，結(jié)果如圖2所示。其中，圖2a葉片區(qū)域存在明顯的亮暗交替的縱向條紋，這些條紋穿插于銀杏葉葉脈之間，將葉脈打斷；圖2b中，經(jīng)過傳統(tǒng)均值濾波圖像增強后，銀杏葉的反射率圖像變得模糊，葉脈無法看清，條紋噪聲雖然被削弱，但是依然存在，且被加粗；圖2c中，經(jīng)過去條紋標(biāo)定法處理后，銀杏葉表面無明顯條紋，葉脈清晰，去條紋噪聲效果明顯。比較發(fā)現(xiàn)，推掃式高光譜圖像的條紋噪聲呈現(xiàn)縱向分布、亮暗交替；傳統(tǒng)均值濾波增強將每個像素點的灰度以其周圍像素點的平均灰度代替，雖然削弱了條紋噪聲的強度，但是會讓條紋噪聲變粗，使圖像質(zhì)量降低，原始信息丟失；去條紋標(biāo)定法是對每個像素點的偏差進(jìn)行增減，相鄰像素點之間不會產(chǎn)生影響，可以很好地抑制條紋噪聲，并保證圖像質(zhì)量，保留圖像原始信息。

圖2 銀杏葉反射率高光譜圖像(1 045.1 nm)Fig.2 Hyperspectral reflectance images of ginkgo leaf at 1 045.1 nm

2.3 偏最小二乘法預(yù)測建模

圖3 化學(xué)計量學(xué)模型的預(yù)測能力Fig.3 Predictive accuracy of chemometric models

2.4 銀杏葉含水率可視化

2.4.1含水率可視化圖像建立

在圖4中，每幅葉片圖像大部分區(qū)域偏于紅色，而右上角區(qū)域和葉柄區(qū)域都呈現(xiàn)綠色甚至藍(lán)色，說明這兩個區(qū)域含水率低于其他區(qū)域。對比銀杏葉原始樣本，鮮葉中右上角區(qū)域泛黃，呈枯萎狀態(tài)，這主要是因細(xì)胞內(nèi)水分流失而導(dǎo)致含水率降低；鮮葉中葉柄區(qū)域由于趨于木質(zhì)化，因此葉柄區(qū)域的含水率也相對較低。每幅葉片圖像右下角細(xì)節(jié)放大圖是由相應(yīng)葉片圖像上白色方框區(qū)域放大兩倍得到，從圖4a～4c、圖4f～4h以及圖4k～4n中可以看到該區(qū)域有一條向右下傾斜的“疤痕”，它的顏色比周圍偏綠，即含水率比周圍低，對比銀杏葉原始樣本，該區(qū)域上存在一條折痕，折痕處的細(xì)胞壁被損壞，導(dǎo)致細(xì)胞內(nèi)的水分流失，從而使折痕處含水率比周圍含水率低。結(jié)果表明含水率可視化圖像可以體現(xiàn)樣本細(xì)節(jié)，反映樣本的真實信息。

2.4.2主成分?jǐn)?shù)對可視化圖像的影響

圖4a～4e為原始圖像銀杏葉含水率可視化圖像隨主成分?jǐn)?shù)變化的情況。從中可以看出，當(dāng)主成分?jǐn)?shù)為6時，條紋噪聲最小，圖像中細(xì)節(jié)清晰，圖像可信度最佳；主成分?jǐn)?shù)大于6后，條紋噪聲越來越嚴(yán)重，葉脈信息逐漸丟失，枯萎區(qū)域逐漸減小，“疤痕”漸漸消失，圖像可信度逐漸降低；主成分?jǐn)?shù)為10時，葉柄區(qū)域含水率分布情況與葉片區(qū)域一致，與實際情況不符，圖像可信度極差。

圖4 不同處理方法的銀杏葉含水率可視化圖像Fig.4 Visualization images of water content of ginkgo leaf with different preprocessing methods

圖4f～4j為經(jīng)傳統(tǒng)均值濾波增強圖像建立的銀杏葉含水率可視化圖像隨主成分?jǐn)?shù)變化的情況。從中可以看出，主成分?jǐn)?shù)為6時，條紋噪聲很小，除了因傳統(tǒng)均值濾波增強的特性導(dǎo)致葉脈無法顯示外，其他細(xì)節(jié)略微模糊，圖像可信度較好；主成分?jǐn)?shù)大于6后，條紋噪聲逐漸增大，“疤痕”漸漸消失，圖像可信度降低；主成分?jǐn)?shù)為10時，葉柄區(qū)域含水率分布情況與葉片區(qū)域一致，與實際情況不符，圖像可信度極差。

圖4k～4o為經(jīng)去條紋標(biāo)定法處理的圖像建立的銀杏葉含水率可視化圖像隨主成分?jǐn)?shù)變化的情況。從中可以看出，主成分?jǐn)?shù)分別為6、7和8時，沒有明顯的條紋噪聲干擾，圖像中細(xì)節(jié)部分都被保留，圖像可信度都很好；當(dāng)主成分?jǐn)?shù)為9時，出現(xiàn)微弱的粗狀縱向條紋，細(xì)節(jié)被削弱，圖像可信度變差；當(dāng)主成分?jǐn)?shù)為10時，粗壯條紋明顯，“疤痕”消失，葉柄區(qū)域含水率分布同樣與葉片區(qū)域一致，與實際情況不符，圖像可信度變得極差。

總之，隨著主成分?jǐn)?shù)的增加，化學(xué)計量學(xué)模型增益系數(shù)成倍增大，導(dǎo)致原始圖像、經(jīng)傳統(tǒng)均值濾波增強圖像以及經(jīng)去條紋標(biāo)定法校正的圖像建立的含水率可視化圖像中，條紋噪聲和其他噪聲逐漸增大，圖像質(zhì)量逐漸降低；而從圖3中看到，隨著主成分?jǐn)?shù)從6增加至10的過程中，3種圖像的化學(xué)計量學(xué)模型預(yù)測能力逐漸提升，當(dāng)主成分?jǐn)?shù)為10時，達(dá)到最高，這與相應(yīng)的可視化結(jié)果相悖。這表明受到推掃式光譜成像本征條紋噪聲缺陷的影響，高準(zhǔn)度化學(xué)計量學(xué)模型求得的像素光譜對指標(biāo)的空間分布預(yù)測可信度不高，從而使其應(yīng)用受到很大限制。

2.4.3去條紋標(biāo)定法與均值濾波增強法比較

2.4.4條紋噪聲強度影響因素

圖4中，隨著主成分?jǐn)?shù)的增加，3種處理方法構(gòu)建的含水率可視化圖像中條紋噪聲強度逐漸增加。

進(jìn)一步對隨主成分?jǐn)?shù)從6增至10時3種預(yù)處理方法下建立的PLSR模型的波段增益系數(shù)進(jìn)行分析，分別計算每個模型的波段增益系數(shù)的標(biāo)準(zhǔn)差、最大值和最小值。如圖5所示，3條曲線上的點分別表示每個模型的波段增益系數(shù)的標(biāo)準(zhǔn)差，在每個主成分?jǐn)?shù)處，工型圖的下方表示增益系數(shù)最小值，上方表示最大值；藍(lán)色線條、綠色線條、紅色線條分別為原始圖像、傳統(tǒng)均值濾波增強圖像、去條紋標(biāo)定圖像的增益系數(shù)。圖中兩條紅色水平參考線表示波段增益系數(shù)分別為1和-1：當(dāng)某波段的化學(xué)計量學(xué)模型增益系數(shù)介于兩者之間時，即絕對值小于1時，對該波段圖像中的數(shù)值及噪聲起縮小作用，否則起放大作用。從圖中可以看到，3種PLSR模型的波段增益系數(shù)的標(biāo)準(zhǔn)差、最大值和最小值變化趨勢相似，它們的絕對值都隨主成分?jǐn)?shù)的增加而增大；當(dāng)主成分?jǐn)?shù)為6和7時，增益系數(shù)的絕對值都小于1，圖像中的數(shù)值被縮小，條紋噪聲被抑制；當(dāng)主成分?jǐn)?shù)為8時，增益系數(shù)標(biāo)準(zhǔn)差和最小值的絕對值仍然小于1，最大值略大于1，大多數(shù)波段圖像中的數(shù)值仍被縮小，條紋噪聲相對主成分?jǐn)?shù)為7時略有增加；當(dāng)主成分?jǐn)?shù)為9時，增益系數(shù)標(biāo)準(zhǔn)差小于1，最大值和最小值的絕對值都大于1，更多波段的圖像數(shù)值被放大，條紋噪聲被放大；當(dāng)主成分?jǐn)?shù)為10時，增益系數(shù)標(biāo)準(zhǔn)差、最大值和最小值的絕對值都大于1，大部分波段的圖像數(shù)值被放大，條紋噪聲也被進(jìn)一步放大。波段增益系數(shù)增大，條紋噪聲增強，這與圖4中銀杏葉樣本圖像中條紋噪聲的變化趨勢一致。

圖5 不同主成分?jǐn)?shù)預(yù)測模型波段增益系數(shù)的變化趨勢Fig.5 Spectral gains of chemometric models vs number of principle components

研究表明，當(dāng)主成分?jǐn)?shù)增加時，模型的波段增益系數(shù)增大，導(dǎo)致了化學(xué)計量學(xué)可視化圖像中條紋噪聲逐漸加重。這意味著高預(yù)測能力的化學(xué)計量學(xué)模型，如果其波段增益較大，將更易受條紋噪聲干擾。因此，一方面高預(yù)測能力的化學(xué)計量學(xué)模型不一定適用于指標(biāo)分布的可視化；另一方面，去條紋校正從源頭消除噪聲，在保證指標(biāo)分布可視化圖像中空間信息不受固有條紋噪聲干擾的情況下，在實際應(yīng)用中可以采用波段增益系數(shù)更高、預(yù)測能力更強的化學(xué)計量學(xué)模型對農(nóng)林產(chǎn)品品質(zhì)進(jìn)行空間分布預(yù)測。

3 結(jié)論

(1)比較3種反射率圖像發(fā)現(xiàn)：反射率校正無法削弱條紋噪聲；傳統(tǒng)均值濾波圖像增強可以減少條紋噪聲，但圖像中條紋噪聲仍然明顯；去條紋標(biāo)定法可以很好地抑制條紋噪聲，圖像中無條紋噪聲干擾。

(2)比較3種圖像建立的PLSR模型準(zhǔn)度發(fā)現(xiàn)：去條紋標(biāo)定法和傳統(tǒng)均值濾波增強均不會對模型的預(yù)測能力產(chǎn)生明顯影響，隨化學(xué)計量學(xué)模型波段增益增加，三者預(yù)測準(zhǔn)度相當(dāng)。

(4)比較3種圖像建立的PLSR模型波段增益系數(shù)發(fā)現(xiàn)：隨化學(xué)計量學(xué)模型波段增益系數(shù)的增大，可視化圖像中的條紋噪聲逐漸惡化。

(5)推掃式光譜成像由于本征條紋噪聲影響，高準(zhǔn)度化學(xué)計量學(xué)模型不一定適用于像素光譜，因此不一定能對靶向指標(biāo)的空間分布可視化進(jìn)行預(yù)測；而經(jīng)過去條紋標(biāo)定法處理，能夠明顯抑制高光譜圖像的本征條紋噪聲，保證可視化圖像免受條紋噪聲干擾的同時，使得在指標(biāo)預(yù)測中可以使用具有更大波段增益系數(shù)、更高預(yù)測準(zhǔn)度的化學(xué)計量學(xué)模型，從而更加可信地對靶向指標(biāo)的空間分布情況進(jìn)行預(yù)測。