高光谱成像（HSI）于 20 世纪 80 年代中期最初用于遥感，在过去二十年已扩展到众多研究领域，尤其是农业和食品科学，用于收集研究对象视觉和化学属性的补充数据。HSI将传统成像与红外、拉曼和荧光等光谱技术相结合，形成称为超立方体的三维数据结构，整合了二维数字图像和光谱数据维度，每个像素都关联着反映其代表区域光学特性的光谱，虽受邻域像素影响，但光谱可作为物质识别的独特特征。在水果、蔬菜和蘑菇质量评估方面，HSI 面临数据可用性和模型可靠性等挑战，现有研究多缺乏实际应用导向，需注重重复性和研究参数向工业参数的转化，以实现无损质量评估，减少食品浪费并保障食品安全。
人工智能（AI）与 HSI 的整合至关重要，AI 算法（主要是机器学习和深度学习方法）能有效处理高维和大规模 HSI 数据，实现精准特征提取和分类，在处理大数据集、降噪、实时分析及提高任务精度等方面表现出色，对农业、遥感等依赖高光谱数据的应用必不可少。随着 AI 技术发展，其与 HSI 的结合将更紧密，实现实时处理，结合新兴技术可扩大应用范围，推动行业创新，尽管面临数据和计算挑战，但前景乐观。本综述将深入探讨 AI 在 HSI 应用中的关键作用、面临的挑战及未来发展前景。
HSI数据具有高维度和复杂性，每个像素包含数百个光谱带，导致数据集庞大，对计算资源和存储要求高，且存在数据冗余问题。同时，数据易受噪声干扰且对环境条件敏感，需要复杂的预处理技术如降噪、大气校正和校准等。而AI能够解决这些挑战，其机器学习和深度学习技术擅长处理复杂数据，可自动学习光谱特征，减少手动特征工程，在处理高维数据、降噪、实时分析和提高任务精度等方面具有显著优势，在高光谱数据分析中具有重要作用。
线扫描（line scanning）：逐行测量连续光谱，在工业质量控制监测中广泛应用。虽因光谱仪入口狭缝存在光损失，但在速度和光谱分辨率间取得平衡，适用于实时监测与分析。
傅里叶变换（Fourier Transform，FT）光谱：可测量连续光谱，结合单色成像传感器和干涉仪，光通量高于推扫式系统，光谱数据收集效率和精度高，适用于高灵敏度和精度要求的应用，能处理宽波长范围，在化学分析等领域应用广泛。
光谱扫描（spectral scanning）：能收集特定波长的全部空间信息，逐个波长进行处理。虽单张图像采集相对较快，但整体因需切换波长而较慢。在特定波长需要高空间分辨率的应用中作用显著，如荧光显微镜，也可优化聚焦于特定感兴趣区域。
HS 快照相机（HS snapshot cameras）：可拍摄 HS 视频，适合对运动物体成像，采集快速高效，但光谱和空间分辨率相对其他技术受限，在实时 HS 成像如医疗诊断中有重要应用。
高分辨率 HSI 对检测复杂目标光谱变化至关重要，但现有高分辨率设备成本高昂，限制了其应用和普及。Stuart 等人研发的低成本设备为解决此问题提供了新途径，其在矿物学环境监测中表现出良好性能。
监督学习算法利用标记数据训练模型进行分类或分析，如支持向量机（SVMs）适用于高维数据和小训练集的分类；随机森林（RFs）鲁棒性强，能处理噪声数据；K-近邻（KNNs）基于像素光谱与标记数据的邻近度分类；神经网络如多层感知器（MLPs）可用于像素级分类。
无监督学习算法能在无预定义标签的情况下发现数据中的隐藏模式，如 k-均值聚类、主成分分析（PCA）等；神经网络中的卷积神经网络（CNNs）和循环神经网络（RNNs）可学习复杂数据的表示；强化学习算法适用于动态环境；独立成分分析（ICA）用于盲源分离；自动编码器用于无监督特征提取和降维。还有如 DiffSpectralNet 等新方法整合不同技术提升分类效果。
DL技术借助深层神经网络自动学习特征，避免手动特征工程，生成对抗网络（GANs）可用于数据增强等。在卷积神经网络中，其卷积层通过局部感受野(Receptive Field)连接提取特征，结合池化层等技术增强模型泛化能力，在处理复杂多维数据方面表现突出。
在光谱解混中，常用非负矩阵分解（NMF）和稀疏编码技术。混合模型结合空间和光谱信息提升分类等任务性能，如空间-光谱 CNNs 和图卷积网络（GCNs）。自然语言处理算法也助力 AI 理解和生成语言，推动多领域智能任务发展。
在实际应用中，利用 AI 技术改进的高光谱相机可提升信号处理速度和噪声容忍度，实现光谱准确重建。AI 驱动的超分辨率算法可增强图像空间分辨率，有助于精确映射和检测。在分类任务中，ML 和 DL 技术能处理高维光谱数据，实现材料或物体分类。AI 算法在去噪时可保留关键信息，在图像重建中能填补缺失部分，在对象检测和图像分割中利用光谱信息提高精度，在不同领域发挥重要作用。
图3 a）深度学习宽带编码随机高光谱相机简化示意图：相机根据光谱编码位置在主动模式（顶部）或被动模式（底部）下运行。（b）基于深度神经网络（DNN）的光谱重建概述：DNN 处理单色相机的初始数据以生成恢复的三维高光谱数据立方体。（c、d）窄带激光束的光谱轮廓：在（c）中，DNN用 “精确” 数据进行训练，而在（d）中，用 “一般” 数据进行训练。（e）在 598.0nm 和603.2nm 处的两个峰的光谱轮廓，峰间距以黑色显示。
作物生长监测：利用AI-HSI能够精准分析作物不同生长阶段的高光谱图像，通过识别作物光谱特征的细微变化，判断作物的健康状况，比如是否遭受病虫害侵袭、营养元素是否缺乏等。例如，深度学习模型可以对高光谱图像中作物叶片的光谱反射率进行分析，区分健康叶片与染病叶片，帮助农民提前采取防治措施，提高作物产量和质量。
农产品品质评估：对水果、蔬菜等农产品进行无损检测，依据其独特的光谱“指纹”结合AI算法准确判别农产品的成熟度、甜度、内部品质等指标，利于农产品的分级筛选和精准销售。
图4 用于分析食品质量的人工智能 - 高光谱成像（AI-HSI）
遥感领域
土地覆盖分类与监测：可以对大面积的陆地表面进行高光谱成像，AI算法对获取的数据进行处理，精确区分不同的土地覆盖类型，像森林、草地、农田、水域、城市建筑等，并且能够实时监测土地利用变化情况，比如城市扩张、森林砍伐、湿地减少等，为土地资源管理和生态环境保护提供有力的数据支撑。
矿产资源勘探：基于不同矿物质具有特定的光谱吸收和反射特征，AI与高光谱成像技术结合，从遥感图像中识别潜在的矿产分布区域，提高勘探效率，降低勘探成本。
环境监测领域
水体污染监测：通过分析水体的高光谱数据，AI可检测出水中污染物的种类、浓度等信息，比如识别水中的重金属含量是否超标、有机污染物的存在情况等，实现对水环境质量的动态监测。
图5 安装在一种名为“水母机器人”的无人驾驶飞行器（UAD）上的远程HSI系统，该飞行器可配备一张网，用于从各种水面收集大型塑料或微型塑料。
大气成分分析：借助HSI捕捉大气中各种气体分子的光谱特征，运用AI算法来确定大气中温室气体、污染物等成分的含量和分布，辅助大气污染治理以及气候变化研究。
医疗领域
疾病诊断：例如在皮肤疾病诊断方面，利用HSI获取皮肤病变部位的光谱图像，AI模型分析这些图像来辅助医生判断病变的类型、严重程度等，提高诊断的准确性和效率。
图9 一名健康成年人静息状态下的外周血流动力学示意图，展示了氧合血红蛋白（HbO2）、血红蛋白（Hb）以及血氧饱和度（sPO2）的相关情况。
组织病理分析：对病理切片进行高光谱成像，基于AI算法挖掘其中蕴含的光谱信息，帮助识别癌细胞、病变组织等微观结构特征，为疾病的精准治疗提供参考依据。
工业领域
产品质量检测：在制造业中，对生产线上的产品进行高光谱成像，AI算法可以快速检测产品表面的瑕疵、内部结构缺陷等质量问题，实现自动化、高精度的质量控制。
材料识别与分析：针对不同的工业材料，通过高光谱成像并结合AI能够快速准确地识别材料的种类、成分以及判断材料的性能是否达标等，便于原材料的筛选和产品的质量把控。
AI与HSI之间的协同作用代表着数据处理和材料识别技术方面的重大进步。随着技术的持续发展，它们的交集有望推动更多创新，进一步拓展其在科学研究以及实际应用场景中的应用范围。这种协同作用的未来有着革新诸多行业的潜力，能够突破现有技术的边界，提供以往传统方法无法实现的精准、高效且通用的解决方案，为各行业带来全新的发展机遇和变革。
本文转载自“AgriPheno平台”微信公众号，原标题“人工智能（AI）与高光谱成像（HSI）的协同作用”。转载仅用于学术分享，若有侵权，请后台留言联系修改或删除！
『点赞在看，精彩不断』↓ ↓ ↓
