Программный конвейер «HyperSpecWork» для обработки и анализа гиперспектральных изображений

Kонвейер обработки гиперспектральных изображений HyperSpecWork включает: предварительную обработку, базовый статистический анализ, визуализацию многоканального гиперспектрального изображения, а также решение задач классификации и кластеризации при помощи методов машинного обучения. В текущей версии пакета реализованы следующие методы: построение доверительного интервала произвольного уровня для разницы выборочных средних; проверка сходства распределений интенсивности линий спектра для двух наборов гиперспектральных изображений на основе U-критерия Манна-Уитни и критерия согласия Пирсона; визуализация в двумерном пространстве с помощью методов понижения размерности PCA, ISOMAP и UMAP; классификация с помощью линейной или гребневой регрессии, случайного леса и градиентного бустинга; кластеризация образцов с помощью EM-алгоритма. Программный конвейер реализован на языке Python с использованием библиотек Pandas, NumPy, OpenCV, SciPy, Sklearn, Umap, CatBoost и Plotly. Исходный код доступен по адресу: https://github.com/igor2704/Hyperspectral_images.

Блок-схема конвейера представлена на рисунке 1.

Рисунок 1. Блок-схема вычислительного конвейера HyperSpecWork.

Конвейер получает на вход многоканальные изображения, для которых производится предварительная обработка, нормировка интенсивностей пикселей, далее осуществляется анализ данных.

Описание входных данных

На вход конвейера подаются многоканальные гиперспектральные изображения, каждый канал которого соответствовует интенсивности отражения в определенном диапазоне длин волн (рис. 2). Гиперспектральное изображение представляет собой гиперкуб, в котором индексы \(i,j (i,j=1,…N)\) соответствуют пространственным координатам (пикселям изображения), индекс \(k (=1,… K)\) соответствует линиям гиперспектра с определенной длиной волны. N – размер стороны изображения в пикселях, K – число спектральных каналов. Каждый элемент этого гиперкуба соответствует интенсивности отраженного излучения от объекта съемки для пикселя на изображении с пространственными координатами \(i, j\) и спектральной линии c порядковым номером k.

Изображения представляются в формате tiff.

Рисунок 2. Изображение зерен ячменя в чашке Петри в оттенках серого (а) и визуализация интенсивности отраженного излучения в интервалах длин волн 450 нм (б), 554 нм (в) и 986 нм (г).

Описание выходных данных:

Выходными файлами являются файлы в HTML формате, которые содержат статистическую и графическую информацию, полученную на основе анализа гиперспектральных данных.