引言：

在高光譜成像（HSI）的科研與工業(yè)應(yīng)用中，我們常說“數(shù)據(jù)質(zhì)量決定模型上限"。而高光譜數(shù)據(jù)是一塊巨大的“數(shù)據(jù)魔方"，包含了海量的空間與光譜信息。如何從復(fù)雜的背景中精準(zhǔn)地剝離出目標(biāo)對象？

感興趣區(qū)域（ROI）的選擇，正是連接原始影像與建模分析的關(guān)鍵橋梁 。它不僅直接影響光譜信號的穩(wěn)定性和特征的可解釋性，更是決定后續(xù)模型性能的核心環(huán)節(jié) 。本文將深入探討四種主流的 ROI 提取策略，通過花生籽粒、蘋果病害等實戰(zhàn)案例，帶你掌握高光譜數(shù)據(jù)處理的“點睛之筆"。

感興趣區(qū)域（ROI）選擇

在高光譜成像（HSI）數(shù)據(jù)分析中，ROI（Region of Interest，感興趣區(qū)域）選擇是建模與機理分析的關(guān)鍵步驟，直接影響光譜穩(wěn)定性、特征可解釋性以及模型性能。常用的ROI選擇方法可系統(tǒng)地分為以下幾類：

1.1 ROI選擇方法

（1）單波段閾值法

在高光譜圖像中，不同物質(zhì)在特定波長處的反射率存在顯著差異。通過選取對目標(biāo)與背景區(qū)分度較高的特征波段，將三維高光譜數(shù)據(jù)在該波段上投影為二維灰度圖像，并利用灰度閾值分割提取目標(biāo)區(qū)域。該方法適合背景去除、大目標(biāo)整體ROI提取。該方法設(shè)高光譜數(shù)據(jù)為，選取特征波段得到單波段圖像。通過閾值T將像素劃分為前景（ROI）與背景。公式如下

python代碼示例：

Hypercsan分析軟件

（2）PCA/MNF變換輔助ROI選擇

主成分分析（PCA）和最小噪聲分離（MNF）通過線性變換將高維光譜數(shù)據(jù)映射到低維特征空間，使主要信息成分與噪聲成分分離，從而增強不同組織或區(qū)域之間的對比度，結(jié)合（1）或其他方法便于ROI識別。該方法高光譜圖像中每個像素光譜進(jìn)行協(xié)方差分解，求解特征值與特征向量，再低維投影以得到降維后的特征空間。

python代碼示例：

Hypercsan分析軟件

（3）K-means聚類ROI選擇

假設(shè)同一物理區(qū)域像素光譜在特征空間中具有相似性，通過聚類算法將全圖像素自動劃分為若干光譜相似的類別，從中選取目標(biāo)類別作為ROI。

python代碼示例：

Hypercsan分析軟件

（4）分水嶺結(jié)合連通域ROI選擇

在閾值分割獲得初始二值ROI后，單純的連通域分析可能將相互接觸的目標(biāo)區(qū)域合并為同一連通對象。為實現(xiàn)對粘連區(qū)域的有效分離，引入分水嶺分割與連通域分析相結(jié)合的方法。分水嶺分割將圖像灰度值視為地形高度，通過模擬水位上升過程，在局部極小值對應(yīng)的區(qū)域形成集水盆地，不同盆地相遇時產(chǎn)生的分界線即為分水嶺邊界，從而實現(xiàn)對相互接觸區(qū)域的精細(xì)分割。為避免過分割，首先利用連通域分析限定分割范圍，并在分水嶺分割后對結(jié)果進(jìn)行連通域篩選與約束，最終獲得結(jié)構(gòu)獨立、邊界清晰的ROI區(qū)域。

python代碼示例：

5.2方法案例

（1）單波段閾值法

花生籽粒ROI高光譜提取為例（圖1）。首先對比花生和背景反射率，選擇成像清晰并且背景和花生反射率差值最大的波段圖像。通過分析發(fā)現(xiàn)，在1120 nm處的波段圖像中背景和花生部分反射率差值最大。所以，提取1120nm處的波段圖像（圖1a）。然后，通過閾值法得到二值化掩膜圖像（圖1b）。在得到的掩膜圖像中，背景部分像素值為0，花生部分像素值為1。最后應(yīng)用得到的掩膜圖像與高光譜圖像矩陣（圖1c）中的每個波段圖像進(jìn)行相乘。便可得到去除背景且只保留花生部分的高光譜圖像（圖1d）。圖1e和f分別為去除背景之后的高光譜圖像中背景和花生的光譜數(shù)據(jù)。

圖1 單波段閾值法

（2）PCA/MNF變換輔助ROI選擇方法

以蘋果腐爛區(qū)域ROI分割為例（圖2）。PC1和MNF1成分圖像承載了圖像大部分的信息；PC2和MNF2成分圖像反映了圖像中的亮度飽和情況，早期腐爛區(qū)域較周圍正常區(qū)域明顯，但是有些地方亮度飽和不利于早期腐爛區(qū)域的分割；PC3和MNF3成分圖像適合用于早期腐爛的識別，蘋果早期腐爛區(qū)域變得高亮，與周圍正常區(qū)域表皮對比明顯，便于利用圖像處理對早期腐爛區(qū)域進(jìn)行分割提取。PC4和MNF4成分圖像更多反映蘋果表面的斑點、紋理等外觀信息。通過單閾值（閾值為200）分割PC3和MNF3成分圖像便可以提取蘋果腐爛ROI。圖2（a）為單閾值分割PC3后分割的結(jié)果，圖2（b）是經(jīng)過膨脹、腐蝕、小區(qū)域填充等形態(tài)學(xué)處理后疊加上蘋果輪廓后的圖像，出現(xiàn)了一些誤分割現(xiàn)象；圖2（c）為單閾值分割MNF3后分割ROI的結(jié)果，圖2（d）是經(jīng)過膨脹、腐蝕、小區(qū)域填充等形態(tài)學(xué)處理后疊加上蘋果輪廓后的圖像，沒有出現(xiàn)誤分割現(xiàn)象。

圖2 PCA/MNF變換輔助ROI選擇方法

（3）K-means聚類ROI選擇

以小麥籽粒分割及胚芽ROI分割為例（圖 3），結(jié)果表明小麥籽粒胚芽區(qū)域（藍(lán)色）均能夠被準(zhǔn)確識別并實現(xiàn)語義分割。相比之下，大多數(shù)胚粒的胚乳區(qū)域（紅色）同樣實現(xiàn)了有效分割，但其分割準(zhǔn)確性略低于胚芽區(qū)域。

圖3 K-means聚類ROI選擇方法（上：1201 nm的小麥籽粒灰度圖像；下：k-均值聚類的ROI）

（4）分水嶺結(jié)合連通域ROI選擇

以粘連玉米籽粒ROI分割為例，圖4(a)展示了在1200 nm波長下獲取的健康玉米籽粒圖像。隨后，對獲取的高光譜圖像進(jìn)行主成分分析（PCA），以增強玉米粒與背景之間的對比度，并實現(xiàn)玉米粒區(qū)域的初步提取。采用 Otsu 閾值分割方法對主成分得分圖像進(jìn)行處理，用于分離玉米粒與背景，如圖4(b)所示。圖4(c)為放大的籽粒剖面圖，圖像中疊加了分割邊界，可以清楚地觀察到部分玉米粒之間存在相互接觸的現(xiàn)象。這些相互接觸的籽粒在初始分割結(jié)果中被標(biāo)記為同一連通區(qū)域。然而，無論是基于對象的分析方法還是基于像素的分析方法，均要求每個玉米粒作為一個獨立區(qū)域，以便獲取單個籽?；蜃蚜?nèi)部像素的平均光譜信息。因此，有必要對連通區(qū)域進(jìn)行進(jìn)一步細(xì)分，實現(xiàn)籽粒級ROI的精確提取。由于相鄰玉米粒之間通常存在明顯的凹陷區(qū)域，在灰度空間中表現(xiàn)為低值區(qū)域，類似于分水嶺模型中的“分水線"，因此能夠在圖像中形成清晰的籽粒分割邊界?；谏鲜鲈恚捎梅炙畮X分割算法對初始連通區(qū)域進(jìn)行進(jìn)一步分割，從而實現(xiàn)單個玉米粒級對象的提取，分割結(jié)果如圖4(d)、(e)和(f)所示。

圖4 分水嶺結(jié)合連通域ROI選擇方法

參考文獻(xiàn)

1. Xuan Chu, Wei Wang, Xinzhi Ni, Chunyang Li, Yufeng Li,Classifying maize kernels naturally infected by fungi using near-infrared hyperspectral imaging,Infrared Physics & Technology, 105, 103242 (2020).

2. Andreas Kartakoullis, Nicola Caporaso, Martin B. Whitworth, Ian D. Fisk, Gaussian mixture model clustering allows accurate semantic image segmentation of wheat kernels from near-infrared hyperspectral images, Chemometrics and Intelligent Laboratory Systems, 259, 105341 (2025).

3. Zhang, B., Fan, S., Li, J. et al. Detection of Early Rottenness on Apples by Using Hyperspectral Imaging Combined with Spectral Analysis and Image Processing. Food Anal. Methods 8, 2075–2086 (2015).

4. Bu, Y., Luo, J., Li, J. et al. Non-destructive estimation of the bruising time in kiwifruit based on spectral and textural data fusion by machine learning techniques. Food Measure 18, 6872–6885 (2024)