Pokročilé spektrální a obrazové zpracování hyperspektrálních dat

Abstract

Dizertační práce se zabývá hyperspektrálním zobrazováním, nedestruktivní technikou prostorově-spektrální analýzy, s cílem zefektivnit analýzu těchto dat a zvýšit její využitelnost pro rutinní posuzování růstu rostlin a řas. Text popisuje strukturu hyperspektrálních dat a principy systémů hyperspektrálního snímání. Teoretické základy zahrnují analýzu hyperspektrálních dat pomocí zpracování obrazu, chemometrických metod a algoritmů strojového učení. Mezi konkrétně zkoumané metody patří neuronové sítě, spektrální unmixing a redukce dimenzionality. Významným praktickým přínosem této práce je vývoj hyperspektrální mikroskopické pracovní stanice. Experimentální výsledky obsažené v této práci zahrnují ověření spektrálního rozlišení hyperspektrálního mikroskopu a jeho charakterizaci pomocí referenčního barevného kalibračního testu. Soubor dat z tohoto kalibračního testu byl rovněž využit při studiu účinnosti algoritmů pro redukci dimenzionality a spektrální unmixing. Dále byl hyperspektrální mikroskop úspěšně využit k identifikaci a kvantifikaci směsí mořských sinic.

This doctoral thesis investigates hyperspectral imaging, a non-destructive spatio-spectral analysis technique, with the aim to streamline its data analysis and enhance its utility for routine plant and algal growth assessment. The text describes the structure of hyperspectral data and the principles of hyperspectral acquisition systems. The theoretical background covers hyperspectral data analysis using image processing, chemometric methods, and machine learning algorithms. Among the methods specifically explored are neural networks, spectral unmixing, and dimensionality reduction. A significant practical contribution of this work is the development of a hyperspectral microscope workstation. The experimental results from this system include verifying its spectral resolution and characterising it using a reference colour calibration slide. The dataset from this calibration slide was also utilised in the study of the effectiveness of dimensionality reduction and spectral unmixing algorithms, which is presented in this text. Furthermore, the hyperspectral microscope was successfully utilised for the identification and quantification of marine cyanobacteria mixtures.