《名家专栏》：利用机器学习解码复杂光谱：化学分析中光谱解混技术的研究进展（第三期）

第三期：高光谱解混的应用案例与实验分析
 

在前两期对技术原理以及技术优势进行详细介绍之后，下面将对实际应用中的案例分析进行介绍，首先是高光谱解混的应用案例与实验分析

5. 高光谱解混的应用案例与实验分析
 

高光谱解混技术的核心优势，在于能够从混合像素或复杂光谱数据中，分离出单个组分的光谱特征与空间分布。与聚焦微观尺度识别的拉曼光谱解混不同，高光谱解混主要解决大视场下宏观尺度的非均质性与宽光谱重叠的定量分离问题。该技术*初在遥感、环境监测等宏观领域得到广泛应用，为资源优化与生态保护提供了核心决策支撑工具。随着技术的发展，面向遥感影像解混的机器学习方法，正越来越多地被应用于实验室与微观尺度分析，让高光谱解混成为生物医学、制药、食品科学、工业质量控制领域中，一种功能强大的无损分析工具。
 

5.1 资源与环境分析
 

高光谱解混在资源环境领域应用广泛，但在实际落地中仍面临诸多挑战^{12, 15, 17, 51-56} 。以下将介绍矿物分析、火灾风险评估、溢油监测与作物健康监测领域的具体挑战及对应解决方案。
 

矿物分析面临的核心问题包括矿物光谱相似性高、次生矿物分布复杂⁵⁷。不同矿物，尤其是含相似元素的矿物，可能呈现相近的光谱特征。针对这一问题，可构建高质量的矿物光谱数据库，结合自适应波段选择算法提升匹配效果。Masudul Islam 等人利用AVIRISNG数据，通过光谱库匹配识别印度科拉尔金矿区的含铁氧化物矿物⁵⁶。该方法将矿物识别精度从72%提升至94%，研究共分析了5000个光谱样本，波段分辨率达10 nm。矿物风化与沉积过程会导致多组分混合，引发光谱混淆，可通过融入地质先验知识，采用约束线性解混解决该问题。Arun Pattathal等人利用深度学习潜在空间编码，对澳大利亚HyLogger岩心数据实现了端元分离²²，高岭石与蒙脱石混合物的丰度反演误差RMSE达0.08。

火灾风险评估面临的主要挑战，包括植被含水量与可燃物分布量化难度大、烟雾干扰降低火灾监测精度。植被类型与湿度的差异，会导致燃烧行为与光谱特征复杂化。Fernández-Manso等人利用PRISMA高光谱数据与多端元光谱混合分析算法，结合CBI实地数据，生成了局地火灾严重程度图¹¹。经多端元光谱混合分析的 PRISMA高光谱数据，可有效区分火灾受影响区域，阴影归一化的炭组分图像与 CBI的线性回归系数达0.72，高严重程度的炭组分阈值设为 > 0.813。研究团队通过随机森林（RF）算法，融合SNFI4数据、地形与气候变量，预测了区域高严重度火灾的发生概率，*终 RF 模型的总体精度达 91.58%，Kappa系数为0.79¹¹。
 

溢油监测面临的核心问题是水体干扰与实时性需求^{8, 13}。溢油事故往往需要快速响应以*大限度降低环境损害，因此溢油的实时监测与精准定位至关重要。搭载高光谱传感器的无人机实时监测系统，结合合成孔径雷达（SAR）影像，可实现溢油的快速检测与评估。Li等人在中国南海的一次溢油事故中，采用 GaiaSky-mini2传感器的大疆M300无人机，以每5分钟一次的频率采集数据，将油膜扩散路径的预测响应时间缩短至10分钟，定位精度提升至15米以内⁸。水体波动会引发反射光谱变化，增加油膜信号的区分难度，基于形状特征的光谱解混算法，可提升油膜与海水的反射率对比度。Cui等人利用EO-1 Hyperion 数据对渤海湾溢油进行分析，通过改进的端元提取算法实现了油膜区域的精准分割，油膜检测精度达94%，虚警率低于3%，该过程分析了包含242个光谱波段、总数据量45 GB的单视场影像¹³。
 

作物健康监测面临的挑战包括生长阶段变化、不同植被物种间光谱相似度高、物种内光谱变异性显著^{79, 80}。作物在不同生长阶段呈现出不同的光谱特征，随着作物生长，叶绿素含量、叶面积、光合效率等指标发生变化，会引发光谱特征漂移。Lu等人利用Field Spec 4光谱仪，监测了水稻从分蘖期到成熟期的钾含量⁸⁰，构建了时间序列光谱库，在60天内采集了1200株水稻的10800条光谱曲线，对钾积累量的预测R²达 0.92，RMSE 为0.8 g/m²。Tits等人评估了简单光谱混合分析、MESMA、基于形状的解混方法三种不同的光谱混合分析策略⁷⁹。通过光线追踪实验生成柑橘园与森林的虚拟场景模拟数据，同时采用南非柑橘园的实地测量光谱、夏威夷热带雨林的 AVIRIS 与 Hyperion 影像作为真实数据。*终结果表明，基于形状的解混方法在处理高类内、低类间端元变异性方面效果显著，有效降低了均方误差与自由度，可作为计算量巨大的 MESMA 方法的更快速、且精度至少相当的替代方案⁷⁹。
 

5.2 生物医学与病理分析
 

高光谱解混在生物医学与病理分析中发挥着关键作用，可解决生物样品中普遍存在的光谱重叠问题，从复杂的组织背景中提取细微的病理特征。在传统基于滤光片的成像中，多种荧光探针的宽发射光谱往往会产生严重的信号串扰；在病理学与药物均一性分析中，物质的混合组成进一步增加了定量分析的难度。通过将高光谱成像与先进的解混算法相结合，研究人员突破了物理滤光片的局限，实现了多组分信号的精准分离与定量分析，在微观尺度揭示了复杂的生命机制。
 

 在多色荧光显微成像领域 ²⁰⁹,Valm等人针对微生物群落研究中，数十种标记微生物的复杂混合信号，以及荧光探针间光谱严重重叠导致的信号串扰问题，开发了CLASI-FISH 技术，实现了重大突破¹⁹⁷.传统分析方法无法应对这类复杂场景，研究团队采用高光谱共聚焦显微镜采集数据，基于预先测定的纯菌株光谱库，对每个像素执行线性解混算法210。该研究处理了包含100多个不同分类类群的牙菌斑生物膜影像数据，在单个视场内成功同时分辨了15个不同的目标。实验结果表明，该方法在处理复杂的二元、三元荧光组合时，物种识别精度超 98%，与传统多色成像相比，显著降低了假阳性率，实现了微生物群落的高通量、高特异性空间结构分析。
 

在数字病理分析领域，McCann等人针对苏木精 - 伊红（H&E）染色组织切片中，制片工艺差异、组织厚度不均导致的光谱重叠问题，提出了数字染料分离方法^{211, 212}。由于无法直接从组织样本中获取纯染料光谱，研究人员采用基于 NMF 的盲源分离策略，假设像素光谱是苏木精与伊红吸收光谱的非负线性组合²¹³。该方法被应用于十亿像素级的全切片影像，成功生成了独立的苏木精与伊红通道密度图。定量评估结果显示，解混后的图像在细胞核分割任务中的F1分数超0.92，较传统方法的 0.85 实现了显著提升，同时将光密度估计误差降低了约15%，大幅提升了计算机辅助诊断系统中肿瘤核质比计算的可靠性。
 

在药物制剂均一性分析领域^{214, 215}, Amigo利用MCR-ALS对片剂的高光谱数据立方体进行解混，实现了API与辅料混合均匀性、团聚现象的监测 ²¹⁶。该方法无需已知纯光谱，可通过迭代求解API与辅料的光谱特征及其浓度分布图。实验结果表明，解混生成的API浓度分布图，与高效液相色谱（HPLC）实测的实际含量相关性超0.98，算法的失配率（LOF）低于3%。与拉曼成像相比，该方法将单片剂的分析时间从数小时缩短至数秒，同时可实现整批片剂宏观均一性的同步评估，大幅提升了工业实验室的质量控制效率。
 

5.3 文化遗产保护与先进材料表征
 

文化遗产保护与精细材料表征，是高光谱解混在实验室与近距离分析中的另一大重要应用领域，主要解决“不可见”的内部结构与“难以区分”的混合组分难题。无论是艺术品的虚拟修复、食品的微观质量检测，还是法医物证与痕迹分析，解混技术都能在不损伤样品的前提下，提供亚像素级的组分分布信息，实现从定性识别到定量重构的跨越，尤其适用于大视场下宏观非均质性的分析。
 

在艺术品颜料层分析与虚拟修复领域^217-220，Delaney 等人针对油画中多层颜料、老化泛黄清漆带来的复杂挑战，对毕加索的著名画作开展了全光谱扫描研究²²¹。为在不物理接触艺术品的前提下，识别颜料组分与表层结构，研究团队采用凸几何算法自动提取纯颜料端元，结合光谱角匹配（SAM）与丰度反演技术，生成了钴蓝、朱砂等不同颜料的空间分布图。结果表明，解混算法成功从混合光谱中分离出纯颜料端元，光谱角匹配误差低于 0.08 弧度，证实了极高的光谱相似度。更重要的是，短波红外（SWIR）波段的解混图像清晰揭示了肉眼不可见的底层草图，与传统红外反射成像相比，对比度噪声比（CNR）提升了约一倍，为艺术史学家研究画作的构图演变提供了确凿证据。
 

在食品实验室级微观质量检测领域^{199, 200}，尤其是肉类中脂肪与肌肉的定量评估，Kamruzzaman等人研究了利用近红外高光谱成像分析羊肉切片的方法¹³⁸。研究团队采集了 900~1700 nm波长范围的数据，采用PLSR结合特征波长选择的监督解混流程，分解光谱信号并与化学法测定的水分、脂肪、蛋白质含量进行关联。模型在验证集上表现优异，对肌内脂肪（IMF）含量的预测 R²达0.87，预测均方根误差（RMSEP）仅为1.46%；对水分含量的预测 R²更是达到0.91。结果证实，即使在亚像素级别，解混算法仍能精准量化分布不均的生化组分，精度远超传统RGB图像分割方法。
 

在法医物证与痕迹分析领域，核心挑战是犯罪现场血迹留存时间的量化，尤其是深色衣物上血迹脱落等复杂场景中，血红蛋白氧化过程的识别难度极大²²²。Edelman 等人采用可见 - 近红外（VIS-NIR，400~1000 nm）高光谱相机，采集不同时间点的血迹图像²²³。基于比尔 - 朗伯定律，通过非线性*小二乘拟合，将反射光谱分解为氧合血红蛋白、脱氧血红蛋白与高铁血红蛋白三种组分的相对浓度，构建了血迹老化动力学模型。实验结果表明，该模型对0~20天的样品，预测龄与实际龄的R²达 0.96，RMSE控制在实际老化时长的12%以内，证实了这种非接触方法即使在复杂背景下，仍能实现极高的定量精度。
 

作者简介

胡波，西安电子科技大学生命科学技术学院教授、博士生导师，西安智能精准诊疗国际科技合作基地负责人。主要研究方向为基于人工智能、微流控芯片和光学检测的单细胞与单分子智能检测技术开发。在Advanced Science、ACS Sensors、Biosensors and Bioelectronics等期刊发表论文多篇。

免责说明

北京卓立汉光仪器有限公司公众号所发布内容（含图片）来源于原作者提供或原文授权转载。文 章版权、数据及所述观点归原作者原出处所有，北京卓立汉光仪器有限公司发布及转载目的在于传递 更多信息及用于网络分享。

如果您认为本文存在侵权之处，请与我们联系，会第一时间及时处理。我们力求数据严谨准确， 如有任何疑问，敬请读者不吝赐教。我们也热忱欢迎您投稿并发表您的观点和见解。
 

参考文献

207. Palsson, B.;  Ulfarsson, M. O.; Sveinsson, J. R., Convolutional Autoencoder for Spectral–Spatial Hyperspectral Unmixing. IEEE Transactions on Geoscience and Remote Sensing 2021, 59, 535-549.

208. Cai, Y.;  Xu, G.;  Yang, D.;  Tian, H.;  Zhou, F.; Guo, J., On-line multi-gas component measurement in the mud logging process based on Raman spectroscopy combined with a CNN-LSTM-AM hybrid model. Analytica Chimica Acta 2023, 1259, 341200.

209. Black, D.;  Liquet, B.;  Di Ieva, A.;  Stummer, W.; Suero Molina, E., Spectral library and method for sparse unmixing of hyperspectral images in fluorescence guided resection of brain tumors. Biomed Opt Express 2024, 15, 4406-4424.

210. Smith, J. T.;  Ochoa, M.; Intes, X., UNMIX-ME: spectral and lifetime fluorescence unmixing via deep learning. Biomed Opt Express 2020, 11, 3857-3874.

211. Takeyama, S.;  Watanabe, T.;  Gong, N.;  Yamaguchi, M.;  Urata, T.;  Kimura, F.; Ishii, K., Dye amount quantification of Papanicolaou-stained cytological images by multispectral unmixing: spectral analysis of cytoplasmic mucin. Journal of Medical Imaging 2024, 12, 017501.

212. Jong, L.-J. S.;  Post, A. L.;  Veluponnar, D.;  Geldof, F.;  Sterenborg, H. J. C. M.;  Ruers, T. J. M.; Dashtbozorg, B., Tissue Classification of Breast Cancer by Hyperspectral Unmixing. Cancers 2023, 15, 2679.

213. McCann, M. T.;  Majumdar, J.;  Peng, C.;  Castro, C. A.; Kovacevic, J. In Algorithm and benchmark dataset for stain separation in histology images, 2014 IEEE International Conference on Image Processing (ICIP), Paris, France, 29 January 2015; Paris, France, 2014 of Conference; pp 3953-3957.

214. Kandpal, L. M.;  Tewari, J.;  Gopinathan, N.;  Boulas, P.; Cho, B.-K., In-Process Control Assay of Pharmaceutical Microtablets Using Hyperspectral Imaging Coupled with Multivariate Analysis. Analytical Chemistry 2016, 88, 11055-11061.

215. Rocha de Oliveira, R.; de Juan, A., Design of Heterogeneity Indices for Blending Quality Assessment Based on Hyperspectral Images and Variographic Analysis. Analytical Chemistry 2020, 92, 15880-15889.

216. Amigo, J. M., Practical issues of hyperspectral imaging analysis of solid dosage forms. Anal Bioanal Chem 2010, 398, 93-109.

217. Zeng, Z.;  Qiu, S.;  Zhang, P.;  Tang, X.;  Li, S.;  Liu, X.; Hu, B., Virtual restoration of ancient tomb murals based on hyperspectral imaging. Heritage Science 2024, 12, 410.

218. Wang, Y.;  Lyu, S.;  Ning, B.;  Yan, D.;  Hou, M.;  Sun, P.; Li, L., Spectral Unmixing of Pigments on Surface of Painted Artefacts Considering Spectral Variability. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences 2024, X-4-2024, 403-409.

219. Grillini, F.;  Thomas, J.-B.; George, S., Comparison of Imaging Models for Spectral Unmixing in Oil Painting. Sensors 2021, 21, 2471.

220. Lyu, S.;  Liu, Y.;  Hou, M.;  Yin, Q.;  Wu, W.; Yang, X., Quantitative analysis of mixed pigments for Chinese paintings using the improved method of ratio spectra derivative spectrophotometry based on mode. Heritage Science 2020, 8, 31.

221. Delaney, J. K.;  Zeibel, J. G.;  Thoury, M.;  Littleton, R.;  Palmer, M.;  Morales, K. M.;  de la Rie, E. R.; Hoenigswald, A., Visible and infrared imaging spectroscopy of Picasso's Harlequin musician: mapping and identification of artist materials in situ. Appl Spectrosc 2010, 64, 584-94.

222. Edelman, G. J.;  Gaston, E.;  van Leeuwen, T. G.;  Cullen, P. J.; Aalders, M. C. G., Hyperspectral imaging for non-contact analysis of forensic traces. Forensic Science International 2012, 223, 28-39.

223. Edelman, G.;  van Leeuwen, T. G.; Aalders, M. C. G., Hyperspectral imaging for the age estimation of blood stains at the crime scene. Forensic Science International 2012, 223, 72-77.