專利名稱：一種非線性激光熒光光譜實時識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種熒光光譜的實時識別技術(shù)，特別是一種非線性激光熒光光譜實時識別方法。
背景技術(shù)：
機載激光雷達(dá)通過發(fā)射固定波長的紫外波段激光激勵海面溢油油膜產(chǎn)生熒光，通 過望遠(yuǎn)鏡收集激發(fā)的熒光制成熒光光譜。由于不同石油產(chǎn)品中所含有熒光基質(zhì)的種類及各 類基質(zhì)的比例不同，每種基質(zhì)均可發(fā)射其特有的熒光光譜，由一定波長的紫外激光激勵下 發(fā)射的熒光譜通常具有不同的強度和形狀，因此根據(jù)光譜特征可識別溢油的種類。但通過 人眼識別，需要豐富的經(jīng)驗，且耗費時間較長。公知的一些熒光光譜實時識別方法有保持投影法(Locality PreservingProiection，LPP)、主成分分析法(PCA)、核主成分分析(KPCA)以及二維主成分 分析方法(2DPCA)等，但這些方法的一個共同特點就是需大樣本支持，且訓(xùn)練時間長，判別 效率也不十分理想。小波變換是一種非常優(yōu)秀的、具有較強時、頻局部分析功能的非平穩(wěn)信號分析方 法，目前已廣泛應(yīng)用于許多研究領(lǐng)域，并取得了較好的應(yīng)用效果。小波變換在表示具有點奇 異性的目標(biāo)函數(shù)時是最優(yōu)基，而在邊緣表示時，小波變換和傅里葉變換均不是最優(yōu)基。曲波 變換不但保留小波變換方法多尺度的特點，而且還具有各向異性特點，可以很好地逼近奇 異曲線，其在圖像處理的某些能力略優(yōu)于小波變換。支持向量基是從線性可分情況下的最優(yōu)分類面發(fā)展而來的，它對解決小樣本學(xué) 習(xí)、非線性及高維模式識別等問題表現(xiàn)出特殊的優(yōu)勢。但目前關(guān)于利用曲波變換的支持向量基非線性激光熒光光譜實時識別方法未見 公開報道。

發(fā)明內(nèi)容
為解決現(xiàn)有技術(shù)存在的上述問題，本發(fā)明的目的是要提出一種利用曲波變換的支 持向量基非線性激光熒光光譜實時識別方法，以提高其實時性、識別率和適應(yīng)性。為了實現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下一種非線性激光熒光光譜實時識別 方法，通過計算機對機載激光雷達(dá)發(fā)射固定波長的紫外波段激光激勵海面溢油油膜產(chǎn)生的 熒光光譜進(jìn)行處理，以快速、準(zhǔn)確的識別熒光光譜所代表的油品，具體包括以下步驟A、將機載激光熒光雷達(dá)獲取的溢油油膜熒光光譜數(shù)據(jù)分為兩類一類是已經(jīng)知道 的油品的熒光光譜數(shù)據(jù)，并作為有標(biāo)識的學(xué)習(xí)樣本光譜；另一類是未知油品的熒光光譜數(shù) 據(jù)，并作為無標(biāo)識的測試樣本光譜；B、感興趣區(qū)域ROI提取截取光譜數(shù)據(jù)的熒光波段，其余波段均濾去；其方法是從 數(shù)據(jù)頭開始逐行掃描，如遇到飽和量和空數(shù)據(jù)則刪除這部分波段，最后得到只含有熒光信 息的光譜數(shù)據(jù)；提取感興趣區(qū)域ROI的光譜數(shù)據(jù)包括學(xué)習(xí)樣本和測試樣本，并設(shè)樣本類別數(shù)為i，學(xué)習(xí)樣本總數(shù)量為n，測試樣本總數(shù)量為m ；C、光譜預(yù)處理將感興趣區(qū)域ROI提取的學(xué)習(xí)樣本光譜和測試樣本光譜數(shù)據(jù)，以 0 4通道共五個通道表示提取的波段，其強度分布范圍轉(zhuǎn)換為w，l]內(nèi)；如果熒光光譜數(shù) 據(jù)是圖像格式，先將圖像格式轉(zhuǎn)換為二值圖像，背景為0，光譜特征為1，然后將圖像大小尺 寸統(tǒng)一變換為pXp，并進(jìn)行光譜位置矯正；D、特征提取利用離散曲波變換進(jìn)行熒光譜特征提取，將步驟C得到的學(xué)習(xí)樣本 光譜和測試樣本光譜采用基于Unequispaced的快速離散曲波變換USFFT進(jìn)行分解，獲得曲 波變換系數(shù)qik，曲波分解尺度為3層，其過程如下D1、將預(yù)處理得到熒光光譜數(shù)據(jù)進(jìn)行二維傅里葉變換，獲得頻率陣列f[nvn2](1)其中，-n/2<ni，n2<n/2，n為采樣數(shù)；D2、對任一尺度參數(shù)j和方向參數(shù)1，插入以獲得- tan6^](2)式中，Q1為旋轉(zhuǎn)角度MX-5 (Ii1, n2) e Pj = {(η” n2) :nlj0 ^ Ii1 < Ii1 ^+Llj, n2,0 ^ n2 < n2j0+L2J}D3、用拋物窗乘以被插值的對象/得到
=(3)其中，0彡 Ii1 < Llj，0 彡 n2 < L2j，-π/4 < θ ( π/4，L”L2 分別為平行四邊形 Pj 的邊長；D4、對每一個進(jìn)行二維逆向傅里葉變換后，得到離散曲波系數(shù)
Cjlk = Σ /h而 itar^phAK+WW、)(4)式中，k = (k1; k2) e Z2為空間位置Ε、形成特征向量曲波變換系數(shù)中的低頻系數(shù)包含了重要的特征信息，將其組合 后進(jìn)行變換形成特征向量C = [cllk, c21k, · · ·，cJlk] (5)F、構(gòu)建i個類別的支持向量機，對i個支持向量機分別進(jìn)行學(xué)習(xí)訓(xùn)練將所有學(xué)習(xí) 樣本變換后形成的系數(shù)矩陣分別輸入到i個支持向量機中單獨進(jìn)行訓(xùn)練；G、分類識別測試將測試光譜進(jìn)行二代曲波變換后形成的低頻系數(shù)矩陣分別輸入 到訓(xùn)練好的i個支持向量機中，根據(jù)輸出結(jié)果即可獲得光譜識別分類結(jié)果。本發(fā)明步驟C所述的光譜位置矯正包括以下步驟逐幀掃描整個圖像確定當(dāng)前光 譜曲線的位置與標(biāo)準(zhǔn)光譜曲線位置的偏差，然后根據(jù)預(yù)設(shè)的偏差閾值來確定當(dāng)前圖像是否 偏差過大，如超過閾值則進(jìn)行矯正。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果
1、本發(fā)明采用支持向量機的分類方法，不依賴大樣本訓(xùn)練，輸入向量為曲波分解 后的低頻系數(shù)部分，訓(xùn)練樣本少，支持向量數(shù)量大幅降低，從而縮短運算時間，使方法具有 實時性，采用英特爾Pentium D 3. 40GHz處理器，IG內(nèi)存，其訓(xùn)練時間不超過20ms。2、本發(fā)明采用的二代曲波變換基于新的支持框架，對具有奇異性的曲線函數(shù)，可 以提供高效、穩(wěn)定、逼近“最優(yōu)”的稀疏表示，與傳統(tǒng)方法比較，更為有效，識別率更高。3、本發(fā)明可識別數(shù)據(jù)格式和圖像格式的光譜樣本，對于圖像數(shù)據(jù)進(jìn)行位置判定，有效解決具有一定位置偏移、旋轉(zhuǎn)的圖像識別問題，具有較好的適應(yīng)性。4、本發(fā)明提供一種實時識別激光熒光光譜方法，能夠自動利用小樣本快速、準(zhǔn)確 的識別機載激光熒光雷達(dá)獲取的光譜曲線為何種物質(zhì)，如藻類、原油等。解決由人工識別所 帶來的時效性差和準(zhǔn)確度低等問題，為我國海事等相關(guān)部門監(jiān)測海域情況，尤其是海洋溢 油污染，并及時制定相應(yīng)處理方案，提供有力協(xié)助。


本發(fā)明共有附圖6張，其中圖1是非線性激光熒光光譜實時識別方法的流程框圖。圖2是樣本位置偏移檢測算法框圖。圖3是具有輕柴油標(biāo)識的初始熒光光譜圖。圖4是具有潤滑油標(biāo)識的初始熒光光譜5是預(yù)處理后的輕柴油熒光光譜圖。圖6是預(yù)處理后的潤滑油熒光光譜圖。
具體實施例方式下面結(jié)合附圖對本發(fā)明進(jìn)行進(jìn)一步地描述。實施例一圖1是本發(fā)明的流程圖，首先從油品庫中選取30組共5類帶有油品標(biāo)識的熒光光 譜數(shù)據(jù)作為學(xué)習(xí)樣本光譜，實測3組未知油品的激光熒光光譜數(shù)據(jù)作為測試樣本光譜。圖3、圖4是分別具有30個學(xué)習(xí)樣本光譜中帶有輕柴油標(biāo)識和潤滑油標(biāo)識的初始 熒光光譜圖，提取有效的熒光波段作為感興趣區(qū)域R0I，提取感興趣區(qū)域的過程是從數(shù)據(jù)頭 開始逐行掃描，如遇到飽和量和空數(shù)據(jù)則刪除這部分波段，最后得到只含有熒光信息的光 譜數(shù)據(jù)。并將其強度歸一化在W，l]范圍內(nèi)，整個提取的光譜用0 4波段共五個波段表 征，作為預(yù)處理學(xué)習(xí)樣本光譜，如圖5、圖6所示。將所得光譜數(shù)據(jù)按照步驟D的步驟進(jìn)行快速離散曲波變換，如果采用3層分解尺 度，其系數(shù)為
將得到分解系數(shù)C11, C21組合為特征系數(shù)矩陣C。將特征系數(shù)矩陣C作為特征向量，送入光譜樣本庫存儲。這樣將所有帶標(biāo)識的30個學(xué)習(xí)樣本均進(jìn)行如上步驟的處理。得到的系數(shù)矩陣送入光譜樣本庫存儲，并從中抽取樣本作為學(xué)習(xí)集。將3組測試樣本光譜按照上述學(xué)習(xí)樣本光譜處理方法處理得到系數(shù)矩陣作為測試集。構(gòu)建5個類別的支持向量機，將前述所得學(xué)習(xí)集輸入到構(gòu)建的這5個支持向量機 訓(xùn)練學(xué)習(xí)，這里采用Sigmoid核函數(shù)K(Xi，Xj) = tanh(a (χ · y) + β )，作為支持向量機核函數(shù)。然后，將3個無標(biāo)識的待測樣本按照上述方法將曲波變換后的低頻系數(shù)矩陣輸入 到訓(xùn)練好的5個支持向量機，本發(fā)明采用Ι-a-r分類器(One-against-restclassifiers)， 即在第i類和其它i_l類之間構(gòu)建超平面，每個支持向量機單獨將其分離數(shù)據(jù)從其它分類 數(shù)據(jù)中識別出來。最后，根據(jù)輸出結(jié)果獲得熒光光譜的分類結(jié)果。實施例二 實施例二采用圖像數(shù)據(jù)進(jìn)行分類，對感興趣區(qū)域ROI選取后的樣本圖像進(jìn)行預(yù)處 理圖像轉(zhuǎn)換為二值圖像，并將背景設(shè)為0、光譜特征設(shè)為1，然后將圖像大小統(tǒng)一變換成 pXp。圖2所示是光譜圖像位置偏移矯正的過程，逐幀掃描預(yù)處理后的圖像序列，遍歷所 有子塊，檢查圖像位置是否超出偏移值，如果圖像位置偏移過大則重新進(jìn)行感興趣區(qū)域ROI 選取再繼續(xù)檢查，直到符合偏移條件，繼續(xù)進(jìn)行曲波變換，輸入支持向量基訓(xùn)練，最終得到 分類結(jié)果。
權(quán)利要求
一種非線性激光熒光光譜實時識別方法，通過計算機對機載激光雷達(dá)發(fā)射固定波長的紫外波段激光激勵海面溢油油膜產(chǎn)生的熒光光譜進(jìn)行處理，以快速、準(zhǔn)確的識別熒光光譜所代表的油品，其特征在于具體包括以下步驟A、將機載激光熒光雷達(dá)獲取的溢油油膜熒光光譜數(shù)據(jù)分為兩類一類是已經(jīng)知道的油品的熒光光譜數(shù)據(jù)，并作為有標(biāo)識的學(xué)習(xí)樣本光譜；另一類是未知油品的熒光光譜數(shù)據(jù)，并作為無標(biāo)識的測試樣本光譜；B、感興趣區(qū)域ROI提取截取光譜數(shù)據(jù)的熒光波段，其余波段均濾去；其方法是從數(shù)據(jù)頭開始逐行掃描，如遇到飽和量和空數(shù)據(jù)則刪除這部分波段，最后得到只含有熒光信息的光譜數(shù)據(jù)；提取感興趣區(qū)域ROI的光譜數(shù)據(jù)包括學(xué)習(xí)樣本和測試樣本，并設(shè)樣本類別數(shù)為i，學(xué)習(xí)樣本總數(shù)量為n，測試樣本總數(shù)量為m；C、光譜預(yù)處理將感興趣區(qū)域ROI提取的學(xué)習(xí)樣本光譜和測試樣本光譜數(shù)據(jù)，以0～4通道共五個通道表示提取的波段，其強度分布范圍轉(zhuǎn)換為
內(nèi)；如果熒光光譜數(shù)據(jù)是圖像格式，先將圖像格式轉(zhuǎn)換為二值圖像，背景為0，光譜特征為1，然后將圖像大小尺寸統(tǒng)一變換為p×p，并進(jìn)行光譜位置矯正；D、特征提取利用離散曲波變換進(jìn)行熒光譜特征提取，將步驟C得到的學(xué)習(xí)樣本光譜和測試樣本光譜采用基于Unequispaced的快速離散曲波變換USFFT進(jìn)行分解，獲得曲波變換系數(shù)cjlk，曲波分解尺度為3層，其過程如下D1、將預(yù)處理得到熒光光譜數(shù)據(jù)進(jìn)行二維傅里葉變換，獲得頻率陣列 <mrow><mover> <mi>f</mi> <mo>^</mo></mover><mo>[</mo><msub> <mi>n</mi> <mn>1</mn></msub><mo>,</mo><msub> <mi>n</mi> <mn>2</mn></msub><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow>其中，-n/2≤n1，n2＜n/2，n為采樣數(shù)；D2、對任一尺度參數(shù)j和方向參數(shù)1，插入以獲得 <mrow><mover> <mi>f</mi> <mo>^</mo></mover><mo>[</mo><msub> <mi>n</mi> <mn>1</mn></msub><mo>,</mo><msub> <mi>n</mi> <mn>2</mn></msub><mo>-</mo><msub> <mi>n</mi> <mn>1</mn></msub><msub> <mrow><mi>tan</mi><mi>&theta;</mi> </mrow> <mi>l</mi></msub><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo></mrow> </mrow>式中，θl為旋轉(zhuǎn)角度MX-5(n1，n2)∈Pj＝{(n1，n2)n1，0≤n1＜n1，0+L1j，n2，0≤n2＜n2，0+L2j}D3、用拋物窗乘以被插值的對象得到 <mrow><msub> <mover><mi>f</mi><mo>~</mo> </mover> <mi>jl</mi></msub><mo>[</mo><msub> <mi>n</mi> <mn>1</mn></msub><mo>,</mo><msub> <mi>n</mi> <mn>2</mn></msub><mo>]</mo><mo>=</mo><mi>W</mi><mrow> <mo>(</mo> <msub><mover> <mi>U</mi> <mo>~</mo></mover><mi>ij</mi> </msub> <mover><mi>f</mi><mo>^</mo> </mover> <mo>)</mo></mrow><mo>[</mo><msub> <mi>n</mi> <mn>1</mn></msub><mo>,</mo><msub> <mi>n</mi> <mn>2</mn></msub><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo></mrow> </mrow>其中，0≤n1＜L1j，0≤n2＜L2j，-π/4≤θ≤π/4，L1、L2分別為平行四邊形Pj的邊長；D4、對每一個進(jìn)行二維逆向傅里葉變換后，得到離散曲波系數(shù) <mrow><msub> <mi>c</mi> <mi>jlk</mi></msub><mo>=</mo><munder> <mi>&Sigma;</mi> <mrow><msub> <mi>n</mi> <mn>1</mn></msub><mo>,</mo><msub> <mi>n</mi> <mn>2</mn></msub><mo>&Element;</mo><msub> <mi>P</mi> <mi>j</mi></msub> </mrow></munder><mover> <mi>f</mi> <mo>^</mo></mover><mo>[</mo><msub> <mi>n</mi> <mn>1</mn></msub><mo>,</mo><msub> <mi>n</mi> <mn>2</mn></msub><mo>-</mo><msub> <mi>n</mi> <mn>1</mn></msub><mi>tan</mi><msub> <mi>&theta;</mi> <mi>l</mi></msub><mo>]</mo><mover> <mi>U</mi> <mo>~</mo></mover><mo>[</mo><msub> <mi>n</mi> <mn>1</mn></msub><mo>,</mo><msub> <mi>n</mi> <mn>2</mn></msub><mo>]</mo><msup> <mi>e</mi> <mrow><mi>i</mi><mn>2</mn><mi>&pi;</mi><mrow> <mo>(</mo> <msub><mi>k</mi><mn>1</mn> </msub> <msub><mi>n</mi><mn>1</mn> </msub> <mo>/</mo> <msub><mi>L</mi><mrow> <mn>1</mn> <mi>j</mi></mrow> </msub> <mo>+</mo> <msub><mi>k</mi><mn>2</mn> </msub> <msub><mi>n</mi><mn>2</mn> </msub> <mo>/</mo> <msub><mi>L</mi><mrow> <mn>2</mn> <mi>j</mi></mrow> </msub> <mo>)</mo></mrow> </mrow></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo></mrow> </mrow>式中，k＝(k1，k2)∈Z2為空間位置E、形成特征向量曲波變換系數(shù)中的低頻系數(shù)包含了重要的特征信息，將其組合后進(jìn)行變換形成特征向量C＝[c11k，c21k，...，cjlk](5)F、構(gòu)建i個類別的支持向量機，對i個支持向量機分別進(jìn)行學(xué)習(xí)訓(xùn)練將所有學(xué)習(xí)樣本變換后形成的系數(shù)矩陣分別輸入到i個支持向量機中單獨進(jìn)行訓(xùn)練；G、分類識別測試將測試光譜進(jìn)行二代曲波變換后形成的低頻系數(shù)矩陣分別輸入到訓(xùn)練好的i個支持向量機中，根據(jù)輸出結(jié)果即可獲得光譜識別分類結(jié)果。FSA00000102218500012.tif,FSA00000102218500014.tif,FSA00000102218500015.tif,FSA00000102218500021.tif
2.根據(jù)權(quán)利要求1所述的一種非線性激光熒光光譜實時識別方法，其特征在于步驟C 所述的光譜位置矯正包括以下步驟逐幀掃描整個圖像確定當(dāng)前光譜曲線的位置與標(biāo)準(zhǔn)光 譜曲線位置的偏差，然后根據(jù)預(yù)設(shè)的偏差閾值來確定當(dāng)前圖像是否偏差過大，如超過閾值 則進(jìn)行矯正。
全文摘要
本發(fā)明公開了一種非線性激光熒光光譜實時識別方法，包括以下步驟學(xué)習(xí)樣本光譜和測試樣本光譜分類，感興趣區(qū)域ROI提取，光譜預(yù)處理，利用離散曲波變換進(jìn)行熒光譜特征提取，形成特征向量，構(gòu)建i個類別的支持向量機，分類識別測試結(jié)果。本發(fā)明采用支持向量機的分類方法，不依賴大樣本訓(xùn)練，輸入向量為曲波分解后的低頻系數(shù)部分，訓(xùn)練樣本少，支持向量數(shù)量大幅降低，從而縮短運算時間，使方法具有實時性。本發(fā)明采用的二代曲波變換基于新的支持框架，對具有奇異性的曲線函數(shù)，可以提供高效、穩(wěn)定、逼近“最優(yōu)”的稀疏表示，與傳統(tǒng)方法比較，更為有效，識別率更高。本發(fā)明可識別數(shù)據(jù)格式和圖像格式的光譜樣本，具有較好的適應(yīng)性。
文檔編號G01N21/64GK101839858SQ20101017343
公開日2010年9月22日 申請日期2010年5月13日 優(yōu)先權(quán)日2010年5月13日
發(fā)明者李穎, 陳澎 申請人:大連海事大學(xué)