专利名称：一种非线性激光荧光光谱实时识别方法
技术领域：
本发明涉及一种荧光光谱的实时识别技术，特别是一种非线性激光荧光光谱实时识别方法。
背景技术：
机载激光雷达通过发射固定波长的紫外波段激光激励海面溢油油膜产生荧光，通 过望远镜收集激发的荧光制成荧光光谱。由于不同石油产品中所含有荧光基质的种类及各 类基质的比例不同，每种基质均可发射其特有的荧光光谱，由一定波长的紫外激光激励下 发射的荧光谱通常具有不同的强度和形状，因此根据光谱特征可识别溢油的种类。但通过 人眼识别，需要丰富的经验，且耗费时间较长。公知的一些荧光光谱实时识别方法有保持投影法(Locality PreservingProiection，LPP)、主成分分析法(PCA)、核主成分分析(KPCA)以及二维主成分 分析方法(2DPCA)等，但这些方法的一个共同特点就是需大样本支持，且训练时间长，判别 效率也不十分理想。小波变换是一种非常优秀的、具有较强时、频局部分析功能的非平稳信号分析方 法，目前已广泛应用于许多研究领域，并取得了较好的应用效果。小波变换在表示具有点奇 异性的目标函数时是最优基，而在边缘表示时，小波变换和傅里叶变换均不是最优基。曲波 变换不但保留小波变换方法多尺度的特点，而且还具有各向异性特点，可以很好地逼近奇 异曲线，其在图像处理的某些能力略优于小波变换。支持向量基是从线性可分情况下的最优分类面发展而来的，它对解决小样本学 习、非线性及高维模式识别等问题表现出特殊的优势。但目前关于利用曲波变换的支持向量基非线性激光荧光光谱实时识别方法未见 公开报道。
发明内容
为解决现有技术存在的上述问题，本发明的目的是要提出一种利用曲波变换的支 持向量基非线性激光荧光光谱实时识别方法，以提高其实时性、识别率和适应性。为了实现上述目的，本发明的技术方案如下一种非线性激光荧光光谱实时识别 方法，通过计算机对机载激光雷达发射固定波长的紫外波段激光激励海面溢油油膜产生的 荧光光谱进行处理，以快速、准确的识别荧光光谱所代表的油品，具体包括以下步骤A、将机载激光荧光雷达获取的溢油油膜荧光光谱数据分为两类一类是已经知道 的油品的荧光光谱数据，并作为有标识的学习样本光谱；另一类是未知油品的荧光光谱数 据，并作为无标识的测试样本光谱；B、感兴趣区域ROI提取截取光谱数据的荧光波段，其余波段均滤去；其方法是从 数据头开始逐行扫描，如遇到饱和量和空数据则删除这部分波段，最后得到只含有荧光信 息的光谱数据；提取感兴趣区域ROI的光谱数据包括学习样本和测试样本，并设样本类别数为i，学习样本总数量为n，测试样本总数量为m ；C、光谱预处理将感兴趣区域ROI提取的学习样本光谱和测试样本光谱数据，以 0 4通道共五个通道表示提取的波段，其强度分布范围转换为w，l]内；如果荧光光谱数 据是图像格式，先将图像格式转换为二值图像，背景为0，光谱特征为1，然后将图像大小尺 寸统一变换为pXp，并进行光谱位置矫正；D、特征提取利用离散曲波变换进行荧光谱特征提取，将步骤C得到的学习样本 光谱和测试样本光谱采用基于Unequispaced的快速离散曲波变换USFFT进行分解，获得曲 波变换系数qik，曲波分解尺度为3层，其过程如下D1、将预处理得到荧光光谱数据进行二维傅里叶变换，获得频率阵列f[nvn2](1)其中，-n/2<ni，n2<n/2，n为采样数；D2、对任一尺度参数j和方向参数1，插入以获得- tan6^](2)式中，Q1为旋转角度MX-5 (Ii1, n2) e Pj = {(η” n2) :nlj0 ^ Ii1 < Ii1 ^+Llj, n2,0 ^ n2 < n2j0+L2J}D3、用抛物窗乘以被插值的对象/得到
=(3)其中，0彡 Ii1 < Llj，0 彡 n2 < L2j，-π/4 < θ ( π/4，L”L2 分别为平行四边形 Pj 的边长；D4、对每一个进行二维逆向傅里叶变换后，得到离散曲波系数
Cjlk = Σ /h而 itar^phAK+WW、)(4)式中，k = (k1; k2) e Z2为空间位置Ε、形成特征向量曲波变换系数中的低频系数包含了重要的特征信息，将其组合 后进行变换形成特征向量C = [cllk, c21k, · · ·，cJlk] (5)F、构建i个类别的支持向量机，对i个支持向量机分别进行学习训练将所有学习 样本变换后形成的系数矩阵分别输入到i个支持向量机中单独进行训练；G、分类识别测试将测试光谱进行二代曲波变换后形成的低频系数矩阵分别输入 到训练好的i个支持向量机中，根据输出结果即可获得光谱识别分类结果。本发明步骤C所述的光谱位置矫正包括以下步骤逐帧扫描整个图像确定当前光 谱曲线的位置与标准光谱曲线位置的偏差，然后根据预设的偏差阈值来确定当前图像是否 偏差过大，如超过阈值则进行矫正。与现有技术相比，本发明具有以下有益效果
1、本发明采用支持向量机的分类方法，不依赖大样本训练，输入向量为曲波分解 后的低频系数部分，训练样本少，支持向量数量大幅降低，从而缩短运算时间，使方法具有 实时性，采用英特尔Pentium D 3. 40GHz处理器，IG内存，其训练时间不超过20ms。2、本发明采用的二代曲波变换基于新的支持框架，对具有奇异性的曲线函数，可 以提供高效、稳定、逼近“最优”的稀疏表示，与传统方法比较，更为有效，识别率更高。3、本发明可识别数据格式和图像格式的光谱样本，对于图像数据进行位置判定，有效解决具有一定位置偏移、旋转的图像识别问题，具有较好的适应性。4、本发明提供一种实时识别激光荧光光谱方法，能够自动利用小样本快速、准确 的识别机载激光荧光雷达获取的光谱曲线为何种物质，如藻类、原油等。解决由人工识别所 带来的时效性差和准确度低等问题，为我国海事等相关部门监测海域情况，尤其是海洋溢 油污染，并及时制定相应处理方案，提供有力协助。
本发明共有附图6张，其中图1是非线性激光荧光光谱实时识别方法的流程框图。图2是样本位置偏移检测算法框图。图3是具有轻柴油标识的初始荧光光谱图。图4是具有润滑油标识的初始荧光光谱5是预处理后的轻柴油荧光光谱图。图6是预处理后的润滑油荧光光谱图。
具体实施例方式下面结合附图对本发明进行进一步地描述。实施例一图1是本发明的流程图，首先从油品库中选取30组共5类带有油品标识的荧光光 谱数据作为学习样本光谱，实测3组未知油品的激光荧光光谱数据作为测试样本光谱。图3、图4是分别具有30个学习样本光谱中带有轻柴油标识和润滑油标识的初始 荧光光谱图，提取有效的荧光波段作为感兴趣区域R0I，提取感兴趣区域的过程是从数据头 开始逐行扫描，如遇到饱和量和空数据则删除这部分波段，最后得到只含有荧光信息的光 谱数据。并将其强度归一化在W，l]范围内，整个提取的光谱用0 4波段共五个波段表 征，作为预处理学习样本光谱，如图5、图6所示。将所得光谱数据按照步骤D的步骤进行快速离散曲波变换，如果采用3层分解尺 度，其系数为
将得到分解系数C11, C21组合为特征系数矩阵C。将特征系数矩阵C作为特征向量，送入光谱样本库存储。这样将所有带标识的30个学习样本均进行如上步骤的处理。得到的系数矩阵送入光谱样本库存储，并从中抽取样本作为学习集。将3组测试样本光谱按照上述学习样本光谱处理方法处理得到系数矩阵作为测试集。构建5个类别的支持向量机，将前述所得学习集输入到构建的这5个支持向量机 训练学习，这里采用Sigmoid核函数K(Xi，Xj) = tanh(a (χ · y) + β )，作为支持向量机核函数。然后，将3个无标识的待测样本按照上述方法将曲波变换后的低频系数矩阵输入 到训练好的5个支持向量机，本发明采用Ι-a-r分类器(One-against-restclassifiers)， 即在第i类和其它i_l类之间构建超平面，每个支持向量机单独将其分离数据从其它分类 数据中识别出来。最后，根据输出结果获得荧光光谱的分类结果。实施例二 实施例二采用图像数据进行分类，对感兴趣区域ROI选取后的样本图像进行预处 理图像转换为二值图像，并将背景设为0、光谱特征设为1，然后将图像大小统一变换成 pXp。图2所示是光谱图像位置偏移矫正的过程，逐帧扫描预处理后的图像序列，遍历所 有子块，检查图像位置是否超出偏移值，如果图像位置偏移过大则重新进行感兴趣区域ROI 选取再继续检查，直到符合偏移条件，继续进行曲波变换，输入支持向量基训练，最终得到 分类结果。
权利要求
一种非线性激光荧光光谱实时识别方法，通过计算机对机载激光雷达发射固定波长的紫外波段激光激励海面溢油油膜产生的荧光光谱进行处理，以快速、准确的识别荧光光谱所代表的油品，其特征在于具体包括以下步骤A、将机载激光荧光雷达获取的溢油油膜荧光光谱数据分为两类一类是已经知道的油品的荧光光谱数据，并作为有标识的学习样本光谱；另一类是未知油品的荧光光谱数据，并作为无标识的测试样本光谱；B、感兴趣区域ROI提取截取光谱数据的荧光波段，其余波段均滤去；其方法是从数据头开始逐行扫描，如遇到饱和量和空数据则删除这部分波段，最后得到只含有荧光信息的光谱数据；提取感兴趣区域ROI的光谱数据包括学习样本和测试样本，并设样本类别数为i，学习样本总数量为n，测试样本总数量为m；C、光谱预处理将感兴趣区域ROI提取的学习样本光谱和测试样本光谱数据，以0～4通道共五个通道表示提取的波段，其强度分布范围转换为
内；如果荧光光谱数据是图像格式，先将图像格式转换为二值图像，背景为0，光谱特征为1，然后将图像大小尺寸统一变换为p×p，并进行光谱位置矫正；D、特征提取利用离散曲波变换进行荧光谱特征提取，将步骤C得到的学习样本光谱和测试样本光谱采用基于Unequispaced的快速离散曲波变换USFFT进行分解，获得曲波变换系数cjlk，曲波分解尺度为3层，其过程如下D1、将预处理得到荧光光谱数据进行二维傅里叶变换，获得频率阵列 <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为采样数；D2、对任一尺度参数j和方向参数1，插入以获得 <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>θ</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为旋转角度MX-5(n1，n2)∈Pj＝{(n1，n2)n1，0≤n1＜n1，0+L1j，n2，0≤n2＜n2，0+L2j}D3、用抛物窗乘以被插值的对象得到 <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分别为平行四边形Pj的边长；D4、对每一个进行二维逆向傅里叶变换后，得到离散曲波系数 <mrow><msub> <mi>c</mi> <mi>jlk</mi></msub><mo>=</mo><munder> <mi>Σ</mi> <mrow><msub> <mi>n</mi> <mn>1</mn></msub><mo>,</mo><msub> <mi>n</mi> <mn>2</mn></msub><mo>∈</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>θ</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>π</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为空间位置E、形成特征向量曲波变换系数中的低频系数包含了重要的特征信息，将其组合后进行变换形成特征向量C＝[c11k，c21k，...，cjlk](5)F、构建i个类别的支持向量机，对i个支持向量机分别进行学习训练将所有学习样本变换后形成的系数矩阵分别输入到i个支持向量机中单独进行训练；G、分类识别测试将测试光谱进行二代曲波变换后形成的低频系数矩阵分别输入到训练好的i个支持向量机中，根据输出结果即可获得光谱识别分类结果。FSA00000102218500012.tif,FSA00000102218500014.tif,FSA00000102218500015.tif,FSA00000102218500021.tif
2.根据权利要求1所述的一种非线性激光荧光光谱实时识别方法，其特征在于步骤C 所述的光谱位置矫正包括以下步骤逐帧扫描整个图像确定当前光谱曲线的位置与标准光 谱曲线位置的偏差，然后根据预设的偏差阈值来确定当前图像是否偏差过大，如超过阈值 则进行矫正。
全文摘要
本发明公开了一种非线性激光荧光光谱实时识别方法，包括以下步骤学习样本光谱和测试样本光谱分类，感兴趣区域ROI提取，光谱预处理，利用离散曲波变换进行荧光谱特征提取，形成特征向量，构建i个类别的支持向量机，分类识别测试结果。本发明采用支持向量机的分类方法，不依赖大样本训练，输入向量为曲波分解后的低频系数部分，训练样本少，支持向量数量大幅降低，从而缩短运算时间，使方法具有实时性。本发明采用的二代曲波变换基于新的支持框架，对具有奇异性的曲线函数，可以提供高效、稳定、逼近“最优”的稀疏表示，与传统方法比较，更为有效，识别率更高。本发明可识别数据格式和图像格式的光谱样本，具有较好的适应性。
文档编号G01N21/64GK101839858SQ20101017343
公开日2010年9月22日 申请日期2010年5月13日 优先权日2010年5月13日
发明者李颖, 陈澎 申请人:大连海事大学