基于光谱抽样直方图的超光谱降维匹配方法及系统

摘要

本发明提供一种基于光谱抽样直方图的超光谱降维匹配方法及系统，包括对待匹配光谱和光谱库中的所有光谱分别进行归一化处理，分别获取归一化后的待匹配光谱和光谱库中所有光谱的抽样直方图，计算待匹配光谱的抽样直方图与光谱库中所有光谱的抽样直方图的欧氏距离，在光谱库中选取与待匹配光谱抽样直方图欧氏距离最小的一条光谱作为匹配对象。本发明通过对归一化后的光谱使用等间距的窄带进行抽样，从而获得维数远小于原始光谱的抽样直方图，完成了光谱的降维，然后使用降维后的抽样直方图代替原始光谱进行匹配，显著降低了后续匹配时的运算量，同时在抽样时利用分段提取的方法保留了光谱图中的相对位置信息，提高了匹配的精度。

主权项

一种基于光谱抽样直方图的超光谱降维匹配方法，其特征在于，包括以下步骤：步骤1，光谱归一化，包括对待匹配光谱和光谱库中的所有光谱分别进行归一化处理，归一化公式如下，ρ_n＝(ρ‑ρ_min)/(ρ_max‑ρ_min)其中，ρ_n为归一化后的光谱辐射值，ρ为原始光谱的辐射值，ρ_max为该条原始光谱中辐射值的最大值，ρ_min为该条原始光谱中辐射值的最小值；步骤2，获取抽样直方图，包括分别获取归一化后的待匹配光谱和光谱库中所有光谱的抽样直方图，实现方式为对归一化后的待匹配光谱和归一化后的光谱库中任一光谱，按照相应归一化后的光谱图，分别执行以下操作，将归一化后的光谱图在整个超光谱波段范围平均划分为s段，s为预设参数；在归一化后的光谱图上作M条互相平行且等间隔的宽度为2d的水平窄带，M和d为预设参数，则M条窄带在s个不同波段内与归一化后的光谱图中光谱曲线相交的次数组成抽样直方图，用s×M维向量{α₁₁,α₁₂,…α_1M,…,α_s1,…,α_sM}表示，其中α_ij为第i个波段中第j条窄带与光谱曲线相交的次数，i＝1，2，…，s，j＝1，2，…，M；步骤3，计算欧氏距离，包括计算待匹配光谱的抽样直方图与光谱库中所有光谱的抽样直方图的欧氏距离，设光谱库中有N条光谱，则分别计算得到待匹配光谱与光谱库中每条光谱抽样直方图的欧氏距离ED_k，k＝1，…，N，实现方式为对待匹配光谱的抽样直方图与光谱库中任一光谱的抽样直方图计算欧氏距离如下，设A′＝{α′₁₁,α′₁₂,…α′_1M,…α′_s1,…α′_sM}为待匹配光谱的抽样直方图，α′_ij为待匹配光谱相应第i个波段中第j条窄带与光谱曲线相交的次数，A″＝{α″₁₁,α″₁₂,…α″_1M,…α″_s1,…α″_sM}为光谱库中任意一条光谱的抽样直方图，α″_ij为光谱库中任意一条光谱相应第i个波段中第j条窄带与光谱曲线相交的次数，计算欧氏距离的公式为，$ED(A^{\prime },A^{\prime \prime })=\sqrt{\underset{i=1}{\overset{s}{\Sigma }}\underset{j=1}{\overset{M}{\Sigma }}{({\alpha }_{ij}^{\prime }-{\alpha }_{ij}^{\prime \prime })}^2}$步骤4，光谱匹配，包括在光谱库中选取与待匹配光谱抽样直方图欧氏距离最小的一条光谱作为匹配对象。