一种非线性激光荧光光谱实时识别方法

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。

主权项

1.一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[0，1]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c_jlk，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$\hat{f}[n_1,n_2]---\left(1\right)$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$\hat{f}[n_1,n_2-n_1{\tan \theta }_l]---\left(2\right)$式中，θ_l为旋转角度MX-5(n₁，n₂)∈P_j＝{(n₁，n₂)：n_1，0≤n₁＜n_1，0+L_1j，n_2，0≤n₂＜n_2，0+L_2j}D3、用抛物窗乘以被插值的对象得到${\tilde{f}}_{\mathrm{jl}}[n_1,n_2]=W\left({\tilde{U}}_{\mathrm{ij}}\hat{f}\right)[n_1,n_2]---\left(3\right)$其中，0≤n₁＜L_1j，0≤n₂＜L_2j，-π/4≤θ≤π/4，L₁、L₂分别为平行四边形P_j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$c_{\mathrm{jlk}}=\underset{n_1,n_2\in P_j}{\Sigma }\hat{f}[n_1,n_2-n_1\tan {\theta }_l]\tilde{U}[n_1,n_2]e^{i2\pi (k_1{n}_1/L_{1j}+k_2{n}_2/L_{2j})}---\left(4\right)$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＝[c_11k，c_21k，...，c_jlk]        (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。