一种同形不同材质目标的红外宽光谱分类方法及系统

技术领域

本发明属于红外光电成像与目标分类识别技术领域，更具体地，涉及一种同形不同材质目标的红外宽光谱分类方法及系统。

背景技术

对于地球表面和大气中的任何目标，在反射、散射和透射太阳辐射及目标自身辐射的过程中，都会产生由其自身性质和环境相互作用产生的光谱特征，对目标光谱信息中的特征进行综合有效利用，能有效提高目标检测和识别性能。

目前常用的一维光谱序列分类方法有最近邻、逻辑回归、朴素贝叶斯、决策树、支持向量机和神经网络等。这些方法在理论上能实现一维光谱序列的分类任务。但红外信号能量弱，易受干扰，所以光谱的预处理工作相当重要，其直接影响到定标模型的质量及应用范围。常规的去噪和基线校正方法，如小波变换、导数法、插值和多项式拟合等需要根据不同光谱的特点及时调整算法的基函数、分解层数以及重构信号的方式等，参数的设置不具备先验性，对于谱峰尖锐、波形变换剧烈的光谱很难实现最优预处理，使其对分类结果的准确性以及模型的可应用性产生影响，导致泛化能力的降低。并且目前光谱采集设备的波段仅在0.4um～2.5um，其波段窄，在常温环境下，其常温目标(100℃以下)没有近红外和短波的辐射能力，难以采集到目标由自身特征决定的光谱特征。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种同形不同材质目标的红外宽光谱分类方法及系统，旨在解决现有的对于谱峰尖锐、波形变换剧烈的光谱难以实现最优预处理，使其对分类结果的准确性以及模型的可应用性产生影响，导致泛化能力的降低的问题。

为实现上述目的，一方面，本发明提供了一种同形不同材质目标的红外宽光谱分类方法，包括如下步骤：

S1：将一维离散光谱信号归一化到0-1范围内；

S2：对归一化处理后的一维离散光谱信号进行EMD分解，将归一化处理后的一维离散光谱信号分解出l个光谱的本征模态信号IMF

S3：将l个光谱的本征模态信号通过三次样条插值，使每个波长对应得到i个总本征模态信号，获取n×i大小的光谱信号插值矩阵；其中，n为一维离散光谱信号的个数；

S4：根据光谱信号插值矩阵与归一化后的一维离散光谱信号计算全光谱权重矩阵，将n×i大小的光谱信号插值矩阵与全光谱权重矩阵逐元素相乘，获取光谱特征矩阵；

S5：将光谱特征矩阵输入至光谱分类模型中获取光谱类别；其中，光谱分类模型为神经网络模型；其中，光谱分类模型为经过若干同形不同材质目标对应的光谱特征矩阵输入神经网络模型中进行光谱分类训练得到的。

进一步优选地，一维离散光谱信号的波段范围从近红外到长波红外。

进一步优选地，S2具体包括以下步骤：

S2.1：令f(λ)＝s'(λ)，找到信号f(λ)中所有的局部极大值点和局部极小值点；其中，s'(λ)为归一化处理后的一维离散光谱信号s'(λ),λ∈{λ

S2.2：利用f(λ)的局部极大值点和局部极小值点采用三次样条插值方式构造f(λ)信号的上包络线f

S2.3：根据f(λ)与f(λ)上下包络线的均值计算第一中间信号h

S2.4：若第一中间信号极值点的个数和过零点的个数小于等于1，且第一中间信号的上下包络线的平均值小于预设阈值的条件，则将第一中间信号作为第一本征模态信号，转至S2.5；否则，令f(λ)＝h

S2.5：通过信号f(λ)与本征模态信号IMF

进一步优选地，S3具体包括以下步骤：

S3.1：基于波长λ中的某个λ

S3.2：根据插值中间信号g

S3.3：重复S3.1～S3.2，直至遍历波长λ中所有的值，通过插值使每个波长对应得到i个总本征模态，获取n×i大小的光谱信号插值矩阵。

进一步优选地，S4具体包括以下步骤：

S4.1：将归一化处理后的一维离散光谱信号划分成短波谱段的离散光谱信号、中波谱段的离散光谱信号、长波谱段的离散光谱信号以及大气窗口外谱段的离散光谱信号；并将n×i大小的光谱信号插值矩阵采用短波谱段的光谱信号插值矩阵、中波谱段的光谱信号插值矩阵、长波谱段的光谱信号插值矩阵以及大气窗口外谱段的光谱信号插值矩阵表示；

S4.2：采用短波谱段的离散光谱信号与光谱信号插值矩阵计算短波谱段的中间权重矩阵；采用中波谱段的离散光谱信号与光谱信号插值矩阵计算中波谱段的中间权重矩阵；采用长波谱段的离散光谱信号与光谱信号插值矩阵计算长波谱段的中间权重矩阵；采用大气窗口外谱段的离散光谱信号与光谱信号插值矩阵计算大气窗口外谱段的中间权重矩阵；

S4.3：分别采用短波谱段、中波谱段、长波谱段和大气窗口外谱段的中间权重矩阵进行矩阵扩充，获取短波谱段、中波谱段、长波谱段和大气窗口外谱段的最终权重矩阵；其中，短波谱段、中波谱段、长波谱段和大气窗口外谱段的最终权重矩阵分别与短波谱段、中波谱段、长波谱段和大气窗口外谱段的光谱信号插值矩阵的维度一致；

S4.4：将短波谱段、中波谱段、长波谱段和大气窗口外谱段的最终权重矩阵进行组合，获取全光谱权重矩阵；

S4.5：将光谱信号插值矩阵与全光谱权重矩阵逐元素相乘，得到光谱特征矩阵。

进一步优选地，神经网络模型顺次包括：1*1卷积层，全连接层，ReLU激活层，全连接层，ReLU激活层，全连接层，ReLU激活层，全连接层，ReLU激活层。

另一方面，本发明提供了一种同形不同材质目标的红外宽光谱分类系统，包括：

归一化处理模块，用于将一维离散光谱信号归一化到0-1范围内；

EMD分解模块，用于对归一化处理后的一维离散光谱信号进行EMD分解，将归一化处理后的一维离散光谱信号分解出l个光谱的本征模态信号IMF

三次样条插值处理模块，用于将l个光谱的本征模态信号通过三次样条插值，使每个波长对应得到i个总本征模态信号，获取n×i大小的光谱信号插值矩阵；其中，n为一维离散光谱信号的个数；

光谱特征矩阵获取模块，用于根据光谱信号插值矩阵与归一化后的一维离散光谱信号计算全光谱权重矩阵，将n×i大小的光谱信号插值矩阵与全光谱权重矩阵逐元素相，获取光谱特征矩阵；

光谱分类模块，用于将光谱特征矩阵输入至光谱分类模型中获取光谱类别；其中，光谱分类模型为经过若干同形不同材质目标对应的光谱特征矩阵输入神经网络模型中进行光谱分类训练得到的。

进一步优选地，一维离散光谱信号的波段范围从近红外到长波红外。

进一步优选地，EMD分解模块包括：

f(λ)信号分析单元，用于令f(λ)＝s'(λ)或f(λ)＝h

f(λ)上下包络线均值计算单元，用于利用f(λ)的局部极大值点和局部极小值点采用三次样条插值方式构造f(λ)信号的上包络线f

条件判定单元，用于根据f(λ)与f(λ)上下包络线的均值计算第一中间信号h

第一本征模态信号获取单元，用于若第一中间信号极值点的个数和过零点的个数小于等于1，且第一中间信号的上下包络线的平均值小于预设阈值的条件，则将第一中间信号作为第一本征模态信号；否则，驱动f(λ)信号分析单元令f(λ)＝h

其他本征模态信号获取单元，用于通过信号f(λ)与本征模态信号IMF

进一步优选地，三次样条插值处理模块具体执行过程为：

基于波长λ中的某个λ

进一步优选地，所述光谱特征矩阵获取模块包括：

矩阵拆分单元，用于将归一化处理后的一维离散光谱信号划分成短波谱段的离散光谱信号、中波谱段的离散光谱信号、长波谱段的离散光谱信号以及大气窗口外谱段的离散光谱信号；并将n×i大小的光谱信号插值矩阵采用短波谱段的光谱信号插值矩阵、中波谱段的光谱信号插值矩阵、长波谱段的光谱信号插值矩阵以及大气窗口外谱段的光谱信号插值矩阵表示；

中间权重矩阵计算单元，用于采用短波谱段的离散光谱信号与光谱信号插值矩阵计算短波谱段的中间权重矩阵；采用中波谱段的离散光谱信号与光谱信号插值矩阵计算中波谱段的中间权重矩阵；采用长波谱段的离散光谱信号与光谱信号插值矩阵计算长波谱段的中间权重矩阵；采用大气窗口外谱段的离散光谱信号与光谱信号插值矩阵计算大气窗口外谱段的中间权重矩阵；

最终权重矩阵计算单元，用于分别采用短波谱段、中波谱段、长波谱段和大气窗口外谱段的中间权重矩阵进行矩阵扩充，获取短波谱段、中波谱段、长波谱段和大气窗口外谱段的最终权重矩阵；其中，短波谱段、中波谱段、长波谱段和大气窗口外谱段的最终权重矩阵分别与短波谱段、中波谱段、长波谱段和大气窗口外谱段的光谱信号插值矩阵的维度一致；

矩阵组合单元，用于将短波谱段、中波谱段、长波谱段和大气窗口外谱段的最终权重矩阵进行组合，获取全光谱权重矩阵；

矩阵相乘单元，用于将光谱信号插值矩阵与全光谱权重矩阵逐元素相乘，得到光谱特征矩阵。

进一步优选地，神经网络模型顺次包括：1*1卷积层，全连接层，ReLU激活层，全连接层，ReLU激活层，全连接层，ReLU激活层，全连接层，ReLU激活层。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下

有益效果：

本发明了提供了一种同形不同材质目标的红外宽光谱分类方法，通过对光谱分解出的本征模态信号进行插值与局部加权抑制的方式(更为具体地，基于波长λ中的某个λ

附图说明

图1是本发明实施例提供的同形不同材质目标的红外宽光谱分类方法流程图；

图2是本发明实施例提供的对某一波长进行拟合的示意图；

图3是本发明实施例提供的插值结果示意图；

图4是本发明实施例提供的一维光谱矩阵扩展示意图；

图5是本发明实施例提供的网络结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

金属材质目标的组成是(由内及外)不同质、不同温的，其热红外图像会展现出纹理；高分子材料目标的组成(由内空气及薄膜高分子类材料)，是同质、同温的(除局部热源)，其热红外图像缺失纹理信息。金属材质目标作为真目标；高分子材料目标作为假目标；真、假目标反射、吸收对应的相邻极值谱点位置不同，金属材质目标内部通常有分布式热源，比热容相对较大，其质量较大，内部热能量经内部结构向外壳传递，并辐射出去，因此真目标辐射出的总光谱除了外部反射与吸收的光谱能量还包含自身的辐射光谱。而高分子材料目标内部无分布式热源，其辐射出的光谱只包含反射与吸收的光谱能量。因此金属材质目标与高分子材质的目标由于分量不同而不同；假目标内部充气，比热容不同，和周围环境交换物质能量的快慢不同。金属材质目标其质量(密度)大，结构复杂，特别内部金属结构复杂，热容量大，内部存在复杂的空间变化的热场和温度场，与外界能量交换复杂，独特。

高分子材料目标其质量及密度小，结构简单，由表皮化学薄膜材料和内部空气构成，特别是内部的空气，热容量小，内部热场和相应温度场均匀，与外界能量交换简单。能量交换反映为对外界环境入射到金属、高分子材料目标的光谱能量，分别为反射(散射)和吸收两个分量。环境对金属、高分子材料目标入射光谱能量相同，金属材料目标吸收光谱能量的能力大概率强于高分子材料目标，反射能力弱于高分子材料目标，所以金属材料目标的光谱曲线显著区别于高分子材料的光谱曲线。

基于上述金属材料目标和高分子材料目标的光谱曲线的不同，如图1所示，其中本发明专利中的光谱数据采集设备使用自研的图谱关联设备，能够采集的波段范围从近红外到长波红外即1.7um～14um，本发明实施例提供了一种同形不同材质目标的红外宽光谱分类方法，包括以下步骤：

S1：对光谱信号归一化到0-1范围内；若一维离散光谱信号为s(λ),λ∈{λ

S1.1：找到光谱信号中的最大值s

S1.2：归一化得到

S2：对归一化处理后的光谱信号s'(λ)进行EMD分解，通过EMD分解，将归一化处理后的一维离散光谱信号s'(λ),λ∈{λ

S2.1：找到信号f(λ)所有的局部极大值点和局部极小值点；

S2.2：对f(λ)的局部极大值点和局部极小值点采用三次样条插值方式构造信号的上包络线f

S2.3：计算得到第一中间信号h(λ)＝f(λ)-m(λ)，统计第一中间信号h(λ)极值点的个数和过零点的个数，判断极值点个数与过零点个数的差值是否满足小于等于1的条件；通过三次样条插值方式构造由第一中间信号h(λ)局部极大值点形成的上包络线h

S2.4：若第一中间信号h(λ)满足S2.3中的两个条件，则得到第一个本征模态信号IMF

S2.5：通过信号f(λ)与本征模态信号IMF

S3：由于每个光谱信号间存在差异，所以不同光谱信号分解出的本征模态信号数量不定，故需要对分解出的本征模态信号中通过三次样条插值得到固定数量的本征模态信号；更为具体地：

通过S2，将光谱信号s'(λ)分解出l个本征模态信号IMF

S3.1：对波长λ中的某个λ

S3.2：根据插值中间信号g

S3.3：重复S3.1～S3.2，直至遍历波长λ中所有的值，即可得到IMFc

S4：通过上述两个步骤将光谱信号分解成多个特征信号，即从大小为n×1的光谱信号矩阵，扩展至n×i大小的矩阵S，如图4所示；然后将光谱信号插值矩阵S与全光谱权重矩阵A逐元素相乘，最终得到光谱特征矩阵T＝S·*A；在实际应用中会将大小为n×1的光谱信号矩阵，固定扩展至n×10大小的矩阵S。其权重矩阵A的计算具体包括以下步骤：

S4.1：由于光谱数据的采集范围在1.7um～14um，其谱段范围包括了短波谱段λ

S4.2：计算短波谱段的中间权重矩阵M

其中“.*”表示矩阵中相同位置元素逐一相乘，“./”表示矩阵中相同位置元素逐一相除，“sqrt()”表示矩阵中的元素逐一开方；

S4.3：令矩阵A'

S4.4：同理可计算出中波谱段的最终权重矩阵A

S5：通过上述步骤得到的光谱特征矩阵序列随机划分为训练集和验证集，输入到如图5所示的神经网络进行训练并分类，神经网络输出为目标材质的类型；若光谱数据集由金属材质同型目标和化工材质同型目标组成，则神经网络输出即为金属材质和化工材质；其中，神经网络模型的结构为：1*1卷积层，其输入通道数为10，输出通道数为1；全连接层，输入大小为n，输出大小为256；ReLU激活层；全连接层，输入大小为256，输出大小为64；ReLU激活层；全连接层，输入大小为64，输出大小为16；ReLU激活层；全连接层，输入大小为16，输出大小为所采集的目标材质类型的种类数；ReLU激活层。

至此，通过上述所有的步骤即完成了同形不同材质目标的高分辨率红外宽光谱分类。

另一方面，本发明提供了一种同形不同材质目标的红外宽光谱分类系统，包括：

归一化处理模块，用于将一维离散光谱信号归一化到0-1范围内；

EMD分解模块，用于对归一化处理后的一维离散光谱信号进行EMD分解，将归一化处理后的一维离散光谱信号分解出l个光谱的本征模态信号IMF

三次样条插值处理模块，用于将l个光谱的本征模态信号通过三次样条插值，使每个波长对应得到i个总本征模态信号，获取n×i大小的光谱信号插值矩阵；其中，n为一维离散光谱信号的个数；

光谱特征矩阵获取模块，用于根据光谱信号插值矩阵与归一化后的一维离散光谱信号计算全光谱权重矩阵，将n×i大小的光谱信号插值矩阵与全光谱权重矩阵逐元素相，获取光谱特征矩阵；

光谱分类模块，用于将光谱特征矩阵输入至光谱分类模型中获取光谱类别；其中，光谱分类模型为经过若干同形不同材质目标对应的光谱特征矩阵输入神经网络模型中进行光谱分类训练得到的。

进一步优选地，一维离散光谱信号的波段范围从近红外到长波红外。

进一步优选地，EMD分解模块包括：

f(λ)信号分析单元，用于令f(λ)＝s'(λ)或f(λ)＝h

f(λ)上下包络线均值计算单元，用于利用f(λ)的局部极大值点和局部极小值点采用三次样条插值方式构造f(λ)信号的上包络线f

条件判定单元，用于根据f(λ)与f(λ)上下包络线的均值计算第一中间信号h

第一本征模态信号获取单元，用于若第一中间信号极值点的个数和过零点的个数小于等于1，且第一中间信号的上下包络线的平均值小于预设阈值的条件，则将第一中间信号作为第一本征模态信号；否则，驱动f(λ)信号分析单元令f(λ)＝h

其他本征模态信号获取单元，用于通过信号f(λ)与本征模态信号IMF

进一步优选地，三次样条插值处理模块具体执行过程为：

基于波长λ中的某个λ

进一步优选地，所述光谱特征矩阵获取模块包括：

矩阵拆分单元，用于将归一化处理后的一维离散光谱信号划分成短波谱段的离散光谱信号、中波谱段的离散光谱信号、长波谱段的离散光谱信号以及大气窗口外谱段的离散光谱信号；并将n×i大小的光谱信号插值矩阵采用短波谱段的光谱信号插值矩阵、中波谱段的光谱信号插值矩阵、长波谱段的光谱信号插值矩阵以及大气窗口外谱段的光谱信号插值矩阵表示；

中间权重矩阵计算单元，用于采用短波谱段的离散光谱信号与光谱信号插值矩阵计算短波谱段的中间权重矩阵；采用中波谱段的离散光谱信号与光谱信号插值矩阵计算中波谱段的中间权重矩阵；采用长波谱段的离散光谱信号与光谱信号插值矩阵计算长波谱段的中间权重矩阵；采用大气窗口外谱段的离散光谱信号与光谱信号插值矩阵计算大气窗口外谱段的中间权重矩阵；

最终权重矩阵计算单元，用于分别采用短波谱段、中波谱段、长波谱段和大气窗口外谱段的中间权重矩阵进行矩阵扩充，获取短波谱段、中波谱段、长波谱段和大气窗口外谱段的最终权重矩阵；其中，短波谱段、中波谱段、长波谱段和大气窗口外谱段的最终权重矩阵分别与短波谱段、中波谱段、长波谱段和大气窗口外谱段的光谱信号插值矩阵的维度一致；

矩阵组合单元，用于将短波谱段、中波谱段、长波谱段和大气窗口外谱段的最终权重矩阵进行组合，获取全光谱权重矩阵；

矩阵相乘单元，用于将光谱信号插值矩阵与全光谱权重矩阵逐元素相乘，得到光谱特征矩阵。

进一步优选地，神经网络模型顺次包括：1*1卷积层，全连接层，ReLU激活层，全连接层，ReLU激活层，全连接层，ReLU激活层，全连接层，ReLU激活层。综上所述，本发明与现有技术相比，存在以下优势：

本发明了提供了一种同形不同材质目标的红外宽光谱分类方法，通过对光谱分解出的本征模态信号进行插值与局部加权抑制的方式(更为具体地，基于波长λ中的某个λ

领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。