基于散射光譜的目標材質分類識別研究

李龍 孟令鵬 陸旭 譚勇

摘 要 基于散射光譜的材質分類識別是模式識別領域的典型問題之一，同時在目標材質的證認以及結構研究等方面有重要的應用潛力。本文測量了四種樣品在不同探測條件下散射光譜，結合光譜線型特征，采用線性相關度理論提取散射光譜在不同波段上的特征，按照徑向基函數神經網絡方法，進行材質種類的分類識別。結果表明該方法在空間目標材質分析和識別研究等方面有借鑒意義。

【關鍵詞】散射光譜 分類識別 雙向反射分布函數 徑向基函數

1 理論分析

散射光特性通常用雙向反射分布函數（BRDF）表述，散射光譜包含被測物體的結構、材質、形貌面積等重要特征信息，在同一觀測條件下，被測目標光譜特征是與雙向反射分布函數中的入射角，入射方位角，散射角，散射方位角，入射波長以及光譜數值強度等相關的函數。BRDF能夠有效反映目標的材質，結構，特征等信息，并且能識別空間碎片的類別、對空間點目標的特征提取與識別。人工神經網絡可處理復雜的非線性的或無明確數學表達式的體系，在光譜分析與分類識別領域應用廣泛。徑向基函數能夠解決多變量差值問題和高維中曲線擬合問題，而且具有在高維數據空間中解決低維空間中的條件，因為RBF神經網絡的隱層空間的維數很高，隱層空間的維數與神經網絡的性能有關：維數越高，函數的逼近精度越高，更能有效的逼近需要學習的函數。本文利用RBF網絡算法，針對散射光譜數據，提出了對不同樣品材質進行識別的新方法。首先，根據雙向反射分布函數、線性相關性理論，測量了不同探測條件下四種不同材質的樣品表面散射光譜。為解決樣品光譜線形重疊及儀器噪聲造成的識別率低與計算時間長等問題，按照不同特征波段相關度的散射光譜數據作為網絡特征參數，訓練、學習，最后實現樣品材質的識別。

2 實驗過程與結果

實驗儀器主要包括太陽光模擬器，光譜探測系統中的海洋QE65PRO光譜儀，五維角度控制系統，標定系統望遠聚光系統、光纖、數據記錄計算機，激光筆和聚四氟乙烯標準板等。整個實驗過程在暗室中進行，除太陽模擬器外無其他光源。實驗測得數據經過預處理后，調用Matlab進行網絡訓練，其中訓練網絡閾值為0.8，網絡參數為0.95時訓練效果比較好，選取剩余的光譜數據進行試驗。如表1所示，選取相關度低的386-506nm波段，比總波段下的三種樣品識別率分別提高了1.39%、 6.57%、 8.70%，B板的識別率均為100%，無提升空間。從而得到在選取有效波段下能夠節省時間，并得到比較準確的分類識別結果。

3 結論

本文結合散射光譜技術和徑向基函數神經網絡研究了樣本散射光譜的分類識別。測量了樣品在可見光波段的散射光譜，結合光譜線型特征，采用線性相關度理論和徑向基神經網絡實現了對不同散射光譜的特征提取，進行分類識別。結果表明，在350-750nm波段的識別準確率可達91%，通過采用特征波段相關度方法，提取不同波段上具有明顯特征的光譜，如特征波段385-506nm時，識別準確率大于98%，提高了7%。通過相關度法先取特征波段，提高了準確率，且利用散射光譜技術對未知目標狀態進行分類識別，具有可操作性和適用性，具有區別于其他方法的優越性和實用性，可為目標基于光學識別領域提供技術支持。

參考文獻

[1]F.E.Nicodemus.Directional reflectance and emissivity of an opaque surface[J].Appl.Opt.，1965，4（7）：767-773

[2]Yuan Y，Sun C M，Zhang X B，et al. Analysis of influence of attitude variationon visible characteristics of space target[J].Acta Optica Sinica，2010，30（9）：2748-2752.（in Chinese）.

[3]宋薇，蔡紅星，譚勇等人.基于散射光譜的空間碎片分類研究[J].光譜學與光譜分析，2015，35（6）：1464-1468.

[4]孫成明，趙飛，袁艷.基于光譜的天基空間點目標特征提取與識別[J].物理學報2015，64（3）：034202.

[5]Sergios Theodoridis，Konstantinos Koutroumbas.Pattemrn Recognition and Neural Networks[J].Lecture Notes in Computer Science，2001，20（9）：67-69.

作者單位

長春理工大學 吉林省長春市 130000