基于散射光谱的目标材质分类识别研究

李龙 孟令鹏 陆旭 谭勇

摘 要 基于散射光谱的材质分类识别是模式识别领域的典型问题之一，同时在目标材质的证认以及结构研究等方面有重要的应用潜力。本文测量了四种样品在不同探测条件下散射光谱，结合光谱线型特征，采用线性相关度理论提取散射光谱在不同波段上的特征，按照径向基函数神经网络方法，进行材质种类的分类识别。结果表明该方法在空间目标材质分析和识别研究等方面有借鉴意义。

【关键词】散射光谱 分类识别 双向反射分布函数 径向基函数

1 理论分析

散射光特性通常用双向反射分布函数（BRDF）表述，散射光谱包含被测物体的结构、材质、形貌面积等重要特征信息，在同一观测条件下，被测目标光谱特征是与双向反射分布函数中的入射角，入射方位角，散射角，散射方位角，入射波长以及光谱数值强度等相关的函数。BRDF能够有效反映目标的材质，结构，特征等信息，并且能识别空间碎片的类别、对空间点目标的特征提取与识别。人工神经网络可处理复杂的非线性的或无明确数学表达式的体系，在光谱分析与分类识别领域应用广泛。径向基函数能够解决多变量差值问题和高维中曲线拟合问题，而且具有在高维数据空间中解决低维空间中的条件，因为RBF神经网络的隐层空间的维数很高，隐层空间的维数与神经网络的性能有关：维数越高，函数的逼近精度越高，更能有效的逼近需要学习的函数。本文利用RBF网络算法，针对散射光谱数据，提出了对不同样品材质进行识别的新方法。首先，根据双向反射分布函数、线性相关性理论，测量了不同探测条件下四种不同材质的样品表面散射光谱。为解决样品光谱线形重叠及仪器噪声造成的识别率低与计算时间长等问题，按照不同特征波段相关度的散射光谱数据作为网络特征参数，训练、学习，最后实现样品材质的识别。

2 实验过程与结果

实验仪器主要包括太阳光模拟器，光谱探测系统中的海洋QE65PRO光谱仪，五维角度控制系统，标定系统望远聚光系统、光纤、数据记录计算机，激光笔和聚四氟乙烯标准板等。整个实验过程在暗室中进行，除太阳模拟器外无其他光源。实验测得数据经过预处理后，调用Matlab进行网络训练，其中训练网络阈值为0.8，网络参数为0.95时训练效果比较好，选取剩余的光谱数据进行试验。如表1所示，选取相关度低的386-506nm波段，比总波段下的三种样品识别率分别提高了1.39%、 6.57%、 8.70%，B板的识别率均为100%，无提升空间。从而得到在选取有效波段下能够节省时间，并得到比较准确的分类识别结果。

3 结论

本文结合散射光谱技术和径向基函数神经网络研究了样本散射光谱的分类识别。测量了样品在可见光波段的散射光谱，结合光谱线型特征，采用线性相关度理论和径向基神经网络实现了对不同散射光谱的特征提取，进行分类识别。结果表明，在350-750nm波段的识别准确率可达91%，通过采用特征波段相关度方法，提取不同波段上具有明显特征的光谱，如特征波段385-506nm时，识别准确率大于98%，提高了7%。通过相关度法先取特征波段，提高了准确率，且利用散射光谱技术对未知目标状态进行分类识别，具有可操作性和适用性，具有区别于其他方法的优越性和实用性，可为目标基于光学识别领域提供技术支持。

参考文献

[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，蔡红星，谭勇等人.基于散射光谱的空間碎片分类研究[J].光谱学与光谱分析，2015，35（6）：1464-1468.

[4]孙成明，赵飞，袁艳.基于光谱的天基空间点目标特征提取与识别[J].物理学报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.

作者单位

长春理工大学 吉林省长春市 130000