2016-07-11 11:20:14 来源:互联网

用近红外高光谱图像区分不同品质的建筑涂料

  用近红外高光谱图像区分不同品质的建筑涂料

  蒋金豹,乔小军,何汝艳,田奋民

 

  【中国涂料采购网摘 要 市场上出售的建筑涂料品种繁多,型号和品质不尽相同。利用高光谱技术区分不同品质的建筑涂料。获取同一颜色四个不同品质、不同品牌建筑涂料(品牌 A,B,C,D)的近红外高光谱图像,利用 ANOVA(analysisofvariance)方法发现1283和2447nm 为区分四个品牌涂料的最优波段。构建比值指数 犚1283/犚2447并对其结果进行阈值分割,将分割结果与最大似然分类精度进行了对比。结果表明除品牌 C与 D 之间JM 距离外,其他涂料间JM 距离均大于1.8;而犚1283/犚2447指数分割精度最低为87.54%,相应最大似然分类精度为95.63%,其他品牌涂料阈值分割与最大似然分类精度均达到90%以上。因此,犚1283/犚2447指数能够较好地区分不同品牌的建筑涂料。该研究结果可为建筑涂料识别、装修质量验收、合格评定提供技术支持。

关键词 建筑涂料;近红外高光谱图像;ANOVA;区分

中图分类号:O657.3 文献标识码:

A 犇犗犐:10.3964/j.issn.10000593(2016)02037905

  引 言

      
市场上出售的建筑涂料品种繁多,型号和品质不尽相同。建筑涂料主要由粘结材料、颜料、填料、稀释剂等经一定工艺制造而成的产品,其中粘结材料的含量显著影响着涂料性能[1]。同一颜色的不同品牌、不同品质的建筑涂料,在可见光范围内具有十分相似的光谱特征,导致肉眼难以辨别,这就为涂料产品以假乱真和以次充好提供了可能。目前在建筑装修验收环节,涂料品质的优劣主要靠经验观察判断,尚缺乏一种快速可靠的检测方法。成像光谱技术能在肉眼观察(0.38~0.76μm)范围以外的波段区域内测量并记录待测物体的吸收和反射光谱响应及图像信息。因此,在可见光范围内具有相似或相近光谱特征的建筑涂料,在近红外范围内则有可能存在显著差异。张兵等[2]利用高光谱图像对北京亚运村建材市场屋顶材料进行了识别研究,结果表明高光谱遥感可以识别不同品种的涂料;并用同样的方法对奥体公园中心地区的天然草坪和人工草坪进行了有效识别[3]。武锋强等[4]利用波谱范围在0.4~1.0和1.3~2.5μm 的两种高光谱数据确定了古画中的颜料成分,结果与拉曼光谱检验一致。侯妙乐等[5]利用400~1000nm 的高光谱影像提取了壁画的底稿信息,恢复了模糊不清的底稿轮廓。Chang等已利用“HYDICEpanelscene”数据进行了诸多亚像元目标识别和  分类的相关研究[67]。上述研究显示了高光谱遥感技术在地物识别中具有优势。本研究尝试利用近红外成像光谱技术识别同一颜色不同品牌(品质不同)建筑涂料的可行性,为以后利用高光谱技术鉴定已装修好建筑物涂料类型与品质提供理论依据和技术方法支持。

1 实验部分

1.1 材料

        试验使用四个同一颜色(粉红色)不同品质、不同品牌的建筑涂料(分别为品牌 A,B,C,D)。将四种涂料均匀喷涂于同质涂料测试板上,待烘干后用于高光谱成像。四种涂料颜色、外观基本一致,肉眼难以分辨其差异。

1.2 图像数据获取

      采用ImSpectorN25E(SpectralImagingLtd,Finland)光谱仪获取成像高光谱数据,其为推扫式成像,自带光源,每次可获取320像元的一行数据,列数由物体的扫描长度决定。成像光谱范围在1000~2500nm(共239个波段),光谱分辨率约为6.3nm[8]。获取数据时瞬时视场角为100°。每次扫描成像同时获取物体的白板和暗电流数据。为了对比在可见光范围内四个品牌涂料的光谱特征,并利用美国SOC710VP成像光谱仪获取了上述四种涂料在400~1000nm 内共128个波段的高光谱数据,其光谱分辨率约  为4.69nm[9]。于2014年6月27日12:30在北京室外扫描成像,操作支架的高度为1.65m,视场角为12°,同样每次扫描成像同时获取暗电流和反射率参考版数据。

1.3 图像预处理

1.3.1 高光谱图像辐射校正


        为方便对比研究,将四种涂料从背景中裁剪出来并拼接为一张影像,拼接后每类涂料大小为310×310个像元,整幅影像共620×620个像元。利用反射率参考白板与暗电流数据按以下公式完成对高光谱图像进行辐射校正[10]。校正公式如下

式中:R为 校 正 后 的 高 光 谱 图 像 的 相 对 反 射 率,R∈ [0,100];Is为涂料原始高光谱 DN 值;Id是黑板的定标图像的DN 值;Iw 为白板定标图像的 DN 值。

1.3.2 高光谱图像平滑

        获取的可见光高光谱数据在400~1000nm 共128个波段,近红外高光谱影像在1000~2500nm 范围内共239个波段。光谱平滑技术(如移动平均值,SG 滤波,中值滤波和高斯滤波)可以用来消除光谱噪声[11]。可见光高光谱数据因只用来对比和近红外光谱之间的差异,所以未对其进行平滑处理。仅对近红外高光谱影像利用 5点平滑法进行光谱平滑,具体平滑公式[12]如下所示

      式中,Ri 为第i波段的反射率值,且i∈[2,237],犘平滑 为每个像元(Pixel)平滑后的光谱。
    工作中所有的图像处理操作均在 ENVI4.8(ExelisVisualInformationSolutions,Boulder,CO,USA),ArcGIS(EnvironmentalSystemsResearchInstitute,Inc.)以 及 MatlabR2010a(TheMathWorksInc.)环境下编写的计算机程序进行计算。

1.4 高光谱图像处理与分析方法

1.4.1 波段选择


       由于高光谱图像波段多,相邻波段具有很强的相关性,导致波段数据存在冗余[13]。因此需要先降维再提取有利于目标探测和物质识别的波段信息。常用的降维方法主要包括特征提取和特征选择两类。特征提取通过把高维数据投影映射到低维空间,其本质是所有波段的某种线性组合(如PCA,MNF,LDA 等),然而利用特征提取降维后的特征易失去光谱特性等物理含义[3]。而特征选择可以挑选出对目标探测或识别最优的波段,拟利用方差分析方法提取对识别四种品牌涂料最优的波段。

       方差分析是在方差已知情况下,正态分布的各总体均值是否相等的一种假设检验[14]。Wang等利用 ANOVA 确定了三类红树 的 反 射 率 均 值 显 著 性 差 异 (狆≤0.01)的 波 谱 范围[15]。Prospere等利用 ANOVA 对构造的47个光谱指数的显著性差异水平进行了检验[16]。Cho等用 ANOVA 的 F值确定了对圣女果腐烂信息敏感的波段[17]。为寻求最优识别波段,在每个波段对任意组合的两类涂料利用单因素方差分析检验其均值是否具有显著性差异。构造如下假设,

  式中i,j表示不同的类别组合且i,j ∈{“品牌 A”,“品牌B”,“品牌C”,“品牌 D”},K表示不同波段(K∈[1,239])。方差分析可以用F值进行假设检验,统计量F值越大,表示两类涂料均值的差异越显著性,进而说明该波段能最大程度区分这两种涂料。

1.4.2 波段比值法

        波段比值法在高光谱和多光谱 TM 影像中已被大量应用,其优势在于能抑制成像环境的影响并增强不同地物间的辐射差异[18-19],能放大不同材料之间的吸收特征[20]。Wang等[15]利用对胁迫敏感的波段与不敏感波段的比值增强了红树胁迫程度的差异。蒋金豹[21]构造了比值光谱指数 R800 × R550/R680用于识别水浸玉米与甜菜,发现该比值指数的识别能力优于其他指数,且表现出较强的稳健性。本研究利用方差分析选出最优波段,并对其做波段比运算,以突出不同涂料的可区分性。

        为了评价波段比值指数对四个品牌涂料的可分性,还利用随机样本点计算了不同种类之间的JM 距离Jij(具体可参阅文献[3,20])。研究中用平方距离来表达,当0<≤ 1.0时类别之间的特征不具备可分性,1.0<≤1.8时有一定可分性但 类 别 之 间 存 在 重 叠,1.8< ≤2 时 可 分 度 较大[22]。

1.4.3 图像分类为了评价

 

 ANOVA 选出的最优波段组合对四个品种涂料的区分能力,利用高斯最大似然分类器(MLC)对四种涂料进行了分类。最大似然是遥感图像监督分类中最常用的分类方法之一,在有足够典型的训练样本且总体呈正态分布的条件下,能表现出很好的分类性能[20]。从四类涂料中随机选取训练样本,并将 ANOVA 得到的最优波段作为特征进行分类。

2 结果与讨论

2.1 ANOVA最优波段选择

       为了对比四种涂料在可见光和近红外的光谱响应差异,分别从可见光和近红外高光谱图像中均匀提取50个像元并取其平均值作为各类涂料的光谱值,如图1(其中可见光光谱数据仅选取了360~700nm 部分)。四种涂料在可见光内光谱曲线高度重合,尤其是 B,C 和 D 三种,难以利用肉眼进行识别。但是四种涂料在近红外范围的光谱特性差异明显,易于区别。

       每种涂料从近红外高光谱图像中随机选取200个像元样本点,利用 ANOVA 计算在每个波段(共239个)各类别组合(共个)均值的差异,并用统计量F 值反映差异的显著性,F值越大表示两类的均值差异越显著。图2是四个品牌涂料的类别组合在每个波段的F 值,由于“CD”组合的 F值较小,为方便与其他类别组合的 F 值对比显示将其放大了200倍。由图2可知,“C-D”在波段1283nm 其均值差异最  明显;其他5个类别组合在波段2266和2447nm 差异性最显著,但是“C-D”在2447比2266nm 均值差异性更显著。因此,最后选择1283和2447nm 两个波段作为最优波段。



Fig.1  Spectral responses of the four kinds of coatings in visible and Near=Infrared region

  图3是1283和2447nm 两个波段的二维散点图,从图3可见所有像元分为四个集群,品牌 A,B和 C 之间完全可以区分,但 C和 D之间存在部分重叠。

 

2.2 波段比值分析

        由于波段1283nm 对“C-D”均值差异最大,其他5个类别组合在2447nm 均值差异显著,因此构造比值指数R1283/R2447能够进一步增强四个品牌涂料之间的差异。图4为波段比运算后的图像,四类涂料的像元亮度明显不同。在每个类别组合利用JM 距离评价波段比值对四类涂料的可分性,计算的J-M 距离结果见表1。除“C-D”组合外,其他类别之间的距离都大于1.8,表明两类之间具有很好的可分性。然而品牌 C和品牌 D之间的J-M 距离为1.65,说明其具有一定的可区分性,但存在被误分的可能。

  对图4 进 行 灰 度 阈 值 分 割,其 分 类 结 果 见 表 2。可 知R1283/R2447比值指数能将“品牌 A”、“品牌 B”与其他类别完全区分,尽管品牌 C和品牌 D之间存在着一定重叠,但其分类精度仍达到在87%以上,可以满足实际应用需求。

 

2.3 MLC分类结果

      利用 ANOVA 随机选择的800(每类200)个像元作训练样本,其他所有像元作为测试样本,以1283和2447nm 两个波段作为特征并利用高斯最大似然分类器进行分类,总体精度为98.81%,分类结果见表3。可见利用最大似然分类的精度要明显高于比值指数 犚1283/犚2447 阈值分割结果(品牌 C和品牌 D的分类精度也在95%以上),这主要因为阈值分割将比值图像强行分割为四类,而最大似然分类是将每个像元判给类归属概率最大的类别[20],其决策更具有可靠性。

         通过比较表2与表3可知指数R1283/R2447的图像阈值分割与 最 大 似 然 分 类 对 品 牌 A,B 和 C 的 区 分 精 度 均 大 于90%。而对于品牌 D,该指数阈值分割精度为87.54%,对应的最大似然分类精度为95.63%,但其精度差异小于8%。

 

  3 结 论

        
通过测量同一颜色四个不同品质、不同品牌建筑涂料的可见光、近红外区域 成 像 光 谱,提 取 并 分 析 其 光 谱 响 应 特征,主要得出如下结论:

       (1)在可见光区域不同品牌之间的光谱差异较小,而在近红外区域,四个品牌涂料的光谱差异较大,表明肉眼难以判别不同品牌涂料之间的差异,然而在近红外波段是可以区分不同品牌涂料的。
 

  (2)通过 ANOVA 方法并结合统计量 F 值,发现1283和2447nm 两个波段为区分四种建筑涂料的最优波段。构建比值指数犚1283/犚2447 并计算不同品牌涂料之间的J-M 距离,发现比值指数 R1283/R2447 除了品牌 C 和 D 之间的J-M距离小于1.8外,其他品牌涂料之间的J-M 距离均大于1.8,说明该指数在区分品牌 C与 D组合时部分像元易发生混淆,而其他品牌之间均完全可以区分。

      (3)将比值指数 R1283/R2447 结果进行图像分割,其最低分类精度为 D 品牌涂料,精度为87.54%,而对应的最大似然分类精度为95.63%,精度差小于8%。其他品牌涂料图像分割与最大似然分类精度均达到90%以上,说明该指数可以较好地区分不同品牌、品质的建筑涂料。结果表明,利用近红外成像光谱技术能够较为准确、便利区分不同品牌、品质的建筑涂料,为建筑质量验收、合格评定方面提供技术支持。但本工作仅选择一个颜色不同品牌、品质的涂料进行区分研究,其规律是否具有普适性,尚需要进一步开展实验进行研究。
 

 


欢迎扫描二维码关注微信公众号:icoat2014;本文仅代表作者观点,不代表本站立场;投稿请联系:010-52638829,QQ:2510083472