<label id="9v5j5"><pre id="9v5j5"></pre></label>
  1. <tt id="9v5j5"><pre id="9v5j5"></pre></tt>

      1. <output id="9v5j5"><wbr id="9v5j5"><dd id="9v5j5"></dd></wbr></output>

        <tt id="9v5j5"><wbr id="9v5j5"></wbr></tt>
          <listing id="9v5j5"></listing><code id="9v5j5"></code><code id="9v5j5"></code>

        1. <output id="9v5j5"></output>
          <meter id="9v5j5"></meter>
        2. <code id="9v5j5"><object id="9v5j5"></object></code>
        3. <listing id="9v5j5"></listing>
          <meter id="9v5j5"><object id="9v5j5"></object></meter>
          <tt id="9v5j5"><pre id="9v5j5"></pre></tt>
          <code id="9v5j5"></code>

            1. <nav id="9v5j5"></nav>
            2. <sup id="9v5j5"></sup>

              <sup id="9v5j5"></sup>

              <th id="9v5j5"></th><menuitem id="9v5j5"><video id="9v5j5"><meter id="9v5j5"></meter></video></menuitem>
              <meter id="9v5j5"><video id="9v5j5"><form id="9v5j5"></form></video></meter>

              2016-07-11 11:20:14 來源:互聯網

              用近紅外高光譜圖像區分不同品質的建筑涂料

                用近紅外高光譜圖像區分不同品質的建筑涂料

                蔣金豹,喬小軍,何汝艷,田奮民

               

                【中國涂料采購網摘 要 市場上出售的建筑涂料品種繁多,型號和品質不盡相同。利用高光譜技術區分不同品質的建筑涂料。獲取同一顏色四個不同品質、不同品牌建筑涂料(品牌 A,B,C,D)的近紅外高光譜圖像,利用 ANOVA(analysisofvariance)方法發現1283和2447nm 為區分四個品牌涂料的最優波段。構建比值指數 犚1283/犚2447并對其結果進行閾值分割,將分割結果與最大似然分類精度進行了對比。結果表明除品牌 C與 D 之間JM 距離外,其他涂料間JM 距離均大于1.8;而犚1283/犚2447指數分割精度最低為87.54%,相應最大似然分類精度為95.63%,其他品牌涂料閾值分割與最大似然分類精度均達到90%以上。因此,犚1283/犚2447指數能夠較好地區分不同品牌的建筑涂料。該研究結果可為建筑涂料識別、裝修質量驗收、合格評定提供技術支持。

              關鍵詞 建筑涂料;近紅外高光譜圖像;ANOVA;區分

              中圖分類號:O657.3 文獻標識碼:

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

                引 言

                    
              市場上出售的建筑涂料品種繁多,型號和品質不盡相同。建筑涂料主要由粘結材料、顏料、填料、稀釋劑等經一定工藝制造而成的產品,其中粘結材料的含量顯著影響著涂料性能[1]。同一顏色的不同品牌、不同品質的建筑涂料,在可見光范圍內具有十分相似的光譜特征,導致肉眼難以辨別,這就為涂料產品以假亂真和以次充好提供了可能。目前在建筑裝修驗收環節,涂料品質的優劣主要靠經驗觀察判斷,尚缺乏一種快速可靠的檢測方法。成像光譜技術能在肉眼觀察(0.38~0.76μm)范圍以外的波段區域內測量并記錄待測物體的吸收和反射光譜響應及圖像信息。因此,在可見光范圍內具有相似或相近光譜特征的建筑涂料,在近紅外范圍內則有可能存在顯著差異。張兵等[2]利用高光譜圖像對北京亞運村建材市場屋頂材料進行了識別研究,結果表明高光譜遙感可以識別不同品種的涂料;并用同樣的方法對奧體公園中心地區的天然草坪和人工草坪進行了有效識別[3]。武鋒強等[4]利用波譜范圍在0.4~1.0和1.3~2.5μm 的兩種高光譜數據確定了古畫中的顏料成分,結果與拉曼光譜檢驗一致。侯妙樂等[5]利用400~1000nm 的高光譜影像提取了壁畫的底稿信息,恢復了模糊不清的底稿輪廓。Chang等已利用“HYDICEpanelscene”數據進行了諸多亞像元目標識別和  分類的相關研究[67]。上述研究顯示了高光譜遙感技術在地物識別中具有優勢。本研究嘗試利用近紅外成像光譜技術識別同一顏色不同品牌(品質不同)建筑涂料的可行性,為以后利用高光譜技術鑒定已裝修好建筑物涂料類型與品質提供理論依據和技術方法支持。

              1 實驗部分

              1.1 材料

                      試驗使用四個同一顏色(粉紅色)不同品質、不同品牌的建筑涂料(分別為品牌 A,B,C,D)。將四種涂料均勻噴涂于同質涂料測試板上,待烘干后用于高光譜成像。四種涂料顏色、外觀基本一致,肉眼難以分辨其差異。

              1.2 圖像數據獲取

                    采用ImSpectorN25E(SpectralImagingLtd,Finland)光譜儀獲取成像高光譜數據,其為推掃式成像,自帶光源,每次可獲取320像元的一行數據,列數由物體的掃描長度決定。成像光譜范圍在1000~2500nm(共239個波段),光譜分辨率約為6.3nm[8]。獲取數據時瞬時視場角為100°。每次掃描成像同時獲取物體的白板和暗電流數據。為了對比在可見光范圍內四個品牌涂料的光譜特征,并利用美國SOC710VP成像光譜儀獲取了上述四種涂料在400~1000nm 內共128個波段的高光譜數據,其光譜分辨率約  為4.69nm[9]。于2014年6月27日12:30在北京室外掃描成像,操作支架的高度為1.65m,視場角為12°,同樣每次掃描成像同時獲取暗電流和反射率參考版數據。

              1.3 圖像預處理

              1.3.1 高光譜圖像輻射校正


                      為方便對比研究,將四種涂料從背景中裁剪出來并拼接為一張影像,拼接后每類涂料大小為310×310個像元,整幅影像共620×620個像元。利用反射率參考白板與暗電流數據按以下公式完成對高光譜圖像進行輻射校正[10]。校正公式如下

              式中:R為 校 正 后 的 高 光 譜 圖 像 的 相 對 反 射 率,R∈ [0,100];Is為涂料原始高光譜 DN 值;Id是黑板的定標圖像的DN 值;Iw 為白板定標圖像的 DN 值。

              1.3.2 高光譜圖像平滑

                      獲取的可見光高光譜數據在400~1000nm 共128個波段,近紅外高光譜影像在1000~2500nm 范圍內共239個波段。光譜平滑技術(如移動平均值,SG 濾波,中值濾波和高斯濾波)可以用來消除光譜噪聲[11]。可見光高光譜數據因只用來對比和近紅外光譜之間的差異,所以未對其進行平滑處理。僅對近紅外高光譜影像利用 5點平滑法進行光譜平滑,具體平滑公式[12]如下所示

                    式中,Ri 為第i波段的反射率值,且i∈[2,237],犘平滑 為每個像元(Pixel)平滑后的光譜。
                  工作中所有的圖像處理操作均在 ENVI4.8(ExelisVisualInformationSolutions,Boulder,CO,USA),ArcGIS(EnvironmentalSystemsResearchInstitute,Inc.)以 及 MatlabR2010a(TheMathWorksInc.)環境下編寫的計算機程序進行計算。

              1.4 高光譜圖像處理與分析方法

              1.4.1 波段選擇


                     由于高光譜圖像波段多,相鄰波段具有很強的相關性,導致波段數據存在冗余[13]。因此需要先降維再提取有利于目標探測和物質識別的波段信息。常用的降維方法主要包括特征提取和特征選擇兩類。特征提取通過把高維數據投影映射到低維空間,其本質是所有波段的某種線性組合(如PCA,MNF,LDA 等),然而利用特征提取降維后的特征易失去光譜特性等物理含義[3]。而特征選擇可以挑選出對目標探測或識別最優的波段,擬利用方差分析方法提取對識別四種品牌涂料最優的波段。

                     方差分析是在方差已知情況下,正態分布的各總體均值是否相等的一種假設檢驗[14]。Wang等利用 ANOVA 確定了三類紅樹 的 反 射 率 均 值 顯 著 性 差 異 (狆≤0.01)的 波 譜 范圍[15]。Prospere等利用 ANOVA 對構造的47個光譜指數的顯著性差異水平進行了檢驗[16]。Cho等用 ANOVA 的 F值確定了對圣女果腐爛信息敏感的波段[17]。為尋求最優識別波段,在每個波段對任意組合的兩類涂料利用單因素方差分析檢驗其均值是否具有顯著性差異。構造如下假設,

                式中i,j表示不同的類別組合且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值進行假設檢驗,統計量F值越大,表示兩類涂料均值的差異越顯著性,進而說明該波段能最大程度區分這兩種涂料。

              1.4.2 波段比值法

                      波段比值法在高光譜和多光譜 TM 影像中已被大量應用,其優勢在于能抑制成像環境的影響并增強不同地物間的輻射差異[18-19],能放大不同材料之間的吸收特征[20]。Wang等[15]利用對脅迫敏感的波段與不敏感波段的比值增強了紅樹脅迫程度的差異。蔣金豹[21]構造了比值光譜指數 R800 × R550/R680用于識別水浸玉米與甜菜,發現該比值指數的識別能力優于其他指數,且表現出較強的穩健性。本研究利用方差分析選出最優波段,并對其做波段比運算,以突出不同涂料的可區分性。

                      為了評價波段比值指數對四個品牌涂料的可分性,還利用隨機樣本點計算了不同種類之間的JM 距離Jij(具體可參閱文獻[3,20])。研究中用平方距離來表達,當0<≤ 1.0時類別之間的特征不具備可分性,1.0<≤1.8時有一定可分性但 類 別 之 間 存 在 重 疊,1.8< ≤2 時 可 分 度 較大[22]。

              1.4.3 圖像分類為了評價

               

               ANOVA 選出的最優波段組合對四個品種涂料的區分能力,利用高斯最大似然分類器(MLC)對四種涂料進行了分類。最大似然是遙感圖像監督分類中最常用的分類方法之一,在有足夠典型的訓練樣本且總體呈正態分布的條件下,能表現出很好的分類性能[20]。從四類涂料中隨機選取訓練樣本,并將 ANOVA 得到的最優波段作為特征進行分類。

              2 結果與討論

              2.1 ANOVA最優波段選擇

                     為了對比四種涂料在可見光和近紅外的光譜響應差異,分別從可見光和近紅外高光譜圖像中均勻提取50個像元并取其平均值作為各類涂料的光譜值,如圖1(其中可見光光譜數據僅選取了360~700nm 部分)。四種涂料在可見光內光譜曲線高度重合,尤其是 B,C 和 D 三種,難以利用肉眼進行識別。但是四種涂料在近紅外范圍的光譜特性差異明顯,易于區別。

                     每種涂料從近紅外高光譜圖像中隨機選取200個像元樣本點,利用 ANOVA 計算在每個波段(共239個)各類別組合(共個)均值的差異,并用統計量F 值反映差異的顯著性,F值越大表示兩類的均值差異越顯著。圖2是四個品牌涂料的類別組合在每個波段的F 值,由于“CD”組合的 F值較小,為方便與其他類別組合的 F 值對比顯示將其放大了200倍。由圖2可知,“C-D”在波段1283nm 其均值差異最  明顯;其他5個類別組合在波段2266和2447nm 差異性最顯著,但是“C-D”在2447比2266nm 均值差異性更顯著。因此,最后選擇1283和2447nm 兩個波段作為最優波段。



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

                圖3是1283和2447nm 兩個波段的二維散點圖,從圖3可見所有像元分為四個集群,品牌 A,B和 C 之間完全可以區分,但 C和 D之間存在部分重疊。

               

              2.2 波段比值分析

                      由于波段1283nm 對“C-D”均值差異最大,其他5個類別組合在2447nm 均值差異顯著,因此構造比值指數R1283/R2447能夠進一步增強四個品牌涂料之間的差異。圖4為波段比運算后的圖像,四類涂料的像元亮度明顯不同。在每個類別組合利用JM 距離評價波段比值對四類涂料的可分性,計算的J-M 距離結果見表1。除“C-D”組合外,其他類別之間的距離都大于1.8,表明兩類之間具有很好的可分性。然而品牌 C和品牌 D之間的J-M 距離為1.65,說明其具有一定的可區分性,但存在被誤分的可能。

                對圖4 進 行 灰 度 閾 值 分 割,其 分 類 結 果 見 表 2。可 知R1283/R2447比值指數能將“品牌 A”、“品牌 B”與其他類別完全區分,盡管品牌 C和品牌 D之間存在著一定重疊,但其分類精度仍達到在87%以上,可以滿足實際應用需求。

               

              2.3 MLC分類結果

                    利用 ANOVA 隨機選擇的800(每類200)個像元作訓練樣本,其他所有像元作為測試樣本,以1283和2447nm 兩個波段作為特征并利用高斯最大似然分類器進行分類,總體精度為98.81%,分類結果見表3。可見利用最大似然分類的精度要明顯高于比值指數 犚1283/犚2447 閾值分割結果(品牌 C和品牌 D的分類精度也在95%以上),這主要因為閾值分割將比值圖像強行分割為四類,而最大似然分類是將每個像元判給類歸屬概率最大的類別[20],其決策更具有可靠性。

                       通過比較表2與表3可知指數R1283/R2447的圖像閾值分割與 最 大 似 然 分 類 對 品 牌 A,B 和 C 的 區 分 精 度 均 大 于90%。而對于品牌 D,該指數閾值分割精度為87.54%,對應的最大似然分類精度為95.63%,但其精度差異小于8%。

               

                3 結 論

                      
              通過測量同一顏色四個不同品質、不同品牌建筑涂料的可見光、近紅外區域 成 像 光 譜,提 取 并 分 析 其 光 譜 響 應 特征,主要得出如下結論:

                     (1)在可見光區域不同品牌之間的光譜差異較小,而在近紅外區域,四個品牌涂料的光譜差異較大,表明肉眼難以判別不同品牌涂料之間的差異,然而在近紅外波段是可以區分不同品牌涂料的。
               

                (2)通過 ANOVA 方法并結合統計量 F 值,發現1283和2447nm 兩個波段為區分四種建筑涂料的最優波段。構建比值指數犚1283/犚2447 并計算不同品牌涂料之間的J-M 距離,發現比值指數 R1283/R2447 除了品牌 C 和 D 之間的J-M距離小于1.8外,其他品牌涂料之間的J-M 距離均大于1.8,說明該指數在區分品牌 C與 D組合時部分像元易發生混淆,而其他品牌之間均完全可以區分。

                    (3)將比值指數 R1283/R2447 結果進行圖像分割,其最低分類精度為 D 品牌涂料,精度為87.54%,而對應的最大似然分類精度為95.63%,精度差小于8%。其他品牌涂料圖像分割與最大似然分類精度均達到90%以上,說明該指數可以較好地區分不同品牌、品質的建筑涂料。結果表明,利用近紅外成像光譜技術能夠較為準確、便利區分不同品牌、品質的建筑涂料,為建筑質量驗收、合格評定方面提供技術支持。但本工作僅選擇一個顏色不同品牌、品質的涂料進行區分研究,其規律是否具有普適性,尚需要進一步開展實驗進行研究。
               

               


              歡迎掃描二維碼關注微信公眾號:icoat2014;本文僅代表作者觀點,不代表本站立場;投稿請聯系:010-52638829,QQ:2510083472

              噢百万49选7开奖记录