多光谱遥感范文

多光谱遥感范文（精选8篇）

多光谱遥感 第1篇

遥感影像的像元很少是由单一均质的地表覆盖类型组成, 一般都是几种地物的混合。因此影像中像元的光谱特征并不是单一地物的光谱特征, 而是几种地物光谱特征的混合反映, 这给遥感解译造成困扰。混合像元问题不仅是遥感技术向定量化深入发展的重要障碍, 而且也严重影响计算机处理的效果或计算机技术在遥感领域中的应用[1]。

遥感影像端元提取是理解遥感影像空间与特征空间的纽带, 它是进行遥感影像混合像元分解的首要步骤, 直接影响混合像元分解的精度, 是进行定量遥感反演的基础, 因而混合像元分解理论在遥感影像的理解与运用上占据重要的地位[2]。现行的端元来源有两种, 一是使用光谱仪在地面或实验室测量到的“参考端元”[3];二是在遥感图像上得到的“图像端元”[4]。但是由于各种因素, 诸如不同传感器光谱响应、大气影响、辐射条件等, 地面实测光谱很难与影响建立起关系, 并且实测有较大的主观性。而从影像本身获取端元简单、方便, 且获取的端元具有与影像数据相同的度量尺度[5], 因此从影像本身获取端元是目前获取有效端元的主要途径和研究的热点。

目前, 国内外针对端元提取的算法大都集中于高光谱影像, 高光谱影像以其图谱合一技术为端元的提取提供了广阔的空间[6], 而对于高空间分辨率低光谱分辨率的多光谱影像端元提取算法很少。如何从多光谱影像仅有的几个波段中有效的提取端元信息, 是多光谱遥感影像混合像元分解的关键。现行的端元提取算法集中于凸面体分析, 通过求取影像的本征维数来确定端元的数目, 端元数目即为本征维数加一[7]。以TM多光谱影像为例, 分辨率为30米的多光谱影像有6个波段, 即便这6个波段互不相关, 其本征维数不会超过6维, 最多能够提取7个端元。对于实际应用来说, 端元提取的理论在TM等多光谱影像上是难以应用的。为此, 本文提出了一种基于分类结果的多光谱遥感影像端元提取方法。该方法结合监督分类、纯净像元指数提取和凸面体理论来提取端元, 解决了多光谱遥感影像端元提取数量限制和精度问题, 为多光谱遥感影像端元提取提供了新的思路。

1 端元提取方法思路与实现

本文设计的多光谱遥感影像分类和端元提取方法用到了监督分类算法 (最大似然法) 、像元纯净指数算法和凸面体分析理论。

该方法的基本思想如下:首先通过监督分类将原始数据划分为不同的区块, 分块后的影像块间差异较大, 有效抑制了背景信息的影响;然后通过对每个区块的光谱特征分析, 确定分块端元的数目;最后对图像进行MNF变换, 利用纯净像元提取方法提取端元光谱。具体流程图如图1。该方法的实现步骤如下:

(1) 对原图像进行监督分类, 根据图像所显示区域实际土地覆盖情况将原图像分为若干类别, 所有类别依次对原图像进行掩膜处理, 将原图像裁剪成若干区块。

(2) 对每个区块进行光谱特征分析。根据分块的结果, 将影像投影到二维散点图空间, 分析光谱特征散点图空间分布特点和复杂程度, 确定区块端元数目。

(3) 通过凸面体分析技术, 采用沙漏流程, 首先对影像进行MNF变换, 根据光谱特征分析确定的端元数目, 设置MNF变换输出的维数。降维之后借助纯净像元指数和n维可视化工具收集端元波谱。

2 实验与分析

2.1 实验数据

实验所用数据为经过预处理的云南省大理市TM多光谱遥感影像数据。TM数据在可见光/近红外/短波红外/热红外0.45~12.5μm的大气窗口上设置了7个波段, 而出TM6波段空间分辨率为120m外, 其他波段空间分辨率均为30m。本文采用TM1~TM5、TM7这六个波段进行处理, 波长范围为0.45~2.35μm, 如图2所示 (5, 4, 3波段彩色合成) , 图像大小为400行×400列。

2.2 实验过程

根据实验数据所示区域实际土地覆盖情况以及数据图像的可分性, 将实验区土地覆盖划分为建筑用地、农地、水域、林地和裸地等5类。在影像区域内均匀地选取各类型的样本数据, 使用样本数据对影像进行最大似然法监督分类。分类结果如图3所示, 其中红色代表建筑用地、黄色代表农地、蓝色代表水域、绿色代表林地、青色代表裸地。

根据分类结果, 对实验数据进行裁剪, 得到5块类别不一的影像, 在此选取农地和林地影像进行研究。分块影像如图4所示 (5, 4, 3波段彩色合成) , 其中a为农地影像, b为林地影像。

根据分块的结果, 将影像投影到二维散点图空间, 如图5所示, 其中a为农地影像二维散点图, b为林地影像二维散点图。分析光谱特征散点图空间分布特点和复杂程度, 确定分块影像的端元数目。农地影像二维散点图呈直线型分布, 分布结构比较简单, 从该区域影像空间能够提取2个有效端元。林地影像二维散点图明显有3个犄角, 说明从该影像空间能够提取3个有效端元。

对分块影像进行MNF变换, MNF变换实现降维与噪声白化作用, 目的是寻找影像的本征维数。根据光谱特征分析确定的端元数目, 设置MNF变换的波段输出维数。农地和林地影像MNF变换的波段输出维数分别设置为2和3。降维之后进行像元纯净指数计算 (PPI) , PPI算法的实质是把端元往给定的投影线上投影, 查看端元的投影次数, 端元一般位于投影次数最多的地方。根据纯净像元落在相应影像中的位置, 判断农地影像中的两个端元为水田 (主要作物为水稻) 和旱地 (主要作物为玉米、土豆等) , 林地影像中的三个端元为阔叶林、针叶林和灌木林。最终提取的端元波谱曲线如图6所示, 其中a为农地影像端元提取结果, 实线所示为水田光谱曲线, 虚线所示为旱地光谱曲线;b为林地影像端元提取结果, 实线所示为阔叶林光谱曲线, 点虚线为针叶林光谱曲线, 长虚线为灌木林光谱曲线。

2.3 实验结果分析

在混合像元分解过程中, 端元的选择尤为重要, 因为它直接影响混合像元分解的精度。为了检验本文提出的端元提取方法的有效性, 在此从遥感影像中手动选取相应地物, 绘制平均光谱曲线, 与提取到的端元光谱曲线作对比。由于TM影像空间分辨率较低, 很难从影像中判别相应的地物, 借助森林资源二类调查数据, 从相应地物的小班中勾画感兴趣区, 绘制成平均光谱曲线。如图7所示, a中实线所示为水田平均光谱曲线, 虚线所示为旱地平均光谱曲线;b中实线所示为阔叶林平均光谱曲线, 点虚线为针叶林平均光谱曲线, 长虚线为灌木林平均光谱曲线。对比图6可以看到, 各地类的平均光谱曲线差异性明显小于端元光谱曲线, 这是由于混合像元大量存在造成的;而从曲线特征来看, 平均光谱曲线与端元光谱曲线的折点位置相似, 这表明提取到的端元有效, 能够表征相应的地物。

3 结束语

本文针对多光谱遥感影像光谱分辨率较低, 波段较少, 并且波段间的相关性较大, 影像噪声严重的现象, 提出了一种基于分类结果的端元提取方法, 该方法能够克服凸面体分析理论应用到多光谱影像端元提取的数量限制, 提高了端元提取的精度。这种通过光谱先聚再分的思想, 充分利用了遥感影像的空间和光谱信息, 为多光谱遥感影像的端元提取提供了一种新的思路。

本文提出的端元提取方法基于最大似然法监督分类结果, 分类的误差会传递给后续的端元提取过程。本文还可以尝试采用其他的分类方法代替, 以降低分类结果的误差, 如支持向量机、随机森林、面向对象的分类方法等。但是如何减少分类误差向下传导将会是今后一个重要的研究方向。

参考文献

[1]吕长春, 王忠武, 钱少猛.混合像元分解模型综述[J].遥感信息, 2003 (3) :55-58.

[2]耿修瑞, 高光谱影像目标探测与分类[D].北京:中国科学院研究生院 (遥感应用研究所) , 2005.

[3]Roberts D A, Gardner M, Church R, et al.Remote Sensing of Environment[J].1998, 65:267

[4]Rashed T, Weeks J R, Gadalla M S, et al.Geocarto International[J].2001, 16 (4) :5.

[5]李素, 李文正, 周建军.遥感影像混合像元分解中的端元选择方法综述[J].地理与地理信息科学, 2007, 23 (5) :35-36

[6]童庆禧, 张兵, 张兰芬.高光谱遥感[M].北京:高等教育出版社, 2006.

地物反射波谱特征及高光谱成像遥感 第2篇

地物反射波谱特征及高光谱成像遥感

依据地表物体表面外形特性,物体反射分为镜面反射、漫反射和方向反射.探讨了3类反射的`特性曲线,介绍了几种典型的地物类型反射波谱特征,并对影响地物光谱反射特性变化的凼素进行了概略描述,以加强对地物电磁波谱特征的认知,及开展与高光谱成像领域相关的遥感图像分析、反演和应用等方面的工作.

作 者：张亚梅 ZHANG Ya-mei  作者单位：东北电子技术研究所,辽宁,锦州,121000 刊 名：光电技术应用 英文刊名：ELECTRO-OPTIC TECHNOLOGY APPLICATION 年，卷(期)： 23(5) 分类号：V443.5 关键词：地物   反射波谱   高光谱成像   遥感  

多光谱遥感 第3篇

1 研究区区域地质背景

研究区位于甘肃省瓜州县黑山地区,构造上地处塔里木地块北缘,双鹰山-西双鹰山被动陆缘带上,出露的地层主要为蓟县系平头山组,为一套白云岩、大理岩组成的台地相碳酸盐岩建造;青白口系大豁落山组,由硅质大理岩、白云岩、变质砂岩和石英岩组成;寒武系双鹰山组和西双鹰山组,主要为一套硅质岩、炭质板岩、变砂岩夹灰岩,含磷的板岩组成;沟谷中见有中更新统的冲洪积砂砾石层。出露的岩体主要有奥淘纪的角闪辉长岩、角闪橄榄岩,志留纪的石英闪长岩和石炭纪的正长花岗岩,一般沿地层走向侵入,接触带见有角岩化,绿泥石化和一些围岩褪色蚀变现象。构造基本为近东西向的断裂构造,一般构成各地质体的分界。

研究区内主要地层类型有(图2):

2 地层(岩体)分类方法与结果

依据本研究区的地质背景并结合目视解译和实地调查,确定将该研究区划分为6种主要地层(岩体)(杨建民等,2007),分别为第四系、寒武系、蓟县系、石炭系、奥陶系和青白口系。解译分粗解译和精解译两个阶段,粗解译阶段是根据地质背景情况,将图像中感兴趣区域的选择在同一地层(岩体)中,然后设定初始输入值(感兴趣区的平均光谱信息),并确定一定阈值,训练ENVI图像处理软件中提供的神经网络模型(赵文吉等,2007;李燕等,2012;赵玉灵等,2005),达到初步分类的效果,若是分类结果不满意,可以重新设定阈值再次分类,直到满足分类结果与已知地质背景较吻合为止;第二步是精解译阶段,即将第一步解译未详细区分的地层,在分辨率容许范围内继续细分。

2.1 地物分类主要技术工作流程

地物分类主要技术流程见图3所示。

2.2 大范围内图像的解译

人眼对于彩色图像的识别能力要远远大于黑白图像,然后不同波段组合的假彩色合成图像由于波段信息相互间的冗余而存在差异,理论上两相关性较弱的波段组合含有更加丰富的图像信息,所以本研究计算了图像各个波段间的相关性,以利于选择更加合适的波段来辅助选择感兴趣区域。

由表1可见,7、5、4等波段相对较独立,冗余信息少,故在本研究中,较多地采用了752、741等波段的假彩色合成图像。

本研究区范围及具体感兴趣的选择见图4所示,依据已有地质资料,选择了1-6的区域作为感兴趣区,共六个研究区域,以提取初始的输入值(平均波谱),这六个区代表的地层(岩体)分别是:1第四系、2寒武系、3蓟县系、4石炭系、5奥陶系、6青白口系。

通过计算,各预分类地层(岩体)平均波谱见图5所示:

2.3 初步分类结果对比

由图6、图7单个地层和总体的对比可见,分类效果比较符合已有地质图的表达习惯,并且在边界上比原地质图更加清晰,且将同一地层规模较小的边界也提取出来,可以方便地在进一步制图综合中根据比例尺大小予以取舍。

在实际中,感兴趣区样本数据波谱差异程度大小与最后实际地物波谱是否难以区分关系较大,选择样本的光谱差异越大,则提取地物可分性就越好。

能否在实际中进一步对地层进行岩性细分呢?对此做了进一步的研究如:对于第6个感兴趣区域,即青白口系地层,由图像可见有明显的色彩分层和不同的纹理信息,可进一步对此地层试验地层的岩性细分。

2.4 小区域的同一地层内的岩性细分试验研究

对于第6个感兴趣区,即青白口系岩性地层在地质图中并未详细区分小的岩性地层,如图8的第3个图(landsat8的741波段假彩色合成)所示,该层可见有多层更小的地层东西向平行展布,但肉眼并不好进一步细分。为了更好地在该层选择比较纯净的感兴趣区,我们对图像作了HLS空间变换和缨帽变换两种图像增强效果(Heiko Zumsprekel et al.,2000)(图8中1、2小图),以辅助确定比较适合的感兴趣区域(孙洪泉等,2011)。不难看出,经变换后,图8中的小1图具有比较明显差异的色彩是蓝紫色、绿色、黄色三种,图8的小2图中是红色、黄色、蓝色三种,不难看出两图中各自的三种色彩分布上比较集中且较为一致,故选择它所在区域为新的感兴趣区域,作为识别同一地层内小岩性地层的标准,在图中由(1)、(2)、(3)标示,如3图所示。据此再计算其平均波谱(图9)作为初始输入值(S.Anbazhagan et al.,2009),然后经过同前面在大范围区域内基于神经网络的监督分类相同的步骤,可以得出最终如图8第4个图的分类结果,经实地验证,这三类分别为(1)大豁落山组硅质大理岩、(2)变质砂岩夹石英岩、(3)白云岩。

2.5 总结

由于不同的岩性具有不同的反射波谱曲线与特征峰(王钦军等,2006;王润生等,2007),这就对遥感影像的计算机自动分类、自动提取等方法在理论上实现提供了可能。对于一景多光谱遥感影像的解译,可有如下几个步骤:首先将它分块,使得每小块包含的地层数目不要太多,一般小于多光谱的波段数,然后根据地质背景资料,选择合适的感兴趣区域计算其平均波谱,再利用神经网络进行分类,对于某些具体地层也可以用同样的方法进一步细分,从而得到由粗到精的解译。

故在实际地质工作中,尤其是矿调、区调等的前期踏勘,若以已有资料和地质背景为基础,先以地层为单位,大范围内初步解译,再将比较复杂的地质体在岩性上做精解译,包括如矽卡岩化、绿泥石化等蚀变信息的提取(刘德长等,2015),最后在野外辅助验证,可以较大幅度地提高解译的速度和效率。

3 结论

(1)采用BP神经网络进行遥感影像分类,在一定程度上减轻了传统遥感影像分类中常出现的错分、漏分现象。分类的结果与实际地物具有很好的吻合性,在一定程度上验证了神经网络的可靠性。尤其对于发挥遥感大范围的地质解译,可以在数小时内完成,并且对于地层或岩体的解译效果与传统实际测量绘制的经典1:20万地质图吻合率较好,尤其对于第四系的解译,高海拔地区以及无人区等工作条件恶劣的地区更是有广阔的应用潜力。

(2)由于组成岩石的矿物的多样化与其各矿物组成比例的多变性、阴坡阳坡,地形海拔等地域条件的复杂多变性以及天气气象等条件的影响,使得出现同物异谱或同谱异物的现象,给解译增加了难度。

(3)今后工作中,可以实地测量并建立区域岩性波谱库,来弥补当前只能在遥感图像中选择比较纯净的感兴趣区提取适合研究区特定地层特点的光谱的现状。

摘要：目前遥感地质的影像解译主要以传统的目视解译为主,借助经验,方法落后、效率低下,且缺乏基于光谱的计算机自动分类、基于专家知识的决策树模型或面向对象特征等自动提取方法;目前遥感地质的解译主要强调遥感影像的空间分辨率,而对于图像波谱数据利用非常少。本研究旨在通过各种图像变换或增强手段,发挥人眼对部分彩色空间图像特别敏感的特点,利用已有地质背景资料划分符合地质习惯的单一地层或岩体的区域,建立典型的感兴趣区,然后计算其平均波谱,进而利用ENVI软件监督分类中的神经网络分类工具,设定恰当的权重与临界阈值,最后达到较好区分不同地层或岩体的目的。本研究选择甘肃北山黑山地区,利用lansat8多光谱数据进行试验,其研究成果可为遥感地质工作提供快速智能的影像解译方法提供参考,同时也可以应用于青海、西藏等广阔的基岩出露区域,为矿产资源勘探提供科学依据和决策支持。

星载多光谱浅海水深测量方法 第4篇

利用遥感技术以及星载多光谱数据,进行浅海海域水深测量的`基本方法以及关键技术,提出了一种基于主成分分析方法和底质分类的新的浅海水深提取技术路线,可应用于浅海水深提取及海图制作和更新 .

作 者：庞蕾 聂志峰 作者单位：庞蕾(山东理工大学,数学与信息科学学院,山东,淄博,255049)

聂志峰(山东科技大学,山东,济南,250031)

多光谱遥感 第5篇

为了描述地物的光谱特征、进行光谱间的相似性比较,目前常用的光谱相似性测度一般可概括为欧氏距离函数、光谱角制图、光谱相关系数匹配、光谱信息散度匹配等识别方法[5],这些方法已集成到常用的商业软件中(如ENVI)并得到了广泛应用。然而理论分析与实验结果表明,由于实际地物光谱变异、获取数据受观测角以及颗粒大小的影响而造成光谱变化,单一光谱特征的不稳定性,无法全面的反应地物光谱间的相似性,直接影响识别效果,光谱识别时需要综合考虑光谱的吸收特征谱带组合特征。针对上述问题以及光谱吸收特征波形比较稳定这一特性,论文基于矿物光谱主次吸收特征谱带组合的最小二乘拟合法,进行高光谱遥感矿物信息提取研究,并首次将该算法应用于CAIS/SASI机载高光谱数据的矿物信息提取。应用实验结果表明了该算法的实用性和有效性。

1 相似性测度方法分析

光谱相似性测度是用来描述未知地物的光谱曲线与参考光谱曲线之间的相似性程度[6]。通常在模式识别中,相似性测度的基本假设可以表述为:两个模式的特征或组成它们的简单结构间的差异在阈值范围之内,则认为两个模式间仅有微小的差别,从而可以称它们是相似的[7]。适用于高光谱遥感分类的相似性测度方法很多[8],根据地物的光谱特征以及光谱间的相似性比较,常用的光谱相似性测度方法一般可概括为欧氏距离函数、光谱角制图、光谱相关系数匹配、光谱信息散度匹配等[9]。这些方法各具主要使用范围和优缺点(表1)。

2 主次吸收特征谱带相似性测度拟合法

表1中欧氏距离不适合对高光谱影像进行分类,而光谱角制图、光谱相关系数、光谱信息散度等匹配方法需要利用先验光谱信息与图像光谱进行匹配,以某种测度函数得到识别结果。这种方法在识别过程中需要用到图像先验信息,并且仅仅利用单一光谱特征,容易受其他因素影响导致特征的不稳定性直接影响识别效果[10]。

2.1 光谱主次吸收特征谱带组合

为了抑制单一光谱特征不稳定性以及噪声等对识别结果的影响,提出了高光谱岩石矿物识别应尽量提取吸收特征谱带组合等较稳定的全局性光谱特征的技术思路。认为在诸多描述谱带的参量中,特征谱带在矿物中具有较稳定的波长位置和较稳定的独特波形。

在蚀变矿物的吸收谱带中,除了1 400 nm和1 900 nm波长附近的水和OH—基团吸收谱带外,一般都存在一个强度较大的谱带,称为主要吸收特征或诊断吸收特征[11];在所研究的光谱区间内,要分析一条光谱,谱带组合特征一般需要在不同的波段范围内选取两个吸收特征:主要吸收特征和次要吸收特征,有时也需要在第三个吸收波段范围内选取第三个吸收特征—辅助吸收特征。光谱主次吸收特征谱带组合是识别和区分具体矿物类型的重要指标,并对应着目标岩石的某一光谱特征,在一定程度上抑制相关性,提高相对信噪比并避免波谱偏移造成的影响。因此,选取了基于矿物光谱主次吸收特征谱带组合的最小二乘相似性拟合法进行高光谱遥感地物信息提取,以解决单一光谱特征不稳定对识别结果的影响,提高了信息提取的精细程度,有较强的实用性。

2.2 最小二乘相似性拟合法

采用最小二乘相似性拟合法在特征区间进行局部拟合,强调细节性,增大相似矿物的区分度。最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。

光谱吸收特征权重系数计算公式为

式(1)中Ci为第i个光谱吸收特征所占的权重系数,Ali为第i个吸收特征的面积,Aa为谱带区间主次两个光谱特征的面积之和。

最小二乘相似性拟合法计算公式为

式(2)中ni为第i个吸收特征所含的波段数,Oi为第i个吸收特征包络线统去除后的图像诊断特征光谱,Li为第i个吸收特征包络线去除后的标准库参考诊断特征光谱,Ci为第i个光谱吸收特征所占的权重系数,利用该吸收特征的面积在谱带区间主次两个光谱特征的面积之和中所占的比例来得到,Ftotal为包络线去除后的图像像元光谱与参考光谱在主次吸收特征谱带间的加权匹配值,为图像识别结果。

根据高光谱遥感信息提取实际需要,往往对于光谱吸收特征较强(主吸收特征峰)的波段应该给与较大的权重。利用最小二乘相似性拟合技术,需要对每条端元波谱形成一个均方根误差影像,误差越小,代表匹配程度越好。信息提取时应选择拟合比例较好且均方根误差小的部分,作为提取的目标。

2.3 新算法技术流程

(1)根据图像数据对参考光谱进行光谱重采样等预处理;

(2)对图像光谱和重采样后参考光谱做包络线去除处理,得到经过处理的图像诊断特征光谱Oi和参考诊断特征光谱Li;

(3)计算并记录矿物光谱诊断吸收特征的相关参数,选取矿物光谱的主次吸收特征,例如绿泥石的主次吸收特征分别位于(2.285~2.355)μm与(2.225~2.255)μm;绢云母的主次吸收特征分别为(2.345~2.365)μm与(2.40~2.466)μm;

(4)计算第i个光谱吸收特征的面积在谱带区间主次两个光谱特征的面积之和中所占的权重系数Ci;

(5)利用最小二乘相似性拟合法计算包络线去除后的图像像元光谱与参考光谱在主次吸收特征谱带间的加权匹配值Ftotal;

(6)利用步骤(4)中得到的加权匹配值Ftotal将图像光谱与标准库参考光谱进行逐像元吸收特征比较,如果相似性拟合度大于加权匹配值,将其归为与参考光谱同类地物。

3 实验结果及分析

3.1 数据来源

选用在甘肃北山地区采集的CASI/SASI机载高光谱数据作为实验数据源,CASI光谱范围为(380~1 050)nm,SASI光谱范围为(950~2 450)nm,分别为经过大气校正处理数据。CASI/SASI机载高光谱数据具有高信噪比、高空间和高光谱分辨率的特点。在实际研究、生产中得到了广泛应用。北山地区是我国重要的成矿带之一,其矿床类型多样、资源丰富[12],与热液成矿有关的蚀变广泛发育,且区内人烟稀少,为典型大陆性气候,地表植被稀少,岩石裸露程度高,蚀变现象明显,具备开展航空高光谱测量地面的有利地质条件和良好的自然地理环境。

3.2 数据处理与分析

根据该地区矿物的存在情况,选择USGS光谱库中绿泥石、绢云母的光谱作为参考光谱(如图1所示)。矿物光谱区间选在短波红外范围,绿泥石在短波红外(SWIR2)上有5个光谱特征吸收峰,分别是2.245μm,2.260μm,2.325μm、2.339μm和2.470μm,其中以2.325μm处的吸收峰最强且较宽,呈对称性,2.245μm处强度为第二,非对称。因此绿泥石的主次吸收特征分别位于(2.285~2.355)μm与(2.225~2.255)μm;绢云母在短波红外(SWIR2)上有3个光谱特征吸收峰,分别是2.205μm,2.355μm和2.440μm,2.205μm是白云母类矿物的吸收特征,2.355μm处的特征峰吸收强且具有对称性,2.440μm处相对较弱,较宽非对称,因此绢云母的主次吸收特征分别为(2.345~2.365)μm与(2.40~2.466)μm。实验首先对参考波谱和图像像元波谱的包络线进行去除,来突出波谱曲线的吸收特征。然后选择相应的吸收特征范围,提取矿物的光谱主次吸收特征,利用最小二乘拟合技术,将图像像元光谱与参考波谱的主次吸收光谱特征进行拟合匹配,以得到更好的相似性精度。基于IDL编程选择矿物吸收谷波长和吸收深度作为特征参量进行综合处理提取光谱的主次吸收特征。为了检验该方法的准确性,本次实验还采用常规的SAM方法对实验区进行了相关矿物信息的提取,为便于对比分析,SAM方法采用上述方法相同的吸收特征区间,光谱角阈值经优选设置为0.01弧度。

3.3 实验结果及分析

处理结果如图2所示,其中图2(a)CASI/SASI机载高光谱数据的真彩色合成影像,图(b1)、(b2)为提取绿泥石信息,图(c1)、(c2)为提取绢云母信息。图(b1),图(c1)是ENVI软件采用SAM算法的处理结果,而图(b2),图(c2)是本次算法处理的结果。在实验过程中,采用SAM匹配法对每种矿物最大角度的阈值设置要反复实验,阈值设置过大,混分现象严重,阈值设置过小,导致一些像元不能参与识别,会对整个识别精度有很大的影响,结果表达也稍显单一;而基于光谱主次吸收特征谱带组合的相似性拟合算法在计算像元光谱和参考光谱拟合度同时,采用了矿物光谱主次吸收特征谱带组合决策方法,使处理结果更可靠。从结果的对比看,本次算法提高了矿物信息提取的精细度,还压制了一些较小特征的干扰信息,具有一定的实用性。

4 结论

(1)首先对几种常用的光谱相似性测度方法进行分析与总结,指出几种方法在识别过程中需要用到图像先验信息,并且只运用光谱曲线的完全波形特征,而无法反映局部细节差异,特征的不稳定性直接影响识别效果,且识别过程中人为干预较多等实际应用中存在的问题,提出一种矿物光谱主次吸收谱带组合特征决策方法,以此来获取更为精细的矿物信息。

(2)基于北山地区CASI/SASI机载高光谱数据,基于IDL编程实现光谱主次吸收谱带组合特征的最小二乘拟合法对该地区的绿泥石、绢云母等矿物进行信息提取,并与SAM算法提取的结果进行对比分析,发现基于光谱主次吸收特征的最小二乘拟合法能够忽略掉较小特征可能为图像噪声的干扰影响,在矿物混淆区分、信息提取精细度上均得到提高,有较强的实用性。

(3)同SAM算法相似,在使用基于光谱主次吸收特征的最小二乘拟合法也需要进行高光谱遥感数据预处理。需要根据不同地物进行光谱主次吸收特征谱带组合,实验中最小二乘拟合法需要选择合适的权重系数,这是该算法仍存在的不足。

参考文献

[1] 张兵.时空信息辅助下的高光谱数据挖掘.北京:中国科学院遥感应用研究所,2002Zhang B.Hyperspectral data mining supported by temporal and spatial information.Beijing:The Institute of Remote Sensing Applications,2002

[2] 童庆禧,张兵,郑兰芬.高光谱遥感——原理、技术与应用.北京:高等教育出版社,2006Tong Q X,Zhang B,Zhen L F.Hyperspectral remote sensing-principle,technology and application.Beijing:Higher Education Press,2006

[3]万余庆,谭克龙,周日平.高光谱遥感应用研究.北京:科学出版社,2006Wan Y Q,Tan K L,Zhou R P.Application of hyperspectral remote sensing.Beijing:Science Press,2006

[4] 杨燕杰,赵英俊.高光谱在油气勘探中的国内外研究现状.科学技术与工程,2011;11(6):1290—1299Yang Y J,Zhao Y J.The hyperspectral research status at home and abroad in the oil exploration.Science Technology and Engineering,2011;11(6):1290—1299

[5] 黄光玉,沈占锋,赵欣梅.高光谱遥感矿物识别方法研究.资源环境与工程,2007;21(1):50—54Huang G Y,Shen Z F,Zhao X M.Discussion for discrimination method of mineral usinghyperspectral remote sensing.Resources Environment&Engineering,2007;21(1):50—54

[6] 陈伟.高光谱影像地物智能化提取理论与方法研究.郑州:解放军信息工程大学,2012Chen W.Research on the theory and method for intelligent extraction of object in hyperspectral imagery.Zhengzhou:PLA Information Engineering University,2012

[7] 李军梅,胡以华,陈修桥.模式识别的特征优化专家系统研究.电光与控制,2006;13(1):20—26Li J M,Hu Y H,Chen X Q.Feature ptimizing expert system for pattern recognition.Electronics Optics&Control,2006;13(1):20—26

[8] 张浚哲,朱文泉,郑周涛,等.高光谱数据的相似性测度对比研究.测绘科学,2013;38(6):33—36Zhang J Z,Zhu W Q,Zhen Z T,et al.Comparative study on similarity measures of hyperspectral remote sensing data.Science of Surveying and Mapping,2013;38(6):33—36

[9] 杜培军,唐宏,方涛.高光谱遥感光谱相似性度量算法与若干新方法研究.武汉大学学报(信息科学版),2006;31(2):112 —115Du P J,Tang H,Fang T.Algorithms for spectral similarity measure in hyperspectral RS.Geomatics and Information Science of Wuhan University,2006;31(2):112—115

[10] 樊彦国,李翔宇,张磊,等基于多波段分析的无阈值自动光谱角制图分类法.地理与地理信息科学,2010;26(2):38—41Fan Y G,Li X Y,Zhang L,et al.Mapping classification based on the analysis of multi-band no-threshold auto-spectral angle.Geography and Geo-Information Science,2010;26(2):38—41

[11] 王润生,甘甫平,闫柏琨,等.高光谱矿物填图技术与应用研究.国土资源遥感,2010;21(1):1—13Wang R S,Gan F P,Yan B K,et al.Hyperspectral mineral mapping and its application.Remote Sensing For Land&Resources,2010;21 (1):1—13

多光谱遥感 第6篇

彩色合成是遥感数字图像处理方法中, 最常用、最基本、也是最便捷有效的彩色增强处理方法, 是关于遥感图像处理研究最早的内容之一, 到目前为止一直在延续使用, 而且必不可少, 然而在教学中本人发现, 学生对于光学原理完成的彩色合成从理论上并不能很好的理解, 学生可以看到彩色图像, 可以按照排列组合的方式, 把所有能做的彩色合成全部完成, 观察到色彩的变化, 但是很难将色度学、地物波谱特性、图像灰度值、图像透光性等知识融合到一起进行综合分析, 从原理上明白色彩变化的原因。本人从事遥感地质学教学工作多年, 将彩色合成的教学经验进行了总结, 希望对从事这方面教学工作的教师具有一定的帮助。

1 授课内容

假彩色合成, 从标准假彩色入手, 以植被为例。

1.1 MSS数据的光学标准假彩色合成

图1为从波段选择, 植被反射率, 图像色调、透明正片密度, 滤色片颜色、色光混合, 植被颜色7大方面对于标准假彩色图像上植被颜色为品红色原理的列表解释。

1.2 ETM+数据的数字标准假彩色合成、真彩色合成。

图2和图3为以ETM+、TM数据为例, 用数字图像处理的方法解释标准假彩色和真彩色合成的原理, 因为该原理的实现是在计算机的遥感软件下完成, 数据类型有一定的变化, 所以透明正片密度用图像密度来代替, 滤色片三原色, 由计算机的RGB三原色代替, 实现标准假彩色、真彩色合成。工作波段、名称、植物反射率、图像色调、DN值、图像密度、三原色、色光混合原理应该在本次课之前完成, 在课上介绍到哪一部分就要做相应的复习。

1.3 授课需特别讲明的问题

1.3.1 光学和数字假彩色合成原理区别

遥感图像彩色合成处理的对象或基础是多波段遥感图像, 单波段图像是地物在此波长范围内的反射波谱特性的直观显示, 关键是如何理解对模拟图像的光学图像处理时和对数字图像的计算机处理时不同显示方式的表象和实质。

光学图像处理:处理对象是模拟图像, 每一单波段图像可视为一张像片或一张透明正片。

反射率高的地物在银盐感光材料的相纸上 (正像) 、 (像片) , 银粒密度低, 色调浅;在银盐感光材料的片基上 (正像) 、 (透明正片) , 银粒密度低, 透光率高;合成时混入所配的某一原色光的量多。

反射率低的地物在银盐感光材料的相纸上 (正像) 、 (像片) , 银粒密度高, 色调深;在银盐感光材料的片基上 (正像) 、 (透明正片) , 银粒密度高, 透光率低;合成时混入所配的某一原色光的量少。

数字图像处理:处理对象是数字图像, 每一单波段图像可视为一个图层, 如同透明正片。

反射率高的地物DN值高 (透明正片透光率高) , 在显示器上亮度高, 混入所赋的某一原色光量多。

反射率低的地物DN值低 (透明正片透光率低) , 在显示器上亮度低, 混入所赋的某一原色光量少。

光学处理直观形象易于理解, 数字处理方便易行, 但容易忽视原理和为什么, 造成图像处理的盲目性、随意性, 对处理结果无法做出科学解释。授课过程中要注意讲明影像色调深浅与透明正片密度大小与透光率大小与单波段影像的DN值高低的相关性。

1.3.2 标准假彩色合成波段选择原理。

标准假彩色合成选择的波段为近红外、红光、绿光, 如本文中的MSS数据和TM数据, 选择的波段为MSS 7 (R) 、MSS5 (G) 、MSS4 (B) 和TM4 (R) 、TM3 (G) 、TM2 (B) , 都是由植被的波谱特征来决定的。植被在摄影红外波段如MSS7、TM4反射率奇高, DN值高, 在相应波段的图像上色调浅, 混入所赋的某一原色光多, 所以, 在多波段遥感图像彩色合成时, 为此波段图像所赋的原色光的颜色将成为合成图像的主导色。MSS5和TM3都是红光波段植被的反射率低, 处在红谷的位置, 透光性不好。MSS4和TM2都是绿光波段植被具有绿峰, 反射率较高, 图像密度较小, 透光性较好。大量的红光和少量的蓝光合成为非常偏红的品红色。

1.3.3 真彩色的原理

TM3、TM2、TM1分别为红光、绿光、蓝光波段 (图3) , 在彩色合成过程中恰好给予红、绿、蓝三原色, 则原来是红色的地物还是红色, 原来是绿色的地物还是绿色, 原来是蓝色的地物还是蓝色, 其合成色与地物原有颜色一致。例如, 原来是红色的物体, 是因为其反射了红光看起来是红色, 那么它在TM3红光波段的图像上反射率就会很高, 图像色调很浅, 透光性很好, 给一束红光恰好能透过, 地物看起来则为红色, 恢复了地物原有的颜色, 因此称TM3 (R) 、TM2 (G) 、TM1 (B) 为真彩色, 就是进行了色彩还原的真彩色图像, 这也是数字彩色摄影的基本原理。

1.3.4 模拟真彩色和真彩色之间的区别

如:MSS5 (R) 、7 (G) 、4 (B) 彩色合成的植被绿色为模拟真彩色, 而非真彩色, TM3 (R) 、TM2 (G) 、TM1 (B) 则为真彩色。原因在于, MSS没有蓝光波段的像, 缺少地物三原色的蓝光信息, 因此无论怎样彩色合成都不会与地物真实颜色相一致。

1.4 举一反三讲解的内容

前边已经把彩色合成的基本原理解释清楚, 可以用提问的方式, 由学生先观察、思考, 然后再讲解, 讨论完成本部分的几个问题。

1.4.1 植被的颜色为什么会不同

实际生长的植被, 由于一种植被处在不同的生长期, 遭受的病虫害不同, 其反射率也不同, 所以图像的密度, 透光性也不同, 所以植被在标准假彩色合成图像上虽然都是非常偏红的品红色, 但深浅也会相差很大, 如健康茂盛———亮红, 幼年———粉红, 病害———暗红, 成熟农作物—鲜红等。基本的规律是植被生长的越好, 反射率越高, 就会越偏红。

不同的植被, 如小麦、树木、灌木丛颜色会不同在讲解的遥感图像数据上找到相应的地物进行观察。

1.4.2 标准假彩色合成不同水质水体颜色变化特点

彩色合成中, 水体颜色的变化主要由水中所含物质来决定, 课上以TM432洞庭湖为例讲解, 水体当清而深时是黑色, 因为水体在三个波段上的反射率都较低, 红、绿、蓝三原色都不容易透出故为黑色;当水体中含泥沙时在TM3橙红光波段, TM2绿黄光波段, 泥沙具有一定的反射率, 增加绿、蓝光的透光率, 合成为淡青色;有水藻时TM4摄影红外波段反射率大大增强, 具有了植被的光谱特征, 呈现出带红点、红晕的图像特征。并可进一步为同学讲解水体污染监测, 如赤潮。

1.4.3 云、雪、冰在TM432标准假彩色合成时是什么颜色

云、雪、冰, 因其在TM432三个波段反射率均较高, 红、绿、蓝三原色光均能很好的透过来, 加色法合成为白色。

1.4.4 当遇到我们没有讲过的地物时, 如何分析其颜色

注意为学生梳理思路, 从地物的波谱曲线入手, 结合遥感图像波段特征, 按照图1、图2、图3的思路方法进行分析, 即可得到答案。

1.5 相关作业

草绘植被的反射波谱曲线。结合多波段假彩色合成实验, 综合分析植被在TM标准假彩色 (模拟真彩色) 图像上的色彩特征, 并说明为什么? (提示:植被的反射波谱特性、ETM+各波段的工作波长、植被在不同波段图像上的色调、透明正片的影像密度或DN值、波段与三原色光组合、色光加法混合原理)

2 授课方式

在课上首先把一幅图像由灰度变为彩色的, 勾起学生的好奇心, 然后按照“理论+实验”、“提问+讨论”方式完成教学。分别用光学图像处理方法和数字图像处理方法来实现。

光学图像处理方法, 采用多光谱彩色合成仪 (图4) , 在当今的数字化时代, 各种传统的光学图像处理方法几乎都得以在计算机上实现, 该仪器已少人问津, 但对直观地理解彩色合成图像处理的原理还起着难以取代的作用, 在这里仅作简要介绍, 该实验选用的是MSS数据。

实验选择MSS7, MSS5, MSS4三个透明正片, 图5 (左) 单波段图像, 对应多光谱彩色合成仪的三个通道, 以MSS7 (R) , MSS5 (G) , MSS4 (B) 的方式给三个透明正片配以红、绿、蓝三原色光, 即出现图5 (右) 的彩色合成以后的图像。当图像彩色合成实现后, 以洞庭湖下方代表芦苇分布的品红色区域为例, 按照图1的原理再强调一次原理, 学生才会有眼见为实的感触。

多光谱彩色合成仪可以将三原色顺序以C32种组合调整顺序, 除MSS7、5、4对应R、G、B为标准假彩色之外, 其它组合———统称非标准假彩色合成, 或直接称为彩色合成。其中MSS5 (R) 、7 (G) 、4 (B) 被称为模拟真彩色。

数字图像处理, 在计算机上, 用ERDAS等遥感图像处理软件完成, 选用TM、ETM+等数据均可。彩色合成处理过程较简单, 出现的效果需要依照图2和图3以及授课内容作出详细认真的讲解, 并注意单独观察TM4 (R) , TM3 (G) , TM2 (B) 具有植被部位的透光性, 分析透光性是否由其反射率来决定, 透过的光根据加色法彩色合成原理, 即得植被的颜色———品红色 (图5) 。

TM有7个波段, 6波段为热红外图像不参与反射波谱特性图像的彩色合成, 所以彩色合成选择TM1、TM2、TM3、TM4、TM5、TM7, 6个波段完成, 共有C63种合成方案, 老师再为学生演示TM3 (R) 、TM2 (G) 、TM1 (B) 彩色合成方案, 并按照授课内容讲解, 其余方案由学生自己操作, 体会其中的原理, 并总结颜色变化的原因, 完成1.3的作业。

3 课程内容重难点分析

本课程设计100分钟, 70分钟讲解加演示, 30分钟学生用ERDAS软件自己操作完成。学生在操作的过程中需观察不同的彩色合成下地物颜色的变化, 考虑为什么, 并完成作业。 (下转第68页) (上接第55页) 4结论

本设计将地物的波谱特性, 图像的灰度, 透明正片的透光率, 多波段图像波段效应、三原色光原理, 加色法色光混合原理全部融会贯通起来, 使学生真正理解彩色合成的原理, 并在实际工作中能灵活运用, 如比值图像、主成份分析处理后的图像, 也可以用本设计彩色合成原理来理解, 只是失去了地物的波谱意义, 体现的是其数学特征, 由DN值来决定。在实际教学中本设计教学效果非常好, 所以将其总结成文。S

摘要：多波段遥感图像彩色合成是一种应用广泛的遥感图像应用处理, 本文对其授课目标、授课方式、授课内容、授课顺序、授课重点等进行了设计, 并将彩色合成原理从色度学、地物波谱特性、图像灰度值 (图像密度、透光性) 等几个方面进行关联, 使学生真正学懂彩色合成的基本原理, 并能灵活地应用到遥感图像专题信息提取的实践之中。

关键词：标准假彩色合成,真彩色合成,加色法

参考文献

[1]母国光, 站元龄.光学[M].人民教育出版社, 1978.

[2]荆其诚, 等.色度学[M].科学出版社, 1979.

[3]汤顺青.色度学[M].北京理工大学出版社, 1990.

[4]吕斯骅.遥感物理基础[M].商务印书馆, 1981.

[5]陈述彭.遥感大词典[M].科学出版社, 1990.

[6]朱亮璞.遥感地质学[M].地质出版社, 1994.

[7]霍宏涛.数字图像处理[M].机械工业出版社, 2003.

纸币多光谱图像特征提取方法 第7篇

1 纸币的外形尺寸特征提取指的是：

：我们根据长度和宽度可以对多种纸币面额分类，如人民币、印度币、欧元，不同面额的外形尺 寸都是不同的。

2 多光谱图像网络特征提取

在RGB图像转换为HSI图像后, 我们发现图像的纹理信息可以通过I亮度分量明显的表现出来, 而饱和度和色相对亮度特征对此已无干扰。由此, 我们用网格特征方法提取纸币的亮度分量图像。现各国流通的纸币大多为矩形形状, 按照纸币的形状大小不同, 划分图像特征矩形区域, 然后确定纸币的基准特征为矩形区域的平均灰度, 并进行K-L变换及归一化得到我们所需要的多光谱图像特征。纸币经过流通后, 变旧、磨损, 图像特征不足够清晰、明显, 但是我们提取得到的多光谱网格特征能清晰的表现出纹理特征, 因此可以准确的识别纸币的面值面向信息。

2.1 下面介绍传统的网格特征提取方法:

2.1.1 以纸币图像的顶点和边线为一个轮廓，

利用纸币图像的上边沿和左边沿直线方程计算每个特征块到左上顶点的相对距离， 根据左上顶点的相对距离按特征快大小遍历每个特征块像素点，计 算特征块中所有点的平均灰度值。

我们将纸币图像的有效区域划分为KL个相互不重叠的矩形区域Γk, l, k=1, 2, , K, l=1, 2, , L每个有相同的大小的块dxdy.纸币图像的每个块为向量x=[x1, x2, , xKL], 其中用x (l-1) K+k表示每个块Γk, l的灰度平均值:

2.1.2 彩色图像传感器在采集多光谱图像的过程中，

由于电路干扰以及机械走钞等多种因素的影响，对同一张纸币所采集到的多 光谱图像，不能得到完全一致的亮度分量，纸币的新旧程度所显现 出的亮度信息也会存在差异，特征向量的模长又会受图像亮度强弱 的影响，所以我们对基准特征 x 进行归一化： 。

2.2 传统的网格特征提取基本有两种方法:相对块大小方法、绝对块大小方法。

相对块大小的方法:纸币图像的有效区域确定后, 按照纸币图像的宽度和高度比例可以确定相对块的大小。结果如图1所示, 尺寸不同的图像提取的网格特征块大小也不相同, 要比绝对块大小的方法更适合纸币网格特征的提取。

绝对块大小的方法:纸币图像的有效区域确定后, 以左上顶点的相对位移处为起点, 按绝对大小的块进行计算, 直到计算了足够个数的块为止。

绝对块大小的方法虽然计算简单, 但有十分明显的缺点, 走钞过程中容易使纸币变形或发生褶皱, 但此时图像仍然按照绝对块大小提取, 就会导致特征提取不精确。

3 多光谱图像自适应网格特征提取

主要是针对纸币在走钞过程中可能出现的变形情况, 如梯形, 凸多边形等等。我们将图像分成A*B个特征块, 上下边沿A等分, 左右边沿B等分, 分别计算出等分点。在左边沿的第N个等分点与右边沿的第N等分点之间做一条直线, 并计算直线方程。上、下边沿同理。挑选那些含有最多图像特征信息的块作为图像的特征块, 计算块内像素点的平均灰度值, 对基准特征x进行归一化。

4 多光谱图像颜色特征的提取

4．1 由 RGB 图像转换为 HSI 图像后

众所周知纸币颜色的波长由 H 定义，纸币颜色的区别是通过 H 色相分量表示出来的，由于币 种面额不同，则相应颜色构成也不同，因此通过 HSI 图像中 H 分量 提取颜色特征的方法，来识别多光谱纸币图像面额。利用纸币不同 面额面向的模板相关系数，可以求解整幅色相图像的直方图，根据 设定的相应阈值判断纸币面额。如图 2 所示

但是, 这样处理会出现两个问题, 首先是计算量过大, 用时过长。其次是个别块包含的是冗余信息, 对识别面值面向的准确性能没有提高, 可能会影响此性能。

100元HSI空间下的图像的色相分量100元HSI空间下的图像的色相分量统计直方图

图像的自适应网格特征可以根据亮度分量求得, 因为HSI三个分量图案的相对位置是不变的, 所以可以根据自适应网格特征划分H分量。

4.2 通过对比采集到的多光谱图像，

挑选具有明显颜色特征的区域作为图像的颜色特征块，来判断纸币的面额面向信息。计算选 取特征块内像素点的直方图，色调信息的直方图能够较好的表达图 像的色彩信息，从而完成纸币图像颜色特征的提取。

5 神经网络分类器设计

IN LAYER、OUT LAYER和OBSCURE LAYER组成BP3神经网格 (BP神经网络如图) 。可调权值连接各层节点。其中隐含层节点函数通常选择为S状函数。

其中输入层为纸币HSI亮度分量图像经过网格特征提取的归一化特征向量。输出层为神经网络计算结果, 输出层的节点个数为该币种的面额数加上四个面向方位。如果纸币的币种数是A, 那个输出层节点的个数就是A+4个, 其中四个面向方位表示, 分别对应纸币的反面朝下, 正面朝上, 反面朝上, 正面朝下, 四个方向, 后A个节点代表不同的A个面额。

摘要：利用彩色图像传感器采集纸币图像, 对纸币进行识别技术在金融机具清分机领域被广泛使用, 因此多光谱图像特征提取成为模式识别领域较为突出的一个课题。如何利用多光谱对不同国家的纸币图像进行识别, 并且保证识别速度达到清分机的实用性能指标, 逐渐成为纸币识别的重要课题。

关键词：多光谱图像,特征提取

参考文献

[1]刘家锋, 刘松波, 唐降龙.一种实时纸币识别方法的研究[J].计算机研究与发展.2003, 40 (7) :1057-1061.

[2]曹益平, 何卫国, 梁友生, 赵新亮, 常山.一种新钞票纸张的离焦识别新方法[J].激光杂志.2004, 21 (06) :132-137.

多光谱实时对比票证鉴别系统 第8篇

随着银行票据业务的推广和发展,票据业务量快速增长。由于票据具有金额大、使用范围广、承兑时间长等特点,这对票据真伪鉴别的准确性提出了更高的要求。常用的票证种类繁多,如人民币(不同版本、不同面额所具有的防伪特征点的数量、位置、防伪特性都不相同)、外币和证照等,多达上百种。现有的票证鉴别仪采用一机一显的结构方式,不能实时同步对比,加大了票据鉴别的风险。本文根据票据、人民币、外币、护照等票证所具有的各种防伪特征,研究一种多光谱实时对比票证鉴别系统。系统采用“以真反假,以真鉴假”的鉴伪思路,通过不同倍数的光学放大图像传感器组与鉴伪光源组合,实现对票据等防伪特征的图像显示,并通过真版数据库的真版图片对比指引,辅助完成多种票证的鉴别工作。

1 系统总体方案

基于票据、人民币、外币的各种防伪特征,采用不同鉴伪光源如红外光、紫外光、白光、红外激光、多种投射方式、高倍光学镜片、CCD图像传感器和图像采集卡等,实现票证在不同组合模式下图像的采集、显示和保存;采用单片机的通信协议和ARM7芯片的通信接口技术,同步实现检测主机和数据库中防伪特征鉴别图像的读取、显示和对比;通过待验票证鉴别的光谱图像和数据库中相同状态下原版票样的真实光谱图像的对比,实现票证实时对比鉴别[1,2,3,4,5]。

多光谱实时对比票证鉴别系统由主显示屏、对比显示屏、功能显示屏、检测主机和放大鉴别仪组成,系统结构图如图1所示。其中主显示屏用于显示检测主机或放大鉴别仪在鉴伪功能模式下采集到的实时鉴别图像;对比显示屏用于相同鉴伪功能模式下数据库中真版图像的显示;功能显示屏用于功能状态、鉴伪模式和电子鉴伪说明的显示。

2 多光谱票证鉴别技术

2.1 光源与分布

票证、纸币的防伪特征采用白光、紫外光、850nm红外光和950nm红外激光等光源鉴别或激发信号进行检测。其中票据的渗透性油墨、彩虹印刷图文、制版印刷图文、凸凹版印刷图案、水印图文、对印图案、光变图案、缩微文字、暗记、防伪底纹等防伪特征采用白光LED作为鉴别光源;票据的荧光防伪图案、荧光纤维丝等防伪特征采用365nm波长的紫外光作为鉴别光源;票证红外防伪图案、凸凹版印刷图案等防伪特征采用850nm波长的红外光作为鉴别光源;红外激发荧光特征采用980nm波长的红外激光作为激发光源;特别增加450nm波长的蓝光作为对消除墨迹的鉴别光源[6,7,8]。

本系统采用LED光源和冷阴极紫外光灯作为鉴别光源。为达到鉴别多种防伪特征所需的鉴别光源空间亮度和均匀度的要求,在主机顶部、侧部和底部位置上分别对光源的空间分布和照射角度进行排列和组合,并进行全方位的实验和测试,以满足票证、纸币的防伪特征鉴别功能的要求。鉴别光源和投照射方式组合包括红外光、侧红外光、定向侧红外(仅用于放大鉴别仪)、紫外光、白光、侧白光、定向侧白光(仅用于放大鉴别仪)、背光、红外+背光、红外激光、蓝光(仅用于放大鉴别仪)等11种鉴伪工作光组合模式,分别布置在检测主机和放大鉴别仪各个不同位置,如图2、图3所示。

2.2 鉴别图像采集

为避免多光谱干扰,降低噪声,提高图像质量,根据白光、蓝光、红外线、紫外线、红外激光等不同鉴别光源下防伪特征的图像特性,特制了带通光学滤光片,光谱曲线如图4所示。

根据鉴别功能要求,控制选择功能鉴别模式和切换滤光片,实现对白光、蓝光、红外线、紫外线和红外激光等不同鉴别光源下,对应检测的防伪特征图像获取和输出[8,9]。鉴别图像采集采用高清图像传感器和高倍光学放大镜头组,滤光片置于滤光片切换器中,固定在图像传感器前,由电路主板控制滤光片切换,实现多光谱图像的放大显示和视场范围的特征图像显示鉴别,图像采集模块如图5所示。

2.3 多光谱组合鉴别模式

通过组合鉴别光源、光路和鉴别图像采集,可实现21种鉴伪功能模式,满足人民币、外币、票据、证件鉴伪工作的需求。各功能模式应用的防伪特征如表1所示。

3 实时对比鉴别系统

3.1 系统设计

实时对比票证鉴别系统对鉴别功能状态制定统一的状态指令代码。在全景白光模式状态下,系统根据模式参数设定开启全景CCD图像传感器,选择切换到白光鉴别滤光片,控制开启相应的检测光源和图像采集器,并同时发送状态指令至对比系统;对比系统收到状态指令后,反馈接收指令给检测控制系统;对比系统根据收到的状态指令,识别当前处于全景白光状态,读取真版数据库中对应子图库中的原版票证的正确图像并输出至对比显示屏显示。实时对比系统控制策略如图6所示。

通讯模块采用MAX232芯片控制,检测控制系统每隔0.5 s扫描一次通讯端口,如果没有收到对比系统反馈的接收指令,则继续发送状态指令直到收到接收指令。通讯模块电路原理图如图7所示。

3.2 硬件设计

实时对比票证鉴别系统基于ARM芯片控制,包括对比系统控制板、触摸屏、液晶显示屏等。对比系统主控电路板采用GPL32200A作为主控芯片,采用SAMSUNG W9864G6XH-6作为SDRAM(同步动态存储器);采用SAMSUNG K9G4G08为FLASH内存,用于存储真版票据图片库;升级卡槽,用于通过SD卡升级软件版本和更新真版图库图片;同步通讯端口用于接收检测系统主控板发送的状态指令和反馈接收指令;编程端口,用于开发时写入调试主芯片程序;开发调试按键用于开发调整参数和测试编译程序。对比系统主板如图8所示。

3.3加密设计

为保证真版图片库的数据安全,对比系统做了双重保密设计:

1)对比系统采用单向数据设计,主控程序中有数据读写控制子程序,控制所有图片数据只能通过SD升级卡槽写入、覆盖和删空,保证图片数据不能被导出;

2)设计加密和解密程序,加密程序用于制作和生成升级或更新用的真版资料,解密程序作为子程序编入对比系统的主控程序中,不经过加密的图片无法导入对比系统。加密程序通过加密算法,将JPG格式的图片编译成一般电脑程序无法识别的加密图片;即使SD卡遗失,里面的真版图库资料也无法被直接读取。当存有加密图片的SD卡插入升级卡槽中时,主控程序读取SD卡中加密数据,并同时执行解密程序,最后将解密后的图片存于FLASH内存中。数据保密方案如图9所示。

4 系统调试和检测

1)系统功能调试

测试主机各个功能模式是否正常运作、是否开启相应的鉴别光源和图像传感器、功能状态指示是否正确、显示内容是否与功能状态相符。检测主机和放大鉴别仪进行票证的真伪对比鉴别时,检测系统根据工作模式的设定,控制开启相应的检测光源和图像采集器,同步读取和显示数据库中相同状态下真版的防伪特征鉴别图像,在主显示屏中显示选用的图像采集器所拍摄的实时图像,在对比显示屏上显示数据库中原版票证的正确图像,如图10所示。

2)实时对比系统通讯测试

测试内容包括:同步通讯的正确率、同时同步准确率和控制同步时间。通过软件程序模拟操作各种功能状态情况,分别测试和记录从主机发送同步指令到对比系统反馈同步指令的时间、对比系统响应的时间、对比系统读取显示数据库图片的时间等等。经过2万次模拟测试,实现2万次连续同步通讯无错误,响应时间小于50ms。

3)系统通过国家公安部防伪产品质量监督检验中心的检验,性能指标达到Q/YKD2-2014票证实时对比系统的相关要求。

5 结语

系统针对票据、人民币、外币和护照等票证的鉴别要求,采用多光谱作为鉴别光源,与不同倍数的光学放大图像传感器组组合,实现多种票证防伪特征的实时对比图像鉴别,并通过真版数据库的真版图片对比指引,辅助完成票据特征鉴别。由于独特的实时对比功能,相比传统同类设备,操作者无须记忆多种票证在不同光源和放大状态下的几百种防伪特征,摆脱以往必需通过电脑调用数据库图片进行比对的约束,提高了鉴别准确率和工作效率。

参考文献

[1]房树娟,葛华勇,任乐乐.基于光学特性及其线性约束的图像检测算法[J].微型机与应用,2015,34(22):37-40.

[2]韩宇,何佑明.浅析光学变色防伪油墨及其印刷工艺[J].中国印刷,2013,26(9):87-89.

[3]徐大雄.防伪技术中的肉眼识别和机器识别[J].印刷技术,2000,17(2):54-55.

[4]杜万青,柯红梅.红外光学系统成像像质的检测[J].激光与光电子学进展,2005,42(9):30-31,38.

[5]孙鹏.纸币图像特征提取与识别问题研究[D].辽宁:辽宁科技大学,2012.

[6]刘铁根.光学防伪检测技术[M].北京:电子工业出版社,2008.

[7]米本和也.CCD/COMS图像传感器基础与应用[M].北京:科学出版社,2006.

[8]张逸新,现代印刷防伪技术[M].北京:中国轻工业出版社,2007.