用近紅外高光譜圖像區(qū)分不同品質(zhì)的建筑涂料

　　蔣金豹，喬小軍，何汝艷，田奮民

 

　　【中國涂料采購網(wǎng)】摘 要 市場上出售的建筑涂料品種繁多，型號和品質(zhì)不盡相同。利用高光譜技術區(qū)分不同品質(zhì)的建筑涂料。獲取同一顏色四個不同品質(zhì)、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(fā)現(xiàn)1283和2447nm 為區(qū)分四個品牌涂料的最優(yōu)波段。構建比值指數(shù) 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(shù)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(shù)能夠較好地區(qū)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(zhì)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(qū)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(zhì)不盡相同。建筑涂料主要由粘結材料、顏料、填料、稀釋劑等經(jīng)一定工藝制造而成的產(chǎn)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(zhì)的建筑涂料，在可見光范圍內(nèi)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(chǎn)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(huán)節(jié)，涂料品質(zhì)的優(yōu)劣主要靠經(jīng)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(qū)域內(nèi)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(nèi)具有相似或相近光譜特征的建筑涂料，在近紅外范圍內(nèi)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(qū)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(shù)據(jù)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(shù)據(jù)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(yōu)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(zhì)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(zhì)提供理論依據(jù)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(zhì)、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(zhì)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(shù)據(jù)獲取

      采用ImSpectorN25E(SpectralImagingLtd，F(xiàn)inland)光譜儀獲取成像高光譜數(shù)據(jù)，其為推掃式成像，自帶光源，每次可獲取320像元的一行數(shù)據(jù)，列數(shù)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(shù)據(jù)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(shù)據(jù)。為了對比在可見光范圍內(nèi)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(nèi)共128個波段的高光譜數(shù)據(jù)，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(shù)據(jù)。

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(shù)據(jù)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(shù)據(jù)在400～1000nm 共128個波段，近紅外高光譜影像在1000～2500nm 范圍內(nèi)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(shù)據(jù)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(huán)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(shù)據(jù)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(zhì)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(shù)據(jù)投影映射到低維空間，其本質(zhì)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(yōu)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(yōu)的波段。

       方差分析是在方差已知情況下，正態(tài)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(shù)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(yōu)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(tǒng)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(qū)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(yōu)勢在于能抑制成像環(huán)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(shù) R800 × R550/R680用于識別水浸玉米與甜菜，發(fā)現(xiàn)該比值指數(shù)的識別能力優(yōu)于其他指數(shù)，且表現(xiàn)出較強的穩(wěn)健性。本研究利用方差分析選出最優(yōu)波段，并對其做波段比運算，以突出不同涂料的可區(qū)分性。

        為了評價波段比值指數(shù)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(yōu)波段組合對四個品種涂料的區(qū)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(jiān)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(tài)分布的條件下，能表現(xiàn)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(yōu)波段作為特征進行分類。

2 結果與討論

2.1 ANOVA最優(yōu)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(shù)據(jù)僅選取了360～700nm 部分)。四種涂料在可見光內(nèi)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(qū)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(tǒng)計量F 值反映差異的顯著性，F(xiàn)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(yōu)波段。

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