[发明专利]一种基于荧光光谱的溢油种类识别方法

说明书

技术领域

本发明涉及一种模式识别方法，具体地说，是涉及一种基于荧光光谱的溢油种类识别方法，属于遥感监测技术领域。

背景技术

在诸多海面油污染遥感监测手段中，机载激光荧光雷达是最有效和最具潜力的一种，它利用不同溢油的荧光光谱特征不同的特性对溢油种类进行识别，可获取高空间分辨率、高精度的溢油信息，帮助相关部门做出溢油应急措施的决策。

目前，美国、法国、加拿大、德国、日本等国均发展了机载海洋激光荧光雷达系统用于监测海面油污染。在系统中比较重要的数据处理和分析环节中，这些典型的系统主要采用相关或距离度量等简单分类算法或者神经网络、支持向量机等较复杂的模式识别方法对溢油种类进行识别。由于机载海洋激光荧光雷达系统的光谱采集通道数和采样频率的限制，根据采集得到的溢油荧光光谱通常只将溢油分为三至四类。如：加拿大的SLEAF系统应用Pearson相关系数及主成分分析方法判定是否发生油污染，并将石油产品粗略分为轻油、原油和重油。德国Oldenburg大学先后采用主成分分析、通道相关方法、神经网络和支持向量机等方法用于溢油识别，识别的类别为轻油、原油和重油。日本船舶研究所利用荧光寿命特征鉴别石油，采用匹配方法将石油分为轻油、A重燃料油、C重燃料油和原油。

上述方法都只将溢油荧光光谱粗略分为三至四类，能够识别的溢油类别有限。另外，这些方法均是基于各系统测得的不同种类溢油的荧光光谱、结合该领域的专家知识经过实验探索而得来，一方面研究过程比较费力；另一方面，这些方法的自适应能力较弱，如果荧光光谱库中增加了新的溢油荧光光谱，则整个识别方法研究过程可能需要重新进行，费时费力，使用不便。

发明内容

本发明针对现有技术中溢油种类识别方法存在的可识别种类有限、识别过程复杂、自适应能力弱的问题，提供了一种基于荧光光谱的溢油种类识别方法，通过分层次的识别分类方法，增加了可识别溢油种类的数量，提高了方法的识别效率和自适应能力。

为实现上述发明目的，本发明采用下述技术方案予以实现：

一种基于荧光光谱的溢油种类识别方法，包括建立溢油识别模型的过程，以及通过溢油识别模型识别溢油种类的过程；

建立溢油识别模型的过程包括建立初次识别模型的步骤和建立二次识别模型的步骤；

建立初次识别模型的步骤包括建立标准匹配光谱库的子步骤和建立模型算法的子步骤，所述标准匹配光谱库中包括有待识别的溢油种类的参考光谱；

建立二次识别模型的步骤是基于已知溢油种类的光谱、利用粒子群优化算法选择全局最优二次识别模型；

通过溢油识别模型识别溢油种类的过程包括采用初次识别模型识别溢油种类的步骤以及根据初次识别结果判断是否采用二次识别模型进行识别的步骤。

具体地，若采用所述初次识别模型识别出溢油种类，则结束识别过程；若采用所述初次识别模型未识别出溢油种类，则采用所述二次识别模型进行识别。

如上所述的识别方法，所述初次识别模型采用光谱信息离散SID与光谱角度匹配SAM相结合的算法；所述标准匹配光谱中的参考光谱是对相同溢油种类的光谱求平均值后得到的光谱。

进一步地，所述光谱信息离散SID与所述光谱角度匹配SAM相结合的算法为SID(t，r)×tan(SAM(t，r))或SID(t，r)×sin(SAM(t，r))中的一种；其中，t为待识别光谱，r为所述标准匹配光谱库中的参考光谱。

如上所述的识别方法，所述二次识别模型包括有预处理算法、特征提取与选择算法及分类器，利用粒子群优化算法选择全局最优二次识别模型包括下述子步骤：

a、初始化粒子群S＝{x₁，x₂，…，x_m}，初始化迭代次数t＝0：

粒子群中的粒子为i＝1，2，…m，m为粒子群中的粒子数；x_i，pre为多种预处理算法中的一种，为x_i，pre预处理算法对应的参数，N_pre为预处理算法的输入参数个数；x_i，fs为多种特征提取与选择算法中的一种，为x_i，fs特征提取与选择算法对应的参数，N_fs为特征提取与选择算法的输入参数个数；x_i，sel为二进制变量，用于表示预处理算法在特征提取与选择算法之前或之后进行；x_i，class为多种分类器中的一种，为x_i，class分类器对应的参数，N_class为分类器的输入参数个数；