[发明专利]一种高识别度的红外光谱特征提取与匹配方法

说明书

本发明公开了一种高识别度的红外光谱特征提取与匹配方法，首先读取光谱样本库，通过豪斯霍尔德变换方法和QR迭代算法获取样本库的最优特征子空间，将光谱的测试数据和光谱样本库中所有光谱数据分别在最优特征子空间进行投影；计算投影后向量的欧几里得距离值，获取光谱测试数据与光谱样本库中光谱数据的相似度，如果出现相似度相等的情况，则对欧几里得距离法所求的相似度相等的光谱再进行向量空间余弦相似性度量，重新计算相似度，最终检索出光谱样本库中与光谱测试数据最相近的光谱。它具有既能保证快速的冗余删减，又能保留内部成员的相互关联，同时还能进行准确的物质识别的优点。

技术领域

本发明涉及一种高识别度的红外光谱特征提取与匹配方法。

背景技术

红外光谱的特征提取与匹配技术在民用和军事领域都具有很好的理论研究价值和广泛的应用前景，是当前物质分析的一个研究热点。该项技术是对光谱测量数据成分的分解、重组和选择的过程，它是光谱数据挖掘中的一个关键环节，决定着后续处理的质量、效率、系统复杂度以及稳定性。基于光谱信息的特性以及红外光谱特征提取与匹配的实用价值，红外光谱特征提取与匹配技术被广泛的应用在了物质分析领域，也即是在给定先验知识的前提下，通过对原始目标的光谱辐射特性进行一系列的变换映射处理，找到最能表现目标特性的特征空间，通过投影矩阵将光谱数据的训练集和测试数据投影到特征空间中，然后再通过一定的匹配算法，达到了物质成分识别的效果。

在现有技术中，论文“光谱数据挖掘中的特征提取方法”(天文学进展，第30卷第1期，第94～105页，2012年2月)介绍了一种光谱特征提取的方法——主成分分析法(PCA)，该方法将已有的众多指标进行分解、重组，形成一系列线性无关的综合指标，并按照它们反映原始信号所蕴含信息的能力从高到低进行排序。在该文献中，作者采样一批不同天体的观测数据，构造该观测数据的协方差矩阵，然后采用该协方差矩阵的无偏估计进行PCA分析，获取该矩阵的所有特征值和其对应的特征向量，最后依据累积方差贡献率筛选出最优的特征空间，这样达到了数据压缩的目的，以利于高效的计算，并抑制噪声等干扰因素对物质分析结果的不利影响。另外，在进行光谱匹配时用到了欧几里得距离法，进行物质识别。

1.现有技术在进行光谱的特征提取时遗漏掉了一些重要信息；

2.现有技术在进行匹配时，当投影后的测试数据与样本训练集数据的相似度值相同时，会出现无法进行物质区分的现象。

发明内容

本发明的目的就是为了解决上述问题，提供一种高识别度的红外光谱特征提取与匹配方法，它具有既能保证快速的冗余删减，又能保留内部成员的相互关联，同时还能进行准确的物质识别的优点。

为了实现上述目的，本发明采用如下技术方案：

一种高识别度的红外光谱特征提取与匹配方法，首先读取光谱样本库，通过豪斯霍尔德变换方法和QR迭代算法获取样本库的最优特征子空间，将光谱的测试数据和光谱样本库中所有光谱数据分别在最优特征子空间进行投影；计算投影后向量的欧几里得距离值，获取光谱测试数据与光谱样本库中光谱数据的相似度，如果出现相似度相等的情况，则对欧几里得距离法所求的相似度相等的光谱再进行向量空间余弦相似性度量，重新计算相似度，最终检索出光谱样本库中与光谱测试数据最相近的光谱。

一种高识别度的红外光谱特征提取与匹配方法，包括如下步骤：

步骤(1)：读入光谱样本库；

步骤(2)：根据步骤(1)的光谱样本库中每种物质的光谱数据都是一维数据的特性，组成一个多维的矩阵，从而形成原始特征空间，所述原始特征空间是原始的光谱训练样本集；

步骤(3)：对步骤(1)的原始的光谱训练样本集进行标准化处理得到谱图训练样本；

步骤(4)：判断光谱样本库中所有光谱数据是否均读取完毕，如果是就进入步骤(5)，如果否就返回步骤(1)；