[发明专利]一种基于多目标极小值的多光谱真温反演方法

说明书

本发明提供了一种基于多目标极小值的多光谱真温反演方法，包括如下步骤：获取被测目标的亮度温度、有效波长以及光谱发射的变化范围；建立多目标函数；建立真温反演所需的等式、不等式约束条件；采用优化原理在等式、不等式约束条件下求解多目标函数的极小值；根据优化原理反演出每个测量通道的光谱发射率；根据所述光谱发射率反演真温的值。本发明通过上述方法降低了真温反演的复杂性和技术难度，在采用多目标极值优化法求解真温时，不需要对亮度温度和波长做任何的处理就可以反演出光谱发射率以及真温，提高了光谱发射率和真温的反演速度。本发明方法灵活，具有很强的推广应用性。

技术领域

本发明属于光谱测量技术领域，尤其涉及一种基于多目标极小值的多光谱真温反演方法。

背景技术

目前真温求解方法主要包括以下四类模型：第一种是灰体假设模型，这类模型是一种最简单的真温求解方法，其最早见于20世纪20年代的比色高温计，这种方法通过测量在两个波长下的辐射亮度，通过比色公式消掉光谱发射率的影响完成真温的计算，而对于非灰体的测量对象来讲，这种方法可能会造成较大的误差；第二种是波长假设模型，这类模型在光谱发射率与波长之间建立模型来实现真温和光谱发射率反演，这种方法是目前国内外最常用的方法，1976年，Svet将光谱发射率和波长之间建立数学模型，采用含有波长的多项式近似代替未知的光谱发射率，当方程组处于超定或正定状态时，才可以实现对方程组的求解，进而反演出真温和光谱发射率；第三种是真温假设模型，这类模型将光谱发射率与真温之间建立模型来实现真温和光谱发射率反演，这种方法是一种独特的真温反演方法，其真温反演精度较高且具有较好的鲁棒性，但由于采用了迭代的求解方式，其真温的反演速度并不高；第四种是神经网络假设模型，这类模型神经网络的多光谱真温反演方法是一种重要的真温反演方法，但这种方法的Matlab反演程序最为复杂，而且神经网络都需要事先进行学习，学习的过程不但需要大量正确、可靠的数据而且学习本身就需要花费大量的时间，因此这种方法真温反演的速度也最慢。

另外，在实际的辐射测温过程中，光谱发射率存在瞬时多变性，即在不同时刻、不同测量位置、不同温度下光谱发射率的数值都是不相同的，如果假设的光谱发射率模型与实际光谱发射率的变化规律不符，可能会产生较大的真温反演误差，并且光谱发射率与其它物理量(波长或温度等)之间的数学模型是需要通过大量的实验和经验才能获得的，因此，完成多光谱真温的反演具有一定的技术难度。另外，现有技术中光谱发射率与其它物理量(波长或温度等)之间的数学模型通用性较差，尤其是当待测辐射体发生改变时，这种数学模型也就失去了存在的价值，因此，如何降低多光谱求解模型的复杂性、提高反演速度与通用性以更好地满足实际需要是这种方法亟待解决的问题之一。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于多目标极小值的多光谱真温反演方法解决了传统多光谱真温反演中模型选取的复杂性以及反演速度慢且精度不高的问题。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于多目标极小值的多光谱真温反演方法，包括如下步骤：

(S1)根据多光谱高温计每一通道的测量获取被测目标的亮度温度以及有效波长，并通过查找发射率表查出被测目标光谱发射率的变化范围；

(S2)根据被测目标的亮度温度、有效波长以及光谱发射率的变化范围建立多目标函数；

(S3)根据被测目标的亮度温度、有效波长以及光谱发射率的变化范围建立真温反演所需的等式、不等式约束条件；

(S4)根据所述多目标函数与所述等式、不等式约束条件，计算得到多目标函数的极小值；

(S5)根据所述多目标函数的极小值通过fmincon函数反演出每个测量通道的光谱发射率；

(S6)根据所述每个测量通道的光谱发射率反演出每个通道的真温值，从而实现多光谱的真温反演。