[发明专利]一种高识别度的红外光谱特征提取与匹配方法

摘要

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。

主权项

1.一种高识别度的红外光谱特征提取与匹配方法，其特征是，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)；步骤(5)：根据步骤(3)所求的谱图训练样本，获取平均谱图向量根据平均谱图向量依据K-L变换算法得到训练样本集的协方差矩阵C；步骤(6)：运用豪斯霍尔德变换方法和QR迭代算法，计算出协方差矩阵C的所有的特征值；步骤(7)：先对步骤(6)获得的协方差矩阵C的特征值按从大到小进行排序，选取方差累积贡献率大于85％的特征值，组成特征向量的主成分，该主成分就代表原始的光谱训练集的信息，形成最优特征子空间；步骤(8)：将光谱的测试数据和依据步骤(1)获取的光谱样本库中所有光谱数据分别在步骤(7)中获取的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所有光谱数据的欧几里得距离值；步骤(9)：对步骤(8)获取的所有欧几里得距离值进行从大到小排序，欧几里得距离值越小，测试光谱与光谱样本库中对应的标准光谱的相似度越高，欧几里得距离值越大，测试光谱与光谱样本库中对应的标准光谱的相似度越小；如果是欧几里得距离值都不同，说明光谱的测试数据与光谱样本库中的光谱相似度都不同，找出欧几里得距离值最小的，进入步骤(10)；如果存在欧几里得距离值相等的情况，无法进行相似度判断时，对出现欧几里得距离值相等的光谱再通过余弦相似度度量算法，重新对欧几里得距离值相等的光谱计算相似度，找出余弦相似度最大的，然后进入步骤(10)；步骤(10)：从步骤(1)获取的光谱样本库中找到与测试光谱最相近的光谱所对应的光谱信息。