一种基于红外光谱成像技术的大气污染物自适应识别方法及系统

摘要

本发明公开一种基于红外光谱成像技术的大气污染物自适应识别方法及系统，方法包括：将光谱数据立方体转换成亮温光谱数据立方体；每个亮温光谱减去所属像元中所有亮温光谱的均值，得到去均值后的亮温光谱数据立方体；将去均值后的亮温光谱数据立方体的亮温光谱数据排列成二维矩阵；对二维矩阵进行正交分解,根据设定的阈值计算背景子空间；构建检测算子；根据设定的虚警率和概率分布函数，计算检测门限；利用检测算子对所有像元进行识别，将大于检测门限的像元判别为目标像元；计算目标像元的浓度程长值，得到大气污染物浓度的空间分布信息。本发明不仅能够自适应扣除背景辐射信号的干扰，还能对大气污染物成分进行识别。

说明书

技术领域

本发明涉及大气污染物红外遥感监测领域，特别是涉及一种基于红外光谱 成像技术的大气污染物自适应识别方法及系统。

背景技术

红外遥感监测方法是用仪器对一段距离外的目标物进行观测，是一种不 直接接触目标物而能收集信息，对其进行识别、分析、判断的高自动化程度的 监测手段。

红外光谱成像探测技术是一种利用焦平面探测器对目标进行遥感探测的 技术，可以同时获得包含随波长分布的光谱辐射信息和二维空间信息，形成数 据立方体。

任何物体都向外发射辐射，辐射信号称为背景辐射信号，大气污染物的吸 收/发射辐射信号是叠加在背景辐射信号之上的微弱信号。实际应用中，难以 直接测量背景辐射信号，需要在不能测量背景辐射信号的情况下，扣除背景辐 射信号，实现目标气体识别。

光谱成像探测技术获得的数据立方体信息包含大量光谱数据，如何从所测 量的大量光谱数据中区分背景辐射信号和目标信号，并对目标信号进行识别， 是目前需要解决的问题。

发明内容

本发明的目的是提供一种基于红外光谱成像技术的大气污染物自适应识 别方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于红外光谱成像技术的大气污染物自适应识别方法，包括：

通过辐射定标和逆普朗克变换将光谱数据立方体转换成亮温光谱数据立 方体；所述亮温光谱数据立方体是多个亮温光谱组成的数据立方体；

每个所述亮温光谱减去所述亮温光谱所属像元中所有亮温光谱的均值，得 到去均值后的亮温光谱数据立方体；

将所述去均值后的亮温光谱数据立方体的亮温光谱数据排列成二维矩阵；

对所述二维矩阵进行正交分解，根据设定的阈值计算背景子空间；

构建背景正交算子和背景加目标正交算子；

根据背景正交算子和背景加目标正交算子构建检测算子；

根据设定的虚警率和概率分布函数，计算检测门限；

利用所述检测算子对所有所述像元进行识别，将大于检测门限的像元判别 为目标像元；

计算所述目标像元的浓度程长值，得到大气污染物浓度的空间分布信息； 所述浓度程长值为大气污染物浓度与厚度的乘积。

可选的，所述通过辐射定标和逆普朗克变换将光谱数据立方体转换成亮温 光谱数据立方体，具体为：

根据公式

将光谱数据立方体转换成亮温光谱数据立方体；其中T(v)为亮温；v为波数； L(v)为辐射亮度；h为普朗克常数；c为光速；kB为玻尔兹曼常数。

可选的，所述去均值后的亮温光谱数据立方体的亮温光谱数据排列成二维 矩阵，具体包括：

所述去均值后的亮温光谱数据立方体的大小为M行N列K维，则所述二 维矩阵的大小为K行M×N列；排列顺序为：

所述去均值后的亮温光谱数据立方体的第m行第n列第k维的亮温光谱 数据排列到二维矩阵中的位置为第k行第N·(m-1)+n列；其中m、n和j都是 整数，分别为亮温光谱数据立方体中的一个数据在亮温光谱数据立方体中的行 数、列数和维数，并且1≤m≤M，1≤n≤N，1≤j≤K。

可选的，对所述二维矩阵进行正交分解，根据设定的阈值自适应计算背景 子空间，具体包括：

所述二维矩阵用X表示，生成矩阵Y，所述矩阵Y的生成公式为：

Y＝X^TX

利用快速主成分分析方法对所述矩阵Y进行迭代正交分解；

计算所述矩阵Y的特征向量，所述特征向量的数量为I个；

计算第i个特征向量P_i的特征值之和q_i，其中1≤i≤I；

计算所有特征向量的特征值之和，用q表示；

将qi/q的比值与设定阈值进行比较，若所述比值小于设定阈值，则计算第 i+1个特征向量的特征值之和q_i+1，再次进行比较；若所述比值大于或等于所述 阈值，则将P_i构建成背景子空间；

将符合q_i/q的比值大于或等于所述阈值条件的特征向量构建成背景子空 间U_B，则背景加目标子空间为：

U_d＝[U_B,S]

其中S为目标子空间。

可选的，所述构建背景正交算子和背景加目标正交算子，具体包括：

背景正交算子P_B^⊥通过以下公式得到：

P_B^⊥＝I-U_BU_B^T

背景加目标正交算子P_d^⊥通过以下公式得到：

P_d^⊥＝I-U_dU_d^T

根据背景正交算子和背景加目标正交算子构建检测算子具体包括：

根据广义似然比原理计算所述检测算子，即所述检测算子D(X_k)通过以下 公式得到：

$D\left(X_k\right)=\frac{{X_k}^T({P_B}^{\perp }-{P_d}^{\perp })X_k}{{X_k}^T{P_d}^{\perp }{X}_k}$

其中，X_k代表第k个像元。

可选的，所述计算所述目标像元的浓度程长值，获取大气污染物浓度的空 间分布信息，具体包括：

计算背景与环境的温差；

所述浓度程长值的计算公式为：

其中目标光谱特征是由亮温光谱减去背景光谱得到的。

本发明还公开了一种基于红外光谱成像技术的大气污染物自适应识别系 统，其特征在于，包括：亮温转换模块、去均值模块、二维矩阵转换模块、正 交分解模块、检测算子计算模块、检测门限计算模块和目标识别模块；

所述亮温转换模块用于通过辐射定标和逆普朗克变换将光谱数据立方体 转换成亮温光谱数据立方体；所述亮温光谱数据立方体是多个亮温光谱组成的 数据立方体；

所述去均值模块用于通过每个所述亮温光谱减去所述亮温光谱所属像元 中所有亮温光谱的均值，得到去均值后的亮温光谱数据立方体；

所述二维矩阵转换模块用于将所述去均值后的亮温光谱数据立方体的亮 温光谱数据排列成二维矩阵；

所述正交分解模块用于对所述二维矩阵进行正交分解,根据设定的阈值计 算背景子空间；

所述检测算子计算模块用于构建背景正交算子和背景加目标正交算子；根 据背景正交算子和背景加目标正交算子构建检测算子；

所述检测门限计算模块用于根据设定的虚警率和概率分布函数，计算检测 门限；

所述目标识别模块用于利用所述检测算子对所有所述像元进行识别，将大 于检测门限的像元判别为目标像元；计算所述目标像元的浓度程长值，获取得 到大气污染物浓度的空间分布信息；所述浓度程长值为大气污染物浓度与厚度 的乘积。

可选的所述二维矩阵转换模块用于将所述去均值后的亮温光谱数据立方 体的亮温光谱数据排列成二维矩阵，具体包括：

所述去均值后的亮温光谱数据立方体的大小为M行N列K维，则所述二 维矩阵的大小为K行M×N列；排列顺序为：

所述去均值后的亮温光谱数据立方体的第m行第n列第k维的亮温光谱 数据排列到二维矩阵中的位置为第k行第N·(m-1)+n列；其中m、n和j都是 整数，分别为亮温光谱数据立方体中的一个数据在亮温光谱数据立方体中的行 数、列数和维数，并且1≤m≤M，1≤n≤N，1≤j≤K。

可选的，所述正交分解模块用于对所述二维矩阵进行正交分解，根据设定 的阈值计算背景子空间，具体包括：

将所述二维矩阵用X表示，生成矩阵Y，所述矩阵Y的生成公式为：

Y＝X^TX

利用快速主成分分析方法对所述矩阵Y进行迭代正交分解；

计算所述矩阵Y的特征向量，所述特征向量的数量为I个；

计算第i个特征向量P_i的特征值之和q_i，其中1≤i≤I；

计算所有特征向量的特征值之和，用q表示；

将q_i/q的比值与设定阈值进行比较，若所述比值小于设定阈值，则计算第 i+1个特征向量的特征值之和q_i+1，再次进行比较；若所述比值大于或等于所述 阈值，则将P_i构建成背景子空间；

将符合q_i/q的比值大于或等于所述阈值条件的特征向量构建成背景子空 间U_B，则背景加目标子空间为：

U_d＝[U_B,S]

其中S为目标子空间。

可选的，所述检测算子计算模块用于构建背景正交算子和背景加目标正交 算子；根据背景正交算子和背景加目标正交算子构建检测算子，具体包括：

背景正交算子P_B^⊥通过以下公式得到：

P_B^⊥＝I-U_BU_B^T

背景加目标正交算子P_d^⊥通过以下公式得到：

P_d^⊥＝I-U_dU_d^T

根据背景正交算子和背景加目标正交算子构建检测算子具体包括：

根据广义似然比原理计算所述检测算子，即所述检测算子D(X_k)通过以下 公式得到：

$D\left(X_k\right)=\frac{{X_k}^T({P_B}^{\perp }-{P_d}^{\perp })X_k}{{X_k}^T{P_d}^{\perp }{X}_k}$

其中，X_k代表第k个像元。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明通过 将数据立方体转换成二维矩阵并进行正交分解，自适应计算出背景子空间，从 而区分出背景辐射信号和目标信号；并通过计算检测门限实现了大气污染物的 自动识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是 本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性 的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于红外光谱成像技术的大气污染物自适应识别方法实施 例中大气污染物自适应识别方法流程图；

图2为本发明基于红外光谱成像技术的大气污染物自适应识别方法实施 例中对二维矩阵进行正交分解并计算背景子空间的方法流程图；

图3为本发明基于红外光谱成像技术的大气污染物自适应识别系统实施 例中大气污染物自适应识别系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于红外光谱成像技术的大气污染物自适应识 别方法及系统。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和 具体实施方式对本发明作进一步详细的说明。

图1为本发明基于红外光谱成像技术的大气污染物自适应识别方法实施 例中大气污染物自适应识别方法流程图。

参见图1，所述一种基于红外光谱成像技术的大气污染物自适应识别方 法，具体包括：

步骤101：通过辐射定标和逆普朗克变换将光谱数据立方体转换成亮温光 谱数据立方体；所述亮温光谱数据立方体是多个亮温光谱组成的数据立方体；

具体为：根据公式

将光谱数据立方体转换成亮温光谱数据立方体；其中T(v)为亮温；v为波数； L(v)为辐射亮度；h为普朗克常数；c为光速；kB为玻尔兹曼常数。

将光谱数据立方体转换成亮温光谱数据立方体，使所有成分的光谱特征叠 加在背景辐射曲线之上，从而直观观察到各种成分的光谱特征，便于目标光谱 特征提取。

步骤102：每个所述亮温光谱减去所述亮温光谱所属像元中所有亮温光谱 的均值，得到去均值后的亮温光谱数据立方体。

通过去均值扣除了不同区域温度的差异，便于后续步骤中的背景辐射信号 例如大气及其它干扰物的扣除。

步骤103：将所述去均值后的亮温光谱数据立方体的亮温光谱数据排列成 二维矩阵，具体包括：所述去均值后的亮温光谱数据立方体的大小为M行N 列K维，则所述二维矩阵的大小为K行M×N列；排列顺序为：

所述去均值后的亮温光谱数据立方体的第m行第n列第k维的亮温光谱 数据排列到二维矩阵中的位置为第k行第N·(m-1)+n列；其中m、n和j都是 整数，分别为亮温光谱数据立方体中的一个数据在亮温光谱数据立方体中的行 数、列数和维数，并且1≤m≤M，1≤n≤N，1≤j≤K。

步骤104：对所述二维矩阵进行正交分解，根据设定的阈值自适应计算背 景子空间。

图2为本发明基于红外光谱成像技术的大气污染物自适应识别方法实施 例中对二维矩阵进行正交分解并计算背景子空间的方法流程图。

参见图2，对所述二维矩阵进行正交分解，根据设定的阈值自适应计算背 景子空间具体包括：

步骤1041：所述二维矩阵用X表示，生成矩阵Y，所述矩阵Y的生成公 式为：

Y＝X^TX；

步骤1042：利用快速主成分分析方法对所述矩阵Y进行迭代正交分解；

步骤1043：计算所述矩阵Y的特征向量，所述特征向量的数量为I个；

步骤1044：计算第i个特征向量P_i的特征值之和q_i，其中1≤i≤I；

步骤1045：计算所有特征向量的特征值之和，用q表示；

步骤1046：将q_i/q的比值与设定阈值进行比较，若所述比值小于设定阈 值，则计算第i+1个特征向量的特征值之和q_i+1，再次进行比较；若所述比值 大于或等于所述阈值，则将P_i构建成背景子空间；

背景辐射信号由多个背景子向量线性叠加构成；目标子向量是代表目标信 号的向量，也有多个。背景子空间由背景子向量构成，目标子空间由目标子向 量构成。

在背景辐射信号未知的情况下，利用正交分解，直接由亮温光谱数据立方 体计算背景子空间，实现了所述方法适用于不同场景。

步骤1047：将符合q_i/q的比值大于或等于所述阈值条件的特征向量构建 成背景子空间U_B，则背景加目标子空间为：

U_d＝[U_B,S]

其中S为目标子空间。

步骤105：构建背景正交算子和背景加目标正交算子，具体包括：

背景正交算子P_B^⊥通过以下公式得到：

P_B^⊥＝I-U_BU_B^T

背景加目标正交算子P_d^⊥通过以下公式得到：

P_d^⊥＝I-U_dU_d^T

步骤106：根据背景正交算子和背景加目标正交算子构建检测算子，具体 包括：

根据广义似然比原理计算所述检测算子，即所述检测算子D(X_k)通过以下 公式得到：

$D\left(X_k\right)=\frac{{X_k}^T({P_B}^{\perp }-{P_d}^{\perp })X_k}{{X_k}^T{P_d}^{\perp }{X}_k}$

其中，X_k代表第k个像元。

利用背景正交算子，实现背景辐射信号的自动扣除；利用检测算子实现目 标像元的识别和分类。

步骤107：根据设定的虚警率和概率分布函数，计算检测门限。具体包括：

步骤1071：根据数学统计理论，所述检测算子D(X_k)服从F分布，即

$D\left(X_k\right)\frac{K-a-b}{a}~F_{a,K-a-b}\left(SNR\right)$

K-a-b和a分别为分子自由度和分母自由度，K为光谱维数，a是目标光 谱个数，b是背景子向量的个数。

步骤1072：设定虚警率P_FA为固定值，则检测门限γ_ASD可根据下式确定：

${\gamma }_{ASD}=\frac{a}{K-a-b}{Q}_{F_{a,K-a-b}}^{-1}(1-P_{FA})$

式中是F分布的累积分布函数，是的逆函数。由于虚 警率P_FA是恒定的，检测算子D(X_k)具有恒常虚警率(CFAR：ConstantFalse AlarmRate)特性。

恒常虚警率特性实现了在任何实测场景中，虚警率保持恒定且很小(一般 为5％以下)，大大减少了由于虚警率变化引起的操作和成本代价。

步骤108：利用所述检测算子对所有所述像元进行识别，将大于检测门限 的像元判别为目标像元。

步骤109：计算所述目标像元的浓度程长值，得到大气污染物浓度的空间 分布信息，具体包括：

计算背景与环境的温差；

所述浓度程长值的计算公式为：

其中目标光谱特征是由亮温光谱减去背景光谱得到的。

上述技术方案实现了定量计算大气污染物的空间分布。

图3为本发明基于红外光谱成像技术的大气污染物自适应识别系统实施 例中大气污染物自适应识别系统结构图。

参见图3，所述一种基于红外光谱成像技术的大气污染物自适应识别系 统，包括：亮温转换模块201、去均值模块202、二维矩阵转换模块203、正 交分解模块204、检测算子计算模块205、检测门限计算模块206和目标识别 模块207；

所述亮温转换模块201用于通过辐射定标和逆普朗克变换将光谱数据立 方体转换成亮温光谱数据立方体；所述亮温光谱数据立方体是多个亮温光谱组 成的数据立方体；

所述去均值模块202用于通过每个所述亮温光谱减去所述亮温光谱所属 像元中所有亮温光谱的均值，得到去均值后的亮温光谱数据立方体；

所述二维矩阵转换模块203用于将所述去均值后的亮温光谱数据立方体 的亮温光谱数据排列成二维矩阵；

所述正交分解模块204用于对所述二维矩阵进行正交分解，根据设定的阈 值计算背景子空间；

所述检测算子计算模块205用于构建背景正交算子和背景加目标正交算 子；根据背景正交算子和背景加目标正交算子构建检测算子；

所述检测门限计算模块206用于根据设定的虚警率和概率分布函数，计算 检测门限；

所述目标识别模块207用于利用所述检测算子对所有所述像元进行识别， 将大于检测门限的像元判别为目标像元；计算所述目标像元的浓度程长值，获 取得到大气污染物浓度的空间分布信息；所述浓度程长值为大气污染物浓度与 厚度的乘积。

可选的所述二维矩阵转换模块203用于将所述去均值后的亮温光谱数据 立方体的亮温光谱数据排列成二维矩阵，具体包括：

所述去均值后的亮温光谱数据立方体的大小为M行N列K维，则所述二 维矩阵的大小为K行M×N列；排列顺序为：

所述去均值后的亮温光谱数据立方体的第m行第n列第k维的亮温光谱 数据排列到二维矩阵中的位置为第k行第N·(m-1)+n列；其中m、n和j都是 整数，分别为亮温光谱数据立方体中的一个数据在亮温光谱数据立方体中的行 数、列数和维数，并且1≤m≤M，1≤n≤N，1≤j≤K。

可选的，所述正交分解模块204用于对所述二维矩阵进行正交分解，根据 设定的阈值计算背景子空间，具体包括：

将所述二维矩阵用X表示，生成矩阵Y，所述矩阵Y的生成公式为：

Y＝X^TX

利用快速主成分分析方法对所述矩阵Y进行迭代正交分解；

计算所述矩阵Y的特征向量，所述特征向量的数量为I个；

计算第i个特征向量P_i的特征值之和q_i，其中1≤i≤I；

计算所有特征向量的特征值之和，用q表示；

将q_i/q的比值与设定阈值进行比较，若所述比值小于设定阈值，则计算第 i+1个特征向量的特征值之和q_i+1，再次进行比较；若所述比值大于或等于所述 阈值，则将P_i构建成背景子空间；

将符合q_i/q的比值大于或等于所述阈值条件的特征向量构建成背景子空 间U_B，则背景加目标子空间为：

U_d＝[U_B,S]

其中S为目标子空间。

可选的，所述检测算子计算模块206用于构建背景正交算子和背景加目标 正交算子；根据背景正交算子和背景加目标正交算子构建检测算子，具体包括：

背景正交算子P_B^⊥通过以下公式得到：

P_B^⊥＝I-U_BU_B^T

背景加目标正交算子P_d^⊥通过以下公式得到：

P_d^⊥＝I-U_dU_d^T

根据背景正交算子和背景加目标正交算子构建检测算子具体包括：

根据广义似然比原理计算所述检测算子，即所述检测算子D(X_k)通过以下 公式得到：

$D\left(X_k\right)=\frac{{X_k}^T({P_B}^{\perp }-{P_d}^{\perp })X_k}{{X_k}^T{P_d}^{\perp }{X}_k}$

其中，X_k代表第k个像元。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是 与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于 实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较 简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的 一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变 之处。综上所述，本说明书内容不应理解为对本发明的限制。