CN109829385B - 一种精细识别空间目标的光谱模式识别方法 - Google Patents
一种精细识别空间目标的光谱模式识别方法 Download PDFInfo
- Publication number
- CN109829385B CN109829385B CN201910006390.6A CN201910006390A CN109829385B CN 109829385 B CN109829385 B CN 109829385B CN 201910006390 A CN201910006390 A CN 201910006390A CN 109829385 B CN109829385 B CN 109829385B
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- pattern recognition
- information entropy
- spectral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种精细识别空间目标的光谱模式识别方法,通过采用光谱仪获取各类空间目标的光谱数据;对采集到的光谱数据进行预处理,去除噪声的干扰;对预处理后的数据,进行数据特征提取;对特征提取后得到的数据进行模式识别,建模方法为信息熵权重模糊粗糙近邻(Entropy Weight Fuzzy‑rough nearest Neighbour,简称EFRNN)方法,该方法引入了信息熵权重和模糊粗糙集的概念,信息熵权重考虑了样本的所有信息并且将信息量化,而模糊粗糙集的引入可以在一定程度上避免由于重叠类而导致的模糊不确定性和由于特征不足而导致的不确定性,从而提高对相似样本的模式识别精度。本方法不需要预设参数的优点,在样本相似的情况下可以进行准确的区分。
Description
技术领域
本发明涉及空间目标识别的技术领域,具体涉及一种精细识别空间目标的光谱模式识别方法。
背景技术
随着航天技术的迅猛发展,越来越多的飞行器被送入太空,对于空间目标,包括卫星、空间碎片等的研究,成为各航天大国面临的重要任务。若空间碎片与在轨航天器发生碰撞,会直接导致航天器器件损坏或者解体,对在轨航天器的正常运行构成严重威胁。另外,在以信息战为核心的未来高技术战争中,航天器发挥越来越重要的作用,各种军事航天系统,诸如预警卫星、通信卫星、侦查卫星、成像卫星、导航定位卫星、海洋监测卫星,包括航天飞机的应用,将最大限度地提高整体作战能力。因此,开展空间目标识别,对于保护空间环境及安全,提高国家军事竞争力具有十分关键的作用。
目前空间目标识别手段中雷达和光学观测系统发展相对成熟。但由于雷达的探测信号与r-4(r代表探测距离)成正比,常用于近地目标观测。目前光学观测主要是通过光学图像和时序测光等方法来提取目标尺寸、形状、姿态、轨道等特征进行空间目标识别。随着空间目标体积的小型化、形状的多样化、结构的复杂化,对空间目标识别提出了新的挑战。
本发明采用光谱技术进行空间目标识别,其优势在于:(1)利用光谱信息可以在不了解空间目标其他特征(如几何、轨道信息)的条件下达到识别目标的目的。当空间目标所占像素点很少,甚至成为点目标时,这些情况都导致对其形状和尺寸识别变得困难。此时,采用光谱信息进行独立识别具有明显优势。(2)当空间目标的轨道或者形状较为相近时,利用基于光谱的材料特性进行识别,能提供额外的补充数据,使目标特征更加完整和丰富,提高目标识别的准确率和可靠性。(3)光谱识别方法属于单帧检测,不需要时间序列多帧信息,这样,既不受空间目标运动速度的影响,同时数据计算量相对减小,可以提高识别速度。
然而,在实际应用中,空间目标表面材料的组成或化学性质相近,光谱曲线的相似度很高,存在“异物同谱”的现象,空间目标的某个类别的概率分布很难确定,在特征空间的多个方向中存在变化,用普通的模式识别方法(例如K近邻方法,支持向量机方法等)难以判别开来,因此需要更稳健的和不变的特征,采用新的特征提取方法,深入挖掘光谱的各种信息,采用模式识别精度更高的算法,以此实现对空间目标的精细识别。因此,本发明深入研究用于精细目标识别的光谱模式识别方法。
发明内容
本发明要解决的技术问题为:克服现有技术的不足,提供一种精细识别空间目标的光谱模式识别方法,以解决现有技术在空间目标相似度较高的情况下难以区分的问题,具有快速、准确性较高的问题。
本发明解决上述技术问题采用的技术方案为:一种精细识别空间目标的光谱模式识别方法,包括如下步骤:
步骤101,通过光谱仪获取各类空间目标在不同观测角度下的光谱数据;
步骤102,对采集到的光谱数据进行预处理以去除噪声的干扰;
步骤103,对步骤102预处理后的数据,进行数据特征提取,得到特征提取后的训练集样本数据;
步骤104,对训练集样本数据进行信息熵权重模糊粗糙近邻,即EFRNN分类模型训练,建立模式识别模型;
步骤105,光谱仪采集待测空间目标的光谱数据;
步骤106,对待测样本的光谱数据进行预处理,以去除噪声的干扰;
步骤107,对步骤106预处理后的数据,进行数据特征提取,得到特征提取后的待测样本数据;
步骤108,用训练模型对待测样本数据进行预测,得到该待测样本的模式识别结果。
其中,所述步骤102中对采集到的光谱数据进行预处理,具体方法为小波去噪方法。
小波去噪的原理就是利用噪声信号和有用信号的系数在进行小波变换后之间存在较大的差异,对这两个系数用门限阈值函数进行处理,就可以实现分离噪声和有用信息的目的。
小波变换的实质就是将信号映射到小波基函数上,将原始信号分解成有用信号和噪声信号,得到低频系数和高频系数,通过对低频系数和高频系数分别进行不同的处理,就能达到有效地消除高频噪声信号而留下有用的低频信号的目的。
具体方法如下:
步骤1:选定小波基函数以及分解层数J,对原始数据进行小波变换分解;
步骤2:选择处理的阈值形式,对分解得到的小波高频系数做门限阈值处理;
步骤3:对处理过的函数做逆变换,重构信号。
其中,所述步骤103中对训练集样本的光谱数据进行特征提取,具体方法为等距映射方法(ISOMAP)。
ISOMAP算法的优点在于计算高维流形上数据点间的距离时,采用了微分几何中的测地线距离(曲线距离),而不是采用传统的欧氏距离(直线距离),并且找到了一种用实际输入数据估计其测地线距离的算法(即最小路径逼近测地线距离),可以有效表达空间中两点的真实距离。
其中,所述步骤104中,采用一种信息熵权重模糊粗糙近邻(Entropy WeightFuzzy-rough nearest Neighbour,简称EFRNN)方法,实现对空间目标的模式识别。该方法引入了信息熵权重和模糊粗糙集的概念,信息熵权重考虑了样本的所有信息并且将信息量化,而模糊粗糙集的引入可以在一定程度上避免由于重叠类而导致的模糊不确定性和由于特征不足而导致的不确定性,从而提高对相似样本的模式识别精度。
其中,所述步骤108中,用训练模型对待测样本进行预测,得到该待测样本的模式识别结果具体为:具体步骤如下:
步骤1:计算训练样本的信息熵特征权重w,
其中,zij为标准化数据;β为调节参数;Hj为样本中第j个特征的信息熵;xij为光谱数据的第i个样本的第j个特征值;n表示特征个数,m表示样本个数,wj为训练样本第j个特征的信息熵权重值;
步骤2:计算预测样本q到训练样本xi的信息熵权重欧式距离d,
其中d(xi,q)为预测样本与所给定的每个类别的样本之间的权重欧式距离;xij为第i个训练样本的第j个特征值;qj为预测样本的像元的光谱向量q=(q1,…,qn)T的第j个特征值;wj为训练样本第j个特征的信息熵权重值,n表示特征个数;
步骤3:计算预测样本q到c类的置信值o(c)为
其中,μc(xi)为建模样本xi属于c类的程度,d为待测样本q到训练样本xi的信息熵权重欧式距离,m为控制相似度总体权重的参数,|N|为建模样本集合X的基数。
步骤4:根据预测样本q到每个类的置信值判断预测样本类别,置信值最大的类为该样本所属的类别。
本发明与现有技术相比的优点在于:
(1)本发明所提供的信息熵权重局部超平面模式识别方法无需复杂的前处理过程。
(2)模糊粗糙集的引入能够减少由于类重叠和特征不足带来的模糊不确定性和粗糙不确定性,同时信息熵权重的引入,可以将样本的信息进行量化和综合,客观反映样本信息在分类中的贡献,提高对相似样本的模式识别精度。
(3)在算法的运行过程中无需预设参数,不需要选择最近邻个数K的最优值具有简单高效的特点。
附图说明
图1为本发明一种精细识别空间目标的光谱模式识别方法流程图;
图2为4个长方体样品在不同角度下的光谱曲线;
图3为小波去噪前后的光谱曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下举实施例并参照附图,对本发明进一步详细说明。
如图1所示为本发明所提供的空间目标模式识别方法的流程图,主要包括以下步骤:
步骤101,制备实验样本,制备四个代表空间目标的长方体样品,每个样品的6个面分别由三种航空材料按照不同比例混合而成,组成四个样品的三种材料其中每两个样品中有一种材料相同。
步骤102,使用光谱仪采集样本在不同角度下的光谱数据。使用光谱仪型号为Hyperspc VNIR-N series,波段范围为400-1000nm,光谱分辨率为2-3nm,单像素色散是面阵CCD的光谱采样率。图2是四个样品在不同角度下的光谱线。
步骤103,对所述原始光谱数据进行去噪处理,本发明所用的预处理方法是小波去噪方法,使用的小波函数为“sym5”,分解层数为7层。去噪前后的光谱曲线如图3所示。
步骤104,对去噪后的光谱数据采用等距映射(ISOMAP)算法进行特征提取。
步骤105,对步骤104处理后的数据,对训练样本进行信息熵权重模糊粗糙近邻模式识别模型训练,其中,设置控制参数m=3,建模样本xi属于c类的程度μc(xi)=1,建立分类模型;
步骤106,使用光谱仪采集待测目标的光谱数据,光谱仪型号为Hyperspc VNIR-Nseries,波段范围为400-1000nm,光谱分辨率为2-3nm;
步骤107,对待测样本的光谱数据进行小波去噪预处理,使用的方法以及参数设置和步骤103相同。
步骤108,对步骤107预处理后的数据,进行数据特征提取,得到特征提取后的待测样本数据,使用的方法和步骤104相同;用训练模型对待测样本进行预测,得到该待测样本的模式识别结果。
实验过程中分别采用本发明提出的信息熵权重局部超平面方法(EFRNN)、K最近邻方法(KNN)和模糊粗糙近邻方法(FRNN)在相同的计算机运行环境下进行对目标进行识别。最终得到三种算法的模式识别精度如下:
表1四种实验样品的模式识别准确度
识别准确度(%) | KNN | FRNN | EFRNN |
A样品 | 83.33 | 100 | 100 |
B样品 | 83.33 | 100 | 100 |
C样品 | 83.33 | 83.33 | 83.33 |
D样品 | 83.33 | 83.33 | 100 |
总识别准确度 | 83.33 | 91.67 | 95.83 |
由表1可以看出,EFRNN算法对A、B和D类样品都达到100%的识别率,对所有样品的整体正确率达到了95.83%,相较于KNN算法83.33%和FRNN算法91.67%的精度,有一个明显的提高。这也证实了本发明提出的EFRNN算法在对相似样本的识别上,对KNN算法有了一个明显的改进,能够用于对空间相似目标的识别。图2为4个长方体样品在不同角度下的光谱曲线。图3为小波去噪前后的光谱曲线图。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (4)
1.一种精细识别空间目标的光谱模式识别方法,其特征在于:包括如下步骤:
步骤101,通过光谱仪获取各类空间目标在不同观测角度下的光谱数据;
步骤102,对采集到的光谱数据进行预处理以去除噪声的干扰;
步骤103,对步骤102预处理后的数据,进行数据特征提取,得到特征提取后的训练集样本数据;
步骤104,对训练集样本数据进行信息熵权重模糊粗糙近邻,即EFRNN分类模型训练,建立模式识别模型;
步骤105,光谱仪采集待测空间目标的光谱数据;
步骤106,对待测样本的光谱数据进行预处理,以去除噪声的干扰;
步骤107,对步骤106预处理后的数据,进行数据特征提取,得到特征提取后的待测样本数据;
步骤108,用训练模型对待测样本数据进行预测,得到该待测样本的模式识别结果;具体为:
a.计算训练样本的信息熵特征权重w,
其中,zij为标准化数据;β为调节参数;Hj为样本中第j个特征的信息熵;xij为光谱数据的第i个样本的第j个特征值;n表示特征个数,m表示样本个数,wj为训练样本第j个特征的信息熵权重值;
b.计算预测样本q到训练样本xi的信息熵权重欧式距离d,
其中d(xi,q)为预测样本与所给定的每个类别的样本之间的权重欧式距离;xij为第i个训练样本的第j个特征值;qj为预测样本的像元的光谱向量q=(q1,…,qn)T的第j个特征值;wj为训练样本第j个特征的信息熵权重值,n表示特征个数;
c.计算预测样本q到c类的置信值o(c)为
其中,μc(xi)为建模样本xi属于c类的程度,d为待测样本q到训练样本xi的信息熵权重欧式距离,m为控制相似度总体权重的参数,|N|为建模样本集合X的基数;
d.根据预测样本q到每个类的置信值判断预测样本类别,置信值最大的类为该样本所属的类别。
2.根据权利要求1所述的一种精细识别空间目标的光谱模式识别方法,其特征在于:所述步骤102中对采集到的光谱数据进行预处理,具体方法为小波去噪方法。
3.根据权利要求1所述的一种精细识别空间目标的光谱模式识别方法,其特征在于:所述步骤103中对训练集样本的光谱数据进行特征提取,具体方法为等距映射方法(ISOMAP)。
4.根据权利要求1所述的一种精细识别空间目标的光谱模式识别方法,其特征在于:所述步骤104中,采用一种信息熵权重模糊粗糙近邻(Entropy Weight Fuzzy-rough nearestNeighbour,简称EFRNN)方法,实现对空间目标的模式识别,该方法引入了信息熵权重和模糊粗糙集的概念,信息熵权重考虑了样本的所有信息并且将信息量化,而模糊粗糙集的引入可以在一定程度上避免由于重叠类而导致的模糊不确定性和由于特征不足而导致的不确定性,从而提高对相似样本的模式识别精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910006390.6A CN109829385B (zh) | 2019-01-04 | 2019-01-04 | 一种精细识别空间目标的光谱模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910006390.6A CN109829385B (zh) | 2019-01-04 | 2019-01-04 | 一种精细识别空间目标的光谱模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829385A CN109829385A (zh) | 2019-05-31 |
CN109829385B true CN109829385B (zh) | 2020-12-01 |
Family
ID=66861513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910006390.6A Active CN109829385B (zh) | 2019-01-04 | 2019-01-04 | 一种精细识别空间目标的光谱模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829385B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468986A (zh) * | 2021-06-16 | 2021-10-01 | 武汉理工大学 | 一种基于手势识别的空调控制方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632051A (zh) * | 2013-11-27 | 2014-03-12 | 电子科技大学 | 基于模糊粗糙集条件熵属性约简的数据分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202886B (zh) * | 2016-06-29 | 2018-11-06 | 中国铁路总公司 | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 |
CN106228554B (zh) * | 2016-07-20 | 2017-07-04 | 西安科技大学 | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 |
-
2019
- 2019-01-04 CN CN201910006390.6A patent/CN109829385B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632051A (zh) * | 2013-11-27 | 2014-03-12 | 电子科技大学 | 基于模糊粗糙集条件熵属性约简的数据分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109829385A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751087B (zh) | 一种基于eof的无人机信号识别系统和方法 | |
CN113240040B (zh) | 一种基于通道注意力深度网络的极化sar图像分类方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
Lasmar et al. | Multivariate statistical modeling for texture analysis using wavelet transforms | |
CN115272861A (zh) | 一种基于光谱相关性的子空间稀疏表征高光谱目标检测方法 | |
CN109829385B (zh) | 一种精细识别空间目标的光谱模式识别方法 | |
CN113446998B (zh) | 一种基于高光谱目标探测数据的动态解混方法 | |
CN114757224A (zh) | 一种基于持续学习和联合特征提取的特定辐射源识别方法 | |
CN103955711A (zh) | 一种成像光谱目标识别分析中的模式识别方法 | |
P. Thampy et al. | A convolution neural network approach to Doppler spectra classification of 205 MHz radar | |
CN113095218A (zh) | 一种高光谱图像目标检测算法 | |
CN109145738A (zh) | 基于加权非凸正则化和迭代重约束低秩表示的动态视频分割方法 | |
CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
Zhang et al. | Feature Bands Based Unsupervised Hyperspectral Underwater Target Detection Near the Coastline | |
Wang et al. | Research on vehicle detection based on faster R-CNN for UAV images | |
Thompson et al. | Sparse superpixel unmixing for exploratory analysis of CRISM hyperspectral images | |
Srivatsa et al. | Application of least square denoising to improve admm based hyperspectral image classification | |
Li et al. | Tensor approximation with low-rank representation and kurtosis correlation constraint for hyperspectral anomaly detection | |
Rezvanian et al. | Patch-based sparse and convolutional autoencoders for anomaly detection in hyperspectral images | |
Ng et al. | Effect of neighbourhood size selection in SOM-based image feature extraction | |
Zhuang et al. | Image processing and deep normalized CNN for the location measurement and reading distance prediction of RFID multi-tags | |
Zare-Baghbidi et al. | Improving the RX anomaly detection algorithm for hyperspectral images using FFT | |
CN112270327B (zh) | 基于局部融合频域特征的输电导线覆冰分类方法 | |
CN113592032B (zh) | 一种基于物理模型约束的红外成像虚警源分类方法 | |
Bouhlel et al. | Multivariate Statistical Modeling for Multitemporal SAR Change Detection Using Wavelet Transforms and Integrating Subband Dependencies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |