光谱学与光谱分析, 2023, 43 (4): 997, 网络出版: 2023-05-03
铁质破片的高光谱图像识别研究
Research on Hyperspectral Image Recognition of Iron Fragments
高光谱成像 空间分割 决策树 铁质破片 分类识别 Hyperspectral imaging Spatial segmentation Decision trees Iron fragments Classification and identification
摘要
高光谱成像凭借高的光谱分辨率、 图谱合一、 波段多的特点, 能够为待分类目标提供多维的参考信息, 从而提高分类精度。 爆炸破片的识别回收能够为爆炸威力的评估和防爆措施的设计提供参考。 针对当前破片检测中多采用可见光波段或红外波段等单个波段进行检测, 忽略了破片目标与背景对不同波长的光有着不同的吸收程度, 没有将多波段破片特征充分利用, 为此结合高光谱检测手段, 提出了一种空间分割结合光谱信息的爆炸破片识别方法。 在实验室环境下, 首先采集铁质破片、 石头、 树叶的高光谱图像, 对采集的样本图像数据做预处理, 包括去噪声以及黑白校正反演反射率信息等, 感兴趣区域随机提取三类样本像素点共750个, 随机选取600个点作为训练集其余作为测试集, 通过训练后得到预测准确度分别为88%、 88%、 94%的决策树模型。 其次模拟了铁质破片散落在含有石头树叶的沙土中的场景并采集其高光谱数据, 通过前后级联的空谱融合方法, 在空域经过图像增强和去噪等预处理之后, 采用边缘检测结合区域生长以及形态学处理的方法对空间图像进行分割, 得到沙土上有形态的目标, 空间分割的交并比(IOU)达到93.5%, 真阳率(TPR)达到97.4%; 然后结合光谱域训练得到的决策树模型, 对各个分割区域的每个像素点进行谱域的类型识别, 参与分类的三类像素点个数分别为146 172、 50 484、 213 438, 识别准确度分别为87%、 86%、 96%; 最后将分类结果可视化, 以每个区域像素点最多的一类代表该区域类别, 将目标破片与石子和树叶两种背景进行了准确的识别, 以标定后的分割图像为标准, 三类像素点个数分别为155 502、 52 045、 217 794, 识别率分别为94%、 97%、 98%。 分析结果表明空间分割结合光谱信息的识别方法能够有效利用空间和高光谱的特征信息对铁质破片目标进行准确识别。 同时验证了使用高光谱成像进行空谱联合识别爆炸破片的科学性以及可行性, 对未来采用智能化识别破片的方式评估破片战斗部威力具有一定的实用意义。
Abstract
郭峰, 赵冬娥, 杨学峰, 褚文博, 张斌, 张大舜, 孟凡军. 铁质破片的高光谱图像识别研究[J]. 光谱学与光谱分析, 2023, 43(4): 997. GUO Feng, ZHAO Dong-e, YANG Xue-feng, CHU Wen-bo, ZHANG Bin, ZHANG Da-shun, MENG Fan-jun. Research on Hyperspectral Image Recognition of Iron Fragments[J]. Spectroscopy and Spectral Analysis, 2023, 43(4): 997.