CN108965636A

CN108965636A - 一种平板式扫描仪及其应用

Info

Publication number: CN108965636A
Application number: CN201810918811.8A
Authority: CN
Inventors: 不公告发明人
Original assignee: Hunan Zhidong Technology Co Ltd
Current assignee: Hunan Zhidong Technology Co Ltd
Priority date: 2018-08-13
Filing date: 2018-08-13
Publication date: 2018-12-07

Abstract

本发明公开了一种平板式扫描仪，包括平板状壳体结构以及收容于壳体结构中的扫描机构、承载面板、光源模组，扫描机构用以在预设范围内进行扫描，承载面板位于扫描机构上方，用以承载被扫描物体，其具有透明面板，以使扫描机构扫描位于透明面板上的被扫描物体，光源模组连接扫描机构，用于发射光线到扫描机构，光源模组能发射多个不同光谱的光线。本发明还公开了上述平板式扫描仪应用于图像分析与物质识别的方案。本发明平板式扫描仪通过设置平板状壳体结构，且能发射多个不同光谱的光线，形成一款价格便宜、携带方便、操作简单的多光谱扫描仪。

Description

一种平板式扫描仪及其应用

技术领域

本发明涉及光学扫描领域，尤其是一种平板式扫描仪及其应用。

背景技术

光谱(spectrum)是复色光经过色散***(如棱镜、光栅)分光后，被色散开的单色光按波长(或频率)大小而依次排列的图案。除了人眼可见的可见光谱(波长覆盖390到770纳米)，光谱还包括波长更长的红外线和更短的紫外光谱。

多光谱通过多波段探测器探测目标表面亮度和光谱信息，其波长范围比可见光大，波段可达几个到几十个，例如紫外(UV)，红外(IR)，微波等等。

多光谱成像技术主要是以物体对不同波长光线的吸收存在差异为原理，通过对目标物体在一组单色离散波长中的光强度变化来实现检测、辨别等应用需求，相比使用单一的可见光具有更高的辨识度，防伪性、安全性和可靠性。

但如图6所示，目前多光谱成像设备价格昂贵，成像速度慢，操作难度大，适合实验室环境使用。

发明内容

本发明提供一种价格便宜，携带方便，操作简单的平板式扫描仪及其应用。

为实现上述目的，本发明的技术方案如下：

一种平板式扫描仪，包括平板状壳体结构以及收容于壳体结构中的扫描机构、承载面板、光源模组，扫描机构用以在预设范围内进行扫描，承载面板位于扫描机构上方，用以承载被扫描物体，其具有透明面板，以使扫描机构扫描位于透明面板上的被扫描物体，光源模组连接扫描机构，用于发射光线到扫描机构，光源模组能发射多个不同光谱的光线；扫描仪具有控制***，控制***包括处理模块以及光源发射模块、光源接收模块，处理模块用于控制其它各模块的运行，光源发射模块连接光源模组，用于驱动光源模组生成光谱信号，光源接收模块连接接收器，用于将接收器收到的光谱信号转换成电信号传输给处理模块；扫描时，扫描仪的处理模块接收到“扫描信号”，通过光源发射模块命令预设的光源模组发射预设光谱，同时，处理模块通过电机驱动模块，控制电机旋转，以带动扫描头沿齿条往返运动，接收器开始接收光谱信号，并传送给处理模块，完成一种光谱的扫描，其它光谱按上述步骤依次扫描。

在其中一实施例中，扫描机构包括带状照明器、接收器、控制板与运动机构，带状照明器用于接收光源模组的光谱发射信号，并形成带状光线向被扫描物体发射，接收器用于接收被扫描物体的反射光线，并将光信号转换为电信号，传输给控制板，运动机构用于控制带状照明器与接收器运动，以扫描被扫描物体的全部范围。

在其中一实施例中，运动机构包括电机、传动齿轮与齿条，电机、传动齿轮与带状照明器、接收器一起固定于一横梁上形成扫描头，电机与传动齿轮连接，齿条为纵向设置，与齿轮啮合，将齿轮的旋转运动转换为沿齿条的直线往复运动，使扫描头沿纵向运动，以扫描被扫描物体的全部范围。

在其中一实施例中，控制***还包括电机驱动模块，电机驱动模块连接电机，控制电机的正转或反转，使扫描头沿预设方式纵向运动。

一种图像识别方法，其特征在于，使用如上所述的平板式扫描仪，图像识别方法包括：

智能选择扫描光谱，包括图像采集与预处理，包括使用平板式扫描仪利用多种光谱扫描采集多个光谱图像，并对采集的每一种光谱图像进行尺寸标准和去噪处理；智能选择光谱用于后续分析，通过传统的机器学习算法或者特征一致性分析，在多个扫描光谱中选择对涂改部分信息保留相对较完整的光谱；

多个光谱图像特征的生成，包括取加权值：FF＝k1*F1+k2*F2+…+kn*Fn，其中，被选择的光谱图像的权值设置相对较大；或者通过FF＝[F1,F2,…,Fn]排列成矩阵，其中，FF只包含被选择的光谱图像，然后通过降维取特征值作为多光谱的图像特征；

利用智能选择的光谱图像，通过上述多光谱的图像特征提取方法，使用平板式扫描仪识别目标物体被修改过的内容。

设计3D卷积网络结构，输入是(n1*w*h)，其中，n1是图像的数量，h和w分别是图像的长宽；将多种光谱图像按照相同的顺序{M1，M2，…，Mn}进行排列，然后将其输入到3D卷积网络；在3D卷积网络中，通过3D卷积、3D池化计算流程最终将输入的图片映射到全连接层；根据全连接层的结果用于后续的识别处理；

利用智能选择的扫描光谱，扫描目标物体的图像，通过上述全连接层，使用平板式扫描仪识别目标物体被修改过的内容。

一种物质识别方法，其特征在于，使用如上所述的平板式扫描仪，物质识别方法包括：

标准样本特征建立，使用平板式扫描仪采集所收集到的标准样本的多光谱图像，并提取多光谱图像的特征；

待检样本的图像采集，使用平板式扫描仪采集到待检样本的多光谱图像，其光谱波长与标准样本特征建立时的波长相同；

对上述采集到的待检样本进行处理，提取出待检样本的图像特征，该图像特征的类别与标准样本相同；

物质识别，通过标准样本特征与待检样本特征的比较，判断待检样品是否与标准样本相同。

本发明的有益效果是：本发明平板式扫描仪通过设置平板状壳体结构，且能发射多个不同光谱的光线，形成一款价格便宜、携带方便、操作简单的多光谱扫描仪。

附图说明

图1为本发明实施例平板式扫描仪的立体分解图。

图2为图1所示平板式扫描仪组合俯视图。

图3为图1所示平板式扫描仪拆除上盖和承载面板后的俯视图。

图4为图1所示平板式扫描仪拆除底板后的仰视图。

图5为本发明实施例平板式扫描仪控制***的框图。

图6为现有多光谱成像设备的示意图。

图7为本发明实施例应用于文书司法鉴定时涂改后图像的示意图。

图8为本发明实施例应用于文书司法鉴定时原始图像的示意图。

图9为本发明实施例应用于古籍文件修复的示意图。

图10为本发明实施例窗口滑动方法的示意图。

具体实施方式

下面结合附图及实例，对本发明做进一步说明。

本实施例中，如图1至图4所示，平板式扫描仪包括框体1、扫描机构2、承载面板3、上盖4、光源模组5、底板6。本实施例平板式扫描仪水平轮廓比A4纸稍大，主要用于扫描小于或等于A4纸大小的片状物品(如纸质文件)。当然，也可以根据需要，增加或减小平板式扫描仪的尺寸，用来扫描小于或等于A1到A5纸大小或其它尺寸的物品。

框体1轮廓尺寸与普通扫描仪相接近，比A4纸稍大，包括底部11以及由底部11外缘向上延伸形成的四侧壁13。底部11四周设有多个用于支撑主电路板以其它零件的凸柱15，中部向上凸起，其上表面覆盖有光线隔板(未画出)，光线隔板可采用铝箔材质，用于营造合适的光源环境。

扫描机构2用以在预设范围内(本实施例为A4纸范围)进行扫描，其固定在框体上，包括扫描头21、齿条23、控制板25。扫描头21为平板式扫描仪的主要部件，为横向设置，包括横梁(未标示)以及固定于横梁上的带状照明器(未画出)、接收器(未画出)、电机(未画出)、传动齿轮(未画出)。带状照明器沿横向分布且朝向向上，用于接收光源模组5光谱发射信号，并形成带状光线向被扫描物体发射。接收器与带状照明器并列沿横梁分布，用于接收被扫描物体的反射光线，并将光信号转换为电信号，传输给控制板，电机结构用于带动传动齿轮旋转，控制横梁结构沿纵向水平运动。

齿条23为纵向设置，与传动齿轮啮合，将齿轮的旋转运动转换为沿齿条的直线往复运动，使扫描头21沿纵向运动，以扫描被扫描物体(如A4纸大小的文书)的全部范围。

控制板25包括电路板(未画出)、设于电路板上的芯片等多个电子元件(未画出)，以及位于电路板上方的保护板251，与电机、光源模组5、接收器、通信装置等元件相连，用于控制电机运动，将接收器获取的光谱信号转换成电信号，最终形成图像上传到上位机(未画出)，供用户查看光谱图像和后续分析。控制板25还可以具备信号处理功能，将接收器传输进来的电信号进行简要的分析处理。当然，分析处理工作主要由上位机，如计算机、手机来处理，这时需首先建立通信连接以保障数据传输。通信方式可以是USB，有线以太网等有线传输方式，也可以是蓝牙、WIFI等无线传输方式。

承载面板3固定在框体1上且位于扫描机构2上方，用以承载被扫描物体。承载面板3包括框形固定板31以及固定于固定板31中部的透明面板33。透明面板33为A4纸大小，用以让下方带状照明器射出的光线通过到达被扫描物体，并让被扫描物体反射的光线透过射向接收器。固定板31一端设有一按键开关35，用于开、断扫描仪的电源。

上盖4枢接于框体1一端，用以覆盖于被扫描物体上，阻止外部光进入扫描区域，营造相对稳定的光照环境。

光源模组5固定于框体1底部11与底板6之间，连接带状照明器，用于发射光线到带状照明器。本实施例中，光源模组5包括6个发射光源51，分别发射不同光谱的光线。在其它实施例中，光源模组也可以只设一个发射光源，通过滤光元件发射不同光谱的光线。或者设多个发射光源，部分发射光源发射单色光谱，部分发射光源通过滤光元件发射不同光谱的光线。

底板6从框体1下方固定于框体1底部，用以保护内部元件。底板下部装有供电单元，用于扫描仪的供电需求。

上述框体1、上盖4、底板6构成平板状壳体结构，用来收容上述扫描机构2、承载面板3、光源模组5等元件。

如图5所示，扫描仪的控制***包括处理模块以及光源发射模块、光源接收模块、通信模块、电源管理模块、按键触发模块、电机驱动模块。这些模块都设置在控制板上，通过导线与相关硬件相连。

处理模块是控制***的大脑，用于控制其它各模块的运行。处理模块也可以对原始扫描数据进行简要处理(如去噪、平滑、光谱融合等等)，最终这些数据都可以传输给上位机。

光源发射模块连接光源模组，用于驱动光源模组生成光谱信号。因为本实施例有6个不同光谱的光源，所以扫描时，处理模块可以依次发出扫描指令(分别控制6个光谱自动依次扫描)，也可以根据上位机的控制信号，选择其中某几个给光源发射模块，通过光源发射模块控制光源模组。

光源接收模块连接接收器，用于将接收器收到的光谱信号转换成电信号传输给处理模块。

通信模块连接通信装置，用于采用有线或无线方式与上位机进行数据传输。

电源管理模块连接电源，用于对电源进行管理，例如获得剩余电量信息，避免过充等等。

按键触发模块连接按键开关，用于通过按键开关来控制处理模块，启动或关闭扫描操作。

电机驱动模块连接电机，控制电机的正转或反转，使扫描头沿预设方式纵向运动。一般一种光谱往返一次，处理模块还可以通过控制电机的转速来控制扫描速度以及扫描步长。

下面将典型的操作过程进行说明。使用者按下开关按键，上位机开启控制软件，连接到扫描仪，在上位机软件中选择“开始扫描”，此时扫描仪的控制模块接收到扫描信号，通过光源发射模块命令光源模组发射一种预设光谱，同时接收器接收从被扫描物体反射过来的光谱信号，传送给处理模块，处理模块进行一定处理后将数据传输给上位机；处理模块通过电机驱动模块，控制电机旋转，以带动扫描头沿齿条作一次往返运动，完成一种光谱的扫描，然后切换其它光谱进行扫描。

与现有多光谱成像设备相比，本实施例平板式扫描仪具有如下优点：

1、结构简单，将多个光谱摄像头集成于一个扫描仪中，除光源模组外其它元件均可共用，相对现有多个光谱摄像头分别连接发射光源的结构，结构显著简单；

2、价格便宜，相对现有设备，结构少，并且多个元件可以采用普通扫描仪的通用元件；

3、体积小，携带方便，可以携带外出进行扫描，不同于现有多光谱成像设备只能在实验室实施，因此能得到更大范围的应用。

本实施例平板式扫描仪可应用于图像识别，说明如下。

本实施例基于多光谱对不同物体的不同探测作用，将其用于识别或鉴定任务。由于采用不同波长的光谱可以扫描到可见光条件下看不见、或不清晰的内容，当文件内容受损，被修改、涂改或擦除等(如图7、图8所示，其中图8为原始图像，图7为涂改后的图像)，或者不清晰时，可以使用多光谱扫描仪采集图像，并基于多光谱图像，进行图像特征提取和自动分析，选择信息保留完整的光谱图像用于后续处理，一方面可以减少图像分析的数据量，另一方面减少信息不完整的光谱图像对后续分析的干扰。

具体而言，先基于多光谱扫描仪对待检样本(本实施例中为待鉴定文书)进行扫描，获得待检文书的多光谱图像，对每一种光谱图像进行图像预处理和特征提取。

一方面通过多光谱一致性分析，智能挑选出对目标信息保留完整的光谱图像；另一方面，基于智能选择的光谱图像，进行更深入的图像分析，例如文件的鉴定、识别以及辅助修复等等。下面对扫描光谱智能选择方法以及图像分析方法进行具体描述。

步骤S51，图像采集与预处理。

利用多种光谱扫描采集多个光谱图像，并对采集的每一种光谱图像进行尺寸标准化和去噪处理，例如亮度零均值：I′_(x,y)＝I_(x,y)-avg(I)，其中avg(I)为图像的亮度均值。

步骤S52，通过特征一致性分析，在多个扫描光谱中选择目标信息保留较完整的光谱，用于后续分析。

根据多光谱理论，不同光谱能探测目标不同的化学和物理属性。由于文件的涂改或笔迹淡化，某些光谱(例如可见光)可能探测不到目标的真实信息，但是采用其他波长的光谱，是有可能获取到这些光谱(可见光)没有看到的内容。进一步，这些信息不完整的光谱图像，一方面对后续分析(例如鉴定、识别等)起不到很好的促进作用，另一方面还会影响目标特征的提取，影响后续分析。因此，本方法提出了一种扫描光谱智能选择方法，首先对多种光谱图像进行智能分类，选择对目标信息保留较完整的光谱图像进行后续分析。

由于不同的探测目标，其光谱成像也会不一样，因此，本方案主要基于同一个目标的不同光谱之间的类间距进行分析：

步骤S521，图像块分割，采用窗口滑动方法，将每一个光谱图像分成很多图像子块，窗口滑动法如图10所示，设窗口大小为(w,h)，滑动步长为T，则对于一个分辨为(I_x,I_y)的图像，可以得到个不同子块；同时，还采用不同分辨率的子块，例如：8*8，16*16，32*32，实现多尺度分割；

步骤S522，图像块的特征提取，对上述得到的每一个图像块，提取图像特征，图像特征可以是Gabor小波，Haar，Hog，Sift，纹理特征等多种形式；其中，Gabor小波是一种常用的多分辨率纹理特征提取方法，其计算方式是Gabor小波核函数和原始图像的卷积。

Gabor小波核一个椭圆高斯包络和复平面波的乘积，定义如下：

其中，u和v定义了Gabor核的方向和尺度，z＝(x,y)表示像素坐标，‖*‖是求模运算，小波向量k_v＝k_max/f，k_max为最大频率，f为核函数在频域中的分布系数。方案中，取Gabor小波为5chidu，8方向，即v∈{0,1,2,3,4}，u∈{0,1,2,3,4,5,6,7}，其他参数σ＝2π，k_max＝π/2，

步骤S523，特征向量降维，上述得到的图像块和特征维数很多，采用算法对其进行空间投射和特征降维，这一类算法例如：PCA，LDA等等，这里主要介绍PCA的降维原理，其步骤包括：

1，将原始特征向量排成n行m列的矩阵X_n*m，每一行是一个图像块的特征向量；

2，将X_n*m的每一行进行零均值化，即减去这一行的均值；

3，求X_n*m的协方差矩阵C_n*n：

C_n*n＝(c_i,j,c_i,j＝cov(X_i,X_j))

4，求出协方差矩阵的特征值及对应的特征向量；

5，将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵p，作为降维数据。

步骤S524，原始图像的信息完整性分析。由于一整幅图像中，可能只会有局部区域的信息不完整，本方案采用局部区域特征进行判断：依次对不同光谱，相同区域的图像块信息一致性进行分析，具体步骤为：

一致性分析，采用K-means聚类方法对不同光谱图像块的特征进行聚类，信息完整的光谱为一类，信息缺失的光谱为另一类。

步骤S525，光谱完整性的判定与标注。

光谱完整性的判定依据为：设某一个图像块中，信息完整的光谱和信息缺失的光谱数量分别为n₁和n₂，当n₁＞＞n₂时，将n₁的一类判定为信息完整区域，n₂的一类判定为无效区域，当n₁≈n₂时，将该区域判定为无效区域；

光谱完整性标注：采用局部标注的方式，对每一个图像子块进行标注，标注方式为：0表示无效区域，1表示信息完整的区域。则对于某一个光谱图像M_i，它的信息完整性标注为：

IA_i,r,n＝{k₁,k₂,k₃,....k_n,},k_i＝0 or1

其中i表示光谱的序列，r表示图像子块的分辨率，即8*8，16*16，32*32，n表示图像子块的数量。

标注为1的区域的图像即为对目标信息保留较完整的光谱图像，后续分析时只选择它们，从而既能减少后续分析的工作量，又能避免信息不完整的光谱图像对后续分析的干扰。

步骤S53，基于信息完整的光谱图像进行后续的图像分析任务，例如图像鉴定、目标识别等。根据具体的应用不同，后续处理方法可以是“传统机器学习”方法，也可以是“深度学习”方法，两种方法都只考虑信息完整的光谱进行特征提取和分析。

下面以图像鉴定为例，进行说明。图像鉴定可应用于古籍文件的鉴定，例如一幅古代的名画，已模糊不清，但通过与复制文件的对比，能鉴定出该名画的真假。

图像鉴定实际上是比较待测目标和标准样本的相似度；本方案主要采用一种距离度量的方式进行比较，属于“传统机器学习”方法。样本距离的计算方法有很多：欧式距离，马氏距离，夹角余弦，曼哈顿距离等等，以马氏距离为例，设两个样本向量分别为X₁和X₂，协方差矩阵记为S，均值向量μ，则其中两个样本向量之间的马氏距离为：

步骤S531，图像子块的比较。逐个对比待测样本和标准样本之间的图像子块，比较方法为：

1，定义：N_i,r,n表示光谱M_i分辨率为r的无效图像子块(没有对比)的个数；K_i,r,n表示光谱M_i分辨率为r的有效图像子块的个数；D_i,r,n记录光谱M_i分辨率为r的有效的图像子块和标准样本的马氏距离；

2，逐个取回光谱图像M_i的图像子块Vec_i,r,k，其中i表示光谱的序列，r表示图像子块的分辨率，k表示该图像子块对应的序号；

3，取回IA_i,r,k，当IA_i,r,k＝0时，不进行对比，N_i,r,n加1，当IA_i,r,k＝1时，进行对比，K_i,r,n加1，D_i,r,n加上该子块的马氏距离；

4，最终，图像M_i在分辨率为r时的鉴定结果记为：共N个图像子块，其中N_i,r,n个无效，K_i,r,n个有效，平均马氏距离为d_i,r＝D_i,r,n/K_i,r,n。

步骤S532，融合判决。鉴定结果为所有的光谱图像结果的融合，考虑到参与比较的光谱数量越多，比对结果越可信，取光谱的置信因子为：η_i,r＝D_i,r,n/N，按照如下步骤进行综合判断:

1，统计不同光谱相同分辨率的比对结果，最终得分记为：

其中，r表示分辨率，η_i,r表示光谱M_i在分辨率为r时的置信因子，d_i,r为光谱M_i在分辨率为r时与标准图像的马氏距离；

2，设置阈值为T_th，当Score>T_th，判定为相同，当Score<T_th，判定为不同。

以上是以文书鉴定为例来描述光谱智能选择方法和基于信息完整的光谱图像的图像分析(鉴定)方法。可以理解，本发明基于多光谱的图像分析方法可以应用于其它多种场合。例如用于古籍文件的修复，如图9所示，即使古籍文件通过肉眼已看不出油墨痕迹(如图9左侧)，但通过多光谱扫描，可以自动挑选对内容可见或信息稍完整的光谱图像，识别出图像内容(如图9右侧)，用于辅助修复。再例如用于指纹识别，虽然机密文件或纸币上的指纹被擦除或覆盖，虽然可见光条件下不能获取完整信息，通过其他波长的光谱扫描，也是可以获取更清晰的图像的。

本实施例平板式扫描仪还可应用于物质识别，说明如下。

本实施例基于多光谱的物质识别方法，是根据不同的化学成分在光谱上表现出不同的光谱信息，从物质的多光谱数据中选取不同波长的图像，这些图像分别对应突出了不同的化学材料，从而可以从这些图像上方便鉴定各种墨水、颜料(***印油)、纸张或者其他材料。通过将这些材料的光谱信息与同时期同品种材料的光谱信息进行比较，就可以鉴定出文书或古籍文件的真伪。而如果有各材料的光谱数据库，则还可以将观测到的光谱信息和已知材料的光谱数据库信息对比，更可以鉴定文书文件产出的品牌、产地、年代等信息。

具体而言，本实施例基于多光谱的物质识别方法可以包括如下步骤。

步骤S61，标准样本特征建立。这一步骤具体实施时根据应用的不同进行收集，下面进行详细阐述。

步骤S611，样本数据的收集：根据任务的不同进行收集，例如要鉴别文书材料的一致性等，可以设计从墨水、纸张等方面进行多层识别，在收集材料时，分别对每个样本进行标注，内容包括：材料A的书写年份，使用的墨水品牌等，用Y来表示对每一份材料的标注，其中Y＝[y1,y2,…,yn]，yn表示每一个对应的属性取值。

步骤S612，样本图像的采集：采集每一份样本的光谱图像，基于多光谱摄像头对样本进行拍摄取样(使用的光谱波长可选择300纳米、500纳米、700纳米等多种)，如此每一种光谱可采集一副图像，将其设为M，其中M＝[M1，M2，M3，…，Mn]，Mn为某个光谱图像；

步骤S613，标准样本的图像特征提取：由于是基于图像的特征比对来实现鉴别或识别，因此，提取每一个光谱图像的特征，这些特征可以根据使用场景选择：边缘特征，Hog柱状图，Gabor小波，Haar小波，SIFT特征等等；

步骤S614，标准样本库的分类与建库：与RGB，灰度或者深度图像等不同，对于每一个目标都有N种不同光谱图像进行描述，以文书材料的识别为例，首先对于某一类文书材料，收集了很多样本，其次的目的是从墨水材质、书写时间、纸张年代等方面进行分析，然而，收集的样本中，可能会存在纸张材质一致，但是书写笔墨不一致；或者书写笔墨一致，而纸张材质不一样的样本。如果以每一类样本作为主体来描述，会存在很多不同的组合，样本的描述不清晰，使得后续数据处理过程更复杂；因此，本实施例从更细粒度的样本属性(如墨水材质、书写时间、纸张年代)进行分类建库。

步骤S62，待检样本的图像采集。如果能控制待检样本和标准样本在同一光源环境中收集，会简化后期的数据处理过程，有利于提高识别精度。然而做到这一点难度比较大，从几方面进行改善：1)尽可能的沿用和标准样本收集类似的环境；2)通过摄像机补光单元进行弥补。

步骤S63，对待检样本的图像进行处理。可包括如下步骤：

步骤S631，图像标准化：首先样本尺寸和标准样本库的一致，其次通过亮度归一化(其中亮度是像素点R,G,B三色的平均值)和对比度调整算法(平均亮度*对比度系数)对图像进行归一化。其中亮度归一化的操作是：将每个像素点减去图像的平均亮度，对比度调整是通过乘以对比度系数进行调节。

步骤S632，待检图像特征的提取，这个过程同标准样本的处理过程。

步骤S64，物质识别。本实例提供两种识别方式：基于样本距离与基于属性识别，下面分别进行叙述。

首先介绍基于样本距离的鉴别过程。鉴别过程实际上就是在标准样本中寻找和待检样本最相近的样本。可以采用如下方法：

步骤S6411，基于样本特征的距离进行比较：数学上的距离有很多表示方法，例如欧式距离，余弦距离等等，其中欧式距离为：

步骤S6412，以文书材料的识别为例，每一类光谱可以得到三个距离，分别是笔墨材质，纸张年代和纸张材质，当然对于不同任务，可能还有更多的其他描述，这里每一类光谱的距离比较结果为:R＝[R1，R2，R3]；

步骤S6413，对于每一个属性R1-R3，如果只取一个距离最近的结果，容易受到采集过程的干扰，导致比对结果的置信度较低，因此，这里借用K-NN的思路，但不完全是K-NN方法，每一个光谱图像的每一个属性，例如R1，R2，R3，都取K个最相近的距离，例如：光谱图像Mi的纸张年代比较结果(R2)，取{d1，d2，…，dk}个最靠前的结果，不同于K-NN方法，赋予这K个排序结果不同的权值，距离越相近(排序越靠前)，取得的权值越大，假设取的权值系数为：{e1，e2，…，ek}，最终将所有的光谱图像与该属性相关的距离比较结果的加权：

其中，d_ij表示光谱Mi的排序j的距离，e_j为排序j的权值。最终待测样本的R2属性的判定结果为：对应的最大分值的类别。例如，待测样本的R2属性(纸张年代)对应2015年的分值最大，那么判定结果为：待测样本的纸张年代为2015年。

基于属性识别的鉴别过程，可以采用“手工特征提取+传统机器学习方法”的方法进行进一步的鉴定，也可以基于深度学习方法进行辨别，这些方法都是相对比较成熟的。然而，由于有多种不同光谱图像来描述目标，处理过程会有所不一样。最终的识别结果是多种光谱图像的融合结果。

步骤S6421，多光谱图像的融合

图像融合有两种分类方法，一种是前向融合，即在图像比对前先进行融合，另一是后向融合，即每一个图像用来得到一个比对结果，最后将比对结果进行融合。

“手工特征提取+传统机器学习方法”的方法采用前向融合，具体实现时，本方案设提取到的图像特征用F来表示，其中F＝[f1，f2，…，fn]表示提取到的一个光谱图像特征，将所有光谱的特征排成一个矩阵，FF(i,j)＝[F1，F2，…，Fj]^T，利用空间投射或者降维方法(PCA，LDA)等对FF矩阵进行降维和特征值提取，取降维后的特征输入给传统的机器学习模型，进行训练；这里，手工提取的图像特征可以是：二值化图像的边缘特征，HOG柱状图特征，Haar小波特征，SIFT特征点等等；机器学习算法可以是：SVM，神经网络，决策树等等；

对于深度学习方法，采用后向融合方法，每一个图像经过卷积神经网络的运算后，得到一类比对结果，所有的光谱都比对一遍，将出现次数最多的结果作为最终比对结果；这里，深度学习网络可以通过迁移学习或者自己设计并逐步迭代拟合得到；

步骤S6422，模型训练：“手工特征提取+传统机器学习方法”的输入是提取的特征向量，“深度学习”的输入是图片；输出就是识别或者分类的结果。关于模型的训练，由于采用更细粒化的特征来描述样本，因此，样本的标注是针对它的每一个属性；训练过程依赖于选择了多少个样本属性Y＝[y1,y2,…,yn]，每一个yn都需要训练一个分类模型；

步骤S6423，目标识别：综上，最终的识别结果是以样本属性来描述的，例如：该样本具备什么样的y1属性，什么样的y2属性，…，什么样的yn属性。以上述纸张为例，某纸张样本可能判断为具备2015年的生产年代，2017年的书写墨水时间，英雄品牌的墨水材质等等。

本发明基于多光谱的物质识别方法通过物质的多光谱图像特征来识别物质，在鉴别文件写作(打印)时间、签名真假等检测时，分析和鉴别最高准确率达99％以上，并且操作十分简单，经济。

Claims

1.一种平板式扫描仪，其特征在于，包括平板状壳体结构以及收容于壳体结构中的扫描机构、承载面板、光源模组，扫描机构用以在预设范围内进行扫描，承载面板位于扫描机构上方，用以承载被扫描物体，其具有透明面板，以使扫描机构扫描位于透明面板上的被扫描物体，光源模组连接扫描机构，用于发射光线到扫描机构，光源模组能发射多个不同光谱的光线，多个不同光谱的光线由单色光源分别形成，或由多色光源通过滤光元件形成。

2.根据权利要求1所述的平板式扫描仪，其特征在于，扫描机构包括带状照明器、接收器、控制板与运动机构，带状照明器用于接收光源模组的光谱发射信号，并形成带状光线向被扫描物体发射，接收器用于接收被扫描物体的反射光线，并将光信号转换为电信号，传输给控制板，运动机构用于控制带状照明器与接收器运动，以扫描被扫描物体的全部范围。

3.根据权利要求2所述的平板式扫描仪，其特征在于，运动机构包括电机、传动齿轮与齿条，电机、传动齿轮与带状照明器、接收器一起固定于一横梁上形成扫描头，电机与传动齿轮连接，齿条为纵向设置，与齿轮啮合，将齿轮的旋转运动转换为沿齿条的直线往复运动，使扫描头沿纵向运动，以扫描被扫描物体的全部范围。

4.根据权利要求3所述的平板式扫描仪，其特征在于，扫描仪具有控制***，控制***包括处理模块以及光源发射模块、光源接收模块，处理模块用于控制其它各模块的运行，光源发射模块连接光源模组，用于驱动光源模组生成光谱信号，光源接收模块连接接收器，用于将接收器收到的光谱信号转换成电信号传输给处理模块；扫描时，处理模块通过光源发射模块命令光源模组发射一种光谱，同时接收器接收从被扫描物体反射过来的光谱信号，传送给处理模块；处理模块通过电机驱动模块，控制电机旋转，以带动扫描头沿齿条作一次往返运动，完成一种光谱的扫描，然后切换其它光谱进行扫描。

5.一种扫描光谱智能选择方法，其特征在于，包括：

利用多光谱扫描仪采集图像，并对每一种光谱图像进行尺寸标准化和去噪处理，所述多光谱扫描仪采用如权利要求1至4中任一所述的平板式扫描仪；

通过特征一致性分析，在多个光谱图像中选择目标信息保留相对较完整的光谱图像。

6.根据权利要求5所述的扫描光谱智能选择方法，其特征在于，光谱图像选择包括：图像块分割，将每一个光谱图像分成很多图像子块；图像块特征提取，对上述每一个图像块提取图像特征；特征向量降维，采用算法对上述图像块特征进行空间投射和特征降维；光谱图像的信息完整性分析，将多光谱图像分为信息完整和信息缺失的两类；光谱完整性的判定与标注，根据光谱完整性，对每一个图像子块进行标注。

7.一种图像分析方法，其特征在于，基于根据权利要求5或6所述的方法获得的信息完整的光谱图像进行。

8.根据权利要求7所述的扫描光谱智能选择方法，其特征在于，图像分析方法包括：图像子块的比较，逐个对比待测样本和标准样本之间的图像子块；融合判决，鉴定结果为所有的光谱图像结果的融合，取光谱的置信因子为：η_i，r＝D_i，r，n/N，按照如下步骤进行综合判断：统计不同光谱相同分辨率的比对结果，最终得分记为：其中，r表示分辨率，η_i，r表示光谱M_i在分辨率为r时的置信因子，d_i，r为光谱M_i在分辨率为r时与标准图像的马氏距离；设置阈值为T_th，当Score＞T_th，判定为相同，当Score＜T_th，判定为不同。

9.一种基于多光谱的物质识别方法，其特征在于，包括：

标准样本特征建立，采集所收集到的标准样本的多光谱图像，并提取多光谱图像的特征；

待检样本的图像采集，采集到待检样本的多光谱图像，其光谱波长与标准样本特征建立时的波长相同；

物质识别，通过标准样本特征与待检样本特征的比较，判断待检样品具备哪些属性；

上述样本均使用如权利要求1至4中任一所述的平板式扫描仪采集。

10.根据权利要求9所述的物质识别方法，其特征在于，物质识别采用基于样本距离的方式，每一类光谱得到多个距离，分别对应不同属性；对每一个光谱图像的每一个属性，取其中K个最靠前的结果，且赋予这K个结果排序不同的权值，越靠前权值越大，每一次比较的排名都乘以一个权值，最终的得分等于所有光谱图像比较结果中前K个排名中出现了结果的加和，即其中，d_ij表示光谱Mi的排序j的距离，e_j为排序j的权值，最终待测样本的属性的判定结果为对应的最大分值的类别；或者物质识别采用基于属性识别的方式，识别待检样品的属性，包括：多光谱图像融合，以获得特征向量或图片；模型训练，输入特征向量或图片，输出识别或者分类的结果；目标识别，最终判断样本具备哪些属性。