CN109063773A - 一种利用图像特征提高激光探针分类精度的方法 - Google Patents

Abstract

本发明属于激光探针成分分析相关技术领域，其公开了一种利用图像特征提高激光探针分类精度的方法，该方法包括以下步骤：S1，采用光谱采集装置采集样品的等离子体光谱，所述等离子体光谱为多维光谱；S2，对所述等离子体光谱进行图像化处理以得到16位的灰度图；S3，基于所述灰度图提取图像特征，所述图像特征为多维光谱特征；S4，将所述图像特征作为分类算法的输入来进行训练以得到基于所述图像特征的分类模型；S5，将待分类样品的图像特征输入到所述分类模型，所述分类模型输出分类结果，由此完成分类。本发明提高了***精度，且无需人工选线或者自动选线，简化了分类过程，提高了分类效率。

Description

一种利用图像特征提高激光探针分类精度的方法

技术领域

本发明属于激光探针成分分析相关技术领域，更具体地，涉及一种利用图像特征提高激光探针分类精度的方法。

背景技术

激光探针技术即激光诱导击穿光谱技术(laser-induced breakdownspectroscopy，简称LIBS)是一种利用高能激光照射在样品表面产生等离子体，再通过光谱仪对等离子体光谱进行采集和分析以确定样品元素成分及含量的一种元素分析技术。LIBS技术以其原位、快速、无污染等优点已经广泛应用于金属探测、农产品溯源以及矿石勘探等诸多领域的样品识别与分类中。

现有的LIBS分类方法一般是基于多谱线强度实现的，如多谱线峰值法(Muti-linePeak Intensity Method，MPIM)和全谱法(Full Spectrum Method，FSM)。然而，多谱线峰值法的分类效果受谱线选择方法及谱线有效数量的影响较大，并且人工选线存在耗时长、效率低及难以确定所选谱线对应元素的问题。然而，自动选线一般需要结合PLS、GA等其他算法进行，且选线后通常需要结合PCA算法进行降维，分类过程较为复杂。基于全谱分类的方法虽然可以省略选线过程，但是由于引入多干扰谱线及近似变量，容易造成特征矩阵非正定，只能结合SVM或者神经网络等复杂算法使用。再者，由于光谱仪波长范围和光谱分辨率的限制，可表征特定样品的有效特征谱线的数量和比例都难以提高，导致特定算法下的分类性能难以提高。

目前，本领域相关技术人员已经做了一些研究，如论文《Discrimination ofbiological and chemical threat simulants in residue mixtures on multiplesubstrates》(Anal Bioanal Chem(2011)400:3289–3301)公开了采用全谱模型和选线模型分别对纯生化有害残渣进行分类识别。在铝制基片上，基于这两模型的分类正确率分别达98.9％及89.2％，基于复合基片上的分类正确率分别为54.8％及47.4％，且该文献将两种常用的分类方法和PLS算法相结合，虽然实现了未知样品的简单多分类，但是分类过程仍然较复杂，且对复杂环境(如多基片条件)的识别率仍然偏低。又如公告号为CN104483292A、公告日为2015年04年01日、发明创造名称为一种采用多谱线比值法提高激光探针分析精确度的方法的专利公开了一种采用多谱线比值法提高激光探针分析精度的方法，该方法虽然可以将激光探针分类精度提高，但是仍然无法避免选线的复杂过程及因所选谱线对象或者数目不同导致分类结果不同的现象。相应地，本领域存在着发展一种分类性能较好且分类相对简单的利用图像特征提高激光探针分类精度的方法的技术需求。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种利用图像特征提高激光探针分类精度的方法，其基于现有激光探针分类的特点，研究及设计了一种分类性能较好且分类过程较为简单的利用图像特征提高激光探针分类精度的方法。所述方法采用的图像特征为多维光谱特征，具有更好的表征性能，由此提高了分类精度，且无需人工或者自动选线而简化了分类过程。

为实现上述目的，本发明提供了一种利用图像特征提高激光探针分类精度的方法，该方法包括以下步骤：

S1，采用光谱采集装置采集样品的等离子体光谱，所述等离子体光谱为多维光谱；

S2，对所述等离子体光谱进行图像化处理以得到16位的灰度图；

S3，基于所述灰度图提取图像特征，所述图像特征为多维光谱特征；

S4，将所述图像特征作为分类算法的输入来进行训练以得到基于所述图像特征的分类模型；

S5，将待分类样品的图像特征输入到所述分类模型，所述分类模型输出分类结果，由此完成分类。

进一步地，步骤S2中，根据所述光谱采集装置的光谱仪的有效波段及有效像素确定光谱图像的总像素，接着确定光谱图像的行像素数及列像素数；之后，将每个像素的光谱强度写入图像文件结构中，对应得到像素点的灰度值。

进一步地，步骤S3具体包括以下子步骤：

S31，计算光谱图像每一个像素点的水平方向及垂直方向的梯度；

S32，根据得到的水平方向及垂直方向的梯度来计算每个像素点的梯度幅值及方向值；

S33，将光谱图像以设定像素数划分为多个光谱图像单元，并统计每个光谱图像单元中每个像素的梯度方向值及梯度幅值，并以梯度幅值为加权系数，每个光谱图像单元生成一个通道数为NumBins的梯度方向直方图，一个梯度方向直方图对应一个HOG特征，即图像特征；

S34，将所述光谱图像单元分为BlockSize个图像块，根据块重合参数BlockOverlap确定HOG特征矩阵。

进一步地，像素点P(x,y)的水平方向梯度G_x(x,y)和垂直方向梯度G_y(x,y)分别采用公式(1)及公式(2)来计算，公式(1)及公式(2)分别为：

G_x(x,y)＝H(x+1,y)-H(x-1,y) (1)

G_y(x,y)＝H(x,y+1)-H(x,y-1) (2)

式中，H(x,y)表示该像素点P(x,y)的灰度值。

进一步地，像素点P(x_ij,y_ij)处的梯度幅值和梯度方向分别采用公式(3)及公式(4)进行计算，公式(3)及公式(4)分别为：

式中，G(x,y)为梯度幅值矩阵；α(x,y)为梯度方向矩阵。

进一步地，所述HOG特征本质为多维光谱的梯度方向关系。

进一步地，所述图像特征为以下特征中的任一种：HOG特征、HAAR特征、LBP特征。

进一步地，所述分类算法为以下算法中的任一种：支持向量机算法、神经网络算法、偏最小二乘法算法。

进一步地，所述光谱采集装置包括激光器、反射镜、聚焦镜、采集头、光谱仪、ICCD相机及计算机，所述激光器与所述反射镜相对间隔设置，所述聚焦镜位于所述反射镜的下方；所述激光器连接于所述计算机，所述计算机连接于所述ICCD相机；所述ICCD相机邻近所述光谱仪设置；所述光谱仪通过光纤连接于所述采集头。

进一步地，所述激光器用于产生高能量密度激光束，所述反射镜用于对所述激光束进行反射，经反射后的激光束进入所述聚焦透镜并经所述聚焦透镜聚焦后烧蚀在样品表面以产生等离子体光谱，所述采集头用于采集等离子体光谱的等离子光信号，并将所述等离子光信号传输给所述光谱仪，进而所述ICCD相机用于将所述等离子体光信号转换成光谱信号后传输给所述计算机。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的利用图像特征提高激光探针分类精度的方法主要具有以下有益效果：

1.基于所述灰度图提取图像特征，所述图像特征为多维光谱特征，而现有的多谱线峰值法和全谱法都是基于单维光谱强度建立分类特征的，由于LIBS光谱的弱稳定性，多维光谱特征较单维光谱特征具有更好的表征性能，从而具有更高的分类精度。

2.该方法基于图像特征进行分类，相对于多谱线峰值法和全谱法分类，无需人工选线或自动选线，分类过程较简单，适用性较强。

3.所述采集头用于采集等离子体光谱的等离子光信号，并将所述等离子光信号传输给所述光谱仪，进而所述ICCD相机用于将所述等离子体光信号转换成光谱信号后传输给所述计算机，采用图像化信息，数据量较小，便于运算处理，提高了效率。

4.所述图像特征为以下特征中的任一种：HOG特征、HAAR特征、LBP特征；所述分类算法为以下算法中的任一种：支持向量机算法、神经网络算法、偏最小二乘法算法，可见图像特征可以采用多用图像特征的获取方式，还可以与多种分类算法相结合，提高了实用性，灵活性较好。

附图说明

图1是本发明较佳实施方式提供的利用图像特征提高激光探针分类精度的方法的流程示意图。

图2是图1中的利用图像特征提高激光探针分类精度的方法涉及的光谱采集装置的示意图。

图3是图1中的利用图像特征提高激光探针分类精度的方法得到的图像特征的光谱图。

图4是图3中的利用图像特征提高激光探针分类精度的方法涉及的图像特征的灰度图。

图5是采用图3中的利用图像特征提高激光探针分类精度的方法提取光谱图像HOG特征的原理及流程示意图。

图6中的(a)、(b)图分别是采用现有的全谱法及图3中的利用图像特征提高激光探针分类精度的方法获得的分类结果示意图。

图7是采用图3中的利用图像特征提高激光探针分类精度的方法对塑料、钢铁、矿石及岩石样品进行分类所得得到的结果示意图。

在所有附图中，相同的附图标记用来表示相同的元件或结构，其中，1-激光器，2-反射镜，3-聚焦镜，4-样品，5-采集头，6-光谱仪，7-ICCD相机，8-计算机，9-数据线，10-光纤。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

请参阅图1及图2，本发明较佳实施方式提供的利用图像特征提高激光探针分类精度的方法，其首先将LIBS光谱转化为16位灰度图，然后提取图像特征，再结合相关算法建立分类模型，从而实现样品的识别与分类。

所述的利用图像特征提高激光探针分类精度的方法主要包括以下步骤：

S1，采用光谱采集装置采集样品的等离子体光谱，所述等离子体光谱为多维光谱。

具体地，首先准备好样品，然后，提供一个光谱采集装置，并采用所述光谱采集装置对所述样品进行多维等离子体光谱采集。其中，所述光谱采集装置包括激光器1、反射镜2、聚焦镜3、采集头5、光谱仪6、ICCD相机7及计算机8，所述激光器1与所述反射镜2相对间隔设置，所述聚焦镜3位于所述反射镜2的下方。同时，所述激光器1通过数据线9连接于所述计算机8，所述计算机8连接于所述ICCD相机7。所述ICCD相机7邻近所述光谱仪6设置。所述光谱仪6通过光纤10连接于所述采集头5。

所述激光器1产生的高能量密度激光束经所述反射镜2反射后进入所述聚焦透镜3，激光束经所述聚焦透镜3聚焦后烧蚀在样品4表面以产生等离子体光谱，所述采集头5采集等离子体光谱的等离子光信号，并将所述等离子光信号传输给所述光谱仪6，所述ICCD相机7再将所述等离子体光信号转换成光谱信号后传输给所述计算机8。

S2，对所述等离子体光谱进行图像化处理以得到16位的灰度图。请参阅图3，具体包括以下步骤：

S21，根据所述光谱仪6的有效波段及有效像素确定光谱图像的总像素数。设所述光谱仪6的有效像素数为n，则其对应的光谱图像总像素数为n。

S22，确定光谱图像的行像素数c及列像素数w，且c＝n/w。当c为小数时向下取整，即图像余数行省略不计。

S23，将每个像素的光谱强度写入图像文件结构中，每幅光谱的像素数为n，故单幅光谱的强度数据为1x n维强度矩阵I，将该强度矩阵内数据按照所得到的行列数依次写入图像文件结构中以得到光谱图像。以光谱图像中的随机点P(x，y)为例，其灰度值即为强度矩阵I第(x*w+y)个光谱像素的强度值。

S3，基于所述灰度图提取图像特征，所述图像特征为多维光谱特征。请参阅图4及图5，具体包括以下步骤：

S31，计算光谱图像每一个像素点水平方向及垂直方向的梯度，点P x,y)的水平方向梯度G_x(x,y)和垂直方向梯度G_y(x,y)分别采用公式(1)及公式(2)来计算。其中，H(x,y)表示该像素点的灰度值，由此可得水平和垂直方向的梯度c x w维矩阵G_x、G_y。

G_x(x,y)＝H(x+1,y)-H(x-1,y)(1)

G_y(x,y)＝H(x,y+1)-H(x,y-1)(2)

接着，计算每个像素点的梯度幅值及方向值，像素点P(x_ij,y_ij)处的梯度幅值和梯度方向分别采用公式(3)及公式(4)进行计算，由此可得梯度幅值矩阵G(x,y)和梯度方向矩阵α(x,y)。

之后，将光谱图像以设定像素数CellSize划分为floor(c/CellSize)*floor(w/CellSize)多个光谱图像单元(floor()为向下取整函数)，并统计每个光谱图像单元中每个像素的梯度方向值及梯度幅值，最后以梯度幅值为加权系数，每个光谱图像单元可生成一个通道数为NumBins的梯度方向直方图，一个梯度方向直方图对应一个HOG特征。

S32，将所述光谱图像单元分为BlockSize个图像块，根据块重合参数BlockOverlap确定HOG特征矩阵，该特征矩阵维度为1*n维矩阵，该矩阵即单幅光谱图像的HOG特征矩阵。其中，n＝BlockPerimage*BlockSize*NumBin,BlockPerimage＝floor((size(I)./CellSize–BlockSize)./(BlockSize–BlockOverlap)+1)，其中，floor()为向下取整函数；size()为矩阵内成员数统计函数。

S4，将所述图像特征作为分类算法的输入来进行训练以得到基于所述图像特征的分类模型。

具体地，设共有S个样品，每个样品采集m幅光谱，光谱总数为k＝s×m，由此可得特征图像为k幅，以从1到k的奇数序列图像为训练集图像，偶数序列为测试集图像，分别以其图像特征建立训练集和测试集，将所得训练集图像特征矩阵输入算法训练以得到基于图像特征的分类算法模型。

S5，将待分类样品的图像特征输入到所述分类模型，所述分类模型输出分类结果，由此完成分类。

实施例1

本发明第一实施方式提供的利用图像特征提高激光探针分类精度的方法主要包括以下步骤：

步骤一，样品准备及LIBS光谱采集。本实施方式采用24种不同品种的水稻为实验样品，各个品种分别由不同研究机构培育而成，水稻类型包括优质杂交籼稻、粳型常规水稻、粳型常规早稻、籼型常规早稻籼型三系杂交早稻，样品的详细信息如表1所示。

步骤二，光谱的图像处理。本实施方式所采用的光谱仪6的实际有效波段为200.331nm～894.514nm，每幅光谱的有效像素数为24262。本实施方式采用从左到右、从上到下的转换方式(行列数分别设置为81和298)，即将24262个像素点对应的光谱强度值以行列形式依次排列(余数行省略不计)，用Matlab的相关库函数写入png图像数据结构中，并保存为一幅png格式16位灰度图，该图即为单幅LIBS光谱对应的灰度图像。本实施方式中共有2400幅光谱，经过图像处理后可到2400幅光谱图像。

表1 24种大米品种信息表

步骤三，提取图像特征。本实施方式采用得到的光谱图像及HOG特征建立训练集和测试集。同时，图像HOG特征通过Matlab自带库函数extractHOGFeatures()来获取。在本实施方式中，图像特征提取参数分别设置如下：单元像素数CellSize设为28；块内单元数BlokSize设为2；块重叠数BolckOverlap设为1；直方图通道数NumBins设为9(即将0°～180°角度范围分成9个等级，如0°～20°，20°～40°...160°～180°等，角度为负时取其绝对值)。另外，本实施方式在该过程中涉及的相关参数如图像行列数、图像单元像素数CellSize及块内单元数BlockSize等的参数优化过程在此不再赘述。

步骤四，结合支持向量机算法(SVM)建立分类模型。本实施方式是将图像HOG特征结合了SVM算法来实现LIBS分类的。具体地，将1-2400幅奇数序列图像的HOG特征矩阵输入SVM算法进行经训练以生成基于光谱图像HOG特征的未知样品多分类模型。

步骤五，将以上2400幅光谱图像的偶数序列图像的HOG特征输入以上分类模型，所述分类模型输出分类结果。

本发明方法(IFM)和全谱法(FSM)对24种不同品种的水稻样品分类总体结果对比如图6所示，可见，采用本发明提供的方法获得的图6中的b图的预测便签与真实便签的重合率较高。单个样品的分类结果如表2所示。

表2图像特征法与全谱法分类结果单个样品对比表

以24种不同品种的水稻为样品的分类实验中，图像特征法的总体分类准确率为82.5％，全谱法的总体分类准确率为55.75％，图像特征法的分类性能相较于全谱法分类有明显的提高，总体分类准确率提高了27％。其中LJ7号样品的识别率从20％提升至90％，单个样品最大提升幅度为70％，其余样品提升幅度从4％～44％不等。

请参阅图7，为了进一步验证本发明所提供的利用图像特征提高激光探针分类精度的方法，采用本发明的方法对多种塑料、钢铁、矿石及岩石样品进行了进一步分类测试，其中塑料、钢铁、岩石和矿石样品数量分别为20种、18种、15种和16种。自分类测试结果知，本发明提供的方法对塑料和钢铁的分类准确率都达到99％以上，对岩石和矿石的分类准确率分别达到了97.07％和92.5％。相比于全谱法分类，分类准确率得到了普遍提高，提高幅度分别为0.33％、1.77％、1.87％和4％。综上可知，本发明提供的分类方法不仅对不同品种的大米样品具有较好的分类性能，对塑料、钢铁、矿石和岩石样品也都具有良好分类性能，具有良好的普适性及稳定性。

本发明提供的利用图像特征提高激光探针分类精度的方法，该方法基于多维图像特征来进行分类，简化了分类过程，提高了分类精度，且具有较好的适用性及稳定性，同时提高了产品分类的效率。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种利用图像特征提高激光探针分类精度的方法，其特征在于，该方法包括以下步骤：

S1，采用光谱采集装置采集样品的等离子体光谱，所述等离子体光谱为多维光谱；

S2，对所述等离子体光谱进行图像化处理以得到16位的灰度图；

S3，基于所述灰度图提取图像特征，所述图像特征为多维光谱特征；

S4，将所述图像特征作为分类算法的输入来进行训练以得到基于所述图像特征的分类模型；

S5，将待分类样品的图像特征输入到所述分类模型，所述分类模型输出分类结果，由此完成分类。

2.如权利要求1所述的利用图像特征提高激光探针分类精度的方法，其特征在于：步骤S2中，根据所述光谱采集装置的光谱仪的有效波段及有效像素确定光谱图像的总像素，接着确定光谱图像的行像素数及列像素数；之后，将每个像素的光谱强度写入图像文件结构中，对应得到像素点的灰度值。

3.如权利要求1-2任一项所述的利用图像特征提高激光探针分类精度的方法，其特征在于：步骤S3具体包括以下子步骤：

S31，计算光谱图像每一个像素点的水平方向及垂直方向的梯度；

S32，根据得到的水平方向及垂直方向的梯度来计算每个像素点的梯度幅值及方向值；

S33，将光谱图像以设定像素数划分为多个光谱图像单元，并统计每个光谱图像单元中每个像素的梯度方向值及梯度幅值，并以梯度幅值为加权系数，每个光谱图像单元生成一个通道数为NumBins的梯度方向直方图，一个梯度方向直方图对应一个HOG特征，即图像特征；

S34，将所述光谱图像单元分为BlockSize个图像块，根据块重合参数BlockOverlap确定HOG特征矩阵。

4.如权利要求3所述的利用图像特征提高激光探针分类精度的方法，其特征在于：像素点P(x,y)的水平方向梯度G_x(x,y)和垂直方向梯度G_y(x,y)分别采用公式(1)及公式(2)来计算，公式(1)及公式(2)分别为：

G_x(x,y)＝H(x+1,y)-H(x-1,y) (1)

G_y(x,y)＝H(x,y+1)-H(x,y-1) (2)

式中，H(x,y)表示该像素点P(x,y)的灰度值。

5.如权利要求4所述的利用图像特征提高激光探针分类精度的方法，其特征在于：像素点P(x_ij,y_ij)处的梯度幅值和梯度方向分别采用公式(3)及公式(4)进行计算，公式(3)及公式(4)分别为：

式中，G(x,y)为梯度幅值矩阵；α(x,y)为梯度方向矩阵。

6.如权利要求3所述的利用图像特征提高激光探针分类精度的方法，其特征在于：所述HOG特征本质为多维光谱的梯度方向关系。

7.如权利要求1-2任一项所述的利用图像特征提高激光探针分类精度的方法，其特征在于：所述图像特征为以下特征中的任一种：HOG特征、HAAR特征、LBP特征。

8.如权利要求1-2任一项所述的利用图像特征提高激光探针分类精度的方法，其特征在于：所述分类算法为以下算法中的任一种：支持向量机算法、神经网络算法、偏最小二乘法算法。

9.如权利要求1-8任一项所述的利用图像特征提高激光探针分类精度的方法，其特征在于：所述光谱采集装置包括激光器、反射镜、聚焦镜、采集头、光谱仪、ICCD相机及计算机，所述激光器与所述反射镜相对间隔设置，所述聚焦镜位于所述反射镜的下方；所述激光器连接于所述计算机，所述计算机连接于所述ICCD相机；所述ICCD相机邻近所述光谱仪设置；所述光谱仪通过光纤连接于所述采集头。

10.如权利要求9所述的利用图像特征提高激光探针分类精度的方法，其特征在于：所述激光器用于产生高能量密度激光束，所述反射镜用于对所述激光束进行反射，经反射后的激光束进入所述聚焦透镜并经所述聚焦透镜聚焦后烧蚀在样品表面以产生等离子体光谱，所述采集头用于采集等离子体光谱的等离子光信号，并将所述等离子光信号传输给所述光谱仪，进而所述ICCD相机用于将所述等离子体光信号转换成光谱信号后传输给所述计算机。