用近紅外高光譜圖像區(qū)分不同品質(zhì)的建筑涂料

蔣金豹，喬小軍，何汝艷，田奮民

中國(guó)礦業(yè)大學(xué)(北京)地球科學(xué)與測(cè)繪工程學(xué)院, 北京 100083

用近紅外高光譜圖像區(qū)分不同品質(zhì)的建筑涂料

蔣金豹，喬小軍，何汝艷，田奮民

中國(guó)礦業(yè)大學(xué)(北京)地球科學(xué)與測(cè)繪工程學(xué)院, 北京 100083

市場(chǎng)上出售的建筑涂料品種繁多，型號(hào)和品質(zhì)不盡相同。利用高光譜技術(shù)區(qū)分不同品質(zhì)的建筑涂料。獲取同一顏色四個(gè)不同品質(zhì)、不同品牌建筑涂料(品牌A，B，C，D)的近紅外高光譜圖像，利用ANOVA(analysis of variance)方法發(fā)現(xiàn)1 283和2 447 nm為區(qū)分四個(gè)品牌涂料的最優(yōu)波段。構(gòu)建比值指數(shù)R1 283/R2 447并對(duì)其結(jié)果進(jìn)行閾值分割，將分割結(jié)果與最大似然分類精度進(jìn)行了對(duì)比。結(jié)果表明除品牌C與D之間J-M距離外，其他涂料間J-M距離均大于1.8； 而R1 283/R2 447指數(shù)分割精度最低為87.54%，相應(yīng)最大似然分類精度為95.63%，其他品牌涂料閾值分割與最大似然分類精度均達(dá)到90%以上。因此，R1 283/R2 447指數(shù)能夠較好地區(qū)分不同品牌的建筑涂料。該研究結(jié)果可為建筑涂料識(shí)別、裝修質(zhì)量驗(yàn)收、合格評(píng)定提供技術(shù)支持。

建筑涂料； 近紅外高光譜圖像； ANOVA； 區(qū)分

引 言

市場(chǎng)上出售的建筑涂料品種繁多，型號(hào)和品質(zhì)不盡相同。建筑涂料主要由粘結(jié)材料、顏料、填料、稀釋劑等經(jīng)一定工藝制造而成的產(chǎn)品，其中粘結(jié)材料的含量顯著影響著涂料性能[1]。同一顏色的不同品牌、不同品質(zhì)的建筑涂料，在可見(jiàn)光范圍內(nèi)具有十分相似的光譜特征，導(dǎo)致肉眼難以辨別，這就為涂料產(chǎn)品以假亂真和以次充好提供了可能。目前在建筑裝修驗(yàn)收環(huán)節(jié)，涂料品質(zhì)的優(yōu)劣主要靠經(jīng)驗(yàn)觀察判斷，尚缺乏一種快速可靠的檢測(cè)方法。成像光譜技術(shù)能在肉眼觀察(0.38～0.76 μm)范圍以外的波段區(qū)域內(nèi)測(cè)量并記錄待測(cè)物體的吸收和反射光譜響應(yīng)及圖像信息。因此，在可見(jiàn)光范圍內(nèi)具有相似或相近光譜特征的建筑涂料，在近紅外范圍內(nèi)則有可能存在顯著差異。張兵等[2]利用高光譜圖像對(duì)北京亞運(yùn)村建材市場(chǎng)屋頂材料進(jìn)行了識(shí)別研究，結(jié)果表明高光譜遙感可以識(shí)別不同品種的涂料； 并用同樣的方法對(duì)奧體公園中心地區(qū)的天然草坪和人工草坪進(jìn)行了有效識(shí)別[3]。武鋒強(qiáng)等[4]利用波譜范圍在0.4～1.0和1.3～2.5 μm的兩種高光譜數(shù)據(jù)確定了古畫中的顏料成分，結(jié)果與拉曼光譜檢驗(yàn)一致。侯妙樂(lè)等[5]利用400～1 000 nm的高光譜影像提取了壁畫的底稿信息，恢復(fù)了模糊不清的底稿輪廓。Chang等已利用“HYDICE panel scene”數(shù)據(jù)進(jìn)行了諸多亞像元目標(biāo)識(shí)別和分類的相關(guān)研究[6-7]。上述研究顯示了高光譜遙感技術(shù)在地物識(shí)別中具有優(yōu)勢(shì)。本研究嘗試?yán)媒t外成像光譜技術(shù)識(shí)別同一顏色不同品牌(品質(zhì)不同)建筑涂料的可行性，為以后利用高光譜技術(shù)鑒定已裝修好建筑物涂料類型與品質(zhì)提供理論依據(jù)和技術(shù)方法支持。

1 實(shí)驗(yàn)部分

1.1 材料

試驗(yàn)使用四個(gè)同一顏色(粉紅色)不同品質(zhì)、不同品牌的建筑涂料(分別為品牌A，B，C，D)。將四種涂料均勻噴涂于同質(zhì)涂料測(cè)試板上，待烘干后用于高光譜成像。四種涂料顏色、外觀基本一致，肉眼難以分辨其差異。

1.2 圖像數(shù)據(jù)獲取

采用ImSpector N25E(Spectral Imaging Ltd, Finland)光譜儀獲取成像高光譜數(shù)據(jù)，其為推掃式成像，自帶光源，每次可獲取320像元的一行數(shù)據(jù)，列數(shù)由物體的掃描長(zhǎng)度決定。成像光譜范圍在1 000～2 500 nm(共239個(gè)波段)，光譜分辨率約為6.3 nm[8]。獲取數(shù)據(jù)時(shí)瞬時(shí)視場(chǎng)角為100°。每次掃描成像同時(shí)獲取物體的白板和暗電流數(shù)據(jù)。

為了對(duì)比在可見(jiàn)光范圍內(nèi)四個(gè)品牌涂料的光譜特征，并利用美國(guó)SOC710VP成像光譜儀獲取了上述四種涂料在400～1 000 nm內(nèi)共128個(gè)波段的高光譜數(shù)據(jù)，其光譜分辨率約為4.69 nm[9]。于2014年6月27日12:30在北京室外掃描成像，操作支架的高度為1.65 m，視場(chǎng)角為12°，同樣每次掃描成像同時(shí)獲取暗電流和反射率參考版數(shù)據(jù)。

1.3 圖像預(yù)處理

1.3.1 高光譜圖像輻射校正

為方便對(duì)比研究，將四種涂料從背景中裁剪出來(lái)并拼接為一張影像，拼接后每類涂料大小為310×310個(gè)像元，整幅影像共620×620個(gè)像元。利用反射率參考白板與暗電流數(shù)據(jù)按以下公式完成對(duì)高光譜圖像進(jìn)行輻射校正[10]。校正公式如下

式中：R為校正后的高光譜圖像的相對(duì)反射率，R∈[0, 100]；IS為涂料原始高光譜DN值；ID是黑板的定標(biāo)圖像的DN值；IW為白板定標(biāo)圖像的DN值。

1.3.2 高光譜圖像平滑

獲取的可見(jiàn)光高光譜數(shù)據(jù)在400～1 000 nm共128個(gè)波段，近紅外高光譜影像在1 000～2 500 nm范圍內(nèi)共239個(gè)波段。光譜平滑技術(shù)(如移動(dòng)平均值，S-G濾波，中值濾波和高斯濾波)可以用來(lái)消除光譜噪聲[11]。可見(jiàn)光高光譜數(shù)據(jù)因只用來(lái)對(duì)比和近紅外光譜之間的差異，所以未對(duì)其進(jìn)行平滑處理。僅對(duì)近紅外高光譜影像利用5點(diǎn)平滑法進(jìn)行光譜平滑，具體平滑公式[12]如下所示

式中，Ri為第i波段的反射率值, 且i∈[2, 237]，P平滑為每個(gè)像元(Pixel)平滑后的光譜。

工作中所有的圖像處理操作均在ENVI 4.8(Exelis Visual Information Solutions, Boulder, CO, USA)，ArcGIS(Environmental Systems Research Institute, Inc.) 以及 Matlab R2010a(The MathWorks Inc.)環(huán)境下編寫的計(jì)算機(jī)程序進(jìn)行計(jì)算。

1.4 高光譜圖像處理與分析方法

1.4.1 波段選擇

由于高光譜圖像波段多，相鄰波段具有很強(qiáng)的相關(guān)性，導(dǎo)致波段數(shù)據(jù)存在冗余[13]。因此需要先降維再提取有利于目標(biāo)探測(cè)和物質(zhì)識(shí)別的波段信息。常用的降維方法主要包括特征提取和特征選擇兩類。特征提取通過(guò)把高維數(shù)據(jù)投影映射到低維空間，其本質(zhì)是所有波段的某種線性組合(如PCA，MNF，LDA等)，然而利用特征提取降維后的特征易失去光譜特性等物理含義[3]。而特征選擇可以挑選出對(duì)目標(biāo)探測(cè)或識(shí)別最優(yōu)的波段，擬利用方差分析方法提取對(duì)識(shí)別四種品牌涂料最優(yōu)的波段。

式中i,j表示不同的類別組合且i,j∈{“品牌A”，“品牌B”，“品牌C”，“品牌D”}，k表示不同波段(k∈[1, 239])。方差分析可以用F值進(jìn)行假設(shè)檢驗(yàn)，統(tǒng)計(jì)量F值越大，表示兩類涂料均值的差異越顯著性，進(jìn)而說(shuō)明該波段能最大程度區(qū)分這兩種涂料。

1.4.2 波段比值法

波段比值法在高光譜和多光譜TM影像中已被大量應(yīng)用，其優(yōu)勢(shì)在于能抑制成像環(huán)境的影響并增強(qiáng)不同地物間的輻射差異[18-19]，能放大不同材料之間的吸收特征[20]。Wang等[15]利用對(duì)脅迫敏感的波段與不敏感波段的比值增強(qiáng)了紅樹(shù)脅迫程度的差異。蔣金豹[21]構(gòu)造了比值光譜指數(shù)R800×R550/R680用于識(shí)別水浸玉米與甜菜，發(fā)現(xiàn)該比值指數(shù)的識(shí)別能力優(yōu)于其他指數(shù)，且表現(xiàn)出較強(qiáng)的穩(wěn)健性。本研究利用方差分析選出最優(yōu)波段，并對(duì)其做波段比運(yùn)算，以突出不同涂料的可區(qū)分性。

1.4.3 圖像分類

為了評(píng)價(jià)ANOVA選出的最優(yōu)波段組合對(duì)四個(gè)品種涂料的區(qū)分能力，利用高斯最大似然分類器(MLC)對(duì)四種涂料進(jìn)行了分類。最大似然是遙感圖像監(jiān)督分類中最常用的分類方法之一，在有足夠典型的訓(xùn)練樣本且總體呈正態(tài)分布的條件下，能表現(xiàn)出很好的分類性能[20]。從四類涂料中隨機(jī)選取訓(xùn)練樣本，并將ANOVA得到的最優(yōu)波段作為特征進(jìn)行分類。

2 結(jié)果與討論

2.1 ANOVA最優(yōu)波段選擇

對(duì)通視性影響：根據(jù)調(diào)查，我國(guó)汽車駕駛員視線高度一般為小型車1.30 m，大客車2.20 m，貨車2.0 m。噴灑裝置安裝位置全部小于0.8 m，遠(yuǎn)低于駕駛員視線的高度，不會(huì)對(duì)防眩設(shè)施橫向通視性產(chǎn)生不良影響。

為了對(duì)比四種涂料在可見(jiàn)光和近紅外的光譜響應(yīng)差異，分別從可見(jiàn)光和近紅外高光譜圖像中均勻提取50個(gè)像元并取其平均值作為各類涂料的光譜值，如圖1(其中可見(jiàn)光光譜數(shù)據(jù)僅選取了360～700 nm部分)。四種涂料在可見(jiàn)光內(nèi)光譜曲線高度重合，尤其是B，C和D三種，難以利用肉眼進(jìn)行識(shí)別。但是四種涂料在近紅外范圍的光譜特性差異明顯，易于區(qū)別。

Fig.1 Spectral responses of the four kinds of coatings in visible and Near-Infrared region

Fig.2 The F-Values between different kinds of coatings

圖3是1 283和2 447 nm兩個(gè)波段的二維散點(diǎn)圖，從圖3可見(jiàn)所有像元分為四個(gè)集群，品牌A，B和C之間完全可以區(qū)分，但C和D之間存在部分重疊。

Fig.3 Scatter plot of the four kinds of coatings at 1 283 and 2 447 nm

2.2 波段比值分析

由于波段1 283 nm對(duì)“C-D”均值差異最大，其他5個(gè)類別組合在2 447 nm均值差異顯著，因此構(gòu)造比值指數(shù)R1 283/R2 447能夠進(jìn)一步增強(qiáng)四個(gè)品牌涂料之間的差異。圖4為波段比運(yùn)算后的圖像，四類涂料的像元亮度明顯不同。在每個(gè)類別組合利用J-M距離評(píng)價(jià)波段比值對(duì)四類涂料的可分性，計(jì)算的J-M距離結(jié)果見(jiàn)表1。除“C-D”組合外，其他類別之間的距離都大于1.8，表明兩類之間具有很好的可分性。然而品牌C和品牌D之間的J-M距離為1.65，說(shuō)明其具有一定的可區(qū)分性，但存在被誤分的可能。

Table 1 J-M distances between different kinds of coatings

對(duì)圖4進(jìn)行灰度閾值分割，其分類結(jié)果見(jiàn)表2?？芍猂1 283/R2 447比值指數(shù)能將“品牌A”、“品牌B”與其他類別完全區(qū)分，盡管品牌C和品牌D之間存在著一定重疊，但其分類精度仍達(dá)到在87%以上，可以滿足實(shí)際應(yīng)用需求。

Fig.4 The ratio between 1 283 and 2 447 nm

Table 2 The image segmentation results of R1 283/R2 447

2.3 MLC分類結(jié)果

利用ANOVA隨機(jī)選擇的800(每類200)個(gè)像元作訓(xùn)練樣本，其他所有像元作為測(cè)試樣本，以1 283和2 447 nm兩個(gè)波段作為特征并利用高斯最大似然分類器進(jìn)行分類，總體精度為98.81%，分類結(jié)果見(jiàn)表3?？梢?jiàn)利用最大似然分類的精度要明顯高于比值指數(shù)R1 283/R2 447閾值分割結(jié)果(品牌C和品牌D的分類精度也在95%以上)，這主要因?yàn)殚撝捣指顚⒈戎祱D像強(qiáng)行分割為四類，而最大似然分類是將每個(gè)像元判給類歸屬概率最大的類別[20]，其決策更具有可靠性。

通過(guò)比較表2與表3可知指數(shù)R1 283/R2 447的圖像閾值分割與最大似然分類對(duì)品牌A，B和C的區(qū)分精度均大于90%。而對(duì)于品牌D，該指數(shù)閾值分割精度為87.54%，對(duì)應(yīng)的最大似然分類精度為95.63%，但其精度差異小于8%。

Table 3 The results of MLC

3 結(jié) 論

通過(guò)測(cè)量同一顏色四個(gè)不同品質(zhì)、不同品牌建筑涂料的可見(jiàn)光、近紅外區(qū)域成像光譜，提取并分析其光譜響應(yīng)特征，主要得出如下結(jié)論：

(1)在可見(jiàn)光區(qū)域不同品牌之間的光譜差異較小，而在近紅外區(qū)域，四個(gè)品牌涂料的光譜差異較大，表明肉眼難以判別不同品牌涂料之間的差異，然而在近紅外波段是可以區(qū)分不同品牌涂料的。

(2)通過(guò)ANOVA方法并結(jié)合統(tǒng)計(jì)量F值，發(fā)現(xiàn)1 283和2 447 nm兩個(gè)波段為區(qū)分四種建筑涂料的最優(yōu)波段。構(gòu)建比值指數(shù)R1 283/R2 447并計(jì)算不同品牌涂料之間的J-M距離，發(fā)現(xiàn)比值指數(shù)R1 283/R2 447除了品牌C和D之間的J-M距離小于1.8外，其他品牌涂料之間的J-M距離均大于1.8，說(shuō)明該指數(shù)在區(qū)分品牌C與D組合時(shí)部分像元易發(fā)生混淆，而其他品牌之間均完全可以區(qū)分。

(3)將比值指數(shù)R1 283/R2 447結(jié)果進(jìn)行圖像分割，其最低分類精度為D品牌涂料，精度為87.54%，而對(duì)應(yīng)的最大似然分類精度為95.63%，精度差小于8%。其他品牌涂料圖像分割與最大似然分類精度均達(dá)到90%以上，說(shuō)明該指數(shù)可以較好地區(qū)分不同品牌、品質(zhì)的建筑涂料。

結(jié)果表明，利用近紅外成像光譜技術(shù)能夠較為準(zhǔn)確、便利區(qū)分不同品牌、品質(zhì)的建筑涂料，為建筑質(zhì)量驗(yàn)收、合格評(píng)定方面提供技術(shù)支持。但本工作僅選擇一個(gè)顏色不同品牌、品質(zhì)的涂料進(jìn)行區(qū)分研究，其規(guī)律是否具有普適性，尚需要進(jìn)一步開(kāi)展實(shí)驗(yàn)進(jìn)行研究。

致謝： 感謝Quantum Design中國(guó)子公司陳瑞群博士為本研究提供近紅外成像光譜儀，北京德美士涂料有限公司提供并加工涂料標(biāo)準(zhǔn)測(cè)試板。

[1] GUO Qi-hua(郭啟華). China New Technologies and Products(中國(guó)新技術(shù)新產(chǎn)品)，2008，12: 124.

[2] ZHANG Bing, CHEN Zheng-chao, ZHENG Lan-fen, et al(張 兵, 陳正超，鄭蘭芬，等). Journal of Infrared Millimeter Waves(紅外與毫米波學(xué)報(bào)), 2004，23(6): 441.

[3] TONG Qing-xi, ZHANG Bing, ZHENG Lan-fen(童慶禧，張 兵，鄭蘭芬). Hyperspectral Remote Sensing: Principle, Technology and Applications(高光譜遙感—原理、技術(shù)與應(yīng)用). Beijing: Higher Education Press(北京： 高等教育出版社)，2006.

[4] WU Feng-qiang, YANG Wu-nian, LI Dan(武鋒強(qiáng)，楊武年，李 丹). Acta Mieralogica Sinica(礦物學(xué)報(bào))，2014，34(2): 166.

[5] HOU Miao-le, LEI Yong, LU Xin, et al(侯妙樂(lè)，雷 勇，蘆 鑫，等). Science of Surveying and Mapping(測(cè)繪科學(xué))，2013，39(10): 89.

[6] Chang C I. Hyperspectral Imaging: Techniques for Spectral Detection and Classification. New York: Kluwer Academic/Plenum Publishers，2003.

[7] Chang C I. Hyperspectral Data Processing: Algorithm Design and Analysis. US: JohnWiley & Sons, Inc., 2013.

[8] http://www.qd-china.com/uploads/UserUp/SisuCHEMA.pdf.

[9] http://www.azup.com.cn/html/2014/PortableHSI_0404/58.html.

[10] LI Jiang-bo, RAO Xiu-qin, YING Yi-bin, et al(李江波, 饒秀勤, 應(yīng)義斌，等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2010，26(8): 222.

[11] Wu Di, Sun Dawen. Innovative Food Science and Emerging Technologies，2013，19: 1.

[12] Smith K L, Steven M D, Colls J J. Remote Sensing of Environment, 2004, 92 (2): 207.

[13] Chang C I. Hyperspectral Data Exploitation: Theory and Applications. Hoboken: JohnWiley & Sons, Inc.，2007.

[14] GAO Yun-liang, MA Ling(高運(yùn)良, 馬 玲). Mathematical Statistics(數(shù)理統(tǒng)計(jì)). Beijing: Coal Industry Publishing House(北京： 煤炭工業(yè)出版社)，2002.

[15] Le W, Wayng P S. International Journal of Remote Sensing，2009，30(5): 1267.

[16] Prospere K, Mclaren K, Wilson B. Remote Sensing, 2014，(6): 8494.

[17] Byoung-kwan C, Moon S K, In-suck B. Postharvest Biology and Technology, 2013, 76: 40.

[18] Schowengerdt R A. Remote Sensing: Models and Methods for Image Processing(遙感圖像處理模型與方法). 3rd ed(第3版). Translated by State Key Laboratory of Microwave Imaging Technology(微波成像技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室譯). Beijing: Publishing House of Electronics Industry(北京： 電子工業(yè)出版社), 2010.

[19] ZHAO Ying-shi(趙英時(shí)). Principle and Method of Remote Sensing Application Analysis(遙感應(yīng)用分析原理與方法). Beijing: Science Press(北京： 科學(xué)出版社), 2003.

[20] John A R. Remote Sensing Digital Image Analysis: An Introduction. 5th ed. Berlin Heidelberg: Springer，2013.

[21] JIANG Jin-bao, Michael D S, HE Ru-yan，et al(蔣金豹, Michael D S, 何汝艷，等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2013，33(11): 3106.

[22] JIANG Jin-bao, Michael D S, HE Ru-yan, et al(蔣金豹，Michael D S，何汝艷，等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2013，29(12): 163.

Use of Near-Infrared Hyperspectral Images to Differentiate Architectural Coatings with Different Qualities

JIANG Jin-bao, QIAO Xiao-jun, HE Ru-yan, TIAN Fen-min

College of Geosciences and Surveying Engineering, China University of Mining and Technology, Beijing 100083, China

Architectural coatings sold in market fall into many categories which mean different models and qualities. The research plans to differentiate different kinds of architectural coatings in quality using hyperspectral technology. Near-Infrared hyperspectral images of four kinds of architectural coatings (in a descending quality order of brand A, B, C, and D) in same color were acquired. The optimal wavelengths were selected at 1 283 and 2 447 nm to differentiate the four kinds of coatings through ANOVA (Analysis of Variance) method. The band ratio index ofR1 283/R2 447was built and the results were segmented into the corresponding coatings, and the accuracies of segmentation were compared with that from Maximum Likely Classification (MLC). The results indicated all J-M distances are more than 1.8 except between C and D; the lowest accuracy of 87.54% in segmentation and 95.63% in MLC were both from brand D, and others’ accuracies all were over 90% in both ratio index and MLC. Therefore, the ratio indexR1 283/R2 447could be used to distinguish different kinds of architectural coatings. Also, the research could provide support for identification, quality acceptance, as well as conformity assessment of architectural coatings.

Architectural coatings; NIR hyperspectral image; ANOVA; differentiation

Mar. 18, 2015; accepted Aug. 28, 2015)

2015-03-18，

2015-08-28

國(guó)家自然科學(xué)基金項(xiàng)目(41101397，41571412)資助

蔣金豹，1978年生，中國(guó)礦業(yè)大學(xué)(北京)地球科學(xué)與測(cè)繪工程學(xué)院副教授 e-mail: jjb@cumtb.edu.cn

O657.3

A

10.3964/j.issn.1000-0593(2016)02-0379-05