萬劍華，韓仲志,*，宋欣欣，劉　杰

(1.中國石油大學(華東) 地球科學學院，山東 青島　266580；2.青島農(nóng)業(yè)大學 理學與信息科學學院，山東 青島　266109；3.青島出入境檢驗檢疫局,山東 青島　266001)

?

多模式融合下的海洋溢油高光譜成像油種識別方法

萬劍華1，韓仲志1,2*，宋欣欣3，劉杰2

(1.中國石油大學(華東) 地球科學學院，山東 青島266580；2.青島農(nóng)業(yè)大學 理學與信息科學學院，山東 青島266109；3.青島出入境檢驗檢疫局,山東 青島266001)

為利用不同油種的發(fā)光特性來探測海洋溢油，通過高光譜成像儀，在兩種照明模式下采集了6種溢油油種的高光譜圖像?；?3個波段構(gòu)建了波段均值、波段差、波段比和歸一化波段比4個輻射指數(shù)，提出了基于Fisher和PCA的模型共識的溢油高光譜特征選擇方法，采用RBF-SVM模型對油種進行識別。比較發(fā)現(xiàn)，本文構(gòu)建的基于光源混合、波段運算和模型共識的多模式融合方法，從不同側(cè)面提高了模型的溢油識別能力，識別率達到了99.1%以上，比單一方法提高了10%以上。結(jié)果表明，多模式融合有效提高了海洋溢油的識別率。

高光譜成像；光源融合；波段指數(shù)；模型共識；油種識別

*Corresponding Author,E-mail:hanzhongzhi@qau.edu.cn

1　引　　言

近年來，海洋溢油事故頻發(fā)。對溢油油種進行及時準確的分析和鑒別，確定責任歸屬，采取合適的應急響應，是一項復雜而具挑戰(zhàn)性的工作。現(xiàn)行的溢油鑒別[1]，多是以液相色譜/質(zhì)譜分析為代表的實驗室化學鑒別手段，雖然能夠?qū)τ头N精確解析，但存在檢測速度慢、代價高的缺點。近年來，光譜分析技術(shù)[2-3]成為溢油鑒別的新興手段，特別是近紅外光譜(NIR)技術(shù)已廣泛應用于石油及其制品的組分預測中。Kim等[4]最早應用近紅外光譜進行石油產(chǎn)品的分類，他們利用PCA和貝葉斯分類器實現(xiàn)了柴油、煤油、粗汽油等6個油種的識別。王麗等[5]利用近紅外光譜技術(shù)鑒別模擬海面溢油，自行配制了56 個汽油、柴油、潤滑油的模擬溢油樣品，實現(xiàn)了溢油類別的正確判別。油品在紫外激發(fā)下具有熒光現(xiàn)象，可根據(jù)這一特性對溢油進行探測[6]。王春艷等[7]使用基于濃度參量的同步熒光光譜技術(shù)，實現(xiàn)了實驗室條件下不同溢油類型及不同溢油源原油的準確分類。尹曉楠[8]利用小波分析方法分析了4 大類 6 種油品的三維熒光光譜，并對油品種類進行了識別研究。三維熒光技術(shù)也是現(xiàn)行水上溢油快速鑒別[9]的可選技術(shù)。然而，本質(zhì)上，上述文獻技術(shù)手段均不能做到現(xiàn)場、快速的原位探測。

海洋溢油往往是突發(fā)事件，通過遙感手段進行海洋溢油的快速原位探測是快速響應的重要組成部分。然而，傳統(tǒng)的遙感手段，如星載、機載SAR等[10]，只能探測溢油面積，不能區(qū)分各個油種，且受環(huán)境影響較大。由于熒光很微弱，所以國內(nèi)外均開展了激光誘導熒光的探測方法[11-12]，可同時實現(xiàn)面積和油種的探測。但該方法存在儀器笨重(200 kg)的缺點，需要搭載海監(jiān)的飛機，費用太高。王晶等[13]采用主分量分析與提取波段紋理方式研究檢測多光譜圖像溢油區(qū)域，然而由于衛(wèi)星的飛行高度及光譜分辨率只有4個波段，檢測效果不佳。我們在前期的工作中利用多光譜成像技術(shù)研究了油種的識別問題，得到了較好的識別結(jié)果[14]。

鑒于高光譜成像技術(shù)更為精細的波譜刻畫能力，本文針對溢油場景中的油種識別問題，通過模擬溢油環(huán)境，獲取不同溢油油種高光譜圖像，采用光源融合、多波段指數(shù)和模型共識等多種模式提高了識別的準確性。進而研究了復雜溢油環(huán)境下的油種識別問題。

2　實驗材料

2.1實驗材料

實驗所用油樣共6類樣本：1汽油、2柴油、3煤油、4機油、5原油、6花生油。其中原油樣本由山東省勝利油田海上應急中心提供，汽油和柴油油樣從市場上某加油站購得，機油來自某汽車維修廠，煤油樣本購自某化學品商店，花生油由某糧油供應站提供。

2.2圖像獲取

圖像獲取于2015年2月10日在中國科學院青島光電院光譜實驗室進行。在暗室環(huán)境中，首先在玻璃槽中傾倒海水，然后量取一定量的油樣，布在海水表面形成一層油膜，以模擬海洋溢油。接著分別打開鹵素燈和紫外燈采集溢油樣本的高光譜圖像。每次采集獲得1 392×1 040×33的高光譜圖像數(shù)據(jù)塊。在兩種光源下分別采集汽油、柴油、煤油、機油、花生油、原油的高光譜圖像共12組。數(shù)據(jù)大小為880 Mbits。圖像的分析采用Matlab2012b(Math Works，USA)完成。

圖1是本實驗使用的采集設(shè)備。圖像獲取設(shè)備為便攜式成像儀，該成像儀主要由液晶可調(diào)式濾波器(Liquid crystal tunable filter，LCTF)和一臺普通CCD相機組成，譜段范圍為400～720 nm，光譜帶寬為10 nm。光源為100 W鹵素燈和一臺UV 365 nm大功率LED紫外燈(美國陸陽LUYOR-3404臺式紫外燈，樣品處照度7 000 lm)。每個波段圖像分辨率為1 392×1 040，共33個波段。不同的光源可以提供樣本不同側(cè)面的信息。通常情況下，鹵素燈主要應用于反射光譜的研究，紫外燈主要用來考察樣本的熒光現(xiàn)象。本研究同時使用兩種光源，以便考察光源對識別的貢獻。

圖1　高光譜圖像采集設(shè)備圖

2.3樣本預處理

配套采集軟件可根據(jù)圖像整體亮度情況自動調(diào)整每個波長下的曝光時間從而避免過飽和與欠飽和現(xiàn)象。為了使得采集光譜具有可比性，需要對采集時間歸一化。需要指出，歸一化會使得部分像素值過高或過低，超出0～255的范圍，需要進一步調(diào)整，使其歸一化到0～255之間。

圖像預處理主要是對油樣的有效光斑信息進行提取。為實現(xiàn)識別，需要構(gòu)建一定數(shù)量的樣本庫。由于每個波段采集的圖像的像素比較大，為1 392×1 040像素，先將其橫縱坐標平均分為8份，這樣就將圖像不同位置的子圖像分成64個感興趣區(qū)域(ROI)，共構(gòu)建768個樣本。圖2(a)是原油油樣在其中3個波段的灰度圖像，圖2(b)為兩種照明方式下高光譜圖像單個波段平均光譜。

圖2溢油數(shù)據(jù)的圖像與光譜特性。(a)灰度圖像；(b)光譜特性。

Fig.2Images and spectral characteristics of oil spills data.(a) Gray images.(b) Spectral characteristics.

3　研究方法

3.1輻射指數(shù)特征的構(gòu)建

從圖像理解上，在鹵素燈下，每個像素體現(xiàn)的是輻射亮度；對于紫外圖像，主要體現(xiàn)的是熒光亮度，圖像量化以后可稱為圖像的像素灰度值。

假設(shè)在第k個波段，坐標點(x,y)處像素的輻射亮度值定義為Ik(x,y)，那么單個波段的平均輻射指數(shù)(Radiation index，RI)定義為：

(1)

這里k=1,2,…,33。由此，通過相鄰波段運算，提出了3種輻射指數(shù)：

(1) 相鄰波段差輻射指數(shù)(Difference radiation index,DRI)：

(2)

(2) 相鄰波段比輻射指數(shù)(Ratio radiation index,RRI):

(3)歸一化波段差輻射指數(shù)(Normalized difference radiation index,NDRI)

(4)

這里式(2)～(4)中k=1,2,…,32，ARIk對應第k個波段像素灰度Ik(x,y)的均值(求和后除以像素數(shù)，x×y)。公式(1)～(4)描述的特征向量對應于每個波長只有一個值，較每個波段的像素數(shù)大幅度降低了數(shù)據(jù)量。

為了對特征數(shù)據(jù)有一個直觀的印象，圖3給出了33個單波段平均輻射指數(shù)與32個相鄰波段差、波段比和歸一化波段差輻射指數(shù)的盒圖?？梢悦黠@看出，經(jīng)過相鄰波段運算后，輻射值具有了更大的變異性和可區(qū)分性。

3.2模型共識的特征選擇方法

模型共識的思想就是充分發(fā)揮各個模型的優(yōu)勢，相互取長補短，通過融合，最終達到高效的分類目的。特征選擇的目的是從原始數(shù)據(jù)(本文是像素灰度值)尋找一個特征子集來描述，通過較小的特征子集來描述圖像立方體的主要信息。在高光譜分析中是找到有效的特征波長，用較少的波段代替所有波段信息。特征提取的目的是尋找特征波段的映射特征，映射特征的數(shù)量要少于原有特征的數(shù)量，從而達到了數(shù)據(jù)降維的目的。

圖3　4個輻射指數(shù)特征的盒圖。(a) RI；(b) DRI；(c) RRI；(d) NDRI。

Fisher特征選擇法是經(jīng)典的特征選擇方法，它可根據(jù)鑒別力對特征進行排序，進而選取對識別起關(guān)鍵作用的有效波長子集。主分量分析(Principal component analysis,PCA)是廣泛應用的一種優(yōu)化方法[15]，通過主分量貢獻率和累積貢獻率尋找一種高維空間的低維映射。對特征進行主成分變換，主成分權(quán)重系數(shù)對應特征的選擇能力。

由于紫外和鹵素兩種照明方式可提供有差別的油種可區(qū)分信息，我們提出了基于Fisher與PCA光源融合下的模型共識特征選擇方法，其主要思想如下：根據(jù)Fisher在可見與紫外下獲取鑒別力的不同，首先通過波段鑒別力分別選可見和紫外下的特征波長各12個，共24個波長組成波段子集。然后，對這24個波段使用PCA的前5個主分量的對應波段權(quán)重系數(shù)(此時主分量累積貢獻率達到了95%以上)去調(diào)整各個選擇波段的權(quán)重系數(shù)，共得到加權(quán)后的波段子集24個。加權(quán)后的波段子集作為PCA的輸入進行特征優(yōu)化，得到12個主分量特征。這樣就充分利用了波段選擇與組合優(yōu)化的各自優(yōu)勢，并充分挖掘了不同光源下的光譜信息，理論上能夠提高識別特征選擇的能力。

3.3研究思路

通過構(gòu)建模型共識方法，本文的研究步驟為：第一步：制樣。在兩種光源下進行高光譜圖像采集，然后進行光譜圖像的預處理，包括對圖像矯正和對感興趣區(qū)域(ROI)的提取。第二步：構(gòu)建4個輻射指數(shù)作為高光譜圖像的特征集。第三步：進行特征的提取與優(yōu)化。為驗證本文方法的有效性，同時比較了通過單獨使用增L減1(pulsLr1)、多維尺度分析(Multi-dimensional scaling,MDS)、獨立分量分析(Independent component analysis,ICA)[16]及單獨使用Fisher、PCA方法的特征選擇效果。第四步：進行溢油油種的分類識別，采用識別率(CRR)進行精度評價。分類器方面，主要使用的是支持向量機模型。

圖4　研究思路與共識模型方法

支持向量機(Support vector machine,SVM) 是Corinna Cortes和Vapnik等首先提出的[17]，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應用到函數(shù)擬合等其他機器學習問題中。SVM的關(guān)鍵在于核函數(shù)。低維空間向量集通常難于劃分，解決的方法是將它們映射到高維空間。但這個辦法帶來的困難就是計算復雜度的增加，而核函數(shù)正好巧妙地解決了這個問題，這里選擇RBF核函數(shù)。

4　結(jié)果與分析

實驗結(jié)果是基于兩種照明方式(鹵素燈和紫外燈)下6種油樣的33個波長的高光譜圖像立方體(1 392×1 040×33)得到的。

通過公式(1)～(4)分別獲得了原始波段的33個單個波長下的平均輻射指數(shù)特征33個，以及相鄰波段的波段差、波段比和歸一化波段差3種輻射指數(shù)的各32個特征向量，共構(gòu)建了4個特征集。所有特征在特征選擇優(yōu)化之前將首先進行數(shù)據(jù)標準化，這樣可以避免每個特征定義的衡量標準不同而影響到模型識別的差異。

圖5(a)為紫外和鹵素燈下Fisher單波長鑒別力和前5個主分量權(quán)重系數(shù)，可明顯看到不同波段鑒別力的差別。

圖5　Fisher鑒別力(a)與PCA權(quán)重系數(shù)(b)

Fig.5Fisher discriminability (a) and weight coefficient of PCA (b)

為進一步驗證本文提出的基于光源特征融合的波段特征選擇方法，我們比較了2種特征選擇方法和3種特征優(yōu)化方法，分別是增l減r法(pluslr1)、Fisher法、多維尺度分析(MDS)、主分量分析(PCA)和核獨立分量分析(Kernel independent component analysis,KICA)。為了獲得公平的比較效果，我們將特征選擇和優(yōu)化的數(shù)量設(shè)為12個，統(tǒng)一使用基于網(wǎng)格尋優(yōu)的RBF-支持向量機。本文采用識別率(Correct recognition rate,CRR)來衡量算法的性能和效率。

表1　識別性能匯總表

表1是各種特征選擇方法在不同的特征集情況下的識別率總表。黑色字體表示在本類特征集識別中最佳的識別率，上面是訓練集識別率，下面是測試集識別率。從表1可以看出，本文提出的特征選擇方法總體上表現(xiàn)優(yōu)秀。盡管有PCA、ICA 2種情況的識別率比較高，但因其泛化能力差，所以不可選。在2種照明方式下，本文構(gòu)建的3種波段運算輻射指數(shù)(DRI，RRI，NDRI)均在一定程度上表現(xiàn)出了比波段輻射值(RI)更佳的分類能力。其中波段差指數(shù)DRI最好，波段比指數(shù)RRI居中，歸一化波段比NDRI最差。另外，紫外光源可有效提高分類器的識別能力，紫外模式對溢油種類的識別能力提高明顯。

5　討　　論

分類器的識別效果嚴重依賴于特征提取的好壞。在理想情況下，特征向量應該是我們期望識別問題的緊致描述。我們的問題是正確識別溢油的種類，因此提取有意義和辨識力的特征是一個直接需要，這需要仔細觀察油樣本身所反映出的物理現(xiàn)象并需要專業(yè)的知識。K-折交叉驗證法(K-fold cross validation)是廣泛采用的模型驗證方法。在機器學習領(lǐng)域，K往往選擇5或者10。本文采用的是5折交叉驗證，將實驗樣本隨機分為5組，其中4組用來訓練，余下的1組用來測試。由于實驗樣本有限，我們想充分利用所有樣本，利用留一法(LOO-CV)重復5次進行驗證。最后的識別為5次平均。

進行特征提取的目的是降低維數(shù)災難。將特征降維到合理的范圍不僅可以提高分類器的性能，還能提高識別速度，進而有助于理解問題背后的機理。對特征波段的選擇目前已有多種方法[18]，如分段主分量分析[15]用來檢測溢油熒光，蛙跳算法[19]用來檢測生物柴油等。另外，劉紅玉等[20]利用高光譜圖像數(shù)據(jù)進行了番茄氮磷鉀營

養(yǎng)水平的診斷，采用遺傳算法優(yōu)選4個敏感波段。

形狀特征對油種識別來說可能并不是好特征，因為油樣分布均勻后就失去了形狀信息。有溢油發(fā)生時，溢油區(qū)域和非溢油區(qū)域的局部紋理特征會發(fā)生變化[13]。這些紋理特征也被有效應用到農(nóng)產(chǎn)品的識別上。艾詩榮等[21]利用第一主成分分析3個最大權(quán)重系數(shù)，從高光譜數(shù)據(jù)塊中選取了3個特征波長,并提取了各個特征波長下灰度圖像的6個紋理特征，利用BP神經(jīng)網(wǎng)絡(luò)進行了茶葉產(chǎn)地的識別。

鑒于本文是在實驗室情況下進行的模擬溢油水槽實驗，并沒有考慮到風浪在水面上引起的紋理差別，所以這一特征并沒有考慮。如果用于真實環(huán)境下的溢油探測，紋理特征可能是有效的模式可分性特征。然而由于真實溢油事件發(fā)生的偶然性，本文通過水槽實驗模擬海洋溢油環(huán)境對關(guān)鍵基礎(chǔ)問題的研究也具有一定的代表性。

多光譜技術(shù)由于結(jié)構(gòu)簡單、價格低廉而廣泛應用于實時在線探測中。作者曾做過這方面的研究[14]，但由于多光譜探測只用少數(shù)幾個波段進行油品鑒別，光譜刻畫能力不足，導致總體識別率不高，只有80%左右。而本文使用高光譜探測技術(shù)，將油品的識別率提高到了95%以上，文中指出并比較了高光譜探測和多光譜探測的優(yōu)缺點，業(yè)務化應用過程中可根據(jù)需要進行選擇。

6　結(jié)　　論

基于溢油的紫外熒光特性，提出了一種在兩種光源照明方式下，基于波段運算輻射指數(shù)的模型共識特征選擇方法。通過Fisher與主分量分析的波段權(quán)值調(diào)整，進行了識別模型特征集合的構(gòu)建。針對模擬溢油環(huán)境下的高光譜成像的油種識別問題，設(shè)計了適應性實驗。研究發(fā)現(xiàn)：本文構(gòu)建的方法在整體上對油種的識別率可達到99%以上，并具有一定的特征穩(wěn)定性，較其他方法的識別率平均提高了10%?；诓ǘ芜\算的輻射指數(shù)特征對油種識別具有較好的可分性，同時多種光源的照明為油種識別提供了更豐富的特征，特別是對夜間溢油環(huán)境下的油種探測具有應用價值。本文構(gòu)建的方法對海洋溢油的油種快速識別具有積極意義。

[1]中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局,中國國家標準化管理委員會.GB/T 21247-2007 海面溢油鑒別系統(tǒng)規(guī)范 [S].北京:中國標準出版社,2008.

General Administration of Quality Supervision,Inspection and Quarantine of the People’s Republic of China,China National Standardization Management Committee.GB/T 21247-2007 Specifications for Identification System of Spilled Oils on The Sea [S].Beijing:China Standard Press,2008.(in Chinese)

[2]HAHN S,YOON G.Identification of pure component spectra by independent component analysis in glucose prediction based on mid-infrared spectroscopy [J].Appl.Opt.,2006,45(32):8374-8380.

[3]WANG G Q,SUN Y A,DING Q Z,et al..Estimation of source spectra profiles and simultaneous determination of poly component in mixtures from ultraviolet spectra data using kernel independent component analysis and support vector regression [J].Anal.Chim.Acta,2007,594(1):101-106.

[4]KIM M,LEE Y H,HAN C H.Real-time classification of petroleum products using near-infrared spectra [J].Comput.Chem.Eng.,2000,24(2-7):513-517.

[5]王麗,卓林,何鷹,等.近紅外光譜技術(shù)鑒別海面溢油 [J].光譜學與光譜分析,2004,24(12):1537-1539.

WANG L,ZHUO L,HE Y,et al..Oil spill identification by near-infrared spectroscopy [J].Spectrosc.Spect.Anal.,2004,24(12):1537-1539.(in Chinese)

[6]KESSLER J D,VALENTINE D L,REDMOND M C,et al..A persistent oxygen anomaly reveals the fate of spilled methane in the deep Gulf of Mexico [J].Science,2011,331(6015):312-315.

[7]王春艷,史曉鳳,李文東,等.基于主成分和支持向量機濃度參量同步熒光光譜油種鑒別 [J].分析測試學報,2014,33(3):289-295.

WANG C Y,SHI X F,LI W D,et al..Concentration dependent synchronous fluorescence oil spill fingerprinting identification based on principal component analysis and support vector machine [J].J.Instrum.Anal.,2014,33(3):289-295.(in Chinese)

[8]尹曉楠.基于三維熒光光譜和小波分析的油品種類識別技術(shù)研究 [D].青島:中國海洋大學,2012.

YIN X N.Studies on The Identification of Oil Types Base on 3D Fluorescence Spectroscopy and Wavelet Analysis [D].Qingdao:Ocean University of China,2012.(in Chinese)

[9]中華人民共和國交通運輸部.JT/T 862-2013 水上溢油快速鑒別規(guī)程 [S].北京:人民交通出版社,2013.

Ministry of Communications of the People’s Republic of China.JT/T 862-2013 Oil Spill Identification Rules [S].Beijing:China Communications Press,2013.(in Chinese)

[10]RAMSEY Ⅲ E,RANGOONWALA A,SUZUOKI Y,et al..Oil detection in a coastal marsh with polarimetric synthetic aperture radar (SAR) [J].Remote Sens.,2011,3(12):2630-2662.

[11]趙朝方,李曉龍,馬佑軍.多通道海洋熒光激光雷達溢油監(jiān)測系統(tǒng) [J].紅外與激光工程,2011,40(7):1263-1269.

LI C F,LI X L,MA Y J.Multi-channel ocean fluorescence lidar system for oil spill monitoring [J].Infrared Laser Eng.,2011,40(7):1263-1269.(in Chinese)

[12]JHA M N.Development of laser fluorosensor data processing system and GIS tools for oil spill response [EB/OL].[2015-04-12].http://www.geomatics.ucalgary.ca/research/publications.

[13]王晶,劉湘南.引入紋理特征的多光譜遙感影像海面油膜信息提取 [J].海洋通報,2013,32(4):452-459.

WANG J,LIU X N.Oil spill information extraction based on textural features and multispectral image [J].Mar.Sci.Bull.,2013,32(4):452-459.(in Chinese)

[14]韓仲志,萬劍華,劉杰,等.利用油品的紫外熒光特性的多光譜成像檢測 [J].發(fā)光學報,2015,36(11):1335-1341.

HAN Z Z,WAN J H,LIU J,et al..Multispectral imaging detection using the ultraviolet fluorescence characteristics of oil [J].Chin.J.Lumin.,2015,36(11):1335-1341.(in Chinese)

[15]劉智深,丁寧,趙朝方,等.主成分分析法在油熒光光譜波段選擇中的應用 [J].地理空間信息,2009,7(3):12-15.

LIU Z S,DING N,ZHAO C F,et al..Application of the PCA method to band selection for oil fluorescence spectrums [J].Geospat.Inform.,2009,7(3):12-15.(in Chinese)

[16]BACH F R,JORDAN M I.Kernel independent component analysis [J].J.Mach.Learn.Res.,2003,3:1-48.

[17]CHANG C C,LIN C J.LIBSVM:a library for support vector machines [EB/OL].(2011-9-30)[2015-04-12].http://www.csie.ntu.edu.tw/-cjlin/libsvm.

[18]DU B,ZHANG L P.Random-selection-based anomaly detector for hyperspectral imagery [J].IEEE Trans.Geosci.Remote Sens.,2011,49(5):1578-1589.

[19]陳立旦,趙艷茹.可見-近紅外光譜聯(lián)合隨機蛙跳算法檢測生物柴油含水量 [J].農(nóng)業(yè)工程學報,2014,30(8):168-173.

CHEN L D,ZHAO Y R.Measurement of water content in biodiesel using visible and near infrared spectroscopy combined with Random-Frog algorithm [J].Trans.Chin.Soc.Agric.Eng.,2014,30(8):168-173.(in Chinese)

[20]劉紅玉,毛罕平,朱文靜,等.基于高光譜的番茄氮磷鉀營養(yǎng)水平快速診斷 [J].農(nóng)業(yè)工程學報,2015,31(S1):212-220.

LIU H Y,MAO H P,ZHU W J,et al..Rapid diagnosis of tomato N-P-K nutrition level based on hyperspectral technology [J].Trans.Chin.Soc.Agric.Eng.,2015,31(S1):212-220.(in Chinese)

[21]艾施榮,吳瑞梅,吳彥紅,等.利用高光譜圖像技術(shù)鑒別廬山云霧茶產(chǎn)地 [J].江西農(nóng)業(yè)大學學報,2014,36(2):428-433.

AI S R,WU R M,WU Y H,et al..Identification of geographical origins of Lushan mist tea by hyper-spectral imaging technology [J].Acta Agric.Univ.Jiangxiensis,2014,36(2):428-433.(in Chinese)

萬劍華(1963-)，男，山東單縣人，教授，博士生導師，2001年于武漢大學獲得博士學位，主要從事石油分析與探測方面的研究。

E-mail：wjh66310@163.com

韓仲志(1981-)，男，山東莒南人，副教授，博士研究生，2006年于廣西師范大學獲得碩士學位，主要從事光學探測方面的研究。

E-mail:hanzhongzhi@qau.edu.cn

Oil Spills Identification Using Hyperspectral Imaging Based on Multi-pattern Method

WAN Jian-hua1,HAN Zhong-zhi1,2*,SONG Xin-xin3,LIU Jie2

(1.School of Geosciences,China University of Petroleum,Qingdao 266580,China;2.Information College,Qingdao Agricultural University,Qingdao 266109,China;3.Qingdao Entry-exit Inspection and Quarantine Bureau,Qingdao 266001,China)

In order to identity different oil spill by the fluorescence phenomena of oil and its products,the hyperspectral images data of six varieties of oil spills samples were collected under two kind of illuminations (UV and halogen lights) using hyperspectral imaging camera.In the spectral region of 400-720 nm (10 nm spectral bandwidth),four radiation index were obtained which include radiation index of individual spectral bands and the difference,ratio,and the normalized difference radiation index of consecutive spectral bands.Then,a novel method composed of Fisher and PCA to identify most significant wavelengths was proposed,and a classified model based on REF-SVM and the proposed method was established.By comparison,it is found that the different radiation index,light fusions and model consensus of feather selected method all can improve the accuracy of recognition rate.The overall accuracy rate by our method is above 99.1%,which is obviously higher than traditional methods only use one method.The experiment results show that the multi-pattern fusion can effectively improve the recognition rate of marine oil spill.

hyper-spectral imaging; light fusions; band index; model consensus; oil identification.

1000-7032(2016)04-0473-08

2015-11-17；

2015-12-29

國家自然科學基金(31201133)；青島市科技發(fā)展計劃(14-2-3-52-nsh)資助項目

O439

A

10.3788/fgxb20163704.0473