用近红外高光谱图像区分不同品质的建筑涂料

蒋金豹，乔小军，何汝艳，田奋民

中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083

用近红外高光谱图像区分不同品质的建筑涂料

蒋金豹，乔小军，何汝艳，田奋民

中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083

市场上出售的建筑涂料品种繁多，型号和品质不尽相同。利用高光谱技术区分不同品质的建筑涂料。获取同一颜色四个不同品质、不同品牌建筑涂料(品牌A，B，C，D)的近红外高光谱图像，利用ANOVA(analysis of variance)方法发现1 283和2 447 nm为区分四个品牌涂料的最优波段。构建比值指数R1 283/R2 447并对其结果进行阈值分割，将分割结果与最大似然分类精度进行了对比。结果表明除品牌C与D之间J-M距离外，其他涂料间J-M距离均大于1.8； 而R1 283/R2 447指数分割精度最低为87.54%，相应最大似然分类精度为95.63%，其他品牌涂料阈值分割与最大似然分类精度均达到90%以上。因此，R1 283/R2 447指数能够较好地区分不同品牌的建筑涂料。该研究结果可为建筑涂料识别、装修质量验收、合格评定提供技术支持。

建筑涂料； 近红外高光谱图像； ANOVA； 区分

引 言

市场上出售的建筑涂料品种繁多，型号和品质不尽相同。建筑涂料主要由粘结材料、颜料、填料、稀释剂等经一定工艺制造而成的产品，其中粘结材料的含量显著影响着涂料性能[1]。同一颜色的不同品牌、不同品质的建筑涂料，在可见光范围内具有十分相似的光谱特征，导致肉眼难以辨别，这就为涂料产品以假乱真和以次充好提供了可能。目前在建筑装修验收环节，涂料品质的优劣主要靠经验观察判断，尚缺乏一种快速可靠的检测方法。成像光谱技术能在肉眼观察(0.38～0.76 μm)范围以外的波段区域内测量并记录待测物体的吸收和反射光谱响应及图像信息。因此，在可见光范围内具有相似或相近光谱特征的建筑涂料，在近红外范围内则有可能存在显著差异。张兵等[2]利用高光谱图像对北京亚运村建材市场屋顶材料进行了识别研究，结果表明高光谱遥感可以识别不同品种的涂料； 并用同样的方法对奥体公园中心地区的天然草坪和人工草坪进行了有效识别[3]。武锋强等[4]利用波谱范围在0.4～1.0和1.3～2.5 μm的两种高光谱数据确定了古画中的颜料成分，结果与拉曼光谱检验一致。侯妙乐等[5]利用400～1 000 nm的高光谱影像提取了壁画的底稿信息，恢复了模糊不清的底稿轮廓。Chang等已利用“HYDICE panel scene”数据进行了诸多亚像元目标识别和分类的相关研究[6-7]。上述研究显示了高光谱遥感技术在地物识别中具有优势。本研究尝试利用近红外成像光谱技术识别同一颜色不同品牌(品质不同)建筑涂料的可行性，为以后利用高光谱技术鉴定已装修好建筑物涂料类型与品质提供理论依据和技术方法支持。

1 实验部分

1.1 材料

试验使用四个同一颜色(粉红色)不同品质、不同品牌的建筑涂料(分别为品牌A，B，C，D)。将四种涂料均匀喷涂于同质涂料测试板上，待烘干后用于高光谱成像。四种涂料颜色、外观基本一致，肉眼难以分辨其差异。

1.2 图像数据获取

采用ImSpector N25E(Spectral Imaging Ltd, Finland)光谱仪获取成像高光谱数据，其为推扫式成像，自带光源，每次可获取320像元的一行数据，列数由物体的扫描长度决定。成像光谱范围在1 000～2 500 nm(共239个波段)，光谱分辨率约为6.3 nm[8]。获取数据时瞬时视场角为100°。每次扫描成像同时获取物体的白板和暗电流数据。

为了对比在可见光范围内四个品牌涂料的光谱特征，并利用美国SOC710VP成像光谱仪获取了上述四种涂料在400～1 000 nm内共128个波段的高光谱数据，其光谱分辨率约为4.69 nm[9]。于2014年6月27日12:30在北京室外扫描成像，操作支架的高度为1.65 m，视场角为12°，同样每次扫描成像同时获取暗电流和反射率参考版数据。

1.3 图像预处理

1.3.1 高光谱图像辐射校正

为方便对比研究，将四种涂料从背景中裁剪出来并拼接为一张影像，拼接后每类涂料大小为310×310个像元，整幅影像共620×620个像元。利用反射率参考白板与暗电流数据按以下公式完成对高光谱图像进行辐射校正[10]。校正公式如下

式中：R为校正后的高光谱图像的相对反射率，R∈[0, 100]；IS为涂料原始高光谱DN值；ID是黑板的定标图像的DN值；IW为白板定标图像的DN值。

1.3.2 高光谱图像平滑

获取的可见光高光谱数据在400～1 000 nm共128个波段，近红外高光谱影像在1 000～2 500 nm范围内共239个波段。光谱平滑技术(如移动平均值，S-G滤波，中值滤波和高斯滤波)可以用来消除光谱噪声[11]。可见光高光谱数据因只用来对比和近红外光谱之间的差异，所以未对其进行平滑处理。仅对近红外高光谱影像利用5点平滑法进行光谱平滑，具体平滑公式[12]如下所示

式中，Ri为第i波段的反射率值, 且i∈[2, 237]，P平滑为每个像元(Pixel)平滑后的光谱。

工作中所有的图像处理操作均在ENVI 4.8(Exelis Visual Information Solutions, Boulder, CO, USA)，ArcGIS(Environmental Systems Research Institute, Inc.) 以及 Matlab R2010a(The MathWorks Inc.)环境下编写的计算机程序进行计算。

1.4 高光谱图像处理与分析方法

1.4.1 波段选择

由于高光谱图像波段多，相邻波段具有很强的相关性，导致波段数据存在冗余[13]。因此需要先降维再提取有利于目标探测和物质识别的波段信息。常用的降维方法主要包括特征提取和特征选择两类。特征提取通过把高维数据投影映射到低维空间，其本质是所有波段的某种线性组合(如PCA，MNF，LDA等)，然而利用特征提取降维后的特征易失去光谱特性等物理含义[3]。而特征选择可以挑选出对目标探测或识别最优的波段，拟利用方差分析方法提取对识别四种品牌涂料最优的波段。

式中i,j表示不同的类别组合且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值进行假设检验，统计量F值越大，表示两类涂料均值的差异越显著性，进而说明该波段能最大程度区分这两种涂料。

1.4.2 波段比值法

波段比值法在高光谱和多光谱TM影像中已被大量应用，其优势在于能抑制成像环境的影响并增强不同地物间的辐射差异[18-19]，能放大不同材料之间的吸收特征[20]。Wang等[15]利用对胁迫敏感的波段与不敏感波段的比值增强了红树胁迫程度的差异。蒋金豹[21]构造了比值光谱指数R800×R550/R680用于识别水浸玉米与甜菜，发现该比值指数的识别能力优于其他指数，且表现出较强的稳健性。本研究利用方差分析选出最优波段，并对其做波段比运算，以突出不同涂料的可区分性。

1.4.3 图像分类

为了评价ANOVA选出的最优波段组合对四个品种涂料的区分能力，利用高斯最大似然分类器(MLC)对四种涂料进行了分类。最大似然是遥感图像监督分类中最常用的分类方法之一，在有足够典型的训练样本且总体呈正态分布的条件下，能表现出很好的分类性能[20]。从四类涂料中随机选取训练样本，并将ANOVA得到的最优波段作为特征进行分类。

2 结果与讨论

2.1 ANOVA最优波段选择

对通视性影响：根据调查，我国汽车驾驶员视线高度一般为小型车1.30 m，大客车2.20 m，货车2.0 m。喷洒装置安装位置全部小于0.8 m，远低于驾驶员视线的高度，不会对防眩设施横向通视性产生不良影响。

为了对比四种涂料在可见光和近红外的光谱响应差异，分别从可见光和近红外高光谱图像中均匀提取50个像元并取其平均值作为各类涂料的光谱值，如图1(其中可见光光谱数据仅选取了360～700 nm部分)。四种涂料在可见光内光谱曲线高度重合，尤其是B，C和D三种，难以利用肉眼进行识别。但是四种涂料在近红外范围的光谱特性差异明显，易于区别。

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

图3是1 283和2 447 nm两个波段的二维散点图，从图3可见所有像元分为四个集群，品牌A，B和C之间完全可以区分，但C和D之间存在部分重叠。

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对“C-D”均值差异最大，其他5个类别组合在2 447 nm均值差异显著，因此构造比值指数R1 283/R2 447能够进一步增强四个品牌涂料之间的差异。图4为波段比运算后的图像，四类涂料的像元亮度明显不同。在每个类别组合利用J-M距离评价波段比值对四类涂料的可分性，计算的J-M距离结果见表1。除“C-D”组合外，其他类别之间的距离都大于1.8，表明两类之间具有很好的可分性。然而品牌C和品牌D之间的J-M距离为1.65，说明其具有一定的可区分性，但存在被误分的可能。

Table 1 J-M distances between different kinds of coatings

对图4进行灰度阈值分割，其分类结果见表2。可知R1 283/R2 447比值指数能将“品牌A”、“品牌B”与其他类别完全区分，尽管品牌C和品牌D之间存在着一定重叠，但其分类精度仍达到在87%以上，可以满足实际应用需求。

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分类结果

利用ANOVA随机选择的800(每类200)个像元作训练样本，其他所有像元作为测试样本，以1 283和2 447 nm两个波段作为特征并利用高斯最大似然分类器进行分类，总体精度为98.81%，分类结果见表3。可见利用最大似然分类的精度要明显高于比值指数R1 283/R2 447阈值分割结果(品牌C和品牌D的分类精度也在95%以上)，这主要因为阈值分割将比值图像强行分割为四类，而最大似然分类是将每个像元判给类归属概率最大的类别[20]，其决策更具有可靠性。

通过比较表2与表3可知指数R1 283/R2 447的图像阈值分割与最大似然分类对品牌A，B和C的区分精度均大于90%。而对于品牌D，该指数阈值分割精度为87.54%，对应的最大似然分类精度为95.63%，但其精度差异小于8%。

Table 3 The results of MLC

3 结 论

通过测量同一颜色四个不同品质、不同品牌建筑涂料的可见光、近红外区域成像光谱，提取并分析其光谱响应特征，主要得出如下结论：

(1)在可见光区域不同品牌之间的光谱差异较小，而在近红外区域，四个品牌涂料的光谱差异较大，表明肉眼难以判别不同品牌涂料之间的差异，然而在近红外波段是可以区分不同品牌涂料的。

(2)通过ANOVA方法并结合统计量F值，发现1 283和2 447 nm两个波段为区分四种建筑涂料的最优波段。构建比值指数R1 283/R2 447并计算不同品牌涂料之间的J-M距离，发现比值指数R1 283/R2 447除了品牌C和D之间的J-M距离小于1.8外，其他品牌涂料之间的J-M距离均大于1.8，说明该指数在区分品牌C与D组合时部分像元易发生混淆，而其他品牌之间均完全可以区分。

(3)将比值指数R1 283/R2 447结果进行图像分割，其最低分类精度为D品牌涂料，精度为87.54%，而对应的最大似然分类精度为95.63%，精度差小于8%。其他品牌涂料图像分割与最大似然分类精度均达到90%以上，说明该指数可以较好地区分不同品牌、品质的建筑涂料。

结果表明，利用近红外成像光谱技术能够较为准确、便利区分不同品牌、品质的建筑涂料，为建筑质量验收、合格评定方面提供技术支持。但本工作仅选择一个颜色不同品牌、品质的涂料进行区分研究，其规律是否具有普适性，尚需要进一步开展实验进行研究。

致谢： 感谢Quantum Design中国子公司陈瑞群博士为本研究提供近红外成像光谱仪，北京德美士涂料有限公司提供并加工涂料标准测试板。

[1] GUO Qi-hua(郭启华). China New Technologies and Products(中国新技术新产品)，2008，12: 124.

[2] ZHANG Bing, CHEN Zheng-chao, ZHENG Lan-fen, et al(张 兵, 陈正超，郑兰芬，等). Journal of Infrared Millimeter Waves(红外与毫米波学报), 2004，23(6): 441.

[3] TONG Qing-xi, ZHANG Bing, ZHENG Lan-fen(童庆禧，张 兵，郑兰芬). Hyperspectral Remote Sensing: Principle, Technology and Applications(高光谱遥感—原理、技术与应用). Beijing: Higher Education Press(北京： 高等教育出版社)，2006.

[4] WU Feng-qiang, YANG Wu-nian, LI Dan(武锋强，杨武年，李 丹). Acta Mieralogica Sinica(矿物学报)，2014，34(2): 166.

[5] HOU Miao-le, LEI Yong, LU Xin, et al(侯妙乐，雷 勇，芦 鑫，等). Science of Surveying and Mapping(测绘科学)，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, 饶秀勤, 应义斌，等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 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(高运良, 马 玲). Mathematical Statistics(数理统计). Beijing: Coal Industry Publishing House(北京： 煤炭工业出版社)，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(遥感图像处理模型与方法). 3rd ed(第3版). Translated by State Key Laboratory of Microwave Imaging Technology(微波成像技术国家重点实验室译). Beijing: Publishing House of Electronics Industry(北京： 电子工业出版社), 2010.

[19] ZHAO Ying-shi(赵英时). Principle and Method of Remote Sensing Application Analysis(遥感应用分析原理与方法). Beijing: Science Press(北京： 科学出版社), 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(蒋金豹, Michael D S, 何汝艳，等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2013，33(11): 3106.

[22] JIANG Jin-bao, Michael D S, HE Ru-yan, et al(蒋金豹，Michael D S，何汝艳，等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 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

国家自然科学基金项目(41101397，41571412)资助

蒋金豹，1978年生，中国矿业大学(北京)地球科学与测绘工程学院副教授 e-mail: jjb@cumtb.edu.cn

O657.3

A

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