分類算法是高光譜分選設(shè)備的關(guān)鍵技術(shù)之一。高光譜數(shù)據(jù)的分類算法可以分為基于光譜相似度匹配的分類方法和基于機(jī)器學(xué)習(xí)的分類方法2類。本文根據(jù)現(xiàn)有技術(shù)和研究資料，進(jìn)行了簡單總結(jié)。

?

高光譜相機(jī)原理

高光譜相機(jī)采集物體的反射光譜，典型的高光譜相機(jī)的原理是，光源投射到待測物體上，反射后經(jīng)過相機(jī)鏡頭前端的狹縫進(jìn)人高光譜相機(jī)內(nèi)部的核心元件一—分光儀。分光儀將每一束光分成多束單色光，投到面陣相機(jī)上。面陣相機(jī)狹縫的長度方向w為像素維度，與狹縫垂直方向h為光譜維度，面陣相機(jī)w和h2個(gè)方向的分辨率決定著高光譜數(shù)據(jù)的像素分辨率和光譜分辨率。該高光譜相機(jī)的使用和線陣相機(jī)類似，一行一行的掃描，每一行的數(shù)據(jù)都是面陣相機(jī)的數(shù)據(jù)，代表的是w方向上每個(gè)像素點(diǎn)上的h個(gè)光譜數(shù)據(jù)，根據(jù)光譜信息進(jìn)行光譜分析可以確定其化學(xué)組成，以此來鑒別物體的材質(zhì)。

?

高光譜相機(jī)數(shù)據(jù)獲取

根據(jù)高光譜相機(jī)原理可知，高光譜相機(jī)每一幀數(shù)據(jù)都是面陣相機(jī)的二維數(shù)據(jù)，而高光譜數(shù)據(jù)是三維的數(shù)據(jù)，需要對(duì)相機(jī)采集到的數(shù)據(jù)進(jìn)行相應(yīng)的處理后才能獲得。高光譜相機(jī)數(shù)據(jù)獲取分為面陣相機(jī)數(shù)據(jù)獲取和數(shù)據(jù)拼接2個(gè)部分。面陣相機(jī)數(shù)據(jù)的獲取與普通2D相機(jī)數(shù)據(jù)的獲取過程并無差異，即先調(diào)整圖像質(zhì)量，然后獲取圖像。調(diào)整圖像質(zhì)量時(shí)，需要調(diào)節(jié)光源的亮度、相機(jī)光圈、焦距大小以及曝光時(shí)間等，以獲得最優(yōu)的圖像效果。獲取圖像一般是連續(xù)獲取數(shù)據(jù)，可以按時(shí)間間隔觸發(fā)，也可以由外部I0信號(hào)觸發(fā)。如果這個(gè)10信號(hào)是編碼器，就可以實(shí)現(xiàn)按照距離觸發(fā)。觸發(fā)間隔有嚴(yán)格的要求，以保證拼接后的圖像與實(shí)際物體比例一致。

面陣相機(jī)數(shù)據(jù)的獲取完成后，還需要對(duì)數(shù)據(jù)進(jìn)行拼接，從而得到高光譜數(shù)據(jù)。高光譜數(shù)據(jù)的格式有3種，分別為BSQ，BIL和BIP。BSQ（Band Sequential Format）格式是按波段保存，1個(gè)波段保存后接著保存第2個(gè)波段。這種格式適合對(duì)單個(gè)光譜波段中任何部分的空間（X，Y）存取。BIL（Band interleaved by line format）格式是按行保存，保存第1個(gè)波段的第1行后，接著保存第2個(gè)波段的第1行，這種格式提供了空間和光譜處理之間的一種折衷方式。BIP（Band interleaved by pixel format）格式是按像元保存，先保存第1個(gè)波段的第1個(gè)像元，然后保存第2波段的第1個(gè)像元。該格式為圖像數(shù)據(jù)光譜（Z）的存取提供了最佳性能。高光譜數(shù)據(jù)拼接完成后，通常還需要1個(gè)描述文件，然后可以導(dǎo)入光譜分析軟件進(jìn)行數(shù)據(jù)處理了。

?

基于光譜相似度匹配的分類方法

光譜相似度的匹配算法是通過計(jì)算測試光譜向量與參考光譜向量之間的相似度來進(jìn)行分類。光譜相似度的度量標(biāo)準(zhǔn)包括最小距離、光譜角度、光譜信息散度以及光譜相關(guān)性等，其中最小距離度量標(biāo)準(zhǔn)包括曼式距離和歐式距離等。光譜最小距離越小，相似性越大。光譜角度余弦值越大，相似性越大。光譜信息散度值越接近于0，相似性越大。光譜相關(guān)系數(shù)越大，相似性越大。

光譜相似度的匹配算法首先要建立待測物體的光譜庫，然后計(jì)算測試光譜與光譜庫中光譜數(shù)據(jù)的相似度，最后根據(jù)相似度數(shù)值以及相似度閥值來判斷物體的類別。光譜相似度匹配算法的重點(diǎn)在于待測物體光譜庫的建立，光譜庫可以是來自標(biāo)準(zhǔn)的光譜庫，也可以是根據(jù)待測物體建立的自定義光譜庫。標(biāo)準(zhǔn)的光譜庫對(duì)相機(jī)和光源的一致性要求較高，實(shí)際上不同的相機(jī)、不同的光源、不同的校準(zhǔn)條件，得到的光譜曲線并不完全一致，所以標(biāo)準(zhǔn)光譜庫中的數(shù)據(jù)一般只作為參考，工業(yè)應(yīng)用上需要自定義光譜庫。自定義光譜庫時(shí)，首先采集待測物體的光譜數(shù)據(jù)，選取感興趣區(qū)域（ROI），并對(duì)ROI中的數(shù)據(jù)進(jìn)行端元提取，得到純凈像元，并將該像元的光譜數(shù)據(jù)存入光譜庫。常用的端元提取方法包括內(nèi)部最大體積法（N-FINDER）、純像素索引法（PPl）、凸錐分析（CCA）、頂點(diǎn)成分分析法（VCA）等。

?

基于機(jī)器學(xué)習(xí)的分類方法

基于機(jī)器學(xué)習(xí)的分類方法分為非監(jiān)督分類和監(jiān)督分類。非監(jiān)督分類是指在沒有任何分類先驗(yàn)知識(shí)的情況下，僅依據(jù)數(shù)據(jù)本身的統(tǒng)計(jì)特征及自然點(diǎn)群的分布情況來劃分類別的分類方法，代表性的非監(jiān)督分類包括均值聚類算法（K-Means）、選代自組織數(shù)據(jù)分析算法（Iterative Self?Organizing Data Analysis Technique）"。監(jiān)督分類是指以先前提取的訓(xùn)練樣本作為先驗(yàn)知識(shí)，以對(duì)訓(xùn)練樣本的學(xué)習(xí)構(gòu)建分類模型，并對(duì)其他數(shù)據(jù)進(jìn)行分類的過程"。監(jiān)督分類算法常用的包括高斯最大似然分類法、最小距離分類、K近鄰、決策樹以及支持向量機(jī)等。

由于高光譜數(shù)據(jù)的波段數(shù)通常有200多個(gè)以上，包含豐富的信息，但有很多數(shù)據(jù)冗余，在進(jìn)行監(jiān)督分類之前，需要對(duì)數(shù)據(jù)進(jìn)行特征提取，選取包含信息量大的波段或者特征來降低數(shù)據(jù)的冗余程度。將原始高維數(shù)據(jù)投影到一個(gè)新的低維空間，從而獲得原始數(shù)據(jù)的更精簡的表示，即降維，可以有效減少運(yùn)算量，提高運(yùn)算速度。常用的降維方法包括主成分分析（PCA）、線性判別分析（LDA）、回歸系數(shù)法、連續(xù)投影法等。以PV、PS、PP、PE和PC等塑料材質(zhì)的分選為例，對(duì)比效果如圖1所示。

分類算法加速

由于高光譜數(shù)據(jù)包含3個(gè)維度的信息，是個(gè)數(shù)據(jù)立方體，數(shù)據(jù)量很大，因此需要對(duì)算法進(jìn)行優(yōu)化加速，這樣才能滿足工業(yè)上實(shí)時(shí)分選的需求。分類算法是基于每個(gè)像素的光譜數(shù)據(jù)進(jìn)行運(yùn)算的，算法加速主要是通過并行運(yùn)算進(jìn)行加速。

NVIDIAGPU Computing Toolkit提供了豐富的教程，可以根據(jù)CUDA提供的矩陣運(yùn)算應(yīng)用開發(fā)庫CUBLAS_Library進(jìn)行并行運(yùn)算加速，也可以參考CUDACProgramming Guide，編寫并行執(zhí)行的核函數(shù)，直接操作GPU進(jìn)行并行計(jì)算加速。相比于CPU的串行運(yùn)算，GPU的并行運(yùn)算能夠提高5~10倍的運(yùn)算速度。

并行加速的另一種平臺(tái)是FPGA，F(xiàn)PGA器件屬于專用集成電路中的一種半定制電路——可編程的邏輯列陣?；诠庾V相似性匹配算法，可以通過硬件描述語言（HDL）寫入FPGA，實(shí)現(xiàn)硬件上的并行，其運(yùn)算的速度更快。FPGA的開發(fā)難度較大，并行占用的FPGA資源較多，需要大容量的FPGA。

?