CN104715455B - 一种光谱成像手印增强的方法 - Google Patents

Abstract

本发明公开了一种光谱成像手印增强的方法，涉及光谱成像技术领域，包括：获取每一谱段的光谱图像组成光谱图像立方体；根据光谱图像立方体，确定目标区域和非目标区域；采用基于线性混合模型的迭代误差分析法从目标区域中自动提取端元；对自动提取的端元进行光谱增强处理。本发明能够自动分析光谱图像中的端元，并选择合适的增强方法对手印进行增强，适用于较广泛的手印增强案例，计算简单，自动化程度较高，处理过程中的人工干涉降到最低，因此该方法具有简单易用的优点。

Description

一种光谱成像手印增强的方法

技术领域

本发明涉及光谱成像技术领域，特别涉及一种光谱成像手印增强方法。

背景技术

手印是刑事技术中重要的物证之一，可以为侦查提供线索，有利于缩小范围；为破案提供证据，有力地证实犯罪。手印检验技术已经发展了很多年，已有的技术包括传统光学方法、物理化学显现方法、照相法、指纹胶带粘取法和制模法等，虽然这些方法能解决手印检验中的大多数问题，但尚存在一些缺点：目前使用的光学检测法对于一些微弱物证、被掩盖物证以及暗背景或复杂背景下的物证是难以检测的；物理化学显现方法对使用环境或其他外部条件要求较高，并且极有可能污染或破坏犯罪现场，同时，一些手印即使经过显影后仍然难以从复杂的干扰背景中清晰识别出来。

光谱成像技术逐渐凸显出在物证检测方面明显的技术优势。光谱成像技术结合了数字成像技术和分子光谱技术，在获取目标图像信息的同时，也获得了目标的特征光谱信息，包括拉曼散射、荧光、光子发光、紫外、可见光和近红外吸收光谱。这些光谱信息可用于物质的化学成分识别，结合空间信息可实现物质分布的可视化，因此，相对于传统技术，光谱成像技术大大提高了物证探测和检验的准确性，同时它还是一种无损检验方法。目前欧美等国家正积极研究高光谱成像刑事案件现场物证检验技术。

2003年9月澳大利亚联邦警察在Forensic Sciences杂志上发表了第一篇光谱成像检验指印的文章。国内公安部物证鉴定中心王桂强研究员于2004年在《刑事技术》第1期发表了《光谱成像检验技术》一文，从专业理论角度论证了光谱成像技术应用于物证检验的可行性、先进性、技术性；在实验研究方面，中国人民公安大学硕士研究生黄威在运用光谱成像技术进行了文件检验和指印显现加强方面做了初步研究工作。他们一致认为相对于传统分析化学检验或成像检验技术，光谱成像检验技术的能力和效果都具有明显的优势，必将成为物证探测、检验领域今后发展的热点和趋势。

在利用高光谱成像技术检测手印方面，一些研究者评估了使用高光谱成像技术增强与探测未处理指纹的可能性。如：Exline等使用可见光反射和光致发光高光谱技术探测塑料和纸张上未处理的潜指纹，并将结果与传统警用成像系统拍摄图像进行比较。尽管两种方法都可显现塑料上的潜指纹，但高光谱成像技术能增强显示白纸上的指纹，使用的处理方法包括背景移除、偏置校准、归一化和主成分分析。Payne等使用不同的处理方法对优化增强显示效果作了进一步研究。

与可见光高光谱成像不同，近红外和中红外高光谱成像技术可以获得分子振动信息，因此可得到更多有关物质化学成分的信息。Bartick等使用指纹化学成分的特征波段初次显示了近红外和中红外高光谱成像在显现潜指纹方面的应用，他们成功显现了遗留在镀铝显微镜载片上的指纹。

Crane等阐明了红外高光谱成像技术用于探测不同渗透客体(复印纸、烟头纸、美元钞票、明信片)和非渗透客体(垃圾袋、苏打罐、磁带)上未处理潜指纹的能力。在9842nm(非对称O-C-C stretch ester)的灰度图像中，苏打罐和黑色垃圾袋上的指纹清晰可见。其他客体上的潜指纹还需要使用复杂的处理方法来增强显现效果，如主成分分析、二阶导数等。处理后，大多数的指印清晰可见，甚至包括纸张等渗透表面上的潜指纹，但采集图像之前需先知道指纹的位置。

Tahtouh等在两篇文献里也描述了红外高光谱成像技术在显影未处理指纹方面的应用。结果显示，由于脂肪酸残留，很多未处理指纹的光谱在3333nm附近出现峰值(C-Hstetching振动)，这些峰值对于大多数有机成分都存在，但是它们可以被用于显现金属、矿物和陶瓷等不包含C-H键的物质背景上的指纹。他们认为，除此之外的其他背景上的指纹在进行高光谱成像之前需进行化学增强。

Bhargava等描述了使用红外高光谱成像技术显露两个重叠潜指纹，其中按压两指纹的手指条件不同。在C-H stretching mode和其他振动模式的特征谱段显示出的差异表明两个指印含有不同的化学组分。由于这种变化，线性解混合方法可用来分离显示两例重叠指纹。

通过以上高光谱成像技术在增强和探测未处理指纹方面的研究发现，该技术可以直接显影一些条件下的未处理指纹，这一过程中复杂的高光谱数据处理方法起到了重要作用。但仍有一些背景上的指纹在进行高光谱成像之前需进行化学增强。这种经化学试剂处理后的指纹还可使用高光谱成像方法进行进一步增强。

Exline等和Payne等调研了高光谱成像技术增强处理后指纹的对比度及显示质量的潜力。使用可见光高光谱成像技术，他们调查了使用印三酮、DFO、超强力胶水和荧光染料处理后的指纹。在一些情况下，高光谱成像方法显示出了比传统方法更好的增强效果，主要是得益于它对强荧光背景的抑制及对潜在指印的分离。与传统方法相比，高光谱成像可以显示更微小的细节。高光谱成像获得的额外信息有时足以用于案情分析中排除目的，而传统的检测只能得到非决定性的结论。Miskelly和Wagner在类似研究中使用高光谱成像对报纸和铝制苏打罐上经化学处理过的指纹进行成像。研究显示了背景校正是显示不同背景上指纹的重要步骤。Auckland大学的Dowler博士(2010)对高光谱图像数据分析算法进行了研究，利用他改进的算法用于不同背景上的血迹和指纹探测可得到更好的痕迹增强结果。

上述可见，高光谱成像技术不仅可探测和增强未处理手印，还可继续增强和提取经化学增强后的指纹，而在使用高光谱分析技术进行手印增强提取过程中，光谱图像分析算法起到了至关重要的作用。Auckland大学的Wagner(2008)研究了使用波段比值法增强血指纹或经其他方法增强后的手印。如果是血指纹，通常根据血液光谱在415nm处有一个尖锐的吸收峰，利用415nm与附近谱段的除法运算增强显现血指纹；如果是经化学试剂增强后的指纹，则需根据显影试剂的光谱特性，选择有峰值及峰值附近的两到三个谱段进行运算得到增强图像。虽然这种方法对于有明显峰值特征的目标或者当目标与背景间光谱差异较大时增强效果较好，但选择特征谱段却需要根据具体物质进行具体分析，通常需要分析人员具有一定的光谱分析知识且往往要尝试多次才能得到较好的结果。同为Auckland大学的Dowler博士(2010)对高光谱图像数据分析算法进行了研究，指出采用高光谱解混合方法将得到的高光谱图像分解为一系列不同物质的丰度图像，这种高光谱分析算法对现场环境具有更强的鲁棒性，可以适用于更广泛的情况，但是存在计算复杂耗时多的缺点。他对遥感领域常用的N-FINDR算法进行了改进，使之适用于静态高光谱相机系统，对不同背景上的血迹和指纹探测可得到更好的痕迹增强效果。尽管如此，N-FINDR算法是通过求解最大单形体的体积得到各个端元，由于用到了行列式运算，需要端元向量必须是N-1维，因此先对原始数据进行降维处理，不能充分利用高光谱的优势，也不太利于小目标的提取识别。此外，算法需预先设定端元数N，而不是根据高光谱图像本身的特点自动评估端元数。总之，目前采用光谱成像技术进行手印增强检测方面尚缺乏一种普适性强、计算简单、自动化程度高的数据处理方法。

发明内容

为了克服上述现有技术的不足，本发明提供了一种光谱成像手印增强方法。

本发明提供的一种光谱成像手印增强方法，包括以下技术方案：

获取每一谱段的光谱图像组成光谱图像立方体；

根据光谱图像立方体，确定目标区域和非目标区域；

采用基于线性混合模型的迭代误差分析法从目标区域中自动提取端元；判断端元情况，选择合适的后续增强方法：对自动提取的端元进行光谱增强处理。

进一步的，所述对自动提取的端元进行光谱增强处理的处理步骤具体包括：自动提取的端元包括背景端元和目标端元；

当背景端元较单一且目标端元的光谱与背景端元的光谱相似度较低时，自动分析目标端元光谱与背景端元光谱的差异，选择两个谱段做除法运算后将端元光谱图像线性拉伸；或

当目标端元的光谱与背景端元的光谱相似度较高或存在目标与背景的混叠端元时，通过差值运算得到新端元后再采用最小二乘法进行解混合运算；或

除上述情况以外的其他情况下直接采用最小二乘法进行解混合运算；

得到的丰度图像再经灰度线性拉伸、求均值运算。

进一步的，所述自动分析目标端元光谱与背景端元光谱的差异的方法为：将目标端元光谱与背景端元光谱对应谱段做除法运算，选择比值最小谱段和比值最大谱段，将比值最小谱段和比值最大谱段对应的光谱图像做除法运算，得到的结果图像进行线性拉伸图像处理。

进一步的，所述灰度线性拉伸计算公式如下：

其中，I为图像矩阵，I_i为图像中第i个像素，I_i′为拉伸后的图像。

进一步的，所述光谱图像立方体为采集到的每一谱段的光谱图像按照光谱图像的波长顺序依次排列组成的数据立方体。

进一步的，所述目标区域为光谱图像中手印所在的区域或部分区域。

进一步的，所述线性混合模型为光谱图像立方体中的每个像元是由光谱图像立方体中各个端元线性混合而成；每个端元的丰度值等于该端元所对应的物质在混合像元中所占面积的百分比。

进一步的，所述线性混合的公式如下：

其中，

假设光谱图像立方体的光谱维为L维向量，其中L为1至L中任一自然数,L≥1；

端元数为N，其中N为1至N中任一自然数,N≥1；

公式中，x是像元的L维光谱向量，E＝[e₁ e₂ ··· e^N]为L×N矩阵，其中每列都为端元向量；

c为端元组分比，c_i表示混合像元中端元e_i所占的比例；n为L×1维的附加噪声项；

根据线性混合的物理意义，系数向量应该满足两个约束条件：

系数向量应该满足两个约束条件：

0≤c_i≤1。

进一步的，所述采用基于线性混合模型的迭代误差分析法从目标区域中自动提取端元，具体包括：

①计算光谱图像立方体的平均光谱作为初始向量，进行第一次解混合运算，然后进行均方根误差计算得到一幅误差图像，获取误差图像中像素值最大的像素，将该像素值最大的像素作为第一个端元；

②以第一个端元为初始向量进行第二次解混合运算，具体步骤同①中所述，得到第二个端元；

③以第一个端元和第二个端元作为两个端元进行第三次解混合运算，具体步骤同①中所述，得到第三个端元，以此类推，直到得到所需数目的端元或均方根误差(R_MS)满足以下条件：

max(R_MS)≤u

其中u为设定的阈值。

进一步的，所述解混合运算的公式为

其中，c为端元组分比，为c的非限制性最小二乘估计，E为端元向量矩阵；E^T为E的转置矩阵；x为每一像元的L维光谱向量，L为整数，且L≥1；

所述均方根误差R_MS的计算公式为：

其中，x为每一像元的L维光谱向量；为x的估计值，c为端元组分比；为计算得到的c的非限制性最小二乘估计；E为端元向量矩阵。

与现有技术相比，本发明的有益效果是：

能够自动分析光谱图像中的端元并选择合适的增强方法对手印进行增强，适用于较广泛的手印增强案例，计算简单，自动化程度较高，处理过程中的人工干涉降到最低，因此该方法具有简单易用的优点。

附图说明

图1为光谱成像手印增强方法流程图，

图2a为涂改字迹上按压的油墨指纹的RGB图像，

图2b为涂改字迹上按压的油墨指纹的解混输出的丰度图像拼接后得到的增强指纹图像，

图2c为涂改字迹上按压的油墨指纹的线性拉伸后的图像，

图2d为涂改字迹上按压的油墨指纹的指纹增强图像，

图2e为涂改字迹上按压的油墨指纹再次经直方图均衡化后的增强图像，

图3a为为纸币上熏显后的指纹的RGB图像，

图3b为为纸币上熏显后的指纹的分析结果，

图4a为文件上按捺的指纹的分析结果，

图4b为文件上按捺的指纹的分析结果。

具体实施方式

下面结合附图将对本发明进一步说明：

本发明提供的一种光谱成像手印增强方法，如图1所示，包括以下步骤：

S101：获取每一谱段的光谱图像组成光谱图像立方体；

S102：根据光谱图像立方体，确定目标区域和非目标区域；

S103：采用基于线性混合模型的迭代误差分析法从目标区域中自动提取端元；

S104：对自动提取的端元进行光谱增强处理。

进一步的，所述对自动提取的端元进行光谱增强处理的处理步骤具体包括：自动提取的端元包括背景端元和目标端元；

当背景端元较单一且目标端元的光谱与背景端元的光谱相似度较低时，自动分析目标端元光谱与背景端元光谱的差异，选择两个谱段做除法运算后将端元光谱图像线性拉伸；或

当目标端元的光谱与背景端元的光谱相似度较高或存在目标与背景的混叠端元时，通过差值运算得到新端元后再采用最小二乘法进行解混合运算；或

除上述情况以外的其他情况下直接采用最小二乘法进行解混合运算；

得到的丰度图像再经灰度线性拉伸、求均值运算。

进一步的，所述自动分析目标端元光谱与背景端元光谱的差异的方法为：将目标端元光谱与背景端元光谱对应谱段做除法运算，选择比值最小谱段和比值最大谱段，将比值最小谱段和比值最大谱段对应的光谱图像做除法运算，得到的结果图像进行线性拉伸图像处理。

进一步的，所述灰度线性拉伸计算公式如下：

其中，I为图像矩阵，I_i为图像中第i个像素，I_i′为拉伸后的图像。

进一步的，所述光谱图像立方体为采集到的每一谱段的光谱图像按照光谱图像的波长顺序依次排列组成的数据立方体。

进一步的，所述目标区域为光谱图像中手印所在的区域或部分区域。

进一步的，所述线性混合模型为光谱图像立方体中的每个像元是由光谱图像立方体中各个端元线性混合而成；每个端元的丰度值等于该端元所对应的物质在混合像元中所占面积的百分比。

进一步的，所述线性混合的公式如下：

其中，

假设光谱图像立方体的光谱维为L维向量，其中L为1至L中任一自然数,L≥1；

端元数为N，其中N为1至N中任一自然数,N≥1；

公式中，x是像元的L维光谱向量，E＝[e₁ e₂ ··· e_N]为L×N矩阵，其中每列都为端元向量；

c为端元组分比，c_i表示混合像元中端元e_i所占的比例；n为L×1维的附加噪声项；

根据线性混合的物理意义，系数向量应该满足两个约束条件：

系数向量应该满足两个约束条件：

0≤c_i≤1。

进一步的，所述采用基于线性混合模型的迭代误差分析法从目标区域中自动提取端元，具体包括：

①计算光谱图像立方体的平均光谱作为初始向量，进行第一次解混合运算，然后进行均方根误差计算得到一幅误差图像，获取误差图像中像素值最大的像素，将该像素值最大的像素作为第一个端元；

②以第一个端元为初始向量进行第二次解混合运算，具体步骤同①中所述，得到第二个端元；

③以第一个端元和第二个端元作为两个端元进行第三次解混合运算，具体步骤同①中所述，得到第三个端元，以此类推，直到得到所需数目的端元或均方根误差(R_MS)满足以下条件：

max(R_MS)≤u

其中u为设定的阈值。

进一步的，所述解混合运算的公式为

其中，c为端元组分比，为c的非限制性最小二乘估计，E为端元向量矩阵；E^T为E的转置矩阵；x为每一像元的L维光谱向量，L为整数，且L≥1；

所述均方根误差R_MS的计算公式为：

其中，x为每一像元的L维光谱向量；为x的估计值，c为端元组分比；为计算得到的c的非限制性最小二乘估计；E为端元向量矩阵。

与现有技术相比，本发明的有益效果是：

能够自动分析光谱图像中的端元并选择合适的增强方法对手印进行增强，适用于较广泛的手印增强案例，计算简单，自动化程度较高，处理过程中的人工干涉降到最低，因此该方法具有简单易用的优点。

本发明结合具体实施例进一步阐述：如图2a-2e、3a-3b及4a-4b所示：

针对光谱成像仪采集得到的光谱图像立方体，首先采用基于线性混合模型的迭代误差分析方法从目标区域中选取端元，根据所选端元的情况采取不同的后续增强算法：当图像中背景端元较单一且目标端元光谱与背景端元光谱相似度较低时，自动分析目标端元光谱与背景端元光谱间的差异，选择两个合适的谱段做除法运算，再经图像线性拉伸得到目标增强的效果；当图像中目标端元与背景端元相似或出现目标和背景的混叠端元时，通过差值运算得到新的端元光谱进行解混合运算；其他情况下直接进行解混合运算；得到的丰度图像再经灰度线性拉伸、求均值运算等后图像处理得到最终的目标增强图像。

所述的光谱成像仪由前置成像镜、中继镜、滤光器、面阵光电探测器及相关控制系统组成。光学成像系统(由前置成像镜和中继镜两部分组成)将待分析目标成像在光电面阵探测器上，滤光器在控制系统控制下只通过特定光谱段的光线。光电面阵探测器接收到的光谱图像信号通过系统控制模块中的图像采集单元转换成数字图像存贮在记录介质中。

所述的滤光器可为液晶可调谐滤光器、电动滤光片转轮系统或其他类型的滤光器件。

所述的光谱图像立方体为采集到的不同谱段的图像按波长顺序依次排列组成的数据立方体。

所述的目标区域为整幅图像或图像中手印所在的一小部分区域，为了避免其他无关背景对后续提取端元质量及效率的影响，仅选择目标所在的一小块区域进行后续处理。

所述的线性混合模型(Linear mixture model,LMM)是假设高光谱图像中的每个像元是由图像中各个端元线性混合而成。各端元的丰度值等于该端元所对应的物质在混合像元中所占面积的百分比。假定光谱为L维向量，端元数为N，则线性混合公式如下：

其中x是L维光谱向量，E＝[e₁ e₂ ··· e_N]为L×N矩阵，其中每列都为端元向量。c为端元组分比，c_i表示混合像元中端元e_i所占的比例。n为L×1维的附加噪声项。根据线性混合的物理意义，系数向量应该满足两个约束条件：

0≤c_i≤1 (2)

本发明基于线性混合模型利用迭代误差分析的方法来自动选取端元光谱。

线性混合模型中，假设附加噪声向量为零且波段数大于端元数，则c的非限制性最小二乘估计为：

均方根误差表示为误差的模长(R_MS)：

所述的迭代误差分析方法选取端元光谱的具体步骤如下：

①计算图像平均光谱作为初始向量，用式(3)进行第一次解混，根据式(4)计算得到一幅误差图像，寻找误差图像中像素值最大(也即误差最大)的像素，其对应的光谱作为第一个端元e₁；

②以第一个端元为初始向量进行第二次解混，具体同①中所述，得到第二个端元e₂；

③以e₁和e₂作为两个端元进行第三次解混，具体同①，得到新的端元，以此类推，直到得到所需数目的端元或均方根误差R_MS满足以下条件：

max(R_MS)≤u (5)

其中u为设定的阈值。

上述步骤中每得到一个新端元同时可得到新端元在图像中的位置，记录下新端元的位置信息以供后续步骤使用。

端元光谱的情况包括三种情况：

①背景光谱较单一；

②目标与背景光谱相似或出现目标和背景的混叠光谱；

③除此之外的其他情况。

根据自动提取的端元光谱在图像中的位置输入哪个是目标光谱，哪些是背景光谱，以及哪个是目标和背景混叠光谱，当背景光谱只有一种或者多种背景光谱相似度较高，且目标光谱与背景光谱相似度较低时(低于设定的阈值T1)，视为情况①；当目标光谱与背景光谱相似度较高(高于设定的阈值T2)或存在混叠光谱时，视为情况②；其他情况视为情况③。前述的相似度可以是计算得到的光谱角、欧几里得距离或光谱离散信息等。

当判断为所述的情况①时，自动分析目标与背景光谱间的差异，选择两个合适的谱段做除法运算得到目标增强的效果。分析目标与背景光谱间差异的方法为：将目标光谱与背景光谱对应谱段做除法运算，选择比值最小的谱段λ₁和比值最大的谱段λ₂，将谱段λ₁和λ₂对应的光谱图像做除法运算，得到的结果图像再经线性拉伸等图像处理可得到目标增强的图像。

当判断为所述的情况②时，为了改善目标增强效果，将两条光谱做差值运算，得到的差值光谱作为一条新的端元光谱，即：若目标光谱为e₁，背景光谱为e₂，将e＝e₁-e₂作为一条新的端元光谱，同时舍弃端元光谱e₁。将得到的新光谱和其他端元光谱作为输入光谱利用最小二乘法进行解混合运算。

当判断为所述的情况③时，直接利用最小二乘法进行解混合运算。

所述的丰度图像为前述解混合得到的每条端元光谱对应的物质丰度图像。该丰度图像的对比度往往仍不是最优，可通过灰度线性拉伸得到对比度更好的图像。另外，当背景较复杂为多样时，自动提取的背景端元为多个，得到的丰度图像中仅各背景上一小部分目标得到了增强，需要将不同背景对应的丰度图像进行加法或平均运算才能拼接出一幅具有目标增强效果的图像。

所述的图像灰度线性拉伸方法如下：

假设图像矩阵为I，I_i代表图像中第i个像素，对图像中每一像素I_i利用公式进行重新计算得到拉伸后的图像I_i′。

与现有技术相比，本发明的有益效果是能够自动分析光谱图像中的端元光谱，并选择合适的增强方法对手印进行增强，适用于较广泛的手印增强案例，计算简单，自动化程度较高，处理过程中的人工干涉降到最低，因此该方法具有简单易用的优点。

具体的，如获取450-950nm光谱图像，光谱分辨率为10nm，将获得的51幅图像按波长顺序组合成数据立方体，后续处理过程如下：首先可选择指纹所在的小块区域，算法自动从所选小范围区域光谱图像中提取有效的端元光谱，提取的端元位置可标示于图像中，使用者仅需根据端元在图像中的位置情况判断并输入哪个是目标端元，哪个是背景端元，以及哪个是目标和背景混叠端元，算法根据输入结合提取的端元光谱情况进行判断。

判断依据为：当背景光谱只有一种或者多种背景光谱相似度较高，且目标光谱与背景光谱相似度较低时(低于设定的阈值)，视为情况①；当目标光谱与背景光谱相似度较高(高于设定的阈值)或存在混叠光谱时，视为情况②；其他情况视为情况③。前述的相似度由计算得到的光谱角表示，还可以使用光谱离散信息、欧几里得距离等表示。根据不同的判断结果采取不同的后续增强处理：

解混合获得的多幅丰度图像可通过灰度线性拉伸得到对比度更好的图像。当得到的各丰度图像中仅某些背景上对应的一小部分目标得到了增强时，需要将多幅不同的丰度图像进行加法或平均运算才能拼接出一幅具有目标增强效果的图像。

如图2a为一例涂改字迹上按压的油墨指纹，源数据是由上述结构原理的手印增强装置采集到的450-950nm光谱图像，光谱分辨率为10nm，由于存在油墨和指纹的混叠光谱，通过上述处理过程算法判断选择情况②对应的处理方法进行计算。图2b和2c为输出的两幅丰度图像，图中均有一部分目标被增强，将两幅图像计算平均图像可得到拼接完整的指纹增强图像(如图2d)，图中指纹和中性笔油混叠部分的指纹纹路得到了明显增强，图2e为再次经直方图均衡化后的增强图像。

如图3a为纸币上的指纹，首先采用印三酮进行了熏显，纸币背景色调较单一但其上的图案干扰了指纹读取，采用本发明中的方法判断为情况①，选择两个谱段进行除法运算得到的增强效果如图3b。

图4a为某档案里的入党申请书上按压的油墨指纹，因为按压力度较大，纹线之间粘连较多，纹路模糊，算法自动提取的端元光谱包含了粘连处的光谱和指纹纹路上的光谱，由于粘连处与指纹纹路上的光谱相似度较高，算法判断采用情况②中所述方法进行增强，得到的结果在一定程度上增强了指纹，使纹路更清晰，如4b所示。

以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (9)

1.一种光谱成像手印增强的方法，其特征在于，包括：

获取每一谱段的光谱图像组成光谱图像立方体；

根据光谱图像立方体，确定目标区域和非目标区域；

采用基于线性混合模型的迭代误差分析法从目标区域中自动提取端元；

对自动提取的端元进行光谱增强处理；

所述对自动提取的端元进行光谱增强处理的处理步骤具体包括：自动提取的端元包括背景端元和目标端元；

当背景端元较单一且目标端元的光谱与背景端元的光谱相似度较低时，自动分析目标端元光谱与背景端元光谱的差异，选择两个谱段做除法运算后将端元光谱图像线性拉伸；或

当目标端元的光谱与背景端元的光谱相似度较高或存在目标与背景的混叠端元时，通过差值运算得到新端元后再采用最小二乘法进行解混合运算；或

除上述情况以外的其他情况下直接采用最小二乘法进行解混合运算；

得到的丰度图像再经灰度线性拉伸、求均值运算。

2.如权利要求1所述的方法，其特征在于，所述自动分析目标端元光谱与背景端元光谱的差异的方法为：将目标端元光谱与背景端元光谱对应谱段做除法运算，选择比值最小谱段和比值最大谱段，将比值最小谱段和比值最大谱段对应的光谱图像做除法运算，得到的结果图像进行线性拉伸图像处理。

3.如权利要求1所述的方法，其特征在于，所述灰度线性拉伸计算公式如下：

<mrow> <msubsup> <mi>I</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <mn>255</mn> <mo>*</mo> <mfrac> <mrow> <msub> <mi>I</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>I</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>I</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <mi>I</mi> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

其中，I为图像矩阵，I_i为图像中第i个像素，I′为拉伸后的图像。

4.如权利要求1所述的方法，其特征在于，所述光谱图像立方体为采集到的每一谱段的光谱图像按照光谱图像的波长顺序依次排列组成的数据立方体。

5.如权利要求1所述的方法，其特征在于，所述目标区域为光谱图像中手印所在的区域或部分区域。

6.如权利要求1所述的方法，其特征在于，所述线性混合模型为光谱图像立方体中的每个像元是由光谱图像立方体中各个端元线性混合而成；每个端元的丰度值等于该端元所对应的物质在混合像元中所占面积的百分比。

7.如权利要求6所述的方法，其特征在于，所述线性混合的公式如下：

其中，

假设光谱图像立方体的光谱维为L维向量，其中L为1至L中任一自然数,L≥1；

端元数为N，其中N为1至N中任一自然数,N≥1；

公式中，x是像元的L维光谱向量，E＝[e₁ e₂ … e_N]为L×N矩阵，其中每列都为端元向量；

c为端元组分比，c_i表示混合像元中端元e_i所占的比例；n为L×1维的附加噪声项；

根据线性混合的物理意义，系数向量应该满足两个约束条件：

<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>c</mi> <mi>i</mi> </msub> <mo>=</mo> <mn>1</mn> <mo>,</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>&amp;le;</mo> <msub> <mi>c</mi> <mi>i</mi> </msub> <mo>&amp;le;</mo> <mi>1</mi> <mi>.</mi> </mrow> </mtd> </mtr> </mtable> </mfenced>

8.如权利要求1所述的方法，其特征在于，所述采用基于线性混合模型的迭代误差分析法从目标区域中自动提取端元，具体包括：

①计算光谱图像立方体的平均光谱作为初始向量，进行第一次解混合运算，然后进行均方根误差计算得到一幅误差图像，获取误差图像中像素值最大的像素，将该像素值最大的像素作为第一个端元；

②以第一个端元为初始向量进行第二次解混合运算，具体步骤同①中所述，得到第二个端元；

③以第一个端元和第二个端元作为两个端元进行第三次解混合运算，具体步骤同①中所述，得到第三个端元，以此类推，直到得到所需数目的端元或均方根误差(R_MS)满足以下条件：

max(R_MS)≤u

其中u为设定的阈值。

9.如权利要求8所述的方法，其特征在于，所述解混合运算的公式为

<mrow> <mover> <mi>c</mi> <mo>^</mo> </mover> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msup> <mi>E</mi> <mi>T</mi> </msup> <mi>E</mi> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msup> <mi>E</mi> <mi>T</mi> </msup> <mi>x</mi> </mrow>

其中，c为端元组分比，为c的非限制性最小二乘估计，E为端元向量矩阵；E^T为E的转置矩阵；x为每一像元的L维光谱向量，L为整数，且L≥1；

所述均方根误差R_MS的计算公式为：

<mrow> <msub> <mi>R</mi> <mrow> <mi>M</mi> <mi>S</mi> </mrow> </msub> <mo>=</mo> <mo>|</mo> <mi>x</mi> <mo>-</mo> <mover> <mi>x</mi> <mo>^</mo> </mover> <mo>|</mo> <mo>=</mo> <mo>|</mo> <mi>x</mi> <mo>-</mo> <mi>E</mi> <mover> <mi>c</mi> <mo>^</mo> </mover> <mo>|</mo> </mrow>

其中，x为每一像元的L维光谱向量；为x的估计值，c为端元组分比；为计算得到的c的非限制性最小二乘估计；E为端元向量矩阵。