或之"下" 可以包括第一和第二特征直接接觸，也可以包括第一和第二特征不是直接接觸而是通過它 們之間的另外的特征接觸。而且，第一特征在第二特征"之上"、"上方"和"上面"包括第一 特征在第二特征正上方和斜上方，或僅僅表示第一特征水平高度高于第二特征。第一特征 在第二特征"之下"、"下方"和"下面"包括第一特征在第二特征正上方和斜上方，或僅僅表 示第一特征水平高度小于第二特征。
[0041] 下面參照附圖描述根據(jù)本發(fā)明實(shí)施例提出的基于Lucene的光譜曲線檢索方法及 引擎，首先將參照附圖描述根據(jù)本發(fā)明實(shí)施例提出的基于Lucene的光譜曲線檢索方法。參 照圖1所示，該方法包括以下步驟：
[0042] S1，通過Lucene的FSDirectory類打開索引文件夾。
[0043] 首先通過Lucene的FSDirectory類打開索引的文件夾，Lucene可以判斷了當(dāng)前 所使用的操作系統(tǒng)環(huán)境和JRE的不同，然后選用不同的FSDirectory的實(shí)現(xiàn)來提升底層文 件的操作性能。
[0044] S2,選擇索引特征，以利用Lucene對光譜庫中的曲線文件建立索引。
[0045] 進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，索引特征包括相關(guān)性、一階微分相關(guān)性、絕 對值、歐氏距離、一階微分絕對值、最小平方、一階微分最小平方中的一個(gè)或多個(gè)。
[0046] 進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，索引為特征點(diǎn)索引或全特征索引。
[0047] 具體地，選擇索引特征建索引，特征包括：相關(guān)性、一階微分相關(guān)性、絕對值、歐氏 距離、一階微分絕對值、最小平方、一階微分最小平方，同時(shí)還提供特征點(diǎn)索引和全特征索 弓丨。其中，之前的單特征都是通過計(jì)算得出相應(yīng)的特征數(shù)組并轉(zhuǎn)為字節(jié)數(shù)組再以各自的特 征名存入Lucene的Field類，在添加至Lucene的Document類，S卩一個(gè)按單特征建立的 Document索引文件只包含存儲相應(yīng)特征的一個(gè)Field，而全特征索引是將之前的按單特征 提取出的字節(jié)數(shù)組分別存入相應(yīng)的Field類，再添加至Document類中，即全特征索引建立 的Document索引文件對所有特征都建立相應(yīng)的Field來存儲。
[0048] S3,調(diào)用Lucene的IndexWriter類將建好的索引寫入到索引文件夾中。
[0049] 在本發(fā)明的實(shí)施例中，對建好的索引調(diào)用Lucene的IndexWriter類將其寫入到索 引文件夾中，以便后續(xù)的檢索需要。
[0050] 綜上所述，步驟S1至步驟S3為本發(fā)明實(shí)施例的方法中的建立索引階段，其主要包 括：選擇索引文件夾打開，索引特征的選取與索引的添加。其中，本發(fā)明實(shí)施例將全文檢索 工具Lucene引入到光譜曲線的檢索中，極大地加快讀取文件速度，利用Lucene讀寫文件 時(shí)，可以更有效和快速的訪問磁盤，并且基于java編寫，提供跨平臺的解決方案。
[0051] S4,輸入待檢索文件。
[0052] 進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，待檢索文件為由高光譜像元提取出的光譜 曲線或已提取的特征數(shù)組文件，其中，如果為光譜曲線文件，則通過所選特征相應(yīng)計(jì)算出字 節(jié)數(shù)組；如果為已提取的特征數(shù)組文件，則上傳特征名以尋找相應(yīng)特征建立的索引文件。
[0053] 具體地，選擇待檢索文件包括光譜曲線或已提取的特征數(shù)組文件，如果是光譜曲 線文件，則通過所選的特征相應(yīng)計(jì)算出字節(jié)數(shù)組，如果是已提取的特征數(shù)組文件則不需要 計(jì)算，但是需要將特征名傳入到系統(tǒng)中尋找相應(yīng)特征建立的索引文件。
[0054] S5,打開索引文件夾，并采用線性搜索將文件夾中的Document索引文件依次與輸 入的特征數(shù)組進(jìn)行相似度比較，以從索引文件中按所選特征的相似度返回檢索結(jié)果。
[0055] 進(jìn)一步地，在本發(fā)明的一個(gè)實(shí)施例中，相似度評分公式為：
[0059] 其中，a，b為兩組長度為1的特征數(shù)組。
[0060] 具體地，在本發(fā)明的一個(gè)實(shí)施例中，首先提取索引文件主要通過打開之前的索引 文件夾，并采用線性搜索即將文件夾中的Document索引文件依此與輸入的特征數(shù)組進(jìn)行 相似度比較，其次）相似度評分對越相似的曲線給予更低的評分，反之亦然，即100分為最 不相似的曲線，0分為最相似的曲線。同時(shí)考慮縮小相似的曲線間的評分差。例如，對于兩 組長度為1的特征數(shù)組a，b，其相似度評分為：
[0064] 其中，a,b為待比較的兩組向量，瓦是對a做歸一化，即假設(shè)a= [1，2]，a1= 1，a^ =2, ％ = ，巧同理。
[0065] 最后，按評分由低到高返回檢索出的相似曲線文件。
[0066] 需要注意的是，搜索時(shí)選擇建索引時(shí)相應(yīng)的特征，而對于全特征索引，搜索時(shí)可以 選擇任意的特征。搜索完成時(shí)按相似度返回相應(yīng)的文件信息。
[0067] 綜上所述，步驟S4和步驟S5為本發(fā)明實(shí)施例的方法中的檢索階段，其主要包括： 輸入待檢索文件、提取索引文件與相似度評分。其中，本發(fā)明實(shí)施例采用索引后再搜索的形 式，一方面可以加快實(shí)際工作中頻繁搜索的速度，另一方面，可以將建好的索引存儲在嵌入 式系統(tǒng)中或云端，檢索時(shí)，只需傳入待檢索文件即可在系統(tǒng)中處理并返回檢索結(jié)果，為后續(xù) 的更進(jìn)一步的工作提供方便，并且通過整合光譜搜索七個(gè)工業(yè)標(biāo)準(zhǔn)：相關(guān)性、一階微分相關(guān) 性、絕對值、歐氏距離、一階微分絕對值、最小平方、一階微分最小平方等特征，實(shí)現(xiàn)可以分 別索引并檢索，也可以全部索引并分別檢索的目的。
[0068] 在本發(fā)明的一個(gè)具體實(shí)施例中，參照圖2所示，圖2為索引與檢索的流程圖，下面 對本發(fā)明實(shí)施例進(jìn)行進(jìn)一步具體贅述。
[0069] 其中，參照圖3所示，本發(fā)明實(shí)施例在索引階段主要有三項(xiàng)操作：在Select directorytoindex對話框中選擇要索引的文件夾（這里選擇的是一個(gè)測試文件 夾data3,包括 1.txt光譜數(shù)據(jù)為：100, 120, 130, 135 ;2.txt:95, 110, 120, 125 ;3.txt: 400, 450, 480, 530;數(shù)據(jù)非真實(shí)光譜數(shù)據(jù)，僅為測試引擎的實(shí)際運(yùn)行效果），然后在 Selectfeaturetoindex下拉界面中選擇要建特征的索弓丨：〃FeaturePoint〃特征 點(diǎn)，"SpecAbsolute〃絕對值，〃SpecGraAbsolute〃 一階微分絕對值，〃SpecGradient〃 一階 微分，"SpecValue〃相關(guān)性，"LeastSquares〃最小平方，"F0DLS" -階微分最小平方，〃Full〃 是對所有特征建索引，這里選擇的是對所有特征建索引。然后點(diǎn)擊Index即可完成索引。
[0070] 進(jìn)一步地，在檢索階段也主要有三項(xiàng)操作：在Selectfiletosearch對話框中 選擇要檢索的文件（這里選擇的是與1.txt數(shù)據(jù)相同的4.txt)，同樣Selectfeatureto search下拉界面中選擇索引依據(jù)的特征。因?yàn)槭且匀卣魉饕?，所以這里可以隨意選擇特 征檢索。先選擇特征絕對值進(jìn)行檢索，結(jié)果如圖4所示，可以看出相同數(shù)據(jù)的1.txt評分為 0,也就是最相似的，2.txt與檢索文件在數(shù)據(jù)上也相對接近，故評分也很低，而3.txt就比 較高了。整個(gè)檢索過程僅需613ms。換另一種特征一階微分最小平方檢索，結(jié)果如圖5所 示，可以看出由于1.txt和2.txt在數(shù)據(jù)之間的相關(guān)性與4.txt相似，即光譜曲線形狀比較 接近，故都是最為相似的。
[0071] 進(jìn)一步地，在本發(fā)明的另一個(gè)實(shí)施例中，云端的運(yùn)用主要是將建好的索引存入云 端，需要檢索的時(shí)候只需打開云端的索引文件夾，其他步驟與之前相同，為了減少冗余，在 此不作具體贅述。
[0072] 根據(jù)本發(fā)明實(shí)施例提出的基于Lucene的光譜曲線檢索方法，通過利