CN103698009A - 一种基于线扫描高光谱成像的多光谱图像获取方法和系统 - Google Patents
一种基于线扫描高光谱成像的多光谱图像获取方法和系统 Download PDFInfo
- Publication number
- CN103698009A CN103698009A CN201310728359.6A CN201310728359A CN103698009A CN 103698009 A CN103698009 A CN 103698009A CN 201310728359 A CN201310728359 A CN 201310728359A CN 103698009 A CN103698009 A CN 103698009A
- Authority
- CN
- China
- Prior art keywords
- line number
- spectrum
- multispectral image
- wavelength
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于线扫描高光谱成像的多光谱图像获取方法，该方法包括：预先设定待检测样品一个以上的特征波长；确定相机光谱轴上行号与波长的关系；利用所述待检测样品一个以上特征波长和所述相机光谱轴上行号与波长的关系，计算出一个以上特征波长所对应相机光谱轴上的一个以上的行号；由高光谱分光仪和相机对传送装置上的待检测样品进行采集，每次从采集得到的一个二维矩阵中提取所述一个以上的行号对应的行像素信息，将采集得到的多个二维矩阵中所述一个以上的行号对应的行像素信息进行组合，获得多个特征波长下的多光谱图像。该方法可以实现特定波长下的多光谱图像的采集。
Description
技术领域
本发明涉及高光谱成像领域，具体涉及一种基于线扫描高光谱成像的多光谱图像获取方法和系统。
背景技术
在农畜产品品质无损检测技术领域，多光谱图像技术的应用非常广泛。例如，在水果表面缺陷检测中，由于某些缺陷如损伤在RGB图像中的特征并不明显，因此采用传统的彩色相机进行检测效果并不理想，很多学者转而探寻利用可见光或者近红外多光谱图像组合进行此类缺陷检测。
目前，用于农畜产品品质检测的多光谱图像采集的方法主要是利用一种基于光学棱镜分光的多光谱相机，如Quset Innovation公司的Condor-1000MS55CCD相机，采用棱镜分光原理使多达5个CCD相机同时获取来自同一光轴的光束，但是一般情况下5个CCD的波长是固定，缺乏灵活性，如改变波长则需要重新定制，而且棱镜分光对光的衰减作用会使相机采集的图像质量下降。
发明内容
针对现有技术的不足，本发明提供一种基于线扫描高光谱成像的多光谱图像获取方法和系统，能够实现特定波长下的多光谱图像的采集。
为实现上述目的，本发明通过以下技术方案予以实现：
一种基于线扫描高光谱成像的多光谱图像获取方法，该方法包括：
预先设定待检测样品一个以上的特征波长；
确定相机光谱轴上行号与波长的关系；
利用所述待检测样品一个以上特征波长和所述相机光谱轴上行号与波长的关系，计算出一个以上特征波长所对应相机光谱轴上的一个以上的行号；
由高光谱分光仪和相机对传送装置上的待检测样品进行采集，每次从采集得到的一个二维矩阵中提取所述一个以上的行号对应的行像素信息，将采集得到的多个二维矩阵中所述一个以上的行号对应的行像素信息进行组合，获得多个特征波长下的多光谱图像。
其中，在所述获得多个特征波长下的多光谱图像之后，进一步包括：
根据损伤特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到损伤区域，实现损伤的检测，其中n的值为损伤特征波长的个数。
其中，在所述获得多个特征波长下的多光谱图像之后，进一步包括：
根据颜色特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，将掩模分割后的光谱图像转换为HSI颜色模型，利用其中的色调分量H实现颜色的检测。
其中，在所述获得多个特征波长下的多光谱图像之后，进一步包括：
根据腐烂特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到腐烂区域，实现腐烂的实时检测，其中n的值为腐烂特征波长的个数。
其中，在所述获得多个特征波长下的多光谱图像之后，进一步包括：
根据褐斑特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到褐斑区域，实现褐斑的实时检测，其中n的值为褐斑特征波长的个数。
一种基于线扫描高光谱成像的多光谱图像获取系统，该系统包括：
特征波长设定模块，用于预先设定待检测样品一个以上特征波长；
相机校正模块，用于确定相机光谱轴上行号与波长的关系；
行号计算模块，用于利用所述待检测样品一个以上特征波长和所述相机光谱轴上行号与波长的关系，计算出一个以上特征波长所对应相机光谱轴上的一个以上的行号；
多光谱图像获取模块，用于由高光谱分光仪和相机对传送装置上的待检测样品进行采集，每次从采集得到的一个二维矩阵中提取所述一个以上的行号对应的行像素信息，将采集得到的多个二维矩阵中所述一个以上的行号对应的行像素信息进行组合，获得多个特征波长下的多光谱图像。
其中，所述系统进一步包括损伤实时检测模块，用于根据损伤特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到损伤区域，实现损伤的检测，其中n的值为损伤特征波长的个数。
其中，所述系统进一步包括颜色实时检测模块，用于根据颜色特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，将掩模分割后的光谱图像转换为HSI颜色模型，利用其中的色调分量H实现颜色的检测。
其中，所述系统进一步包括腐烂实时检测模块，用于根据腐烂特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到腐烂区域，实现腐烂的实时检测，其中n的值为腐烂特征波长的个数。
其中，所述系统进一步包括褐斑实时检测模块，用于根据褐斑特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到褐斑区域，实现褐斑的实时检测，其中n的值为褐斑特征波长的个数。
本发明至少具有如下的有益效果：
1、本发明提出了一种基于线扫描高光谱成像的多光谱图像获取方法和系统，首先，线扫描高光谱分光仪将检测对象一条空间线的信息分光到相机光谱轴上的不同行。随后，计算机从确定的行位置提取行像素信息，随着传送带的运动带动检测对象的运行，可以获取检测对象不同空间线相应行像素的信息。最后，计算机将这些行像素信息分别进行存储和组合后形成不同特征波长下的多光谱图像。上述方法及相应的系统，实现了多光谱图像的灵活采集，可实现不同中心波长和半峰宽度的光谱图像的采集，并且不同波长的光谱图像可任意组合，具有极大的灵活性。由于每次只提取一个或几个行像素区域的信息，避免了高光谱成像系统中整幅图像的采集，极大地提高了图像采集的速度，可满足实时检测的需要。
2、本发明所提出基于线扫描高光谱成像的多光谱图像获取方法和系统，可以用来实现多指标参数的实时检测，比如，损伤检测、颜色检测、腐烂检测和褐斑检测。
当然，实施本发明的任一方法或产品不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例1中基于线扫描高光谱成像的多光谱图像获取方法的流程图；
图2是本发明一个实施例2中基于线扫描高光谱成像的多光谱图像获取方法的流程图；
图3是本发明一个实施例3中基于线扫描高光谱成像的多光谱图像获取系统的结构示意图；
图4和图5是本发明中基于线扫描高光谱成像获取多光谱图像的原理示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明实施例1提出了一种基于线扫描高光谱成像的多光谱图像获取方法，参见图1，包括如下步骤：
步骤101：预先设定待检测样品一个以上的特征波长。
步骤102：确定相机光谱轴上行号与波长的关系。
步骤103：利用所述待检测样品一个以上特征波长和所述相机光谱轴上行号与波长的关系，计算出一个以上特征波长所对应相机光谱轴上的一个以上的行号。
步骤104：由高光谱分光仪和相机对传送装置上的待检测样品进行采集，每次从采集得到的一个二维矩阵中提取所述一个以上的行号对应的行像素信息，将采集得到的多个二维矩阵中所述一个以上的行号对应的行像素信息进行组合，获得多个特征波长下的多光谱图像。
可见，在本发明实施例中，首先线扫描高光谱分光仪将检测对象一条空间线的信息分光到相机光谱轴上的不同行。随后，计算机从确定的行位置提取行像素信息，随着传送带的运动带动检测对象的运行，可以获取检测对象不同空间线相应行像素的信息。最后，计算机将这些行像素信息分别进行存储和组合后形成不同特征波长下的多光谱图像。本发明实施例所述的方法实现了多光谱图像的灵活采集，可实现不同中心波长和半峰宽度的光谱图像的采集，并且不同波长的光谱图像可任意组合，具有极大的灵活性。由于每次只提取一个或几个行像素区域的信息，避免了高光谱成像系统中整幅图像的采集，极大地提高了图像采集的速度，可满足实时检测的需要。
实施例2
下面通过实施例2，来更为详细的说明本发明的一个较佳实现过程。参见图2，该过程包括如下步骤：
步骤201：预先设定待检测样品一个以上的特征波长。
在本步骤中，预先设定待检测样品的特定波长，例如设定待检测样品苹果的损伤特征波长、颜色特征波长、腐烂特征波长和褐斑特征波长，其中损伤特征波长为820nm和970nm，颜色特征波长为435nm、545nm和700nm，腐烂特征波长为675nm、820nm和950nm，褐斑特征波长为580nm、700nm和900nm。
步骤202：确定相机光谱轴上行号与波长的关系。
在本步骤中，在进行多光谱图像采集之前，采用氙灯或汞氩灯等特征波长已知的光源，进行校正，通过线性回归、二次回归方法或其他回归方法确定相机光谱轴上的行像素坐标和波长之间的关系式，如二次回归的方程如下：
ywavelength＝a*x2+b*x+c
其中，x为相机光谱轴的坐标值，ywavelength为对应于光谱轴坐标值的波长。
步骤203：利用所述待检测样品一个以上特征波长和所述相机光谱轴上行号与波长的关系，计算出一个以上特征波长所对应相机光谱轴上的一个以上的行号。
在本步骤中，利用待检测样品的损伤特征波长、颜色特征波长、腐烂特征波长和褐斑特征波长计算出所述特征波长对应于相机光谱轴上的行号，例如，所述损伤特征波长为820nm和970nm，根据行号与波长的关系，这2个特征波长所对应的行数分别为第660行和第860行；所述颜色特征波长为435nm、545nm和700nm，根据行号与波长的关系，这3个特征波长所对应的行数分别为第146行、第293行和第500行；所述腐烂特征波长为675nm、820nm和950nm，根据行号与波长的关系，这3个特征波长所对应的行数分别为第466行、第660行和第833行；所述褐斑特征波长为580nm、700nm和900nm，根据行号与波长的关系，这3个特征波长所对应的行数分别为第340行、500行和第766行。
步骤204：由高光谱分光仪和相机对传送装置上的待检测样品进行采集，每次从采集得到的一个二维矩阵中提取所述一个以上的行号对应的行像素信息，将采集得到的多个二维矩阵中所述一个以上的行号对应的行像素信息进行组合，获得多个特征波长下的多光谱图像。
在本步骤中，待检测样品的一条空间线经由镜头进入高光谱分光仪的狭缝，通过高光谱分光仪分光后由相机感知。相机为二维的面阵相机，相机所采集的信息为二维矩阵，二维矩阵的纵坐标λ轴为光谱轴，横坐标X轴为空间轴。二维矩阵的每一行像素对应于整条空间线在特定波长下的光谱信息；而二维矩阵的每列像素对应于这条空间线上某个点在整个波长范围内的光谱信息。计算机根据需要采集的多光谱图像所对应的特征波长，从对应相机光谱轴上的特定行提取多个特征波长下的行像素，实时存储这些行像素。随着检测对象的水平位移，扫描多条空间线，将每次线扫描获取的行像素分别进行存储和组合，则可以获得检测对象完整的多个特征波长下的多光谱图像。
步骤205：利用多个特征波长下的多光谱图像进行损伤的实时检测。
在本步骤中，例如所需的损伤特征波长为820nm和970nm，根据行号与波长的关系，这2个特征波长所对应的行数分别为第660行和第860行，提取相应的2个光谱图像，对这2个光谱图像进行掩模分割，得到检2个测对象的光谱图像，对这2个检测对象的光谱图像进行主成分分析，对得到的第2主成分图像进行阈值分割，得到损伤区域，实现损伤的实时检测。
步骤206：利用多个特征波长下的多光谱图像进行颜色的实时检测。
在本步骤中，例如所需的颜色特征波长为435nm、545nm和700nm，根据行号与波长的关系，这3个特征波长所对应的行数分别为第146行、第293行和第500行，提取相应的3个光谱图像，对这3个光谱图像进行掩模分割，得到3个检测对象的光谱图像，将这3个检测对象的光谱图像转换为HSI颜色模型，利用其中的色调分量H实现颜色的检测。
步骤207：利用多个特征波长下的多光谱图像进行腐烂的实时检测。
在本步骤中，例如所需腐烂特征波长为675nm、820nm和950nm，根据行号与波长的关系，这3个特征波长所对应的行数分别为第466行、第660行和第833行，提取相应的3个光谱图像，对这3个光谱图像进行掩模分割，得到3个检测对象的光谱图像，对这3个检测对象的光谱图像进行主成分分析，对得到的第3主成分图像进行阈值分割，得到腐烂区域，实现腐烂的实时检测。
步骤208：利用多个特征波长下的多光谱图像进行褐斑的实时检测。
在本步骤中，例如所需褐斑特征波长为580nm、700nm和900nm，根据行号与波长的关系，这3个特征波长所对应的行数分别为第340行、500行和第766行，提取相应的3个光谱图像，对这3个光谱图像进行掩模分割，得到3个检测对象的光谱图像，对这3个检测对象的光谱图像进行主成分分析，对得到的第3主成分图像进行阈值分割，得到褐斑区域，实现褐斑的实时检测。
可见，本发明实施例提出了一种基于线扫描高光谱成像的多光谱图像获取方法，首先，线扫描高光谱分光仪将检测对象一条空间线的信息分光到相机光谱轴上的不同行。随后，计算机从确定的行位置提取行像素信息，随着传送带的运动带动检测对象的运行，可以获取检测对象不同空间线相应行像素的信息。最后，计算机将这些行像素信息分别进行存储和组合后形成不同特征波长下的多光谱图像。上述方法及相应的系统，实现了多光谱图像的灵活采集，可实现不同中心波长和半峰宽度的光谱图像的采集，并且不同波长的光谱图像可任意组合，具有极大的灵活性。由于每次只提取一个或几个行像素区域的信息，避免了高光谱成像系统中整幅图像的采集，极大地提高了图像采集的速度，可满足实时检测的需要。
本发明实施例利用基于线扫描高光谱成像的多光谱图像获取方法来实现苹果多指标参数的实时检测，比如，损伤检测、颜色检测、腐烂检测和褐斑检测，当然还可以应用于农畜产品其他品质的检测。
实施例3
本发明的实施例3还提出了一种基于线扫描高光谱成像的多光谱图像获取系统，参见图3，该系统包括：
特征波长设定模块301，用于预先设定待检测样品一个以上特征波长；
相机校正模块302，用于确定相机光谱轴上行号与波长的关系；
行号计算模块303，用于利用所述待检测样品一个以上特征波长和所述相机光谱轴上行号与波长的关系，计算出一个以上特征波长所对应相机光谱轴上的一个以上的行号；
多光谱图像获取模块304，用于由高光谱分光仪和相机对传送装置上的待检测样品进行采集，每次从采集得到的一个二维矩阵中提取所述一个以上的行号对应的行像素信息，将采集得到的多个二维矩阵中所述一个以上的行号对应的行像素信息进行组合，获得多个特征波长下的多光谱图像。
其中，所述系统进一步包括损伤实时检测模块305，用于根据损伤特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到损伤区域，实现损伤的检测，其中n的值为损伤特征波长的个数。
具体为，利用所述多个特征波长下的多光谱图像进行损伤的实时检测，例如的损伤特征波长为820nm和970nm，根据行号与波长的关系，这2个特征波长所对应的行数分别为第660行和第860行，提取相应的2个光谱图像；对这2个光谱图像进行掩模分割，得到检2个测对象的光谱图像，对这2个检测对象的光谱图像进行主成分分析，对得到的第2主成分图像进行阈值分割，得到损伤区域，实现损伤的实时检测。
其中，所述系统进一步包括颜色实时检测模块306，用于根据颜色特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，将掩模分割后的光谱图像转换为HSI颜色模型，利用其中的色调分量H实现颜色的检测。
具体为：利用所述多个特征波长下的多光谱图像进行颜色的实时检测，例如的颜色特征波长为435nm、545nm和700nm，根据行号与波长的关系，这3个特征波长所对应的行数分别为第146行、第293行和第500行，提取相应的3个光谱图像；对这3个光谱图像进行掩模分割，得到3个检测对象的光谱图像，将这3个检测对象的光谱图像转换为HSI颜色模型，利用其中的色调分量H实现颜色的检测。
其中，所述系统进一步包括腐烂实时检测模块307，用于根据腐烂特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到腐烂区域，实现腐烂的实时检测，其中n的值为腐烂特征波长的个数。
具体为：利用所述多个特征波长下的多光谱图像进行腐烂的实时检测，例如腐烂特征波长为675nm、820nm和950nm，根据行号与波长的关系，这3个特征波长所对应的行数分别为第466行、第660行和第833行，提取相应的3个光谱图像；对这3个光谱图像进行掩模分割，得到3个检测对象的光谱图像，对这3个检测对象的光谱图像进行主成分分析，对得到的第3主成分图像进行阈值分割，得到腐烂区域，实现腐烂的实时检测。
其中，所述系统进一步包括褐斑实时检测模块308，用于根据褐斑特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到褐斑区域，实现褐斑的实时检测，其中n的值为褐斑特征波长的个数。
具体为：利用所述多个特征波长下的多光谱图像进行褐斑的实时检测，例如斑特征波长为580nm、700nm和900nm，根据行号与波长的关系，这3个特征波长所对应的行数分别为第340行、500行和第766行，提取相应的3个光谱图像；对这3个光谱图像进行掩模分割，得到3个检测对象的光谱图像，对这3个检测对象的光谱图像进行主成分分析，对得到的第3主成分图像进行阈值分割，得到褐斑区域，实现褐斑的实时检测。
下面结合图4和图5，对本实施例进行详细说明，如图4和5，一条空间线104经由镜头107进入高光谱分光仪108的狭缝，通过高光谱分光仪108分光后由相机感知。相机所采集的信息为二维矩阵201，二维矩阵201的纵坐标λ轴为光谱轴，横坐标X轴为空间轴。二维矩阵201的每一行像素对应于整条空间线104在特定波长下的光谱信息，如204、205和206的行对应于三个特定波长下的光谱信息。而二维矩阵201的每列像素对应于空间线104横坐标X轴上每个空间点在整个波长范围内的光谱信息。随着检测对象沿Y轴方向的位移，连续的空间线形成一系列的二维矩阵，如空间线105的信息对应于二维矩阵202，空间线106的信息对应于二维矩阵203。
假设检测样品102为苹果，且用于检测其表面损伤的多光谱图像特征波长分别为820nm和970nm，那么通过行坐标x与波长ywavelength之间的关系式可以计算这两个特征波长所对应的行数分别为第660行和第860行。相机109支持8个独立的感兴趣区域（Area of Interest，AOI），因此一次可同时获取8个特定波长的行像素信息，若需获取多于8个特定波长的行像素信息，则分次获取。本例中只需要采集2个感兴趣区域。采用相机109自带的感兴趣区域功能将相机109的感兴趣区域1设置为第660行和第661行，即第660行和第661行的平均值为820nm特征波长的信息；感兴趣区域2设置为第860行和第861行，即第860行和第861行的平均值为970nm特征波长的信息；在计算机110上编写软件实时采集感兴趣区域1和感兴趣区域2的行像素信息。将待检测样品102放置于传送带101上，打开光源103照射于检测区域，启动传送带101。检测开始时，传送带101运行时，连续的空间线信息经高光谱分光仪108分光后由相机109所接收，例如空间线104的信息对应于二维矩阵201、空间线105的信息对应于二维矩阵202、空间线106的信息对应于二维矩阵203。计算机110从所有的空间线所对应的二维矩阵的相同行位置204和205即相机109的第660行、661行和第860行、861行提取像素信息并进行存储和组合，获得对应特征波长820nm和970nm下的图像301和图像302。利用820nm的图像301进行阈值分割获得掩模图像，对图像301和图像302进行掩模分割出只包含检测对象的图像303和304，并进行主成分分析，对获取的第二主成分图像进行阈值分割，可分割出损伤区域，实现损伤的实时检测。
以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于线扫描高光谱成像的多光谱图像获取方法，其特征在于，该方法包括：
预先设定待检测样品一个以上的特征波长；
确定相机光谱轴上行号与波长的关系；
利用所述待检测样品一个以上特征波长和所述相机光谱轴上行号与波长的关系，计算出一个以上特征波长所对应相机光谱轴上的一个以上的行号；
由高光谱分光仪和相机对传送装置上的待检测样品进行采集，每次从采集得到的一个二维矩阵中提取所述一个以上的行号对应的行像素信息，将采集得到的多个二维矩阵中所述一个以上的行号对应的行像素信息进行组合，获得多个特征波长下的多光谱图像。
2.根据权利要求1所述的方法，其特征在于，在所述获得多个特征波长下的多光谱图像之后，进一步包括：
根据损伤特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到损伤区域，实现损伤的检测，其中n的值为损伤特征波长的个数。
3.根据权利要求1所述的方法，其特征在于，在所述获得多个特征波长下的多光谱图像之后，进一步包括：
根据颜色特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，将掩模分割后的光谱图像转换为HSI颜色模型，利用其中的色调分量H实现颜色的检测。
4.根据权利要求1所述的方法，其特征在于，在所述获得多个特征波长下的多光谱图像之后，进一步包括：
根据腐烂特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到腐烂区域，实现腐烂的实时检测，其中n的值为腐烂特征波长的个数。
5.根据权利要求1所述的方法，其特征在于，在所述获得多个特征波长下的多光谱图像之后，进一步包括：
根据褐斑特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到褐斑区域，实现褐斑的实时检测，其中n的值为褐斑特征波长的个数。
6.一种基于线扫描高光谱成像的多光谱图像获取系统，其特征在于，该系统包括：
特征波长设定模块，用于预先设定待检测样品一个以上特征波长；
相机校正模块，用于确定相机光谱轴上行号与波长的关系；
行号计算模块，用于利用所述待检测样品一个以上特征波长和所述相机光谱轴上行号与波长的关系，计算出一个以上特征波长所对应相机光谱轴上的一个以上的行号；
多光谱图像获取模块，用于由高光谱分光仪和相机对传送装置上的待检测样品进行采集，每次从采集得到的一个二维矩阵中提取所述一个以上的行号对应的行像素信息，将采集得到的多个二维矩阵中所述一个以上的行号对应的行像素信息进行组合，获得多个特征波长下的多光谱图像。
7.根据权利要求6所述的系统，其特征在于，所述系统进一步包括损伤实时检测模块，用于根据损伤特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到损伤区域，实现损伤的检测，其中n的值为损伤特征波长的个数。
8.根据权利要求6所述的系统，其特征在于，所述系统进一步包括颜色实时检测模块，用于根据颜色特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，将掩模分割后的光谱图像转换为HSI颜色模型，利用其中的色调分量H实现颜色的检测。
9.根据权利要求6所述的系统，其特征在于，所述系统进一步包括腐烂实时检测模块，用于根据腐烂特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到腐烂区域，实现腐烂的实时检测，其中n的值为腐烂特征波长的个数。
10.根据权利要求6所述的系统，其特征在于，所述系统进一步包括褐斑实时检测模块，用于根据褐斑特征波长所对应的行号，从所述多个特征波长下的多光谱图像中提取相应行号对应的光谱图像，对提取的光谱图像进行掩模分割，然后进行主成分分析，对得到的第n主成分进行阈值分割，得到褐斑区域，实现褐斑的实时检测，其中n的值为褐斑特征波长的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310728359.6A CN103698009B (zh) | 2013-12-25 | 2013-12-25 | 一种基于线扫描高光谱成像的多光谱图像获取方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310728359.6A CN103698009B (zh) | 2013-12-25 | 2013-12-25 | 一种基于线扫描高光谱成像的多光谱图像获取方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103698009A true CN103698009A (zh) | 2014-04-02 |
| CN103698009B CN103698009B (zh) | 2015-09-30 |
Family
ID=50359617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310728359.6A Active CN103698009B (zh) | 2013-12-25 | 2013-12-25 | 一种基于线扫描高光谱成像的多光谱图像获取方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103698009B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104542878A (zh) * | 2014-12-05 | 2015-04-29 | 中国农业大学 | 一种用于腐败肉在线检测与剔除系统及方法 |
| CN109002851A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于图像多特征融合的水果分类方法及应用 |
| CN109100364A (zh) * | 2018-06-29 | 2018-12-28 | 杭州国翌科技有限公司 | 一种基于光谱分析的隧道病害监测系统及监测方法 |
| CN109189058A (zh) * | 2018-07-18 | 2019-01-11 | 深圳市海梁科技有限公司 | 一种多波长漆面、动态光流巡线导航系统及无人驾驶车辆 |
| CN109709103A (zh) * | 2019-01-17 | 2019-05-03 | 北京农业智能装备技术研究中心 | 一种环形条纹打光成像的柑橘早期腐果识别系统及方法 |
| CN111007020A (zh) * | 2019-12-23 | 2020-04-14 | 武汉呵尔医疗科技发展有限公司 | 双帧四光谱成像方法及应用 |
| CN112082913A (zh) * | 2020-09-23 | 2020-12-15 | 武汉轻工大学 | 粮食等级检测方法、系统、手持式检测仪及服务器 |
| CN114754694A (zh) * | 2022-06-13 | 2022-07-15 | 新乡职业技术学院 | 一种基于多光谱的材料形变检测设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050213089A1 (en) * | 2004-03-25 | 2005-09-29 | Eli Margalith | Spectral imaging device with tunable light source |
| US20050286770A1 (en) * | 2004-06-29 | 2005-12-29 | Nec Corporation | Endmember spectrum database construction method, endmember spectrum database construction apparatus and endmember spectrum database construction program |
| CN201041553Y (zh) * | 2007-05-29 | 2008-03-26 | 浙江大学 | 基于多光谱成像技术的水果品质无损检测系统 |
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN102072883A (zh) * | 2010-07-07 | 2011-05-25 | 北京农业智能装备技术研究中心 | 农作物种子综合品质检测装置及方法 |
-
2013
- 2013-12-25 CN CN201310728359.6A patent/CN103698009B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050213089A1 (en) * | 2004-03-25 | 2005-09-29 | Eli Margalith | Spectral imaging device with tunable light source |
| US20050286770A1 (en) * | 2004-06-29 | 2005-12-29 | Nec Corporation | Endmember spectrum database construction method, endmember spectrum database construction apparatus and endmember spectrum database construction program |
| CN201041553Y (zh) * | 2007-05-29 | 2008-03-26 | 浙江大学 | 基于多光谱成像技术的水果品质无损检测系统 |
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN102072883A (zh) * | 2010-07-07 | 2011-05-25 | 北京农业智能装备技术研究中心 | 农作物种子综合品质检测装置及方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104542878A (zh) * | 2014-12-05 | 2015-04-29 | 中国农业大学 | 一种用于腐败肉在线检测与剔除系统及方法 |
| CN109100364A (zh) * | 2018-06-29 | 2018-12-28 | 杭州国翌科技有限公司 | 一种基于光谱分析的隧道病害监测系统及监测方法 |
| CN109002851A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于图像多特征融合的水果分类方法及应用 |
| CN109002851B (zh) * | 2018-07-06 | 2021-04-02 | 东北大学 | 一种基于图像多特征融合的水果分类方法及应用 |
| CN109189058A (zh) * | 2018-07-18 | 2019-01-11 | 深圳市海梁科技有限公司 | 一种多波长漆面、动态光流巡线导航系统及无人驾驶车辆 |
| CN109189058B (zh) * | 2018-07-18 | 2021-10-15 | 深圳市海梁科技有限公司 | 一种多波长漆面、动态光流巡线导航系统及无人驾驶车辆 |
| CN109709103B (zh) * | 2019-01-17 | 2020-08-11 | 北京农业智能装备技术研究中心 | 一种环形条纹打光成像的柑橘早期腐果识别系统及方法 |
| CN109709103A (zh) * | 2019-01-17 | 2019-05-03 | 北京农业智能装备技术研究中心 | 一种环形条纹打光成像的柑橘早期腐果识别系统及方法 |
| CN111007020A (zh) * | 2019-12-23 | 2020-04-14 | 武汉呵尔医疗科技发展有限公司 | 双帧四光谱成像方法及应用 |
| CN111007020B (zh) * | 2019-12-23 | 2021-10-08 | 武汉呵尔医疗科技发展有限公司 | 双帧四光谱成像方法及应用 |
| CN112082913A (zh) * | 2020-09-23 | 2020-12-15 | 武汉轻工大学 | 粮食等级检测方法、系统、手持式检测仪及服务器 |
| CN114754694A (zh) * | 2022-06-13 | 2022-07-15 | 新乡职业技术学院 | 一种基于多光谱的材料形变检测设备 |
| CN114754694B (zh) * | 2022-06-13 | 2022-09-02 | 新乡职业技术学院 | 一种基于多光谱的材料形变检测设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103698009B (zh) | 2015-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103698009B (zh) | 一种基于线扫描高光谱成像的多光谱图像获取方法和系统 | |
| Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
| Jay et al. | In-field crop row phenotyping from 3D modeling performed using Structure from Motion | |
| Chen et al. | Machine vision technology for agricultural applications | |
| WO2023029373A1 (zh) | 一种高精度的农田植被信息提取方法 | |
| CN103808669B (zh) | 一种基于高光谱成像技术的苹果虫眼快速无损检测方法 | |
| RU2388203C2 (ru) | Устройство для определения однородности партии семян | |
| CN105021617B (zh) | 基于高光谱成像的整株水稻叶绿素含量测量装置及方法 | |
| CN106525732A (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
| US20200020094A1 (en) | Artificial intelligence-based leather inspection method and leather product production method | |
| CN104992446A (zh) | 非线性光照自适应的图像拼接方法及其实现系统 | |
| CN103090946A (zh) | 果树单树产量测量的方法和系统 | |
| Cai et al. | The design and implementation of portable rotational scanning imaging spectrometer | |
| CN201041553Y (zh) | 基于多光谱成像技术的水果品质无损检测系统 | |
| CN104677920A (zh) | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 | |
| US7474395B2 (en) | System and method for image reconstruction in a fiber array spectral translator system | |
| CN112098415B (zh) | 一种杨梅品质无损检测方法 | |
| US11049249B2 (en) | Method, apparatus and system for cell detection | |
| CN107633487A (zh) | 一种航空摆扫式多光谱扫描仪图像的系统级相对辐射校正方法 | |
| JP6439295B2 (ja) | 植物体の検査装置及び検査方法 | |
| CN113439870B (zh) | 一种雪茄烟外观分类方法及装置 | |
| CN113538389B (zh) | 一种鸽蛋品质识别方法 | |
| KR20210131695A (ko) | Led 패널 결함 검출을 위한 데이터 생성 장치 및 방법 | |
| KR101203990B1 (ko) | 형광영상을 이용한 방울토마토 열과 검출 방법 | |
| CN112229827B (zh) | 一种实时的多光谱层析拍摄方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |