CN104089925B - 一种基于高光谱成像检测虾仁品质的目标区域提取方法 - Google Patents

Abstract

本发明公开了一种基于高光谱成像检测虾仁品质的目标区域提取方法，首先制备利用高光谱成像系统扫描的虾仁训练样本的高光谱信息，并对高光谱图像进行预处理，通过统计数据分析选择最优波段范围，建立基于径向基核函数的软支持向量机分类模型，再对虾仁待测样本进行检测，计算出虾仁待测样本的目标区域。本发明通过采用高光谱成像技术，明显减少传统手工方法所需时间，提高检测效率，可以有效实现自动、快速、无损、在线检测的目的。

Description

一种基于高光谱成像检测虾仁品质的目标区域提取方法

技术领域

本发明涉及水产品高光谱检测扫描过程中的目标区域提取领域，特别涉及一种基于高光谱成像检测虾仁品质的目标区域提取方法。

背景技术

虾是中国乃至全世界的一种重要的水产品，味道鲜美，营养丰富，深受消费者喜爱。近年来，由于高光谱检测具有准确、快速、无损的特点，使其在水产品领域飞速发展。高光谱检测方法面临的第一个问题是获取分析测试所需要的目标区域，也就是目标感兴趣区域在高光谱图像上的位置。虾仁具有体积小、形状不规则的特征，当虾仁数量较多时，存在目标区域选取困难，易出错的问题。自动检测虾仁目标区域的方法能够高效，快速地提取虾仁目标区域，减小人工操作带来的误差，故对于基于高光谱成像原理的虾仁品质检测仪器的研发是十分重要的。因此，快速、准确提取虾仁的目标区域，关系着高光谱仪器检测虾仁品质的效率，对于促进虾仁质量控制和产业化有着重要的科学意义和应用价值。

目前提取目标区域的方法主要为机器视觉领域的大津法和图像分割法等。但其只涉及红、绿、蓝三个波段，不能充分分辨高光谱图像中虾仁和背景物体，导致虾仁提取区域提取的准确率下降，难以满足当代水产品行业准确、在线、无损检测的需求。

高光谱成像技术作为一种新型技术，在食品品质及安全领域快速检测中已经表现出极强的优越性。在肉品方面，ElMasry,Kamruzzaman,Feng,Wu等人分别进行了猪肉、羊肉、鸡肉和鱼肉的嫩度、汁液流失、pH值、营养成分，微生物含量的研究，通过光谱变化预测肉品的品质和新鲜度。中国专利CN10269711公布了一种适用于高光谱影像的信息提取方法；中国专利CN102982339公布了一种高光谱特征变量选取的方法；中国专利CN102024153公布了一种高光谱图像监督分类方法。以上发明和研究涉及高光谱图像的数据处理，但针对高光谱图像的在复杂背景下目标区域提取方面少有报道。

发明内容

为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于高光谱成像检测虾仁品质的目标区域提取方法，实现虾仁目标区域的自动检测，准确率高。

本发明的目的通过以下技术方案实现：

一种基于高光谱成像检测虾仁品质的目标区域提取方法，包括以下步骤：

(1)利用可见近红外高光谱成像仪对虾仁训练样本进行扫描，获取虾仁训练样本在不同波长条件下的光谱信息，得到虾仁训练样本的高光谱图像；

(2)对虾仁训练样本的高光谱图像进行分析，将虾仁训练样本在特征波长下的光谱反射率的一阶导数值作为训练特征向量：

(2-1)对虾仁训练样本的高光谱图像进行黑白校正，均值滤波；

(2-2)分别提取步骤(2-1)处理后的虾仁训练样本的高光谱图像的虾仁感兴趣区域和背景区域的像素点的光谱反射率，计算其一阶导数值；

(2-3)将整个虾仁感兴趣区域和背景区域的光谱反射率的一阶导数的平均值相减，将绝对值相差最大的波长作为区分虾仁样本和背景的特征波长；

(2-4)将虾仁训练样本的特征波长的光谱反射率的一阶导数值作为训练特征向量；

(3)在虾仁训练样本的高光谱图像中的虾仁感兴趣区域选取多个点的光谱反射率作为虾仁训练集，在虾仁训练样本的高光谱图像中的背景区域选取多个点的光谱反射率作为背景训练集，利用虾仁训练集和背景训练集建立基于径向基核函数的软支持向量机分类模型，其中，径向基核函数的公式为：

$K(x_i,x)=\exp (-\frac{{(x-x_i)}^2}{{\mathrm{\σ}}^2})$

x为虾仁待测样本的待测特征向量；x_i为第i个虾仁训练样本的训练特征向量；σ为虾仁训练样本的样本标准差；i＝1,2,…,n；n为虾仁训练样本总数；

定义支持向量机超平面为：

w^Tx'+b＝0

w为垂直于分割超平面的法向量，x'为自变量；b为常数项；

则软支持向量机分类函数为：

$f\left(x\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_{i}K\right(x_i,x)+b)$

其中，f(x)为分类预测结果，f(x)＝1为虾仁感兴趣区域，f(x)＝-1为背景区域；y_i为对应类的标签值，虾仁感兴趣区域为y_i＝1，背景区域为y_i＝-1；

其中，α_i为下式求解最值中第一项不等式的Lagrange系数，α_i和b的值可由下式求得：

$\left\{\begin{array}{c}\underset{w,\mathrm{\ξ},b}{\min }\left\{\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i\right\}\\ \begin{array}{cc}s.t.& \begin{array}{c}{y}_i(w^T{x}_i+b)\≥1-{\mathrm{\ξ}}_i,i=1,...,n\\ {\mathrm{\ξ}}_i\≥0,i=1,...,n\end{array}\end{array}\end{array}\right.$

其中，C为惩罚参数，ξ_i为松弛参数；

(4)利用可见近红外高光谱成像仪对虾仁待测样本进行扫描，获取虾仁待测样本在不同波长条件下的光谱信息，得到虾仁训练样本的高光谱图像；

(5)对虾仁待测样本的高光谱图像进行分析，获取虾仁待测样本在特征波长下的光谱反射率的一阶导数值作为待测特征向量；

(6)将步骤(5)得到的待测特征向量代入步骤(3)得到的基于径向基核函数的软支持向量机分类模型中，得到虾仁待测样本高光谱图像分类结果的二值图像；

(7)对步骤(6)得到的虾仁待测样本高光谱图像分类结果的二值图像采用数学形态学的腐蚀，膨胀操作，去除噪声，将虾仁感兴趣区域及边缘的局部缺失补齐，得到修正后的二值图像；

(8)对步骤(7)得到的修正后的二值图像中的虾仁感兴趣区域进行分割，得到多个虾仁区域，统计每个虾仁区域的像素面积，将像素面积的最大虾仁区域的像素面积设置为基准值；对于像素面积小于基准值一半的虾仁区域，作为噪声予以删除，得到最终的虾仁图像。

所述特征波长为：519，525，531，555，597，609，626，682，691，691，693，694nm。

步骤(8)所述对步骤(7)得到的修正后的二值图像中的虾仁感兴趣区域进行分割，具体为：

根据二值图像的连通性，对步骤(7)得到的修正后的二值图像中的虾仁感兴趣区域进行分割。

与现有技术相比，本发明具有以下优点和有益效果：

(1)本发明通过充分利用虾仁的高光谱图像特征，建立具有较高精度的分类模型，并进一步对获得的目标区域进行去噪和修补，得到可靠和准确的目标区域，为目标区域的信息自动化提取做好准备，是自动化信息提取不可或缺的关键步骤。

(2)本发明在不需要手选目标区域的前提下，实现虾仁目标区域的自动快速检测。与手选方法相比，其具有操作简便，快速，无需对样品进行预处理、区域检测结果准确的优点，可以实现虾仁区域的自动、快速、在线检测，为提高虾仁及水产业智能化检测水平和技术提供理论支撑和保障，对于保障虾仁品质安全，维护消费者健康具有直接的现实意义。

附图说明

图1为本发明的实施例的基于高光谱成像检测虾仁品质的目标区域提取方法的流程图。

具体实施方式

下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

本实施例的基于高光谱成像检测虾仁品质的目标区域提取方法采用的可见高光谱成像仪所示，包括计算机，图像采集卡、照相机(采用线阵探测器作为敏感元件)、图像光谱仪、镜头、两个对称放置的卤素灯、可移动载物台和暗箱，其中摄像头和图像光谱仪直接连接，他们与卤素灯被固定在暗箱内部，图像采集卡固定在计算机内部，暗箱内部设有可移动载物台，计算机控制可移动载物台传送速度。

其中，可见近红外光高光谱成像仪的高光谱相机(DL-604M,Andor,Ireland)分辨率为1004×1002像素，光谱范围为328-1115nm，光谱分辨率为1.57nm。高光谱图像采集是通过照相机和图像光谱仪对暗箱内的虾仁样品进行拍摄，经图像采集卡传入计算机。试验时，虾仁固定在一个黑色塑料托架上，调整表面平整，放置在光谱采集室的电移动平台上，为了减少阴影，两个卤素灯位于虾仁样品上方50cm，并与样品表面成45度角，然后调整计算机上的采集软件的其他参数，电机的速度与物距、焦距相匹配，速度确定为1.5mm/s，采集曝光时间10ms。在上述设置后，打开卤素灯(双光源)，启动步进式电机，使载物台匀速移动，完成高光谱对移动平台上的虾仁样品的影像立方体获取，光谱以标准陶瓷白板(100mm×20mm×5mm)为参比，实验前先采集参比和暗场光谱，经过校正，获得样品的光谱反射率信息。

本实施例选取鲜活、饱满的刀额新对虾30只，体重范围4-6g，购自广州新造菜市场。将活虾置于0℃冰水混合物中10分钟致死，剥壳、洗净、滤干后制备虾仁，作为检测样本，其中每2只放于培养皿内，作为一组，共15组，任选其中1组用于建立虾仁训练样本，其它14组用于检验。

如图1所示，本实施例的基于高光谱成像检测虾仁品质的目标区域提取方法，包括以下步骤：

(1)以含有虾仁图案的鼠标垫作为背景，利用可见近红外高光谱成像仪对虾仁训练样本进行扫描，获取虾仁训练样本在不同波长条件下的光谱信息，得到虾仁训练样本的高光谱图像；

(2)对虾仁训练样本的高光谱图像进行分析，将虾仁训练样本在特征波长下的光谱反射率的一阶导数值作为训练特征向量：

(2-1)对虾仁训练样本的高光谱图像进行黑白校正，均值滤波；

(2-2)分别提取步骤(2-1)处理后的虾仁训练样本的高光谱图像的虾仁感兴趣区域和背景区域的像素点的光谱反射率，计算其一阶导数值；

(2-3)将整个虾仁感兴趣区域和背景区域的光谱反射率的一阶导数的平均值相减，将绝对值相差最大的波长作为区分虾仁样本和背景的特征波长；得到的特征波长为：519，525，531，555，597，609，626，682，691，691，693，694nm；

(2-4)将虾仁训练样本的特征波长的光谱反射率的一阶导数值作为训练特征向量；

(3)在虾仁训练样本的高光谱图像中的虾仁感兴趣区域选取多个点的光谱反射率作为虾仁训练集，在虾仁训练样本的高光谱图像中的背景区域选取多个点的光谱反射率作为背景训练集：本实施例随机选取一个样品所得高光谱图像，选取3处作为虾仁训练集，分别为第二、第四、第六腹节；实验中选用鼠标垫上的复杂图案，也随机选取3处复杂纹理的位置作为训练样本。

利用虾仁训练集和背景训练集建立基于径向基核函数的软支持向量机分类模型，其中，径向基核函数的公式为：

$K(x_i,x)=\exp (-\frac{{(x-x_i)}^2}{{\mathrm{\σ}}^2})$

x为虾仁待测样本的待测特征向量；x_i为第i个虾仁训练样本的训练特征向量；σ为虾仁训练样本的样本标准差；i＝1,2,…,n；n为虾仁训练样本总数；

定义支持向量机超平面为：

w^Tx'+b＝0

w为垂直于分割超平面的法向量，x'为自变量；b为常数项；

则软支持向量机分类函数为：

$f\left(x\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_{i}K\right(x_i,x)+b)$

其中，f(x)为分类预测结果，f(x)＝1为虾仁感兴趣区域，f(x)＝-1为背景区域；y_i为对应类的标签值，虾仁感兴趣区域为y_i＝1，背景区域为y_i＝-1；

其中，α_i为下式求解最值中第一项不等式的Lagrange系数，α_i和b的值可由下式求得：

$\left\{\begin{array}{c}\underset{w,\mathrm{\ξ},b}{\min }\left\{\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i\right\}\\ \begin{array}{cc}s.t.& \begin{array}{c}{y}_i(w^T{x}_i+b)\≥1-{\mathrm{\ξ}}_i,i=1,...,n\\ {\mathrm{\ξ}}_i\≥0,i=1,...,n\end{array}\end{array}\end{array}\right.$

其中，C为惩罚参数，ξ_i为松弛参数；

(4)利用可见近红外高光谱成像仪对虾仁待测样本进行扫描，获取虾仁待测样本在不同波长条件下的光谱信息，得到虾仁训练样本的高光谱图像；

(5)对虾仁待测样本的高光谱图像进行分析，获取虾仁待测样本在特征波长519，525，531，555，597，609，626，682，691，691，693，694nm的光谱反射率的一阶导数值作为待测特征向量；

(6)将步骤(5)得到的待测特征向量代入步骤(3)得到的基于径向基核函数的软支持向量机分类模型中，得到虾仁待测样本高光谱图像分类结果的二值图像；

(7)对步骤(6)得到的虾仁待测样本高光谱图像分类结果的二值图像中的虾仁感兴趣区域进行采用数学形态学的腐蚀操作10次，再膨胀操作10次，将较小噪声杂点消除，再采用膨胀操作10次，腐蚀操作10次，将虾仁感兴趣区域及边缘的局部缺失补齐，将虾仁目标区域及边缘的局部缺失补齐，得到修正后的二值图像；

(8)根据二值图像的连通性，在步骤(7)得到的修正后的二值图像中分割得到多个虾仁区域，统计每个虾仁区域的像素面积，将像素面积的最大虾仁区域的像素面积设置为基准值；对于像素面积小于基准值一半的虾仁区域，作为噪声予以删除，得到最终的虾仁图像。

对本实施例的样品及背景，采用尼康D90单反相机获取虾仁样品的真彩色图像，采用大津法进行前景背景的分离。

对本发明和大津法的验证结果见表1。

表1

方法	正确率	正确组数	总组数
				大津法	7.1％	1	14
本发明算法	100％	14	14

从检测结果图像来看，本发明的方法，对于14组样品均能准确的测定虾仁目标区域，不受复杂背景的影响。而手动选取方法，容易受个人视力和精神状态影响，选取的目标范围不精确，效率低。机器视觉算法只涉及红、绿、蓝三个波段的信息，对于与虾仁颜色相同的物体，区分能力差，受背景上虾仁图案的影响，区域提取不准确，只有当背景单一时，才能准确提取虾仁目标区域。而采用基于高光谱成像检测虾仁品质的目标区域提取方法，充分利用虾仁的特征光谱信息，区分前景与背景不同的物质成分，可有效提取虾仁目标区域。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.一种基于高光谱成像检测虾仁品质的目标区域提取方法，其特征在于，包括以下步骤：

(1)利用可见近红外高光谱成像仪对虾仁训练样本进行扫描，获取虾仁训练样本在不同波长条件下的光谱信息，得到虾仁训练样本的高光谱图像；

(2)对虾仁训练样本的高光谱图像进行分析，将虾仁训练样本在特征波长下的光谱反射率的一阶导数值作为训练特征向量：

(2-1)对虾仁训练样本的高光谱图像进行黑白校正，均值滤波；

(2-2)分别提取步骤(2-1)处理后的虾仁训练样本的高光谱图像的虾仁感兴趣区域和背景区域的像素点的光谱反射率，计算其一阶导数值；

(2-3)将整个虾仁感兴趣区域和背景区域的光谱反射率的一阶导数的平均值相减，将绝对值相差最大的波长作为区分虾仁样本和背景的特征波长；

(2-4)将虾仁训练样本的特征波长的光谱反射率的一阶导数值作为训练特征向量；

(3)在虾仁训练样本的高光谱图像中的虾仁感兴趣区域选取多个点的光谱反射率作为虾仁训练集，在虾仁训练样本的高光谱图像中的背景区域选取多个点的光谱反射率作为背景训练集，利用虾仁训练集和背景训练集建立基于径向基核函数的软支持向量机分类模型，其中，径向基核函数的公式为：

$K(x_i,x)=\exp (-\frac{{(x-x_i)}^2}{{\mathrm{\σ}}^2})$

x为虾仁待测样本的待测特征向量；x_i为第i个虾仁训练样本的训练特征向量；σ为虾仁训练样本的样本标准差；i＝1,2,…,n；n为虾仁训练样本总数；

定义支持向量机超平面为：

w^Tx'+b＝0

w为垂直于分割超平面的法向量，x'为自变量；b为常数项；

则软支持向量机分类函数为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_{i}K\left(x_i,x\right)+b)$

其中，f(x)为分类预测结果，f(x)＝1为虾仁感兴趣区域，f(x)＝-1为背景区域；y_i为对应类的标签值，虾仁感兴趣区域为y_i＝1，背景区域为y_i＝-1；

其中，α_i为下式求解最值中第一项不等式的Lagrange系数，α_i和b的值可由下式求得：

$\left\{\begin{array}{c}\underset{w,\mathrm{\ξ},b}{min}\left\{\frac{1}{2}\right|\left|w\right|{|}^2+C\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i\}\\ \begin{array}{cc}s.t.& \begin{array}{c}{y}_i(w^T{x}_i+b)\≥1-{\mathrm{\ξ}}_i,i=1,...,n\\ {\mathrm{\ξ}}_i\≥0,i=1,...,n\end{array}\end{array}\end{array}\right.$

其中，C为惩罚参数，ξ_i为松弛参数；

(4)利用可见近红外高光谱成像仪对虾仁待测样本进行扫描，获取虾仁待测样本在不同波长条件下的光谱信息，得到虾仁训练样本的高光谱图像；

(5)对虾仁待测样本的高光谱图像进行分析，获取虾仁待测样本在特征波长下的光谱反射率的一阶导数值作为待测特征向量；

(6)将步骤(5)得到的待测特征向量代入步骤(3)得到的基于径向基核函数的软支持向量机分类模型中，得到虾仁待测样本高光谱图像分类结果的二值图像；

(7)对步骤(6)得到的虾仁待测样本高光谱图像分类结果的二值图像采用数学形态学的腐蚀，膨胀操作，去除噪声，将虾仁感兴趣区域及边缘的局部缺失补齐，得到修正后的二值图像；

(8)对步骤(7)得到的修正后的二值图像中的虾仁感兴趣区域进行分割，得到多个虾仁区域，统计每个虾仁区域的像素面积，将像素面积的最大虾仁区域的像素面积设置为基准值；对于像素面积小于基准值一半的虾仁区域，作为噪声予以删除，得到最终的虾仁图像。

2.根据权利要求1所述的基于高光谱成像检测虾仁品质的目标区域提取方法，其特征在于，所述特征波长为：519，525，531，555，597，609，626，682，691，691，693，694nm。

3.根据权利要求1所述的基于高光谱成像检测虾仁品质的目标区域提取方法，其特征在于，步骤(8)所述对步骤(7)得到的修正后的二值图像中的虾仁感兴趣区域进行分割，具体为：

根据二值图像的连通性，对步骤(7)得到的修正后的二值图像中的虾仁感兴趣区域进行分割。