CN104181170A - 基于光谱图像分析的水果外表检测方法 - Google Patents

Abstract

本发明公开一种基于光谱图像分析的水果外表检测方法，其包括步骤：预先确定待检测水果进行光谱图像分析检测时所采用的特征波长；光谱图像采集系统利用特征波长检测水果外表面，分别获取对应每个特征波长的光谱分量图像，对所有的光谱分量图像进行主成分分析，得到初步检测分析图；对上述初步检测分析图进行预处理后，得到待分割图像，再采用自适应阈值分割方法对预处理后的待分割图像进行图像分割，在待分割图像中将水果轻微损伤区域图像被完整分割出来，实现水果外表检测识别。本发明可以有效识别各种水果外表轻微损伤，且检测识别准确率较高。

Description

基于光谱图像分析的水果外表检测方法

技术领域

本发明涉及一种图像识别技术，尤其是涉及一种基于光谱图像分析的水果外表检测方法。

背景技术

可见光图像检测技术能够解决水果显著表面缺陷的检测问题，但对瘀伤等水果表面轻微损伤的检测能力则比较有限。而近红外光谱分析技术在内部缺陷和轻微损伤检测方面具有较好的灵敏度和检测精度，但近红外光谱分析属于点测量，轻微损伤在冬枣上的出现部位存在很强的随机性，所以检测精度难以保证。

目前已有论文或专著公开了高光谱图像技术对水果外表面的检测技术，比如，农业机械学报，2008，39(1)：106-109，公开了“利用高光谱图像技术检测水果轻微损伤”的论文(作者：赵杰文，刘剑华，陈全胜，等)，作者以苹果为研究对象，通过对500nm～900nm的高光谱图像进行PCA，选取547nm波长下的图像，通过数字图像处理方法提取轻微损伤区域，轻微损伤检测的正确率为88.57％。

以上论文公开的技术方案，虽然验证了高光谱成像分析技术在水果损伤检测方面的可行性，但仍存在如下技术缺陷：对所有高光谱分量图像进行主成分分析(Principal Components Analysis，PCA)变换，虽然降维速度较快，但由于过多波长参与变换，易导致大量噪声引入而降低PCA变换效果，从而影响了识别及检测精度。

发明内容

本发明提出一种基于光谱图像分析的水果外表检测方法，通过提取光谱的特征波长，并利用特征波长主成分图像对水果表面的轻微损伤进行识别检测。

本发明采用如下技术方案实现：一种基于光谱图像分析的水果外表检测方法，其包括步骤：

计算光谱图像各个波段的图像标准差选择的图像标准差最大的a个光谱波段(又简称“波段”或“波段矢量”)；

计算上述a个光谱波段中任意波段矢量o和波段矢量p之间的相关系数Rop，选出相关系数Rop最小的b个波段矢量作为初步特征波长；

利用光谱角度制图法，在上述b个波段矢量上分别计算无损伤表面的待检测水果的光谱图像c与有损伤表面的待检测水果的光谱图像d之间的光谱夹角β，将光谱夹角β最大的波段组合确定为待检测水果进行光谱图像分析检测时所采用的特征波长；

光谱图像采集系统利用特征波长检测水果外表面，分别获取对应每个特征波长的光谱分量图像，对所有的光谱分量图像进行主成分分析，得到初步检测分析图；

对上述初步检测分析图进行预处理后，得到待分割图像，再采用自适应阈值分割方法对预处理后的待分割图像进行图像分割，在待分割图像中将水果轻微损伤区域图像被完整分割出来，实现水果外表检测识别；

其中，a和b均为整数且b<a。

其中，图像标准差的计算为：

$\&PartialD;=\sqrt{\frac{\underset{i=0}{\overset{M=1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N=1}{\mathrm{\&Sigma;}}}{[f(i,j)-m]}^2}{M*N}}$

M和N分别表示某个波段的行数和列数，f(i,j)为某个波段在光谱图像中像素点(i,j)的灰度值，m为某个波段在光谱图像中所有像素点的平均灰度值。

其中，相关系数Rop计算为：

$\mathrm{Rop}=\frac{E\{(x_o-m_o)*(x_p-m_p)\}}{\sqrt{E\left\{{(x_o-m_o)}^2\right\}*E\left\{{(x_p-m_p)}^2\right\}}}$

m_o和m_p分别是波段o和波段p的均值矢量，x_o和x_p分别表示波段矢量o和波段p上像素点的灰度值，0≤Rop≤1。

其中，光谱夹角β的计算为：

$\mathrm{\&beta;}={\cos }^{-1}\left[\frac{\underset{k=1}{\overset{b}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ck}}*x_{\mathrm{dk}}}{{\left[\underset{k=1}{\overset{b}{\mathrm{\&Sigma;}}}{x^2}_{\mathrm{ck}}\right]}^{1/2}*{\left[\underset{k=1}{\overset{b}{\mathrm{\&Sigma;}}}{x^2}_{\mathrm{dk}}\right]}^{1/2}}\right]$

x_ck及x_dk分别为两个光谱图像c及光谱图像d在波段k上的光谱值，k＝1,2,…，b。

与现有技术相比，本发明具有如下有益效果：

本发明采用图像标准差计算、相关系数计算和光谱角计算筛选了针对待检测水果进行光谱图像识别所用的特征波长，然后通过特征波长的光谱分量图像基于主成分分析，实现了光谱图像信息的融合，并通过图像预处理和自适应阈值分割实现了水果微观损伤的识别。实践证明，本发明可以有效识别各种水果外表轻微损伤，识别试验的正确识别率达到了95％以上。

附图说明

图1是本发明一个实施例的流程示意图。

具体实施方式

本发明提出一种基于光谱图像分析的水果外表检测方法，通过提取光谱的特征波长，并利用特征波长主成分图像对水果表面的轻微损伤进行识别检测，检测识别快速且准确率较高。

如图1所示，在一个优选实施例中，本发明包括如下实现步骤：

步骤S1、预先确定光谱图像的特征波长，具体由步骤S11～步骤S13来实现。

由于光谱图像波段数众多、数据量庞大，直接进行对象识别与分类比较困难，故在进行对象识别之前，必须首先通过对光谱图像进行数据降维提取特征波长，即选出信息量大、相关性小、类别可分性好的波段子集。

步骤S11，根据光谱图像各波段包含的信息量进行数值评价，确定各个波段子集包含信息量的大小。

本实施例通过计算各波段的光谱图像的图像标准差来确定各个波段子集包含信息量的大小。图像标准差反映了图像灰度值与平均灰度值的总的离散度，它是衡量图像信息量大小的重要度量，其值越大，所包含的信息量越大。其中，图像标准差的计算如公式(1)。

$\&PartialD;=\sqrt{\frac{\underset{i=0}{\overset{M=1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N=1}{\mathrm{\&Sigma;}}}{[f(i,j)-m]}^2}{M*N}}---\left(1\right)$

其中，M、N分别表示某个波段的行数和列数，f(i,j)为某个波段在光谱图像中像素点(i,j)的灰度值，m为某个波段在光谱图像中所有像素点的平均灰度值。

步骤S12，计算出光谱图像各波段的图像标准差选择的图像标准差最大(或较大)的a个波段(其中a可以根据实际情况确定，比如，a为光谱图像的波段总数的10-20％)，计算此a个光谱波段之间的相关系数，以进一步剔除冗余变量。

定义此a个光谱波段中任意两个波段矢量o和波段矢量p之间的相关系数Rop，计算如公式(2)：

$\mathrm{Rop}=\frac{E\{(x_o-m_o)*(x_p-m_p)\}}{\sqrt{E\left\{{(x_o-m_o)}^2\right\}*E\left\{{(x_p-m_p)}^2\right\}}}---\left(2\right)$

式中m_o和m_p分别是波段o和波段p的均值矢量，x_o和x_p分别表示波段矢量o和波段p上像素点的灰度值，0≤Rop≤1，Rop越大说明这两个波段矢量o和波段矢量p之间相关性越强。

根据所有计算出的相关系数Rop，选出相关系数Rop最小(或较小)的b(其中b<a且b为整数)个波段矢量作为初步特征波长。

步骤S13，利用光谱角度制图法，在这b个波段矢量上分别计算无损伤表面的待检测水果的光谱图像c与有损伤表面的待检测水果的光谱图像d之间的光谱夹角β，光谱夹角β越小则说明这两个光谱图像越相似。

光谱夹角β的计算如公式(3)：

$\mathrm{\&beta;}={\cos }^{-1}\left[\frac{\underset{k=1}{\overset{b}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ck}}*x_{\mathrm{dk}}}{{\left[\underset{k=1}{\overset{b}{\mathrm{\&Sigma;}}}{x^2}_{\mathrm{ck}}\right]}^{1/2}*{\left[\underset{k=1}{\overset{b}{\mathrm{\&Sigma;}}}{x^2}_{\mathrm{dk}}\right]}^{1/2}}\right]---\left(3\right)$

光谱夹角计算如公式(3)，其中：b为波段个数，可根据实际需要设定b值，比如b＝6；x_ck及x_dk分别为两个光谱图像c及光谱图像d在波段k上的光谱值(k＝1,2,…，b)。例如，对选择的10个波段进行光谱夹角β的计算，当在波段k光谱夹角β越大时，则说明两个光谱图像c和d的可分性越好，因此，将光谱夹角β最大的波段矢量组合确定待检测水果进行光谱图像分析检测时所采用的特征波长。

因此，通过上述步骤，步骤S1可以针对不同的检测水果分别预先确定检测时光谱图像的特征波长。

步骤S2、光谱图像采集系统利用步骤S1确定的特征波长检测水果外表面，获得初步检测分析图。

比如步骤S1针对苹果外表面损伤检测时，预先确定了光谱图像的6个特征波长，利用这6个特征波长分别检测苹果外表获取对应的6个光谱分量图像，然后对这6个光谱分量图像采取现有技术公开的主成分分析(PrincipalComponents Analysis，PCA)，得到初步检测分析图。

步骤S3、对上述初步检测分析图进行直方图均衡化、中值滤波等图像预处理后，得到待分割图像，再采用自适应阈值分割方法对预处理后的待分割图像进行图像分割，即可以在待分割图像中将水果轻微损伤区域图像被完整分割出来，且不存在误分割区域，从而实现了轻微损伤区域的直接识别。

综上，本发明采用图像标准差计算、相关系数计算和光谱角计算筛选了针对待检测水果进行光谱图像识别所用的特征波长，然后通过特征波长的光谱分量图像基于主成分分析，实现了光谱图像信息的融合，并通过图像预处理和自适应阈值分割实现了水果微观损伤的识别。实践证明，本发明可以有效识别各种水果外表轻微损伤，识别试验的正确识别率达到了95％以上。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于光谱图像分析的水果外表检测方法，其特征在于，包括步骤：

计算光谱图像各个波段的图像标准差选择的图像标准差最大的a个光谱波段；

计算上述a个光谱波段中任意波段矢量o和波段矢量p之间的相关系数Rop，选出相关系数Rop最小的b个波段矢量作为初步特征波长；

利用光谱角度制图法，在上述b个波段矢量上分别计算无损伤表面的待检测水果的光谱图像c与有损伤表面的待检测水果的光谱图像d之间的光谱夹角β，将光谱夹角β最大的波段组合确定为待检测水果进行光谱图像分析检测时所采用的特征波长；

光谱图像采集系统利用特征波长检测水果外表面，分别获取对应每个特征波长的光谱分量图像，对所有的光谱分量图像进行主成分分析，得到初步检测分析图；

对上述初步检测分析图进行预处理后，得到待分割图像，再采用自适应阈值分割方法对预处理后的待分割图像进行图像分割，在待分割图像中将水果轻微损伤区域图像被完整分割出来，实现水果外表检测识别；

其中，a和b均为整数且b<a。

2.根据权利要求1所述基于光谱图像分析的水果外表检测方法，其特征在于，图像标准差的计算为：

$\&PartialD;=\sqrt{\frac{\underset{i=0}{\overset{M=1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{N=1}{\mathrm{\&Sigma;}}}{[f(i,j)-m]}^2}{M*N}}$

M和N分别表示某个波段的行数和列数，f(i,j)为某个波段在光谱图像中像素点(i,j)的灰度值，m为某个波段在光谱图像中所有像素点的平均灰度值。

3.根据权利要求1所述基于光谱图像分析的水果外表检测方法，其特征在于，相关系数Rop计算为：

$\mathrm{Rop}=\frac{E\{(x_o-m_o)*(x_p-m_p)\}}{\sqrt{E\left\{{(x_o-m_o)}^2\right\}*E\left\{{(x_p-m_p)}^2\right\}}}$

m_o和m_p分别是波段o和波段p的均值矢量，x_o和x_p分别表示波段o和波段p上像素点的灰度值，0≤Rop≤1。

4.根据权利要求1所述基于光谱图像分析的水果外表检测方法，其特征在于，光谱夹角β的计算为：

$\mathrm{\&beta;}={\cos }^{-1}\left[\frac{\underset{k=1}{\overset{b}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ck}}*x_{\mathrm{dk}}}{{\left[\underset{k=1}{\overset{b}{\mathrm{\&Sigma;}}}{x^2}_{\mathrm{ck}}\right]}^{1/2}*{\left[\underset{k=1}{\overset{b}{\mathrm{\&Sigma;}}}{x^2}_{\mathrm{dk}}\right]}^{1/2}}\right]$

x_ck及x_dk分别为两个光谱图像c及光谱图像d在波段k上的光谱值，k＝1,2,…，b。

5.根据权利要求1所述基于光谱图像分析的水果外表检测方法，其特征在于，b＝6。