CN109883967A - 一种基于信息融合的中华绒螯蟹品质等级判别方法 - Google Patents

Abstract

本发明属于无损检测技术领域，涉及一种基于信息融合的中华绒螯蟹品质等级判别方法；步骤为：采集中华绒螯蟹的蟹壳可见近红外波段的高光谱图像，并进行校正；然后划分感兴趣区域，提取RGB信息，再提取感兴趣区域可见近红外波段的光谱信息，筛选特征波长；对步骤一中校正后的高光谱图像进行滤波处理，获取主成分图像后提前感兴趣区域的纹理信息；最后融合特征波长、纹理信息和RGB信息，通过算法建立基于融合信息的分级模型；本发明利用信息融合技术，结合了中华绒螯蟹内部属性和外部属性信息，更加立体全面的体现中华绒螯蟹的品质等级，具有分级精度高和性能更稳定的优点，解决了现有技术指标单一、过程繁琐和效率低的缺陷。

Description

一种基于信息融合的中华绒螯蟹品质等级判别方法

技术领域

本发明属于无损检测技术领域，具体涉及一种基于信息融合的中华绒螯蟹品质等级判别方法。

背景技术

中华绒螯蟹是我国重要的名贵水产品，不仅味道鲜美，而且还含有丰富的蛋白质、维生素及钙、磷、铁等微量元素，具有较高的营养价值。随着人们生活质量的不断提高，螃蟹的需求量也逐年增加，作为水产业中的佼佼者，年产量已达数万吨。为了满足市场日渐增长的需求，螃蟹的养殖产量也在逐年增长。

蟹壳背部特征为中华绒螯蟹成熟的最显著体征，蟹壳的特征会直接影响消费者购买中华绒螯蟹的第一印象。蟹壳主要由蛋白质、几丁质和钙离子组成，蟹壳特征与其化学成分水平密切相关。同时，随着月份的推移，蟹背部的纹理会由不规则的黄色点状转化为均匀的墨绿色棒状。此外，在蟹的生长成熟过程中蟹壳的颜色会逐渐由黄色转为青黄色、青灰色和墨绿色，即中华绒螯蟹越成熟蟹壳颜色越深。所以蟹壳的化学组成、纹理和颜色能很好的指示中华绒螯蟹的成熟程度和等级。而中华绒螯蟹常用的分级方法是通过人工检测，但该方法存在诸多弊端，如主观性强、效率低。考虑到建立精确、高效的中华绒螯蟹分级方法，发展一种基于蟹壳特征的自动、无损、快速检测技术显得非常有必要。

现有对螃蟹在线分级的设备中，专利“大闸蟹分级设备及筛选技术”，申请号为201310356631.2公开了一个由内而外相互套叠的数层圆柱形两头贯通的栅格状倾斜的滚笼筒，栅格缝隙间隔从内向外层逐层由大变小，不同大小螃蟹从外向内投入筒中可以从不同大小的缝隙掉下实现对螃蟹的尺寸分级；该技术只能根据单一的尺寸指标对螃蟹进行分级，无法实现中华绒螯蟹等级科学精确的分级。目前关于利用高光谱图像技术识别中华绒螯蟹品质的方法需要采集腹部和背部信息，过程较为繁琐；且全光谱信息含有具有618个波段，这导致识别过程耗时且不方便实现模型的在线应用；另一方面，忽略了重要的蟹体色泽信息。所以有必要对现有技术改进并建立一种更全面、更精确、和更快速的无损检测方法。

发明内容

针对上述人工和光谱图像技术对中华绒螯蟹等级分级存在指标单一、过程繁琐和效率低的问题和不足，本发明旨在解决所述问题之一，采用高光谱系统采集蟹壳图像，提取光谱信息并筛选出特征波长，提取蟹壳纹理信息和颜色(RGB)信息，再融合特征光谱、纹理信息和颜色(RGB)信息，建立基于融合信息的分级模型，实现对中华绒螯蟹等级快速无损检测，并可以满足在线检测的需求。

一种基于融合信息的中华绒螯蟹等级判别方法，具体步骤如下：

步骤一：采集中华绒螯蟹的蟹壳可见近红外波段的高光谱图像，并对高光谱图像进行校正；

步骤二：根据步骤一中校正后的高光谱图像划分感兴趣区域(Region ofinterest，ROI)；

步骤三：运用高光谱图像处理软件提取感兴趣区域可见近红外波段的光谱信息，并进一步筛选特征波长；

步骤四：对步骤一中校正后的高光谱图像进行滤波处理，再运用高光谱图像处理软件获取主成分图像，进一步提取主成分图像中感兴趣区域的纹理信息；

步骤五：对步骤二中划分的感兴趣区域提取RGB信息；

步骤六：用高斯归一化方法融合特征波长、纹理信息和RGB信息；通过算法建立基于融合信息的分级模型。

优选的，步骤一和三中，所述可见近红外波段的波长范围为421-963nm。

优选的，步骤一中，所述校正具体操作为：采集白色标定板图像W，以及关闭摄像机快门采集得到全黑的标定图像B；应用公式(1)进行图像标定：

式中，I原始图像，R校正后的图像。

优选的，步骤二所述划分感兴趣区域的具体步骤为：使用自动阈值分割实现对中华绒螯蟹图像与背景分离，再获取中华绒螯蟹壳区域中心坐标和中华绒螯蟹图像的中轴线，以中心坐标为中心，中轴线为对称轴生成300×300至500×500像素大小的矩形为感兴趣区域。

优选的，步骤三所述筛选特征波长的具体方法为：先用多元散射校正方法对光谱信息进行预处理，再运用遗传算法(genetic algorithm,GA)或蚁群优化算法(ant colonyoptimization,ACO)挑选中华绒螯蟹的特征波长。

优选的，所述遗传算法筛选的特征波长为432nm、498nm、519nm、583nm、620nm、678nm、791nm、876nm和902nm；所述蚁群优化算法筛选的特征波长为437nm、475nm、585nm、633nm、666nm、713nm、745nm和875nm。

优选的，步骤四中所述滤波处理为采用中值滤波对中华绒螯蟹高光谱图像进行降噪滤波处理；所述获取主成分图像是利用高光谱图像处理软件提取高光谱图像的前三个主成分图像，分别记作PC1、PC2、PC3；所述提取主成分图像中感兴趣区域的纹理信息是指提取PC1、PC2、PC3图像感兴趣区域的纹理信息，具体是利用Halcon软件分别提取3个主成分图像灰度共生矩阵的灰度均值、灰度值方差、能量、相关性、同质性和对比度6个纹理特征参数，共18个特征值。

优选的，步骤六中所述融合特征波长、纹理信息和RGB信息具体为融合特征波长和纹理信息，特征波长和RGB信息，特征波长、纹理信息和RGB信息；

优选的，步骤六中所述高斯归一化方法具体为通过归一化公式将特征波长、纹理信息和RGB信息的值分布在区间[-1，1]内；

所述归一化公式(2)：

其中，V表示特征向量，n为表示n维特征向量，μ_k和σ_k表示第k维向量的均值和方差。

优选的，步骤六所述的算法包括随机森林算法(Random Forest，RF)、线性判别分析(Linear discriminant analysis，LDA)、K最近邻法(K-nearest neighbors，KNN)，支持向量机(Support Vector Machine，SVM)或人工神经网络模型(Artificial NeuralNetwork，BP-ANN)。

本发明的有益效果

(1)本发明仅需采集蟹壳背部的光谱图像信息，相比于需要采集多角度图像的分类方法，提高了采集样本信息的便捷性。

(2)本发明优选与化学指标(蛋白质和几丁质)对应的特征波长建立简化分级模型，减少冗余信息和降低信息维度，极大的提高了模型运行效率。

(3)本发明利用信息融合技术，结合了中华绒螯蟹内部属性(特征波长)和外部属性信息(纹理信息和RGB信息)，能更立体全面的体现中华绒螯蟹的等级，相比于单指标和双指标分级模型和方法，本发明具有分级精度高和性能更稳定的优点，解决了现有技术指标单一、过程繁琐和效率低的缺陷。

附图说明

图1为高光谱成像系统硬件图。

图2为高光谱三维数据块图。

图3为不同等级中华绒螯蟹的平均反射光谱图。

图4为遗传算法筛选的波长频次图。

图5为蚁群优化算法筛选的波长概率图。

图6为第1主成分图像。

图7为第2主成分图像。

图8为第3主成分图像。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

实施例1：

步骤一：采集中华绒螯蟹的蟹壳可见近红外波段(421-963nm)高光谱图像，并进行图像校正

(1)高光谱系统；

本实施例使用的线性扫描高光谱成像系统由江苏大学农产品无损检测实验室自主研制，如图1所示，该系统硬件包括高光谱相机、光源、精密电控移动平台和计算机等部分组成。高光谱摄像机(ImSpector V10E，Spectral Imaging Ltd，Oulu，Finland)由相机和可见近红外光谱仪组成，相机为单色、数字、线阵的CCD相机，光谱仪是整个系统的核心部件，它能在线扫描时采集每点421-963nm的光谱，分辨率为2.8nm；光源为美国Dolan-Jenner公司生产的石英卤素光源(Fiber-LiteDC-950Illuminator，Dolan-Jenner Industries Inc，America)，功率为150W；精密电控移动平台(SC30021A，Zolix Instruments co.Ltd.，China)，最大行程为200mm，最大速度为40mm/s。

(2)样本分级；

中华绒螯蟹，体重相近、体色正常、健康活体。根据《中华绒螯蟹商品蟹标准》分别选取80只一级蟹、二级蟹和三级蟹，共240只样本。中华绒螯蟹样本放在铺满碎冰的保鲜盒中保存运输至实验室。利用自来水洗净中华绒螯蟹，用吸水纸擦去样本表面擦干，然后采集中华绒螯蟹头胸甲背部相同部位的高光谱图像。

本实施例根据《中华绒螯蟹商品蟹标准》对中华绒螯蟹进行人工分级，根据体色、肥满度、出肉率和肝胰腺颜色指标，共分三个等级，具体见表1。

表1中华绒螯蟹分级指标

(3)高光谱图像采集；

在进行高光谱数据采集前需要打开光源预热半小时，保证卤素灯光源平稳工作。将中华绒螯蟹样本放在电控移动平台上，打开高光谱数据采集软件，设置CCD相机参数为曝光时间50ms、焦距为23mm、图像分辨率1070pixel×1178pixel；设置光谱扫描波长范围为425-950nm，分辨率为2.8nm，含括618个波段下的光谱信息；电控平台移动速度为1.5mm/s、行程为180mm；具体来说，被测物发出的一条线光束经过高光谱摄像机的镜头转化为平行光线，由光栅根据波长将平行光线分散成不同的位置产生二维图像，其中一个维度代表光谱(λ)，另一个维度代表扫描线上的空间轴(X)，通过移动被检查物体产生第二个空间维度(Y)，扫描整个物体表面产生一个完成得三维高光谱图像(X，Y，λ)。运行高光谱系统，采集得到一个大小为1070pixel×1178pixel×618维的高光谱数据块，如图2所示，数据块包括图像信息和不同波段的光谱信息。

(4)高光谱图像校正；

采集的高光谱图像有必要进行校正。由于卤素灯在各波段下光源强度分布不均匀以及CCD相机传感器中存在暗电流，会造成光照强度分布较弱的波段下获得的图像含有较大噪声，而且高光谱相机接收的光谱信息为检测器信号强度，需要通过校正转化为反射或吸收信息。校正时要采集白色标定板图像W(扫描反射率为99％的聚四氟乙烯白色校正板)，以及关闭摄像机快门采集得到全黑的标定图像B；应用公式(1)进行图像标定：

式中，I原始图像，R校正后的图像。

步骤二：根据步骤一中校正后的高光谱图像划分感兴趣区域(Region ofinterest，ROI)

提取中华绒螯蟹样本图像的光谱、纹理和颜色信息之前需要划分ROI，在Halcon18.0软件中使用自动阈值分割实现中华绒螯蟹图像与背景分离，再获取中华绒螯蟹壳区域中心坐标和中华绒螯蟹图像的中轴线，以中心坐标为中心，中轴线为对称轴生成300×300至500×500像素大小的矩形为感兴趣区域。

步骤三：运用高光谱图像处理软件ENVI(The Environment for VisualizingImages)提取感兴趣区域可见近红外波段(421-963nm)的光谱信息，并进一步筛选特征波长；

(1)提取光谱信息和光谱分析

用ENVI 4.6(ITT Visual Information Solution，Boulder，CO，USA)高光谱图像处理软件提取ROI区域光谱数据。图3为三个等级中华绒螯蟹样本在425-950nm波长范围内的平均光谱图。从图3可知，三个等级的中华绒螯蟹样本平均反射光谱呈现相似的形状，随着等级的增加，蟹壳的颜色深度增加，其平均反射光谱强度随之逐渐递减；图中在波长625nm、724nm、767nm、838nm、878nm和930nm等处也呈现特征峰，625nm左右的吸收带是由于样本中几丁质结合蛋白质后共同作用所产生，724nm处是由于水分子O-H三级倍频伸缩振动产生的吸收峰，838nm和878nm为几丁质等糖类物质所引起的特征峰，在767nm和930nm处吸收峰分别对应样本内部蛋白质成分中C-H键的四级倍频和三级倍频伸缩振动。由此可见，作为蟹壳主要成分的蛋白质和几丁质含量在可见光范围内存在特征吸收峰，这些物质的变化与中华绒螯蟹样本的光谱变化有紧密的联系。因此，使用高光谱成像技术来鉴别中华绒螯蟹的内部品质具有极大潜力。

(2)筛选特征波长；

从高光谱图像中提取的光谱数据一般具有几百个波段，这导致校准过程耗时且不方便实现光谱成像的在线应用。在连续波段之间具有冗余信息和共线信息，在食品这种复杂的混合物中，多个波段和大峰宽导致光谱具有宽峰包和尖峰少的现象，掩盖了特征峰信息。筛选出具有代表性的特征波段信息，用于优化光谱数据、简化分级模型，可以减少高维高光谱图像，形成多光谱图像，然后建立多光谱成像系统，以满足生产线的过程监控和实时检测的速度要求。特征波长筛选方法主要有遗传算法(genetic algorithm,GA)和蚁群优化(ant colony optimization,ACO)算法。GA是一种借鉴自然选择和生物演化的机制，利用选择、交换和突变等进化算子的操作实现目标变量的“优胜劣汰”，最终得到最优结果，经过不断完善后GA算法已经成功应用于各个领域。ACO是模拟真实蚁群觅食行为提出的一种简单、分布式和反馈的群集智能演化算法，已在数据挖掘上获得了广泛应用。

本实施例先用多元散射校正(Multiplicative scatter correction，MSC)方法对光谱进行预处理，较少噪声影响，再运用GA和ACO法对中华绒螯蟹等级进行特征波长挑选。图4为GA筛选波长频次图，从图4可以看出，被选用频次较多的波长集中在450-500nm、580nm、680nm、780nm、900nm附近，图5为ACO筛选波长概率图；从图5可以看出，被选中概率大的波长处于450nm、580-670nm、710nm、740nm、870nm左右。基于两种方法对中华绒螯蟹所挑选出两组特征波长如表1所示。由表2可看出，通过两种方法对中华绒螯蟹等级进行特征波长选取时，会出现部分重合波长，如在波长430nm、580nm、625nm、875nm左右处，且625nm、878nm对应蛋白质和几丁质的特征吸收峰，说明这几个波长处的光谱对预测中华绒螯蟹等级起到较为重要的贡献。

表2 GA和ACO方法对中华绒螯蟹等级分级所筛选的特征波长

步骤四：对步骤一中校正后的高光谱图像进行滤波处理，再用ENVI获取主成分图像，提取主成分图像中感兴趣区域的纹理信息。

提取纹理信息提取的主要步骤：滤波处理、获取前三个主成分图像与提取图像纹理；本实施例采用中值滤波对中华绒螯蟹样本的高光谱图像进行降噪处理，从而提高图像纹理的清晰度，并有效降低识别和提取目标纹理信息难度，从而增加各模型的稳定性和有效性，滤波处理在ENVI 4.6中操作。

降维后的主成分图像可去除临近波长图像的相关性和减少信息冗余，保证信息的完整性并提高建模时数据处理的速度。在ENVI中高光谱原始图像经主成分分析降维后得到的前三个主成分图像，记作PC1、PC2、PC3，如图6、7、8所示。图中显示主成分图像PC1最接近原始图像；主成分图像PC2的有效信息相对较少突显的是图像轮廓信息；主成分图像PC3显示的背部细节更清晰，能与PC1图像形成互补。前3个主成分纹理特征的累计方差贡献率达到95.00％，可以有效得代表样本的原始信息。

提取PC1、PC2、PC3图像相同ROI区域的纹理信息。纹理信息提取参数：步距为1，以0°、45°、90°、135°4个方向纹理特征值的平均值作为纹理信息，求取3个主成分图像灰度共生矩阵的能量、相关性、同质性和对比度4个纹理特征参数，并结合3个主成分图像平均灰度均值和灰度值方差共18个特征值，纹理特征均值统计结果见表3。

表3主成分图像纹理特征分析

*以上数据标准差小于5％。

步骤五：对步骤二中划分的ROI进一步提取RGB信息；

RGB色彩模式是工业界的一种颜色标准，也是目前运用最广的颜色系统之一，其中RGB分别代表红、绿、蓝三个颜色，取值范围为0到255之间的整数。提取ROI区域的R、G、B平均值代表样本的颜色信息，具体统计结果见表4。从表4可知，R、G、B随着中华绒螯蟹等级的增加规律性的降低，这是因为蟹壳颜色越深对光的吸收率越高所导致的。由此可以得出R、G、B信息可以指示出中华绒螯蟹等级的变化。

表4 RGB统计结果

步骤六：用高斯归一化方法融合特征波长、纹理信息和RGB信息，并建立简化分级模型；

本实施例使用特征波长、纹理信息和RGB信息进行数据融合。选用高斯归一化方法对三种信息进行处理，归一化处理后特征向量的值分布在区间[-1，1]内，可以加快分级模型的训练速度和提升识别率。归一化公式(2)：

其中，V表示特征向量，n为表示n维特征向量，μ_k和σ_k表示第k维向量的均值和方差。

(1)建立全光谱分级模型；

将提取618个波长的光谱经MSC预处理和PCA降维后，以校正集和预测集的3:1的比例随机分组，分别构建基于全光谱的随机森林算法(Random Forest，RF)、线性算法和非线性算法模型，线性算法为线性判别分析(Linear discriminant analysis，LDA)、K最近邻法(K-nearest neighbors，KNN)，非线性算法为支持向量机模型(Support Vector Machine，SVM)、人工神经网络模型(Artificial Neural Network，BP-ANN)。建模结果如表5所示。五种分级模型对中华绒螯蟹等级能有效鉴别，其中RF模型的预测效果最优，校正集和预测集的识别率分别能达到90.45％和83.75％。尽管该分级模型已经取得了非常好的分级效果，但模型具有变量多和运算负荷大的缺点，本实施例还采用筛选特征波长并进行建模。

表5基于光谱特征的中华绒螯蟹等级分级模型的识别率

(2)建立特征波长的分级模型；

表6为基于步骤三筛选的两组最优波长分别建立的分级模型结果，由表6可知，基于两种特征波长选取方法所建立的分级模型的效果基本一致，其中RF模型的预测效果最优，基于GA+RF分级模型校正集和预测集的识别率分别能达到87.78％和86.25％，基于ACO+RF分级模型校正集和预测集的识别率分别能达到85.56％和85.00％。但两种简化模型相较于全波长信息建模而言，其训练集和预测集的分类准确率均有所下降这是因为在特征波长的挑选过程中，虽然选出了对于样本影响性高的波长，但依然除去了一些有效信息的波长，导致分类准确率略微降低，但两种简化模型的训练集和预测集的分类结果均在85.00％以上，依然有良好的分类效果，且基于特征波长的分级模型仅使用8-9个变量，极大的降低了模型的运行负荷。

表6基于特征波长的中华绒螯蟹等级分级模型的识别率

(3)建立基于纹理信息的分级模型；

选取前3个主成分的共18个纹理特征参数作为建模的输入变量；采用随机方式以3:1的比例将纹理信息分组为校正集和预测集。建立基于纹理信息的RF、线性和非线性分级模型，建模结果如表7所示，五种分级模型对中华绒螯蟹等级能有效区分，对比采用全光谱建立的分级模型，采用纹理信息信息所建立的模型差于全光谱模型，其中RF模型的预测效果最优，校正集和预测集的识别率分别能达到80.56％和78.75％，分别降低了9.44％和5.00％。可能是由于纹理信息更多的体现中华绒螯蟹样本的外部属性，而光谱信息更多表达的是样本的内部信息(蟹壳蛋白质和几丁质的变化)，因此光谱信息相比于纹理信息来说在对中华绒螯蟹样本的等级分级上有着更大的贡献。

表7基于纹理信息的中华绒螯蟹等级分级模型的识别率

(4)建立基于RGB信息的分级模型；

选取颜色(R、G、B)参数作为建模的输入变量；采用随机方式以3:1的比例将RGB信息分组为校正集和预测集。建立基于RGB信息的RF、线性和非线性分级模型，建模结果如表8所示，五种分级模型对中华绒螯蟹等级能有效区分，对比采用光谱信息建立的分级模型，采用颜色特征信息所建立的模型差于全光谱模型，其中RF模型的预测效果最优，校正集和预测集的识别率分别能达到83.56％和79.75％。可能是由于RGB信息更多的体现中华绒螯蟹样本的外部属性，而光谱信息更多表达的是样本的内部信息(蟹壳蛋白质和几丁质的变化)，因此光谱信息相比于颜色信息来说在对中华绒螯蟹样本的等级分级上有着更大的贡献。

表8基于颜色信息的中华绒螯蟹等级分级模型的识别率

(5)基于融合信息的分级模型；

本实施例将来源于GA筛选的特征波长分别与纹理信息、RGB信息进行融合，且将三者进行融合，使三者发挥协同作用，有利于获得效果更佳的模型。采取高斯归一化处理GA筛选的9个特征波长、18个纹理信息和3个RGB信息，消除数据数量级差异的影响；基于特征波长与纹理信息融合，特征信息与RGB信息融合，特征信息、纹理信息和RGB信息融合建立RF、线性和非线性分级模型，得到的各模型的预测结果如表9所示。融合模型均表现出了良好的识别率，其中基于三种信息融合的RF模型预测效果最优，校正集和预测集的识别率分别能达到100％和100％。

融合特征的识别效果比全光谱模型，融合模型所含变量数大大减少，极大程度上减轻了运算负荷、提升运算速度。此外，三个融合模型相比于全光谱分级模型、纹理分级模型、颜色分级模型具有更高的识别率，并且三种信息融合的模型识别率优于两种信息融合模型的识别率，这是因为融合模型同时结合了中华绒螯蟹外部属性和内部属性的信息，能更全面的解释样本的成熟程度信息。这证明了特征波长、纹理信息、RGB信息融合后建立的模型能后能够对中华绒螯蟹等级高精度高效率的鉴别。

表9基于融合信息的中华绒螯蟹等级分级模型的识别率

说明：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围内。

Claims (10)

1.一种基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，具体步骤如下：

步骤一：采集中华绒螯蟹的蟹壳可见近红外波段的高光谱图像，并对高光谱图像进行校正；

步骤二：根据步骤一中校正后的高光谱图像划分感兴趣区域；

步骤三：运用高光谱图像处理软件提取感兴趣区域可见近红外波段的光谱信息，并进一步筛选特征波长；

步骤四：对步骤一中校正后的高光谱图像进行滤波处理，再运用高光谱图像处理软件获取主成分图像，进一步提取主成分图像中感兴趣区域的纹理信息；

步骤五：对步骤二中划分的感兴趣区域提取RGB信息；

步骤六：用高斯归一化方法融合特征波长、纹理信息和RGB信息；建立基于融合信息的分级模型。

2.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤一和三中，所述可见近红外波段的波长范围为421-963nm。

3.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤一中，所述校正为：采集白色标定板图像W，以及关闭摄像机快门采集得到全黑的标定图像B；应用公式(1)进行图像标定：

式中，I原始图像，R校正后的图像。

4.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤二所述划分感兴趣区域的具体步骤为：使用自动阈值分割实现对中华绒螯蟹图像与背景分离，再获取中华绒螯蟹壳区域中心坐标和中华绒螯蟹图像的中轴线，以中心坐标为中心，中轴线为对称轴生成300×300至500×500像素大小的矩形为感兴趣区域。

5.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤三所述筛选特征波长的具体方法为：先用多元散射校正方法对光谱信息进行预处理，再运用遗传算法或蚁群优化算法挑选中华绒螯蟹的特征波长。

6.根据权利要求5所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，所述遗传算法筛选的特征波长为432nm、498nm、519nm、583nm、620nm、678nm、791nm、876nm和902nm；所述蚁群优化算法筛选的特征波长为437nm、475nm、585nm、633nm、666nm、713nm、745nm和875nm。

7.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤四中所述滤波处理为采用中值滤波对中华绒螯蟹高光谱图像进行降噪滤波处理；所述获取主成分图像是利用高光谱图像处理软件提取高光谱图像的前三个主成分图像，分别记作PC1、PC2、PC3；所述提取主成分图像中感兴趣区域的纹理信息是指提取PC1、PC2、PC3图像感兴趣区域的纹理信息，具体是提取3个主成分图像灰度共生矩阵的灰度均值、灰度值方差、能量、相关性、同质性和对比度6个纹理特征参数，共18个特征值。

8.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤六中所述融合特征波长、纹理信息和RGB信息具体为融合特征波长和纹理信息，特征波长和RGB信息，特征波长、纹理信息和RGB信息。

9.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤六中所述高斯归一化方法为通过归一化公式将特征波长、纹理信息和RGB信息的值分布在区间[-1，1]内；

所述高斯归一化公式为：

其中，V表示特征向量，n表示n维特征向量，μ_k和σ_k表示第k维向量的均值和方差。

10.根据权利要求1所述的基于融合信息的中华绒螯蟹品质等级判别方法，其特征在于，步骤六所述的算法包括随机森林算法、线性判别分析、K最近邻法，支持向量机或人工神经网络模型。