CN110490895A - 一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法 - Google Patents
一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法 Download PDFInfo
- Publication number
- CN110490895A CN110490895A CN201910769277.3A CN201910769277A CN110490895A CN 110490895 A CN110490895 A CN 110490895A CN 201910769277 A CN201910769277 A CN 201910769277A CN 110490895 A CN110490895 A CN 110490895A
- Authority
- CN
- China
- Prior art keywords
- image
- high spectrum
- background
- principal component
- obtains
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法。基于波段比图像构建背景掩膜图像,然后利用主成分分析方法提取高光谱图像第二主成分图像,对第二主成分图像进行背景分割,进而构建脂肪掩膜图像,实现对高光谱图像中背景和脂肪的剔除;再提取目标物的光谱特征,并利用主成分分析方法进行光谱特征的降维,输入模型训练检测,能提高肉源真伪鉴别的正确率。本发明是利用高光谱图像处理技术剔除背景和肌间脂肪,提高肉源真伪鉴别的正确率。
Description
技术领域
本发明涉及一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法,尤其是涉及了一种基于高光谱图像处理技术剔除肌间脂肪进而提高肉源真伪鉴别正确率的方法。
背景技术
肉类是人类饮食中最重要的食品来源之一,具有丰富的营养价值。由于宗教信仰、生活方式和经济价值的不同,不同类别肉的真实性越来越受到人们的关注。在需求驱动和经济驱动的双重作用下,肉源的真伪鉴别显得尤为重要。光谱检测技术通过分析不同类别肉中化合物含氢基团振动的合频和倍频信息鉴别肉源真伪,已得到广泛应用。但光谱检测技术缺乏对被检物空间信息的表达,不适用于不均一样本的检测。高光谱成像技术融合了光谱技术和成像技术,能够同时获取被检物的组分及其空间分布信息,在肉源鉴别中日益引起学者关注。
Nolasco-Perez等运用MATLAB等提取特征,验证了相比于可见光成像技术和光谱技术,高光谱成像技术对猪肉、牛肉和鸡肉的区别能力更强,并可较好地实现鸡胸肉中掺假的猪腿肉和牛股肉的定量检测。(Irene M.Nolasco-Perez,Luiz A.C.M.Rocco,etal.Comparison of rapid techniques for classification of ground meat[J].Biosystems Engineering,2019,183:151-159.)Kamruzzaman等利用高光谱成像技术系统研究了牛肉中的异源肉掺假,分别检测牛肉馅中的猪肉、马肉和鸡肉。通过建立的回归模型可较好地预测牛肉馅中掺假物的含量,并将其应用于单个像素可实现掺假程度的可视化分布。其中,图像背景分割、波段提取等均在MATLAB中实现。(Mohammed Kamruzzaman,YoshioMakino,Seiichi Oshita.Hyperspectral imaging in tandem with multivariateanalysis and image processing for non-invasive detection and visualization ofpork adulteration in minced beef[J].Analytical Methods,2015,7:7496-7502;Mohammed Kamruzzaman,Yoshio Makino,Seiichi Oshita,et al.Assessment of VisibleNear-Infrared Hyperspectral Imaging as a Tool for Detection of HorsemeatAdulteration in Minced Beef[J].Food and Bioprocess Technology,2015,8(5):1054-1062.;Mohammed Kamruzzaman,Yoshio Makino,Seiichi Oshita.Rapid and non-destructive detection of chicken adulteration in minced beef using visiblenear-infrared hyperspectral imaging and machine learning[J].Journal of FoodEngineering,2016,170(7):8-15.)Al-Sarayreh等对猪肉、牛肉和羊肉这三种肉进行分类,并考虑了生鲜、冷冻、解冻和包装、不包装等各种状态。他们对比了传统机器学习方法(支持向量机,SVM)和深度学习方法(卷积神经网络,CNN)在异源肉分类中的表现。结果发现,高光谱成像技术结合CNN分类结果较好,分类准确率可达到94.4%,并且不受肉的各种状态的影响。(Mahmoud Al-Sarayreh,Marlon M.Reis,et al.Detection of Red-MeatAdulteration by deep Spectral-Spatial features in hyperspectral images[J].Journal of Imaging,2018,4,63.)以上研究表明,高光谱成像技术在肉源真伪鉴别中具有广阔的应用前景。其中,MATLAB在高光谱数据处理中发挥重要作用。而ENVI(Environmentfor Visualizing Images)作为光谱图像数据专业处理软件,具有丰富而强大的功能,在高光谱数据处理中广泛应用。(Yukun Xing,Richard B.Gomez.Hyperspectral imageanalysis using ENVI(environment for visualizing images)[J].Proceedings ofSPIE-The International Society for Optical Engineering,2001,15(38):79-86.)
肌间脂肪(Intermuscular Fat,IMF)作为一种肌肉间沉积的脂肪,在现有文献鲜有详细报道,样品准备过程中仅剔除明显的边缘脂肪和结缔组织,往往忽略肌间脂肪的存在,这对肉源真伪鉴别的准确性造成一定的影响。通过ENVI、MATLAB等处理软件剔除高光谱图像中的肌间脂肪,可在一定程度上提高高光谱成像技术对肉源真伪的鉴别能力。
发明内容
为了解决背景技术中存在的问题,本发明的目的在于提出了一种基于高光谱图像处理技术剔除肌间脂肪进而提高肉源真伪鉴别正确率的方法。
如图1所示,本发明解决其技术问题所采用的技术方案是:
1)采集畜肉的高光谱图像,将高光谱图像背景分割;
2)高光谱图像中进一步剔除肌间脂肪;
3)获取剔除背景和肌间脂肪的高光谱图像;
4)将高光谱图像剩余的区域(即除了背景和肌间脂肪以外的图像区域,即为瘦肉部分)作为感兴趣区域并提取光谱特征,再利用主成分分析方法进行光谱特征降维;
5)针对已知类别畜肉样本的高光谱图像按照上述步骤进行处理获得降维后的光谱特征,输入到支持向量机中进行训练,获得训练后的支持向量机作为鉴别模型,将未知类别畜肉样本的高光谱图像光谱特征输入鉴别模型中输出获得畜肉真伪的结果。
所述的肉源为畜肉。
所述的步骤1),是根据高光谱图像中背景和目标物的光谱特征曲线,提取特定波长下的灰度图像并计算波段比,构建背景掩膜图像,利用背景掩膜图像实现高光谱图像背景分割。具体是:
1.1)背景和目标物的光谱特征曲线获取
将高光谱图像Imnp中的畜肉的图像区域作为目标物,其中,m和n分别为图像横向和纵向像素个数,p为高光谱图像Imnp的波段数,其余的图像区域作为背景,获取背景和目标物的光谱特征曲线;
畜肉的图像区域可通过图像识别处理获得。
1.2)提取特定波长下的灰度图像
根据背景和目标物光谱反射值变化快慢的特征,提取特征波长下的单通道图像,分别得到8位灰度图像If(m,n)和Ig(m,n),If(m,n)表示高光谱图像光谱特征曲线对应f波长下的单通道图像,Ig(m,n)表示高光谱图像光谱特征曲线对应g波长下的单通道图像;
1.3)计算波段比
读取两幅单通道图像If(m,n)和Ig(m,n),分别处理得到两个图像灰度矩阵Mf(m,n)和Mg(m,n),m和n分别为矩阵行列数,即图像中的横纵坐标像素点数量,将两个图像灰度矩阵之间对应相同位置的数值进行相除,用波段f对应的图像灰度矩阵Mf(m,n)除以波段g对应的图像灰度矩阵Mg(m,n),得到波段比矩阵Mr(m,n);
1.4)构建背景掩膜图像
根据以下公式对波段比矩阵Mr(m,n)进行阈值处理并二值化,将其转化为第一二值图像Br(m,n),对第一二值图像进行中值滤波和形态学处理,并以图像形心为中心点尺寸缩小10%,消除畜肉边缘脂肪的影响,得到背景掩膜图像Ibm(m,n);
其中,Br,ij表示第一二值图像Br(m,n)中第i行第j列的像素点的二值化值;
所述的图像形心为目标物畜肉所占图像区域的几何中心点。
1.5)利用背景掩膜图像Ibm(m,n)对全波段的原始的高光谱图像进行分割处理。
所述的步骤2),利用主成分分析方法提取高光谱图像中第二主成分图像,进行图像背景剔除,阈值分割并二值化,构建肌间脂肪掩膜图像,利用肌间脂肪掩膜图像进一步实现高光谱图像肌间脂肪分割。具体是:
2.1)第二主成分图像提取
对高光谱图像进行主成分分析,得到第二主成分图像Ipc2(m,n);
2.2)第二主成分图像背景剔除
将第二主成分图像Ipc2(m,n)与背景掩膜图像Ibm(m,n)进行卷积计算,以剔除背景,得到目标物矩阵Mpc2(m,n);
2.3)构建脂肪掩膜图像
根据以下公式对目标物矩阵Mpc2(m,n)进行阈值处理并二值化,将其转化为第二二值图像Bpc2(m,n),对第二二值图像进行中值滤波,得到肌间脂肪掩膜图像Ifm(m,n);
其中,Bpc2,ij表示第二二值图像Bpc2(m,n)中第i行第j列的像素点的二值化值;
2.4)利用肌间脂肪掩膜图像Ifm(m,n)对步骤1)分割处理后获得的图像再次进行分割处理,实现高光谱图像中肌间脂肪剔除。
所述步骤4)中,采用现有的高光谱成像系统采集高光谱图像并提取感兴趣区域的光谱特征。
本发明通过二次掩膜分割处理将剔除了高光谱图像中的背景和畜肉中的肌间脂肪,使得畜肉肉源在支持向量机中的鉴别正确率大大提高。
本发明具有的有益的效果是:
本发明利用高光谱图像处理技术剔除背景和肌间脂肪,可提高肉源真伪鉴别的正确率。
附图说明
图1是本发明的数据处理流程图;
图2是牛肉高光谱图像的背景掩膜图像;
图3是利用本发明前的牛肉第二主成分灰度图像;
图4是利用本发明后提取的牛肉肌间脂肪二值图像。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明实施例及其实施过程如下:
在本实施例中,选取猪肉、牛肉和羊肉各100个样本,每个样本包含不同分布程度的肌间脂肪。通过剔除高光谱图像中的背景和肌间脂肪,提高三类不同畜肉的真伪鉴别正确率。以牛肉为例,对牛肉高光谱图像的背景和肌间脂肪的剔除过程如下:
1)采集牛肉的高光谱图像,将高光谱图像背景分割;
1.1)背景和目标物的光谱特征曲线获取
将高光谱图像Imnp中的牛肉的图像区域作为目标物,其中,m和n分别为图像横向和纵向像素个数,p为高光谱图像Imnp的波段数,其余的图像区域作为背景,将高光谱图像Imnp输入数据处理软件ENVI 5.3中获取背景和目标物的光谱特征曲线;
1.2)提取特定波长下的灰度图像
根据背景和目标物在580nm~640nm波段范围光谱反射值变化快慢的特点,提取特定波长下的单通道图像,分别得到8位灰度图像I640(m,n)和I580(m,n),I640(m,n)表示高光谱图像光谱特征曲线对应640nm波长下的单通道图像,I580(m,n)表示高光谱图像光谱特征曲线对应580nm波长下的单通道图像;
1.3)计算波段比
利用MATLAB R2014b软件读取两幅单通道图像I640(m,n)和I580(m,n),得到两个图像灰度矩阵M640(m,n)和M580(m,n),将两个图像灰度矩阵之间对应相同位置的数值进行相除,用640nm对应的图像灰度矩阵M640(m,n)除以580nm对应的图像灰度矩阵M580(m,n),得到波段比矩阵Mr(m,n);
1.4)构建背景掩膜图像
根据以下公式对波段比矩阵Mr(m,n)进行阈值处理并二值化,将其转化为第一二值图像Br(m,n),对第一二值图像进行中值滤波和形态学处理,并以图像形心为中心点尺寸缩小10%,从而消除畜肉边缘脂肪的影响,得到背景掩膜图像Ibm(m,n),如图2所示;
其中,Br,ij表示第一二值图像Br(m,n)中第i行第j列的像素点的二值化值;
1.5)利用背景掩膜图像Ibm(m,n)对原始的高光谱图像进行分割处理,获得第一分割图像
2)进一步剔除高光谱图像中的肌间脂肪;
2.1)第二主成分图像提取
对高光谱图像进行主成分分析,得到第二主成分图像Ipc2(m,n),如图3所示。
2.2)第二主成分图像背景剔除
将第二主成分图像Ipc2(m,n)与背景掩膜图像Ibm(m,n)进行卷积计算,得到目标物矩阵Mpc2(m,n);
2.3)构建脂肪掩膜图像
根据以下公式对目标物矩阵Mpc2(m,n)进行阈值处理并二值化,将其转化为第二二值图像Bpc2(m,n),对第二二值图像进行中值滤波,得到如图4所示的肌间脂肪掩膜图像Ifm(m,n);
其中,Bpc2,ij表示第二二值图像Bpc2(m,n)中第i行第j列的像素点的二值化值;
2.4)利用肌间脂肪掩膜图像Ifm(m,n)对步骤1)分割处理后获得的第一分割图像再次进行分割处理,实现高光谱图像中肌间脂肪剔除,获得第二分割图像。
3)获取剔除背景和肌间脂肪的高光谱图像;
4)将高光谱图像剩余的区域(即除了背景和肌间脂肪以外的图像区域,即为瘦肉部分)作为感兴趣区域并采用高光谱成像系统提取光谱特征,再利用主成分分析方法进行光谱特征降维;
5)针对已知牛肉样本的高光谱图像按照上述步骤进行处理获得降维后的光谱特征,将其输入到支持向量机中进行训练,获得训练后的支持向量机作为鉴别模型,将未知类别畜肉样本的高光谱图像光谱特征输入鉴别模型中输出获得畜肉真伪的结果。
利用本发明前,针对未进行肌间脂肪剔除的猪肉、牛肉和羊肉高光谱图像,每个样本上随机取2个包含4000~7000个像素点的感兴趣区域光谱特征,并求取平均值,得到每种肉共200个数据样本,其中140个做训练集,60个做测试集。利用主成分分析方法降维得到14个光谱特征,将其代入支持向量机分类器,对猪肉、牛肉和羊肉分类。
利用本发明后,针对进行了肌间脂肪剔除的猪肉、牛肉和羊肉高光谱图像,每个样本上随机取3个包含1000~2000个像素点的感兴趣区域光谱特征,并求取平均值,得到每种肉共300个数据样本,其中200个做训练集,100个做测试集。利用主成分分析方法降维得到14个光谱特征,将其代入支持向量机分类器,对猪肉、牛肉和羊肉分类。
表1是利用本发明前后对猪肉、牛肉和羊肉分类结果,可以看出,本发明能提高对猪肉、牛肉和羊肉的分类正确率,从而达到提高肉源真伪鉴别正确率的目的。
表1实验结果
利用本发明前是指未采用本发明方法的步骤2),直接在目标物上选取感兴趣区域,进行主成分分析后得到降维后的光谱特征,并输入支持向量机分类器训练模型处理获得的检测结果;利用本发明后是指采用了本发明方法的步骤1)、步骤2),在目标物上选取感兴趣区域,进行主成分分析后得到降维后的光谱特征,并输入支持向量机分类器训练模型处理获得的检测结果。
Claims (5)
1.一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法,其特征在于:该方法的步骤包括:
1)采集畜肉的高光谱图像,将高光谱图像背景分割;
2)高光谱图像中进一步剔除肌间脂肪;
3)获取剔除背景和肌间脂肪的高光谱图像;
4)将高光谱图像剩余的区域作为感兴趣区域并提取光谱特征,再利用主成分分析方法进行光谱特征降维;
5)针对已知类别畜肉样本的高光谱图像按照上述步骤进行处理获得降维后的光谱特征,输入到支持向量机中进行训练,获得训练后的支持向量机作为鉴别模型,将未知类别畜肉样本的高光谱图像光谱特征输入鉴别模型中输出获得畜肉真伪的结果。
2.根据权利要求1所述的一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法,其特征在于:所述的步骤1),具体是:
1.1)背景和目标物的光谱特征曲线获取
将高光谱图像Imnp中的畜肉的图像区域作为目标物,其中,m和n分别为图像横向和纵向像素个数,p为高光谱图像Imnp的波段数,其余的图像区域作为背景,获取背景和目标物的光谱特征曲线;
1.2)提取特定波长下的灰度图像
根据背景和目标物光谱反射值变化快慢的特征,提取特征波长下的单通道图像,分别得到8位灰度图像If(m,n)和Ig(m,n),If(m,n)表示高光谱图像光谱特征曲线对应f波长下的单通道图像,Ig(m,n)表示高光谱图像光谱特征曲线对应g波长下的单通道图像;
1.3)计算波段比
读取两幅单通道图像If(m,n)和Ig(m,n),分别处理得到两个图像灰度矩阵Mf(m,n)和Mg(m,n),将两个图像灰度矩阵之间对应相同位置的数值进行相除,用波段f对应的图像灰度矩阵Mf(m,n)除以波段g对应的图像灰度矩阵Mg(m,n),得到波段比矩阵Mr(m,n);
1.4)构建背景掩膜图像
根据以下公式对波段比矩阵Mr(m,n)进行阈值处理并二值化,将其转化为第一二值图像Br(m,n),对第一二值图像进行中值滤波和形态学处理,并以图像形心为中心点尺寸缩小10%,得到背景掩膜图像Ibm(m,n);
其中,Br,ij表示第一二值图像Br(m,n)中第i行第j列的像素点的二值化值;
1.5)利用背景掩膜图像Ibm(m,n)对原始的高光谱图像进行分割处理。
3.根据权利要求1所述的一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法,其特征在于:所述的步骤2),具体是:
2.1)第二主成分图像提取
对高光谱图像进行主成分分析,得到第二主成分图像Ipc2(m,n);
2.2)第二主成分图像背景剔除
将第二主成分图像Ipc2(m,n)与背景掩膜图像Ibm(m,n)进行卷积计算,得到目标物矩阵Mpc2(m,n);
2.3)构建脂肪掩膜图像
根据以下公式对目标物矩阵Mpc2(m,n)进行阈值处理并二值化,将其转化为第二二值图像Bpc2(m,n),对第二二值图像进行中值滤波,得到肌间脂肪掩膜图像Ifm(m,n);
其中,Bpc2,ij表示第二二值图像Bpc2(m,n)中第i行第j列的像素点的二值化值;
2.4)利用肌间脂肪掩膜图像Ifm(m,n)对步骤1)分割处理后获得的图像再次进行分割处理,实现高光谱图像中肌间脂肪剔除。
4.根据权利要求1所述的一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法,其特征在于:所述的肉源为畜肉。
5.根据权利要求1所述的一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法,其特征在于:所述步骤4)中,采用高光谱成像系统采集高光谱图像并提取感兴趣区域的光谱特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910769277.3A CN110490895B (zh) | 2019-08-20 | 2019-08-20 | 一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910769277.3A CN110490895B (zh) | 2019-08-20 | 2019-08-20 | 一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490895A true CN110490895A (zh) | 2019-11-22 |
CN110490895B CN110490895B (zh) | 2022-02-11 |
Family
ID=68552334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910769277.3A Active CN110490895B (zh) | 2019-08-20 | 2019-08-20 | 一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490895B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111491089A (zh) * | 2020-04-24 | 2020-08-04 | 厦门大学 | 一种利用图像采集装置监测背景物上目标物的方法 |
CN113138191A (zh) * | 2020-01-20 | 2021-07-20 | 邓涛 | 检测对象部位名称分析系统及方法 |
CN113567359A (zh) * | 2021-08-10 | 2021-10-29 | 江苏大学 | 一种基于组分线阵渐变特征的原切肉及其高仿肉的鉴别方法 |
GB2597160A (en) * | 2021-08-10 | 2022-01-19 | Univ Jiangsu | Identifying meat authenticity by analysing independent component image of hyperspectral image |
CN113959961A (zh) * | 2021-12-22 | 2022-01-21 | 广东省农业科学院动物科学研究所 | 一种基于高光谱图像的单宁添加剂防伪检测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105606544A (zh) * | 2015-01-14 | 2016-05-25 | 青海春天药用资源科技利用有限公司 | 无损检测冬虫夏草虫体真伪的方法 |
-
2019
- 2019-08-20 CN CN201910769277.3A patent/CN110490895B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105606544A (zh) * | 2015-01-14 | 2016-05-25 | 青海春天药用资源科技利用有限公司 | 无损检测冬虫夏草虫体真伪的方法 |
Non-Patent Citations (2)
Title |
---|
王勇: "基于光谱相似尺度的遥感矿化蚀变信息提取方法研究", 《万方学位论文数据库》 * |
祝婉: "多模眼底图像配准方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138191A (zh) * | 2020-01-20 | 2021-07-20 | 邓涛 | 检测对象部位名称分析系统及方法 |
CN113138191B (zh) * | 2020-01-20 | 2022-08-05 | 上海各瑟信息科技有限公司 | 检测对象部位名称分析系统及方法 |
CN111491089A (zh) * | 2020-04-24 | 2020-08-04 | 厦门大学 | 一种利用图像采集装置监测背景物上目标物的方法 |
CN113567359A (zh) * | 2021-08-10 | 2021-10-29 | 江苏大学 | 一种基于组分线阵渐变特征的原切肉及其高仿肉的鉴别方法 |
GB2597160A (en) * | 2021-08-10 | 2022-01-19 | Univ Jiangsu | Identifying meat authenticity by analysing independent component image of hyperspectral image |
CN113567359B (zh) * | 2021-08-10 | 2022-05-20 | 江苏大学 | 基于组分线阵渐变特征的原切肉及其高仿肉的鉴别方法 |
GB2597160B (en) * | 2021-08-10 | 2022-08-03 | Univ Jiangsu | Method for identifying raw meat and high-quality fake meat based on gradual linear array change of component |
CN113959961A (zh) * | 2021-12-22 | 2022-01-21 | 广东省农业科学院动物科学研究所 | 一种基于高光谱图像的单宁添加剂防伪检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110490895B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490895A (zh) | 一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法 | |
US20170053398A1 (en) | Methods and Systems for Human Tissue Analysis using Shearlet Transforms | |
CN103870808B (zh) | 一种手指静脉识别方法 | |
CN108510502A (zh) | 基于深度神经网络的黑色素瘤图片组织分割方法和系统 | |
CN110120056A (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
Song et al. | Detection of fish bones in fillets by Raman hyperspectral imaging technology | |
CN109583364A (zh) | 图像识别方法及设备 | |
Pham et al. | Lesion segmentation and automated melanoma detection using deep convolutional neural networks and XGBoost | |
CN103149163A (zh) | 基于多光谱图像纹理特征的检测牛肉嫩度的装置及其方法 | |
CN105891230A (zh) | 基于光谱图像分析的水果外表检测方法 | |
Zhang et al. | Fire detection and identification method based on visual attention mechanism | |
CN110120032A (zh) | 基于相对总变差模型与mser的织物毛球等级评价方法 | |
CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
Zuñiga et al. | Grape maturity estimation based on seed images and neural networks | |
Li et al. | Sublingual vein extraction algorithm based on hyperspectral tongue imaging technology | |
CN116167964A (zh) | 基于肿瘤高光谱图像的肿瘤分类方法及系统 | |
CN113989799A (zh) | 一种宫颈异常细胞识别方法、装置和电子设备 | |
Gupta et al. | Adaptive thresholding for skin lesion segmentation using statistical parameters | |
Bernal et al. | A region segmentation method for colonoscopy images using a model of polyp appearance | |
Zhang et al. | An Improved Computational Approach for Salient Region Detection. | |
Xiong et al. | Modeling of human skin by the Use of Deep Learning | |
CN106952251B (zh) | 一种基于吸附模型的图像显著性检测方法 | |
Handayani et al. | Determination of beef marbling based on fat percentage for meat quality | |
Gupta et al. | Identification of different types of lymphoblasts in acute lymphoblastic leukemia using relevance vector machines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |