CN114170444A - 一种基于人工智能与高光谱成像的红枣品种鉴别方法 - Google Patents

一种基于人工智能与高光谱成像的红枣品种鉴别方法 Download PDF

Info

Publication number
CN114170444A
CN114170444A CN202210123155.9A CN202210123155A CN114170444A CN 114170444 A CN114170444 A CN 114170444A CN 202210123155 A CN202210123155 A CN 202210123155A CN 114170444 A CN114170444 A CN 114170444A
Authority
CN
China
Prior art keywords
identified
red date
variety
gray level
red
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
Application number
CN202210123155.9A
Other languages
English (en)
Other versions
CN114170444B (zh
Inventor
梁祥宠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Haiyang Food Co ltd
Original Assignee
Nantong Haiyang Food Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Haiyang Food Co ltd filed Critical Nantong Haiyang Food Co ltd
Priority to CN202210123155.9A priority Critical patent/CN114170444B/zh
Publication of CN114170444A publication Critical patent/CN114170444A/zh
Application granted granted Critical
Publication of CN114170444B publication Critical patent/CN114170444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能领域，具体涉及一种基于人工智能与高光谱成像的红枣品种鉴别方法，包括：获取待鉴别品种红枣灰度图像的第一候选窗口；获取待鉴别品种红枣灰度图像的第二候选窗口；重复上述步骤获取标准品种红枣灰度图像的第二候选窗口；获取每个待鉴别品种红枣灰度图像第二候选窗口的最优匹配的标准品种红枣灰度图像第二候选窗口；通过获取每个待鉴别品种红枣的灰度图像第二候选窗口及其最优匹配的标准品种红枣灰度图像第二候选窗口的平均光谱序列，得到待鉴别品种红枣与每种标准品种红枣灰度图像的平均相似度，完成对待鉴别红枣的品种鉴别。通过上述方法可提高对干制红枣品种的鉴别精度。

Description

一种基于人工智能与高光谱成像的红枣品种鉴别方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于人工智能与高光谱成像的红枣品种鉴别方法。
背景技术
干制红枣不仅保留了鲜枣的营养成分，而且食用方式多样，更有利于长期存储和长途运输。不同品种的红枣营养成分含量不同，价格也相差很多。鲜枣干制后，颜色、形状较为接近，通过肉眼很难区分。
现有技术主要采用图像处理的方法，根据不同品种红枣的品质和形状特征不同，对不同的红枣品种进行鉴别。
然而，由于红枣成分复杂，相应的品质特征影响因子较多，导致图像处理过程中容易受到其它因素的干扰，影响了上述现有技术对红枣品种的鉴别精度。
发明内容
为了克服上述现有技术的缺点，本发明提供了一种基于人工智能与高光谱成像的红枣品种鉴别方法，以提高红枣品种的鉴别精度。
为达到上述目的，本发明采用以下技术方案，一种基于人工智能与高光谱成像的红枣品种鉴别方法，包括：
通过对获取的待鉴别品种红枣的高光谱图像进行真彩色合成及灰度化处理，获取待鉴别品种红枣的灰度图像。
通过对比待鉴别品种红枣灰度图像中每个窗口的平均梯度值与设置阈值的大小，获取待鉴别品种红枣灰度图像的第一候选窗口。
通过计算待鉴别品种红枣灰度图像中每个第一候选窗口的最大颜色方差，获取待鉴别品种红枣灰度图像的第二候选窗口。
重复上述步骤获取标准品种红枣灰度图像的第二候选窗口。
通过计算每个待鉴别品种红枣灰度图像的第二候选窗口与所有标准品种红枣灰度图像的第二候选窗口的接近值构建窗口二部图，获取每个待鉴别品种红枣灰度图像第二候选窗口的最优匹配的标准品种红枣灰度图像第二候选窗口。
通过获取每个待鉴别品种红枣的灰度图像第二候选窗口及其最优匹配的标准品种红枣灰度图像第二候选窗口的平均光谱序列，得到待鉴别品种红枣与每种标准品种红枣灰度图像的平均相似度。
通过对比待鉴别品种红枣与标准品种红枣灰度图像的平均相似度大小，完成对待鉴别红枣的品种鉴别。
进一步的，所述一种基于人工智能与高光谱成像的红枣品种鉴别方法，获取待鉴别品种红枣的灰度图像的方法包括：
利用高光谱成像技术，获取待鉴别品种红枣中不同成分对应的光谱数据。
通过对待鉴别品种红枣中不同成分对应的光谱数据进行真彩色合成，获取待鉴别品种红枣的可见光图像。
对待鉴别品种红枣的可见光图像进行阈值分割及灰度化处理，获取待鉴别品种红枣的灰度图像。
进一步的，所述一种基于人工智能与高光谱成像的红枣品种鉴别方法，获取待鉴别品种红枣灰度图像的第一候选窗口的方法包括：
对待鉴别品种红枣的灰度图像进行梯度提取，获取待鉴别品种红枣灰度图像中每个像素点的梯度值。
根据待鉴别品种红枣灰度图像中每个像素点的梯度值，对该灰度图像进行滑窗检测，获取该灰度图像中每个窗口的平均梯度值。
设置窗口平均梯度值阈值，将待鉴别品种红枣灰度图像中平均梯度值小于平均梯度值阈值的窗口作为待鉴别品种红枣灰度图像的第一候选窗口。
进一步的，所述一种基于人工智能与高光谱成像的红枣品种鉴别方法，获取待鉴别品种红枣灰度图像的第二候选窗口的方法包括：
对待鉴别品种红枣灰度图像的第一候选窗口进行颜色提取，获取每个待鉴别品种红枣灰度图像的第一候选窗口中各位置的RGB方差，进而获取每个待鉴别品种红枣灰度图像的第一候选窗口的最大颜色方差。
设置窗口最大颜色方差阈值，获取待鉴别品种红枣灰度图像中最大颜色方差小于窗口最大颜色方差阈值的第一候选窗口，选取Top-K个最小的最大颜色方差的窗口，作为待鉴别品种红枣灰度图像的第二候选窗口。
进一步的，所述一种基于人工智能与高光谱成像的红枣品种鉴别方法，获取每个待鉴别品种红枣灰度图像的第二候选窗口与所有标准品种红枣灰度图像的第二候选窗口的接近值的方法包括：
利用最大颜色方差阈值分别对待鉴别品种红枣与标准品种红枣灰度图像中第二候选窗口的颜色方差进行区间划分，获取待鉴别品种红枣与标准品种红枣灰度图像中每个第二候选窗口在各个颜色方差区间的比例。
利用待鉴别品种红枣与标准品种红枣灰度图像中每个第二候选窗口在各个颜色方差区间的比例，获取每个待鉴别品种红枣与所有标准品种红枣的灰度图像的第二候选窗口的KL散度。
利用待鉴别品种红枣与标准品种红枣灰度图像中每个第二候选窗口的RGB值，获取每个待鉴别品种红枣与所有标准品种红枣的灰度图像的第二候选窗口的颜色差。
利用每个待鉴别品种红枣与所有标准品种红枣的灰度图像的第二候选窗口的KL散度和颜色差，获取每个待鉴别品种红枣灰度图像的第二候选窗口与所有标准品种红枣灰度图像的第二候选窗口的接近值。
进一步的，所述一种基于人工智能与高光谱成像的红枣品种鉴别方法，获取每个待鉴别品种红枣灰度图像第二候选窗口的最优匹配的标准品种红枣灰度图像第二候选窗口的方法包括：
利用每个待鉴别品种红枣灰度图像的第二候选窗口与所有标准品种红枣灰度图像的第二候选窗口的接近值构建窗口二部图。
将窗口二部图的边权赋值为两者的接近值，然后利用KM匹配，进行最优的最小匹配，获取每个待鉴别品种红枣灰度图像第二候选窗口的最优匹配的标准品种红枣灰度图像第二候选窗口。
进一步的，所述一种基于人工智能与高光谱成像的红枣品种鉴别方法，获得待鉴别品种红枣与每种标准品种红枣灰度图像的平均相似度的方法包括：
通过对每个待鉴别品种红枣灰度图像第二候选窗口中所有像素的光谱序列进行对应位置光谱值相加并求平均，获取每个待鉴别品种红枣的灰度图像第二候选窗口的平均光谱序列。
重复上述步骤，获取每个待鉴别品种红枣灰度图像第二候选窗口的最优匹配的标准品种红枣灰度图像第二候选窗口。
利用光谱角匹配算法，获取每个待鉴别品种红枣灰度图像第二候选窗口与其最优匹配的标准品种红枣灰度图像第二候选窗口的相似度，进而获得待鉴别品种红枣与每种标准品种红枣灰度图像的平均相似度。
本发明的有益效果是：本发明提供了一种基于人工智能与高光谱成像的红枣品种鉴别方法：利用梯度、颜色方差来筛选获取最优的候选窗口，可以提高运算速度；结合KL散度与二部图匹配来寻找最优的匹配窗口，可以尽最大可能排除其它因素对红枣光谱所造成的干扰，最优匹配的窗口即为两者颜色与色彩分布比较接近的窗口，相比于现有技术，本发明通过提取红枣的有效区域，尽可能减少光谱比较的误差，可有效提高红枣品种的鉴别精度。
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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种红枣品种鉴别方法流程示意图；
图2是本发明实施例提供的一种窗口二部图构建示意图；
图3是本发明实施例提供的一种第二候选窗口中每个像素的光谱序列示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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做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。
为了让本领域技术人员更好地理解本发明，下面结合实施例和附图对本发明进行详细的描述。
实施例1
为了实现本发明所述内容，本发明设计了一种基于人工智能与高光谱成像的红枣品种鉴别方法，如图1所示。
步骤1：通过对获取的待鉴别品种红枣的高光谱图像进行真彩色合成及灰度化处理，获取待鉴别品种红枣的灰度图像。
（1）利用高光谱成像技术，获取待鉴别品种红枣中不同成分对应的光谱数据。
高光谱成像技术是基于非常多窄波段的影像数据技术，它将成像技术与光谱技术相结合，探测目标的二维几何空间及一维光谱信息，获取高光谱分辨率的连续、窄波段的图像数据。
所得数据是在特定波长范围内由一系列连续的窄波段图像组成的三维图像，称为高光谱图像，包含多个光谱通道。
由于不同品种的红枣营养成分含量不同，不同的成分对光谱的反射率也不同，因此可通过高光谱来分析其光谱特性，进而实现红枣品种的鉴定。
（2）通过对待鉴别品种红枣中不同成分对应的光谱数据进行真彩色合成，获取待鉴别品种红枣的可见光图像。
首先根据彩色合成原理，选择多个光谱数据合成一幅彩色图像，当合成图像的红绿蓝三色与三个多光谱段相吻合，这幅图像就再现了地物的彩色原理，就称为真彩色合成。最终得到真彩色图像，其图像为RGB颜色空间图像。真彩色合成属于遥感领域所常见的技术，在此不再赘述其细节。
（3）对待鉴别品种红枣的可见光图像进行阈值分割及灰度化处理，获取待鉴别品种红枣的灰度图像。
首先对图像进行阈值化，所述阈值化利用大津阈值，津法又叫最大类间方差法、最大类间阈值法（OTSU）。它的基本思想是，用一个阈值将图像中的数据分为两类，一类中图像的像素点的灰度均小于这个阈值，另一类中的图像的像素点的灰度均大于或者等于该阈值。
所述单个红枣图像，利用大津阈值，最终得到每个红枣区域的二值图像。
对于二值图像中，像素值为255的即为红枣区域，像素值为0的为背景区域。
然后将图像进行灰度化，得到灰度图像。
步骤2：通过对比待鉴别品种红枣灰度图像中每个窗口的平均梯度值与设置阈值的大小，获取待鉴别品种红枣灰度图像的第一候选窗口。
（1）对待鉴别品种红枣的灰度图像进行梯度提取，获取待鉴别品种红枣灰度图像中每个像素点的梯度值。
利用Prewitt算子对灰度图像进行梯度提取。
包含两个方向的算子，若Gx是对灰度图像x方向上的卷积，Gy是对灰度图像y方向上的卷积；则：
Figure 453579DEST_PATH_IMAGE001
通过上述模板可以平等的比较像素左右、上下的差异。所述卷积运算为周知的，这里不再赘述。
原图中的作用点像素值通过卷积之后为：
Figure 839561DEST_PATH_IMAGE002
式中：G为每个像素点的梯度值；Gx是对灰度图像x方向上的卷积，Gy是对灰度图像y方向上的卷积。
（2）根据待鉴别品种红枣灰度图像中每个像素点的梯度值，对该灰度图像进行滑窗检测，获取该灰度图像中每个窗口的平均梯度值。
基于梯度进行滑窗，寻找窗口梯度最小的区域，所述窗口的经验值大小n为3。对图像中的红枣区域进行平均梯度提取。
获取红枣二值图像中每个窗口的平均梯度值
Figure 212774DEST_PATH_IMAGE003
：
Figure 76824DEST_PATH_IMAGE004
式中：n为每个窗口的边长；
Figure 977348DEST_PATH_IMAGE005
为每个窗口中第
Figure 268652DEST_PATH_IMAGE006
个像素点的梯度值。
（3）设置窗口平均梯度值阈值，将待鉴别品种红枣灰度图像中平均梯度值小于平均梯度值阈值的窗口作为待鉴别品种红枣灰度图像的第一候选窗口。
遍历所有窗口，得到每个窗口的有效值，利用阈值法获取有效值小于阈值G1的窗口，G1的经验值为3，最终得到第一候选窗口。
步骤3：通过计算待鉴别品种红枣灰度图像中每个第一候选窗口的最大颜色方差，获取待鉴别品种红枣灰度图像的第二候选窗口。
（1）对待鉴别品种红枣灰度图像的第一候选窗口进行颜色提取，获取每个待鉴别品种红枣灰度图像的第一候选窗口中各位置的RGB方差，进而获取每个待鉴别品种红枣灰度图像的第一候选窗口的最大颜色方差。
对第一候选窗口进行颜色的提取，此处采用颜色矩来反映：
颜色矩是一种简单有效的颜色特征表示方法，此处采用一阶矩(均值,mean)，颜色矩已证明可有效地表示图像中的颜色分布。
这里只提取低阶矩，每个第一候选窗口可以得到的颜色矩特征为3个数，即RGB均值。
然后求取每个窗口中每个位置的RGB方差
Figure 129160DEST_PATH_IMAGE007
：
Figure 62481DEST_PATH_IMAGE008
式中：R、G、B即R、G、B分量的值，
Figure 200202DEST_PATH_IMAGE009
、
Figure 52620DEST_PATH_IMAGE010
、
Figure 275791DEST_PATH_IMAGE011
代表该窗口R、G、B分量的均值。
然后获取窗口中的最大颜色方差
Figure 606278DEST_PATH_IMAGE012
。
（2）设置窗口最大颜色方差阈值，获取待鉴别品种红枣灰度图像中最大颜色方差小于窗口最大颜色方差阈值的第一候选窗口，选取Top-K个最小的最大颜色方差的窗口，作为待鉴别品种红枣灰度图像的第二候选窗口。
遍历所有第一候选窗口，利用阈值法获取第一候选窗口最大颜色方差
Figure 598505DEST_PATH_IMAGE012
小于阈值G2的窗口，G2的经验值为25，小于阈值的窗口可能数量很多，为减少后续计算量，选取Top-K个最小的最大颜色方差的窗口，作为第二候选窗口。K的经验值为8。
窗口的平均梯度越小，代表此处像素值越平缓，最大颜色方差越小，代表窗口的颜色越接近。
步骤4：重复上述步骤获取标准品种红枣灰度图像的第二候选窗口。
最终得到每种标准品种红枣的8个第二候选窗口以及待鉴别品种红枣的8个第二候选窗口。所述标准库中的红枣品种以壶瓶枣、滩枣、若羌红枣、金丝红枣为例。最终得到上述四种标准品种红枣的第二候选窗口以及待鉴别品种红枣的8个第二候选窗口。
步骤5：通过计算每个待鉴别品种红枣灰度图像的第二候选窗口与所有标准品种红枣灰度图像的第二候选窗口的接近值构建窗口二部图，获取每个待鉴别品种红枣灰度图像第二候选窗口的最优匹配的标准品种红枣灰度图像第二候选窗口。
(1) 利用最大颜色方差阈值分别对待鉴别品种红枣与标准品种红枣灰度图像中第二候选窗口的颜色方差进行区间划分，获取待鉴别品种红枣与标准品种红枣灰度图像中每个第二候选窗口在各个颜色方差区间的比例。
求取待鉴别品种红枣第二候选窗口与标准品种红枣（即上述4种）第二候选窗口的KL散度。方法如下：
基于最大颜色方差阈值得到方差间隔：
Figure 123289DEST_PATH_IMAGE013
式中：
Figure 99336DEST_PATH_IMAGE014
；
Figure 843301DEST_PATH_IMAGE015
为区间个数；
Figure 80247DEST_PATH_IMAGE016
。
基于最大颜色方差划分区间，以r=4为例：
颜色方差处在
Figure 949502DEST_PATH_IMAGE017
区间为第一差值区间；
颜色方差处在
Figure 271899DEST_PATH_IMAGE018
区间为第二差值区间；
颜色方差处在
Figure 819555DEST_PATH_IMAGE019
区间为第三差值区间；
颜色方差处在
Figure 409543DEST_PATH_IMAGE020
区间为第四差值区间；
最终获取每个窗口颜色方差处在每个区间的比例。得到标准品种红枣在第二候选窗口的在每个区间的比例P，待鉴别品种红枣在第二候选窗口的在每个区间的比例Q。
(2) 利用待鉴别品种红枣与标准品种红枣灰度图像中每个第二候选窗口在各个颜色方差区间的比例，获取每个待鉴别品种红枣与所有标准品种红枣的灰度图像的第二候选窗口的KL散度。
相对熵（relative entropy），又被称为Kullback-Leibler散度（Kullback-Leibler divergence）或信息散度（information divergence），是两个概率分布（probability distribution）间差异的非对称性度量。
在离散变量下，相对熵的公式如下：
Figure 915610DEST_PATH_IMAGE021
Figure 459724DEST_PATH_IMAGE022
、
Figure 811071DEST_PATH_IMAGE023
分别为变量X上的两个概率分布，此处即在每个区间的比例。更接近实际分布，分布的相对熵越小。
(3) 利用待鉴别品种红枣与标准品种红枣灰度图像中每个第二候选窗口的RGB值，获取每个待鉴别品种红枣与所有标准品种红枣的灰度图像的第二候选窗口的颜色差T。
此处利用欧式距离来度量：
Figure 897976DEST_PATH_IMAGE024
式中：R1、G1、B1为待鉴别品种红枣的RGB值；R2、G2、B2为标准品种红枣的RGB值。
（4）利用每个待鉴别品种红枣与所有标准品种红枣的灰度图像的第二候选窗口的KL散度和颜色差，获取每个待鉴别品种红枣灰度图像的第二候选窗口与所有标准品种红枣灰度图像的第二候选窗口的接近值。
获取接近值：
Figure 433999DEST_PATH_IMAGE025
式中：w 1、w 2分别为两项的权重，以保证两项的值域比较接近，经验值分别为0.1、0.9；
Figure 340775DEST_PATH_IMAGE026
为待鉴别品种红枣第二候选窗口与标准品种红枣第二候选窗口的接近值；T为待鉴别品种红枣第二候选窗口与标准品种红枣第二候选窗口的颜色差；
Figure 620447DEST_PATH_IMAGE027
待鉴别品种红枣第二候选窗口与标准品种红枣第二候选窗口的相对熵。
对于接近值，U越小，表示两个窗口颜色越接近，且分布也越接近。
（5）获取每个待鉴别品种红枣灰度图像第二候选窗口的最优匹配的标准品种红枣灰度图像第二候选窗口。
如图2所示，构建窗口二部图：二部图的边权赋值为两者的接近值，然后利用KM匹配，进行最优的最小匹配，即保证每一个待鉴别品种红枣第二候选窗口与都有与之对应的标准品种红枣第二候选窗口进行匹配，且保证最后匹配后的边权最小。
此处作为红枣的有效区域，避免梯度不平处，即裂痕、纹理复杂的红枣区域影响红枣的光谱特性。
步骤6：通过获取每个待鉴别品种红枣的灰度图像第二候选窗口及其最优匹配的标准品种红枣灰度图像第二候选窗口的平均光谱序列，得到待鉴别品种红枣与每种标准品种红枣灰度图像的平均相似度。
（1）通过对每个待鉴别品种红枣灰度图像第二候选窗口中所有像素的光谱序列进行对应位置光谱值相加并求平均，获取每个待鉴别品种红枣的灰度图像第二候选窗口的平均光谱序列。
获取每一个待鉴别品种红枣的第二候选窗口的平均光谱序列，即将每个像素的光谱序列（如图3所示）进行相应位置相加，并求平均。
即每个窗口的像素个数为9个，假设高光谱通道数为N,则每一个像素都有N长度的光谱序列，最终对每个像素的光谱序列进行对应位置光谱值相加并求平均，得到平均光谱序列。
（2）重复上述步骤，获取每个待鉴别品种红枣灰度图像第二候选窗口的最优匹配的标准品种红枣灰度图像第二候选窗口的平均光谱序列。
（3）利用光谱角匹配算法，获取每个待鉴别品种红枣灰度图像第二候选窗口与其最优匹配的标准品种红枣灰度图像第二候选窗口的相似度，进而获得待鉴别品种红枣与每种标准品种红枣灰度图像的平均相似度。
利用光谱角匹配算法，得到相似度。
SAM是一种通过计算待分类光谱与参考光谱之间的广义夹角进行分类的一种方法，将光谱在N个波段的光谱响应作为N维空间的矢量，通过计算2个光谱的广义夹角来表征相似程度，夹角越小，相似度越大。
Figure 561858DEST_PATH_IMAGE028
式中：A、B分别指待鉴别品种红枣的平均光谱序列、标准品种红枣的平均光谱序列；
Figure 770248DEST_PATH_IMAGE029
表示待鉴别品种红枣区域像素光谱序列中的第i个值；
Figure 429899DEST_PATH_IMAGE030
表示标准品种红枣区域像素光谱序列中的第i个值；N为波段数；
Figure 123049DEST_PATH_IMAGE031
为2个光谱的广义夹角；
Figure 778021DEST_PATH_IMAGE032
为待鉴别品种红枣与标准品种红枣的相似度。
最终得到最优匹配的第二候选窗口的平均相似度S：
Figure 531213DEST_PATH_IMAGE033
K表示K个第二候选窗口，
Figure 537216DEST_PATH_IMAGE034
表示第i对匹配的第二候选窗口的平均光谱相似性。
至此，即可获取待鉴别品种红枣与每种标准品种红枣的平均相似度。
步骤7：通过对比待鉴别品种红枣与标准品种红枣灰度图像的平均相似度大小，完成对待鉴别红枣的品种鉴别。
最终获取最大平均相似度的对比标准品种红枣作为该待鉴别红枣的品种，即认定该待鉴别红枣为对比的标准红枣品种。
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、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于人工智能与高光谱成像的红枣品种鉴别方法，其特征在于，包括：
通过对获取的待鉴别品种红枣的高光谱图像进行真彩色合成及灰度化处理，获取待鉴别品种红枣的灰度图像；
通过对比待鉴别品种红枣灰度图像中每个窗口的平均梯度值与设置阈值的大小，获取待鉴别品种红枣灰度图像的第一候选窗口；
通过计算待鉴别品种红枣灰度图像中每个第一候选窗口的最大颜色方差，获取待鉴别品种红枣灰度图像的第二候选窗口；
重复上述步骤获取标准品种红枣灰度图像的第二候选窗口；
通过计算每个待鉴别品种红枣灰度图像的第二候选窗口与所有标准品种红枣灰度图像的第二候选窗口的接近值构建窗口二部图，获取每个待鉴别品种红枣灰度图像第二候选窗口的最优匹配的标准品种红枣灰度图像第二候选窗口；
通过获取每个待鉴别品种红枣的灰度图像第二候选窗口及其最优匹配的标准品种红枣灰度图像第二候选窗口的平均光谱序列，得到待鉴别品种红枣与每种标准品种红枣灰度图像的平均相似度；
通过对比待鉴别品种红枣与标准品种红枣灰度图像的平均相似度大小，完成对待鉴别红枣的品种鉴别。
2.根据权利要求1所述一种基于人工智能与高光谱成像的红枣品种鉴别方法，其特征在于，所述获取待鉴别品种红枣的灰度图像的方法包括：
利用高光谱成像技术，获取待鉴别品种红枣中不同成分对应的光谱数据；
通过对待鉴别品种红枣中不同成分对应的光谱数据进行真彩色合成，获取待鉴别品种红枣的可见光图像；
对待鉴别品种红枣的可见光图像进行阈值分割及灰度化处理，获取待鉴别品种红枣的灰度图像。
3.根据权利要求1所述一种基于人工智能与高光谱成像的红枣品种鉴别方法，其特征在于，所述获取待鉴别品种红枣灰度图像的第一候选窗口的方法包括：
对待鉴别品种红枣的灰度图像进行梯度提取，获取待鉴别品种红枣灰度图像中每个像素点的梯度值；
根据待鉴别品种红枣灰度图像中每个像素点的梯度值，对该灰度图像进行滑窗检测，获取该灰度图像中每个窗口的平均梯度值；
设置窗口平均梯度值阈值，将待鉴别品种红枣灰度图像中平均梯度值小于平均梯度值阈值的窗口作为待鉴别品种红枣灰度图像的第一候选窗口。
4.根据权利要求1所述一种基于人工智能与高光谱成像的红枣品种鉴别方法，其特征在于，所述获取待鉴别品种红枣灰度图像的第二候选窗口的方法包括：
对待鉴别品种红枣灰度图像的第一候选窗口进行颜色提取，获取每个待鉴别品种红枣灰度图像的第一候选窗口中各位置的RGB方差，进而获取每个待鉴别品种红枣灰度图像的第一候选窗口的最大颜色方差；
设置窗口最大颜色方差阈值，获取待鉴别品种红枣灰度图像中最大颜色方差小于窗口最大颜色方差阈值的第一候选窗口，选取Top-K个最小的最大颜色方差的窗口，作为待鉴别品种红枣灰度图像的第二候选窗口。
5.根据权利要求1所述一种基于人工智能与高光谱成像的红枣品种鉴别方法，其特征在于，所述获取每个待鉴别品种红枣灰度图像的第二候选窗口与所有标准品种红枣灰度图像的第二候选窗口的接近值的方法包括：
利用最大颜色方差阈值分别对待鉴别品种红枣与标准品种红枣灰度图像中第二候选窗口的颜色方差进行区间划分，获取待鉴别品种红枣与标准品种红枣灰度图像中每个第二候选窗口在各个颜色方差区间的比例；
利用待鉴别品种红枣与标准品种红枣灰度图像中每个第二候选窗口在各个颜色方差区间的比例，获取每个待鉴别品种红枣与所有标准品种红枣的灰度图像的第二候选窗口的KL散度；
利用待鉴别品种红枣与标准品种红枣灰度图像中每个第二候选窗口的RGB值，获取每个待鉴别品种红枣与所有标准品种红枣的灰度图像的第二候选窗口的颜色差；
利用每个待鉴别品种红枣与所有标准品种红枣的灰度图像的第二候选窗口的KL散度和颜色差，获取每个待鉴别品种红枣灰度图像的第二候选窗口与所有标准品种红枣灰度图像的第二候选窗口的接近值。
6.根据权利要求1所述一种基于人工智能与高光谱成像的红枣品种鉴别方法，其特征在于，所述获取每个待鉴别品种红枣灰度图像第二候选窗口的最优匹配的标准品种红枣灰度图像第二候选窗口的方法包括：
利用每个待鉴别品种红枣灰度图像的第二候选窗口与所有标准品种红枣灰度图像的第二候选窗口的接近值构建窗口二部图；
将窗口二部图的边权赋值为两者的接近值，然后利用KM匹配，进行最优的最小匹配，获取每个待鉴别品种红枣灰度图像第二候选窗口的最优匹配的标准品种红枣灰度图像第二候选窗口。
7.根据权利要求1所述一种基于人工智能与高光谱成像的红枣品种鉴别方法，其特征在于，所述得到待鉴别品种红枣与每种标准品种红枣灰度图像的平均相似度的方法包括：
通过对每个待鉴别品种红枣灰度图像第二候选窗口中所有像素的光谱序列进行对应位置光谱值相加并求平均，获取每个待鉴别品种红枣的灰度图像第二候选窗口的平均光谱序列；
重复上述步骤，获取每个待鉴别品种红枣灰度图像第二候选窗口的最优匹配的标准品种红枣灰度图像第二候选窗口；
利用光谱角匹配算法，获取每个待鉴别品种红枣灰度图像第二候选窗口与其最优匹配的标准品种红枣灰度图像第二候选窗口的相似度，进而得到待鉴别品种红枣与每种标准品种红枣灰度图像的平均相似度。
CN202210123155.9A 2022-02-10 2022-02-10 一种基于人工智能与高光谱成像的红枣品种鉴别方法 Active CN114170444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210123155.9A CN114170444B (zh) 2022-02-10 2022-02-10 一种基于人工智能与高光谱成像的红枣品种鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210123155.9A CN114170444B (zh) 2022-02-10 2022-02-10 一种基于人工智能与高光谱成像的红枣品种鉴别方法

Publications (2)

Publication Number Publication Date
CN114170444A true CN114170444A (zh) 2022-03-11
CN114170444B CN114170444B (zh) 2022-05-17

Family

ID=80489561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210123155.9A Active CN114170444B (zh) 2022-02-10 2022-02-10 一种基于人工智能与高光谱成像的红枣品种鉴别方法

Country Status (1)

Country Link
CN (1) CN114170444B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106841053A (zh) * 2017-01-07 2017-06-13 塔里木大学 一种红枣品种快速鉴定方法
US20190057184A1 (en) * 2016-01-21 2019-02-21 Protein Dynaminc Soultions Llc Method and system for spectral data analysis
CN112834454A (zh) * 2020-12-31 2021-05-25 杭州谱育科技发展有限公司 基于近红外高光谱技术的冬枣检测方法
CN113670847A (zh) * 2021-09-26 2021-11-19 山东大学 一种川西獐牙菜提取过程的近红外质量监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190057184A1 (en) * 2016-01-21 2019-02-21 Protein Dynaminc Soultions Llc Method and system for spectral data analysis
CN106841053A (zh) * 2017-01-07 2017-06-13 塔里木大学 一种红枣品种快速鉴定方法
CN112834454A (zh) * 2020-12-31 2021-05-25 杭州谱育科技发展有限公司 基于近红外高光谱技术的冬枣检测方法
CN113670847A (zh) * 2021-09-26 2021-11-19 山东大学 一种川西獐牙菜提取过程的近红外质量监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石鲁珍等: "校正样品的选择对南疆红枣水分NIR定量模型的影响研究", 《食品科技》 *

Also Published As

Publication number Publication date
CN114170444B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN108389188B (zh) 一种稀疏高光谱异常目标检测方法
Huang et al. Spatial and spectral image fusion using sparse matrix factorization
KR101913612B1 (ko) 이미지 내의 복합 토큰들을 식별하기 위한 시스템 및 방법
CN109871884B (zh) 一种融合多特征的支持向量机面向对象遥感影像分类方法
CN112699756B (zh) 一种基于高光谱图像的茶叶原产地识别方法和系统
WO2018116367A1 (en) Image processing device, method and storage medium for removing clouds from an image
US8666700B2 (en) Compact representation of a reflectance spectrum
Zare et al. Piece-wise convex spatial-spectral unmixing of hyperspectral imagery using possibilistic and fuzzy clustering
CN111369605A (zh) 一种基于边缘特征的红外与可见光图像的配准方法和系统
CN115841594B (zh) 基于注意力机制的煤矸高光谱变图像域数据识别方法
CN111310571A (zh) 一种基于空谱维滤波的高光谱图像分类方法及装置
CN110852207A (zh) 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法
CN104915951B (zh) 一种点刻式dpm二维码区域定位方法
CN117575953B (zh) 一种高分辨率林业遥感图像细节增强方法
CN114170444B (zh) 一种基于人工智能与高光谱成像的红枣品种鉴别方法
CN115862006B (zh) 一种面粉磨粉过程中麸星的检测方法
CN114937038B (zh) 面向可用性的遥感影像质量评价方法
Lin et al. Addressing spectral variability in hyperspectral unmixing with unsupervised neural networks
CN113033686B (zh) 基于核引导可变卷积和双窗联合双边滤波器的高光谱图分类方法及系统
CN107103282B (zh) 超高分辨率合成孔径雷达图像分类方法
CN115018873A (zh) 一种基于机器视觉的沉香质量检测方法
CN112966781A (zh) 基于三元组损失和卷积神经网络的高光谱图像分类方法
CN111259914A (zh) 一种茶树叶特征信息高光谱提取方法
CN112418156A (zh) 基于无监督分类的光学遥感图像海面舰船目标检测方法
Dündar et al. Locality constraint joint-sparse and weighted low-rank based hyperspectral image classification

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