一種基於高光譜成像檢測蝦仁品質的目標區域提取方法
2023-04-27 12:43:46 2
一種基於高光譜成像檢測蝦仁品質的目標區域提取方法
【專利摘要】本發明公開了一種基於高光譜成像檢測蝦仁品質的目標區域提取方法，首先製備利用高光譜成像系統掃描的蝦仁訓練樣本的高光譜信息，並對高光譜圖像進行預處理，通過統計數據分析選擇最優波段範圍，建立基於徑向基核函數的軟支持向量機分類模型，再對蝦仁待測樣本進行檢測，計算出蝦仁待測樣本的目標區域。本發明通過採用高光譜成像技術，明顯減少傳統手工方法所需時間，提高檢測效率，可以有效實現自動、快速、無損、在線檢測的目的。
【專利說明】一種基於高光譜成像檢測蝦仁品質的目標區域提取方法
【技術領域】
[0001] 本發明涉及水產品高光譜檢測掃描過程中的目標區域提取領域，特別涉及一種基 於高光譜成像檢測蝦仁品質的目標區域提取方法。
【背景技術】
[0002] 蝦是中國乃至全世界的一種重要的水產品，味道鮮美，營養豐富，深受消費者喜 愛。近年來，由於高光譜檢測具有準確、快速、無損的特點，使其在水產品領域飛速發展。高 光譜檢測方法面臨的第一個問題是獲取分析測試所需要的目標區域，也就是目標感興趣區 域在高光譜圖像上的位置。蝦仁具有體積小、形狀不規則的特徵，當蝦仁數量較多時，存在 目標區域選取困難，易出錯的問題。自動檢測蝦仁目標區域的方法能夠高效，快速地提取蝦 仁目標區域，減小人工操作帶來的誤差，故對於基於高光譜成像原理的蝦仁品質檢測儀器 的研發是十分重要的。因此，快速、準確提取蝦仁的目標區域，關係著高光譜儀器檢測蝦仁 品質的效率，對於促進蝦仁質量控制和產業化有著重要的科學意義和應用價值。
[0003] 目前提取目標區域的方法主要為機器視覺領域的大津法和圖像分割法等。但其只 涉及紅、綠、藍三個波段，不能充分分辨高光譜圖像中蝦仁和背景物體，導致蝦仁提取區域 提取的準確率下降，難以滿足當代水產品行業準確、在線、無損檢測的需求。
[0004] 高光譜成像技術作為一種新型技術，在食品品質及安全領域快速檢測中已經表現 出極強的優越性。在肉品方面，ElMasry, Kamruzzaman, Feng, 等人分別進行了豬肉、羊肉、 雞肉和魚肉的嫩度、汁液流失、pH值、營養成分，微生物含量的研究，通過光譜變化預測肉品 的品質和新鮮度。中國專利CN10269711公布了一種適用於高光譜影像的信息提取方法；中 國專利CN102982339公布了一種高光譜特徵變量選取的方法；中國專利CN102024153公布 了一種高光譜圖像監督分類方法。以上發明和研究涉及高光譜圖像的數據處理，但針對高 光譜圖像的在複雜背景下目標區域提取方面少有報導。
【發明內容】
[0005] 為了克服現有技術的上述缺點與不足，本發明的目的在於提供一種基於高光譜成 像檢測蝦仁品質的目標區域提取方法，實現蝦仁目標區域的自動檢測，準確率高。
[0006] 本發明的目的通過以下技術方案實現：
[0007] -種基於高光譜成像檢測蝦仁品質的目標區域提取方法，包括以下步驟：
[0008] (1)利用可見近紅外高光譜成像儀對蝦仁訓練樣本進行掃描，獲取蝦仁訓練樣本 在不同波長條件下的光譜信息，得到蝦仁訓練樣本的高光譜圖像；
[0009] (2)對蝦仁訓練樣本的高光譜圖像進行分析，將蝦仁訓練樣本在特徵波長下的光 譜反射率的一階導數值作為訓練特徵向量：
[0010] (2-1)對蝦仁訓練樣本的高光譜圖像進行黑白版校正，均值濾波；
[0011] (2-2)分別提取步驟（2-1)處理後的蝦仁訓練樣本的高光譜圖像的蝦仁感興趣區 域和背景區域的像素點的光譜反射率，計算其一階導數值；
[0012] (2-3)將整個蝦仁感興趣區域和背景區域的光譜反射率的一階導數的平均值相 減，將絕對值相差最大的波長作為區分蝦仁樣本和背景的特徵波長；
[0013] (2-4)將蝦仁訓練樣本的特徵波長的光譜反射率的一階導數值作為訓練特徵向 量；
[0014] (3)在蝦仁訓練樣本的高光譜圖像中的蝦仁感興趣區域選取多個點的光譜反射率 作為蝦仁訓練集，在蝦仁訓練樣本的高光譜圖像中的背景區域選取多個點的光譜反射率作 為背景訓練集，利用蝦仁訓練集和背景訓練集建立基於徑向基核函數的軟支持向量機分類 模型，其中，徑向基核函數的公式為：
[0015]
【權利要求】
1. 一種基於高光譜成像檢測蝦仁品質的目標區域提取方法，其特徵在於，包括以下步 驟： (1) 利用可見近紅外高光譜成像儀對蝦仁訓練樣本進行掃描，獲取蝦仁訓練樣本在不 同波長條件下的光譜信息，得到蝦仁訓練樣本的高光譜圖像； (2) 對蝦仁訓練樣本的高光譜圖像進行分析，將蝦仁訓練樣本在特徵波長下的光譜反 射率的一階導數值作為訓練特徵向量： (2-1)對蝦仁訓練樣本的高光譜圖像進行黑白版校正，均值濾波； (2-2)分別提取步驟（2-1)處理後的蝦仁訓練樣本的高光譜圖像的蝦仁感興趣區域和 背景區域的像素點的光譜反射率，計算其一階導數值； (2-3)將整個蝦仁感興趣區域和背景區域的光譜反射率的一階導數的平均值相減，將 絕對值相差最大的波長作為區分蝦仁樣本和背景的特徵波長； (2-4)將蝦仁訓練樣本的特徵波長的光譜反射率的一階導數值作為訓練特徵向量； (3) 在蝦仁訓練樣本的高光譜圖像中的蝦仁感興趣區域選取多個點的光譜反射率作 為蝦仁訓練集，在蝦仁訓練樣本的高光譜圖像中的背景區域選取多個點的光譜反射率作為 背景訓練集，利用蝦仁訓練集和背景訓練集建立基於徑向基核函數的軟支持向量機分類模 型，其中，徑向基核函數的公式為：
X為蝦仁待測樣本的待測特徵向量；Xi為第i個蝦仁訓練樣本的訓練特徵向量；〇為 蝦仁訓練樣本的樣本標準差；i = 1，2,…，η ;n為蝦仁訓練樣本總數； 定義支持向量機超平面為： wTx' +b = 0 W為垂直於分割超平面的法向量，X'為自變量；b為常數項； 則軟支持向量機分類函數為：
其中，f (X)為分類預測結果，f (X) = 1為蝦仁感興趣區域，f (X) = -1為背景區域；yi 為對應類的標籤值，蝦仁感興趣區域為yi = 1，背景區域為yi = -1 ; 其中，α i為下式求解最值中第一項不等式的Lagrange係數，a i和b的值可由下式求 得：
其中，C為懲罰參數，ξ i為鬆弛參數； (4) 利用可見近紅外高光譜成像儀對蝦仁待測樣本進行掃描，獲取蝦仁待測樣本在不 同波長條件下的光譜信息，得到蝦仁訓練樣本的高光譜圖像； (5) 對蝦仁待測樣本的高光譜圖像進行分析，獲取蝦仁待測樣本在特徵波長下的光譜 反射率的一階導數值作為待測特徵向量； (6) 將步驟（5)得到的待測特徵向量代入步驟（3)得到的基於徑向基核函數的軟支持 向量機分類模型中，得到蝦仁待測樣本高光譜圖像分類結果的二值圖像； (7) 對步驟（6)得到的蝦仁待測樣本高光譜圖像分類結果的二值圖像採用數學形態學 的腐蝕，膨脹操作，去除噪聲，將蝦仁感興趣區域及邊緣的局部缺失補齊，得到修正後的二 值圖像； (8) 對步驟（7)得到的修正後的二值圖像中的蝦仁感興趣區域進行分割，得到多個蝦 仁區域，統計每個蝦仁區域的像素麵積，將像素麵積的最大蝦仁區域的像素麵積設置為基 準值；對於像素麵積小於基準值一半的蝦仁區域，作為噪聲予以刪除，得到最終的蝦仁圖 像。
2. 根據權利要求1所述的基於高光譜成像檢測蝦仁品質的目標區域提取方法，其特徵 在於，所述特徵波長為：519, 525, 531，555, 597,609,626,682,691，691，693,694nm。
3. 根據權利要求1所述的基於高光譜成像檢測蝦仁品質的目標區域提取方法，其特徵 在於，步驟（8)所述對步驟（7)得到的修正後的二值圖像中的蝦仁感興趣區域進行分割，具 體為： 根據二值圖像的連通性，對步驟（7)得到的修正後的二值圖像中的蝦仁感興趣區域進 行分割。
【文檔編號】G01N21/359GK104089925SQ201410310448
【公開日】2014年10月8日 申請日期:2014年6月30日 優先權日:2014年6月30日
【發明者】孫大文, 代瓊, 曾新安, 劉丹, 成軍虎 申請人:華南理工大學