本发明涉及一种利用二维高光谱图像识别鸡胴体表面污染物的方法，属于图像处理技术领域。
背景技术：
鸡的屠宰加工过程中，鸡胴体表面极易受到破损肠道内粪便污染物的污染。目前，国内对于鸡胴体表面污染物的检测主要采用人工视觉的方法。人工检测无法满足生产效率要求；对一些小尺度和低浓度的污染物，人眼无法识别，造成漏检；另外，人工检测容易产生视觉疲劳，影响检测效果，可信度较低。目前已有的一些利用机器视觉进行污染物识别的技术，主要针对的是胴体表面粪便污染检测，而对于胆汁、血液污染，以及胴体淤血检测鲜有相关报道。已有的研究中，都是对直接取自肠道中的污染物进行检测，而在实际生产中，鸡胴体要经过喷淋冲洗环节，其表面残留污染物大多被水稀释，浓度显著降低，可见度很差，无论人工还是机器视觉都很难检测到。
技术实现要素：
为解决现有技术的不足，本发明的目的在于提供一种利用二维高光谱图像识别鸡胴体表面污染物的方法，将高光谱一维谱拓展至二维谱提高光谱分辨率，从二维高光谱中提取出对污染物最为敏感的特征波段构建假彩色图像，利用颜色分割法识别污染物以及皮肤淤血，实现双波段的无损快速检测。
为了实现上述目标，本发明采用如下的技术方案：
一种利用二维高光谱图像识别鸡胴体表面污染物的方法，其特征是，包括如下步骤：
1)获取高光谱图像：在实验室内室温条件下，将鸡胴体胸腹部向上，放在一个蒙着黑布的托盘上，再将托盘放在高光谱图像系统电动平台上，进行高光谱图像采集；
2)校正图像：将获取的高光谱图像进行校正，校正方程其中I为校正后图像；I0是从高光谱图像系统中获取的原始图像；在与获取样本图像相同拍摄条件下，拍摄标准白板获得了白色参考图像W；B为在相机镜头关闭状态下拍摄的暗参考图像，用于去除相机传感器暗电流的影响；黑白校正后的图像用于模型校正以及验证；
3)分析动态光谱在不同波段间的相关性，构建高光谱二维相关谱；
4)对污染物进行检测；
41)进行假彩色图像增强；
42)分析假彩色空间中的像素分布；
43)确定颜色分割阈值；
5)识别结果可视化：将处于R、G、B三个通道阈值限定范围内的像素被标记为识别出的污染区域像素，利用MATLAB获取假彩色图像中被识别像素的坐标，并在识别结果图中标记出来。
进一步地，所述步骤1)中采集样本整体高光谱信息时，同时获得未加微扰区域的原始光谱信息part0，以及施加了微扰区域的变化光谱信息part1,part2,…,partn，n为施加了微扰区域的个数。
进一步地，其特征是，所述步骤3)包括如下步骤：
31)采用ENVI4.8软件导入并打开校正后的高光谱图像，通过感兴趣区ROI工具手工选取污染ROI、非污染ROI以及背景ROI，构成校正集；
其中，污染ROI的选取集中在中心区域，避免边缘区域；这是由于污染物被稀释后流动性增强，在边缘区域形成微量污染物质与皮肤的混合像元，不利于污染物质的特征光谱的提取；非污染ROI采用线状的ROI提取，目的是为了用最少量的像素去覆盖尽量多的鸡胴体部位：胸部、鸡腿、鸡翅、以及它们之间的连接处；
校正集包括240个污染ROI、30个非污染ROI、以及30个背景ROI；
32)将240个污染ROI数据构建成m个污染ROI集合，相当于对洁净鸡胴体施加了m个微扰，其中第j个污染ROI集合，微扰为tj，在λnm波段下的反射率为Aj(λ)＝A(λ,tj)，j＝1,2,…,m，则动态光谱可表示为j＝1,2,…，m，其中A0为未被污染ROI的平均光谱，将其作为参考光谱；则同步相关强度λa,λb是随机选择的两个波段数值；
33)将动态光谱相关性分析的结果以二维等高线图或三维图形的形式表示出来，得到鸡胴体皮肤光谱在污染物微扰作用下的高光谱同步二维相关光谱，代表两个波段λa和λb处两个动态光谱信号之间的关联程度，并且关于主对角线对称；
34)高光谱二维同步谱中对角线上出现的自相关峰总是正峰，其大小代表了反射峰带对微扰的敏感程度，若某波段下动态光谱相对于原始光谱有较大程度的改变,则该处显示出较强的自相关峰,反之那些保持不变的波段给出极小或没有自相关峰，此时自相关峰出现的波段是对微扰最为敏感的波段，将其提取出来作为后续分析处理的特征波段；也就是说二维相关谱中位于(λi,λj)和(λj,λi)的峰为交叉峰，交叉峰可正可负；如果由微扰引起的λi和λj波段处光谱改变是同相位的，则(λi,λj)和(λj,λi)处的交叉峰为正，反之为负。通常，一对交叉峰所对应的两个波段(λi,λj)和(λj,λi)处也对应着两个自动峰，这样的一对交叉峰和两个自动峰构成一个同步相关正方形。同步相关正方形对应的两个波段λi和λj可以被选为特征提取和处理的特征波段。
进一步地，所述步骤31)中将稀释的污染物看成是干净皮肤系统的微扰，皮肤淤血区域没有被选为校正集。
进一步地，所述步骤41)具体步骤为：在一个真彩色图像中，每一个像素都包含R(红)、G(绿)、B(蓝)三基色，每一基色成分直接决定了此基色的强度。自然界中所有的颜色都可以由R、G、B三种颜色混合而成；在检测领域选择三个非标准的R、G、B波段分别输入到R、G、B通道，形成一个特殊的颜色环境，使得被检测目标具有突出的颜色特征，使得污染物以及皮肤淤血更容易被识别出来；采用ENVI软件的“可用波段列表”功能，选择波段并进行假彩色融合。
进一步地，所述步骤42)利用MATLAB软件中的“im2double”函数功能将产生的假彩色图像转换成双精度图像，然后将标准化后的R、G、B值输入RGB空间，其中x轴为红色通道，y轴为绿色通道，z轴为蓝色通道；
分析污染区域、未污染区域、以及背景区域像素在RGB空间的分布规律及区别，在R、G、B三个通道设定恰当的阈值将污染区域的特定颜色提取出来，实现污染区域的识别。
进一步地，所述步骤43)中R、G、B三个通道的阈值采用受试者测试曲线ROC方法确定。
进一步地，所述步骤5)中识别结果图中由鸡胴体表面的皮肤褶皱或者光照阴影区引起的假阳性点采用区域标记法，去除面积小于50个像素的连通区域，将部分小面积的假阳性点清除。
本发明所达到的有益效果：本方法将高光谱一维谱拓展至二维谱，从而进一步提高光谱分辨率；从二维高光谱中提取出对污染物最为敏感的特征波段，用于构建假彩色图像，最后利用颜色分割法识别污染物以及皮肤淤血，实现双波段的无损快速检测。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明涉及一种利用二维高光谱图像识别鸡胴体表面污染物的方法，包括如下步骤：
1)获取高光谱图像，同时获得未加微扰区域的原始光谱信息part0，以及施加了微扰区域的变化光谱信息part1,part2,…,partn：在实验室内室温条件下，将鸡胴体胸腹部向上，放在一个蒙着黑布的托盘上，再将托盘放在高光谱图像系统电动平台上，进行高光谱图像采集；
2)校正图像：将获取的高光谱图像进行校正，校正方程其中I为校正后图像；I0是从高光谱图像系统中获取的原始图像；在与获取样本图像相同拍摄条件下，拍摄标准白板获得了白色参考图像W；B为在相机镜头关闭状态下拍摄的暗参考图像，用于去除相机传感器暗电流的影响；黑白校正后的图像用于模型校正以及验证；
3)分析动态光谱在不同波段间的相关性，构建高光谱二维相关谱：具体步骤为：
31)采用ENVI4.8软件导入并打开校正后的高光谱图像，通过感兴趣区ROI工具手工选取污染ROI、非污染ROI以及背景ROI，构成校正集；
其中，污染ROI的选取集中在中心区域，避免边缘区域；这是由于污染物被稀释后流动性增强，在边缘区域形成微量污染物质与皮肤的混合像元，不利于污染物质的特征光谱的提取；非污染ROI采用线状的ROI提取，目的是为了用最少量的像素去覆盖尽量多的鸡胴体部位：胸部、鸡腿、鸡翅、以及它们之间的连接处；
校正集包括240个污染ROI、30个非污染ROI、以及30个背景ROI；
将稀释的污染物看成是干净皮肤系统的微扰。
32)将240个污染ROI数据构建成m个污染ROI集合，相当于对洁净鸡胴体施加了m个微扰，其中第j个污染ROI集合，微扰为tj，在λnm波段下的反射率为Aj(λ)＝A(λ,tj)，j＝1,2,…,m，则动态光谱可表示为j＝1,2,…，m，其中A0为未被污染ROI的平均光谱，将其作为参考光谱；则同步相关强度λa,λb是随机选择的两个波段数值；
33)将动态光谱相关性分析的结果以二维等高线图或三维图形的形式表示出来，得到鸡胴体皮肤光谱在污染物微扰作用下的高光谱同步二维相关光谱，代表两个波段λa和λb处两个动态光谱信号之间的关联程度，并且关于主对角线对称；
34)高光谱二维同步谱中对角线上出现的自相关峰总是正峰，其大小代表了反射峰带对微扰的敏感程度，若某波段下动态光谱相对于原始光谱有较大程度的改变,则该处显示出较强的自相关峰,反之那些保持不变的波段给出极小或没有自相关峰，此时自相关峰出现的波段是对微扰最为敏感的波段，将其提取出来作为后续分析处理的特征波段；二维相关谱中位于(λi,λj)和(λj,λi)的峰为交叉峰，交叉峰可正可负；如果由微扰引起的λi和λj波段处光谱改变是同相位的，则(λi,λj)和(λj,λi)处的交叉峰为正，反之为负。通常，一对交叉峰(λi,λj)和(λj,λi)所对应的两个波段λi和λj处也对应着两个自动峰，这样的一对交叉峰和两个自动峰构成一个同步相关正方形。同步相关正方形对应的两个波段λi和λj可以被选为特征提取和处理的最优波段。
4)对污染物进行检测；
41)进行假彩色图像增强：在一个真彩色图像中，每一个像素都包含R(红)、G(绿)、B(蓝)三基色，每一基色成分直接决定了此基色的强度。自然界中所有的颜色都可以由R、G、B三种颜色混合而成；在检测领域选择三个非标准的R、G、B波段分别输入到R、G、B通道，形成一个特殊的颜色环境，使得被检测目标具有突出的颜色特征，使得污染物以及皮肤淤血更容易被识别出来；采用ENVI软件的“可用波段列表”功能，选择波段并进行假彩色融合。
42)分析假彩色空间中的像素分布：利用MATLAB软件中的“im2double”函数功能将产生的假彩色图像转换成双精度图像，然后将标准化后的R、G、B值输入RGB空间，其中x轴为红色通道，y轴为绿色通道，z轴为蓝色通道；分析污染区域、未污染区域、以及背景区域像素在RGB空间的分布规律及区别，在R、G、B三个通道设定恰当的阈值将污染区域的特定颜色提取出来，实现污染区域的识别。
43)确定颜色分割阈值，R、G、B三个通道的阈值采用受试者测试曲线ROC方法确定。本步骤中ROC分析方法广泛地应用于评估二值分类器随分类阈值改变时的分类性能。一个二维ROC图像的横坐标为假阳性率FPR，纵坐标为真阳性率TPR。
本方法中假阳性点是那些原本是皮肤的像素，被算法判定为污染区的像素，FPR就是假阳性点的数量与非污染区域总像素之比。真阳性率采取区域定义的方法。由于污染物被稀释后，流动性增强，少量的污染物质扩散至周围区域，由于皮肤表面残留水分的稀释作用，污染物浓度进一步降低，无法将一个污染区域的所有像素全部识别。因此如果一个污染区域中有大于50个像素被判定为污染点，则这个区域被标志为污染区域。真阳性率就定义为识别出的污染区域数量占总污染区域数量的百分比。
在假彩色图像中，污染区域像素的R、G、B通道取值在某一特定范围内，当改变决定这一范围的阈值时，相应的TPR和FPR都随之改变。因此需要通过ROC分析法来平衡FPR和TPR之间的关系，使得选取的阈值在保证获得高TPR的同时最大程度地降低FPR。ROC坐标图左上方的顶点(TPR＝1，FPR＝0)对应最理想的检测结果。
本方法涉及多阈值(R、G、B三通道阈值)的确定，每幅ROC图像上不同点对应的是R、G两个通道的阈值保持不变的前提下，B通道取不同阈值所得到的TPR与FPR两个量之间的相对变化关系；而不同ROC图像对应不同的R、G阈值。然后在所有的ROC图像中找到与(FPR＝0，TPR＝1)距离最近的点，这个点对应的R、G、B通道阈值即为最佳阈值。
5)识别结果可视化：将处于R、G、B三个通道阈值限定范围内的像素标记为识别出的污染区域像素，利用MATLAB获取假彩色图像中被识别像素的坐标，并在识别结果图中标记出来。识别结果图中由鸡胴体表面的皮肤褶皱或者光照阴影区引起的假阳性点采用区域标记法，去除面积小于50个像素的连通区域，将部分小面积的假阳性点清除。
本实例在步骤1)中设定电移动平台速度为1.3mm/s，相机曝光时间为380ms，进行逐行扫描，采集得到40只鸡胴体表面的362个污染点图像样本，以raw格式存储于计算机。每个高光谱图像都包含空间信息(x，y)和光谱信息(z)。x方向像素为1632个；由于鸡胴体大小不同，所需扫描时间不同，因此y方向的像素在600-1000范围内；z方向从358nm到1021nm，一共有1232个波段。
应用以上方法构建的高光谱二维相关谱，以及通过同步相关图获取的特征波段，可得到在对角线上存在两个强的自动峰，单独提取对角线上自动峰与波长关系图，两个自动峰分别位于474nm和656nm处，同时一对交叉峰出现在相应的波段上，即(474nm,656nm)和(656nm,474nm)。
这意味着未被污染的皮肤光谱在474nm和656nm两个波段对微扰最为敏感，并且在这两个波段光谱改变是同相位的。因此选取474nm和656nm作为识别污染物的特征波段。
在RGB空间中，将656nm波段数据同时赋予R通道和G通道，474nm波段输入B通道，构建假彩色图像。这种融合方法的好处是能够将污染区域以及皮肤淤血在假彩色图像中映射成黄色，而干净的皮肤区域则呈现出蓝白色。根据这一特性，利用颜色分割就可以将污染及存在淤血区域识别出来。
根据污染区域、干净皮肤区域和背景区域像素在RGB空间的分布规律，采用ROC分析方法获得三个颜色通道的分割阈值。R和G通道取阈值取j＝0.5，且B通道取i＝0.3是颜色分割的最佳阈值组合，对应的TPR＝100％以及FPR＝1.209％是最接近理想分类器(TPR＝100％、FPR＝0％)的阈值选择。即如果规定假彩色图象中那些R和G通道分量大于0.5，且B通道分量小于0.3的像素点为污染区的像素，这种判断准则所对应的识别结果中真阳性率最高，而假阳性率最低。
利用颜色分割以及识别结果可视化的方法得到检测结果，对比真彩色图像，假彩色图像中胴体表面异常区域都呈现出偏黄色，检测结果可视化后，在本实施例的数据下，图中13个污染区域中12个被成功标记出来了，而且翅膀尖部的淤血也被标记出来。其中一个血液污染点由于被检测出的像素少于50个，在去噪的过程中当成皮肤表面的假阳性点被去除了，造成漏检。检测结果中的假阳性点都集中在鸡胸上部，是由光照不足造成的阴影区被误判为污染点的结果。
将上述识别算法应用到40个鸡胴体表面共362个污染区样本，检测结果如下。
表1污染物的检测结果
可见，362个污染区域中有344个区域被正确识别出来，总体识别率为95.03％。十二指肠粪便污染区域的识别率最低，其中有5个区域漏检的原因是十二指肠粪便颜色与鸡胴体的皮肤相近，稀释后可见度更低，单个污染区域中识别出的像素个数少于50个，在去除假阳性点过程中该区域被忽略了。有一个漏检区是因为位置处于鸡腿部，光照不足，颜色特征不明显，从而漏检。盲肠粪便污染区域识别率最高是由于盲肠粪便本身颜色较深，并且其中有不溶于水的颗粒状物质，颜色特征明显，因此可识别度较高。两个血液和三个胆汁所在区域漏检的原因是稀释后浓度过低而造成的识别失败。
表2统计了皮肤淤血的检测结果，可见，皮肤淤血的检出率为94.12％。40只鸡胴体样本中有34只皮肤表面有明显的淤血，其中只有两个位于鸡胴体腿部的淤血区域由于光照不足的原因未能被检测出来。
表2皮肤淤血的检测结果
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。