一种基于高光谱成像检测虾仁品质的目标区域提取方法
【专利摘要】本发明公开了一种基于高光谱成像检测虾仁品质的目标区域提取方法，首先制备利用高光谱成像系统扫描的虾仁训练样本的高光谱信息，并对高光谱图像进行预处理，通过统计数据分析选择最优波段范围，建立基于径向基核函数的软支持向量机分类模型，再对虾仁待测样本进行检测，计算出虾仁待测样本的目标区域。本发明通过采用高光谱成像技术，明显减少传统手工方法所需时间，提高检测效率，可以有效实现自动、快速、无损、在线检测的目的。
【专利说明】一种基于高光谱成像检测虾仁品质的目标区域提取方法
【技术领域】
[0001] 本发明涉及水产品高光谱检测扫描过程中的目标区域提取领域，特别涉及一种基 于高光谱成像检测虾仁品质的目标区域提取方法。
【背景技术】
[0002] 虾是中国乃至全世界的一种重要的水产品，味道鲜美，营养丰富，深受消费者喜 爱。近年来，由于高光谱检测具有准确、快速、无损的特点，使其在水产品领域飞速发展。高 光谱检测方法面临的第一个问题是获取分析测试所需要的目标区域，也就是目标感兴趣区 域在高光谱图像上的位置。虾仁具有体积小、形状不规则的特征，当虾仁数量较多时，存在 目标区域选取困难，易出错的问题。自动检测虾仁目标区域的方法能够高效，快速地提取虾 仁目标区域，减小人工操作带来的误差，故对于基于高光谱成像原理的虾仁品质检测仪器 的研发是十分重要的。因此，快速、准确提取虾仁的目标区域，关系着高光谱仪器检测虾仁 品质的效率，对于促进虾仁质量控制和产业化有着重要的科学意义和应用价值。
[0003] 目前提取目标区域的方法主要为机器视觉领域的大津法和图像分割法等。但其只 涉及红、绿、蓝三个波段，不能充分分辨高光谱图像中虾仁和背景物体，导致虾仁提取区域 提取的准确率下降，难以满足当代水产品行业准确、在线、无损检测的需求。
[0004] 高光谱成像技术作为一种新型技术，在食品品质及安全领域快速检测中已经表现 出极强的优越性。在肉品方面，ElMasry, Kamruzzaman, Feng, 等人分别进行了猪肉、羊肉、 鸡肉和鱼肉的嫩度、汁液流失、pH值、营养成分，微生物含量的研究，通过光谱变化预测肉品 的品质和新鲜度。中国专利CN10269711公布了一种适用于高光谱影像的信息提取方法；中 国专利CN102982339公布了一种高光谱特征变量选取的方法；中国专利CN102024153公布 了一种高光谱图像监督分类方法。以上发明和研究涉及高光谱图像的数据处理，但针对高 光谱图像的在复杂背景下目标区域提取方面少有报道。
【发明内容】
[0005] 为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于高光谱成 像检测虾仁品质的目标区域提取方法，实现虾仁目标区域的自动检测，准确率高。
[0006] 本发明的目的通过以下技术方案实现：
[0007] -种基于高光谱成像检测虾仁品质的目标区域提取方法，包括以下步骤：
[0008] (1)利用可见近红外高光谱成像仪对虾仁训练样本进行扫描，获取虾仁训练样本 在不同波长条件下的光谱信息，得到虾仁训练样本的高光谱图像；
[0009] (2)对虾仁训练样本的高光谱图像进行分析，将虾仁训练样本在特征波长下的光 谱反射率的一阶导数值作为训练特征向量：
[0010] (2-1)对虾仁训练样本的高光谱图像进行黑白版校正，均值滤波；
[0011] (2-2)分别提取步骤（2-1)处理后的虾仁训练样本的高光谱图像的虾仁感兴趣区 域和背景区域的像素点的光谱反射率，计算其一阶导数值；
[0012] (2-3)将整个虾仁感兴趣区域和背景区域的光谱反射率的一阶导数的平均值相 减，将绝对值相差最大的波长作为区分虾仁样本和背景的特征波长；
[0013] (2-4)将虾仁训练样本的特征波长的光谱反射率的一阶导数值作为训练特征向 量；
[0014] (3)在虾仁训练样本的高光谱图像中的虾仁感兴趣区域选取多个点的光谱反射率 作为虾仁训练集，在虾仁训练样本的高光谱图像中的背景区域选取多个点的光谱反射率作 为背景训练集，利用虾仁训练集和背景训练集建立基于径向基核函数的软支持向量机分类 模型，其中，径向基核函数的公式为：
[0015]
【权利要求】
1. 一种基于高光谱成像检测虾仁品质的目标区域提取方法，其特征在于，包括以下步 骤： (1) 利用可见近红外高光谱成像仪对虾仁训练样本进行扫描，获取虾仁训练样本在不 同波长条件下的光谱信息，得到虾仁训练样本的高光谱图像； (2) 对虾仁训练样本的高光谱图像进行分析，将虾仁训练样本在特征波长下的光谱反 射率的一阶导数值作为训练特征向量： (2-1)对虾仁训练样本的高光谱图像进行黑白版校正，均值滤波； (2-2)分别提取步骤（2-1)处理后的虾仁训练样本的高光谱图像的虾仁感兴趣区域和 背景区域的像素点的光谱反射率，计算其一阶导数值； (2-3)将整个虾仁感兴趣区域和背景区域的光谱反射率的一阶导数的平均值相减，将 绝对值相差最大的波长作为区分虾仁样本和背景的特征波长； (2-4)将虾仁训练样本的特征波长的光谱反射率的一阶导数值作为训练特征向量； (3) 在虾仁训练样本的高光谱图像中的虾仁感兴趣区域选取多个点的光谱反射率作 为虾仁训练集，在虾仁训练样本的高光谱图像中的背景区域选取多个点的光谱反射率作为 背景训练集，利用虾仁训练集和背景训练集建立基于径向基核函数的软支持向量机分类模 型，其中，径向基核函数的公式为：
X为虾仁待测样本的待测特征向量；Xi为第i个虾仁训练样本的训练特征向量；〇为 虾仁训练样本的样本标准差；i = 1，2,…，η ;n为虾仁训练样本总数； 定义支持向量机超平面为： wTx' +b = 0 W为垂直于分割超平面的法向量，X'为自变量；b为常数项； 则软支持向量机分类函数为：
其中，f (X)为分类预测结果，f (X) = 1为虾仁感兴趣区域，f (X) = -1为背景区域；yi 为对应类的标签值，虾仁感兴趣区域为yi = 1，背景区域为yi = -1 ; 其中，α i为下式求解最值中第一项不等式的Lagrange系数，a i和b的值可由下式求 得：
其中，C为惩罚参数，ξ i为松弛参数； (4) 利用可见近红外高光谱成像仪对虾仁待测样本进行扫描，获取虾仁待测样本在不 同波长条件下的光谱信息，得到虾仁训练样本的高光谱图像； (5) 对虾仁待测样本的高光谱图像进行分析，获取虾仁待测样本在特征波长下的光谱 反射率的一阶导数值作为待测特征向量； (6) 将步骤（5)得到的待测特征向量代入步骤（3)得到的基于径向基核函数的软支持 向量机分类模型中，得到虾仁待测样本高光谱图像分类结果的二值图像； (7) 对步骤（6)得到的虾仁待测样本高光谱图像分类结果的二值图像采用数学形态学 的腐蚀，膨胀操作，去除噪声，将虾仁感兴趣区域及边缘的局部缺失补齐，得到修正后的二 值图像； (8) 对步骤（7)得到的修正后的二值图像中的虾仁感兴趣区域进行分割，得到多个虾 仁区域，统计每个虾仁区域的像素面积，将像素面积的最大虾仁区域的像素面积设置为基 准值；对于像素面积小于基准值一半的虾仁区域，作为噪声予以删除，得到最终的虾仁图 像。
2. 根据权利要求1所述的基于高光谱成像检测虾仁品质的目标区域提取方法，其特征 在于，所述特征波长为：519, 525, 531，555, 597,609,626,682,691，691，693,694nm。
3. 根据权利要求1所述的基于高光谱成像检测虾仁品质的目标区域提取方法，其特征 在于，步骤（8)所述对步骤（7)得到的修正后的二值图像中的虾仁感兴趣区域进行分割，具 体为： 根据二值图像的连通性，对步骤（7)得到的修正后的二值图像中的虾仁感兴趣区域进 行分割。
【文档编号】G01N21/359GK104089925SQ201410310448
【公开日】2014年10月8日 申请日期:2014年6月30日 优先权日:2014年6月30日
【发明者】孙大文, 代琼, 曾新安, 刘丹, 成军虎 申请人:华南理工大学