一种多光谱食品图像智能增强方法与流程

本发明涉及图像增强，具体涉及一种多光谱食品图像智能增强方法。

背景技术：

1、食品安全问题一直是社会密切关注的问题之一，在快速发展食品产业的同时也存在许多的食品安全问题需要进一步解决。例如食品中添加剂等材料使用不规范、食品加工过程中混入杂质，或者食品原材料产生变质等，因此对食品的检测非常重要。

2、传统的食品检测主要依靠化学分析和仪器分析，大多以实验室为依托，容易受到检测周期长、检测样本有限、检测工作量大、检测成本和费用高等影响，无法对食品内的物质进行准确的检测。

3、现有方法中采用多光谱成像技术在不破坏食品的同时又能对食品的质量进行快速检测。通过多光谱成像技术可以获取食品的多种光谱信息，可以检测食品中的水分含量等各种物质的含量，也可以用于检测食品的完整性等。但是多光谱成像技术受到环境因素的影响较大，可能会使食品中的各种物质在多光谱图像中的成像不清晰或者模糊，进而对食品中的各种物质不能准确的划分，导致对食品检测不准确。

技术实现思路

1、为了解决食品中的各种物质在多光谱图像中的成像不清晰，进而对食品中的各种物质不能准确的划分，导致对食品检测不准确的技术问题，本发明的目的在于提供一种多光谱食品图像智能增强方法，所采用的技术方案具体如下：

2、本发明提出了一种多光谱食品图像智能增强方法，该方法包括以下步骤：

3、获取待检测食品的多光谱图像；

4、设定预设大小的滑窗根据预设步长在所述多光谱图像中进行滑动，根据每个滑窗区域内的像素点的灰度值，获取每个滑窗区域的灰度差离散度；根据所述灰度差离散度的大小，筛选出模糊滑窗区域；

5、根据所述模糊滑窗区域中像素点的灰度值分布，获取k-means聚类算法中的最优k值；根据所述最优k值对所述多光谱图像进行聚类，获取待检测食品中各种物质的区域；

6、所述最优k值的获取方法为：设定初始k值的大小，从每个所述模糊滑窗区域中选取k个目标像素点，根据每个所述模糊滑窗区域内的目标像素点的灰度值，获取每个所述模糊滑窗区域的目标离散度，根据所述目标离散度的大小和分布获取目标值；将初始k值根据预设更新步长进行更新，根据更新的k值，获取更新的目标值，当更新的目标值满足预设条件时，将对应更新的k值作为最优k值。

7、进一步地，所述灰度差离散度的获取方法，包括：

8、任选一个滑窗区域作为参考滑窗区域，获取参考滑窗区域中每任意两个像素点的灰度值之间的差值绝对值作为灰度差；

9、获取所述灰度差的标准差，作为参考滑窗区域的灰度差离散度。

10、进一步地，所述筛选出模糊滑窗区域的方法，包括：

11、将每个滑窗区域的灰度差离散度从小到大进行排序，获得离散度序列；

12、将所述离散度序列中每相邻的两个灰度差离散度作为一个匹配对；

13、根据所述匹配对中灰度差离散度的差异，获取所述匹配对的差异程度；

14、获取所有所述匹配对的差异程度的均值，作为标准值；

15、根据所述标准值的大小，筛选出模糊滑窗区域。

16、进一步地，所述差异程度的获取方法为：

17、将所述匹配对中的两个灰度差离散度之间的差值绝对值，作为所述匹配对的差异程度。

18、进一步地，所述根据所述标准值的大小，筛选出模糊滑窗区域的方法为：将所述匹配对根据对应的灰度差离散度在所述离散度序列中的位置进行排列，获得匹配对序列；

19、根据匹配对序列的先后顺序，将首次出现与所述标准值的误差小于预设误差的差异程度对应的匹配对，作为临界匹配对；

20、将所述离散度序列中大于或者等于临界匹配对中的第二个灰度差离散度的灰度差离散度，作为异常灰度差离散度；其中，所述匹配对中的灰度差离散度的排序与所述离散度序列中的排列顺序一致；

21、将所述异常灰度差离散度对应的滑窗区域，作为模糊滑窗区域。

22、进一步地，所述从每个所述模糊滑窗区域中选取k个目标像素点，根据每个所述模糊滑窗区域内的目标像素点的灰度值，获取每个所述模糊滑窗区域的目标离散度的方法，包括：

23、任选一个模糊滑窗区域作为目标模糊滑窗区域，从所述目标模糊滑窗区域中任选k个像素点作为参考像素点，获取每任意两个参考像素点的灰度差作为参考灰度差；

24、获取所述参考灰度差的方差作为参考方差；

25、改变参考像素点，获取目标模糊滑窗区域中的所有参考方差；

26、将最大的参考方差对应的k个像素点作为所述目标像素点；

27、将最大的参考方差作为目标模糊滑窗区域的目标离散度。

28、进一步地，所述目标值的获取方法，包括：

29、获取所有所述目标离散度的均值作为平均离散度；

30、将所述平均离散度进行归一化的结果，作为整体差异程度；

31、将相等的目标离散度划分为同一类型离散度，获取每一类型离散度对应的模糊滑窗区域的数量作为类型分布数量；

32、获取所述模糊滑窗区域的总数量作为模糊数量；

33、将每一类型离散度的所述类型分布数量与所述模糊数量的比值，作为对应类型离散度的类型概率；

34、获取所述类型概率的熵作为目标熵；

35、将所述目标熵进行负相关且归一化的结果，作为目标判别值；

36、根据所述整体差异程度与所述目标判别值，获取目标值。

37、进一步地，所述根据所述整体差异程度与所述目标判别值，获取目标值的方法为：

38、将所述整体差异程度与所述目标判别值的相加结果作为目标值。

39、进一步地，所述最优k值的获取方法，包括：

40、将初始k值增加预设更新步长，获得更新的k值，直至满足预设截止条件，结束更新；

41、根据更新的k值，获取更新的目标值；

42、将最大的目标值对应的k值作为最优k值。

43、进一步地，所述根据所述最优k值对所述多光谱图像进行聚类，获取待检测食品中各种物质的区域的方法为：

44、根据最优k值，通过k-means聚类算法获取多光谱图像中的类别；

45、每个类别对应的区域为待检测食品中各种物质的区域。

46、本发明具有如下有益效果：

47、根据每个滑窗区域内的像素点的灰度值，获取每个滑窗区域的灰度差离散度，直接反映出每个滑窗区域内的颜色分布复杂度，因此，根据灰度差离散度的大小，可以准确筛选出模糊滑窗区域；设定初始k值的大小，从每个模糊滑窗区域中选取k个目标像素点，根据目标像素点的数量可以判断k值是否合理；根据每个模糊滑窗区域内的目标像素点的灰度值，获取每个模糊滑窗区域的目标离散度，确定目标像素点是否为不同物质的像素点，间接反映k值是否合理；进而根据目标离散度的大小和分布获取目标值，根据目标值确定k-means聚类算法中的最优k值；将初始k值根据预设更新步长进行更新，对应的目标值也发生更新，当更新的目标值满足预设条件时，此时，对应更新的k值最贴合待检测食品中物质的种类数量，因此，将对应更新的k值作为k-means聚类算法中的最优k值；根据最优k值对多光谱图像进行聚类，使得多光谱图像中的不同颜色区域得到准确的分类，进而使得待检测食品中的各种物质划分的更清晰，准确获取待检测食品中各种物质的区域，便于对待检测食品进行准确的检测。