利用高光谱图像技术检测水果轻微损伤

高光谱图像技术检测苹果轻微损伤摘要传统的近红外光谱分析法和可见光图像技术应用于水果品质无损检测中存在的检测区域小、检测时间长、仅能检测表面情况等局限性。

提出了利用高光谱图像技术检测水果轻微损伤的方法。

试验以苹果为研究对象, 利用 500~ 900nm范围内的高光谱图像数据, 通过主成分分析提取 547nm 波长下的特征图像, 然后设计不均匀二次差分消除了苹果图像亮度分布不均匀的影响, 最后通过合适的数字图像处理方法提取苹果的轻微损伤。

关键词: 无损检测苹果高光谱图像检测轻微损伤引言水果在采摘或运输过程中, 因外力的作用使其表皮受到机械损伤, 损伤处表皮未破损, 伤面有轻微，色稍变暗, 肉眼难于觉察。

受水果色泽的影响, 传统的计算机视觉技术不能对轻微损伤加以检测。

但是轻微损伤是水果在线检测的主要指标之一, 随着时间的延长, 轻微损伤部位逐渐褐变, 最终导致整个果实腐烂并影响其他果实。

因此, 水果轻微损伤的快速有效检测是目前研究的难点和热点之一。

虽然轻微损伤和正常区域在外部特征上呈现出极大的相似性, 但是损伤区域的内部组织发生一定的变化, 这种变化可以通过特定波长下的光谱表现出来。

当前, 一种能集成光谱检测和图像检测优点的新技术。

高光谱图像技术正好能满足水果表面轻微损伤检测的需要。

高光谱图像技术是光谱分析和图像处理在最低层面上的融合技术, 可以对研究对象的内外部特征进行可视化分析。

在国内, 高光谱图像技术在农畜产品品质检测的应用还没有相关的文献报道; 在国外,近几年来有部分学者将该技术应用于肉类和果蔬类的品质检测上。

本文采用高光谱图像技术对水果表面轻微损伤检测进行研究, 并通过合适的数据处理方法寻找到最能准确辨别水果表面损伤的特征波长下的图像, 为实现高光谱图像技术对水果轻微损伤的在线检测提供依据。

1 高光谱图像基本原理高光谱图像是在特定波长范围内由一系列波长处的光学图像组成的三维图像块。

图 1 为苹果的高光谱图像三维数据块示意图。

图中, x 和y 表示二维平面坐标轴, K表示波长信息坐标轴。

可以看出,高光谱图像既具有某个特定波长下的图像信息,并且针对 xy 平面内某个特定像素又具有不同波长下的光谱n信息。

因此, 高光谱图像集图像与光谱信息于一身。

光谱信息能充分反映水果内部的物理结构和化学成分, 内部结构的差异可以通过特定波长下的光谱值表现。

在每个波长下, xy 平面内每个像素的灰度值与其在该波长下的光谱值之间一一对应, 在某个特定波长下, 轻微损伤区域与正常区域之间的光谱值会存在很大差异, 因此, 在此波长下的图像中, 它们之间的灰度也存在一定的差异。

图1高光谱图像数据块示意图Fig. 1 Schematic diag ram of hyperspectral imaging data- cube高光谱中, 特定波长的光可通过图像光谱仪和滤波片两种方式获得。

因此, 目前有基于图像光谱仪和基于滤波片的两种高光谱图像检测系统。

基于光谱仪的高光谱图像系统采集得到的数据精度高, 适合于实验室阶段寻找检测目标所需要的特定波长。

但其数据量大, 数据处理时间长, 不适于在线检测。

而基于滤波片的高光谱图像系统采集得到的数据量小, 数据分析所需要的时间短, 适合在线检测, 但是其采集数据有限, 很难寻找到检测目标所需要的特征波长。

一般情况下, 首先, 在实验室阶段利用基于光谱仪的高光谱图像系统寻找检测目标的最佳波长。

然后, 根据最本研究属于实验室阶段的初步尝试, 目的是验证利用高光谱图像检测苹果轻微损伤的可行性, 因此试验采用基于光谱仪的高光谱图像系统。

2 试验材料与方法2.1 试验装置高光谱图像数据是利用图 2 所示基于光谱仪的高光谱图像系统采集得到的。

它是由基于图像光谱仪的高光谱摄像头( ImSpector, V10E, 芬兰) 、 150 W 的光纤卤素灯和一套输送装置等部件组成。

高光谱摄像头的光谱范围为 408~ 1 117nm, 光谱分辨率为 218nm。

图 2 高光谱图像系统原理图Fig. 2 Schematic diagram ofhyperspectral imaging system1. 摄像头2. 光纤3. 光源4. 计算机5. 输送装置2.2 图像采集在高光谱图像数据采集前, 预先确定好高光谱摄像头的曝光时间以保证图像清晰; 确定好输送装置的速度以避免图像尺寸和空间分辨率失真。

数据采集时, 线阵的探测器在光学焦面的垂直方向作横向扫描( x 轴方向) , 获取条状空间中每个像素在各个波长处的图像信息; 同时随着苹果的前进( y 轴方向) , 线阵探测器扫出整个平面完成整幅图像数据的采集, 得到一个大小为600×1 280×1 024 的苹果高光谱图像。

2.3 图像标定由于光源的强度在各波段下分布不均匀以及摄像头中暗电流噪声的存在, 会造成在光源强度分布较弱的波段下, 所获得的图像含有较大的噪声, 因此, 必须对所获得的高光谱图像进行标定。

在与样品采集相同的系统条件下, 首先扫描标准白色校正板得到全白的标定图像 W 。

然后关闭摄像头快门进行图像采集, 得到全黑的标定图像 B 。

最后完成图像标定, 使采集得到的绝对图像 I 变成相对图像R [9] , 标定公式为BW B I R --= (2-1)2.4 数据采集与处理平台试验中, 所有高光谱图像数据的采集都是基于SpectralCube(SpectralImaging Ltd. , Finland) 软件平台; 数据的处理基于 MATLAB 和 VC+ + 610 ( Microsoft Co. ,USA) 软件平台。

3 结果与讨论由高光谱图像原理可知, 苹果图像上每个像素都存在不同波长下的光谱信息。

图中是苹果原始图像和损伤区域光谱图图像的对比。

图 3 苹果原始图像和损伤区域光谱分割图像Fig . 3 Apple original image spectrum image segmentation and damage area从图中可以看出, 损伤区域与正常区域的光谱曲线在波长 500 nm 以上比较接近, 并且 500nm 以下和 900nm 以上的光谱曲线噪声明显。

因此, 在后期的数据处理过程中, 选取 500~ 900nm 范围内的高光谱图像数据进行分析。

3.1 特征波长选取高光谱图像所包含的数据量比二维图像和一维光谱信息的数据量要大得多。

因此, 选择合理的数据处理算法, 寻找最能表征苹果轻微损伤的特征波长下的图像非常重要的。

主成分分析可沿着协方差最大的方向由高维数据空间向低维数据空间投影, 其分析得到的各个主成分向量之间互相独立, 既可以实现降维, 又能除原始数据中的冗余信息。

所以通过主成分分析来优选特征波长, 根据方差贡献率的大小提取前面几个主成分图像, 从中找到最容易检测苹果损伤的主成分图像。

因为主成分图像是由原始高光谱图像数据中各个波长下的图像经过线性组合而形成的, 所以再比较该线性组合中的权重系数, 最大权重系数所对应波长下的图像为最佳特征波长图像。

通过第三主成分图像优选出最能表征苹果轻微损伤的特征波长下的图像, 即 547nm 下的图像, 如图 4 所示图 4 苹果轻微损伤特征提取的图像处理结果 F ig. 4 Apple minor damage feature extraction of image processing results (a) 苹果在547 nm 下的图像 ( b) 灰度直方图 (c) 经过不均匀二次差分后的图像 ( d)200阈值分割后得到的苹果损伤图像3.2 图像处理从图 4 中可以看出, 苹果中心区域呈现一些亮斑, 这主要是由于苹果形状不平整而带来的光线反射不均匀所造成的。

为了消除这些影响, 有必要对图像进行不均匀二次差分处理s"(n λ,g)=s(n λ-1g )+s(n λ+2g )-2s(n λ) (3-1)式中 s"(n λ,g)---- 中心波长 K n 处的不均匀二次差分图像灰度值s(n λ)----中心波长 K n 处的图像灰度值1g ,2g ----波长间隔本试验以 547 nm 为中心波长, 经过反复尝试,选取波长间隔分别为 17 nm 和 81 nm 进行差分得到的结果最佳, 结果如图4a 所示。

首先选择 3×3的模板对差分后的图像进行中值滤波, 结果如图 4c 所示; 然后再观察图像的直方图, 选择合适的阈值对图像进行阈值分割; 最后对得到的二值图像进行腐蚀和膨胀处理, 从而完成特征区域的提取。

苹果类型样本数检测结果正确率（%）正常苹果轻微损伤苹果正常25 19 6 76轻微损伤35 4 31 88.57表苹果轻微损伤的检测结果4 总结对利用高光谱图像技术检测苹果损伤进行了初步研究。

对所获得的高光谱图像数据进行主成分分析, 优选出特征波长 547nm 下的图像, 利用该特征波长下的图像通过不均匀二次差分和图像处理技术可以有效检测苹果表面的轻微损伤。

参考文献：【1】 Chan T F，Vese L A. Active contours without edges[J]. IEEE Transactions on Image Processing，2001，10（2）：266-277.【2】Zhang K H，Zhang L，Song H H，et al. Active contours with selective local or global segmentation：A new formulation and level set method[J]. Image and Vision Computing，2010，28（4）：668-676.【3】Li C M，Xu C Y，Gui C F，et al. Level set evolution without re-initialization：a new variational formulation [A]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition[C]. California：San Diego，2005，1：430-436. 【4】黄敏，朱晓，朱启兵，等. 基于高光谱图像的玉米种子特征提取与识别[J]. 光子学报，2012，41（7）：868-873.HUANG Min，ZHU Xiao，ZHU Qibing，et al. Morphological characteristics of maize seed extraction and identification based on the hyperspectral image[J]. Acta Photonica Sinica，2012，41（7）：868-873.（in Chinese）【5】黄敏，朱晓，朱启兵，等. 基于主动轮廓模型的玉米种子高光谱图像分类[J]. 数据采集与处理，2013，28（3）：289-293.HUANG Min，ZHU Xiao，ZHU Qibing，et al. Hyperspectral image classification of maize seeds based on active contour model[J].Journal of Data Acquisition and Processing，2013，28（3）：289-293.（in Chinese）【6】洪添胜，乔军，Ning Wang，等. 基于高光谱图像技术的雪花梨品质无损检测[J]. 农业工程学报，2007，23(2)：151－155.【7】张雷蕾，李永玉，彭彦昆，等. 基于高光谱成像技术的猪肉新鲜度评价[J]. 农业工程学报，2012，28(7)：254－259.相关程序：%苹果原始图像和损伤区域光谱分割图像：clcclear allI=imread(' c4.jpg ');subplot(1,2,1),imshow(I);title('原始图像')axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系level=graythresh(I); %确定灰度阈值BW=im2bw(I,level);subplot(1,2,2),imshow(BW);title('Otsu 法阈值分割图像')axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系%苹果轻微损伤特征提取的图像处理结果：I=imread('11.jpg');I1=rgb2gray(I);figure;subplot(2,2,1);imshow(I1);title(' 灰度图像')axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系[m,n]=size(I1); %测量图像尺寸参数GP=zeros(1,256); %预创建存放灰度出现概率的向量for k=0:255GP(k+1)=length(find(I1==k))/(m*n); %计算每级灰度出现的概率，将其存入GP 中相应位置endsubplot(2,2,2),bar(0:255,GP,'g') %绘制直方图title('灰度直方图')xlabel('灰度值')ylabel(' 出现概率')I2=im2bw(I,150/255);subplot(2,2,3),imshow(I2);title('阈值150的分割图像')axis([50,250,50,200]);grid on; %显示网格线axis on; %显示坐标系I3=im2bw(I,200/255); %subplot(2,2,4),imshow(I3);title('阈值200的分割图像')axis([50,250,50,200]);grid on; %显示网格线axis on;。