[发明专利]一种用于茶叶外形品质检测的高光谱特征波段优化方法

权利要求书

1.一种用于茶叶外形品质检测的高光谱特征波段优化方法，其特征在于，包括以下步骤：

步骤1、从茶叶高光谱图像中截取一定像素图像作为感兴趣区域，从感兴趣区域一定像素内提取可见/近红外平均光谱，并利用离散小波变换对提取的可见/近红外光谱进行预处理，以消除噪声信息；

步骤2、设计特征波段组合分析FWCA算法筛选可见/近红外光谱的特征波段，再提取优选特征波段下的高光谱图像，实现高光谱图像数据的初步压缩；

FWCA算法的具体实现过程如下：

①给定光谱数据集X(m×n)，m为样本数、n为变量数；BMS运行次数p，取100；NLDF运行次数N，取100；

②当i≤N，生成一个二进制矩阵Y(p×n)，每列中值为“1”和“0”的个数相等，且随机分布；对于Y，每一行代表一次采样运行，每一列代表光谱矩阵X的一个变量，当Y中的值为“1”时，表明采用运行时对应X中相应变量被选中；相反，若Y中的值为“0”，表明所对应X中的变量在采样运行时未选中；

③当j≤p，计算第j次BMS采样运行时，建立在获得的变量子集上的所有PLS-DA分类器的正确识别率；

④将步骤③中获得的PLS-DA分类器按识别率高低进行排序，依据最高识别率获得最佳子模型建立所用变量子集，并计算获得变量子集中波长变量出现的频次；

⑤按NLDF(r_i＝lnα_i)计算保留变量比率，基于步骤④中计算的波长变量频次，按频次高低保留变量个数n＝n×r_i，得到新的n，返回步骤②；

⑥算法N次运行后，只有少数几个波长变量被保留，计算所有变量组合情况下，采用CV法来优化PLS-DA分类器的识别率，并将识别率最高的模型所用的波长变量保留下来，作为FWCA优选的最优变量子集；

步骤3、对初步压缩后的高光谱图像数据进行主成分分析PCA，并根据PCA统计结果确定最终高光谱特征波段。

2.根据权利要求1所述的一种用于茶叶外形品质检测的高光谱特征波段优化方法，其特征在于，步骤1中，从茶叶高光谱图像中截取500×500像素图像作为感兴趣区域，从感兴趣区域50×50像素内提取可见/近红外平均光谱。

3.根据权利要求1所述的一种用于茶叶外形品质检测的高光谱特征波段优化方法，其特征在于，步骤1中所述离散小波变换，其小波基函数采用db系列，即db2-db6系列，原始信号分解层次取3层或4层，选用heursure软阈值模式对分解后的高频系数进行滤噪，最后利用滤噪后的高频系数结合分解的低频系数进行信号重构，获得离散小波滤噪后的可见/近红外光谱。

4.根据权利要求1所述的一种用于茶叶外形品质检测的高光谱特征波段优化方法，其特征在于，步骤2中所述FWCA算法是以自然对数衰减函数NLDF来压缩变量空间，决定每一次迭代后要保留变量个数；在NLDF迭代过程中采用的采样准则为二进制矩阵抽样BMS，此外，采用偏最小二乘判别分析PLS-DA作为FWCA算法优化变量子集的分类器，采用交叉验证CV法，以最高分类识别率作为目标函数确定最佳变量子集。

5.根据权利要求1所述的一种用于茶叶外形品质检测的高光谱特征波段优化方法，其特征在于，步骤3中所述PCA统计结果是指将第一主成分的载荷系数最大正值或最大负值对应的波段定义为特征波段。

6.根据权利要求5所述的一种用于茶叶外形品质检测的高光谱特征波段优化方法，其特征在于，PCA统计结果具体实现过程如下：首先提取由FWCA算法优选特征波段下的所有图像信息，并对其进行PCA；根据PCA原理可知，第一主成分PC1包含了原始数据的有用信息，其表达式为PC1＝a₁x₁+a₂x₂+…+a_nx_n，a_i为载荷系数，x_i为波段图像信息，该表达式中下标i的取值范围为1≤i≤n，若a_i绝对值越大，则其对PC1的影响也就越大；若a_i值为正的最大，说明该波段图像对PC1的正相关性贡献最大；若a_i值为负的最大，说明该波段图像对PC1的负相关性贡献最大，因此，将a_i最大正值和最大负值所对应的波段定义为特征波段；最后，通过对比分析多个不同样本，以最终确定高光谱特征波段。