[发明专利]一种基于高光谱成像检测虾仁品质的目标区域提取方法

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。

主权项

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：$K(x_i,x)=\exp (-\frac{{(x-x_i)}^2}{{\mathrm{\σ}}^2})$x为虾仁待测样本的待测特征向量；x_i为第i个虾仁训练样本的训练特征向量；σ为虾仁训练样本的样本标准差；i＝1,2,…,n；n为虾仁训练样本总数；定义支持向量机超平面为：w^Tx'+b＝0w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：$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x_i,x)+b)$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；y_i为对应类的标签值，虾仁感兴趣区域为y_i＝1，背景区域为y_i＝‑1；其中，α_i为下式求解最值中第一项不等式的Lagrange系数，α_i和b的值可由下式求得：$\left\{\begin{array}{c}\underset{w,\mathrm{\ξ},b}{\min }\{\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\}\\ s.t.\begin{array}{c}{y}_i(w^T{x}_i+b)\≥1-{\mathrm{\ξ}}_i,i=1,...,n\\ {\mathrm{\ξ}}_i\≥0,i=i,...,n\end{array}\end{array}\right.$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。