成像光谱技术对苹果斑点及损伤快速识别研究分析

                                       四川双利合谱科技有限公司-黄宇

• 引言

高光谱图像技术结合了光谱分析和图像处理的技术优势，国内外许多学者对研究对象的内外部品质特征进行检测分析，如赵杰文等利用高光谱图像技术检测水果轻微损伤，准确率为88.57 %；Jasper G. Tallada等分别应用高光谱图像技术对不同成熟度的草莓表面损伤、苹果的表面缺陷及芒果的成熟度检测进行了试验研究。王玉田等运用荧光光谱检测出水果表面残留的农药；胡淑芬等运用激光技术对水果表面农药残留进行了试验研究；薛龙等针对水果表面农药残留，以滴有较高浓度的脐橙为研究对象，利用光谱范围425-725 nm的高光谱图像系统进行检测，发现对较高浓度的农药残留检测效果较好。本文采用高光谱图像技术检测苹果的黑白斑区域及损伤区域，以实现苹果黑白斑、损伤区域快速识别的目的。

二、 试验材料与方法

2.1  实验材料

本研究以苹果和橙子为研究对象，分析苹果的黑白斑区域与损伤区域。其中苹果的黑白斑、损伤是非人为故意形成。

2.2  实验设备

高光谱成像数据采集采用四川双利合谱科技有限公司的 GaiaSorter高光谱分选仪系统。该系统主要由高光谱成像仪(V10E)、CCD 相机、光源、暗箱、计算机组成，结构图与实景图如图1。实验仪器参数设置如表1。

表1   GaiaSorter 高光谱分选仪系统参数

图 1  GaiaSorter 高光谱分选仪结构图与实景图

2.3  图像处理分析

采用SpecView和ENVI/IDL对高光谱数据的预处理及分析，预处理中的镜像变换、黑白帧校准在SpecView中进行；其他数据的分析在ENVI/IDL中进行。

三、结果与讨论

3.1  苹果黑斑区域、损伤区域、正常区域和背景的光谱分析

    取苹果黑斑区域、损伤区域、正常区域和背景各3个不同位置周边50个像元，分别获取这3个不同位置50个像元的光谱反射率，并求取这50个像元的反射率均值，如图2所示，其中，苹果没有损伤区域的光谱反射率在500-680 nm范围内高于损伤区域及黑斑区域的光谱反射率；在550-700nm范围内，苹果黑斑区域的光谱反射率较低；在580-700 nm范围内，苹果黑斑区域、损伤区域、正常区域的光谱存在较为显著的波峰波谷，而背景无显著特征。在550-680 nm范围内，损伤区域的光谱反射率鉴于苹果黑斑区域和正常区域之间，因此可以尝试通过构建植被指数和阈值分割方法快速识别出苹果黑斑区域和损伤区域。

图2  苹果黑斑区域、损伤区域、正常区域和背景的光谱反射率

3.3  苹果的*小噪声分离变换

对经过镜像变换、黑白帧校准的苹果、橙子高光谱图像进行MNF变换(如图4，从左到右) ，分别得到以有效信息为主的波段和以噪声为主的波段，并且按照信噪比从大到小的顺序排列。原始数据的主要信息都集中在前面特征值大的波段，后面特征值小的波段主要以噪声为主。特征值接近于0的多数是噪声，*好选择特征值高的波段。从图4可知，当特征值数到7时，特征值趋向于0且无显著变化。

图 4 苹果腐烂区域与农业残留区域提取流程图

3.4  *小噪声分离变换

由于高光谱遥感数据波段多，波段间存在很大相关性，为了克服维数灾难，利用*小噪声分离变换进行波段选择，达到优化数据，去除噪声和数据降维的目的。

*小噪声分离变换( MNF)是对主成分变换( PCA) 的一种改进方法。PCA 是一种线性变换，变换后各主成分分量彼此之间互不相关，随着主成分的增加该分量包含的信息量减小，*主成分包含的信息量*大，第二主成分与*主成分无关且在剩余成分中包含的信息量*大，依此类推。但PCA对噪声比较敏感，在变换后的主成分分量中，信息量大的信噪比不一定高，当某个信息量大的主成分中包含的噪声的方差大于信号的方差时，该主成分分量形成的图像质量就差。针对 PCA 变换的不足，Green 和 Berman 提出*小噪声分离变换( MNF)，它不但能判定图像数据内在的维数( 波段数) ，分离数据中的噪声，而且能减少随后处理中的计算需求量。MNF 变换是基于图像质量的线性变换，变换结果的成分按照信噪比从大到小排列。经过MNF变换大部分噪声集中在特征小的分量中。而不像 PCA变换按照方差由大到小排列，从而克服了噪声对影像质量的影响。

3.4.1 基于MNF的苹果的黑斑、损伤区域识别

    图5列举了苹果原图（高光谱RGB彩色合成）、MNF变换前7个特征值灰度图。从MNF变换的特征值灰度图来看，第1特征值灰度图能较好地区分背景和苹果，然而，苹果的部分黑斑也会识别为背景；第2特征值灰度图能较好地识别出苹果的黑斑；第3特征值灰度图虽能识别出苹果的黑斑，但是苹果的其他区域有一部分也会被识别为黑斑；第4特征值灰度图较亮的部分为苹果的黑斑和苹果损伤区域，识别效果较好；第5、6、7特征值的灰度图则无法正确识别出黑斑、损伤区域。

图5 苹果RGB原图及前7个MNF特征值灰度图

3.5 基于植被指数、阈值分割的苹果斑点、损伤区域快速识别

   根据图2苹果黑斑区域、损伤区域、正常区域和背景的光谱反射率变化规律，构建植被指数NDVI(723.6, 673.6)去除背景并掩膜，*后利用灰度密度分割，用红色代表苹果斑点、损伤区域，绿色代表损伤附近区域，如图8所示。从图中可知，利用植被指数、阈值分割的方法能快速、较为准确地识别出苹果的斑点、损伤区域。

图6基于植被指数、阈值分割的苹果斑点、损伤区域快速识别

四 讨论

高光谱成像技术应用于水果斑点及损伤区域的快速识别已体现出其“图谱合一”的优越性。水果损伤和水果表皮的斑点颜色虽然能用肉眼一一识别，但是在工业生产用，仅靠人力去一一挑选无损伤、无斑点的水果，既费时费力费财。利用成像高光谱技术，获取不同水果的光谱反射率，查找出其损伤、斑点的特征波段，利用特征波段构建植被指数从而实现水果损伤、斑点区域的快速有效的识别，并达到自动化挑选优质水果的目的。本研究结果表明，运用高光谱成像技术，运用*小噪声分离、植被指数等方法等，均可有效地识别水果损伤与斑点区域，但*小噪声分离方法较为复杂，运算速度较慢，不适合在工业生产上进行应用，而植被指数算法简单，仅利用2个波段进行四则运算即可实现水果损伤和斑点的快速识别。