基于HIT的马铃薯外部缺陷特征的提取

汤全武，史崇升，汤哲君

（宁夏大学物理电气信息学院，银川 750021）

基于HIT的马铃薯外部缺陷特征的提取

汤全武，史崇升，汤哲君

（宁夏大学物理电气信息学院，银川 750021）

为提取马铃薯高光谱图像的外部缺陷特征，结合高光谱成像技术、主成分分析、小波变换以及改进的最大类间方差法对马铃薯外部缺陷进行提取。通过对马铃薯高光谱图像数据做全波段（468～960 nm）主成分分析（PCA）和独立主成分分析（ICA），以全波段缺陷特征明显的主成分图像作为特征提取图像，然后对其分别进行4尺度的sym4、Haar、db4小波变换，从纹理信息客观的评价利用小波重构经PCA和ICA处理的主成分图像，再使用改进的Otsu算法对重构的图像进行目标图像分割，获得马铃薯的缺陷特征。结果表明，结合高光谱成像技术、PCA分析、小波变换和改进的Otsu算法提取马铃薯病斑、机械损伤和孔洞缺陷特征效果明显，正确率达94.2%。

马铃薯；高光谱成像技术；小波；主成分分析；独立主成分分析；Otsu

高光谱成像技术（Hyperspectral imaging technol⁃ogy，HIT）是利用电磁波谱对各种物质特性以成像形式进行物质光谱特性研究[1]，包含两维空间信息和一维光谱信息，具有连续多波段、光谱分辨率高等特点，是多信息融合检测果品综合品质的首选技术[2]。将其应用到马铃薯品质与安全性检测中，能采集马铃薯图像信息并获取马铃薯光谱信息，光谱信息可检测马铃薯物理结构和化学成分等，图像信息能全面反映马铃薯的外在特征、表面缺陷和污染情况[3]。这种内外品质信息兼备的技术特征，可满足马铃薯内外品质无损检测需要。

目前，国内外利用高光谱成像技术对马铃薯内外品质进行检测研究，已取得一定成果。在内部化学成分检测方面，周竹等结合高光谱成像技术，提出一种竞争性自适应重加权算法与连续投影算法相结合波长选择方法，建立多元线性回归模型检测马铃薯干物质含量[4]。在内部虫害检测方面，高海龙[5]利用透射高光谱成像技术，采用不同变量选择方法，建立检测马铃薯黑心病偏最小二乘判别分析（Partial least squares discriminant analy⁃sis,PLS-DA）模型与质量偏最小二乘回归（Partial least squares,PLS）模型；Razmjooy等和Rios-Ca⁃brera研究表明，支持向量机和人工神经网络在进行马铃薯品质分类中可取得良好效果，试验分类的准确率可达96.0%以上[6-7]。在外部品质无损检测方面，周竹等通过反射高光谱成像技术采集马铃薯干腐、表面碰伤、机械损伤、绿皮、孔洞及发芽等6类外部缺陷样本及合格样本的高光谱图像，提取样本感兴趣区域的光谱曲线并进行光谱特性分析，采用PCA分析确定5个特征波长，并结合波段比算法与均匀二次差分算法对特征波段的第二主成分图像进行分类，缺陷识别率达到95.65%[8]；苏文浩等以外部有缺陷及完好无损的合格马铃薯为研究对象，利用漫反射高光谱成像技术获取高光谱数据，采用主成分分析法确定特征波段，以特征波段的主成分分析图像作为分类图像，并结合图像差值算法、波段比算法、均匀二次差分算法等多种算法，提高马铃薯缺陷识别率[9]；李小昱为提高马铃薯痂疮病无损检测识别精度，结合机器视觉和近红外光谱多源信息融合技术，提出DS（Dempster shafer）证据理论结合支持向量机的马铃薯痂疮病无损检测方法，试验结果表明，采用融合模型进行马铃薯痂疮病检测，比单一机器视觉模型或近红外光谱模型识别率高[10]。

利用高光谱成像技术检测马铃薯研究尚处于实验室起步阶段，目标检测主要是针对马铃薯内部品质，包括含水率、干物质、病变、外部缺陷（马铃薯干腐、表面碰伤、机械损伤、绿皮、空洞等）等，通过对马铃薯高光谱图像进行降维，引入大量诸如PCA、GA、PLS、ANN、PLS等化学计量学方法及统计学方法，提取特征参数并建立模式识别预测模型。但高光谱成像技术包含图像信息，其光谱信息对马铃薯内部品质检测研究效果明显，仅利用光谱信息是资源浪费。目前国内外鲜有利用高光谱成像技术对马铃薯外部缺陷特征进行提取的研究。为充分利用高光谱成像技术，本文提出基于HIT的马铃薯外部缺陷特征的提取。

1 材料与方法

1.1 供试材料

试验样品采自宁夏回族自治区银川市同心路农贸市场，共172个样本。其中，122个表面具有病斑、机械损伤和孔洞缺陷特征，50个为合格马铃薯。马铃薯品种为棵新10号，采集后运往宁夏大学农学院食品机械与工程实验室进行高光谱试验。

1.2 马铃薯高光谱数据的采集

马铃薯高光谱数据采集系统包含软硬件两部分。其中，硬件系统采用美国Headwall公司生产高光谱成像仪（光谱范围400～1 000 nm，光谱分辨率2.8 nm），主要包括图像光谱仪（SN:G4232，MODEL#1003B-10141），一套1 000W光纤卤素灯（PHOTON）可提供可见和近红外波段光谱，一组带有1 344个有效像素线阵CCD摄像机（LP390-49），一组输送装置（Headwall,VT-80）和计算机（Lenovo, thinkpadX220）等部件组成，其系统如图1所示；软件采用美国NI公司CD-1079labview高光谱图像采集软件及Andor Luca相机软件。

根据测量物品性质确定试验参数为：物距约270 mm，成像光谱仪的曝光时间5 ms，扫描线实际长度140 mm，样本表面平均照度27 333 lx，扫描时的电机步距150 μm。数据采集时，线阵探测器在光学焦平面垂直方向做横向扫面，获取所扫描空间中每个像素在整个光谱区域的光谱信息，样本在输送装置的作用下作垂直于摄像机纵向移动，结合高光谱图像采集软件完成马铃薯样本图像采集。采集到的图像块既包含有特定像素的光谱信息也具有特定波段下的图像信息。其中两幅具有外部缺陷的马铃薯高光谱图像如图2所示。其中，图2（a）马铃薯有病斑和机械损伤；图2（b）马铃薯表皮有机械损伤和干腐病。

图1 Headwall高光谱成像仪Fig.1 High spectrum imaging spectrometer of Headwall

图2 马铃薯高光谱图像Fig.2 Potato high spectrum image

2 结果与分析

2.1 基于PCA和ICA的马铃薯高光谱数据降维

马铃薯样本在400～1 000 nm光谱波长范围内每隔约2.8 nm共取125幅图像，数据量巨大，谱间存在强相关性。

本文利用PCA和ICA对其进行分析，建立新变量，这些新建变量相互间不相关，具有均方误差最小、能量集中等特点，新变量足以反映高光谱图像所有信息。对马铃薯高光谱数据先进行成分分析，去掉冗余信息，留下代表图像主要信息的分量，可减少计算量。

主成分分析是以特征量分析多元统计分布的方法，用于分析数据及建立数理模型。其方法主要通过对协方差矩阵进行特征分解，以得出数据主成分（特征矢量）与权值（特征值）。PCA结果可理解为对原数据中方差做出解释：哪一个方向上数据值对方差影响最大。PCA提供降低数据维度有效办法，即在原数据中除掉最小特征值所对应成分，所得低维度数据最优化。其数学定义是：1个正交化线性变换，把数据变换到1个新坐标系统中，使这一数据任何投影的第一大方差在第一个坐标（称为第一主成分）上，第二大方差在第二个坐标（第二主成分）上，依次类推。

独立主成分分析由盲信源分离发展产生，是一种基于高阶统计量分析样本的内在统计独立方法。其与主成分分析原理相同，不同之处在于ICA算法要求各分量间是统计独立或者尽可能独立。ICA将高光谱数据转换成相互独立的部分，即去相关，可用来进行降维、分离图像中隐藏的噪声等。

本文对马铃薯高光谱图像数据立方体进行主成分分析的硬件平台为Lenovo-ThinkPad系列计算机一台，计算机操作系统为Windows 7，使用高光谱影像数据处理分析系统软件ENVI 4.7。

在ENVI 4.7软件下对每个马铃薯样本的高光谱图像数据立方体做全波段（468～960 nm）主成分分析和独立主成分分析。在做PCA合ICA分析前先尽可能去掉周边背景，只选取马铃薯样本所在区域图像。所有马铃薯样本原始高光谱图像数据立方体中400～467 nm和960～1 000 nm两段波长范围的图像噪声比较大，这是实验设备的固有品质造成，故可舍弃这段波长，对所有马铃薯样本原始高光谱图像数据立方体从468～960 nm做主成分分析。对经过PCA降维的马铃薯高光谱图像进行分析，发现第1主成分图像包含原始马铃薯高光谱图像数据的最多信息，但这些信息主要表征马铃薯正常表皮信息，反映光照对样本影响，不利于缺陷提取，如图3（a）和图3（c）所示，经过数次实验和分析发现经过PCA降维的马铃薯高光谱图像，其第2主成分图像能突出缺陷类型马铃薯的缺陷信息，故确定马铃薯样本的第2主成分图像作为马铃薯缺陷的提取图像，如图3（b）和图3（d）所示；对经过ICA降维的马铃薯高光谱图像进行分析，发现Potato1的第3主成分能够突出缺陷的类型，如图3（e）所示，Potato2的第2主成分能够突出缺陷类型，如图3（f）所示。

图3 马铃薯高光谱图像的PCA和ICA分析结果Fig.3 PCA and ICA analysis results of potato high spectrum image

2.2 小波重构马铃薯主成分图像

小波核性质使尺度函数φ(x)和小波函数ψ(x)可利用自身双分辨率副本的线性组合来表达。经过序列展开，如公式（1）。

其中，hφ和hψ的展开系数分别称为尺度和小波向量。其为快速小波变换（FWT）滤波器系数。把分解的系数还原成原始信号过程叫作小波重构（Wavelet reconstruction），数学上称为逆离散小波变换（Inverse discrete wavelet transform，IDWT）。

常用的小波函数有：Haar小波、Daubechies小波（dbN）、双正交B样条小波、Morlet小波、高斯小波、Marr小波、Symlets小波、Meyer小波、Shannon小波和Coiflet小波等[11]。在本文中，小波函数采用sym4、Haar、db4 3种小波函数。根据参见文献[12]并经过多次试验，发现分解尺度在N≤Log2(max(m,n))(m,n-降维图像的行数和列数）范围内对重构图像的影响不大，选用分解尺度为4。

对经过主成分分析的Potato1和Potato2的第2主成分图像利用4尺度的sym4、Haar、db4 3种小波函数进行小波重构，其结果如图4（a）～（f）所示。同样对经过独立主成分分析的Potato1的第3主成分和Potato2的第2主成分图像进行小波重构，其结果如图4（g）～（l）所示。

图4 小波重构图像Fig.4 Reconstruction images with wavelet

对比图4（a）、4（c）、4（e）和图3（b），图4（b）、4（d）、4（f）和图3（d），图4（g）、4（i）、4（k）和图3（e），图4（h）、4（j）、4（l）和图3（e）可看出，经过重构图像和降维，马铃薯高光谱图像间从视觉效果上几乎看不出任何差别。这一点可从图像纹理信息客观进行说明。采用均值、标准偏差、平滑度、三阶矩、一致性和熵作为重构图像的空间描绘与分析指标，计算结果见表1。

表1 Potato1和Potato2降维图像和重构图像的纹理度量Table 1 Texture measure of Potato1 and Potato2 principal components image and restructuring image

由表1可知，经过PCA和ICA分析的Potato1和Potato2纹理度量指标与采用4尺度不同小波函数对其进行重构纹理度量指标整体上较为相近，这也说明经过重构的图像和降维马铃薯高光谱图像间差别不大；采用4尺度Haar小波函数对降维马铃薯高光谱图像Potato1和Potato2进行重构，其纹理度量指标与经过重构图像的纹理度量指标非常相近，说明与采用sym4和db4小波相比，Haar小波重构的效果更好，比较重构图像和降维图像之间均方误差（MSE）和相关测度K值则更为清楚。其中相关测度K表示测量数据量间的相似程度。均方误差（MSE）和相关测度K值如表2所示。

表2 降维图像与重构图像纹理信息间的均方误差（MSE）和相似测度（K）值Table 2 MSE,similarity measure K value of the texture measure of principal components image and restructuring image

由表2可知，重构图像与降维图像间的纹理信息均接近于1；与采用sym4和db4小波相比，Haar小波的重构图像与降维图像纹理信息间的MSE均最小，说明采用4尺度的Haar小波对经过降维的马铃薯高光谱图像重构效果最优。

2.3 马铃薯外部缺陷特征的提取

为更有效地提取马铃薯外部缺陷特征，本文采用文献[13]结合两类之间间距和类内距离。改进的Otsu阈值分割算法，其较之传统的Otsu法更佳。

传统Otsu法算法是在灰度直方图基础上用最小二乘法原理推导出来的，具有统计意义上最佳分割阈值。其基本原理是以最佳阈值将图像的灰度直方图分割成两部分，使两部分间方差取最大值，即分离性最大。而采用改进的Otsu法充分考虑两类之间间距和类内距离。为表示两类间的距离，选取距离的平方作为距离度量

其中，u0(k)和u1(k)为目标和背景平均灰度级。选取距离的平方作为距离度量。d2(k)越大，两类间距就越大，目标和背景就分得越清晰，分割效果越好。同时，改进算法引入两类平均方差概念，用来度量内聚性。

当G(k)取最大值时所对应的灰度级即为所求的最佳阈值。

对经过PCA和ICA降维的Potato1和Potato2主成分图像，即图3（b）、（d）、（e）和图3（f），利用改进的Otsu阈值分割算法进行分割，结果如图5（a）～（d）所示。对经过4尺度的Haar小波重构的图像，即图4（c）、（d）、（i）、（j），利用改进的Otsu阈值分割算法进行分割，结果如图5（e）～（h）所示。

由图5（a）～（h）可知，图5（e）和图5（f）能够清晰看到马铃薯缺陷特征，即对经过PCA降维和小波重构马铃薯高光谱图像采用改进的Otsu算法效果最佳；图5（a）和图5（b）并不能区分背景和目标，即对经过PCA降维的马铃薯高光谱图像采用改进的Otsu算法效果最差；图5（c）、（d）、（g）和图5（h）可较为清楚地看到马铃薯缺陷的轮廓，但也存在过分割的情况，对马铃薯缺陷的细节信息处理较差；马铃薯Potato1，有明显缺陷特征，在其他区域又存在斑点，由于斑点也有丰富的纹理信息，其灰度变化范围与缺陷区域接近，在分割结果中也会被提取，如图5（e）所示。

采用改进的Otsu算法对经过PCA和ICA降维的马铃薯高光谱图像直接进行分割，即图3（b）、图3（d）、图3（e）和图3（f），其最佳阈值和计算时间如表3所示。对马铃薯高光谱的主成分图像利用4尺度的Haar小波重构，再利用改进的Otsu算法对其进行分割，其最佳阈值和执行时间如表3所示。

图5 图像分割结果Fig.5 Results of image segmentation

表3 采用改进的Otsu算法对目标图像进行分割的最佳阈值和执行时间Table 3 Best threshold value and the execution time using improved Otsu algorithm to image

从表3可知，对马铃薯主成分图像先利用小波重构再进行分割，计算量增加，其执行时间较对主成分图像直接采用改进Otsu算法分割执行时间增加，该问题将在后续试验中解决。

对122个外部包括机械损伤、病斑和孔洞缺陷的马铃薯高光谱图像采用本文方法提取缺陷特征，能够较为准确地提取马铃薯外部缺陷特征的个数为113个，正确率为94.2%；对50个合格马铃薯采用本文方法，提取到的特征为马铃薯外部形状，识别数为45，误判率为10%。对合格马铃薯使用上述方法，得到马铃薯形状轮廓，而外部有病斑、机械损伤和孔洞缺陷特征马铃薯，在缺陷特征明显区域，灰度的变化较大，具有丰富纹理信息，则采用改进Otsu算法，将其他区域作为背景去掉，提取结果即为马铃薯缺陷。

本文提出将马铃薯高光谱图像利用PCA降维，得到缺陷特征明显主成分图像，利用4尺度的Haar小波进行重构，采用改进Otsu算法提取马铃薯图像的缺陷特征，可达到良好效果。该方法创新在于，①将小波变换引入马铃薯缺陷特征提取，重构利用PCA降维高光谱图像，压缩图像数据量，提高Otsu算法分割效果；②将改进Otsu算法创造性地与PCA降维及小波重构结合，共同应用于马铃薯外部缺陷特征提取，结果表明，分割效果较好，对推动利用高光谱成像技术实时在线无损检测马铃薯品质具有参考价值。

3 讨论与结论

本文以马铃薯外部有病斑、机械损伤和孔洞缺陷特征的高光谱图像为例，马铃薯高光谱数据采集，采用PCA和ICA两种方法降维，确定马铃薯缺陷特征明显的主成分图像，再利用4尺度的sym4、Haar、db4小波变换重构主成分图像，从图像纹理信息方面优选出最佳的小波重构函数，最后采用改进Otsu算法提取马铃薯的缺陷特征。结果表明，①经过PCA和ICA降维的马铃薯高光谱图，其第一主成分图像主要反映光照对样本的影响，不适合作为马铃薯缺陷提取图像；②利用4尺度的Haar小波变换对经过PCA和ICA降维马铃薯高光谱图像进行重构，较好保持图像纹理信息；③采用结合两类之间间距和类内距离的Otsu算法对经过ICA预处理的马铃薯高光谱图像进行分割，其效果优于对经过PCA预处理的马铃薯高光谱图像的分割效果；④将马铃薯高光谱图像利用PCA降维、4尺度Haar小波重构以及改进Otsu算法提取马铃薯图像的缺陷特征，其效果优于利用ICA降维、4尺度Haar小波重构和改进Otsu算法提取马铃薯图像缺陷特征；⑤对122个外部有缺陷的马铃薯采用本文方法提取缺陷特征，正确率为94.2%，对50个合格马铃薯采用本文方法，正确率为90%。

高光谱成像技术是目前首选的马铃薯内外品质检测方法。虽然采用机器视觉也可进行马铃薯缺陷的提取，且硬件成本低、速度快，但难以检测马铃薯的内部品质，相应的也要增加多光谱成像设备对马铃薯内部品质进行检测，但是如果能够充分有效地利用高光谱成像技术的光谱技术和图像技术建立完善的马铃薯分级体系，并确定马铃薯缺陷的特征波段，则可以利用多光谱成像仪代替高光谱成像技术，利用特征波段的合成图像进行外部品质检测，其光谱信息可用于内部品质检测，降低马铃薯分级成本。

[参考文献]

[1]陈守满.高光谱图像与农产品品质无损检测研究进展[J].安康学院学报,2011,23(6):1-6.

[2]张然.基于高光谱成像技术的马铃薯外部损伤识别研究[D].银川:宁夏大学,2013:5-7.

[3]马本学,应义斌等.高光谱成像在水果内部品质无损检测中的研究进展[J].光谱学与光谱分析,2009,29(6):1611-1614.

[4]周竹,李小昱,高海龙,等.马铃薯干物质含量高光谱检测中变量选择方法比较[J].农业机械学报,2012,43(2):128-133.

[5]高海龙,李小昱,徐森淼,等.马铃薯黑心病和单薯质量的透射高光谱检测方法[J].农业工程学报,2013,29(15):279-285.

[6]Razmjooy N,Somayeh Mousavi B,Soleymani F.A real-time math⁃ematical computer method for potato inspection using machine vi⁃sion[J].Computers＆Mathematics with Applications,2012,63 (1):268-279.

[7]Rios-Cabrera R,Lopez-Juarez I,Sheng Jen H.ANN analysis in a vision approach for potato inspection[J].Journal of Applied Re⁃search and Technology,2008,6(2):106-119.

[8]周竹,李小昱,陶海龙,等.基于高光谱成像技术的马铃薯外部缺陷检测[J].农业工程学报,2012,28(21):221-228.

[9]苏文浩,刘贵珊,何建国,等.高光谱图像技术结合图像处理方法检测马铃薯外部缺陷[J].浙江大学学报:农业与生命科学版,2013,40(2):1-9.

[10]李小昱,陶海龙,高海龙,等.基于多源信息融合技术的马铃薯痂疮病无损检测方法[J].农业工程学报,2013,29(19):277-284.

[11]冯艳.小波神经网络模型及其在水文水资源中的应用[D].哈尔滨:东北农业大学,2007:5-18.

[12]冈萨雷斯.数字图像处理(MATLAB版)[M].2版.阮秋琦,译.北京:电子工业出版社,2007.

[13]蔡梅艳,吴庆宪,姜长生.改进Otsu法的目标图像分割[J].电光与控制,2007,14(6):118-119,151.

Feature extraction of potato external defect based on HIT/

TANG Quanwu,SHI Chongsheng,TANG Zhejun(School of Physics and Electrical Information,Ningxia University, Yinchuan 750021,China)

To get feature extraction of potato hyperspectral image external defect,a method is proposed based on hyperspectral imaging technology,principal component analysis,wavelet transform and the advanced Otsu.The fundamental principle is that using principal component analysis(PCA)and independent principal component analysis(ICA)for all band(468-960 nm)of potato hyperspectral image to gain principal components image,and then using of 4 scale sym4,Haar,db4 wavelet transform to reconstruct higher resolution image and assessing the effects of the method with wavelet transform to process principal components image,finally,a advanced segmentation algorithm of Otsu was applied to obtain potato external defect.Experimental results showed that the accuracy was 94.2%for extracting characteristics of potato sickness spot,the mechanical damage and holes based on hyperspectral imaging technology,principal component analysis,wavelet transform and the advanced Otsu.

potato;hyperspectral imaging technology;wavelet;principal component analysis; independent principal component analysis;Otsu

S532；TN911.73

A

1005-9369（2014）06-0114-08

时间 2014-6-11 16:10:56 [URL]http://www.cnki.net/kcms/detail/23.1391.S.20140613.0949.002.html

汤全武,史崇升,汤哲君.基于HIT的马铃薯外部缺陷特征的提取[J].东北农业大学学报,2014,45(6):114-121.

Tang Quanwu,Shi Chongsheng,Tang Zhejun.Feature extraction of potato external defect based on HIT[J].Journal of Northeast Agricultural University,2014,45(6):114-121.(in Chinese with English abstract)

2014-02-28

国家自然科学基金项目（61261044）

汤全武（1965-），男，副教授，硕士生导师，研究方向为信息处理和计算机仿真技术。E-mail：tangqw@nxu.edu.cn