基于HIT的馬鈴薯外部缺陷特征的提取

湯全武，史崇升，湯哲君

（寧夏大學物理電氣信息學院，銀川 750021）

基于HIT的馬鈴薯外部缺陷特征的提取

湯全武，史崇升，湯哲君

（寧夏大學物理電氣信息學院，銀川 750021）

為提取馬鈴薯高光譜圖像的外部缺陷特征，結(jié)合高光譜成像技術(shù)、主成分分析、小波變換以及改進的最大類間方差法對馬鈴薯外部缺陷進行提取。通過對馬鈴薯高光譜圖像數(shù)據(jù)做全波段（468～960 nm）主成分分析（PCA）和獨立主成分分析（ICA），以全波段缺陷特征明顯的主成分圖像作為特征提取圖像，然后對其分別進行4尺度的sym4、Haar、db4小波變換，從紋理信息客觀的評價利用小波重構(gòu)經(jīng)PCA和ICA處理的主成分圖像，再使用改進的Otsu算法對重構(gòu)的圖像進行目標圖像分割，獲得馬鈴薯的缺陷特征。結(jié)果表明，結(jié)合高光譜成像技術(shù)、PCA分析、小波變換和改進的Otsu算法提取馬鈴薯病斑、機械損傷和孔洞缺陷特征效果明顯，正確率達94.2%。

馬鈴薯；高光譜成像技術(shù)；小波；主成分分析；獨立主成分分析；Otsu

高光譜成像技術(shù)（Hyperspectral imaging technol?ogy，HIT）是利用電磁波譜對各種物質(zhì)特性以成像形式進行物質(zhì)光譜特性研究[1]，包含兩維空間信息和一維光譜信息，具有連續(xù)多波段、光譜分辨率高等特點，是多信息融合檢測果品綜合品質(zhì)的首選技術(shù)[2]。將其應用到馬鈴薯品質(zhì)與安全性檢測中，能采集馬鈴薯圖像信息并獲取馬鈴薯光譜信息，光譜信息可檢測馬鈴薯物理結(jié)構(gòu)和化學成分等，圖像信息能全面反映馬鈴薯的外在特征、表面缺陷和污染情況[3]。這種內(nèi)外品質(zhì)信息兼?zhèn)涞募夹g(shù)特征，可滿足馬鈴薯內(nèi)外品質(zhì)無損檢測需要。

目前，國內(nèi)外利用高光譜成像技術(shù)對馬鈴薯內(nèi)外品質(zhì)進行檢測研究，已取得一定成果。在內(nèi)部化學成分檢測方面，周竹等結(jié)合高光譜成像技術(shù)，提出一種競爭性自適應重加權(quán)算法與連續(xù)投影算法相結(jié)合波長選擇方法，建立多元線性回歸模型檢測馬鈴薯干物質(zhì)含量[4]。在內(nèi)部蟲害檢測方面，高海龍[5]利用透射高光譜成像技術(shù)，采用不同變量選擇方法，建立檢測馬鈴薯黑心病偏最小二乘判別分析（Partial least squares discriminant analy?sis,PLS-DA）模型與質(zhì)量偏最小二乘回歸（Partial least squares,PLS）模型；Razmjooy等和Rios-Ca?brera研究表明，支持向量機和人工神經(jīng)網(wǎng)絡在進行馬鈴薯品質(zhì)分類中可取得良好效果，試驗分類的準確率可達96.0%以上[6-7]。在外部品質(zhì)無損檢測方面，周竹等通過反射高光譜成像技術(shù)采集馬鈴薯干腐、表面碰傷、機械損傷、綠皮、孔洞及發(fā)芽等6類外部缺陷樣本及合格樣本的高光譜圖像，提取樣本感興趣區(qū)域的光譜曲線并進行光譜特性分析，采用PCA分析確定5個特征波長，并結(jié)合波段比算法與均勻二次差分算法對特征波段的第二主成分圖像進行分類，缺陷識別率達到95.65%[8]；蘇文浩等以外部有缺陷及完好無損的合格馬鈴薯為研究對象，利用漫反射高光譜成像技術(shù)獲取高光譜數(shù)據(jù)，采用主成分分析法確定特征波段，以特征波段的主成分分析圖像作為分類圖像，并結(jié)合圖像差值算法、波段比算法、均勻二次差分算法等多種算法，提高馬鈴薯缺陷識別率[9]；李小昱為提高馬鈴薯痂瘡病無損檢測識別精度，結(jié)合機器視覺和近紅外光譜多源信息融合技術(shù)，提出DS（Dempster shafer）證據(jù)理論結(jié)合支持向量機的馬鈴薯痂瘡病無損檢測方法，試驗結(jié)果表明，采用融合模型進行馬鈴薯痂瘡病檢測，比單一機器視覺模型或近紅外光譜模型識別率高[10]。

利用高光譜成像技術(shù)檢測馬鈴薯研究尚處于實驗室起步階段，目標檢測主要是針對馬鈴薯內(nèi)部品質(zhì)，包括含水率、干物質(zhì)、病變、外部缺陷（馬鈴薯干腐、表面碰傷、機械損傷、綠皮、空洞等）等，通過對馬鈴薯高光譜圖像進行降維，引入大量諸如PCA、GA、PLS、ANN、PLS等化學計量學方法及統(tǒng)計學方法，提取特征參數(shù)并建立模式識別預測模型。但高光譜成像技術(shù)包含圖像信息，其光譜信息對馬鈴薯內(nèi)部品質(zhì)檢測研究效果明顯，僅利用光譜信息是資源浪費。目前國內(nèi)外鮮有利用高光譜成像技術(shù)對馬鈴薯外部缺陷特征進行提取的研究。為充分利用高光譜成像技術(shù)，本文提出基于HIT的馬鈴薯外部缺陷特征的提取。

1 材料與方法

1.1 供試材料

試驗樣品采自寧夏回族自治區(qū)銀川市同心路農(nóng)貿(mào)市場，共172個樣本。其中，122個表面具有病斑、機械損傷和孔洞缺陷特征，50個為合格馬鈴薯。馬鈴薯品種為棵新10號，采集后運往寧夏大學農(nóng)學院食品機械與工程實驗室進行高光譜試驗。

1.2 馬鈴薯高光譜數(shù)據(jù)的采集

馬鈴薯高光譜數(shù)據(jù)采集系統(tǒng)包含軟硬件兩部分。其中，硬件系統(tǒng)采用美國Headwall公司生產(chǎn)高光譜成像儀（光譜范圍400～1 000 nm，光譜分辨率2.8 nm），主要包括圖像光譜儀（SN:G4232，MODEL#1003B-10141），一套1 000W光纖鹵素燈（PHOTON）可提供可見和近紅外波段光譜，一組帶有1 344個有效像素線陣CCD攝像機（LP390-49），一組輸送裝置（Headwall,VT-80）和計算機（Lenovo, thinkpadX220）等部件組成，其系統(tǒng)如圖1所示；軟件采用美國NI公司CD-1079labview高光譜圖像采集軟件及Andor Luca相機軟件。

根據(jù)測量物品性質(zhì)確定試驗參數(shù)為：物距約270 mm，成像光譜儀的曝光時間5 ms，掃描線實際長度140 mm，樣本表面平均照度27 333 lx，掃描時的電機步距150 μm。數(shù)據(jù)采集時，線陣探測器在光學焦平面垂直方向做橫向掃面，獲取所掃描空間中每個像素在整個光譜區(qū)域的光譜信息，樣本在輸送裝置的作用下作垂直于攝像機縱向移動，結(jié)合高光譜圖像采集軟件完成馬鈴薯樣本圖像采集。采集到的圖像塊既包含有特定像素的光譜信息也具有特定波段下的圖像信息。其中兩幅具有外部缺陷的馬鈴薯高光譜圖像如圖2所示。其中，圖2（a）馬鈴薯有病斑和機械損傷；圖2（b）馬鈴薯表皮有機械損傷和干腐病。

圖1 Headwall高光譜成像儀Fig.1 High spectrum imaging spectrometer of Headwall

圖2 馬鈴薯高光譜圖像Fig.2 Potato high spectrum image

2 結(jié)果與分析

2.1 基于PCA和ICA的馬鈴薯高光譜數(shù)據(jù)降維

馬鈴薯樣本在400～1 000 nm光譜波長范圍內(nèi)每隔約2.8 nm共取125幅圖像，數(shù)據(jù)量巨大，譜間存在強相關(guān)性。

本文利用PCA和ICA對其進行分析，建立新變量，這些新建變量相互間不相關(guān)，具有均方誤差最小、能量集中等特點，新變量足以反映高光譜圖像所有信息。對馬鈴薯高光譜數(shù)據(jù)先進行成分分析，去掉冗余信息，留下代表圖像主要信息的分量，可減少計算量。

主成分分析是以特征量分析多元統(tǒng)計分布的方法，用于分析數(shù)據(jù)及建立數(shù)理模型。其方法主要通過對協(xié)方差矩陣進行特征分解，以得出數(shù)據(jù)主成分（特征矢量）與權(quán)值（特征值）。PCA結(jié)果可理解為對原數(shù)據(jù)中方差做出解釋：哪一個方向上數(shù)據(jù)值對方差影響最大。PCA提供降低數(shù)據(jù)維度有效辦法，即在原數(shù)據(jù)中除掉最小特征值所對應成分，所得低維度數(shù)據(jù)最優(yōu)化。其數(shù)學定義是：1個正交化線性變換，把數(shù)據(jù)變換到1個新坐標系統(tǒng)中，使這一數(shù)據(jù)任何投影的第一大方差在第一個坐標（稱為第一主成分）上，第二大方差在第二個坐標（第二主成分）上，依次類推。

獨立主成分分析由盲信源分離發(fā)展產(chǎn)生，是一種基于高階統(tǒng)計量分析樣本的內(nèi)在統(tǒng)計獨立方法。其與主成分分析原理相同，不同之處在于ICA算法要求各分量間是統(tǒng)計獨立或者盡可能獨立。ICA將高光譜數(shù)據(jù)轉(zhuǎn)換成相互獨立的部分，即去相關(guān)，可用來進行降維、分離圖像中隱藏的噪聲等。

本文對馬鈴薯高光譜圖像數(shù)據(jù)立方體進行主成分分析的硬件平臺為Lenovo-ThinkPad系列計算機一臺，計算機操作系統(tǒng)為Windows 7，使用高光譜影像數(shù)據(jù)處理分析系統(tǒng)軟件ENVI 4.7。

在ENVI 4.7軟件下對每個馬鈴薯樣本的高光譜圖像數(shù)據(jù)立方體做全波段（468～960 nm）主成分分析和獨立主成分分析。在做PCA合ICA分析前先盡可能去掉周邊背景，只選取馬鈴薯樣本所在區(qū)域圖像。所有馬鈴薯樣本原始高光譜圖像數(shù)據(jù)立方體中400～467 nm和960～1 000 nm兩段波長范圍的圖像噪聲比較大，這是實驗設(shè)備的固有品質(zhì)造成，故可舍棄這段波長，對所有馬鈴薯樣本原始高光譜圖像數(shù)據(jù)立方體從468～960 nm做主成分分析。對經(jīng)過PCA降維的馬鈴薯高光譜圖像進行分析，發(fā)現(xiàn)第1主成分圖像包含原始馬鈴薯高光譜圖像數(shù)據(jù)的最多信息，但這些信息主要表征馬鈴薯正常表皮信息，反映光照對樣本影響，不利于缺陷提取，如圖3（a）和圖3（c）所示，經(jīng)過數(shù)次實驗和分析發(fā)現(xiàn)經(jīng)過PCA降維的馬鈴薯高光譜圖像，其第2主成分圖像能突出缺陷類型馬鈴薯的缺陷信息，故確定馬鈴薯樣本的第2主成分圖像作為馬鈴薯缺陷的提取圖像，如圖3（b）和圖3（d）所示；對經(jīng)過ICA降維的馬鈴薯高光譜圖像進行分析，發(fā)現(xiàn)Potato1的第3主成分能夠突出缺陷的類型，如圖3（e）所示，Potato2的第2主成分能夠突出缺陷類型，如圖3（f）所示。

圖3 馬鈴薯高光譜圖像的PCA和ICA分析結(jié)果Fig.3 PCA and ICA analysis results of potato high spectrum image

2.2 小波重構(gòu)馬鈴薯主成分圖像

小波核性質(zhì)使尺度函數(shù)φ(x)和小波函數(shù)ψ(x)可利用自身雙分辨率副本的線性組合來表達。經(jīng)過序列展開，如公式（1）。

其中，hφ和hψ的展開系數(shù)分別稱為尺度和小波向量。其為快速小波變換（FWT）濾波器系數(shù)。把分解的系數(shù)還原成原始信號過程叫作小波重構(gòu)（Wavelet reconstruction），數(shù)學上稱為逆離散小波變換（Inverse discrete wavelet transform，IDWT）。

常用的小波函數(shù)有：Haar小波、Daubechies小波（dbN）、雙正交B樣條小波、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，小波函數(shù)采用sym4、Haar、db4 3種小波函數(shù)。根據(jù)參見文獻[12]并經(jīng)過多次試驗，發(fā)現(xiàn)分解尺度在N≤Log2(max(m,n))(m,n-降維圖像的行數(shù)和列數(shù)）范圍內(nèi)對重構(gòu)圖像的影響不大，選用分解尺度為4。

對經(jīng)過主成分分析的Potato1和Potato2的第2主成分圖像利用4尺度的sym4、Haar、db4 3種小波函數(shù)進行小波重構(gòu)，其結(jié)果如圖4（a）～（f）所示。同樣對經(jīng)過獨立主成分分析的Potato1的第3主成分和Potato2的第2主成分圖像進行小波重構(gòu)，其結(jié)果如圖4（g）～（l）所示。

圖4 小波重構(gòu)圖像Fig.4 Reconstruction images with wavelet

對比圖4（a）、4（c）、4（e）和圖3（b），圖4（b）、4（d）、4（f）和圖3（d），圖4（g）、4（i）、4（k）和圖3（e），圖4（h）、4（j）、4（l）和圖3（e）可看出，經(jīng)過重構(gòu)圖像和降維，馬鈴薯高光譜圖像間從視覺效果上幾乎看不出任何差別。這一點可從圖像紋理信息客觀進行說明。采用均值、標準偏差、平滑度、三階矩、一致性和熵作為重構(gòu)圖像的空間描繪與分析指標，計算結(jié)果見表1。

表1 Potato1和Potato2降維圖像和重構(gòu)圖像的紋理度量Table 1 Texture measure of Potato1 and Potato2 principal components image and restructuring image

由表1可知，經(jīng)過PCA和ICA分析的Potato1和Potato2紋理度量指標與采用4尺度不同小波函數(shù)對其進行重構(gòu)紋理度量指標整體上較為相近，這也說明經(jīng)過重構(gòu)的圖像和降維馬鈴薯高光譜圖像間差別不大；采用4尺度Haar小波函數(shù)對降維馬鈴薯高光譜圖像Potato1和Potato2進行重構(gòu)，其紋理度量指標與經(jīng)過重構(gòu)圖像的紋理度量指標非常相近，說明與采用sym4和db4小波相比，Haar小波重構(gòu)的效果更好，比較重構(gòu)圖像和降維圖像之間均方誤差（MSE）和相關(guān)測度K值則更為清楚。其中相關(guān)測度K表示測量數(shù)據(jù)量間的相似程度。均方誤差（MSE）和相關(guān)測度K值如表2所示。

表2 降維圖像與重構(gòu)圖像紋理信息間的均方誤差（MSE）和相似測度（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，重構(gòu)圖像與降維圖像間的紋理信息均接近于1；與采用sym4和db4小波相比，Haar小波的重構(gòu)圖像與降維圖像紋理信息間的MSE均最小，說明采用4尺度的Haar小波對經(jīng)過降維的馬鈴薯高光譜圖像重構(gòu)效果最優(yōu)。

2.3 馬鈴薯外部缺陷特征的提取

為更有效地提取馬鈴薯外部缺陷特征，本文采用文獻[13]結(jié)合兩類之間間距和類內(nèi)距離。改進的Otsu閾值分割算法，其較之傳統(tǒng)的Otsu法更佳。

傳統(tǒng)Otsu法算法是在灰度直方圖基礎(chǔ)上用最小二乘法原理推導出來的，具有統(tǒng)計意義上最佳分割閾值。其基本原理是以最佳閾值將圖像的灰度直方圖分割成兩部分，使兩部分間方差取最大值，即分離性最大。而采用改進的Otsu法充分考慮兩類之間間距和類內(nèi)距離。為表示兩類間的距離，選取距離的平方作為距離度量

其中，u0(k)和u1(k)為目標和背景平均灰度級。選取距離的平方作為距離度量。d2(k)越大，兩類間距就越大，目標和背景就分得越清晰，分割效果越好。同時，改進算法引入兩類平均方差概念，用來度量內(nèi)聚性。

當G(k)取最大值時所對應的灰度級即為所求的最佳閾值。

對經(jīng)過PCA和ICA降維的Potato1和Potato2主成分圖像，即圖3（b）、（d）、（e）和圖3（f），利用改進的Otsu閾值分割算法進行分割，結(jié)果如圖5（a）～（d）所示。對經(jīng)過4尺度的Haar小波重構(gòu)的圖像，即圖4（c）、（d）、（i）、（j），利用改進的Otsu閾值分割算法進行分割，結(jié)果如圖5（e）～（h）所示。

由圖5（a）～（h）可知，圖5（e）和圖5（f）能夠清晰看到馬鈴薯缺陷特征，即對經(jīng)過PCA降維和小波重構(gòu)馬鈴薯高光譜圖像采用改進的Otsu算法效果最佳；圖5（a）和圖5（b）并不能區(qū)分背景和目標，即對經(jīng)過PCA降維的馬鈴薯高光譜圖像采用改進的Otsu算法效果最差；圖5（c）、（d）、（g）和圖5（h）可較為清楚地看到馬鈴薯缺陷的輪廓，但也存在過分割的情況，對馬鈴薯缺陷的細節(jié)信息處理較差；馬鈴薯Potato1，有明顯缺陷特征，在其他區(qū)域又存在斑點，由于斑點也有豐富的紋理信息，其灰度變化范圍與缺陷區(qū)域接近，在分割結(jié)果中也會被提取，如圖5（e）所示。

采用改進的Otsu算法對經(jīng)過PCA和ICA降維的馬鈴薯高光譜圖像直接進行分割，即圖3（b）、圖3（d）、圖3（e）和圖3（f），其最佳閾值和計算時間如表3所示。對馬鈴薯高光譜的主成分圖像利用4尺度的Haar小波重構(gòu)，再利用改進的Otsu算法對其進行分割，其最佳閾值和執(zhí)行時間如表3所示。

圖5 圖像分割結(jié)果Fig.5 Results of image segmentation

表3 采用改進的Otsu算法對目標圖像進行分割的最佳閾值和執(zhí)行時間Table 3 Best threshold value and the execution time using improved Otsu algorithm to image

從表3可知，對馬鈴薯主成分圖像先利用小波重構(gòu)再進行分割，計算量增加，其執(zhí)行時間較對主成分圖像直接采用改進Otsu算法分割執(zhí)行時間增加，該問題將在后續(xù)試驗中解決。

對122個外部包括機械損傷、病斑和孔洞缺陷的馬鈴薯高光譜圖像采用本文方法提取缺陷特征，能夠較為準確地提取馬鈴薯外部缺陷特征的個數(shù)為113個，正確率為94.2%；對50個合格馬鈴薯采用本文方法，提取到的特征為馬鈴薯外部形狀，識別數(shù)為45，誤判率為10%。對合格馬鈴薯使用上述方法，得到馬鈴薯形狀輪廓，而外部有病斑、機械損傷和孔洞缺陷特征馬鈴薯，在缺陷特征明顯區(qū)域，灰度的變化較大，具有豐富紋理信息，則采用改進Otsu算法，將其他區(qū)域作為背景去掉，提取結(jié)果即為馬鈴薯缺陷。

本文提出將馬鈴薯高光譜圖像利用PCA降維，得到缺陷特征明顯主成分圖像，利用4尺度的Haar小波進行重構(gòu)，采用改進Otsu算法提取馬鈴薯圖像的缺陷特征，可達到良好效果。該方法創(chuàng)新在于，①將小波變換引入馬鈴薯缺陷特征提取，重構(gòu)利用PCA降維高光譜圖像，壓縮圖像數(shù)據(jù)量，提高Otsu算法分割效果；②將改進Otsu算法創(chuàng)造性地與PCA降維及小波重構(gòu)結(jié)合，共同應用于馬鈴薯外部缺陷特征提取，結(jié)果表明，分割效果較好，對推動利用高光譜成像技術(shù)實時在線無損檢測馬鈴薯品質(zhì)具有參考價值。

3 討論與結(jié)論

本文以馬鈴薯外部有病斑、機械損傷和孔洞缺陷特征的高光譜圖像為例，馬鈴薯高光譜數(shù)據(jù)采集，采用PCA和ICA兩種方法降維，確定馬鈴薯缺陷特征明顯的主成分圖像，再利用4尺度的sym4、Haar、db4小波變換重構(gòu)主成分圖像，從圖像紋理信息方面優(yōu)選出最佳的小波重構(gòu)函數(shù)，最后采用改進Otsu算法提取馬鈴薯的缺陷特征。結(jié)果表明，①經(jīng)過PCA和ICA降維的馬鈴薯高光譜圖，其第一主成分圖像主要反映光照對樣本的影響，不適合作為馬鈴薯缺陷提取圖像；②利用4尺度的Haar小波變換對經(jīng)過PCA和ICA降維馬鈴薯高光譜圖像進行重構(gòu)，較好保持圖像紋理信息；③采用結(jié)合兩類之間間距和類內(nèi)距離的Otsu算法對經(jīng)過ICA預處理的馬鈴薯高光譜圖像進行分割，其效果優(yōu)于對經(jīng)過PCA預處理的馬鈴薯高光譜圖像的分割效果；④將馬鈴薯高光譜圖像利用PCA降維、4尺度Haar小波重構(gòu)以及改進Otsu算法提取馬鈴薯圖像的缺陷特征，其效果優(yōu)于利用ICA降維、4尺度Haar小波重構(gòu)和改進Otsu算法提取馬鈴薯圖像缺陷特征；⑤對122個外部有缺陷的馬鈴薯采用本文方法提取缺陷特征，正確率為94.2%，對50個合格馬鈴薯采用本文方法，正確率為90%。

高光譜成像技術(shù)是目前首選的馬鈴薯內(nèi)外品質(zhì)檢測方法。雖然采用機器視覺也可進行馬鈴薯缺陷的提取，且硬件成本低、速度快，但難以檢測馬鈴薯的內(nèi)部品質(zhì)，相應的也要增加多光譜成像設(shè)備對馬鈴薯內(nèi)部品質(zhì)進行檢測，但是如果能夠充分有效地利用高光譜成像技術(shù)的光譜技術(shù)和圖像技術(shù)建立完善的馬鈴薯分級體系，并確定馬鈴薯缺陷的特征波段，則可以利用多光譜成像儀代替高光譜成像技術(shù)，利用特征波段的合成圖像進行外部品質(zhì)檢測，其光譜信息可用于內(nèi)部品質(zhì)檢測，降低馬鈴薯分級成本。

[參考文獻]

[1]陳守滿.高光譜圖像與農(nóng)產(chǎn)品品質(zhì)無損檢測研究進展[J].安康學院學報,2011,23(6):1-6.

[2]張然.基于高光譜成像技術(shù)的馬鈴薯外部損傷識別研究[D].銀川:寧夏大學,2013:5-7.

[3]馬本學,應義斌等.高光譜成像在水果內(nèi)部品質(zhì)無損檢測中的研究進展[J].光譜學與光譜分析,2009,29(6):1611-1614.

[4]周竹,李小昱,高海龍,等.馬鈴薯干物質(zhì)含量高光譜檢測中變量選擇方法比較[J].農(nóng)業(yè)機械學報,2012,43(2):128-133.

[5]高海龍,李小昱,徐森淼,等.馬鈴薯黑心病和單薯質(zhì)量的透射高光譜檢測方法[J].農(nóng)業(yè)工程學報,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,陶海龍,等.基于高光譜成像技術(shù)的馬鈴薯外部缺陷檢測[J].農(nóng)業(yè)工程學報,2012,28(21):221-228.

[9]蘇文浩,劉貴珊,何建國,等.高光譜圖像技術(shù)結(jié)合圖像處理方法檢測馬鈴薯外部缺陷[J].浙江大學學報:農(nóng)業(yè)與生命科學版,2013,40(2):1-9.

[10]李小昱,陶海龍,高海龍,等.基于多源信息融合技術(shù)的馬鈴薯痂瘡病無損檢測方法[J].農(nóng)業(yè)工程學報,2013,29(19):277-284.

[11]馮艷.小波神經(jīng)網(wǎng)絡模型及其在水文水資源中的應用[D].哈爾濱:東北農(nóng)業(yè)大學,2007:5-18.

[12]岡薩雷斯.數(shù)字圖像處理(MATLAB版)[M].2版.阮秋琦,譯.北京:電子工業(yè)出版社,2007.

[13]蔡梅艷,吳慶憲,姜長生.改進Otsu法的目標圖像分割[J].電光與控制,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

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

湯全武,史崇升,湯哲君.基于HIT的馬鈴薯外部缺陷特征的提取[J].東北農(nóng)業(yè)大學學報,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

國家自然科學基金項目（61261044）

湯全武（1965-），男，副教授，碩士生導師，研究方向為信息處理和計算機仿真技術(shù)。E-mail：tangqw@nxu.edu.cn