基于光譜和Gabor紋理信息融合的油桃品種識(shí)別

苗榮慧 黃鋒華 楊華

摘要：為實(shí)現(xiàn)油桃品種的快速且無損鑒別，對(duì)油桃高光譜圖像中的光譜和圖像信息進(jìn)行分析。在光譜信息提取中，采用偏最小二乘回歸（partial least squares regression，簡稱PLSR）從全波段光譜數(shù)據(jù)提取9個(gè)特征波長。在圖像信息獲取中，采用主成分分析（principal component analysis，簡稱PCA）獲得主成分圖像，并提取主成分圖像的Gabor紋理特征。分別建立基于特征波長光譜特征、主成分圖像紋理特征和光譜紋理特征融合的最小二乘支持向量機(jī)（least squares support vector machine，簡稱LS-SVM）和極限學(xué)習(xí)機(jī)（extreme learning machine，簡稱ELM）油桃品種判別模型。結(jié)果表明，基于融合特征的LS-SVM和ELM模型識(shí)別率分別為94.7%、92.1%，較單獨(dú)采用光譜信息和紋理信息的識(shí)別率都高，說明采用光譜信息和Gabor紋理信息融合的方法可以實(shí)現(xiàn)油桃品種判別，為農(nóng)產(chǎn)品無損檢測提供參考價(jià)值。

關(guān)鍵詞：油桃品種識(shí)別;光譜信息;Gabor紋理信息;主成分分析;最小二乘支持向量機(jī);極限學(xué)習(xí)機(jī)

油桃具有極高的營養(yǎng)價(jià)值，它含有人體所必需的多種氨基酸，而且油桃可以補(bǔ)氣養(yǎng)血、提高免疫力、具有較高的藥用價(jià)值[1]。因此，開展油桃品種識(shí)別對(duì)于提高其品質(zhì)和市場競爭力具有重要的作用。隨著果蔬科技的發(fā)展，油桃品種的培育也有了很大的進(jìn)步，相繼出現(xiàn)了曙光、華光等產(chǎn)品。產(chǎn)品分級(jí)在水果的標(biāo)準(zhǔn)化和商品化過程中具有重要意義，傳統(tǒng)的人工分級(jí)方法存在檢測效率低、精度低等問題，而高光譜成像技術(shù)能夠?qū)⒐庾V和圖像信息相結(jié)合，實(shí)現(xiàn)無損、快速、精準(zhǔn)檢測，近年來，該技術(shù)已廣泛應(yīng)用于水果檢測[2]。

目前，國內(nèi)外已有一些學(xué)者對(duì)油桃內(nèi)外部品質(zhì)進(jìn)行無損檢測。谷靜思采用多種降維方法從介電頻譜和近紅外光譜的全譜中提取特征變量，建立多種油桃品質(zhì)和品種的預(yù)測模型，綜合系統(tǒng)地比較了介電頻譜和近紅外光譜在油桃品質(zhì)檢測方面的優(yōu)劣，但其僅利用了油桃的光譜信息實(shí)現(xiàn)了油桃品質(zhì)檢測[3]。喻曉強(qiáng)等分別應(yīng)用光譜圖像技術(shù)對(duì)油桃糖度和硬度進(jìn)行無損檢測，為計(jì)算機(jī)圖像在水果內(nèi)部品質(zhì)的無損檢測方面提供了技術(shù)依據(jù)[4-5]。本研究以不同品種油桃為研究對(duì)象，運(yùn)用高光譜成像系統(tǒng)采集中油4號(hào)、中油5號(hào)和中油9號(hào)等3種類型的油桃近紅外高光譜圖像信息。從光譜和圖像等2個(gè)方面對(duì)不同油桃類別樣本進(jìn)行快速、無損檢測。為油桃等水果類農(nóng)產(chǎn)品的無損檢測在線識(shí)別研究提供基礎(chǔ)。

1 材料與方法

1.1 近紅外光譜圖像獲取

試驗(yàn)油桃材料采購于山西省運(yùn)城市萬安村果園，采摘的樣本形狀相近、成熟度統(tǒng)一、大小均勻，油桃品種為中油4號(hào)、中油5號(hào)、中油9號(hào)等3種類型。試驗(yàn)中所用的高光譜圖像采集系統(tǒng)主要由CMOS相機(jī)、光譜儀、面陣探測器電控位移臺(tái)、計(jì)算機(jī)和暗箱等組成（圖1）。光譜范圍為874～1 734 nm，光譜分辨率為2.8 nm，光譜采樣間隔為0.59 nm，光源為150 W石英鹵素?zé)?。通過高光譜成像系統(tǒng)采集3種共153幅高光譜樣本圖像，其中47幅中油4號(hào)、50幅中油5號(hào)、56幅中油9號(hào)。樣本大小為320 349，每幅圖有256個(gè)波段。獲取的3種類型油桃近紅外樣本圖像如圖2所示。由圖2可知，近紅外光譜圖像無彩色信息，該圖為由多個(gè)波段合成的偽彩色圖。圖3為本研究識(shí)別方法流程。

1.2 高光譜圖像校正

在高光譜圖像采集過程中，由于光源強(qiáng)度分布不均勻會(huì)影響采集的高光譜圖像質(zhì)量，因此須對(duì)每幅圖像進(jìn)行黑白校正[6]。在采集圖像時(shí)，先做白板（99%以上的反射率）校正獲得全白的標(biāo)定圖像IW，再在完全避光條件下暗校正（0的反射率）獲得全黑的標(biāo)定圖像ID，按照式（1）對(duì)原始絕對(duì)圖像進(jìn)行標(biāo)定，得到相對(duì)圖像R，此時(shí)的相對(duì)圖像灰度值分布在0～1之間。

2 光譜特征提取

在光譜數(shù)據(jù)的提取過程中，采用手動(dòng)選取方式在原始圖像上選取不規(guī)則多邊形區(qū)域作為感興趣區(qū)域（region of interest，簡稱ROI）。本試驗(yàn)中使用ENVI 4.7軟件實(shí)現(xiàn)感興趣區(qū)域的提取，求得區(qū)域內(nèi)所有光譜曲線的平均值作為該樣本的光譜特征值。由于獲得的光譜數(shù)據(jù)包含由試驗(yàn)環(huán)境引起的噪聲[7]，須對(duì)其進(jìn)行光譜預(yù)處理。本研究采用多元散射校正、變量標(biāo)準(zhǔn)化和導(dǎo)數(shù)法多種光譜預(yù)處理方法實(shí)現(xiàn)油桃光譜數(shù)據(jù)的預(yù)處理。本研究采用Matlab7.5實(shí)現(xiàn)光譜數(shù)據(jù)的處理以及判別模型的建立。

2.1 光譜預(yù)處理

由圖4可知，中油4號(hào)、中油5號(hào)、中油9號(hào)3類油桃樣本均具有明顯的波峰和波谷便于建立分類判別模型。但在874～1 069、1 640～1 734 nm 范圍內(nèi)可以看出，3類油桃的光譜信息有明顯的重疊現(xiàn)象，采用全波段建立分類模型不能夠達(dá)到分類精度的要求，因此須對(duì)全波段光譜信息進(jìn)行降維處理，實(shí)現(xiàn)特征波長的選取。

2.2 特征波長選取

高光譜數(shù)據(jù)具有波段多、數(shù)據(jù)量大、冗余性強(qiáng)等特點(diǎn)，全波段建模會(huì)產(chǎn)生Hughes現(xiàn)象，建立的模型性能差、效率低[8]。而降維可以用較少的數(shù)據(jù)維數(shù)代替原始高維信息，在降低數(shù)據(jù)量的基礎(chǔ)上最大程度表示原始信息。

偏最小二乘回歸（partial least squares regression，簡稱PLSR）基于PLS算法原理，通過選取回歸系數(shù)的局部極值實(shí)現(xiàn)特征波段的選擇[9-10]。因此，本研究采用偏最小二乘回歸方法獲取特征波段。在尋找回歸系數(shù)的局部極值中，設(shè)定兩峰值之間的最小間隔數(shù)（mpd）是獲得特征波長的關(guān)鍵。本研究中光譜數(shù)據(jù)的回歸系數(shù)多峰值現(xiàn)象較明顯，曲線不夠平滑，圖5-a為最小間隔條件為3的局部極值。由圖5-a可知，獲取的特征波長有27個(gè)，容易陷入局部極小值。為了過濾掉單周期內(nèi)的干擾極值，通過多次試驗(yàn)，最終設(shè)置最小間隔條件為6，獲取9個(gè)特征波長。圖5-b為獲取的局部極值點(diǎn)，它們分別為918、1 096、1 119、1 160、1 190、1 382、1 531、1 588、1 649 nm。

3 紋理特征提取

3.1 主成分分析

主成分分析（principal component analysis，簡稱PCA）是一種可以去除波段之間多余信息、將原始圖像信息壓縮成少數(shù)幾個(gè)有效波段的方法，且生成的合成圖像顏色、飽和度更好，各波段間不相關(guān)[11]。因此，本研究首先采用主成分分析獲取主成分圖像，提取貢獻(xiàn)率較高的主成分圖像，在主成分圖像的基礎(chǔ)上獲取圖像紋理特征，達(dá)到特征提取的目的。

對(duì)全波段油桃高光譜圖像進(jìn)行主成分分析，表1為3種類型油桃前10個(gè)主成分圖像的特征值和累計(jì)貢獻(xiàn)率。通常情況下，當(dāng)累計(jì)貢獻(xiàn)率高于85%，就認(rèn)為重新組成的特征子集可以反映樣本的原始光譜特征信息。由表1可知，這3種類型油桃的前5、4、3個(gè)主成分圖像的累計(jì)貢獻(xiàn)率分別高達(dá)99.9%，說明用少數(shù)幾個(gè)主成分圖像可以最大程度表示原始圖像信息。由圖6可知，3種圖像前2個(gè)主成分基本保留了油桃的絕大部分信息，PC3～PC6均有不同程度的條帶噪聲。在圖6-a中，PC1包含原始數(shù)據(jù)的信息最多，為油桃的外部輪廓信息;由于試驗(yàn)的高光譜圖像是在暗箱中獲取的反射光譜圖像，圖像中存在反射光區(qū)域，PC2則為每個(gè)油桃樣本的反射光區(qū)域，該部分不適合作為油桃的特征向量。因此，針對(duì)中油4號(hào)，本研究選擇PC1圖像進(jìn)行后續(xù)紋理特征的提取。在圖6-b、圖6-c中，PC1和PC2均能夠很好地表示油桃的外部輪廓信息，因此針對(duì)中油5號(hào)和中油9號(hào)選擇前2個(gè)主成分圖像進(jìn)行紋理特征提取。

3.2 Gabor紋理特征提取

紋理信息是圖像中非常重要的特征，它為模式識(shí)別和理解提供了大量的信息[12]。Gabor小波變換技術(shù)具有尺度與方向可調(diào)性，對(duì)于紋理的能量特性、粗糙特性、結(jié)構(gòu)特性等都產(chǎn)生了很好的應(yīng)用效果[13]。因此，本研究采用Gabor濾波器提取經(jīng)過主成分分析得到圖像的紋理特征。將圖像與Gabor濾波器卷積得到一系列的濾波圖像，每幅圖像都描述了一定尺度和一定方向度上面的圖像信息[14]。

因?yàn)閳D像的最低數(shù)字頻率為0，最高數(shù)字頻率根據(jù)奈奎斯特定理可知為0.5，而且該頻率范圍可以反映人眼視覺對(duì)紋理特征的感知[15]。因此，本研究Gabor濾波器組的參數(shù)設(shè)置：尺度參數(shù)p設(shè)為4;方向數(shù)為4，即每個(gè)尺度對(duì)應(yīng)4個(gè)不同的方向（即θ為0°、45°、90°、135°）;中心頻率的最小值和最大值分別設(shè)置為0.125、0.200。最終得到不同方向和不同尺度的16個(gè)Gabor濾波器，對(duì)圖像進(jìn)行濾波處理。圖7為中油4號(hào)PC1圖像上提取的紋理特征結(jié)果。輸出的濾波結(jié)果只有圖像的能量信息，沒有位置信息，能夠較好地反映圖像的紋理特征。試驗(yàn)中，每幅圖像會(huì)得到16個(gè)紋理特征值，最終作為判別模型的輸入向量。

4 基于光譜信息和紋理特征融合的油桃種類識(shí)別

在構(gòu)建分類判別模型之前，須對(duì)樣本集進(jìn)行分集。本研究采用Kennard-Stone算法實(shí)現(xiàn)樣本的分集，Kennard-Stone算法的核心思想是根據(jù)樣本間的歐氏距離選擇最具代表性的樣本，該算法可以實(shí)現(xiàn)從樣本集中選出預(yù)定數(shù)目的樣品[16-17]。本研究從153個(gè)樣本中選擇115個(gè)作為訓(xùn)練集，剩余38個(gè)樣本作為測試集，具體分集結(jié)果如表2所示。數(shù)據(jù)融合方式包括數(shù)據(jù)層融合、特征層融合和決策層融合。本研究將獲得的9個(gè)光譜特征波長數(shù)據(jù)和16個(gè)紋理特征數(shù)據(jù)在特征級(jí)上進(jìn)行融合。將光譜特征信息、圖像紋理特征信息和兩者融合特征信息分別輸入分類器，比較3種情況分類識(shí)別的正確性。

4.1 LS-SVM品種判別模型

最小二乘支持向量機(jī)（least squares support vector machine，簡稱LS-SVM）是一種改進(jìn)的支持向量機(jī)（SVM）算法[18-19]，它通過求解一組線性方程代替SVM中復(fù)雜的二次優(yōu)化問題來獲得支持向量，與SVM相比，它具有更好的泛化能力，能夠減少訓(xùn)練時(shí)間以及簡化計(jì)算的復(fù)雜度。LS-SVM將輸入變量映射到高維特征空間，在高維空間中構(gòu)造最優(yōu)決策函數(shù)，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則優(yōu)化參數(shù)，將優(yōu)化問題改成等式約束條件，利用拉格朗日乘子方法求解最優(yōu)化問題，對(duì)各個(gè)變量求偏微分[20]。其公式如式（2）所示。

4.2 ELM品種判別模型

極限學(xué)習(xí)機(jī)（extreme learning machine，簡稱ELM）是在單隱含層前饋神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出的一種新算法[21-22]。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，極限學(xué)習(xí)機(jī)訓(xùn)練過程具有訓(xùn)練速度快、泛化能力好等優(yōu)點(diǎn)。使用極限學(xué)習(xí)機(jī)對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)，僅須確定隱含層神經(jīng)元的數(shù)量。

5 結(jié)果與分析

本研究分別建立基于特征波長光譜特征、主成分圖像紋理特征和光譜紋理特征融合的最小二乘支持向量機(jī)和極限學(xué)習(xí)機(jī)的油桃品種判別模型。在LS-SVM模型的建立中，采用網(wǎng)格搜索算法和10折交叉驗(yàn)證實(shí)現(xiàn)懲罰參數(shù)C和最有參數(shù)γ的搜索。通過多次試驗(yàn)，分別設(shè)置log2C取值為1～7的整數(shù)，log2γ取值為-16～-4的負(fù)整數(shù)，結(jié)果如圖8所示。圖中色條代表搜索參數(shù)對(duì)應(yīng)的識(shí)別率，顏色越深，識(shí)別率越低，最終確定C取值為32，γ取值為0.005。在ELM建模中，通過試驗(yàn)確定隱含層神經(jīng)元個(gè)數(shù)為50。

由表3可知，在LS-SVM分類模型中，基于光譜信息、紋理信息和光譜紋理融合信息樣本的總體識(shí)別正確率分別為86.8%、92.1%、94.7%，其中基于融合信息的識(shí)別率最高，為94.7%。在ELM分類模型中，基于光譜信息、紋理信息和光譜紋理融合信息樣本的總體識(shí)別正確率分別為84.2%、84.2%、92.1%，其中基于融合信息的識(shí)別率最高，為 92.1%。在3種類型的油桃中，中油5號(hào)的識(shí)別正確率最高，可以達(dá)到100%。基于信息融合的識(shí)別結(jié)果高于單一的光譜信息和紋理信息識(shí)別結(jié)果。結(jié)果表明，采用光譜信息與紋理信息融合的方法可以有效實(shí)現(xiàn)油桃品種的識(shí)別。

6 結(jié)論

試驗(yàn)探索采用高光譜成像技術(shù)對(duì)油桃品種進(jìn)行鑒別的可行性。以油桃為研究對(duì)象，采集3種油桃品種的近紅外高光譜圖像，并將光譜信息與紋理信息相結(jié)合構(gòu)建分類判別模型。在光譜特征提取中，運(yùn)用PLSR提取特征波長。在紋理特征提取中，在運(yùn)用PCA獲取主成分圖像的基礎(chǔ)上，提取Gabor紋理特征。將提取的光譜特征和紋理特征輸入LS-SVM和ELM分類判別模型。結(jié)果表明，在LS-SVM分類模型中，基于光譜信息、紋理信息和融合信息樣本的總體識(shí)別正確率分別為86.8%、92.1%、94.7%，其中基于融合信息的識(shí)別率最高;在ELM分類模型中，基于光譜信息、紋理信息、光譜紋理融合信息樣本的總體識(shí)別正確率分別為84.2%、84.2%、92.1%;針對(duì)油桃的分類模型總體識(shí)別正確率可以達(dá)到84%以上?？梢姡狙芯坎扇〉墓庾V信息與紋理信息融合的方法可以有效實(shí)現(xiàn)油桃品種的識(shí)別，為農(nóng)產(chǎn)品無損識(shí)別提供依據(jù)。

參考文獻(xiàn)：

[1]黃鋒華. 基于高光譜成像技術(shù)的油桃品質(zhì)檢測及品種判別研究[D]. 太古：山西農(nóng)業(yè)大學(xué)，2016：9-18.

[2]薛建新，張淑娟，張晶晶. 壺瓶棗自然損傷的高光譜成像檢測[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（7）：220-226.

[3]谷靜思. 基于介電頻譜/近紅外光譜技術(shù)檢測采后桃和油桃的品質(zhì)及品種[D]. 楊凌：西北農(nóng)林科技大學(xué)，2014：1-5.

[4]喻曉強(qiáng)，劉木華，程仁發(fā). 油桃糖度的光譜圖像檢測技術(shù)研究[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2007，29（6）：1035-1038.

[5]劉木華，趙杰文，程仁發(fā). 蘋果硬度品質(zhì)的光譜圖像檢測技術(shù)研究[J]. 食品科學(xué)，2008，13（3）：418-422.

[6]Baranowski P，Mazurek W，Wozniak J，et al. Detection of early bruises in apples using hyperspectral data and thermal imaging[J]. Journal of Food Engineering，2012，110（3）：345-355.

[7]倪茜茜. 基于高光譜成像技術(shù)的紅酸枝品種識(shí)別[D]. 杭州：浙江農(nóng)林大學(xué)，2015：1-4.

[8]梁 亮，楊敏華，李英芳. 基于ICA與SVM算法的高光譜遙感影像分類[J]. 光譜學(xué)與光譜分析，2010，30（10）：2724-2728.

[9]Elmasry G，Sun D W，Allen P. Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging[J]. Food Research International，2011，44（9）：2624-2633.

[10]Wu D，Sun D W，He Y. Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet[J]. Innovative Food Science and Emerging Technologies，2012，16：361-372.

[11]李勛蘭，易時(shí)來，何紹蘭，等. 高光譜成像技術(shù)的柚類品種鑒別研究[J]. 光譜學(xué)與光譜分析，2015，35（9）：2639-2643.

[12]張 艷. 基于Gabor濾波器的紋理特征提取研究及應(yīng)用[D]. 西安：西安科技大學(xué)，2014：1-4.

[13]楊宏雨，余 磊，王 森. 基于Gabor紋理特征的人臉識(shí)別方法[J]. 計(jì)算機(jī)應(yīng)用研究，2011，28（10）：3974-3976.

[14]宋余慶，劉 博，謝 軍. 基于Gabor小波變換的醫(yī)學(xué)圖像紋理特征分類[J]. 計(jì)算機(jī)工程，2010，36（11）：200-202.

[15]李 鈺，孟祥萍. 基于Gabor濾波器的圖像紋理特征提取[J]. 長春工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，29（1）：78-81.

[16]郭文川，劉大洋. 獼猴桃膨大果的近紅外漫反射光譜無損識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（9）：230-235.

[17]Kennard R W，Stone L A. Computer aided design of experiments[J]. Technometrics，1969，11（1）：137-148.

[18]Zhu F，Zhang D，He Y，et al. Application of visible and near infrared hyperspectral imaging to differentiate between fresh and frozen-thawed fish fillets[J]. Food and Bioprocess Technology，2013，6（10）：2931-2937.

[19]薛建新，張淑娟，孫海霞，等. 可見/近紅外光譜結(jié)合軟化指標(biāo)快速判定沙果貨架期[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（8）：169-173.

[20]李勛蘭，易時(shí)來，何紹蘭，等. 高光譜成像技術(shù)的柚類品種鑒別研究[J]. 光譜學(xué)與光譜分析，2015，35（9）：2639-2643.

[21]Huang G B，Wang D H，Lan Y. Extreme learning machines：a survey[J]. International Journal of Machine Learning and Cybernetics，2011，2（2）：107-122.

[22]Cambria E，Huang G B，Lekamalage C K L，et al.Extreme learning machines[trends & controversies][J]. IEEE Intelligent Systems，2013，28（6）：30-59.楊 斯，黃鋁文，張 馨. 機(jī)器視覺在設(shè)施育苗作物生長監(jiān)測中的研究與應(yīng)用[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（6）：179-187.