基于高光譜成像技術的小龍蝦品質分析

基于高光譜成像技術的小龍蝦品質分析

四川雙利合譜科技有限公司  黃宇

1. 可見、近紅外設備介紹

高光譜圖像數據采集采用四川雙利合譜科技有限公司的 GaiaSorter雙系統高光譜分選儀系統（V10E、N25E-SWIR）。該系統主要由高光譜成像儀、面陣列相機、鹵素燈光源、暗箱、計算機組成，如圖1。實驗儀器參數設置如表1。

圖1  GaiaSorter雙系統高光譜分選儀

表1   GaiaSorter 雙系統高光譜分選儀系統參數

高光譜圖像采集軟件采用四川雙利合譜科技有限公司提供的高光譜成像系統采集軟件Specview完成。圖像處理采用 ENVI5.3 軟件進行處理。在進行圖像處理之前，先要對采集的光譜圖像進行圖像校正，圖像校正公式如下：

              (1)

式中，R_ref 是校正過的圖像，DN_raw 是原始圖像，DN_white為白板校正圖像，DN_dark 是黑板校正圖像，R_white為白板的反射率。

2.  實驗目標

利用可見近紅外以及短波紅外高光譜成像技術對成熟的小龍蝦進行品質分析，研究不同品質小龍蝦的光譜差異并通過高光譜成像技術快速識別不同品質的小龍蝦，為餐飲行業行業快速識別不同品質小龍蝦提供技術支。圖2為需要利用高光譜成像設備采集分析的小龍蝦樣本，左邊為品質好的小龍蝦，右邊為品質壞的小龍蝦。

圖2  需要高光譜設備采集的實驗目標

3.  實驗結果

3.1  可見近紅外、短波紅外高光譜的小龍蝦光譜分析

    在小龍蝦身上不同部分分別選取約200個像素點取均值代表小龍蝦該部分的光譜反射率，如圖3所示，分別列舉了品質好的和壞的小龍蝦外殼、蝦爪、蝦尾和蝦腹在可見近紅外波長范圍的光譜進行分析，并對原始光譜作了一階導數分析，目的是為了更加深入地了解不同品質的小龍蝦其不同部位的光譜差異。圖3左為品質好的與壞的小龍蝦不同部位的原始光譜反射率曲線，從圖中可知，小龍蝦不同部位的光譜反射率在400-530nm之前差異較小，但在530nm之后小龍蝦不同部位的光譜曲線差異較大。對于品質壞的小龍蝦，其外殼光譜的陡坡位置相對于品質好的小龍蝦而言，發生了“藍移”；另外品質壞的小龍蝦，其蝦爪、蝦尾、蝦腹等部位與品質好的小龍蝦，其光譜反射率差異也較大。圖3右更能清晰地看出不同品質的小龍蝦不同部位的光譜差異及品質好與品質差的小龍蝦在400-1000nm范圍內的光譜差異，從其峰谷位置及峰谷的高低，很顯著地看出品質好與品質差的小龍蝦的光譜差異。

圖3  基于可見/近紅外高光譜成像技術小龍蝦不同部位的光譜曲線

與可見、近紅外高光譜成像技術分析小龍蝦光譜一樣，在短波紅外的高光譜圖像上分別選取小龍蝦身上不同部分約200個像素點取均值代表小龍蝦該部分的光譜反射率，如圖4所示，分別列舉了品質好的和壞的小龍蝦外殼、蝦爪、蝦尾和蝦腹在短波紅外范圍的光譜進行分析，并對原始光譜作了一階導數分析，目的是為了更加深入地了解不同品質的小龍蝦其不同部位的光譜差異。圖4 左為短波紅外1000-2500nm的光譜反射率曲線圖，從圖中可知，在短波紅外范圍，不同品質的小龍蝦及小龍蝦的不同部位光譜反射率曲線變化趨勢相似，不同的是曲線反射率的高低及峰谷的高低。圖4右為不同品質小龍蝦及不同部位在短波紅外范圍的一階導數光譜曲線。從圖中可知，不同品質的小龍蝦，其峰谷位置及峰谷的值差異較大，小龍蝦不同部位之間的光譜也有顯著差異。

圖4  基于短波紅外高光譜成像技術小龍蝦不同部位的光譜曲線

3.2  小龍蝦品質識別研究

*小噪聲分離變換（Minimum Noise Fraction Rotation，MNF Rotation）工具用于判定圖像數據內在的維數（即波段數），分離數據中的噪聲，減少隨后處理中的計算需求量。MNF本質上是兩次層疊的主成分變換。**次變換（基于估計的噪聲協方差矩陣）用于分離和重新調節數據中的噪聲，這步操作使變換后的噪聲數據只有*小的方差且沒有波段間的相關。**步是對噪聲白化數據（Noise-whitened）的標準主成分變換。

主成分分析(PCA)是遙感數字圖像處理中運用比較廣泛的一種算法，是在統計特征基礎上的多維(多波段)正交線性變換。通過PCA變換,可以把多波段圖像中的有用信息集中到數量盡可能少的新的主成分圖像中，并使這些主成分圖像之間互不相關，從而大大減少總的數據量。但PCA變換對噪聲比較敏感，即信息量大的主成分分量，信噪比不一定高，當某個信息量大的主成分中包含的噪聲的方差大于信號的方差時，該主成分分量形成的圖像質量就差， PCA變換用于融合處理并不是為了減少噪聲，而是通過該變換,使得多光譜影像在各個波段具有統計獨立性,便于分別采用相應的融合策略。針對PCA變換的不足，Green等曾經提出*小噪聲分離(MNF)變換，隨后，又對MNF變換進行了修改，它本質上是含有兩次疊置處理的主成分分析。

由此可知，MNF變換具有PCA變換的性質，是一種正交變換，變換后得到的向量中的各元素互不相關，**分量集中了大量的信息,隨著維數的增加,影像質量逐漸下降,按照信噪比從大到小排列，而不像PCA變換按照方差由大到小排列，從而克服了噪聲對影像質量的影響。正因為變換過程中的噪聲具有單位方差，且波段間不相關，所以它比PCA變換更加優越。

圖5為可見、近紅外400-1000nm范圍內基于MNF變化的前9個分量圖，從圖中可知，不同品質的小龍蝦，在第三、第四和第五分量上可以實現很好的判別，而其他分量存則存在不同程度的誤判，結合第三、第四和第五分量以及CART決策樹分類法，可以實現小龍蝦品質的鑒定，如圖6所示，紅色為品質壞的小龍蝦，綠的為品質好的小龍蝦。

圖5 小龍蝦基于400-1000nm的MNF前9個分量圖

圖6 基于400-1000nm范圍內小龍蝦品質分析結果

圖7為短波紅外1000-2500nm范圍內基于MNF變化的前8個分量圖，從圖中可知，不同品質的小龍蝦，除**、第三、第四和第五MNF變量能區分出部分品質好的小龍蝦或品質不好的小龍蝦外，其余變量品質好壞的小龍蝦并不顯著區別。我們利用**、第三、第四和第五MNF變量結合圖像分類方法中的監督分類法用于區分不同品質的小龍蝦，區分效果如圖8所示，其中紅色為品質壞的小龍蝦，綠的為品質好的小龍蝦。

圖7 小龍蝦基于1000-2500nm的MNF前8個分量圖

圖8 基于1000-2500nm范圍內小龍蝦品質分析結果

4.  結果與討論

    從分析結果來看，基于400-1000nm和1000-2500nm波長范圍的高光譜影像數據均能較好地區分成熟的品質好與壞的小龍蝦。如果僅從MNF的分量上看，基于400-1000nm的可見\近紅外高光譜影像識別不同品質的小龍蝦高于基于1000-2500nm的短波紅外，但結合高光譜分析方法，兩者的識別精度并無顯著差別。另外如果將來想在產線上進一步應用，仍需要進一步的分析，這是因為小龍蝦的擺放姿勢對利用高光譜影像數據的判別效果影響很大。