（信号与信息处理专业论文）基于高光谱图像技术的水果品质检测的若干问题研究.pdf

摘要 研究快速、高效、精确的水果品质检测技术对推动水果产业的健康、持续发展，提 高我国水果产业在国际市场上的竞争力，具有十分重要的意义。高光谱图像技术结合了 光谱技术和图像技术的优点，能够很好的检测水果内外部品质。然而，高光谱图像的“维 数灾难以及波段间的强相关性会对结果产生一定的影响。降维的主要目的是如何能够 既有效降低特征空间的维数，同时又要尽可能多的保留原始数据所包含的信息，从而减 少检测时间、提高效率，进而设计出保证实时性的检测系统。数据降维可通过特征选择 和特征提取来实现，在高光谱数据处理中则对应特征波段选择和特征提取，是近几年模 式识别领域中一个非常活跃的研究热点。 本文对基于高光谱图像技术的水果品质检测的降维算法进行了深入的研究，完成的 主要内容如下： 1 利用粗糙集理论( r o u g hs e t ，r s ) ，结合水果的光谱机理特征，研究适合于水果内 部品质表述的高光谱特征波段选择问题。邻域粗糙集( n e i g h b o r h o o dr o u g hs e t s ，n r s ) 模型不但能直接处理数值型属性，而且在选择的特征数量和分类精度方面都具有较大的 优势。 2 研究了基于流形学习算法的高光谱特征提取问题。局部线性嵌入( l o c a ll i n e a r e m b e d d e d ，l l e ) 是流形学习算法的一个典型代表，它试图保持数据的局部几何特征，就 本质上说，它是将流形上的近邻点映射到低维空间的近邻点。结合l l e 和支持向量机 ( s u p p o r tv e c t o rm a c h i n e ，s v m ) ，仿真结果达到了令人满意的效果。 3 进一步研究了基于有监督流形学习算法的高光谱特征提取问题。有监督流形学 习算法相对于无监督算法，加入了样本的类别信息，能够在保留流形某些结构的同时， 进一步分离不同类别的信息。本文介绍了有监督局部线性嵌a ( s u p e r v i s e dl o c a ll i n e a r e m b e d d e d ，s l l e ) 和有监督等距映射( s u p e r v i s e di s o m e t r i cf e a t u r em a p p i n g ，s - i s o m a p ) 两种不同的监督流形学习算法，并结合s v m 对降维后的数据进行分类。仿真结果表明 有监督流形学习算法能够很好的提高分类准确率。 关键词：苹果，粉质化，高光谱图像技术，降维，r s ，l l e ，s v m ，s l l e ，s - i s o m a p a b s t r a c t a b s t r a c t i ti sag r e a ts i g n i f i c a n c et os t u d yf a s t ，e f f i c i e n ta n da c c u r a t ed e t e c t i o no ff r u i tq u a l i t y w h i c hc a np r o m o t eh e a l t h ya n ds u s t a i n a b l ed e v e l o p m e n ti nf r u i ti n d u s t r ya n de n h a n c e c o m p e t i t i v e n e s so fo u rf r u i ti n d u s t r yo nt h ei n t e r n a t i o n a lm a r k e t h y p e r s p e c t r a li m a g e t e c h n o l o g yc o m b i n e ss p e c t r o s c o p ya n di m a g et e c h n o l o g ya d v a n t a g e s s oi tc a nt e s ti n t e r n a l a n de x t e r n a lq u a l i t yo ff r u i tv e r yw e l l h o w e v e r , t h i st e c h n o l o g yh a ss h o w e dt w op r o b l e m s f i r s t ，h i g hd i m e n s i o nm a k e sag r e a ti m p a c to nc o m p u t i n gs p e e da n dp o o rc l a s s i f i c a t i o nr e s u l t s a p p e a r db e c a u s eo fl a c k i n go ft r a i n i n gs a m p l e s s e c o n d ，h i g hc o r r e l a t i o no fb a n d sl e a dt oa l a r g en u m b e ro fr e d u n d a n t t h em a i np u r p o s eo fd i m e n s i o nr e d u c t i o ni sn o to n l yr e d u c et h e d i m e n s i o ne f f e c t i v e l y , b u ta l s or e t a i nt h ei n f o r m a t i o nc o n t a i n e di nt h eo r i g i n a ld a t aa sm u c ha s p o s s i b l e ，s ot h a tc a nr e d u c et e s tt i m ea n di m p r o v ee f f i c i e n c y t h e nd e s i g nar e a l - t i m e d e t e c t i o ns y s t e m d a t ar e d u c t i o nc a nr e a l i z eb yf e a t u r es e l e c t i o na n df e a t u r ee x t r a c t i o n ，b u t f e a t u r eb a n ds e l e c t i o na n df e a t u r ee x t r a c t i o ni nh y p e r s p e c t r a ld a t a c u r r e n t l y ，d a t ar e d u c t i o n i sa t t r a c t i n gm o r ea n dm o r er e s e a r c h e r sa n db e c o m i n gan e wa c t i v eh o t s p o ti nt h ef i e l d so f p a a e mr e c o g n i t i o n t h i sp a p e rm a i n l ys t u d i e st h ep r o b l e m so fd i m e n s i o nr e d u c t i o na l g o r i t h mo fa p p l e m e a l i n e s sb a s e do nh y p e r s p e c t r a l i m a g i n gt e c h n o l o g y ，t h em a i nc o n t e n t sc o m p l e t e da s f o l l o w s ： 1 s t u d yt h ep r o b l e mo f t h eh y p e r - s p e c t r a lf e a t u r eb a n ds e l e c t i o no ft h ei n t e r n a lq u a l i t y o ff r u i tb yr o u g hs e t ( r s ) t h e o r ya n dt h ef e a t u r e so fa p p l e ss p e c t r a lm e c h a n i s m n e i g h b o r h o o d r o u g hs e tm o d e lc a nn o to n l yh a n d l en u m e r i c a la t t r i b u t e sd i r e c t l y , b u ta l s oh a sal a r g e r a d v a n t a g ei nc h o o s i n gt h en u m b e ro f f e a t u r e sa n dc l a s s i f i c a t i o na c c u r a c y 2 t h i sp a p e rs t u d i e df e a t u r ee x t r a c t i o nb a s e do nm a n i f o l dl e a r n i n ga l g o r i t h m s l o c a l l i n e a re m b e d d i n gi sat y p i c a lo fm a n i f o l dl e a r n i n ga l g o r i t h m ，i ti st r y i n gt ok e e pt h el o c a l g e o m e t r y , a n d e s s e n c et o s a y , i tc a nm a pc l o s en e i g h b o rp o i n t s o fm a n i f o l dt o l o w - d i m e n s i o n a ls p a c e l o c a ll i n e a re m b e d d e d ( l l e ) c o u p l e dw i t hs u p p o r tv e c t o rm a c h i n e ( s v m ) t h es i m u l a t i o ns h o wt h a tt h e r ea r es a t i s f a c t o r yr e s u l t sw h e t h e ri nt i m eo ra c c u r a c y 3 s t u d yt h eh y p e r s p e c t r a lf e a t u r ee x t r a c t i o nb a s e do ns u p e r v i s i o nm a n i f o l dl e a r n i n g a l g o r i t h mf u r t h e r c o m p a r e dw i t hu n s u p e r v i s e da l g o r i t h m ，s u p e r v i s e dm a n i f o l dl e a r n i n g a l g o r i t h mj o i n e dt h ec l a s si n f o r m a t i o no fs a m p l e s ，w h i c hc a nr e t a i ns o m es t r u c t u r eo f m a n i f o l d ，w h i l ef u r t h e rs e p a r a t et h ed i f f e r e n tt y p e so fi n f o r m a t i o n t h i sp a p e ri n t r o d u c e dt w o d i f f e r e n ts u p e r v i s i o nm a n i f o l d sa l g o r i t h ma b o u ts u p e r v i s e dl o c a ll i n e a re m b e d d e d ( s l l e ) a n d s u p e r v i s e di s o m e t r i cf e a t u r em a p p i n g ( s i s o m a p ) ，c o m b i n i n gw i t ht h es u p p o r tv e c t o rm a c h i n e t oc l a s s i f yt h er e d u c td a t a s i m u l a t i o nr e s u l t ss h o wt h a tv e r yg o o di m p r o v ec l a s s i f i c a t i o n a c c u r a c yb ys u p e r v i s e dm a n i f o l dl e a r n i n ga l g o r i t h m k e y w o r d s ：a p p l e ；m e a l i n e s s ；h y p e r s p e c t r a ls c a t t e r i n gi m a g et e c h n o l o g y ；d i m e n s i o n r e d u c t i o n ；r s ；l l e ；s v m ；s l l e ；s 1 s o m a p i i 目录 目录 摘要i a b s t r a c t i i 第一章绪论1 1 1 研究背景1 1 2 高光谱图像技术无损检测水果研究现状2 1 3 高光谱图像降维。3 1 3 1 高光谱图像降维的必要性3 1 3 2 高光谱图像降维的研究现状5 1 4 本文主要研究的工作6 第二章基于高光谱图像技术的水果品质检测理论。9 2 1 引言9 2 2 高光谱图像技术检测原理9 2 3 实验系统介绍1 0 2 3 1 高光谱图像样本采集1 1 2 3 2 高光谱图像检测系统硬件组成和数据获取1 l 2 3 3 数据预处理- l3 2 3 4 特征生成1 3 2 3 5 数据降维1 5 2 3 6 分类1 6 2 4 本章小结1 6 第三章基于粗糙集和高光谱图像技术的降维研究1 7 3 1 引言17 3 2 波段选择理论1 7 3 3r s 理论18 3 4 邻域r s 理论19 ：；5p c a 2 1 3 6s v m 2 2 3 7 结果与讨论2 7 3 7 1 不同波长下的苹果光谱2 7 3 7 2 检测过程和结果2 8 3 7 3 邻域半径万对检测结果的影响2 8 3 8 结束语2 9 第四章基于l l e 和高光谱图像技术的降维研究3 1 4 1 前言31 4 2 流形学习3 1 i l l 目录 4 3 局部线性嵌入3 2 4 4 结果与讨论3 4 4 4 1 数据集分类结果比较3 4 4 4 2r b f 参数对分类结果的影响j 3 4 4 4 3l l e 参数对分类结果的影响3 5 4 5 结束语3 5 第五章基于有监督流形学习和高光谱图像技术的降维研究3 7 5 1 前言3 7 5 2 基于s l l e 和高光谱图像技术的苹果粉质化分类3 7 5 2 1s l l e 训练过程3 7 5 2 2s l l e 测试过程3 8 5 2 3 结果与讨论3 8 5 3 基于s i s o m a p 和高光谱图像技术的苹果粉质化分类4 l 5 3 1s i s o m a p 算法介绍4 l 5 3 2 新样本测试。4 l 5 3 3 结果与讨论。4 2 5 4 结束语4 4 第六章工作总结与展望4 5 6 1 工作总结4 5 6 2 展望4 6 致谢：4 7 参考文献4 9 附录：作者在攻读硕士学位期间发表的论文5 3 1 v 第一章绪论 1 1 研究背景 第一章绪论 水果产业是我国种植业中位列粮食、蔬菜之后的第三大产业，在国民经济中占有非 常重要的地位。但是，由于分选水果的检测能力弱、检测速度慢、检测试验环境条件差、 检测人员素质不高、采后检测与分级技术落后等问题，我国的水果产业在国际市场上缺 乏竞争力，只能出口到俄罗斯和东南亚等一些不发达的国家和地区，价格也较低，只有 美国、新西兰和法国等国家的一半左右，并且还呈下降趋势【l 】。要改变这种现状，关键 在于提高我国水果的品质检测技术。水果的品质检测包括外部品质检测和内部品质检 测，水果的内部品质主要考虑硬度、糖度、酸度及水分等，水果的外部品质主要是考虑 大小、形状、颜色和表面缺陷等。由于计算机技术和电子技术快速发展，水果外部品质 的检测技术现在己发展相当成熟，以计算机视觉为基础的光电分级在水果外部品质检测 领域进行了广泛的应用，其可一次性地自动完成水果大小、形状、颜色、果面缺陷等外 部品质的检测与评判，大大提高分选精度。目前，计算机视觉技术在我国水果商品化产 业中已得到推广和应用。中国农业大学、浙江大学、华南农业大学、江苏大学等高校已 自行开发研制了多种基于计算机视觉技术的水果外部品质在线检测分级系统。 随着人们生活水平的不断提高，基于水果的外部品质指标进行的分级已经远远不能 满足要求，消费者对水果的内部品质越来越关注。研究水果的内部品质无损检测和分级 技术已成为国内外研究的一个热点问题。由于高光谱图像技术融合了光谱和图像两种技 术的优点，其检测的水果产品信息既有图像信息又有光谱信息，从而更有利于水果内外 部品质的检测【2 】。近年来的研究表明利用高光谱图像技术进行农产品品质无损检测是一 个重要发展趋势。 高光谱图像数据具有高空间分辨率和时间分辨率、图谱合一等特点【3 】，能够为水果 品质检测提供详尽的信息，使得检测更加准确。但同时由于高光谱图像数据波段数多( 往 往在1 0 0 个波段以上) 、数据量大，相邻波段间相关性强【4 】，在线获取如此多的信息所需 要的时间长，很难满足快速检测的目的，不仅给数据的存储和传输带来了困难，也给数 据的处理带来了巨大的挑战。因此如何有效的降低高光谱图像的维数，减少数据量是高 光谱图像检测中的一个重要问题。 降维【5 j 是高光谱图像检测系统中的重要内容，也是后续进行分类和预测的基础。许 多优秀的学习算法( 如r s 理论、流形学习等) 都是以降维为基础发展起来的。降维的 作用和主要目的是在不明显改变系统分类能力的前提下，减少检测时间，提高效率。在 评价降维算法时，通常是比较分类精度。对不同降维方法所得结果分类，精度越高说明 算法越有效。 现有的降维方法，可以分为两类【6 】：一类是基于变换的特征提取方法，它可以经过 各种变换快速的将高维数据降低至低维，其缺点是导致了图像原有特性的改变。如主成 分分析( p r i n c i p a lc o m p o n e n ta n a l y s i s ，p c a ) 、独立分量分析( i n d e p e n d e n tc o m p o n e n t 江南大学硕士学位论文 a n a l y s i s ，i c a ) 、连续投影、遗传算法、离散小波变换( d i s c r e t ew a v e l e tt r a n s f o r m ，d w t ) 等。另一类是基于非变换的波段选择方法，它是在考察图像整体特点之后对图像进行选 择和划分的，因此有利于保持图像的原有特性。如粗糙集理论、计算智能等。 虽然降维问题不是新的问题，现有的各种算法也表现出好的性能，但作为数据分类 或建模的预处理过程，为了提高分类或建模精度，目前再次引起了人们热切的关注。本 文正是基于高光谱图像特征波段选择以及特征提取的前提下，结合水果产品的光谱学机 理特征，探讨粗糙集理论、流形学习等降维方法，并比较降维前后的检测精度，得到最 好的适用于水果无损检测系统的特征属性。该课题研究将扩展到各种农产品的品质检测 以及食用安全性方面。 1 2 高光谱图像技术无损检测水果研究现状 1 国内研究现状 目前，国内已经展开利用高光谱图像技术对水果内部品质的检测研究。刘木华等【7 1 对采集到的不同波长的光谱图像灰度分布进行洛伦茨分布( l d ) 、高斯分布( g d ) 、指数分 布( e d ) 函数拟合，通过比较发现洛伦茨分布为最优灰度分布拟合函数。将脐橙的糖度与 洛伦茨分布函数拟合所得参数分别进行多元线性回归，建立最佳单波长、最佳双波长组 合、最佳三波长组合和最佳四波长组合的校正方程。结果表明利用高光谱图像技术无损 检测脐橙糖度是可行性的。洪添胜等【8 j 研究了利用高光谱图像系统提取雪花梨中糖和水 的光谱响应和形态特征参数，获取样品含糖量和含水率的敏感水分吸收光谱带，利用人 工神经网络建立雪花梨含糖量和含水率预测模型及利用投影图像面积预测雪花梨鲜重。 结果表明，基于高光谱图像技术对雪花梨品质进行无损检测是可行的。q i n g z s 等【9 】对 苹果无损检测的可见一近红外激光漫反射光谱图像技术进行了研究，通过苹果近红外特 征波长确定激光工作波长，利用搭建的激光漫反射图像系统采集并分析苹果果面多波长 的激光光晕图像信息。提出能够充分表征光子传播过程中的能量衰减程度并体现漫反射 光信息的新算法，以消除果面激光镜面反射的干扰，创立苹果形状修正算法，提高了激 光漫反射图像法对苹果可溶性固形物含量和硬度的检测精度。 2 国外研究现状 t u 等人【1 0 】【1 1 】首先将光谱图像技术引入了农产品的快速检测领域。该研究小组利用 光谱图像对番茄和苹果成熟度的检测做了初步研究，采用6 7 0 n m 的氮一氖激光器作为光 源，使用c c d 摄像头采集果面光斑的反射光，并利用简单的图像处理方法对光斑图像进 行分析。利用偏最小二乘算法，建立光斑图像总像素数与水果成熟度之间的数学模型， 得到的决定系数( r 2 ) 为0 6 4 。可见，单独利用一个波长的激光，并且单纯依靠果面光斑 的面积作为衡量标准很难准确地表征水果的成熟度。 m c g l o n e 等 1 2 1 利用一束8 6 4 n m 的激光在水果内部的散射光斑图像分析了猕猴桃的 硬度。实验结果显示，利用反射光强度与成熟度建立模型的相关系数( y ) 很高但是预测 标准差不令人满意。同年，该组研究人员继续讨论了用激光器不同发散角和不同入射角 对猕猴桃的硬度预测的影响，结果又一次证明了单一波长的激光光斑图像并不能完整准 2 第一荦绪论 确地预测水果的硬度。 为了克服单一波长光谱图像不能准确反映水果的内部特征的问题，m a r t i ns e n 掣1 3 】 应用高光谱图像研究了猕猴桃内部可溶性固形物的分布。试验时，将猕猴桃切片后获取 图像，测量的波长范围为6 5 0 11 0 0 n m ，通过偏最d - 乘法建立了可溶性固形物的预测 模型。 n a g a t a 等t 1 4 】在可视光范围4 5 0 6 5 0 n m 采用高光谱图像技术对草莓可溶固体含量和 硬度进行了预测，从而判断草莓的成熟度。c o g d i l l 等【l5 】利用可调液晶滤波器组成的高光 谱图像系统( 透射光法) ，研究了玉米含水率和含油率的检测。研究的偏最小二乘法、主 成分回归预测结果都达到很高的精度。 l u 等【16 】【1 7 】研究使用高光谱图像技术从5 0 0 1 0 0 0 n m 散射图像来预测苹果的可溶性 固体含量和硬度；使用了b p 神经网络来建立预测模型。在另一项相关的研究里，l u j 提出了一个使用多光谱图像来测量苹果内部品质的新概念。建立了由5 个光学滤波器 ( 6 8 0 ，8 8 0 ，9 0 5 ，9 4 0 和1 0 6 0 n m ) 组成的多光谱图像系统，光谱散射图像被降低为 一维轮廓图。使用人工神经网络的方法，建立起散射轮廓与苹果硬度的相关性模型。同 时，他发展了用于硬度预测的3 波段定标模型和用于可溶性固体含量的2 波段定标模型。 l u 等【1 9 】采用高光谱图像处理技术对桃子的硬度进行了快速、无损坏的测量。与l u 1 8 l 使用的多光谱散射处理技术所选用几个波段相比较，该高光谱图像系统可同时在 5 0 0 1 0 0 0 n m 范围内获得1 5 3 个波段的散射剖面图，光谱分辨率达到3 2 8 n m 。采用多线 性回归与交叉校正相结合的算法来建立桃子硬度的预测模型，获得了比较好的效果。 g a m a le i m a s r y 等t 2 0 】采用高光谱图像处理技术，在4 0 0 1 0 0 0 n m 波段范围内检测草 莓的p h 值、可溶性固体含量、含水量以及对草莓的成熟度进行了预测。该研究中使用 偏最d - - 乘算法的系数来选择最优波段；并采用多元线性回归算法来建立质量预测模 型；此外，基于灰度共生矩阵对草莓的成熟度进行了分类。 1 3 高光谱图像降维 1 3 1 高光谱图像降维的必要性 一， 高光谱数据具有光谱分辨率高的特点，能够提供丰富的细节信息，但同时因为波段 数多、数据量大、相邻波段相关性强，也给数据的处理带来了困难。 江南大学硕士学位论文 一一。一。 图卜1 维数灾难 fig 1 1t h ep r o b l e mo fh i g h - d i m e n s i o n a l 图l 一1 引出了维数约简的必要性。当特征数增加的时候，能够增加信息量，从而更 加准确的描述样本；但同时特征数的增加也增大了训练分类器的难度，引发“维数灾难 问题。另一方面，由维数过多导致的以下三类难题【2 l 】也进一步说明了维数约简的必要性。 1 h u g h e s 现象 h u g h e s 现象，即分类精度随着特征数的增加上升到一定程度后开始下降，该问题 的存在严重影响了图像分类精度。在高光谱数据分析中，计算复杂度与波段数和量化精 度有关。波段数越多，量化精度越高，数据的复杂度越大。也就是说，对于无穷多样本， 训练样本越多，分类精度越大。但是实验所取样本一般为有限个，此时存在一个最优数 据复杂度可以使分类精度最高。当数据维数很高且量化精度高，但是分类精度低的情况 下就会出现h u g h e s 现象。降维能够消除此现象，提高分类精度。 2 数据量大大增加 高光谱图像波段数达到了几十甚至几百。由此可见，产生的数据量是非常巨大的。 以2 2 0 个连续谱带的a v i r i s 图像为例，空间分辨率为1 4 5 事1 4 5 。若每个数据长度为 1 6 b i t ，则这幅图像的数据量为7 4 m b i t 。如此庞大的数据量给数据传输和存储带来挑战， 同时因其巨大的数据量给计算机运行速度带来负担。 3 数据冗余度高 高光谱图像数据存在两类冗余：空间冗余和谱间冗余，空间冗余来自于图像固有的 平滑性，谱间冗余是由于成像设备的频谱交叠，目标反射频谱覆盖了较大的范围。对于 同一目标而言，分辨率越高，各波段图像间的相关性越强，冗余越多。由此可见，冗余 的产生是无可避免的。降维就是要降低冗余度，提取出有效的特征属性。 高光谱图像数据间存在大量冗余信息，这些冗余信息对目标的分类而言是无用的。 除此之外，因其巨大的数据量占用了存储空间，不利于后续数据分析。因此，本文提出 在不明显影响分类结果的前提下，通过特征波段选择或者特征提取的方法，如图1 2 所 示，降低数据维数，从而降低数据量，减少数据处理时间，提高效率。 4 第一章绪论 图卜2 特征数约简 fig 1 2f e a t u r er e d u c t i o n 1 3 2 高光谱图像降维的研究现状 关晓颖等【2 2 】以遗传算法为蓝本，提出一种降维式自主迁移的伪并行遗传算法。该算 法实现了对高维问题的并行降维优化，并设计出新颖的具有协作性质的信息迁移机制， 更好地融合各个处理器的优化信息。测试了3 种不同的迁移处理器中优化信息的方法， 并对1 1 个具有3 0 维的连续函数进行测试。测试结果与其它并行遗传算法进行了比较，该 方法在求解精度和速度上都要比传统的串行遗传算法和并行遗传算法优胜。 为了在压缩波长点数的情况下改善传统方法模型的稳健性，淡图南【2 3 j 等提出了一种 基于偏最d , - - 乘( p a r t i a ll i n e a rs q u a r e s ，p l s ) 投影的波段选择方法。它在计算某波长对待 测组分浓度影响时，考虑了该波长下光谱数据的变化量以及p l s 回归系数向量投影分量 的共同影响，获得了较好的结果。龚衍【2 4 】等提出了一种基于逐次投影寻踪方法的高光谱 图像降维方法，采用定量化的指标，通过对高光谱数据的多次一维投影，逐步选取有效 成分，构建新的低维正交空间。 田野【2 5 】等提出了利用p c a 进行高光谱数据降维方法。具体就是根据原始数据协方差 矩阵的特征值和特征向量，计算各个波段对选择出的主成分的贡献率，贡献率越大，证 明波段包含的信息量越大。倪国强等【2 6 】采用基于小波分解的p c a 降维方法对高光谱图像 进行特征提取。该方法充分利用小波变换的优势，对光谱域的每个像元降维，能够在保 留光谱信号原始差别的前提下减少数据量；另一方面p c a 利用像元间的相关性，能够在 克服小波变换类间可分性差的前提下保留不同类在相邻像元间的局部空间信息。 冯燕等【2 7 】提出了一种基于i c a 的高光谱图像降维和压缩方法。该方法通过i c a 去除 谱间冗余，然后采用预测法去除空间冗余，最后采用自适应算术编码去除统计冗余。结 果表明与p c a 降维相比，此方法虽然峰值信噪比降低，但压缩比提高，有利于目标分类 和识别。 马瑞等【2 8 j 为了研究多人脸多表情数据集的多流形学习问题，提出了一种基于l l e 算 法的多流形学习方法。对于分布在不同流形上的高维数据，该方法在降维的同时首先对 数据集进行非监督的聚类，然后分析每一类数据的低维流形的本质维数以及流形空间的 构成，聚类及流形空间的确定是通过对l l e 降维的结果进行分析而完成的，计算复杂度 小。蒋润等【2 9 】将监督局部线性嵌入的思想引入传统的正交投影降维方法( o p r a ) 方法， 5 一 江雨大学硕士学位论文 提出一种新的基于有监督流形学习的正交投影降维方法( 口o p r a ) ，使高维到低维的映 射在保留某些流形结构的同时，进一步获得较好的正交投影效果。该方法通过加入额外 的参数口来控制监督的程度，在纯粹的有监督的o p r a 和无监督的o p r a 之间取得了某 些折中。实验结果证明，该方法能获得较好的降维结果。 为了提高分类的速度和精度，张美虎等【3 0 】提出了使用r s 对特征向量进行降维，使 用遗传算法进行特征选择以及s v m 参数优化。实验表明基于r s 和遗传算法的s v m 分类 方法比传统的k - n n 和决策树方法更有效。 由上述内容可以看出，国内外已经有了许多有关高光谱图像技术无损检测水果品质 的文献，随着科技的进步以及信息时代的来临，此理论必将越来越成熟，应用也会越来 越广泛。但同时，由于高光谱图像数据维数多、波段间相关性强的缺点成为其更快发展 的制约因素。降维作为高光谱图像技术检测的重要内容之一，目前仅仅应用于高光谱遥 感领域。对基于高光谱图像技术的水果品质检测的降维至今国内还没有学者进行研究。 本文就是针对苹果的高光谱图像，采用一系列特征波段选择和特征提取方法进行降维， 最终根据分类精度评价降维的效果。 1 4 本文主要研究的工作 本论文针对高光谱图像维数过高，导致在检测水果品质过程中效率低下，检测精度 不高的问题，进行了深入研究，展开了详细论述。本文的主要研究内容包括： 第一章阐述了本课题的研究背景及意义、利用高光谱图像技术进行无损检测的研 究现状、高光谱图像降维的研究现状以及高光谱数据降维的必要性并给出了本文的主要 研究工作。 第二章本章论述了基于高光谱图像技术的无损检测水果品质的原理以及硬件组 成，然后对整个实验流程以及涉及的原理做了相关介绍，接着详细描述了本文所用到的 实验数据，最后进行小结。 第三章研究了基于r s 和高光谱图像技术的苹果品质检测问题，首先介绍了特征 波段选择、r s 、n r s 、p c a 以及s v m 的有关理论，提出将n r s 应用于高光谱图像数据 的降维。该算法无需对数据进行离散化，也无需提供问题所需处理数据集合之外的任何 先验信息。实验结果表明，该方法能够在保持信息系统分类能力不变的前提下，通过消 除冗余属性，选择出最有效的特征波段，提高了检测效率，可以应用选择的特征波段设 计多光谱图像无损在线检测系统。 第四章研究了基于高光谱图像技术的苹果粉质化l l e s v m 分类问题。首先介绍 了特征提取以及流形学习的相关理论，l l e 作为一种优秀的流形学习算法，具有其独特 的降维优势，然后具体介绍了l l e 算法特点和流程。l l e 是一种通过局部线性关系的联 合来揭示全局非线性结构的非线性降维方法，能有效计算高维输入数据在低维空间的嵌 入流形。对降维后的高光谱数据采用s v m 进行分类。仿真结果表明：用l l e s v m 得到 的训练精度远高于单纯使用s v m 的训练精度，而测试精度波动不大。l l e s v m 为高光 谱散射图像技术进行苹果粉质化检测提供了一个有效的分类方法。 6 第一章绪7 论 第五章研究了监督流形学习算法和高光谱图像技术结合的苹果粉质化检测方法。 通过与无监督流形学习算法下的分类结果比较，显示出有监督学习的优越性。然后详细 介绍t s l l e 和s i s o m a p 两种监督流形学习算法。重点讨论了参数口、k 、d 对分类结果 的影响。特别需要指出的是，对新样本的加入，由于未知其类别信息，用到了b p 神经网 络模型，具体过程见5 3 节。仿真结果表明：监督流形学习算法加入了样本的类别信息， 能得到更好的检测结果。 第六章对本文的工作进行总结和展望。 7 江南大学硕士学位论文 8 第二章基于高光谱图像技术的水果品质检测理论 第二章基于高光谱图像技术的水果品质检测理论 2 1 引言 无损检测就是在不损伤被测材料的情况下，检查材料的内在或表面缺陷，或测定材 料的某些物理量、性能、组织状态等的检测技术1 3 1 1 。将无损检测技术应用于水果品质检 测是最新发展一种趋势，其价值在于能够保证水果分选质量；指导水果生产，即根据成 熟度、糖度、硬度等指标来决定施肥、浇水、采摘时间；减少抽样浪费；增加水果的附 加值，这个主要针对外表缺陷而口感很好的水果【3 2 1 。 目前，国内外有许多学者从事水果内部品质因数无损测定的研究，主要的方法有近 红外光谱分析法 3 3 j 。虽然近红外光谱能较好地表征水果产品内部品质信息，但是它们通 常只能提供对水果某个小区域的测量。p e i r i s l 3 4 】指出，水果的一些品质在空间上的不一 致性可能会导致检测不准确。同时，由于水果组织的物理性质与光谱的吸收无关，只与 细胞组织的大小和间隙有关，因此，单独依靠近红外技术并不能很好地实现对水果物理 性质( 如硬度等) 的无损检测。 与一维的光谱信息相比，高光谱图像技术结合了光谱和图像两种技术的优点，高光 谱图像技术检测的水果产品信息既有图像信息又有光谱信息。由于光谱技术能检测水果 产品物理结构、化学成分等，图像技术又能全面反映水果产品的外在特征，所以高光谱 图像能检测水果产品综合品质( 包括外在品质、内在品质和食用安全性) 。总而言之，它 容易操作、费用低廉、快速且无损。近年来的研究表明：利用高光谱图像技术进行农产 品品质无损检测是一个重要的发展趋势。 2 2 高光谱图像技术检测原理 高光谱成像是新一代光电检测技术，兴起于2 0 世纪8 0 年代，目前仍在迅速发展中。 多光谱( m u l t i s p e c t r a l ) 的光谱分辨率在1 0 - 1 五数量级范围，这样的传感器在可见光和近红 外区域一般只有几个波段；高光谱( h y p e r - s p e c t r a l ) 的光谱分辨率在1 0 2 力数量级范围，这 样的传感器在可见光和近红外区域有几十到数百个波段；超光谱( u l t r a l s p e c t r a l ) 的光谱 分辨率在1 0 _ 3 五数量级范围，这样的传感器在可见光和近红外区域可达到数千个波段【3 5 i 。 高光谱成像是相对多光谱成像而言的，通过高光谱成像方法获得的高光谱图像与通过多 光谱成像获取的多光谱图像相比具有更丰富的图像和光谱信息，高光谱图像光谱分辨率 精度通常可达到2 3 n m 。 高光谱图像是在特定波长范围内由一系列波长处的光学图像组成的三维图像块。图 2 1 为高光谱三维图像。其中，z 、y 为二维平面坐标表示的图像像素的坐标信息，五表 示波长信息 3 6 1 。由此说明，高光谱图像既有某个特定波长下的图像信息，又具有不同波 长下的光谱信息。 9 江南大学硕士学位论文 图2 一l 三维高光谱图像块 f i g 2 1t h et h r e eb l o c k so fh y p e r s p e c t r a li m a g e s 在数据应用分析中，主要可以从以下3 方面获得高光谱图像信息【37 】：( 1 ) 在图像空间 维上，高光谱图像与一般的图像类似。也就意味着可用一般的遥感图像模式识别方法进 行高光谱数据的目标信息检测。( 2 ) 在图像光谱维上，高光谱图像的每一个像元可得到一 条连续的光谱曲线，基于光谱数据库的光谱匹配技术可以实现对物体与目标的识别。( 3 ) 在图像特征空间维上，高光谱图像能够根据实际数据所反映的目标特征分布差异，将其 有效数据由超维特征空间映射到低维子空间。 在实验室图像采集系统中，目前有两种方法获得高光谱图像【3 8 】：( 1 ) 基于滤波器或滤 波片的方法。通过连续采集一系列波段下五的样品二维图像，得到三维高光谱图像块。 ( 2 ) 基于成像光谱仪的方法。成像光谱仪是一种新型传感器，2 0 世纪8 0 年代初正式开始研 制，研制这类仪器的目的是为获取大量窄波段连续光谱图像数据，使每个像元具有几乎 连续的光谱数据。它是一系列光波波长处的光学图像，通常包含数十到数百个波段，光 谱分辨率一般为l l o n m 。由于高光谱成像所获得的高光谱图像能对图像中的每个像素 提供一条几乎连续的光谱曲线，其在待测物上获得空间信息的同时又能获得比多光谱更 为丰富光谱数据信息，这些数据信息可用来生成复杂模型，来进行判别、分类、识别图 像中的材料。成像光谱仪采用“扫帚式 成像方法，横向扫描获得对象条状空间中