一种基于高光谱成像的苹果品种快速鉴别方法与流程

技术特征：

1.一种基于高光谱成像的苹果品种快速鉴别方法，其特征在于，包括以下步骤：

步骤1、高光谱图像的采集

在高光谱图像数据采集图像采集前需要对镜头焦距进行调整而且要保证平台移动的速度、相机的曝光时间和光源的相互匹配以保证采集的图像能够清晰不失真，经过多次调整及参数优化，最终确定高光谱摄像机的各参数如下：平台移动速度为20mm/s，相机的曝光时间为10ms，物距为200mm，采集到的高光谱图像大小为320×256×255，采集光谱时，每次将1个苹果样本放于载物台上，保持果柄-花萼轴为垂直方向，使载物台中心对准相机，当平台移动时，近红外高光谱仪从上往下扫描样本，每次扫描得到1行图像的光谱信息，平台带动样本运动的过程中，获取其他位置直至整个样本的光谱信息，为了消除苹果表面形状以及色泽差异对光谱采集的影响对每个苹果样品均进行2次光谱采集，第1次采集果柄面，第2次采集果顶面，将2次光谱反射平均值作为该样品的光谱数据，以同样的方法依次采集90个苹果的高光谱图像；

步骤2、光谱校正

为了消除因苹果形状差异、光源强度在各波段下分布不均以及摄像头中暗电流存在而产生的噪声影响，需对获得的高光谱图像进行黑白标定，首先对反射率为99％标准白色校正板进行图像采集，得到全白的标定图像W，然后关闭光源拧上镜头盖，采集全黑标定图像D；图像校正公式为：

$R=\frac{R_0-D}{W-D}---\left(1\right)$

式中：R₀为原始的高光谱图像，R为校正后的图像；

步骤3、ROI区域的选取

利用ENVI 4.7软件，对图像经过滤波和形态学算法处理后，选取苹果的果柄面和果顶面分别作为感兴趣区域，求其反射光谱曲线，将两面的反射光谱的曲线进行数据收集并取反射光谱平均值作为数据集合；

步骤4、K近邻算法计算

K近邻的基本思想很直观，在已知类别的训练样本中为未知类别的待测样本找到最相似的K个训练样本即K个近邻，根据这K个近邻的类别来判断待测样本的类别；

其中K值需要事先指定，一般需要在实验中采用交叉验证来确定合适的取值，根据某固定距离选取该距离内的所有训练样本作为近邻来判断待测样本的类别；

对于n维空间中的两个样本X(X1，X2，…，Xn)和Y(Y1，Y2，…，Yn)，采用的距离度量方法及其计算方法如下公式(2)-(11)所示：

$d_{cityblock}(X,Y)=\underset{i=1}{\overset{n}{\Σ}}|X_i-Y_i|---\left(2\right)$

d_chebvchev(X，Y)＝max|X_i-Y_i|(i＝1～n) (3)

$d_{correlation}(X,Y)=\frac{\mathrm{cov}(X,Y)}{Var\left(X\right)Var{\left(Y\right)}^{\′}}---\left(4\right)$

$d_{\cos ine}\left(X,Y\right)=\frac{{\mathrm{\Σ}}_{i=1}^n\left(X_i\×Y_i\right)}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{\left(X_i\right)}^2}\×\sqrt{{\mathrm{\Σ}}_{i-1}^n{\left(Y_i\right)}^2}}---\left(5\right)$

$d_{euclidean}(X,Y)=\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(X_i-Y_i)}^2}---\left(6\right)$

$d_{ham\min g}(X,Y)=\frac{\#(X_i\≠Y_i)}{n},(i=1~n)---\left(7\right)$

$d_{jaccard}(X,Y)=\frac{\#\[(X_i\≠Y_i)\]\∩\left(\right(X_i\≠0)\∪(Y_i\≠0\left)\right)}{\#\left(\right(X_i\≠0)\∪(Y_i\≠0\left)\right)},(i=1~n)---\left(8\right)$

$d_{\min kowski}(X,Y)=\sqrt[p]{\underset{i=1}{\overset{n}{\Σ}}{(X_i-Y_i)}^p}---\left(9\right)$

$d_{seuclidean}(X,Y)=\sqrt{\underset{i=1}{\overset{n}{\Σ}}{\left(\frac{X_i-\stackrel{\‾}{X}}{Var\left(X\right)}-\frac{Y_i-\stackrel{\‾}{Y}}{Var\left(Y\right)}\right)}^2}---\left(10\right)$

$d_{spear\mathrm{ma}n}(X,Y)=1-\frac{{\mathrm{\Σ}}_{i=1}^n\left(\right(rank\left(X_i\right)-\frac{n+1}{2}\left)\right(rank\left(Y_i\right)-\frac{n+1}{2}\left)\right)}{{\mathrm{\Σ}}_{i=1}^n{\left(rank\left(X_i\right)-\frac{n+1}{2}\right)}^2{\mathrm{\Σ}}_{i=1}^n{\left(rank\left(Y_i\right)-\frac{n+1}{2}\right)}^2}---\left(11\right)$

在已知待测样本的K个近邻的类别时，待测样本的类别有不同的判断方法，d_cityblock,d_chebychev,d_correlation,d_cosine,d_euclidean,d_hamming,d_jaccard,d_minkowski,d_seuclidean,d_spearman分别是10种距离的名称，Xi，Yi分别为两个样本在n维空间各个特征向量。

2.根据权利要求1所述的基于高光谱成像的苹果品种快速鉴别方法，其特征在于，步骤4中所述判断方法包括：最直观的方法是找出这K个近邻中出现次数最多的类别来作为待测样本的类别，更完善的方法是将近邻与待测样本间的距离作为权重来计算这K个近邻所属类别的重要程度，加权统计得到最重要的类别来作为待测样本的类别。

3.根据权利要求1所述的基于高光谱成像的苹果品种快速鉴别方法，其特征在于，步骤4中K＝1时，利用seuclidean和chebychev距离算法，以及K＝3,5时，利用chebychev，euclidean和minkowski距离算法在五折交叉验证中的分辨准确率都高达100％。