CN101059425A

CN101059425A - 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置

Info

Publication number: CN101059425A
Application number: CN 200710069113
Authority: CN
Inventors: 何勇; 李晓丽; 裘正军; 陆江峰; 何超
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2007-05-29
Filing date: 2007-05-29
Publication date: 2007-10-24

Abstract

本发明公开了一种基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置。首先通过3CCD摄像机同时获得茶叶样本的三个通道图像，分析不同品种绿茶在各个通道的图像的纹理特性，然后对于预处理后的茶叶图像运用纹理统计分析法或频谱分析法等提取纹理特征参数并进行参数优化。对于只能反映不同品种茶叶共性，不能反映不同品种茶叶之间差别的某些参数剔出。经过参数相关性分析，主成分分析，显著性分析等方法得到的与不同品种茶叶密切相关的纹理特征参数。经优化后的特征参数输入分类器建立定量化的鉴别模型。再用已经建好鉴别模型来鉴别待预测样本的品种。本发明主要用于快速、准确、非破坏性、在线鉴别绿茶品种。

Description

基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置

技术领域

本发明涉及用光学手段分析材料的方法，尤其是涉及一种基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置。

背景技术

茶叶的品质，一般是指茶叶的色、香、味、形。同时茶叶的商品性强，美观的外形和光润的色泽是不容忽视的，而且感观审评茶叶品质的优劣，往往先审查外形(包括干茶的形状和色泽)，特别是名茶，它的外形占其品质质量的30％的权重。所以茶叶的形状是组成茶叶品质的重要项目之一。我国茶类多，茶叶形状绚丽多姿，多数具有一定的艺术性，既品饮，又可欣赏，而且我国的名优茶大都有其独特的外形，比如：龙井茶外形扁平光滑，形似“碗钉”；碧螺春卷曲成螺形；而平水珠茶外形圆紧，呈颗粒状，这些独特的外形构成了不同品种绿茶独特的纹理。传统的茶叶感观审评主要是依赖审评专家的判断，由于人为操作易受环境等外界因素干扰，从而影响评定结果的准确性。为了在茶叶生产、流通过程中有一个严格、一致的标准，采用仪器测定茶叶外形指标，用科学计量上的品质指标来评价茶叶品质是必要的手段之一。机器视觉系统就是计算机数字图像处理系统，它是用计算机实现部分人类视觉的功能，把所测对象映射成数字图像，并模拟人的判别准则去理解图像和识别图像，进而对所摄图像进行分类或分级。机器视觉检测具有自动化、客观、非接触、高精度和快速等特点，对颜色和外形变化的反应也更灵敏。纹理是图像中的一个重要特征，能够反映一个区域中像素灰度空间分布的属性。纹理大致可分为两大类：一类是规则纹理，它由明确形状的纹理基本元素(纹理基元)经有规则排列而成，这一类纹理常被称为人工纹理，一般出现在工业产品中。另一类是准规则纹理，它们的纹理基元没有明确的形状，而是某种灰度或颜色的分布。这种分布在空间位置上的重复出现形成纹理，这类纹理通常被称为自然纹理，茶叶的纹理即属于自然纹理。自然纹理的描述一般采用统计分析法和频谱分析法。统计分析法中灰度共生矩阵、行程长度统计、灰度差分统计、灰度直方图、纹理滤波等都是图像纹理分析的常用方法；频谱分析法中的小波变换法、傅立叶变化法等都是最近兴起的图像纹理分析的有效方法；它们能精确的反映纹理的粗糙程度和重复方向，对于描述纹理特征起到了重要的作用。在名优茶的鉴别过程中，对于单个茶片的鉴别是相对容易的，但是需要人为的把成堆的茶叶摆放成互相不接触的单个茶片，这是一项繁重的劳动。所以研究一种能对成堆状分布(不需要人为摆放成茶片互相不接触的状态)的茶叶的品种进行鉴别是一项非常有意义的工作。

发明内容

为了更加高效、准确的区分不同品种绿茶(包括各种名优茶)，需要一种无损、快速、实时的绿茶品种鉴别的方法。本发明的目的是提供了一种基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置。能对成堆状分布(不需要人为摆放成茶片互相不接触的状态)的茶叶的品种进行鉴别。

本发明采用的技术方案是：

一、一种基于多光谱图像的纹理分析鉴别不同品种绿茶的方法：

首先建立绿茶品种鉴别的校正模型，然后在校正模型的基础上对预测样本的品种进行鉴别；该方法的步骤如下：

(一)、首先建立绿茶品种的标准鉴别模型：

1)获取图像：把绿茶校正样本集送入图像采集的硬件系统，3CCD多光谱成像仪把样本的图像采集到计算机；

2)图像预处理：对送入计算机的图像，首先诊断是否清晰，对于不清晰的图像要对图像进行校正和信息融合处理，来获得高质量的清晰的茶叶样本的图像；

3)提取图像的纹理特征：由于茶叶在线检测过程中是堆积状的，而且茶叶的纹理是自然纹理，所以运用纹理统计方法来提取纹理特征；或者结合频谱纹理统计方法来提取纹理特征；

4)特征参数的优化和筛选：用各种纹理描述方法得到的纹理特征参数，并不是都能对样本品种起到区分作用，所以必须对特征参数进行优化和筛选；通过参数之间的相关性分析来消除参数间的信息冗余、通过各个品种样本的各个参数的范围和参数的标准偏差剔出对品种鉴别不起作用或者起反作用的特征参数、通过主成分分析或者显著性分析来寻找对不同品种绿茶纹理识别起重要作用的参数；

5)建立标准鉴别模型：把优化后的特征参数输入模式识别分类器来建立品种鉴别校正模型；模型识别算法是神经网络法、多类判别分析、最小聚类分类器或支持向量机等等；

(二)、在品种鉴别校正模型的基础上对预测样本的品种进行鉴别：

校正模型对待预测样本的品种进行鉴别，先获取预测样本的获取图像、图像预处理、提取预测样本的图像的纹理特征参数与校正样本集优化后输入标准鉴别模型的纹理参数一样的、把特征参数输入模型，即可得出预测样本的品种。

二、一种基于多光谱图像的纹理分析鉴别不同品种绿茶的装置：

包括3CCD多光谱成像仪、光源、暗箱、传送带、皮带轮、电机和计算机。在装有茶叶的传送带上安装暗箱，暗箱内两侧装有光源，暗箱中部装有3CCD多光谱成像仪，光源和3CCD多光谱成像仪均对准在传送带上的绿茶，3CCD多光谱成像仪接收的反射光，通过通过RS-232接口与图像采集卡传输到计算机处理系统；电机皮带经皮带轮带动传送带传动。

所以本系统只要在有代表性的茶叶样本的基础上建立了校正模型就可以实验对待预测茶叶品种进行快速、无损、实时、在线的鉴别。

本发明与背景技术相比，具有的有益效果是：

(1)功能强大，可实现对茶叶品种的快速、准确、非破坏性、在线的鉴别。

(2)结构简单，整个测量装置只由一个3CCD多光谱成像仪、一个图像接收板、光源、传送带、电机和一台计算机组成。

(3)使用方便，只要将测量装置中的各组成部件按照要求连接起来，对待预测的茶叶样本的多光谱图像进行获取，然后将提取出来的特征信息输入校正模型，经过模型运算即可完成待预测茶叶品种的鉴别。

(4)具有良好的经济效益，传统的测量手段在外观评审的过程中需要耗费大量的人力、物力，且时效性差，本测量装置因结构简单、制作方便，可以快速、准确的鉴别茶叶品种，从而可以在生产实际上加以应用。

附图说明

图1是基于多光谱图像的纹理分析鉴别不同品种绿茶的方法的流程框图。

图2是本发明的结构原理示意图；图中：1、3CCD多光谱成像仪，2、光源，3、暗箱，4、传送带，5、皮带轮，6、电机，7、计算机。

图3是标准差滤波后图像的灰度直方图；(a)羊岩勾青，(b)庐山云雾，(c)安吉白片，(d)西湖龙井。

图4是五个纹理参数对应190个样本的数值分布。

具体实施方式

如图1所示，包括3CCD多光谱成像仪1、光源2、暗箱3、传送带4、皮带轮5、电机6和计算机7。在装有绿茶的传送带4上安装暗箱3，暗箱3内两侧装有光源2，暗箱3中部装有3CCD多光谱成像仪1，光源2和3CCD多光谱成像仪1均对准在传送带4上的绿茶，3CCD多光谱成像仪1接收的反射光，通过通过RS-232接口与图像采集卡传输到计算机处理系统；电机6皮带经皮带轮5带动传送带4传动。

所述的3CCD多光谱成像仪1为Duncan公司MS系列3CCD多光谱成像系统。

所述的图像采集卡是National Instrument公司PCI1424或PCI1428。

首先用3CCD多光谱成像仪来采集茶叶的多光谱图像，多光谱成像仪将摄入光源经过滤，实时分离成绿(550nm)，红(650nm)，近红外(800nm)三个波段通道的单色图像，然后通过RS-232接口送到图像接收板，在经由图像接收板输入计算机中，3CCD多光谱成像仪固定在黑箱的正上方，3CCD多光谱成像仪的仰望角是可以调整的。

具体实施方式步骤如图1所示：

1)获取图像：

以四个绿茶品种(羊岩勾青、庐山云雾、安吉白片和西湖龙井)为例来详细说明本方法的具体实施方式：首先上述四类茶叶分别取43、49、49和49个3CCD多光谱图片(共190幅图片)；获得了四种绿茶的3CCD多光谱图像。

2)图像预处理：

因为在处理大量图像时，图像尺寸过大会影响计算的速度，所以从获得的图像中取出301×301像素大小的茶叶图像作为研究对象。

3)提取图像的纹理特征：由于茶叶在线检测过程中是堆积状的，而且茶叶的纹理是自然纹理，所以运用纹理统计方法(灰度共生矩阵、行程长度统计、灰度差分统计、灰度直方图、纹理滤波)来提取纹理特征；或者结合频谱法(傅立叶变换法、Gaor变换法、小波变换法等)等纹理统计方法来提取纹理特征。

本实施例中灰度共生矩阵和纹理滤波提取图像纹理特征。得到的3CCD多光谱图像的各通道图像都是uint8存储类型的，即该矩阵的每一个元素对应于图像的一个像素点，元素的数值代表[1 255]范围内的灰度级。如果对红、绿、近红外三个通道图像分别提取纹理特征以256作为矩阵的阶，其计算量太大难以实现，所以需对图像进行量化以减少矩阵的阶。本实施例子把原始多光谱通道图像比例化成8的灰度阶，选取0°的方向，距离取1，分别计算190幅茶叶样本在红、绿、近红外三个通道图像的灰度共生矩阵。根据它们的灰度共生矩阵计算得到图像的统计参数包括惯性矩(Q1)、同质性(Q2)、能量(Q3)和相关性(Q4)作为纹理特征参数。共12个参数来表征图像的纹理特征。

对图像进行纹理滤波。图像局部标准差滤波，即是计算输入图像中每个象素对于某个特定大小窗口的标准差，得到一个新的标准差矩阵来反映原始图像的纹理特征。图像的局部熵滤波，即是计算输入图像中每个像素对于某个特定大小窗口的熵，得到一个新的熵矩阵来反映原始图像的纹理特征。纹理滤波选择Matlab工具箱中的stdfilt和entropyfilt函数用3×3大小的窗口对输入图像进行局部标准差滤波和局部熵滤波分别得到图像的标准差图和熵图像。

四种茶叶图像的标准差图的灰度直方图如图3所示。由于stdfilt返回的图像是双精度存储类型，所以灰度直方图中灰度的取值范围是[0，1]。标准差滤波时选用的窗口大小3×3，所以标准差图提取的是图像的微纹理特征。从图3中可以看出西湖龙井的灰度直方图与其它三种的区别最明显，各个灰度处的像素点数目都少于其它三种，除了灰度为1的像素点。在滤波后形成的标准差图和局部熵图像中，斑纹成为图像的主要特征。图3说明西湖龙井图像中的斑纹面积远小于其它三种茶叶的该参数值。而其它三种茶叶图像的灰度直方图在灰度的分布上也有较大差别。以0.65为阈值分割的分界点对滤波后标准差图进行二值化，得到二进制图像。在二进制图像中，计算图像中数值为1的像素的数目，再除以整个图像区域的像素个数而得到斑纹比例，生成模式识别的候选特征。同样的操作生成熵图像中的斑纹比例也作为候选特征。熵是物质系统状态的一种度量，用它可以表征系统的无序程度，计算滤波后标准差图的熵作为候选特征。

4)特征参数的优化和筛选：

分析基于灰度共生矩阵得到的12个纹理特征参数，发现这些参数中有些并不能反映出不同品种茶叶之间的区别，起不到区分不同茶叶的作用。比如：红光通道图像的惯性矩(Q1)、同质性(Q2)、能量(Q3)参数，绿光通道图像的相关性(Q4)和近红外通道图像的相关性(Q4)参数。这五个参数的对应每个样本的数值分布如图4所示。从图4中可以看出四种茶叶190个样本的这五个参数的数值没有随着样本品种的变化而出现明显的改变，四种茶叶的各个参数的数值基本处于同一范围。说明这五个参数只能体现这几种茶叶的共性，不能体现它们之间的区别。所以这五个参数不能作为区别四种茶叶的特征参数，这些参数必须被剔除来优化变量。基于灰度共生矩阵这5个纹理参数被剔出，剩下包括基于灰度共生矩阵和纹理滤波的7个纹理特征参数。

5)建立鉴别模型：

把优化后的特征参数输入模式识别分类器来建立鉴别模型；模型识别算法是神经网络法(多层前馈神经网络或径向基网络等)、多类判别分析、最小聚类分类器或支持向量机。

本实施例选择支持向量机算法建立分类器。采用支持向量机运算时，必须选择合适的核函数，一般认为RBF核函数作为非线性函数能够减少训练过程中计算的复杂性。采用RBF作为核函数的支持向量机模型主要有两个参数：超参数γ和RBF核函数参数σ2，这两个参数在很大程度上决定了最小二乘支持向量机的学习能力和预测能力。对于这两个参数，本研究中采用的是基于留一法交叉验证(cross-validation)的网格搜索(grid-search)的方法进行优化。我们把190个样本分成校正样本集包含126个样本和预测样本集包含64个样本。首先基于建模集(126个)搜寻最优的模型参数，得到最佳的参数γ和σ2分别为15.517和3.485。基于最佳的参数的分类器对于校正样本的鉴别效果表1所示。

表1基于支持向量机的分类器对校正样本的识别结果

品种	数目	支持向量机识别结果				正确率
		支持向量机识别结果					羊岩勾青	庐山云雾	安吉白片	西湖龙井
		羊岩勾青	28	27	1		羊岩勾青	庐山云雾	安吉白片	西湖龙井	0	0	96.4％
庐山云雾	32	羊岩勾青	28	27	1	2	30	0	0	93.8％	0	0	96.4％
庐山云雾	32	安吉白片	33	0	0	2	30	0	0	93.8％	30	3	90.9％
西湖龙井	33	安吉白片	33	0	0	0	0	1	32	97.0％	30	3	90.9％
西湖龙井	33	合计	126	29	31	0	0	1	32	97.0％	31	35	94.4％

6)校正模型对待预测样本品种的鉴别

把预测样本集中的64个样本，按照校正集样本的处理流程提取特征纹理参数，然后输入所建的分类器。得到模型对于待预测样本的鉴别结果如表2所示。

表2基于支持向量机的分类器对预测样本的识别结果

品种	数目	支持向量机识别结果				正确率
		支持向量机识别结果					羊岩勾青	庐山云雾	安吉白片	西湖龙井
		羊岩勾青	15	15	0		羊岩勾青	庐山云雾	安吉白片	西湖龙井	0	0	100％
庐山云雾	17	羊岩勾青	15	15	0	0	17	0	0	100％	0	0	100％
庐山云雾	17	安吉白片	16	0	0	0	17	0	0	100％	12	4	75％
西湖龙井	16	安吉白片	16	0	0	0	0	0	16	100％	12	4	75％
西湖龙井	16	合计	64	15	17	0	0	0	16	100％	12	20	93.8％

从表1、表2可以看出无论是对校正样本集(126个)还是预测样本集(64个)支持向量机分类器都能得到很高的识别率，而且对于建模样本的识别率和对于预测样本的识别率之间的差别较小，表明本模型的精度较高、稳定性较强。结果表明：基于多光谱图像的纹理分析来识别不同品种的茶叶是可性的。

Claims

1、一种基于多光谱图像的纹理分析鉴别不同品种绿茶的方法，其特征在于首先建立绿茶品种鉴别的校正模型，然后在校正模型的基础上对预测样本的品种进行鉴别；该方法的步骤如下：

一、首先建立绿茶品种鉴别的校正模型：

1)获取图像：把绿茶校正样本集送入图像采集的硬件系统，3CCD多光谱成像仪把采集到的样本的图像送到计算机；

5)建立品种鉴别的校正模型：把优化后的特征参数输入模式识别分类器来建立校正模型；模型识别算法是神经网络法、多类判别分析、最小聚类分类器或支持向量机；

二、在校正模型的基础上对待预测样本的品种进行鉴别：

检验校正模型对预测样本的鉴别精度和稳定性：用预测样本来检验模型，先获取预测样本的多光谱图像、图像预处理、提取预测样本的图像的纹理特征参数与校正样本集优化后输入标准鉴别模型的纹理参数一样的、把特征参数输入模型，即可得出预测样本的品种。

2、一种基于多光谱图像的纹理分析鉴别不同品种绿茶的装置，其特征在于：包括3CCD多光谱成像仪(1)、光源(2)、暗箱(3)、传送带(4)、皮带轮(5)、电机(6)和计算机(7)；在装有绿茶的传送带(4)上安装暗箱(3)，暗箱(3)内两侧装有光源(2)，暗箱(3)中部装有3CCD多光谱成像仪(1)，光源(2)和3CCD多光谱成像仪(1)均对准在传送带(4)上的绿茶，3CCD多光谱成像仪(1)接收的反射光，通过RS-232接口与图像采集卡传输到计算机处理系统；电机(6)经皮带轮(5)带动传送带(4)传动。

3、根据权利要求2所述的一种基于多光谱图像的纹理分析鉴别不同品种绿茶的装置，其特征在于所述的3CCD多光谱成像仪(1)为Duncan公司MS系列3CCD多光谱成像系统。

4、根据权利要求2所述的一种基于多光谱图像的纹理分析鉴别不同品种绿茶的装置，其特征在于所述的图像采集卡是National Instrument公司PCI 1424或PCI1428。