專利名稱：基于多光譜圖像的紋理分析鑒別不同品種綠茶的方法和裝置的制作方法
技術領域：
本發(fā)明涉及用光學手段分析材料的方法，尤其是涉及一種基于多光譜圖像的紋理分析鑒別不同品種綠茶的方法和裝置。
背景技術：
茶葉的品質，一般是指茶葉的色、香、味、形。同時茶葉的商品性強，美觀的外形和光潤的色澤是不容忽視的，而且感觀審評茶葉品質的優(yōu)劣，往往先審查外形(包括干茶的形狀和色澤)，特別是名茶，它的外形占其品質質量的30％的權重。所以茶葉的形狀是組成茶葉品質的重要項目之一。我國茶類多，茶葉形狀絢麗多姿，多數(shù)具有一定的藝術性，既品飲，又可欣賞，而且我國的名優(yōu)茶大都有其獨特的外形，比如龍井茶外形扁平光滑，形似“碗釘”；碧螺春卷曲成螺形；而平水珠茶外形圓緊，呈顆粒狀，這些獨特的外形構成了不同品種綠茶獨特的紋理。傳統(tǒng)的茶葉感觀審評主要是依賴審評專家的判斷，由于人為操作易受環(huán)境等外界因素干擾，從而影響評定結果的準確性。為了在茶葉生產、流通過程中有一個嚴格、一致的標準，采用儀器測定茶葉外形指標，用科學計量上的品質指標來評價茶葉品質是必要的手段之一。機器視覺系統(tǒng)就是計算機數(shù)字圖像處理系統(tǒng)，它是用計算機實現(xiàn)部分人類視覺的功能，把所測對象映射成數(shù)字圖像，并模擬人的判別準則去理解圖像和識別圖像，進而對所攝圖像進行分類或分級。機器視覺檢測具有自動化、客觀、非接觸、高精度和快速等特點，對顏色和外形變化的反應也更靈敏。紋理是圖像中的一個重要特征，能夠反映一個區(qū)域中像素灰度空間分布的屬性。紋理大致可分為兩大類一類是規(guī)則紋理，它由明確形狀的紋理基本元素(紋理基元)經(jīng)有規(guī)則排列而成，這一類紋理常被稱為人工紋理，一般出現(xiàn)在工業(yè)產品中。另一類是準規(guī)則紋理，它們的紋理基元沒有明確的形狀，而是某種灰度或顏色的分布。這種分布在空間位置上的重復出現(xiàn)形成紋理，這類紋理通常被稱為自然紋理，茶葉的紋理即屬于自然紋理。自然紋理的描述一般采用統(tǒng)計分析法和頻譜分析法。統(tǒng)計分析法中灰度共生矩陣、行程長度統(tǒng)計、灰度差分統(tǒng)計、灰度直方圖、紋理濾波等都是圖像紋理分析的常用方法；頻譜分析法中的小波變換法、傅立葉變化法等都是最近興起的圖像紋理分析的有效方法；它們能精確的反映紋理的粗糙程度和重復方向，對于描述紋理特征起到了重要的作用。在名優(yōu)茶的鑒別過程中，對于單個茶片的鑒別是相對容易的，但是需要人為的把成堆的茶葉擺放成互相不接觸的單個茶片，這是一項繁重的勞動。所以研究一種能對成堆狀分布(不需要人為擺放成茶片互相不接觸的狀態(tài))的茶葉的品種進行鑒別是一項非常有意義的工作。

發(fā)明內容
為了更加高效、準確的區(qū)分不同品種綠茶(包括各種名優(yōu)茶)，需要一種無損、快速、實時的綠茶品種鑒別的方法。本發(fā)明的目的是提供了一種基于多光譜圖像的紋理分析鑒別不同品種綠茶的方法和裝置。能對成堆狀分布(不需要人為擺放成茶片互相不接觸的狀態(tài))的茶葉的品種進行鑒別。
本發(fā)明采用的技術方案是一、一種基于多光譜圖像的紋理分析鑒別不同品種綠茶的方法首先建立綠茶品種鑒別的校正模型，然后在校正模型的基礎上對預測樣本的品種進行鑒別；該方法的步驟如下(一)、首先建立綠茶品種的標準鑒別模型1)獲取圖像把綠茶校正樣本集送入圖像采集的硬件系統(tǒng)，3CCD多光譜成像儀把樣本的圖像采集到計算機；2)圖像預處理對送入計算機的圖像，首先診斷是否清晰，對于不清晰的圖像要對圖像進行校正和信息融合處理，來獲得高質量的清晰的茶葉樣本的圖像；3)提取圖像的紋理特征由于茶葉在線檢測過程中是堆積狀的，而且茶葉的紋理是自然紋理，所以運用紋理統(tǒng)計方法來提取紋理特征；或者結合頻譜紋理統(tǒng)計方法來提取紋理特征；4)特征參數(shù)的優(yōu)化和篩選用各種紋理描述方法得到的紋理特征參數(shù)，并不是都能對樣本品種起到區(qū)分作用，所以必須對特征參數(shù)進行優(yōu)化和篩選；通過參數(shù)之間的相關性分析來消除參數(shù)間的信息冗余、通過各個品種樣本的各個參數(shù)的范圍和參數(shù)的標準偏差剔出對品種鑒別不起作用或者起反作用的特征參數(shù)、通過主成分分析或者顯著性分析來尋找對不同品種綠茶紋理識別起重要作用的參數(shù)；5)建立標準鑒別模型把優(yōu)化后的特征參數(shù)輸入模式識別分類器來建立品種鑒別校正模型；模型識別算法是神經(jīng)網(wǎng)絡法、多類判別分析、最小聚類分類器或支持向量機等等；(二)、在品種鑒別校正模型的基礎上對預測樣本的品種進行鑒別校正模型對待預測樣本的品種進行鑒別，先獲取預測樣本的獲取圖像、圖像預處理、提取預測樣本的圖像的紋理特征參數(shù)與校正樣本集優(yōu)化后輸入標準鑒別模型的紋理參數(shù)一樣的、把特征參數(shù)輸入模型，即可得出預測樣本的品種。
二、一種基于多光譜圖像的紋理分析鑒別不同品種綠茶的裝置包括3CCD多光譜成像儀、光源、暗箱、傳送帶、皮帶輪、電機和計算機。在裝有茶葉的傳送帶上安裝暗箱，暗箱內兩側裝有光源，暗箱中部裝有3CCD多光譜成像儀，光源和3CCD多光譜成像儀均對準在傳送帶上的綠茶，3CCD多光譜成像儀接收的反射光，通過通過RS-232接口與圖像采集卡傳輸?shù)接嬎銠C處理系統(tǒng)；電機皮帶經(jīng)皮帶輪帶動傳送帶傳動。
所以本系統(tǒng)只要在有代表性的茶葉樣本的基礎上建立了校正模型就可以實驗對待預測茶葉品種進行快速、無損、實時、在線的鑒別。
本發(fā)明與背景技術相比，具有的有益效果是(1)功能強大，可實現(xiàn)對茶葉品種的快速、準確、非破壞性、在線的鑒別。
(2)結構簡單，整個測量裝置只由一個3CCD多光譜成像儀、一個圖像接收板、光源、傳送帶、電機和一臺計算機組成。
(3)使用方便，只要將測量裝置中的各組成部件按照要求連接起來，對待預測的茶葉樣本的多光譜圖像進行獲取，然后將提取出來的特征信息輸入校正模型，經(jīng)過模型運算即可完成待預測茶葉品種的鑒別。
(4)具有良好的經(jīng)濟效益，傳統(tǒng)的測量手段在外觀評審的過程中需要耗費大量的人力、物力，且時效性差，本測量裝置因結構簡單、制作方便，可以快速、準確的鑒別茶葉品種，從而可以在生產實際上加以應用。


圖1是基于多光譜圖像的紋理分析鑒別不同品種綠茶的方法的流程框圖。
圖2是本發(fā)明的結構原理示意圖；圖中1、3CCD多光譜成像儀，2、光源，3、暗箱，4、傳送帶，5、皮帶輪，6、電機，7、計算機。
圖3是標準差濾波后圖像的灰度直方圖；(a)羊巖勾青，(b)廬山云霧，(c)安吉白片，(d)西湖龍井。
圖4是五個紋理參數(shù)對應190個樣本的數(shù)值分布。
具體實施例方式
如圖1所示，包括3CCD多光譜成像儀1、光源2、暗箱3、傳送帶4、皮帶輪5、電機6和計算機7。在裝有綠茶的傳送帶4上安裝暗箱3，暗箱3內兩側裝有光源2，暗箱3中部裝有3CCD多光譜成像儀1，光源2和3CCD多光譜成像儀1均對準在傳送帶4上的綠茶，3CCD多光譜成像儀1接收的反射光，通過通過RS-232接口與圖像采集卡傳輸?shù)接嬎銠C處理系統(tǒng)；電機6皮帶經(jīng)皮帶輪5帶動傳送帶4傳動。
所述的3CCD多光譜成像儀1為Duncan公司MS系列3CCD多光譜成像系統(tǒng)。
所述的圖像采集卡是National Instrument公司PCI1424或PCI1428。
首先用3CCD多光譜成像儀來采集茶葉的多光譜圖像，多光譜成像儀將攝入光源經(jīng)過濾，實時分離成綠(550nm)，紅(650nm)，近紅外(800nm)三個波段通道的單色圖像，然后通過RS-232接口送到圖像接收板，在經(jīng)由圖像接收板輸入計算機中，3CCD多光譜成像儀固定在黑箱的正上方，3CCD多光譜成像儀的仰望角是可以調整的。
具體實施方式
步驟如圖1所示1)獲取圖像以四個綠茶品種(羊巖勾青、廬山云霧、安吉白片和西湖龍井)為例來詳細說明本方法的
具體實施例方式首先上述四類茶葉分別取43、49、49和49個3CCD多光譜圖片(共190幅圖片)；獲得了四種綠茶的3CCD多光譜圖像。
2)圖像預處理因為在處理大量圖像時，圖像尺寸過大會影響計算的速度，所以從獲得的圖像中取出301×301像素大小的茶葉圖像作為研究對象。
3)提取圖像的紋理特征由于茶葉在線檢測過程中是堆積狀的，而且茶葉的紋理是自然紋理，所以運用紋理統(tǒng)計方法(灰度共生矩陣、行程長度統(tǒng)計、灰度差分統(tǒng)計、灰度直方圖、紋理濾波)來提取紋理特征；或者結合頻譜法(傅立葉變換法、Gaor變換法、小波變換法等)等紋理統(tǒng)計方法來提取紋理特征。
本實施例中灰度共生矩陣和紋理濾波提取圖像紋理特征。得到的3CCD多光譜圖像的各通道圖像都是uint8存儲類型的，即該矩陣的每一個元素對應于圖像的一個像素點，元素的數(shù)值代表[1 255]范圍內的灰度級。如果對紅、綠、近紅外三個通道圖像分別提取紋理特征以256作為矩陣的階，其計算量太大難以實現(xiàn)，所以需對圖像進行量化以減少矩陣的階。本實施例子把原始多光譜通道圖像比例化成8的灰度階，選取0°的方向，距離取1，分別計算190幅茶葉樣本在紅、綠、近紅外三個通道圖像的灰度共生矩陣。根據(jù)它們的灰度共生矩陣計算得到圖像的統(tǒng)計參數(shù)包括慣性矩(Q1)、同質性(Q2)、能量(Q3)和相關性(Q4)作為紋理特征參數(shù)。共12個參數(shù)來表征圖像的紋理特征。
對圖像進行紋理濾波。圖像局部標準差濾波，即是計算輸入圖像中每個象素對于某個特定大小窗口的標準差，得到一個新的標準差矩陣來反映原始圖像的紋理特征。圖像的局部熵濾波，即是計算輸入圖像中每個像素對于某個特定大小窗口的熵，得到一個新的熵矩陣來反映原始圖像的紋理特征。紋理濾波選擇Matlab工具箱中的stdfilt和entropyfilt函數(shù)用3×3大小的窗口對輸入圖像進行局部標準差濾波和局部熵濾波分別得到圖像的標準差圖和熵圖像。
四種茶葉圖像的標準差圖的灰度直方圖如圖3所示。由于stdfilt返回的圖像是雙精度存儲類型，所以灰度直方圖中灰度的取值范圍是
。標準差濾波時選用的窗口大小3×3，所以標準差圖提取的是圖像的微紋理特征。從圖3中可以看出西湖龍井的灰度直方圖與其它三種的區(qū)別最明顯，各個灰度處的像素點數(shù)目都少于其它三種，除了灰度為1的像素點。在濾波后形成的標準差圖和局部熵圖像中，斑紋成為圖像的主要特征。圖3說明西湖龍井圖像中的斑紋面積遠小于其它三種茶葉的該參數(shù)值。而其它三種茶葉圖像的灰度直方圖在灰度的分布上也有較大差別。以0.65為閾值分割的分界點對濾波后標準差圖進行二值化，得到二進制圖像。在二進制圖像中，計算圖像中數(shù)值為1的像素的數(shù)目，再除以整個圖像區(qū)域的像素個數(shù)而得到斑紋比例，生成模式識別的候選特征。同樣的操作生成熵圖像中的斑紋比例也作為候選特征。熵是物質系統(tǒng)狀態(tài)的一種度量，用它可以表征系統(tǒng)的無序程度，計算濾波后標準差圖的熵作為候選特征。
4)特征參數(shù)的優(yōu)化和篩選分析基于灰度共生矩陣得到的12個紋理特征參數(shù)，發(fā)現(xiàn)這些參數(shù)中有些并不能反映出不同品種茶葉之間的區(qū)別，起不到區(qū)分不同茶葉的作用。比如紅光通道圖像的慣性矩(Q1)、同質性(Q2)、能量(Q3)參數(shù)，綠光通道圖像的相關性(Q4)和近紅外通道圖像的相關性(Q4)參數(shù)。這五個參數(shù)的對應每個樣本的數(shù)值分布如圖4所示。從圖4中可以看出四種茶葉190個樣本的這五個參數(shù)的數(shù)值沒有隨著樣本品種的變化而出現(xiàn)明顯的改變，四種茶葉的各個參數(shù)的數(shù)值基本處于同一范圍。說明這五個參數(shù)只能體現(xiàn)這幾種茶葉的共性，不能體現(xiàn)它們之間的區(qū)別。所以這五個參數(shù)不能作為區(qū)別四種茶葉的特征參數(shù)，這些參數(shù)必須被剔除來優(yōu)化變量?；诨叶裙采仃囘@5個紋理參數(shù)被剔出，剩下包括基于灰度共生矩陣和紋理濾波的7個紋理特征參數(shù)。
5)建立鑒別模型把優(yōu)化后的特征參數(shù)輸入模式識別分類器來建立鑒別模型；模型識別算法是神經(jīng)網(wǎng)絡法(多層前饋神經(jīng)網(wǎng)絡或徑向基網(wǎng)絡等)、多類判別分析、最小聚類分類器或支持向量機。
本實施例選擇支持向量機算法建立分類器。采用支持向量機運算時，必須選擇合適的核函數(shù)，一般認為RBF核函數(shù)作為非線性函數(shù)能夠減少訓練過程中計算的復雜性。采用RBF作為核函數(shù)的支持向量機模型主要有兩個參數(shù)超參數(shù)γ和RBF核函數(shù)參數(shù)σ2，這兩個參數(shù)在很大程度上決定了最小二乘支持向量機的學習能力和預測能力。對于這兩個參數(shù)，本研究中采用的是基于留一法交叉驗證(cross-validation)的網(wǎng)格搜索(grid-search)的方法進行優(yōu)化。我們把190個樣本分成校正樣本集包含126個樣本和預測樣本集包含64個樣本。首先基于建模集(126個)搜尋最優(yōu)的模型參數(shù)，得到最佳的參數(shù)γ和σ2分別為15.517和3.485?；谧罴训膮?shù)的分類器對于校正樣本的鑒別效果表1所示。
表1基于支持向量機的分類器對校正樣本的識別結果

6)校正模型對待預測樣本品種的鑒別把預測樣本集中的64個樣本，按照校正集樣本的處理流程提取特征紋理參數(shù)，然后輸入所建的分類器。得到模型對于待預測樣本的鑒別結果如表2所示。
表2基于支持向量機的分類器對預測樣本的識別結果

從表1、表2可以看出無論是對校正樣本集(126個)還是預測樣本集(64個)支持向量機分類器都能得到很高的識別率，而且對于建模樣本的識別率和對于預測樣本的識別率之間的差別較小，表明本模型的精度較高、穩(wěn)定性較強。結果表明基于多光譜圖像的紋理分析來識別不同品種的茶葉是可性的。
權利要求
1.一種基于多光譜圖像的紋理分析鑒別不同品種綠茶的方法，其特征在于首先建立綠茶品種鑒別的校正模型，然后在校正模型的基礎上對預測樣本的品種進行鑒別；該方法的步驟如下一、首先建立綠茶品種鑒別的校正模型1)獲取圖像把綠茶校正樣本集送入圖像采集的硬件系統(tǒng)，3CCD多光譜成像儀把采集到的樣本的圖像送到計算機；2)圖像預處理對送入計算機的圖像，首先診斷是否清晰，對于不清晰的圖像要對圖像進行校正和信息融合處理，來獲得高質量的清晰的茶葉樣本的圖像；3)提取圖像的紋理特征由于茶葉在線檢測過程中是堆積狀的，而且茶葉的紋理是自然紋理，所以運用紋理統(tǒng)計方法來提取紋理特征；或者結合頻譜紋理統(tǒng)計方法來提取紋理特征；4)特征參數(shù)的優(yōu)化和篩選用各種紋理描述方法得到的紋理特征參數(shù)，并不是都能對樣本品種起到區(qū)分作用，所以必須對特征參數(shù)進行優(yōu)化和篩選；通過參數(shù)之間的相關性分析來消除參數(shù)間的信息冗余、通過各個品種樣本的各個參數(shù)的范圍和參數(shù)的標準偏差剔出對品種鑒別不起作用或者起反作用的特征參數(shù)、通過主成分分析或者顯著性分析來尋找對不同品種綠茶紋理識別起重要作用的參數(shù)；5)建立品種鑒別的校正模型把優(yōu)化后的特征參數(shù)輸入模式識別分類器來建立校正模型；模型識別算法是神經(jīng)網(wǎng)絡法、多類判別分析、最小聚類分類器或支持向量機；二、在校正模型的基礎上對待預測樣本的品種進行鑒別檢驗校正模型對預測樣本的鑒別精度和穩(wěn)定性用預測樣本來檢驗模型，先獲取預測樣本的多光譜圖像、圖像預處理、提取預測樣本的圖像的紋理特征參數(shù)與校正樣本集優(yōu)化后輸入標準鑒別模型的紋理參數(shù)一樣的、把特征參數(shù)輸入模型，即可得出預測樣本的品種。
2.一種基于多光譜圖像的紋理分析鑒別不同品種綠茶的裝置，其特征在于包括3CCD多光譜成像儀(1)、光源(2)、暗箱(3)、傳送帶(4)、皮帶輪(5)、電機(6)和計算機(7)；在裝有綠茶的傳送帶(4)上安裝暗箱(3)，暗箱(3)內兩側裝有光源(2)，暗箱(3)中部裝有3CCD多光譜成像儀(1)，光源(2)和3CCD多光譜成像儀(1)均對準在傳送帶(4)上的綠茶，3CCD多光譜成像儀(1)接收的反射光，通過RS-232接口與圖像采集卡傳輸?shù)接嬎銠C處理系統(tǒng)；電機(6)經(jīng)皮帶輪(5)帶動傳送帶(4)傳動。
3.根據(jù)權利要求2所述的一種基于多光譜圖像的紋理分析鑒別不同品種綠茶的裝置，其特征在于所述的3CCD多光譜成像儀(1)為Duncan公司MS系列3CCD多光譜成像系統(tǒng)。
4.根據(jù)權利要求2所述的一種基于多光譜圖像的紋理分析鑒別不同品種綠茶的裝置，其特征在于所述的圖像采集卡是National Instrument公司PCI 1424或PCI1428。
全文摘要
本發(fā)明公開了一種基于多光譜圖像的紋理分析鑒別不同品種綠茶的方法和裝置。首先通過3CCD攝像機同時獲得茶葉樣本的三個通道圖像，分析不同品種綠茶在各個通道的圖像的紋理特性，然后對于預處理后的茶葉圖像運用紋理統(tǒng)計分析法或頻譜分析法等提取紋理特征參數(shù)并進行參數(shù)優(yōu)化。對于只能反映不同品種茶葉共性，不能反映不同品種茶葉之間差別的某些參數(shù)剔出。經(jīng)過參數(shù)相關性分析，主成分分析，顯著性分析等方法得到的與不同品種茶葉密切相關的紋理特征參數(shù)。經(jīng)優(yōu)化后的特征參數(shù)輸入分類器建立定量化的鑒別模型。再用已經(jīng)建好鑒別模型來鑒別待預測樣本的品種。本發(fā)明主要用于快速、準確、非破壞性、在線鑒別綠茶品種。
文檔編號G01N33/00GK101059425SQ20071006911
公開日2007年10月24日 申請日期2007年5月29日 優(yōu)先權日2007年5月29日
發(fā)明者何勇, 李曉麗, 裘正軍, 陸江峰, 何超 申請人:浙江大學