[发明专利]一种基于高光谱图像技术的藏红花分类方法

说明书

本发明公开了一种基于高光谱图像技术的藏红花分类方法，涉及图像处理技术领域。本发明提供的方法采用高光谱成像仪获取各个藏红花品级的高光谱图像信息，提取高光谱图像中430~1023nm范围内的光谱数据，并采用Savitzky‑Golay平滑算法对光谱数据进行去除噪声预处理，采用连续投影算法、遗传算法、无信息变量消除算法和竞争自适应加权重采样算法等特征变量提取算法提取光谱数据特征光谱，分别建立基于全谱和基于特征光谱的特征变量提取‑反馈神经网络模型，并经对比测试确定采用竞争自适应加权重采样算法结合反馈神经网络共同建立模型进行训练和测试后得到校正集合预测集，从而通过高光谱图像技术实现对藏红花品质的高效率、高精度和无损耗鉴别。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于高光谱图像技术的藏红花分类方法。

背景技术

藏红花是鸢尾科番红花属球根类多年生草本植物，其可作为珍贵的中药材治疗疾病，亦可用于功能性食品天然色素，保健性化妆品等进行栽培。由于藏红花的适宜栽种地区较少，生长条件较为严苛，导致其产出无法满足市场的需求，且不同产地、不同栽培方式得到的藏红花的主要成分含量不同，市场上藏红花很容易出现以次充好，甚至掺假的现象，因此需要对藏红花的品质进行快速准确的鉴别。

目前市场上藏红花的分级存在很大的随意性，针对藏红花品质的检测鉴别主要包括目视法、高效液相色谱检测法以及紫外吸收光谱鉴别法。其中，目视检测法主要是通过肉眼直接观测或在显微镜下观察藏红花的颜色、质地、形状、气味等性状，需要检测人员具备丰富的经验，且检测结果容易受到检测人员主观因素而影响对藏红花品质鉴定的准确性；而高效液相色谱法通过分析测定藏红花中的藏红花素含量进行品质鉴别，其检测精度较为可靠，但检测成本较高，时间较长，对藏红花样本的损耗也较大，很容易造成对藏红花资源的浪费。

发明内容

为了解决现有藏红花品质检测方法对藏红花品质的检测效率较低，检测精度较低，检测成本较高的技术问题，本发明提供一种基于高光谱图像技术的藏红花分类方法，通过采用可见-近红外高光谱成像技术结合化学计量学方法对藏红花的品质、等级、产地等进行定性鉴别，从而提高对藏红花的分级管理，达到综合提高对藏红花品质的检测效率和检测精度，同时降低检测成本的技术问题。

根据本发明实施例的一个方面，提供一种基于高光谱图像技术的藏红花分类方法，其特征在于，所述方法包括：

（1）对于每种藏红花品级，分别采集所述藏红花品级所对应的预设数量个藏红花样本的高光谱图像；

（2）对于每个高光谱图像，将所述高光谱图像划分为50*50像素点的感兴趣区域，所述高光谱图像内每个像素点对应一条光谱数据，再对所述感兴趣区域作去背景处理后，将所述感兴趣区域内各像素点所对应光谱数据的平均值，确定为所述高光谱图像所对应藏红花样本的光谱数据；

（3）对于每种藏红花品级，将所述藏红花品级所对应的预设数量个藏红花样本的光谱数据划分为校正集和验证集，将所述校正集包括的各条光谱数据及对应的藏红花品级作为一组输入关系，采用特征变量提取算法与反馈神经网络算法的融合算法建立特征变量提取-反馈神经网络模型并进行训练，所述特征变量提取算法用于提取光谱数据对应的特征光谱，所述反馈神经网络算法的输入数据为特征光谱，输出数据为藏红花品级；

（4）对于待分类的目标藏红花样本，采集所述目标藏红花样本的高光谱图像所对应的目标光谱数据，将所述目标光谱数据输入至所述特征变量提取-反馈神经网络模型，计算得到所述目标藏红花样本所对应的藏红花品级。

在一个优选的实施例中，步骤（3）中所述特征变量提取算法为连续投影算法、遗传算法、无信息变量消除算法和竞争自适应重加权算法中的一种。

在一个优选的实施例中，步骤（3）中所述特征变量提取算法为竞争自适应重加权算法。

在一个优选的实施例中，步骤（2）之后，所述方法还包括：