使用SOC710VP成像光谱仪快速识别苹果损伤区域

        水果的碰压损伤是在采摘、运输和产后处理阶段的一种常见缺陷，随着时间的推移，损伤会发展为霉变或腐烂，严重影响了水果的外观品质，同时对水果内部的品质也有很大的影响，甚至会感染其他优质水果。随着时间的推移，损伤区域会进一步褐变甚至腐烂，因此在损伤形成初期，对损伤进行快速检测并挑拣出受损的苹果，对提高苹果的价值具有很重要的意义。但由于苹果的轻微损伤和正常表面在颜色、纹理上很相似，在损伤初期通常不易被肉眼识别。

        本文主要利用高光谱成像技术的空间性与光谱性，以红富士苹果为研究对象，采集苹果损伤一小时的高光谱图像，结合主成分分析（PrincipalComponent Analysis, PCA）和最小噪声分离（Minimum Noise Fraction, MNF）变换的图像处理方法对苹果的损伤区域进行检测研究。

1. 试验仪器与材料

1.1 试验材料：

试验选取红富士苹果为研究对象，选取两个个头大小和成熟度差不多的苹果，其中一个苹果用人工手压的方式模拟生产过程中的损伤，另一个苹果为对照组，力度大小适中且损伤区域人眼不易识别。

1.2 试验仪器：

试验仪器为美国SOC公司生产的SOC701VP便携式多功能成像光谱仪，光谱范围为400-1000nm，光谱分辨范围4.68nm，波段数为128，空间像素为696×520，光谱仪总重量为2.95kg，该光谱仪能够搭载试验台和显微镜，在野外测量时配备有便携式三脚架和摇臂。本试验为室内测量，SOC710VP成像光谱仪采用内置推扫方式，避免了外置推扫的图形畸变和操作的笨重性，且具有自动调整积分时间的优点，搭载精准调整试验台即可进行测量，如图1所示。

图1 SOC710VP成像光谱仪实景图

2. 结果与分析

2.1 图像感兴趣区域提取

使用SOC自带分析软件将高光谱图像立方体的数据的DN值校正为反射率。通过ENVI软件提取20×20像素的损伤区域和正常区域为感兴趣区域（ROI），并求出其平均反射光谱，如图2所示。

图2 感兴趣区域的选取及其平均反射光谱曲线

        苹果在损伤后其表面的损伤位置会由于氧化作用而颜色发生变化，其不同的颜色变化对光的反射强度不同，与正常苹果相比其颜色差异可以通过其反射光谱的差异进行损伤区域和正常区域的区分。图2为选取的正常区域和损伤区域的反射光谱曲线图。由图2可知，由于水果表面叶绿素的吸收的原因，在680nm左右范围内出现了一个较强的吸收峰；由于苹果中水分的吸收的原因，在980nm处也出现了一个吸收峰。由图2的光谱曲线图可知，由于在680nm和980nm处出现了两个特征吸收峰，故选取全波段进行分析研究，并对其分别使用主成分分析（PCA）和最小噪声分离变换(MNF)，从而更有效地提取苹果的损伤区域。

2.2 PCA的结果分析

主成分分析（Principal components analysis, PCA）又称主分量分析，其实质就是尽可能地选取较少的变量来代表原来的特征信息。通过将原特征进行线性变换、映射至低纬度空间中。PCA是多变量分析中最老的技术之一，它来源于通信理论中的K-L变换。PCA算法采用多变量线性变换的方法，通过产生一个信噪比高低进行排序的低纬度子空间，基本可以消除波段间的相关性，用这部分主成分数据就可以包含大部分原始数据中的信息。通过线性变换简化数据，并将变换后的数据投影到新的坐标中，使得数据投影后的最大方差放在第一坐标，又称为第一主成分，第二方差放在第二坐标又称第二主成分，其他主成分按照相同方式进行投影转换。PCA通过保留低阶主成分，忽略高阶主成分，在减少元数据维数的同时保持对数据集方差贡献最大的特征。

通过选取的波段进行PCA，提取前5个主成分图像，如图3所示。可知经过PCA处理后，

其前5个主成分已经基本代表原始图像的大部分信息。其中第4主成分可以明显地看到由于挤压所造成的痕迹，第5主成分图像能够较为准确地提取苹果损伤区域，但由于苹果底部果梗处的颜色与损伤区域反生氧化现象所产生的颜色相似，因此第5主成分图像中损伤区域和果梗有部分重叠区。

图3 RGB图像和PCA的前5个主成分图像

2.3 MNF分析结果

Green和Berman提出的最小噪声分离（MNF）变换是一种能有效降低数据维数和分离噪声的方法， 在MNF变换中最重要的是工作是对噪声协方差矩阵进行估计高光谱图像具有很高的光谱分辨率，然而，由于高光谱图像波段连续密集，数据量大，数据中包含冗余信息和噪声，因此需要对高光谱图像进行数据降维和去噪处理，减少异常检测的运算量并抑制噪声对异常检测器的影响，以提高异常检测率。最小噪声分离变换法是对主成分变换的改进方法，它采用信噪比为尺度来描述图像质量，不但能判断图像数据的内在特征维数，而且能将目标和噪声有效地分离出来。

因为PCA提取的前5个主成分已经包含了原图像的大部分信息，本试验经PCA提取计算提取10个主成分图像，并在此基础上进行二次MNF计算，并提取MNF的前5个成分。其前5个成分的图像如下图4所示。由图4可知，MNF的第4成分图像能够较为清晰的识别出苹果的损伤区域，果梗处的黑斑是由于其颜色与损伤部位相似所致，果梗处的黑斑并不是损伤区域。

图4 RGB图像和MNF的前5个主成分图像

3. 结论

        苹果损伤时，其受损部位的细胞和化学成分发生相异于正常果的变化，最主要的表现为含水量高于其他周边组织，而水分的变化多发生在近红外波段区域，对于苹果早期颜色变化不明显的时候，由于其损伤区域和正常区域的颜色差异较小，可着重考虑近红外波段进行损伤区域的提取。在可见光光谱区域内，其主要反映苹果的颜色变化，当某一区域发生损伤时，其对应的部位会发生颜色变化进而表现在光谱曲线的反射率上。

        本试验主要使用SOC710VP成像光谱仪对苹果损伤区域进行分析提取，并使用ENVI软件提取了正常区域和损伤区域的平均反射光谱曲线。使用主成分分析（PCA）提取损伤区域的主成分图像，第5主成分图像能够提取出苹果的损伤区域，在PCA提取10个主成分的基础上进行MNF运算，并提取MNF的前5个主成份图像，其中MNF的第4主成分图像能够清晰识别出苹果的损伤区域，且损伤区域识别效果好于PCA。研究表明，使用高光谱成像技术能够实现对苹果轻微损伤的识别，为水果的无损检测和实际应用提供了一定的理论基础。