CN116883674A - 多光谱图像去噪装置及使用该装置的食品品质检测*** - Google Patents
多光谱图像去噪装置及使用该装置的食品品质检测*** Download PDFInfo
- Publication number
- CN116883674A CN116883674A CN202311158764.9A CN202311158764A CN116883674A CN 116883674 A CN116883674 A CN 116883674A CN 202311158764 A CN202311158764 A CN 202311158764A CN 116883674 A CN116883674 A CN 116883674A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- target
- value
- denoising
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 86
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 168
- 230000003595 spectral effect Effects 0.000 claims abstract description 83
- 238000001914 filtration Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims description 72
- 238000011156 evaluation Methods 0.000 claims description 44
- 238000012937 correction Methods 0.000 claims description 40
- 239000000126 substance Substances 0.000 claims description 35
- 238000013441 quality evaluation Methods 0.000 claims description 20
- 238000002310 reflectometry Methods 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013450 outlier detection Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 16
- 235000008429 bread Nutrition 0.000 description 33
- 238000005516 engineering process Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241000894007 species Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000012045 salad Nutrition 0.000 description 1
- 235000015067 sauces Nutrition 0.000 description 1
- 235000013580 sausages Nutrition 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及光谱图像去噪技术领域,具体涉及多光谱图像去噪装置及使用该装置的食品品质检测***。该***获取光谱图像与灰度图像;根据灰度图像的聚类簇区域,获取光谱图像中的第一噪声概率;根据灰度图像中的连通域,获取光谱图像的通道值变化特征;根据通道值变化特征,获取第二噪声概率;根据通道值变化曲线,获取第三噪声概率;根据第一噪声概率、第二噪声概率与第三噪声概率确定噪声点;根据噪声点和非局部均值滤波算法中预设搜索窗,获取最优搜索窗;根据最优搜索窗获得去噪光谱图像;根据去噪光谱图像确定待检测食品品质。本发明通过确定光谱图像中的噪声点,提高了去噪的效果,进而对食品品质的检测准确高效。
Description
技术领域
本发明涉及光谱图像去噪技术领域,具体涉及多光谱图像去噪装置及使用该装置的食品品质检测***。
背景技术
多光谱成像技术具有操作简单、省时省力、更方便应用到在线实时监测等优点,可用于食品品质的无损检测,受到目前的技术和成本等条件制约,多光谱成像技术在食品品质的检测中研究和运用还不完善,所以多光谱成像技术对食物品质的检测比较少。随着光谱技术的不断发展和工业上对无损、快速检测的迫切需求,因此,需要建立适用于食物中物质含量检测的方法。
现有方法中为了提高根据光谱图像对食品品质检测的准确性,使用非局部均值滤波算法对光谱图像进行去噪,同时通过调整非局部均值滤波算法中的搜索窗的移动步长,降低非局部均值滤波算法的计算量,但调整搜索窗的移动步长对提高非局部均值滤波算法的整体计算效果并不显著,同时,搜索窗的移动步长设定产生偏差时,会导致食品的光谱图像去噪不准确,进而导致对食品品质检测的效率不高且检测结果不准确。
发明内容
为了解决光谱图像去噪效率低和去噪效果不准确,导致食品品质检测的效率低且检测结果不准确的技术问题,本发明的目的在于提供多光谱图像去噪装置及使用该装置的食品品质检测***,所采用的技术方案具体如下。
第一方面,本发明实施例中提供了多光谱图像去噪装置,该装置包括以下:数据获取模块,用于获取待检测食品在不同预设波长下的光谱图像与灰度图像;光谱图像与灰度图像尺寸相同;任选灰度图像中一个像素点位置作为目标位置;第一噪声概率获取模块,用于根据灰度图像中每个像素点的邻域灰度混乱度,对灰度图像中的像素点进行聚类,获得聚类簇区域;在每张光谱图像中,根据聚类簇区域对应位置区域内,目标位置与其他位置之间的邻域通道值混乱度的差异获取目标位置在对应光普图像中的第一噪声概率;第二噪声概率获取模块,用于获得目标位置在灰度图像中所属连通域在光谱图像中对应位置区域的通道值变化特征;在每张光谱图像中,根据与目标位置对应像素点相同通道值像素点,与其他光谱图像中相同位置的像素点之间的通道值差异,获取目标位置的整体区别差异;根据整体区别差异与通道值变化特征,获取对应光谱图像中目标位置的第二噪声概率;第三噪声概率获取模块,用于获得目标位置的通道值变化曲线,分别将通道值变化曲线上每个通道值进行平滑,根据通道值变化曲线平滑前后的差异,获取目标位置在平滑通道值对应的光谱图像中的第三噪声概率;噪声点确定模块,用于根据目标位置在每张光谱图像中的第一噪声概率、通道值离群因子、第二噪声概率与第三噪声概率,获取整体噪声概率;改变目标位置获得每张光谱图像中每个位置下的整体噪声概率,根据整体噪声概率确定噪声点;去噪模块,用于对光谱图像中的噪声点进行去噪,获得去噪光谱图像。
进一步地,所述第一噪声概率的获取方法,包括:获取灰度图像中每个像素点在预设邻域内的灰度值方差作为对应像素点的邻域灰度混乱度;将聚类簇区域对应在每张光谱图像中的位置区域作为光谱聚类簇;将任意一张光谱图像中目标位置所在的光谱聚类簇作为目标聚类簇;获取目标聚类簇中像素点对应的位置数量作为第一数量;获取目标聚类簇中每个像素点的对应位置在预设邻域内的通道值方差作为对应位置的邻域通道值混乱度;计算目标聚类簇中的目标位置与其他位置之间的邻域通道值混乱度的差异进行累加的结果,作为目标聚类簇中目标位置的簇内差异;将目标聚类簇的第一数量进行负相关映射且归一化的结果作为第一权重;根据所述簇内差异与所述第一权重,获取目标聚类簇中目标位置的第一噪声概率;所述簇内差异和所述第一权重均与所述第一噪声概率为正相关的关系。
进一步地,所述通道值变化特征的获取方法,包括:将目标位置在灰度图像中所属连通域在光谱图像中对应位置区域作为光谱连通域;计算每个光谱连通域中的通道值方差作为对应光谱连通域中每个位置的通道值变化特征。
进一步地,所述整体区别差异的获取方法,包括:任选一张光谱图像作为第二目标图像,获取第二目标图像中与目标位置对应像素点相同通道值像素点作为参考点;任选一张非第二目标图像的光谱图像作为参考图像;获取参考图像中的目标位置像素点与第二目标图像中的目标位置像素点之间的通道值差异作为目标差异;获取参考图像中与参考点位置相同的像素点与对应相同位置参考点之间的通道值差异作为参考差异;获取每个参考差异与目标差异之间的差异进行累加的结果,作为第二目标图像中的目标位置的图像差异;获取第二目标图像中的目标位置与每张非第二目标图像的光谱图像之间的图像差异进行累加的结果,作为第二目标图像中的目标位置的整体区别差异。
进一步地,所述第三噪声概率的获取方法,包括:将每张光谱图像中目标位置的通道值根据波长从小到大进行排序,获得目标位置的通道值序列;将通道值序列中的通道值进行连接,获得目标位置的通道值变化曲线;将目标位置的通道值变化曲线作为第三目标曲线,将第三目标曲线平滑后的曲线作为参考目标曲线;获取目标位置的像素点对应物质种类在相同波段对应的反射率曲线;获取第三目标曲线与反射率曲线之间的相似度作为第一相似度;获取参考目标曲线与反射率曲线之间的相似度作为第二相似度;将第一相似度与第二相似度之间的差异作为平滑通道值对应的光谱图像中目标位置的第三噪声概率。
进一步地,所述整体噪声概率的获取方法,包括:将每张光谱图像中目标位置的第三噪声概率进行负相关映射且归一化的结果作为对应光谱图像中目标位置的修正参数;将修正参数与预设修正阈值的差值作为光谱图像中目标位置的修正调整值;将每张光谱图像中目标位置的修正调整值和第二噪声概率的乘积作为对应光谱图像中目标位置的噪声修正值;根据离群点检测算法LOF获取光谱图像中每个位置的通道值离群因子;计算每个光谱图像中目标位置的第一噪声概率与通道值离群因子的乘积作为对应光谱图像中目标位置的噪声参考值;将每张光谱图像中目标位置的噪声参考值与噪声修正值的相减结果作为对应光谱图像中目标位置的整体噪声可能值。
进一步地,所述根据整体噪声概率确定噪声点的方法,包括:设置整体噪声可能值阈值,当整体噪声可能值大于整体噪声可能值阈值时,对应像素点位置为噪声点。
进一步地,所述对光谱图像中的噪声点进行去噪的方法,包括:获取非局部均值滤波算法中预设搜索窗中噪声点数量作为目标数量;将预设搜索窗边长进行归一化处理的结果作为调节权重;将调节权重与目标数量的乘积作为去噪评估值;设定去噪评估值阈值,当去噪评估值小于去噪评估值阈值时,预设搜索窗为最优搜索窗;当去噪评估值大于或等于去噪评估值阈值时,将预设搜索窗的边长均增加预设步长,获得调整搜索窗,获取调整搜索窗的去噪评估值,直至调整搜索窗的去噪评估值小于去噪评估值阈值,将调整搜索窗作为最优搜索窗;根据最优搜索窗对光谱图像中的噪声点进行去噪。
第二方面,本发明另一个实施例提供了食品品质检测***,该***包括多光谱图像去噪装置中各个模块以及品质检测模块;所述品质检测模块用于根据去噪光谱图像获取待检测食品的检测物品种类;获取同种类质量标准的食品中的物品种类作为标准物品种类;获取检测物品种类与标准物品种类之间的差异种类,获取差异种类中像素点数量作为第一差异数量,将第一差异数量进行归一化的结果作为质量评估值;设置质量评估值阈值,当质量评估值大于质量评估值阈值时,待检测食品品质出现问题。
本发明具有如下有益效果:根据灰度图像中每个像素点的邻域灰度混乱度,对灰度图像中的像素点进行聚类,获得聚类簇区域,使得待检测食品中的同种物质种类进行区分;映射到光谱图像获得对应位置区域也代表着为同一种物质,进而根据目标位置与其他位置之间的邻域通道值混乱度的差异获取目标位置在对应光普图像中的第一噪声概率,为后续确定光谱图像中的噪声点做准确;获得目标位置在灰度图像中所属连通域在光谱图像中对应位置区域的通道值变化特征,确定光谱图像中对应位置区域中存在噪声的可能性;在每张光谱图像中,根据与目标位置对应像素点相同通道值像素点,与其他光谱图像中相同位置的像素点之间的通道值差异,获取目标位置的整体区别差异,凸显出每张光谱图像中可能为噪声点的位置;为了噪声点更能体现出来,进而根据整体区别差异与通道值变化特征,获取对应光谱图像中目标位置的第二噪声概率,使得噪声点的确定更准确;获得目标位置的通道值变化曲线,分别将通道值变化曲线上每个通道值进行平滑,根据通道值变化曲线平滑前后的差异,确定平滑通道值对通道值变化曲线的影响程度,进而预测平滑通道值对应的光谱图像中的目标位置是否为噪声点,获取目标位置在平滑通道值对应的光谱图像中的第三噪声概率;根据目标位置在每张光谱图像中的第一噪声概率、通道值离群因子、第二噪声概率与第三噪声概率,获取整体噪声概率,避免待检测食品中变质区域的像素点被误认为噪声点,确定光谱图像中的噪声点;提高对光谱图像中的噪声点去噪的准确性和效率,进而获得去噪光谱图像,根据去噪光谱图像确定待检测食品品质,提高待检测食品品质检测的效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的多光谱图像去噪装置的结构框图;
图2为本发明一个实施例所提供的一种不同波长下像素点的通道值变化曲线;
图3为本发明一个实施例所提供的对图2中769波长进行平滑后获取的像素点的通道值变化曲线;
图4为本发明一个实施例所提供的对图2中782波长进行平滑后获取的像素点的通道值变化曲线;
图5为本发明一个实施例所提供的一种苹果的光谱图像;
图6为本发明一个实施例所提供的一种采用常规滤波方法对图5进行滤波的结果图;
图7为本发明一个实施例所提供的一种本发明实施例对图5进行滤波的结果图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的多光谱图像去噪装置及使用该装置的食品品质检测***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的多光谱图像去噪装置及使用该装置的食品品质检测***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的多光谱图像去噪装置的结构框图,该装置包括:数据获取模块10、第一噪声概率获取模块20、第二噪声概率获取模块30、第三噪声概率获取模块40、噪声点确定模块50、去噪模块60。
数据获取模块10,用于获取待检测食品在不同预设波长下的光谱图像与灰度图像;光谱图像与灰度图像尺寸相同;任选灰度图像中一个像素点位置作为目标位置。
具体的,使用多光谱相机获取不同波长对应的光谱图像,多光谱相机获取不同波长的光谱图像一般为十几到二十几张,本发明实施例使用面阵式多光谱相机获取675-975nm波段内特定的25个波长下的食品的光谱图像,其中,25个波长分别为:676nm、690nm、716nm、730nm、742nm、757nm、769nm、782nm、793nm、806nm、824nm、836nm、846nm、857nm、867nm、877nm、886nm、895nm、910nm、918nm、927nm、932nm、940nm、946nm、952nm;实施者可根据实际情况获取不同的波段中不同数量的波长以及波长的大小,在此不进行限定。本发明实施例对于每次检测的食品一共获取25张食品光谱图像和一张食品RGB图像,共计26张图像,每张食品光谱图像和一张食品RGB图像的尺寸相同,且获取角度和时刻也相同。对食品RGB图像进行灰度化以及去噪处理,获取食品灰度图像。本发明实施例中使用加权平均值灰度化方法获取食品灰度图像,使用高斯滤波对食品灰度图像进行去噪处理。本发明另一个实施例中,可以使用平均值法、最大值法等其他方法对图像进行灰度化处理,在此不做限定;可以使用中值滤波、TV法去噪等其他方法对灰度图像进行去噪处理,在此不做限定。其中,加权平均值灰度化方法、高斯滤波、平均值法、最大值法、中值滤波以及TV法均为现有技术,不再进行过多赘述。
本发明实施例的具体场景为:对获取的食品进行抽查,使用光谱图像对抽查的食品进行质量成分分析。当食品品质发生问题时,食品的物质成分会发生变化,进而可以根据光谱图像分析食品的物质种类,发现食品中的问题。对于食品的质量发生变化,且不能从光谱图像中察觉到的食品,则不能使用本发明实施例进行检测。
本发明实施例使用语义分割网络获取采集的食品光谱图像和食品灰度图像中待检测食品的区域,即待检测食品的光谱图像和灰度图像。其中,本发明实际例的语义分割网络使用U-net神经网络,输入为食品光谱图像和食品灰度图像;输出为待检测食品的区域;U-net神经网络训练打标签的方式为:将待检测食品的区域标记为1,其他区域标记为0;U-net神经网络的损失函数为交叉熵损失函数。其中,U-net神经网络为公知技术,在此不做赘述。
在本发明另一个实施例中,也可通过阈值分割及边缘检测获得食品光谱图像和食品灰度图像中待检测食品的区域,具体算法内容为本领域技术人员熟知的技术手段,在此不做赘述。在本发明的其他实施例中可选择其他区域获取方法,在此不做限定。
获得的待检测食品的光谱图像与灰度图像尺寸一直保持相同,便于根据灰度图像确定光谱图像中的各个物质种类的区域,因此,灰度图像中的像素,均可以在25张光谱图像的相同位置中找到对应的像素点。
对于不同批次的食品,含有的物质种类也不尽相同,因此,可以根据光谱图像获取食品中的物质种类,进而对食品品质进行分析。
第一噪声概率获取模块20,用于根据灰度图像中每个像素点的邻域灰度混乱度,对灰度图像中的像素点进行聚类,获得聚类簇区域;在每张光谱图像中,根据聚类簇区域对应位置区域内,目标位置与其他位置之间的邻域通道值混乱度的差异获取目标位置在对应光普图像中的第一噪声概率。
具体的,在对食品品质检测的过程中可能会因为设备环境等原因,使得获取的光谱图像中存在噪声点,进而对获取食品的物质种类产生干扰,导致食品中实际的物质种类获取不准确,进而导致食品品质检测不准确。因此,需要对光谱图像进行去噪处理,其中,光谱图像中的噪声可能包含条状噪声以及高斯噪声,本发明实施例先使用Butterworth滤波器去除光谱图像中的条状噪声,再使用非局部均值滤波算法NL-Means对光谱图像中的高斯噪声进行去噪,使得光谱图像中的去噪效果达到最优。其中Butterworth滤波器去噪方法以及非局部均值滤波算法均为现有技术,在此不再进行赘述。
本发明实施例使用非局部均值滤波算法对光谱图像中的高斯噪声进行去噪的原因为:非局部均值滤波算法是基于全局像素点进行去除噪声的,去噪效果更好。但非局部均值滤波算法在实际使用时,由于计算量过大,会导致去噪效率过低,因此,本发明实施例通过自适应调整非局部均值滤波算法中搜索窗的大小,调整非局部均值滤波算法中的搜索窗,提高非局部均值滤波算法的去噪效率与效果。
本发明实施例设定预设搜索窗的大小为15×15,邻域窗的大小为7×7,进而根据光谱图像中的噪声点自适应调整预设搜索窗的大小。其中,预设搜索窗的大小为15×15,保证了最初使用非局部均值滤波算法进行去噪时的准确性,因此,自适应获取的搜索窗的大小一定会比预设搜索窗大。为了自适应获取的搜索窗的大小更准确,去噪效果更好,需要确定噪声点,确定噪声点的条件需要获取每张光谱图像中每个位置的第一噪声概率,获取第一噪声概率的具体方法如下。
优选地,获取第一噪声概率的方法为:获取灰度图像中每个像素点在预设邻域内的灰度值方差作为对应像素点的邻域灰度混乱度;将聚类簇区域对应在每张光谱图像中的位置区域作为光谱聚类簇;将任意一张光谱图像中目标位置所在的光谱聚类簇作为目标聚类簇;获取目标聚类簇中像素点对应的位置数量作为第一数量;获取目标聚类簇中每个像素点的对应位置在预设邻域内的通道值方差作为对应位置的邻域通道值混乱度;计算目标聚类簇中的目标位置与其他位置之间的邻域通道值混乱度的差异进行累加的结果,作为目标聚类簇中目标位置的簇内差异;将目标聚类簇的第一数量进行负相关映射且归一化的结果作为第一权重;根据簇内差异与第一权重,获取目标聚类簇中目标位置的第一噪声概率;簇内差异和第一权重均与第一噪声概率为正相关的关系。
作为一个示例,获取灰度图像中每个像素点在5×5的预设邻域内的像素点的灰度值方差即邻域灰度混乱度,实施者可以根据实际情况设定预设邻域的大小,在此不进行限定。本发明实施例使用DBSCAN密度聚类算法根据邻域灰度混乱度对灰度图像中的像素点进行聚类,获得聚类簇,尽可能的将为同一种物质的像素点构成一个聚类簇。其中,本发明实施例设置DBSCAN密度聚类算法的初始半径为3,邻域内的最小样本点数量为3,实施者可根据实际情况进行自行设定,在此不进限定。同时,DBSCAN密度聚类算法为公知技术,在此不进行赘述。在待检测食品的25张光谱图像中分别找到与灰度图像中的聚类簇相同位置的区域作为光谱聚类簇,因为光谱图像与灰度图像的尺寸相同,因此,相同位置的光谱聚类簇与聚类簇代表的的物质是相同的,同时说明每张光谱图像与灰度图像中的像素点位置是对应的,进而对每个光谱聚类簇进行分析,获取光谱聚类簇中每个位置的第一噪声概率。
将灰度图像中的第k个像素点位置作为目标位置,选取第m张光谱图像中第k个像素点位置所在的第g个光谱聚类簇作为目标聚类簇;获取第g个光谱聚类簇中像素点的位置数量即第一数量,获取第g个光谱聚类簇中每个像素点对应位置在5×5的预设邻域内的通道值方差即对应位置的邻域通道值混乱度,计算第g个光谱聚类簇中的第k个像素点位置与其他位置之间的邻域通道值混乱度的差异进行累加的结果即第k个像素点位置的簇内差异,获取第一数量的负相关映射且归一化的结果即第k个像素点位置的第一权重,根据簇内差异与第一权重获取第m张光谱图像中第k个像素点位置的第一噪声概率的公式为:;
式中,Wk为第m张光谱图像中第k个像素点位置的第一噪声概率;q为第m张光谱图像中第g个光谱聚类簇中像素点的位置数量即第一数量;q-1为第m张光谱图像中第g个光谱聚类簇中除去第k个像素点位置的位置数量;为第m张光谱图像中第g个光谱聚类簇中的第k个像素点位置的邻域通道值混乱度;/>为第m张光谱图像中第g个光谱聚类簇中的第i个像素点位置的邻域通道值混乱度;| |为绝对值函数;exp为以自然常数e为底数的指数函数。
需要说明的是,第一权重exp(-q)越大,q越小,第g个光谱聚类簇中像素点的数量越少,根据噪声点在图像中离散分布的特点,第g个光谱聚类簇中像素点为噪声点的可能性越大,Wk越大;簇内差异越大,第k个像素点位置的预设邻域内的通道值变化越大,第k个像素点为噪声点的可能性越大,Wk越大;因此,Wk越大,第k个像素点为噪声点的可能性越大。本发明实施例将簇内差异和第一权重的乘积作为第一噪声概率,与第一噪声概率均构成正相关的关系,在本发明另一个实施例中可以将簇内差异和第一权重的相加结果作为第一噪声概率,使得簇内差异和第一权重始终均与第一噪声概率构成正相关的关系,在本发明其他实施例中可选择其他基础数学运算构成正相关关系在此不做限定。
在本发明实施例中,在获取灰度图像中每个像素点在预设邻域内的灰度值方差,以及光谱聚类簇中像素点位置在预设邻域内的通道值差异,若像素点或像素点位置处于边界,则将不在图像中的邻域像素点用0进行补充。
根据获取第m张光谱图像中第g个光谱聚类簇中的第k个像素点位置的第一噪声概率的方法,获取每个光谱聚类簇中每个位置的第一噪声概率。
第二噪声概率获取模块30,用于获得目标位置在灰度图像中所属连通域在光谱图像中对应位置区域的通道值变化特征;在每张光谱图像中,根据与目标位置对应像素点相同通道值像素点,与其他光谱图像中相同位置的像素点之间的通道值差异,获取目标位置的整体区别差异;根据整体区别差异与通道值变化特征,获取对应光谱图像中目标位置的第二噪声概率。
具体的,为了确定光谱图像中的噪声点,避免将待检测食品中变质区域的像素点误认为噪声点,在去噪时将变质区域的像素点一起进行处理,导致待检测食品品质检测不准确,因此,本发明实施例根据灰度图像中目标位置的连通域区域确定光谱图像中的目标位置的光谱连通域,进而根据光谱连通域和光谱图像中目标位置的整体区别差异,获取光谱图像中目标位置的第二噪声概率。
作为一个示例,以第一噪声概率获取模块20中的将灰度图像中的第k个像素点位置作为目标位置,以及对第m张光谱图像进行分析为例,本发明实施例以获取第m张光谱图像中的第k个像素点位置的第二噪声概率为例,进行说明获取第二噪声概率的方法。获取第m张光谱图像中的第k个像素点位置的第二噪声概率的方法如下。
(1)获取通道值变化特征。
使用连通域处理函数获取灰度图像中的连通域,其中一个连通域代表待检测食品中的一个物质种类,连通域中的灰度值方差一定为0,在每张光谱图像中获取与连通域相同位置的区域作为光谱连通域,其中一个光谱连通域对应的也是待检测食品中的一个物质种类,当光谱连通域中不存在噪声点时,同一物质种类对应的像素点的通道值一定相同,因此,将光谱连通域的通道值变化特征作为获取第二噪声概率的一个重要参数。其中,连通域处理函数为现有技术,在此不进行过多赘述。
优选地,获取通道值变化特征的方法为:将目标位置在灰度图像中所属连通域在光谱图像中对应位置区域作为光谱连通域;计算每个光谱连通域中的通道值方差作为对应光谱连通域中每个位置的通道值变化特征。
作为一个示例,将灰度图像中第k个像素点位置所在的连通域,在第m张光谱图像中找到与灰度图像中第k个像素点位置所在的连通域相同位置的光谱连通域,即为第m张光谱图像中第k个像素点位置所在的光谱连通域,计算第m张光谱图像中第k个像素点位置所在的光谱连通域中的通道值方差,作为该光谱连通域中每个位置的通道值变化特征,即获得了第m张光谱图像中第k个像素点位置的通道值变化特征。
(2)获取整体区别差异。
当光谱图像中存在噪声点时,因为噪声点的随机分布,在不同光谱图像中,相同位置均有噪声点的可能性很低,因此根据每张光谱图像中与目标位置的像素点相同通道值的像素点与其他光谱图像中相同位置的像素点之间的通道值差异的变化程度,获取光谱图像中目标位置的整体区别差异。
优选地,获取整体区别差异的方法为:任选一张光谱图像作为第二目标图像,获取第二目标图像中与目标位置对应像素点相同通道值像素点作为参考点;任选一张非第二目标图像的光谱图像作为参考图像;获取参考图像中的目标位置像素点与第二目标图像中的目标位置像素点之间的通道值差异作为目标差异;获取参考图像中与参考点位置相同的像素点与对应相同位置参考点之间的通道值差异作为参考差异;获取每个参考差异与目标差异之间的差异进行累加的结果,作为第二目标图像中的目标位置的图像差异;获取第二目标图像中的目标位置与每张非第二目标图像的光谱图像之间的图像差异进行累加的结果,作为第二目标图像中的目标位置的整体区别差异。
作为一个示例,将第m张光谱图像作为第二目标图像,将第m张光谱图像中的第k个像素点位置作为目标位置,选取任意一张非第m张光谱图像的光谱图像作为参考图像,将第m张光谱图像中与第k个像素点的通道值相同的像素点作为参考点,获取参考图像中第k个像素点与第m张光谱图像中第k个像素点之间的通达值差值绝度值即目标差异,获取参考图像中与参考点位置相同的像素点与对应相同位置参考点之间的通道值差值绝对值即参考差异,获取每个参考差异与目标差异之间的差值绝对值进行累加的结果即为第m张光谱图像的第k个像素点位置的图像差异,获取第m张光谱图像与其他所有光谱图像之间的第k个像素点位置对应的图像差异,将第k个像素点位置对应的所有图像差异进行累加的结果即为第m张光谱图像中的第k个像素点位置的整体区别差异,获取第m张光谱图像中的第k个像素点位置的整体区别差异的公式为:/>;
式中,为第m张光谱图像中的第k个像素点位置的整体区别差异;x为光谱图像的数量,本发明实施例中为25,x-1为去除第m张光谱图像的光谱图像的数量即参考图像的数量;y为第m张光谱图像中的参考点数量;/>为第j张参考图像中与第m张光谱图像中第i个参考点相同位置的像素点与第m张光谱图像中第i个参考点之间的参考差异;/>为第j张参考图像中第k个像素点与第m张光谱图像中第k个像素点之间的目标差异;| |为绝对值函数。
需要说明的是,图像差异越大,说明第m张光谱图像中的第k个像素点与第j张参考图像中的第k个像素点之间的通道值差异越特别,第k个像素点为噪声点的可能性越大,/>越大;因此,/>越大,说明第m张光谱图像中的第k个像素点与参考点越可能为不同种物质,第k个像素点越可能为噪声点。
根据获取第m张光谱图像中的第k个像素点位置的整体区别差异的方法,获取每张光谱图像中的每个位置的整体区别差异。
(3)获取第二噪声概率。
光谱图像中的每个像素点位置的通道值变化特征和整体区别差异均能体现对应像素点为噪声点的可能性,因此,根据通道值变化特征和整体区别差异获取第二噪声概率。
优选地,获取第二噪声概率的方法为:根据每张光谱图像中目标位置的通道值变化特征与整体区别差异获取对应光谱图像中目标位置的第二噪声概率;通道值变化特征和整体区别差异均与第二噪声概率为正相关的关系。
作为一个示例,以第m张光谱图像的第k个像素点位置为例,获取第m张光谱图像的第k个像素点位置的第二噪声概率的公式为:/>;
式中,为第m张光谱图像的第k个像素点位置的第二噪声概率;/>为第m张光谱图像的第k个像素点位置的通道值变化特征;/>为第m张光谱图像的第k个像素点位置的整体区别差异。
需要说明的是,越大,第m张光谱图像的第k个像素点位置所在的光谱连通域中通道值变化越大,该光谱连通域中越可能存在噪声点,进而第k个像素点位置为噪声点的可能性越大,/>越大;/>越大,第m张光谱图像中的第k个像素点与参考点越不为同一种物质,第k个像素点位置越可能为噪声点,/>越大;因此,/>越大,第m张光谱图像的第k个像素点位置越可能为噪声点。本发明实施例将通道值变化特征和整体区别差异的乘积作为第二噪声概率,与第二噪声概率均构成正相关的关系,在本发明另一个实施例中可以将通道值变化特征和整体区别差异的相加结果作为第二噪声概率,使得通道值变化特征和整体区别差异始终均与第二噪声概率构成正相关的关系,在本发明其他实施例中可选择其他基础数学运算构成正相关关系在此不做限定。
根据获取第m张光谱图像的第k个像素点位置的第二噪声概率的方法,获取每张光谱图像中的每个像素点位置的第二噪声概率。
第三噪声概率获取模块40,用于获得目标位置的通道值变化曲线,分别将通道值变化曲线上每个通道值进行平滑,根据通道值变化曲线平滑前后的差异,获取目标位置在平滑通道值对应的光谱图像中的第三噪声概率。
具体的,待检测食品的物质种类在每张光谱图像中的位置是一样的,当光谱图像中不存在噪声点时,每张光谱图像中相同位置的像素点的通道值变化曲线,与相同位置的像素点对应的物质种类在相同波段内对应的反射率曲线的变化程度是相似的,根据这个特点,将通道值变化曲线中的每个通道值进行平滑,获取对应的一条新的通道值变化曲线,获取新的通道值变化曲线与对应的反射率曲线之间的相似度,确定平滑通道值对通道值变化曲线的影响程度。请参阅图2,其示出了本发明一个实施例所提供的一种不同波长下像素点的通道值变化曲线;请参阅图3,其示出了本发明一个实施例所提供的对图2中769波长进行平滑后获取的像素点的通道值变化曲线;请参阅图4,其示出了本发明一个实施例所提供的对图2中782波长进行平滑后获取的像素点的通道值变化曲线 ;由图2分别和图3、图4进行对比可知,若影响程度越大,则说明平滑通道值对应的光谱图像中的位置越可能为噪声点,因此,根据通道值变化曲线与新的通道值变化曲线之间的区别获取平滑通道值在对应光谱图像中位置的第三噪声概率。
优选地,获取第三噪声概率的方法为:将每张光谱图像中目标位置的通道值根据波长从小到大进行排序,获得目标位置的通道值序列;将通道值序列中的通道值进行连接,获得目标位置的通道值变化曲线;将目标位置的通道值变化曲线作为第三目标曲线,将第三目标曲线平滑后的曲线作为参考目标曲线;获取目标位置的像素点对应物质种类在相同波段对应的反射率曲线;获取第三目标曲线与反射率曲线之间的相似度作为第一相似度;获取参考目标曲线与反射率曲线之间的相似度作为第二相似度;将第一相似度与第二相似度之间的差异作为平滑通道值对应的光谱图像中目标位置的第三噪声概率。
作为一个示例,以第一噪声概率获取模块20中的将灰度图像中的第k个像素点位置作为目标位置,将每张光谱图像中第k个像素点位置的通道值按照波长从小到大的顺序进行排序,获得光谱图像中第k个像素点位置对应的通道值序列,将通道值序列中相邻的元素进行连接,获得第k个像素点位置的通道值变化曲线。将第k个像素点位置的通道值变化曲线作为第三目标曲线,将第三目标曲线上的每个通道值进行平滑,将每个通道值平滑后对应的曲线作为对应平滑通道值的参考目标曲线,以第m张光谱图像中的第k个像素点位置对应的第m个平滑通道值为例,获取第k个像素点对应物质种类在相同波段对应的反射率曲线,通过形状上下文算法分别获取第三目标曲线与反射率曲线之间的相似度即第一相似度、获取第m个平滑通道值的参考目标曲线与反射率曲线之间的相似度即第二相似度。其中,形状上下文算法为公知技术,在此不进行过多赘述。获取第一相似度与第二相似度的差值绝对值即第m个平滑通道值对应的第m张光谱图像中第k个像素点位置的第三噪声概率T k 的公式为:;
式中,T k 为第m个平滑通道值对应的第m张光谱图像中第k个像素点位置的第三噪声概率;D k 为第三目标曲线与反射率曲线之间的第一相似度;为第m个平滑通道值参考目标曲线与反射率曲线之间的第二相似度;| |为绝对值函数。
需要说明的是,越大,说明第m张光谱图像中第k个像素点位置的通道值对第三目标曲线的影响程度越大,第m张光谱图像中第k个像素点位置越可能为噪声点,/>越大。
根据获取第m个平滑通道值对应的第m张光谱图像中第k个像素点位置的第三噪声概率的方法,获取每张光谱图像中的每个像素点位置的第二噪声概率。
噪声点确定模块50,用于根据目标位置在每张光谱图像中的第一噪声概率、通道值离群因子、第二噪声概率与第三噪声概率,获取整体噪声概率;改变目标位置获得每张光谱图像中每个位置下的整体噪声概率,根据整体噪声概率确定噪声点。
具体的,为了防止变质区域对应的像素点被误认为噪声点,因此,对光谱图像中的每个像素点进行噪声修正,进而更准确的确定光谱图像中的噪声点。其中,确定光谱图像中的噪声点的具体方法如下。
(1)获取噪声修正值。
根据第二噪声概率与第三噪声概率对光谱图像中每个像素点的噪声可能值进行调整,使得每个像素点对应的噪声可能值更准确。
优选地,获取噪声修正值的方法为:将每张光谱图像中目标位置的第三噪声概率进行负相关映射且归一化的结果作为对应光谱图像中目标位置的修正参数;将修正参数与预设修正阈值的差值作为光谱图像中目标位置的修正调整值;将每张光谱图像中目标位置的修正调整值和第二噪声概率的乘积作为对应光谱图像中目标位置的噪声修正值。
作为一个示例,以第一噪声概率获取模块20中的将灰度图像中的第k个像素点位置作为目标位置,以第m张光谱图像中的第k个像素点位置为例,获取第m张光谱图像中的第k个像素点位置的第三噪声概率进行负相关映射且归一化的结果即修正参数,因此,修正参数的取值范围为0到1,本发明实施例将预设修正阈值设置为,使得修正参数与预设修正阈值的差值即修正调整值的偏差更小,进而对每个像素点的噪声可能值的调节更准确,实施者可根据实际情况设定预设修正阈值,在此不进行限定。获取第m张光谱图像中的第k个像素点位置的第二噪声概率,根据第m张光谱图像中的第k个像素点位置的修正调整值与第二噪声概率获取第m张光谱图像中的第k个像素点位置的的噪声修正值/>的公式为:;
式中,为第m张光谱图像中的第k个像素点位置的的噪声修正值;/>为第m张光谱图像中的第k个像素点位置的第三噪声概率;Qk为第m张光谱图像中的第k个像素点位置的第二噪声概率;/>为预设修正阈值;exp为以自然常数e为底数的指数函数。
需要说明的是,修正参数越小,/>越大,第m张光谱图像中的第k个像素点位置越可能为噪声点,修正调整值/>越小,即越可能为负数,/>越可能为负数;/>对/>的影响取决于修正调整值/>的正负,当修正调整值/>为负数时,/>越大,第m张光谱图像中的第k个像素点位置越为噪声点,使得第m张光谱图像中的第k个像素点位置的噪声特征更加明显,/>越小;当修正调整值/>为正数时,/>越大,第m张光谱图像中的第k个像素点位置为噪声点的可能性越小,/>越大。
需要说明的是,根据获取第m张光谱图像中的第k个像素点位置的噪声修正值的方法,获取光谱图像中每个像素点位置的噪声修正值。
(2)获取整体噪声可能值。
根据噪声修正值对每个像素点位置的噪声可能值进行调整,确定每个像素点位置的最终噪声可能值即整体噪声可能值。
优选地,获取整体噪声可能值的方法为:根据离群点检测算法LOF获取光谱图像中每个位置的通道值离群因子;计算每个光谱图像中目标位置的第一噪声概率与通道值离群因子的乘积作为对应光谱图像中目标位置的噪声参考值;将每张光谱图像中目标位置的噪声参考值与噪声修正值的相减结果作为对应光谱图像中目标位置的整体噪声可能值。其中,离群点检测算法LOF为公知技术,在此不进过多赘述。
作为一个示例,以第一噪声概率获取模块20中的将灰度图像中的第k个像素点位置作为目标位置,以第m张光谱图像中的第k个像素点位置为例,噪声点在光谱图像中是较为离群的点,因此,本发明实施例使用离群点检测算法LOF,获取光谱图像中每个像素点位置的通道值离群因子,根据第m张光谱图像中的第k个像素点位置的通道值离群因子与第一噪声概率的乘积确定第m张光谱图像中的第k个像素点位置的噪声参考值,根据第m张光谱图像中的第k个像素点位置的噪声修正值对噪声参考值进而调整,获取第m张光谱图像中的第k个像素点位置的整体噪声可能值。因此,获取第m张光谱图像中的第k个像素点位置的整体噪声可能值R k 的公式为:;
式中,为第m张光谱图像中的第k个像素点位置的整体噪声可能值;/>为第m张光谱图像中的第k个像素点位置的第一噪声概率;/>为第m张光谱图像中的第k个像素点位置的偏离因子;/>为第m张光谱图像中的第k个像素点位置的噪声修正值。
需要说明的是,噪声参考值越大,第m张光谱图像中的第k个像素点位置越可能为噪声点,/>越大;当/>为正数时,若/>越大,则第m张光谱图像中的第k个像素点位置为噪声点的可能性越小,/>越小;当/>为负数时,若/>越小,则第m张光谱图像中的第k个像素点位置为噪声点的可能性越大,/>越大;因此,/>越大,第m张光谱图像中的第k个像素点位置越为噪声点。
根据获取第m张光谱图像中的第k个像素点位置的整体噪声可能值的方法,获取光谱图像中每个像素点位置的整体噪声可能值。
(3)确定噪声点。
优选地,根据整体噪声可能值确定噪声点的方法为:设置整体噪声可能值阈值,当整体噪声可能值大于整体噪声可能值阈值时,对应像素点位置为噪声点。
本发明实施例设置整体噪声可能值阈值为0.8,实施者可根据实际情况进行设置,在此不进行限定。将整体噪声可能值进行归一化处理,获得归一化整体噪声可能值,其中,归一化的方法有函数转化、最大最小规范化、Sigmoid函数等,在此不做限定。当归一化整体噪声可能值大于整体噪声可能值阈值时,对应像素点位置为噪声点。至此,确定光谱图像中的噪声点。
去噪模块60,用于对光谱图像中的噪声点进行去噪,获得去噪光谱图像。
具体的,本发明实施例使用非局部均值滤波算法对光谱图像进行去噪,非局部均值滤波算法的去噪效果较好,但计算量太过复杂,导致去噪效率过低,在保证去噪效果的同时,为了提高去噪效率,本发明实施例根据预设搜索窗中噪声点的数量,自适应调整搜索窗的大小,获取每张光谱图像中的最优搜索窗。根据最优搜索窗对光谱图像进行去噪,获得去噪光谱图像。其中,获取去噪光谱图像的具体过程如下。
(1)获取去噪评估值。
根据预设搜索窗的大小和预设搜索窗中噪声点数量,确定每张光谱图像中的去噪评估值,以此判断每张光谱图像中的去噪情况,为调整预设搜索窗获取最优搜索窗做准备。
优选地,获取去噪评估值的方法为:获取非局部均值滤波算法中预设搜索窗中噪声点数量作为目标数量;将预设搜索窗边长进行归一化处理的结果作为调节权重;将调节权重与目标数量的乘积作为去噪评估值。
预设搜索窗的大小均为15×15,获取去噪后预设搜索窗中的噪声点数量即目标数量,在其他实施例中预设搜索窗的边长可能不相同,此时,选取最小的边长获取对应预设搜索窗的调节权重。根据调节权重与噪声点数量,确定预设搜索窗的去噪评估值P的公式为:;
式中,P为预设搜索窗的去噪评估值;a为预设搜索窗的边长,本发明实施例中为15;S为预设搜索窗中噪声点数量即目标数量;exp为以自然常数e为底数的指数函数。
需要说明的是,调节权重(1-exp(-a))在预设搜索窗中是固定的,因为a是固定的;S越小,经过去噪后,预设搜索窗中的噪声越少,去噪效果越好,P越小 ;因此,P越小,去噪效果越好。本发明实施例中通过(1-exp(-a))对预设搜索窗的边长进行归一化处理,在本发明其他实施例中也可选择其他对a进行归一化的方法,例如函数转化、最大最小规范化、Sigmoid函数等归一化方法,在此不做限定。
(2)确定最优搜索窗。
在较好的去噪效果的基础上,将预设搜索窗进行调节,提高去噪效率,根据去噪评估值确定是否对预设搜索窗进行调整,以及何时停止对预设搜索窗的调整,自适应获取最优搜索窗。
优选地,确定最优搜索窗的方法为:设定去噪评估值阈值,当去噪评估值小于去噪评估值阈值时,预设搜索窗为最优搜索窗;当去噪评估值大于或等于去噪评估值阈值时,将预设搜索窗的边长均增加预设步长,获得调整搜索窗;获取调整搜索窗的去噪评估值,直至调整搜索窗的去噪评估值小于去噪评估值阈值,将调整搜索窗作为最优搜索窗。
本发明实施例设定去噪评估值阈值为0.7,实施者可根据实际情况设定去噪评估值阈值,在此不进行限定。将去噪评估值进行归一化处理,获得归一化去噪评估值。当归一化去噪评估值小于去噪评估值阈值时,预设搜索窗为最优搜索窗;当归一化去噪评估值大于或等于去噪评估值阈值时,将预设搜索窗的每条边长均增加预设步长,本发明实施例设定预设步长为2,实施者可以根据实际情况设定预设步长的大小,在此不进行限定,获得调整搜索窗,获取调整搜索窗中的噪声点数量;根据调整搜索窗中的噪声点数量与调整搜索窗的边长,获取调整搜索窗的去噪评估值,直至调整搜索窗的去噪评估值小于去噪评估值阈值,将对应的调整搜索窗作为最优搜索窗。至此,获取每张光谱图像中的最优搜索窗。
(3)根据最优搜索窗对光谱图像中的噪声点进行去噪,获得去噪光谱图像。
为了能够体现出本发明实施例对光谱图像中的去噪效果,请参阅图5,其示出了本发明一个实施例所提供的一种苹果的光谱图像;请参阅图6,其示出了本发明一个实施例所提供的一种采用常规滤波方法对图5进行滤波的结果图;请参阅图7,其示出了本发明一个实施例所提供的一种本发明实施例对图5进行滤波的结果图。由图6和图7的对比可知,图7呈现的效果更加清晰平滑,而图6中还存在较多复杂的噪声,即本发明实施例能更好的对光谱图像进行滤波,滤波结果更清晰完整。
根据去噪光谱图像准确的获取待检测食品中的物质种类,对物质种类进行分析,确定待检测食品品质是否出现问题,使得待检测食品品质的检测更准确。其中,对待检测食品品质进行检测的具体方法如下。
优选地,根据去噪光谱图像确定待检测食品品质的方法为:根据去噪光谱图像获取待检测食品的检测物品种类;获取同种类质量标准的食品中的物品种类作为标准物品种类;获取检测物品种类与标准物品种类之间的差异种类,获取差异种类中像素点数量作为第一差异数量,将第一差异数量进行归一化的结果作为质量评估值;设置质量评估值阈值,当质量评估值大于质量评估值阈值时,待检测食品品质出现问题。
作为一个示例,本发明实施例以面包为例,将待检测面包放在固定好的检测台上,在检测台周围固定好光源,使得每个待检测面包的光源保持一致,避免待检测面包的光源不同,导致待检测面包品质检测受到干扰。在检测台的正上方放置面阵式多光谱相机,且摄像头垂直向下,获取待检测面包的多光谱图像和RGB图像;根据多光谱图像去噪装置获取待检测面包的去噪多光谱图像,使得根据去噪多光谱图像的信息提取的待检测面包中的物质种类更准确。其中,待检测面包的物质种类包括面包、番茄酱、沙拉、蔬菜、香肠。每种物质种类对应的像素值相同,当每种物质种类发生变质时,发生变质的物质种类会形成一种新的物质种类,对应的像素值会发生变化。本发明实施例通过区域分割算法对待检测面包的去噪多光谱图像进行分割,获取待检测面包的物质种类,一个物质种类对应一个像素值,因此,待检测面包中有多少种物质种类就有多少个不同的像素值。其中,区域分割算法为现有技术,在此不进行过多赘述。将一个品质完好且与待检测面包为同类面包的标准面包放置在检测台上,标准面包和待检测面包的形状可以不相同,获取标准面包中的物质种类,即获取标准面包中的不同像素值的数量。将待检测面包的中的像素值与标准面包中的相同像素值进行匹配,作为一个匹配对,将待检测面包中找不到匹配对的像素值作为异常像素值,将异常像素值对应的物质种类作为差异种类,差异种类对应的是待检测面包中的变质物质种类,差异种类越多且越大,待检测面包中的品质越可能会出现问题,因此,获取待检测物质种类中的差异种类在待检测面包中的像素点的数量的总和即第一差异数量,来获取待检测面包品质的质量评估值K的公式为:;
式中,K为待检测面包品质的质量评估值;为待检测面包中差异种类的数量;为第l个差异种类的像素点数量;exp为以自然常数e为底数的指数函数。
需要说明的是,第一差异数量越大,K越大,待检测面包品质越可能存在问题。/>
本发明实施例设置质量评估值阈值为0.7,实施者可根据实际情况进行设定,在此不进行限定。当质量评估值小于或等于质量评估值阈值时,待检测面包品质不存在问题;当质量评估值大于质量评估值阈值时,待检测面包品质出现问题。
根据对待检测面包品质进行检测的方法,进而对其他待检测食品品质进行检测,不仅限于对面包的品质进行检测。其中,对于不同的检测对象,需要根据不同食品对光照的要求调整光源类型和光照方式,以满足检测精度的要求。
至此,本发明完成。
综上所述,本发明实施例获取光谱图像与灰度图像;根据灰度图像的聚类簇区域,获取光谱图像中的第一噪声概率;根据灰度图像中的连通域,获取光谱图像的通道值变化特征;根据光谱图像中相同通道值的像素点与通道值变化特征,获取第二噪声概率;根据通道值变化曲线,获取第三噪声概率;根据第一噪声概率、第二噪声概率与第三噪声概率确定噪声点;根据噪声点和非局部均值滤波算法中预设搜索窗,获取最优搜索窗;根据最优搜索窗获得去噪光谱图像;根据去噪光谱图像确定待检测食品品质。本发明通过确定光谱图像中的噪声点,提高了去噪的效果,进而对食品品质的检测准确高效。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (9)
1.多光谱图像去噪装置,其特征在于,所述装置包括:
数据获取模块,用于获取待检测食品在不同预设波长下的光谱图像与灰度图像;光谱图像与灰度图像尺寸相同;任选灰度图像中一个像素点位置作为目标位置;
第一噪声概率获取模块,用于根据灰度图像中每个像素点的邻域灰度混乱度,对灰度图像中的像素点进行聚类,获得聚类簇区域;在每张光谱图像中,根据聚类簇区域对应位置区域内,目标位置与其他位置之间的邻域通道值混乱度的差异获取目标位置在对应光普图像中的第一噪声概率;
第二噪声概率获取模块,用于获得目标位置在灰度图像中所属连通域在光谱图像中对应位置区域的通道值变化特征;在每张光谱图像中,根据与目标位置对应像素点相同通道值像素点,与其他光谱图像中相同位置的像素点之间的通道值差异,获取目标位置的整体区别差异;根据整体区别差异与通道值变化特征,获取对应光谱图像中目标位置的第二噪声概率;
第三噪声概率获取模块,用于获得目标位置的通道值变化曲线,分别将通道值变化曲线上每个通道值进行平滑,根据通道值变化曲线平滑前后的差异,获取目标位置在平滑通道值对应的光谱图像中的第三噪声概率;
噪声点确定模块,用于根据目标位置在每张光谱图像中的第一噪声概率、通道值离群因子、第二噪声概率与第三噪声概率,获取整体噪声概率;改变目标位置获得每张光谱图像中每个位置下的整体噪声概率,根据整体噪声概率确定噪声点;
去噪模块,用于对光谱图像中的噪声点进行去噪,获得去噪光谱图像。
2.如权利要求1所述的多光谱图像去噪装置,其特征在于,所述第一噪声概率的获取方法,包括:
获取灰度图像中每个像素点在预设邻域内的灰度值方差作为对应像素点的邻域灰度混乱度;
将聚类簇区域对应在每张光谱图像中的位置区域作为光谱聚类簇;
将任意一张光谱图像中目标位置所在的光谱聚类簇作为目标聚类簇;
获取目标聚类簇中像素点对应的位置数量作为第一数量;
获取目标聚类簇中每个像素点的对应位置在预设邻域内的通道值方差作为对应位置的邻域通道值混乱度;
计算目标聚类簇中的目标位置与其他位置之间的邻域通道值混乱度的差异进行累加的结果,作为目标聚类簇中目标位置的簇内差异;
将目标聚类簇的第一数量进行负相关映射且归一化的结果作为第一权重;
根据所述簇内差异与所述第一权重,获取目标聚类簇中目标位置的第一噪声概率;所述簇内差异和所述第一权重均与所述第一噪声概率为正相关的关系。
3.如权利要求1所述的多光谱图像去噪装置,其特征在于,所述通道值变化特征的获取方法,包括:
将目标位置在灰度图像中所属连通域在光谱图像中对应位置区域作为光谱连通域;
计算每个光谱连通域中的通道值方差作为对应光谱连通域中每个位置的通道值变化特征。
4.如权利要求1所述的多光谱图像去噪装置,其特征在于,所述整体区别差异的获取方法,包括:
任选一张光谱图像作为第二目标图像,获取第二目标图像中与目标位置对应像素点相同通道值像素点作为参考点;
任选一张非第二目标图像的光谱图像作为参考图像;
获取参考图像中的目标位置像素点与第二目标图像中的目标位置像素点之间的通道值差异作为目标差异;
获取参考图像中与参考点位置相同的像素点与对应相同位置参考点之间的通道值差异作为参考差异;
获取每个参考差异与目标差异之间的差异进行累加的结果,作为第二目标图像中的目标位置的图像差异;
获取第二目标图像中的目标位置与每张非第二目标图像的光谱图像之间的图像差异进行累加的结果,作为第二目标图像中的目标位置的整体区别差异。
5.如权利要求1所述的多光谱图像去噪装置,其特征在于,所述第三噪声概率的获取方法,包括:
将每张光谱图像中目标位置的通道值根据波长从小到大进行排序,获得目标位置的通道值序列;
将通道值序列中的通道值进行连接,获得目标位置的通道值变化曲线;
将目标位置的通道值变化曲线作为第三目标曲线,将第三目标曲线平滑后的曲线作为参考目标曲线;
获取目标位置的像素点对应物质种类在相同波段对应的反射率曲线;
获取第三目标曲线与反射率曲线之间的相似度作为第一相似度;
获取参考目标曲线与反射率曲线之间的相似度作为第二相似度;
将第一相似度与第二相似度之间的差异作为平滑通道值对应的光谱图像中目标位置的第三噪声概率。
6.如权利要求1所述的多光谱图像去噪装置,其特征在于,所述整体噪声概率的获取方法,包括:
将每张光谱图像中目标位置的第三噪声概率进行负相关映射且归一化的结果作为对应光谱图像中目标位置的修正参数;
将修正参数与预设修正阈值的差值作为光谱图像中目标位置的修正调整值;
将每张光谱图像中目标位置的修正调整值和第二噪声概率的乘积作为对应光谱图像中目标位置的噪声修正值;
根据离群点检测算法LOF获取光谱图像中每个位置的通道值离群因子;
计算每个光谱图像中目标位置的第一噪声概率与通道值离群因子的乘积作为对应光谱图像中目标位置的噪声参考值;
将每张光谱图像中目标位置的噪声参考值与噪声修正值的相减结果作为对应光谱图像中目标位置的整体噪声可能值。
7.如权利要求1所述的多光谱图像去噪装置,其特征在于,所述根据整体噪声概率确定噪声点的方法,包括:
设置整体噪声可能值阈值,当整体噪声可能值大于整体噪声可能值阈值时,对应像素点位置为噪声点。
8.如权利要求1所述的多光谱图像去噪装置,其特征在于,所述对光谱图像中的噪声点进行去噪的方法,包括:
获取非局部均值滤波算法中预设搜索窗中噪声点数量作为目标数量;
将预设搜索窗边长进行归一化处理的结果作为调节权重;
将调节权重与目标数量的乘积作为去噪评估值;
设定去噪评估值阈值,当去噪评估值小于去噪评估值阈值时,预设搜索窗为最优搜索窗;当去噪评估值大于或等于去噪评估值阈值时,将预设搜索窗的边长均增加预设步长,获得调整搜索窗,获取调整搜索窗的去噪评估值,直至调整搜索窗的去噪评估值小于去噪评估值阈值,将调整搜索窗作为最优搜索窗;
根据最优搜索窗对光谱图像中的噪声点进行去噪。
9.食品品质检测***,其特征在于,所述***包括如权利要求1~8任意一项所述多光谱图像去噪装置中各个模块以及品质检测模块;所述品质检测模块用于根据去噪光谱图像获取待检测食品的检测物品种类;获取同种类质量标准的食品中的物品种类作为标准物品种类;获取检测物品种类与标准物品种类之间的差异种类,获取差异种类中像素点数量作为第一差异数量,将第一差异数量进行归一化的结果作为质量评估值;设置质量评估值阈值,当质量评估值大于质量评估值阈值时,待检测食品品质出现问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311158764.9A CN116883674B (zh) | 2023-09-08 | 2023-09-08 | 多光谱图像去噪装置及使用该装置的食品品质检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311158764.9A CN116883674B (zh) | 2023-09-08 | 2023-09-08 | 多光谱图像去噪装置及使用该装置的食品品质检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883674A true CN116883674A (zh) | 2023-10-13 |
CN116883674B CN116883674B (zh) | 2023-11-24 |
Family
ID=88264844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311158764.9A Active CN116883674B (zh) | 2023-09-08 | 2023-09-08 | 多光谱图像去噪装置及使用该装置的食品品质检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883674B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117664906A (zh) * | 2024-02-01 | 2024-03-08 | 国检测试控股集团湖南华科科技有限公司 | 基于光谱特征的水体抗生素污染检测方法 |
CN118154456A (zh) * | 2024-05-07 | 2024-06-07 | 宝鸡拓普达钛业有限公司 | 用于钛合金加工刀具模型构建的图像智能去噪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527326A (zh) * | 2017-08-17 | 2017-12-29 | 安徽农业大学 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
CN112964719A (zh) * | 2021-04-26 | 2021-06-15 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品果糖检测方法及装置 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
-
2023
- 2023-09-08 CN CN202311158764.9A patent/CN116883674B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527326A (zh) * | 2017-08-17 | 2017-12-29 | 安徽农业大学 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
CN112964719A (zh) * | 2021-04-26 | 2021-06-15 | 山东深蓝智谱数字科技有限公司 | 一种基于高光谱的食品果糖检测方法及装置 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117664906A (zh) * | 2024-02-01 | 2024-03-08 | 国检测试控股集团湖南华科科技有限公司 | 基于光谱特征的水体抗生素污染检测方法 |
CN117664906B (zh) * | 2024-02-01 | 2024-04-30 | 国检测试控股集团湖南华科科技有限公司 | 基于光谱特征的水体抗生素污染检测方法 |
CN118154456A (zh) * | 2024-05-07 | 2024-06-07 | 宝鸡拓普达钛业有限公司 | 用于钛合金加工刀具模型构建的图像智能去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116883674B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN116883674B (zh) | 多光谱图像去噪装置及使用该装置的食品品质检测*** | |
Kleynen et al. | Development of a multi-spectral vision system for the detection of defects on apples | |
CN115170572B (zh) | 一种bopp复合薄膜表面涂胶质量监测方法 | |
Blasco et al. | Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features | |
US11593656B2 (en) | Using a first stain to train a model to predict the region stained by a second stain | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
Pedreschi et al. | Computer vision classification of potato chips by color | |
Zhang et al. | Identification of common skin defects and classification of early decayed citrus using hyperspectral imaging technique | |
CN115131354B (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN117372432B (zh) | 基于图像分割的电子烟表面缺陷检测方法及*** | |
CN112974303B (zh) | 一种基于高光谱的果品品质检测方法、设备及介质 | |
CN106570855A (zh) | 猪肉新鲜度快速判定的方法及*** | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
WO2023084543A1 (en) | System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis | |
CN116758074B (zh) | 一种多光谱食品图像智能增强方法 | |
JP2023503564A (ja) | 目標コーティング中の効果顔料を識別する方法及び装置 | |
US6577775B1 (en) | Methods and apparatuses for normalizing the intensity of an image | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN117495849A (zh) | 基于图像特征的电源适配器质量检测方法 | |
CN115760724A (zh) | 食品质量检测方法和*** | |
CN113450383B (zh) | 一种免疫层析试纸定量分析方法、装置、设备和介质 | |
Castro et al. | Radial grid reflectance correction for hyperspectral images of fruits with rounded surfaces | |
AU2021404426A9 (en) | Systems and methods for hyperspectral imaging of plants | |
CN117372435B (zh) | 基于图像特征的连接器针脚检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |