Lu、Kim、Mehl、Chen等人研究了苹果的损伤、污染的高光谱图像检测。Lu采用主成分分析和最小噪声分离变换（minimum noise fraction transform）算法检测了苹果新、旧损伤，结果表明，检测准确率随苹果损伤后存放天数不同而有变化。Kim利用高光谱荧光图像研究了动物排泄物对苹果污染的检测问题，用主成分分析法确定了4个最优特征波长，结果表明该检测方法很有效。Mehl、Chen等人用高光谱图像技术进一步研究了不同种类及颜色苹果的损伤、腐烂、疤痕和土壤污染检测。他们设计了不均匀二次差分（asymmetric second difference）算法来分离不同种类苹果中的缺陷或污染，利用该算法能很清楚地区分出各类苹果中的缺陷或污染区域，而且不会把苹果果梗误判为缺陷，并能将其作为完好苹果的一部分。此外，苹果的病变、细菌污染和腐烂也大都能区分出来。由于这种方法仅需3个波长且与苹果种类无关，所以很容易应用到实际生产中。
Mehl、Chen等人设计的不均匀二次差分算法是在均匀二次差分（symmetrical second difference）算法的基础上发展的。应用二次差分处理方法的主要优点是，它能很好地区分出苹果中的污染和缺陷部位，而且能很好地消除由于水果形状不平整而带来的光线反射不均匀影响。均匀二次差分的表达式为
λn和g选择的原则是保证完好的苹果与有缺陷或污染的苹果之间有最好的对比度，而且λn是苹果缺陷或污染部位吸收光谱最强的波长。由于固定波长间隔g时，往往不能很好地选择到有效特征图像，检测效果不理想。为了将二次差分应用到波长范围更广且使得到的λn和g能适用于不同种类的苹果检测，Mehl、Chen等人进一步设计了不均匀差分算法。不均匀二次差分的表达式为
式中：S″a（λn，g）——中心波长λn的不均匀二次差分图像；
g1、g2——波长间隔，g1≠g2。
Chen研究组应用的高光谱图像系统如图2－18所示。检测样品为苹果。苹果在采摘以后和处理之前被集中在一起，没有采取任何的抗真菌治疗或蜡保护措施。苹果在进行任何处理治疗或者分类之前，要么直接从果树上采摘，要么从宾夕法尼亚州的苹果种植者的捡果桶中获取。从果园的地面上捡取一些有缺陷（一般不是明显的缺陷）或有损伤（一般不是明显的损坏）、有污染的、有病害的苹果。这些苹果包括侧面腐烂、碰撞损伤、有斑点、结痂及发霉、长有黑痘（未长大的真菌病），以及其他真菌和土壤污染的苹果。将这些苹果放入托盘中，用塑料袋装起来，避免水分散失，并用箱子装好后运回实验室备用。然后将苹果储藏在持续温度为0～4℃的储藏室中。
样品托盘被涂上一层黑色颜料，以尽量减少背景反射。在苹果的高光谱图像采集之前记录下CCD相机的暗电流和近100%的白板反射信息。
样品的原始反射光强在样品扫描中被逐行记录下来。经过黑板和白板校准之后，单色图像通过商业软件ENVI转化为ENVI的文件格式。要区分出正常苹果和有损伤或污染的苹果，一个合乎逻辑的方法是：找出特定的波长，在此波长下观察损伤或污染苹果就可以很好地区分出是正常苹果或是不正常苹果。寻找特定波长可以采用上面介绍的不均匀二阶差分方法。
图2－20 金美味苹果的反射光谱曲线
首先通过采集的苹果高光谱图像光谱信息来观察特征波长。以Chen研究组对金美味苹果的研究结果为例（见图2－20）。在前期的研究中可以得出（Patrick，2004）：①近红外波段不受不同苹果种类的颜色变化的影响；②红色的叶绿素波段是好苹果的很好的光谱显示。因此，用非对称二阶差分方法进行两个近红外波段722nm、869nm和叶绿素在682～686nm吸收波段的检测。图2－21是使用S″b（λn，g1，g2）后的四种苹果的图像，其中，g1＝10、g2＝40、λn＝722nm。在苹果各种污染、损伤检测中，非对称二阶差分方法可以使用685nm、722nm和869nm这三个波长为中心波长。722nm波段是从可见光到近红外增加强度开始放慢，而869nm的波段，是在高光谱成像系统可测的近红外区域边缘任选的波段。
图2－21所示为采用不均匀二次差分方法进行图像处理而识别苹果缺陷的过程，结果表明不均匀二次差分处理对苹果缺陷的检测有独特的优势（Patrick，2004）。
图2－21 苹果图像的不均匀二次差分处理（g1＝10，g2＝40，λn＝722nm）
（a）苹果在685nm处的图像；（b）经不均匀二次差分处理后的苹果图像；
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
