高光谱图像识别霉变花生的光谱特征分析与指数模型构建
高光谱影像特征选择与提取
式中（ 为第i波段的均方差， 为第i波段与所 在组内其他波段相关系数的绝对值之和的平均值， 为第i波段与所在组以外地其它波段之间的相关系数 的绝对值之和）。
均值间的标准距离 离散度 类间平均可分性 B距离
两类对应的样本区域的光谱 均值； 分别为两类对于的样本区域的方差。d 反映两类在每一波段内地可分性大小。d越大，可 分性越大。此法是一维特征空间中两类别间可分性 的一种度量，它不适合进行多变量的研究。对于多 维特征空间、多变量的可分性研究，可用离散度、 B距离等方法。
式中：X={X1,X2,……，XN}为光谱向量，N为波段 数，λ={λ1, λ2,……，λN}为波长集合。 以此类推，可以计算出任意阶导数光谱。通过导数 光谱运算可以发现待定地物某阶导数具有明显区别 于其它地物的特征，从而用于地物识别。
植被指数与导数光谱实质是在光谱空间上进行特定 运算以形成新的特征，按照这一思路，可以设计其 它光谱运算特征，如波段求和、取均值以及其它更 复杂的运算获取的特征。
植被指数 导数光谱
常规多光谱植被指数通常表达为近红外波段与可见 光红波段的差值和比值的组合，常用的是比值植被 指数（RVI）和标准化植被指数（NDVI）。对于高 光谱遥感数据而言，NDVI可以被看作是一个梯级 函数，来表达植被反射率在=0.7um处的突然递增。
植被指数在高光谱应用中非常重要，能够描述植被 的精细信息如叶面积指数LAI、植土比、植被组分 等，以进行植被指数与生物量预测，在有些分类如 神经网络分类器中经常将其作为一个独立特征参加 分类。
该方法针对OIF方法在实际应用中存在的局限性,充 分考虑了各波段的空间相关性和谱间相关性。 其公式如下： 其中：Si为第i个波段的标准差； 和 是第i 波段与其前后两波段的相关系数或i波段与任意两个 波段的相关系数；是第i幅图像指数的大小。
高光谱遥感图像中的特征提取与分类算法优化
高光谱遥感图像中的特征提取与分类算法优化高光谱遥感图像是一种获取地面物体反射光谱信息的重要数据源。
在资源环境监测、农业生产、城市规划等领域，高光谱遥感图像的特征提取与分类算法优化具有重要意义。
本文将重点探讨高光谱遥感图像中的特征提取与分类算法优化的方法和技术。
一、高光谱遥感图像的特征提取方法在高光谱遥感图像中，每个像素点包含多个波段的光谱信息，因此特征提取主要是从光谱、空间和纹理等多个方面进行。
以下介绍几种常用的特征提取方法：1. 光谱特征提取：光谱特征提取是指通过分析各个波段的光谱反射率，获取区分不同地物的特征。
常用的方法有平均光谱曲线、光谱强度、光谱比值等。
可以利用统计学方法或者光谱分解等技术进行光谱特征提取。
2. 空间特征提取：空间特征提取是指通过分析高光谱图像像素点之间的空间关系，提取地物的空间分布特征。
常用的方法有纹理特征、空间模式指数等。
可以利用滤波器、卷积操作、灰度共生矩阵等技术进行空间特征提取。
3. 纹理特征提取：纹理特征提取是指通过分析高光谱图像中地物表面纹理的特征，提取地物的纹理信息。
常用的方法有灰度共生矩阵、小波变换、局部二值模式等。
可以通过计算纹理特征的统计值或者采用机器学习方法进行纹理特征提取。
以上是高光谱遥感图像中常用的特征提取方法，通过综合运用各种方法，可以获得更多的特征信息，提高特征提取的准确度和鲁棒性。
二、高光谱遥感图像的分类算法优化高光谱遥感图像分类是指将图像中的每个像素点划分到不同类别中，以实现对地物的识别和分类。
分类算法的优化可以提高分类的准确性和效率。
以下介绍几种常用的优化算法：1. 监督分类算法优化：监督分类算法是指在训练样本的基础上，通过对特征进行提取和选择，利用统计学或模型建立分类器，实现对遥感图像进行分类。
常用的监督分类算法有支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）等。
通过优化特征选择、样本分布策略和分类器参数等方面，可以提高分类的准确性。
高光谱成像技术在植物病害检测中的应用
高光谱成像技术在植物病害检测中的应用植物病害是农业生产中常见的问题，它会导致作物产量和品质下降，给农民带来极大的经济损失。
为了及时发现和治疗植株的病害，科学家们发展了各种检测技术。
其中，高光谱成像技术有着独特的优势，能够提供高精度的病害检测结果，有着广阔的应用前景。
本文将会介绍高光谱成像技术的原理和在植物病害检测中的应用。
高光谱成像技术的原理高光谱成像技术是将光谱成像技术与高光谱分析技术结合起来的成果。
它通过获取物体在可见光和近红外光谱范围内的辐射能量，获得高精度、高灵敏度的光谱特征数据。
光谱成像技术可以将物体的光谱数据呈现在空间坐标上，形成高光谱图像。
这样就能够包括更丰富的信息，实现对多种物质的检测和定量化分析。
在高光谱成像技术中，需要用到一种叫做高光谱成像仪的设备。
高光谱成像仪是一种能够将物体反射、散射和透过的光谱数据进行捕捉的设备，它能够在非破坏性的情况下，测量物体的化学成分、结构和形态特征。
高光谱成像仪在检测光谱范围内的多个波段时，能够采集到植物在可见光和近红外光谱范围内的能量分布数据，识别出不同波长的数据对应的不同成分。
通过对特定波段的光谱图像分析和处理，能够鉴别出植物病害所产生的生理和组织上的特征。
高光谱成像技术在植物病害检测中有着广泛的应用。
例如，利用高光谱成像技术可以检测玉米和小麦的叶片病害。
科学家们研究了白粉病、锈病、普通赤霉病、弯曲病、鸟巢病和叶斑病等多种不同类型的病害，通过高光谱技术采集到的数据，构建了反映不同病害叶片光谱的图像图谱。
通过对这些图谱进行聚类和分类，就可以认识到不同病害之间的光谱特征，准确地检测所需的病害。
发现病害前期阶段，一些病害物质含量的变化微弱，可能难以用肉眼识别，但利用高光谱技术就能够检测到。
同时，随着病害的发展，特征光谱也会逐渐发生变化，所以病害的发展过程也能够通过高光谱图像来进行跟踪和分析。
另外，高光谱成像技术还可以不用接触叶片，对植物中的病害进行检测，使得对植株的非破坏性采样和分析成为可能。
基于高光谱成像技术的稻谷中霉菌定量检测及模型建立
Grain Science And Technology And Economy粮食科技与经济2021 年10月第46卷 第5期Oct. 2021Vol.46, No.5我国是稻谷生产大国，稻谷年产量占全国粮食总量的31%[1]。
新鲜稻谷本身营养较为丰富，在储藏的过程中，极易受到霉菌的污染而霉变，稻谷霉变后食用品质大大降低[2]。
感染产毒霉菌的稻谷还会产生一些对人体健康有害的真菌毒素，造成极大的健康隐患[3-4]。
因此，研究能够快速检测出稻谷储藏过程中的霉菌污染，并对稻谷霉变程度进行有效判别的快速检测技术，在延长稻谷储藏期、保证稻谷产品质量和食用品质方面显得尤为重要。
目前，稻谷中霉菌含量的检测方法主要包括平板计数法、选择性和鉴别培养基法、荧光分析法、微生物活性测定法、分子生物学方法等[5-6]。
这些稻谷中霉菌含量检测的常规方法检测准确度较高，但往往需要花费大量时间进行制样和检测，不仅无法做到对储藏稻谷霉变程度的快速检测，还会对检测样品的结构造成破坏[5]。
因此，建立一种快速、无损、定量检测储藏稻谷霉变程度的检测方法，对促进稻谷安全储藏和确保消费安全具有重要意义。
高光谱成像技术是一种通过同时采集样品的2D空间信息和1D 光谱信息，在获取到样品的3D 光谱数据立方体后，再利用高光谱成像系统的空间像元间成分差异辨识能力和光谱分析能力，提取样品图像和光谱信息特征，将样品内外品质指标之间建立联系，实现对样品内外综合品质评价的快速、无损检测的光谱技术[7]。
高光谱成像技术由于检测精度高，速度快，不仅能对样品的光谱特征进行区分，还能够对样品中的成分进行分析，现已被广泛应用于农产品中霉菌以及真菌毒素的检测。
Del Fiore 等[8]使用高光谱成像技术建立了一种无损检测玉米籽粒中产毒真菌的方法，结果表明，使用高光谱成像技术，可以对接种黑曲霉或黄曲霉48 h 后的商品玉米籽粒与未被侵染的玉米籽粒进行有效区分。
Singh 等[9]建立了基于高光谱技术的小麦粒中3种真菌的判别模型，模型正确率为97.3%～100%。
遥感在植物病虫害应用
遥感在植物病虫害监测中应用植物病虫害是影响作物最终产量的关键因素之一，对病虫害进行早期预警，是控制病虫害的大范围蔓延、保护作物产量成果的有力方法之一。
利用遥感技术特别是高光谱、卫星技术监测病虫害，具有快速、简便、宏观、无损、客观等优点，可以随时提供信息，迅速、准确的对田间作物生长状况进行监测，以便及时采取措施治理或合理安排计划，是作物病虫害监测的发展方向。
1. 植物病虫害遥感监测的基本原理遥感的基本依据是获取来自地物的反射或发射的电磁波能量，各种物质因结构与组成成分不同，大多数地物又具有BRDF（双向反射分布函数）各向异性的反射特性，所以在光谱反射与辐射特性方面有差异，从而具有该物体诊断意义的光谱特征。
据此，不同作物或同一作物在不同生长季节、不同角度和病虫危害及程度下，有其特殊意义的诊断性光谱特征。
因此通过光谱分析技术可以探测作物的健康状况以及病虫发生情况。
作物病虫害遥感监测主要在单叶与冠层两个层面上展开。
对单叶，因病虫危害导致叶片细胞结构、色素、水分、氮素含量及外部形状等发生变化，从而引起光谱的变化；对冠层，因病虫危害引起LAI、生物量、覆盖度等的变化，可见光到热红外波谱反射光谱与正常作物有明显差异。
在大尺度上，受病虫危害的作物在高光谱扫描记录上会引起灰度值的差异，在空间相、光谱相和时间相上有明显的差异。
因此，可通过地面获得的遥感数据结合高空成像仪获得的遥感影像监测作物病虫害。
2. 植物病虫害遥感监测技术流程目前一般小麦、水稻等大规模连片种植的作物常采用地面高光谱遥感数据分析与高光谱航空影像解译分析相结合的方法进行病虫害监测。
森林的病虫害监测则主要使用Landsat、Spot等卫星影像进行植被指数分析。
植物病虫害遥感监测的一般技术流程如下图：1图1 植物病虫害遥感监测技术流程3. 植物病虫害遥感监测技术方法利用遥感检测植物病虫害，往往要综合运用多种技术方法，如光谱反射率分析、回归模型分析、植被指数分析、光谱微分、基于光谱位置变量分析、遥感影像分析、多角度遥感分析等等。
高光谱成像技术在农作物识别中的应用研究
高光谱成像技术在农作物识别中的应用研究摘要：高光谱成像技术是一种应用于农业领域的先进技术，其通过获取农田的高光谱图像数据并分析处理，可以实现对农作物的快速识别和监测。
本文将介绍高光谱成像技术在农作物识别中的应用研究，并探讨其在提高农作物产量、保障农业可持续发展方面的潜力。
1. 引言农作物的识别和监测是农业生产中至关重要的环节。
传统的人工野外观察和遥感图像分析存在着时间和空间上的局限性，而高光谱成像技术通过获取农田的高光谱图像数据，可以提供更加精准、全面的农作物信息，为农业生产决策提供科学依据。
2. 高光谱成像技术及原理高光谱成像技术是一种获取被测物体在可见光到近红外光谱范围内连续的光谱信息的方法。
其原理基于不同物质在不同波长下的吸收、反射和散射特性，通过获取物体在光谱上的反射率曲线，进而识别物体的组成和特征。
3. 农作物识别中的高光谱成像技术应用3.1 农作物的种类识别高光谱成像技术能够获取农田中作物的光谱信息，通过对比已知作物的光谱库，可以准确地识别农田中不同作物的种类，包括小麦、玉米、水稻等。
3.2 农作物的健康状况评估高光谱成像技术还可以通过分析作物的光谱信息来评估农作物的健康状况。
通过测量作物叶片的反射率和吸收率，并结合光谱指数计算模型，可以准确判断作物的养分状况、病虫害感染等问题，及时采取相应的措施。
3.3 农作物的生长监测高光谱成像技术还可以实现对农作物生长过程中的监测。
根据作物在不同生长阶段的光谱特征，可以通过高光谱图像数据来实时监测作物的生长情况，包括生长速度、生长状态以及农田的光照强度等。
4. 高光谱成像技术在农作物识别中的应用案例研究4.1 小麦品种分类研究通过高光谱成像技术获取小麦品种的光谱数据，并基于数据建立分类模型，可以实现对不同小麦品种的准确识别，并为农作物选育提供重要参考。
4.2 农作物病虫害检测研究利用高光谱成像技术可以准确地检测农作物的病虫害问题。
通过对受感染作物和健康作物的光谱特征进行对比分析，可以及时发现并定位农作物病虫害的问题，提前采取相应的防治措施。
高光谱成像在食品质量评估方面的研究进展与应用_二_
MEAT RESEARCH专题论述CHINA MEAT RESEARCH CENTER收稿日期：２０１２－０２－２５基金项目：广东省领军人才专项经费作者简介：马骥（１９９０—），男，本科生，研究方向为食品科学与工程。
Ｅ－ｍａｉｌ：５３１６２２３８１＠ｑｑ．ｃｏｍ＊通信作者：孙大文，男，教授，博士，欧洲人文和自然科学院（Ａｃａｄｅｍｉａ Ｅｕｒｏｐａｅａ）院士，爱尔兰皇家科学院院士，国 际食品科学院（ＩＡＦｏＳＴ）院士，国际农业工程委员会（ＣＩＧＲ）主席，《Ｆｏｏｄ ａｎｄ Ｂｉｏｐｒｏｃｅｓｓ Ｔｅｃｈｎｏｌｏｇｙ》（ＳＣＩ一 区， ２０１０影响因子＝３．５７６）期刊主编，研究方向为制冷、冷冻及干燥过程和系统、食品质量与安全、生物过程 模拟和优化、以及计算机视觉识别技术等。
Ｅ－ｍａｉｌ：ｄａｗｅｎ．ｓｕｎ＠ｕｃｄ．ｉｅ高光谱成像在食品质量评估方面的研究进展与应用(二)马 骥１，曲佳欢１，孙大文１，２，＊，吴 迪２，曾新安１（１．华南理工大学轻工与食品学院，广东 广州 ５１０６４０；２．爱尔兰国立都柏林大学食品冷冻与计算机化食品技术研究所，都柏林 爱尔兰 Ｄｕｂｌｉｎ ４）摘 要：为了保证食品质量与安全，满足消费者需要，需要在食品生产、加工过程中对食品品质和安全信息进行实时检测。
高光谱成像技术作为一种无损检测方法，能够实现食品品质和安全信息的快速、高效、准确检测。
作为本综述的第二部分，本文主要介绍高光谱成像技术在水果与蔬菜的品质检验方面的应用，同时对其在奶制品、谷类、蘑菇等方面的研究成果也进行介绍，最后叙述高光谱成像技术的应用前景及目前的局限性。
关键词：高光谱成像技术；水果与蔬菜；奶制品；谷物；蘑菇Ｐｒｏｇｒｅｓｓ ｉｎ Ｒｅｓｅａｒｃｈ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｉｍａｇｉｎｇ ｉｎ Ｆｏｏｄ Ｉｎｄｕｓｔｒｙ （Ⅱ）ＭＡ Ｊｉ１，ＱＵ Ｊｉａ－ｈｕａｎ１，ＳＵＮ Ｄａ－ｗｅｎ１，２，＊，ＷＵ Ｄｉ２，ＺＥＮＧ Ｘｉｎ－ａｎ１（１． Ｃｏｌｌｅｇｅ ｏｆ Ｌｉｇｈｔ Ｉｎｄｕｓｔｒｙ ａｎｄ Ｆｏｏｄ Ｓｃｉｅｎｃｅ， Ｓｏｕｔｈ Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｇｕａｎｇｚｈｏｕ ５１０６４０， Ｃｈｉｎａ；２． ＵＣＤ Ｆｏｏｄ Ｒｅｆｒｉｇｅｒａｔｉｏｎ ＆ Ｃｏｍｐｕｔｅｒｉｓｅｄ Ｆｏｏｄ Ｔｅｃｈｎｏｌｏｇｙ （ＦＲＣＦＴ）， Ｕｎｉｖｅｒｓｉｔｙ Ｃｏｌｌｅｇｅ Ｄｕｂｌｉｎ， Ｄｕｂｌｉｎ Ｄｕｂｌｉｎ ４， Ｉｒｅｌａｎｄ）Ａｂｓｔｒａｃｔ：Ｔｏ ｅｎｓｕｒｅ ｆｏｏｄ ｓａｆｅｔｙ ａｎｄ ｍｅｅｔ ｔｈｅ ｃｏｎｓｕｍｅｒｓ， ｉｎｃｒｅａｓｉｎｇ ｄｅｍａｎｄｓ ｆｏｒ ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｆｏｏｄ ｐｒｏｄｕｃｔｓ， ｉｔ ｉｓ ｏｆ ｖｉｔａｌｉｍｐｏｒｔａｎｃｅ ｔｏ ｄｅｖｅｌｏｐ ｅｆｆｅｃｔｉｖｅ ｑｕａｌｉｔｙ ｉｎｓｐｅｃｔｉｏｎ ｓｙｓｔｅｍｓ ｄｕｒｉｎｇ ｐｒｏｃｅｓｓｉｎｇ ｏｐｅｒａｔｉｏｎ ｆｏｒ ｔｈｅ ｆｏｏｄ ｉｎｄｕｓｔｒｙ． Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇ， ａｓ ａ ｎｏｎ－ｄｅｓｔｒｕｃｔｉｖｅ ｄｅｔｅｃｔｉｏｎ ｔｅｃｈｎｉｑｕｅ， ａｌｌｏｗｓ ｒａｐｉｄ， ｅｆｆｉｃｉｅｎｔ ａｎｄ ａｃｃｕｒａｔｅ ｉｎｓｐｅｃｔｉｏｎ ｏｆ ｆｏｏｄ ｑｕａｌｉｔｙ ａｎｄ ｓａｆｅｔｙｉｎｆｏｒｍａｔｉｏｎ． Ａｓ ａｎ ｅｘｔｅｎｓｉｏｎ ｏｆ ｏｕｒ ｐｒｅｖｉｏｕｓ ｒｅｖｉｅｗ， ｔｈｉｓ ｐａｐｅｒ ｓｐｅｃｉｆｉｅｓ ｒｅｃｅｎｔ ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｉｎｇ ｉｎ ｑｕａｌｉｔｙｉｎｓｐｅｃｔｉｏｎ ｏｆ ｖｅｇｅｔａｂｌｅｓ， ｆｒｕｉｔｓ， ｄａｉｒｙ ｐｒｏｄｕｃｔｓ， ｇｒａｉｎｓ ａｎｄ ｍｕｓｈｒｏｏｍｓ ａｎｄ ｄｉｓｃｕｓｓｅｓ ｉｔｓ ｆｕｔｕｒｅ ｔｒｅｎｄｓ ａｎｄ ｃｕｒｒｅｎｔ ｌｉｍｉｔａｔｉｏｎｓ．Ｋｅｙ ｗｏｒｄｓ：ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｉｎｇ；ｆｒｕｉｔｓ ａｎｄ ｖｅｇｅｔａｂｌｅｓ；ｄａｉｒｙ ｐｒｏｄｕｃｔｓ；ｇｒａｉｎｓ；ｍｕｓｈｒｏｏｍｓ中图分类号：ＴＳ２０７．７ 文献标识码：Ａ 文章编号：１００１－８１２３（２０１２）０５－００４２－０７随着人民生活水平的提高，消费者对食品品质和安全的要求也日益提高。
四、光谱分析模型与方法
z=s+n
MNF算法首先用低通滤波从原始图像 Z中分离出噪声图像 N ，然后分别求 出 Z 和 N 的协方差矩阵z和 n 。 计算 z的特征值 i 和相应的特征向量 u i ，假设这些特征值满
n
足 1 2 L。令 U = (u1 , , u L )。
则，MNF变换最终可表示为 Y = U T Z 。
橄榄石矿物类型序列图
29
4.3 地物类型序列光谱分析
设某地物类型序列中包含 n 种地物，对应 1 到 m 波长有如下反射率矩
阵：
30
4.3 地物类型序列光谱分析
1. J2x 2. J2s 3. J2q 4. J3q 5. J3k 6. Kls 7. K1sh 8. Kl1 9. K2k 10.Els 11.Elt 12. E2+3b 13. Nlt 14. N2p
50通道AVIRIS高光谱图像协方差矩阵特征值统计曲线 －－方差由大到小排列
17
4.2 光谱特征提取
（2）MNF变换（Minimum Noise Fraction）
MNF变换使变换后各成份按照信噪比而不是方差从大到小的顺序来排列。
高光谱图像的每个观测像元 z 由理想状况下的无噪声信号向量 s 和噪声向
18
4.2 光谱特征提取
光谱特征提取－－波长信息 （1）波形特征的绝对位置信息（波长） 波长？ 波长区间？ （2）波形特征的相对位置信息（波段排序） 降序 ？升序？ 波长间隔？
19
4.2 光谱特征提取
光谱形态学分析－－－光谱特征参量化 （1）光谱斜率和坡向 （2）光谱二值编码 （3）光谱导数 （4）光谱积分 （5）光谱吸收指数（吸收位置、吸收深度、吸收宽度、对称性） （6）光谱曲线函数模拟
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
乔小军 ，蒋金豹 ，李 辉 ，亓晓彤 ，袁德 帅
中国矿业 大学 （北京 ）地球科学与测绘工程学 院，北京 １０００８３
摘 要 霉变花生极有可能含强致癌物质一黄 曲霉 素 ，快速识别并分离霉变 花生可从源头 上阻止其进入食物 链 ，并 降低人类摄人黄 曲霉素 的风险 。利用 可见 光一近红外高光谱 数据 ，通过光 谱分析 确定能有 效识别霉 变 花生 的光谱特征或指数模型 。共获取霉变花生样本 ２５３个 ，健康花生 ２４７个 ，并取其霉变（或健康）部位 的均 值光谱 。在对光谱进行连续统去除后 ，首先对其求取 了不 同步长的一阶微分 ，并在可分性较优 的光谱 区域计 算 了 Ａｒｅａｓｏｏ 。指数 ；其次 ，用连续小波变换提取 了光谱 的形状 和位置信息 ，并 利用 Ｉｎｄｅｘ￣ 指数识别霉变花 生样本 。结 果显示 ，指数 Ａｒｅａ５ｏ。～ｅｓｏ的 Ｊ Ｍ 距离为 １．９５，Ｉｎｄｅ￣ 模 型的 Ｊ—Ｍ 距 离为 １．９９，表 明霉变 和健康 花生在构建 的指数模型 Ａｒｅａｓｏｏ～ｓ—ｏ和 Ｉｎｄｅｘ￣ 的特征空间可分性均较优 。
则反 映物体的形状或其他空间信息 。在实践生 产 中，近红外 光谱技术有 着 快速 ，简易 ，非 破 坏性 和无 需 样 品制备 等 优 势 。
然而 ，受光照及成像环境等条件 的影 响，高光谱 图像 中 同种 材料 的光谱信号存 在一 定差异¨９］，即 同物 异谱 现象 。因 此 ，仅利用反射率 的大小关系很难 区分光谱相 似的物质 。这 样 ，挖掘有利于区分相似地物的光谱 特征显得尤 为重要 。张 兵等 ＿】ｏ＝】也指 出，通 过光谱 分 析确定 物质 识别 的诊 断性特 征 才是 高光 谱 信 息 提 取 的 核 心 ，比基 于 统 计 等 方 法 更 加 可 靠 。因此 ，拟利 用可见光近红 外 （ＶＩＲ）高光谱数据 ，通过 光谱分析确定 能识别霉变信息 的有效特征 ，便于实践识别 检 测 。
第 ３８卷 ，第 ２期 ２ ０ １ ８年 ２月
光 谱 学 与 光 谱 分 析
Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ
Ｖｏ１．３８，Ｎｏ．２，ｐｐ５３５—５３９ Ｆｅｂｒｕａｒｙ，２０１８
高 光谱 图像 识别 霉 变 花生 的 光谱 特 征分 析 与 指数 模型 构 建
目前定量 检测黄曲霉素的方法普遍使用薄膜法 （高效 ）和 液相色谱 法等 。这些方 法能够提 供准 确的结果 ，但 费时 、不 易操作 ＿５］，且只能在事后 进行检 验 。因此 ，迫切需 要发 展一 种检测方法 ，能 够在 生 产过 程 中对 霉变 花生 有 效识 别并 分 离 ，以便阻止黄曲霉素进入食物链 。霉 变花生极 有可能 含致 癌物黄 曲霉 素（尤其是黄 曲霉素 Ｂｅ），在花生油提炼前如果能 对其做到有效识别 和分 离 ，将会大大减小人类 通过食用 油以 及其 他含 花生 食 品摄人 黄 曲霉 素 的风 险 。自 ２Ｏ世纪 ６Ｏ年 代 ，Ｋａｒｌ Ｎｏｒｒｉｓｌ６ 将 近红 外光谱 技 术用 于谷 物和 种子 以来 ， 高光谱技术在食 品安 全及检测 中取得 了较大 的发 展和应用 。 成像光谱技术不仅 可以获得被测 物体 的光谱 ，并能在对应 区 域成像 。其 中光谱维数据一般能以小于 １０ ｎｍ 的光谱分辨 率 描述物质在不 同波长处特有 的吸收反 射特性［７］，而空 间维度
关 键 词 霉 变 花 生 ；高 光 谱 ；光 谱 分 析 ；光 谱 指 数 中图 分 类 号 ：ＴＰ７９ 文献 标 识 码 ：Ａ ＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１０００—０５９３（２０１８）０２ ０５３５—０５
引 言
２０１４年 一 ２０１５年 ，全 球 花 生产 量 达 ３９．４２百 万 吨 ［ 。而 花生 在生长及存储 过程 中易受潮 而发生霉 变 ，众所周 知 ，黄 曲霉 和寄生曲霉都会产生毒性很强 的次生代谢产物—— 黄曲 霉素 ｌ２］。黄 曲霉素 污染严 重影 响花生 质量 并对 人类 健 康构 成威 胁 。到 ２００３年底 ，近 １００个 国家 已经制定 了食物 中黄 曲 霉素 总含 量 的最 大 允 许 值 ＿３ ；主要 标 准 如 下 ：中 国 为 ４Ｏ ｐｐｂ，美 国为 ２０ ｐｐｂ，而 欧 盟 更 加 严 格 只 有 ４ｐｐｂＥ 。
采用美国 ＳＯＣ７１０便携式高光谱 成像光谱仪 获取高光谱 数据 ，其 为推 扫式成像 ，每次 可获 取 ６９６像 元 的一行数 据。
收 稿 日期 ：２０１６—０８—１１，修 订 日期 ：２０１７—０２—１０ 基 金 项 目 ：国家 自然 科 学 基 金 项 目 （４１１０１３９７）资 助 作者简 介：乔小军 ，１９９０年 生，中国矿业大学（北京 ）地球科学与测绘工程学院硕士研究生
１ 实验部分
１．１ 试 验 材 料 为验证用高光谱技术探测花生霉变信息 的可靠 性 ，霉变
花生选取 自然状态下 发霉 ，而非试验 诱导发霉 ；具体 地 ，从 市 场 同一 批 次 花 生 中挑 选 了 ２５３个 霉 变及 ２４７个 健 康 的花 生 作为试验样 品。 １．２ 图像 数 据 获 取
＊通 讯 联 系 人 ｅ－ｍａｉｌ：ｊｊｂ＠ ｃｕｍｔｂ．ｅｄｕ．ｃｎ
ｅ－ｍａｉｌ：ｑｉａｏｘｊ２５＠ １６３．ｃ卷
成像光游地 在 ３７０～１ ０４０ ｎｍ（共 ｌ２８个波段 ）。光谱 分辨 率约 为 １．６９ ｌｌｎｌ＿ 。每次扫描 成像 同时获取 反射率参 考板 和 暗 电 流 数 据 。于 ２０１６年 ５月 ３（）【＿ＩＩ２：３０在 中 矿业 火 学 （北 京 ）室 外 ¨ 捕 成 像 。 ｌＩ ３ 图 像 数 据 预 处 理