基于多特征融合和水平集的碧根果品質(zhì)檢測

劉 哲 鄒小波 宋余慶 王 明 蘇 駿

(1.江蘇大學(xué)計算機(jī)科學(xué)與通信工程學(xué)院， 鎮(zhèn)江 212013； 2.江蘇大學(xué)食品與生物工程學(xué)院， 鎮(zhèn)江 212013)

0 引言

碧根果也叫薄殼山核桃，具有良好的營養(yǎng)價值與經(jīng)濟(jì)價值[1]。但碧根果在生產(chǎn)加工過程中易酸敗，并產(chǎn)生刺鼻的氣味, 降低了其商品價值和保健功效。一旦誤食酸敗的碧根果將會對人體健康產(chǎn)生多方面的危害，甚至致癌[2]。

目前，國內(nèi)外檢測堅果的技術(shù)主要集中在機(jī)器視覺、X射線、光譜分析和其他檢測方法。研究的對象大多為整幅圖像，并未針對目標(biāo)有效區(qū)域。近年來，將水平集方法運(yùn)用到幾何活動輪廓模型中，可分割具有拓?fù)浣Y(jié)構(gòu)變化的目標(biāo)，其在農(nóng)業(yè)檢測領(lǐng)域中占據(jù)著越來越重要的地位[3]。文獻(xiàn)[4]以雜草﹑小麥和蘋果為研究對象，提出了基于水平集和先驗信息的計算機(jī)視覺(Computer vision, CV)模型，可分割復(fù)雜環(huán)境下的農(nóng)業(yè)圖像，為圖像后續(xù)處理提供了新思路。文獻(xiàn)[5]提出了一種無需重新初始化水平集函數(shù)、基于目標(biāo)區(qū)域停止準(zhǔn)則的水平集分割算法，由此實現(xiàn)完整和破損巴西堅果二分類，準(zhǔn)確率高達(dá)99.55%。考慮到單一特征識別能力的局限性，研究者開始嘗試多特征融合，實現(xiàn)更高精度的檢測。文獻(xiàn)[6]提取行人圖像的色調(diào)飽和度值(Hue saturation value, HSV)和LAB顏色特征以及SILTP紋理特征和方向梯度直方圖(Histogram of oriented gradient, HOG)特征,融合多種特征得到行人圖像對的整體與局部相似度度量函數(shù)，并結(jié)合產(chǎn)生相似度函數(shù),最后使用交替方向乘子優(yōu)化算法更新出最優(yōu)的測度矩陣，實現(xiàn)行人再識別,效果較好。文獻(xiàn)[7]提出一種將顏色、形狀、紋理特征與稀疏表示相融合的害蟲識別方法。該方法利用已標(biāo)注的訓(xùn)練樣本構(gòu)造不同特征下的訓(xùn)練樣本矩陣，通過求解樣本的最優(yōu)稀疏系數(shù)實現(xiàn)害蟲圖像識別，該方法的害蟲識別率獲得較大的提高。文獻(xiàn)[8]利用顏色特征與紋理特征融合的方式表示害蟲圖像樣本，并通過有監(jiān)督的字典訓(xùn)練方式構(gòu)建害蟲圖像特征的完備字典，利用改進(jìn)的SRC分類模型對害蟲圖像進(jìn)行稀疏表示，并實現(xiàn)自動分類，分類準(zhǔn)確率達(dá)到94.49%。文獻(xiàn)[9]在不去除背景條件下，利用顏色和HOG特征融合訓(xùn)練獲得的稀疏表示害蟲識別模型，有效地克服了環(huán)境、光照和害蟲姿態(tài)變化等引起的問題，獲得了較高的農(nóng)業(yè)測報害蟲識別率和較低的誤檢率。

本文將提取的碧根果灰度直方圖、灰度共生矩陣等多特征進(jìn)行融合分析，結(jié)合水平集算法和多特征融合的優(yōu)勢，對碧根果酸敗與否及酸敗情況進(jìn)行研究，并將其分為正常、輕度酸敗、中度酸敗和重度酸敗4個等級，以期為堅果品質(zhì)無損檢測提供新的方案。

1 材料和方法

1.1 試驗樣本

本試驗由江蘇沃頓食品有限公司提供正常、酸敗碧根果樣本。樣品橫向直徑為(2.5±0.3)cm，縱向直徑為(4.6±0.2)cm，質(zhì)量為(9.4±4)g。精挑選正常果、酸敗碧根果各20個，并對樣本進(jìn)行編號，如表1所示：A1～A20(酸敗的碧根果標(biāo)簽序號)，B1～B20(正常的碧根果標(biāo)簽序號)。采集碧根果橫斷面的T2(自旋-自旋或橫向弛豫時間)加權(quán)核磁共振圖像。圖像分辨率為512像素×512像素，每個樣本采集5幅圖像，總計200幅。

1.2 核磁共振采集設(shè)備

MRI(磁共振成像)設(shè)備采用上海紐邁公司的中型尺寸核磁共振成像分析儀，其磁體類型為永磁體，磁場強(qiáng)度為(0.5±0.08)T，儀器主頻率為21.3 MHz；探頭線圈直徑為60 mm，磁體溫度為32℃。采集碧根果橫斷面的T2加權(quán)MRI圖像。試驗參數(shù)如下：切片厚度為2 mm，切片間距為0.3 mm，重復(fù)時間(TR)為1 600 ms，回波時間(TE)為46 ms。

由于采集管空間有限，為保證采集圖像的質(zhì)量，每組采集4個碧根果，每個樣本果采集5幅橫切面圖像，每組采集耗時5～8 min，圖像分辨率為512像素×512像素，總計200幅。

1.3 圖像預(yù)處理

碧根果核磁共振圖像分辨率雖然很高，但是碧根果完整輪廓區(qū)域面積占比非常小。因此本文對碧根果輪廓作最小外接矩形處理，以突出目標(biāo)域，如圖1所示。由于每個堅果的切片大小不同，得到的最小外接矩形存在差異，導(dǎo)致處理過的圖像分辨率各不相同。因此本文采用平滑效果好且運(yùn)算時間快的雙線性插值實現(xiàn)統(tǒng)一的分辨率(190像素×180像素)。

1.4 碧根果圖像酸敗分析

通常情況下，帶正電的原子核不會有自旋現(xiàn)象，但有些原子核(比如1H、19F和31P等)卻可以自發(fā)地產(chǎn)生自旋運(yùn)動。這類原子核自旋軸無規(guī)律，在一定的外來磁場等因素作用下將產(chǎn)生核磁共振現(xiàn)象。原子核從激化的狀態(tài)恢復(fù)到平衡排列狀態(tài)的過程叫弛豫過程。弛豫時間有兩種：T1(自旋-點陣或縱向馳豫時間)和T2。由于T2加權(quán)成像表現(xiàn)在組織的T2越長，恢復(fù)越慢，信號就越強(qiáng)，成像部分就越亮；組織的T2越短，恢復(fù)越快，信號就越弱，成像部分就越暗。因此本文采用信號較強(qiáng)的氫原子核質(zhì)子1H，在T2加權(quán)下采集碧根果核磁共振圖像[10]。

酸敗后的果仁油脂含量將減少，氫氧基酸含量也將隨之減少，所以酸敗后的果仁將呈現(xiàn)低灰度級別。為了直觀地分析由于酸敗引起的灰度變化情況，本文對酸敗果和正常果各100幅圖像統(tǒng)計了每幅切片圖像的灰度折線圖，考慮到背景為黑色(即灰度為0)的點較多且無意義，所以選擇統(tǒng)計灰度根據(jù)圖2在灰度區(qū)間1～100的曲線密集度可知，酸敗果明顯多于正常果，并且酸敗果在灰度100的波峰處有多條曲線重疊即多幅切片圖像相似。總體而言，正常果灰度主要集中在灰度為175的波峰附近，酸敗碧根果灰度主要集中在灰度150～175的波峰附近，即正常果整體灰度較酸敗果稍微偏大。

圖1 MRI圖像預(yù)處理過程Fig.1 MRI image preprocessing

區(qū)間為[1，255]的像素點，得到的試驗結(jié)果如圖2所示。

圖3 部分樣品果的疑似酸敗域和正常域的灰度直方圖Fig.3 Gray histogram of suspected rancid domains and normal domains in some samples

圖2 部分樣品果的疑似酸敗域和正常域的灰度折線圖Fig.2 Gray line chart of suspected rancid domains and normal domains in some samples

為了進(jìn)一步分析圖像中酸敗域與正常域的區(qū)別，手動勾勒區(qū)塊，并統(tǒng)計灰度直方圖。紅色框為手動勾選的酸敗區(qū)塊，藍(lán)色框為手動勾選一個正常區(qū)塊，若無酸敗域，則紅色框選中的僅作為對比區(qū)塊不代表酸敗區(qū)域。由此測定紅藍(lán)區(qū)塊的灰度直方圖，可得酸敗果對比圖如圖3所示。

由圖3可知，酸敗域的灰度集中在50和100(波峰)處，而正常域灰度集中在150和175(波峰)處，碧根果果仁中酸敗域灰度明顯低于正常域，若能夠自動分割出最大疑似酸敗區(qū)塊，將有利于最終的酸敗分類識別。

1.5 水平集分割算法

文獻(xiàn)[11-13]主要依賴外部能量項不斷推進(jìn)曲線向目標(biāo)邊緣附近靠近。其中基于圖像梯度信息的邊界指示函數(shù)對噪聲敏感且難以分割邊界模糊或灰度不均勻的圖像。本文在DRLSE模型基礎(chǔ)上，針對噪聲敏感、易陷入局部極小值以及初始輪廓敏感的問題，提出一種改進(jìn)邊緣指示函數(shù)的自適應(yīng)DRLSE方法，主要是改進(jìn)面積項系數(shù)，使其可以自適應(yīng)地向曲線內(nèi)或曲線外演變，避免初始輪廓位置的影響；邊緣指示函數(shù)中引入圖像局部區(qū)域像素擬合值避免了噪聲導(dǎo)致曲線演化到局部極值處的問題。

能量泛函定義為

ε(φ)=μRp(φ)+εext(φ)

(1)

式中Rp(φ)——內(nèi)部能量項，也稱距離規(guī)則項

μ——大于0的常數(shù)

εext(φ)——外部能量項，由長度項和面積項組成

φ——水平集函數(shù)

在曲線演化過程中，外部能量項εext(φ)不斷推進(jìn)曲線向目標(biāo)邊緣附近靠近，而距離正則項Fp(φ)則用于消除曲線與符號距離函數(shù)的偏差。距離正則項作為一個懲罰項，定義為

(2)

其中

P1——勢阱函數(shù)

Ω——定義域空間

外部能量函數(shù)為

εext(φ)=λLg(φ)+aAg(φ)

(3)

式中Lg(φ)——曲線長度項

Ag(φ)——曲線內(nèi)部區(qū)域面積，用于加快曲線的演化速度

λ、a——定值常數(shù)

當(dāng)初始化輪廓曲線完全包圍目標(biāo)域，此時a必須為正數(shù)，以保證曲線向內(nèi)收縮至目標(biāo)邊緣；反之，初始化輪廓曲線在目標(biāo)域內(nèi)，此時a必須為負(fù)數(shù)，以保證曲線向外擴(kuò)張至目標(biāo)邊緣；但是當(dāng)初始化輪廓曲線與目標(biāo)域相交則無法正確分割，并且長度項和面積項中都引入了邊緣指示函數(shù)g，導(dǎo)致曲線在演化過程中易陷入局部極值且對噪聲敏感，邊緣指示函數(shù)為

(4)

式中Gσ——標(biāo)準(zhǔn)差為σ的高斯核函數(shù)

I——待分割圖像

本文改進(jìn)了面積項系數(shù)，使曲線能夠自適應(yīng)地向內(nèi)或向外演化，公式為

(5)

式中S(I)——曲線演化速率

A、b——調(diào)整S(I)的常數(shù)

TOTSU——圖像卷積后的最大類間方差法所求分割閾值

本文改進(jìn)的邊緣指示函數(shù)為

(6)

其中

M=A[Kσ(1-f1(x))2Hε+Kσ(1-f2(x))2(1-Hε)]+b

(7)

(8)

(9)

式中Kσ——標(biāo)準(zhǔn)差為σ的高斯核函數(shù)

Hε——正則化的Heaviside函數(shù)

f1(x)和f2(x)用來擬合零水平集輪廓曲線內(nèi)、外的圖像局部區(qū)域灰度。

根據(jù)式(1)可得

(10)

δ(φ)——一階變分

由此可得水平集函數(shù)的迭代公式為

(11)

式中 Δt——時間步長

D(·)——式(1)的離散化求解形式

i、j——像素值橫縱坐標(biāo)

k——當(dāng)前時刻

改進(jìn)邊緣指示函數(shù)自適應(yīng)的DRLSE方法步驟如下：①讀入碧根果MRI圖像。②初始化參數(shù)μ、λ、a、b、c、ε、σ與水平集函數(shù)Φ。③根據(jù)式(5)計算S(I)。④根據(jù)式(7)～(9)計算f1(x)、f2(x)、M。⑤根據(jù)式(11)更新水平集函數(shù)φ。⑥檢測更新后的φ是否收斂，若收斂，則φ停止演化，所在位置記為目標(biāo)邊緣完成分割，否則轉(zhuǎn)步驟③繼續(xù)演化。⑦輸出最終分割結(jié)果。

1.6 圖像特征提取

特征一般分為顏色特征、形狀特征和紋理特征等，由于本文研究對象是碧根果的核磁共振圖像，因此本文主要關(guān)注灰度直方圖統(tǒng)計特征與紋理特征[14-15]。在紋理特征中比較常用的特征量為：灰度共生矩陣、Tamura紋理特征、局部二值模式特征。本文級聯(lián)各特征向量以獲取最終的特征描述子。

1.6.1灰度直方圖統(tǒng)計特征

灰度直方圖描述圖像中灰度出現(xiàn)的頻率。如果一幅圖像有L個灰度級(對于8位灰度圖像，L=256)，則灰度直方圖的數(shù)學(xué)表達(dá)式為

(12)

式中NG——灰度為G的像素數(shù)

N——圖像總像素數(shù)

灰度直方圖提供了圖像外觀最簡單可視的全局描述，具有旋轉(zhuǎn)、比例及位移不變性。經(jīng)常使用的7個灰度直方圖統(tǒng)計特征[16-17]為均值、均方差、偏斜度、信息熵、能量、峭度、平滑度。

1.6.2灰度共生矩陣

灰度共生矩陣就是從圖像坐標(biāo)(x,y)處的灰度為i的像素出發(fā)，統(tǒng)計距離為d、角度為θ、灰度為j的像素同時出現(xiàn)的概率。一般距離d為1、2、3，角度為0°、45°、90°、135°中任意一個。圖像的紋理特征不同，其共生矩陣也會明顯不同。一般采用4個最常用的特征來提取影像的紋理特征:角二階矩、對比度、相關(guān)性、熵。

1.6.3Tamura特征

文獻(xiàn)[18]從心理學(xué)的角度提出了一種紋理特征的描述方法(Tamura特征)，其中定義了6個用于描述紋理的特征量，分別為粗糙度(Coarseness)、對比度(Contrast)、方向度(Directionality)、線像度(Linelikeness)、規(guī)則度(Regularity)和粗略度(Roughness)。其中對比度、方向度和粗糙度3個定量分析指標(biāo)對圖像紋理的分析比較重要。

(1)粗糙度

反映圖像灰度變化的劇烈程度，紋理基元尺寸越大則感覺越粗糙，其定義如下：計算圖像中以坐標(biāo)(x,y)為中心、大小為2l×2l的活動窗口,窗口中每個像素元的灰度均值A(chǔ)k(x,y)為

(13)

式中l(wèi)——參與均值計算的像素值

對于每個像元，分別計算其在水平及垂直方向上互不重疊的活動窗口之間的平均灰度差Ek,v、Ek,h,公式為

Ek,v=|Ak(x,y+2l-1)-Ak(x,y-2l-1)|

(14)

Ek,h=|Ak(x+2l-1,y)-Ak(x-2l-1,y)|

(15)

對于每一個像元，尋找最優(yōu)的尺寸Skbest=2l，使其平均灰度達(dá)到最大Ekbest，即

Ekbest=argmax(Ek,v,Ek,h)

(16)

粗糙度Fcrs定義為M′×N′圖像中各像元最優(yōu)尺寸Skbest的平均值，即

(17)

(2)對比度

反映灰度圖像中最暗和最亮灰度的層級，其差異范圍決定對比度，此外灰度級的動態(tài)范圍、邊緣的尖銳程度、模式的重復(fù)周期等也會影響對比度。定義對比度Fcon為

(18)

其中

a4=μ4/σ4

(19)

式中a4——圖像灰度統(tǒng)計量的峰態(tài)

μ4——四階矩均值

(3)方向度

描述紋理沿某方向集中的強(qiáng)度。方向度的計算基于每個像素點的梯度向量，該向量的模和方向分別定義為

(20)

(21)

式中Δh、Δv——(x,y)處水平與垂直方向灰度差分

量化各像素點的方向角θ，統(tǒng)計其相應(yīng)方向角上邊緣像素數(shù)量Nθ(i)，挑選出邊緣強(qiáng)度(模)大于預(yù)定閾值的邊緣像素點，設(shè)其數(shù)量為Nθ(φ)，則相應(yīng)方向上的直方圖HD(φ)為

(φ=0,1,…,n-1)

(22)

則方向度定義為

(23)

式中np——峰的數(shù)量

wp——圍繞該角度峰值與谷值之間的范圍

r——與角度θ量化水平相關(guān)的歸一化因子

φp——第p個峰值的位置

1.6.4局部二值模式

局部二值模式(Local binary patterns, LBP)最早是由芬蘭Oulu大學(xué)機(jī)器視覺小組的研究者OJALA等[19-20]提出,是一種典型的局部紋理描述子，該方法在計算機(jī)視覺和模式識別領(lǐng)域引起了廣泛的關(guān)注，目前已經(jīng)成為紋理分類和人臉識別領(lǐng)域主要的特征提取方法之一。

LBP算子最初是定義在某中心像素及其周圍大小為3×3的矩形鄰域系統(tǒng)上，如圖4所示：將中心像素的每個鄰域像素值以該中心像素的灰度為閾值進(jìn)行二值量化，大于或等于中心像素的像素值則編碼為1，小于則編碼為0，按照給定的編碼方向依次對不同的鄰域點賦予不同的權(quán)重，并將量化后得到的二值編碼序列轉(zhuǎn)換成一個無符號十進(jìn)制數(shù)值，然后將該值作為對應(yīng)像素點的LBP特征模式值。計算公式為

(24)

其中

式中g(shù)i——鄰域像素點的像素值

gc——中心像素點的像素值

PS——采樣點個數(shù)

圖4 局部二值模式方法示意圖Fig.4 Schematic of local binary mode method

2 試驗結(jié)果與分析

本文試驗運(yùn)行環(huán)境配置：Core(TM)i3-3320 CPU @3.30 GHz,4 GB RAM，64位Windows 7操作系統(tǒng)，Matlab R2016a。

2.1 改進(jìn)的自適應(yīng)DRLSE方法分割結(jié)果

2.1.1碧根果完整輪廓分割

為驗證本文改進(jìn)算法相比于原始DRLSE算法具有初始輪廓不敏感且演化速度更快的優(yōu)點，將本文算法與原始DRLSE算法進(jìn)行試驗對比。試驗樣本選擇酸敗的碧根果核磁共振圖像A3-1，試驗效果如圖5所示，其中藍(lán)色線為初始輪廓曲線，紅線為最終分割結(jié)果。

圖5 改進(jìn)水平集分割圖Fig.5 Improved level set segmentation graphs

由圖5可知，原始DRLSE受面積項系數(shù)a的影響只能單向向內(nèi)收縮或向外膨脹，當(dāng)初始曲線與碧根果輪廓邊緣相交時便無法完成正常分割，只有初始輪廓曲線包圍目標(biāo)域才勉強(qiáng)完成分割，效果相比于本文模型方法較差。本文所提模型無論初始曲線在目標(biāo)內(nèi)部或外部甚至相交都能很好地完成分割，如圖5d所示。

2.1.2疑似酸敗域分割

在1.4節(jié)分析了碧根果圖像酸敗特性后，本文在分割出碧根果完整輪廓基礎(chǔ)上結(jié)合OTSU算法分割出疑似酸敗域，如圖6所示。

圖6 疑似酸敗域分割圖Fig.6 Suspected rancid domain segmentation graphs

由圖6可知，碧根果存在邊緣模糊的情況，OTSU算法無法正常分割，導(dǎo)致異或處理后出現(xiàn)了很多邊緣散點，如圖6c所示，因此本文結(jié)合形態(tài)學(xué)開操作，去除散點如圖6d所示。

為了證明提取“疑似酸敗域”的方法可行性，試驗樣本選擇之前的酸敗果A2-3、A3-3、A8-3和正常果B6-1、B16-3、B20-5，對200幅MRI圖像分析可知，提取其中面積占比較大的前4幅即可。倘若面積過小(像素點之和少于16)則舍去，試驗結(jié)果分別如圖7、8所示。

圖7 酸敗果處理示意圖Fig.7 Diagram of processing rancid pecan

圖8 正常果處理示意圖Fig.8 Diagram of processing normal pecan

2.2 碧根果酸敗識別

采用支持向量機(jī)[21]完成碧根果酸敗分類識別。分別提取出疑似酸敗域的灰度直方圖統(tǒng)計特征、灰度共生矩陣特征、Tamura特征和局部二值模式特征。將提取的特征數(shù)據(jù)作標(biāo)記0或1(0表示正常果，1表示酸敗果)，隨機(jī)選擇其中160個數(shù)據(jù)作為訓(xùn)練集，余下40個數(shù)據(jù)作為測試集，一共3組，每組計算20次獨(dú)立試驗下分類準(zhǔn)確率的平均值如表2所示。

由表2可知，Tamura特征分類準(zhǔn)確率最低，灰度直方圖統(tǒng)計特征較好，可達(dá)到88.53%，當(dāng)融合其他所有特征時，酸敗特征描述能力得到增強(qiáng)，高達(dá)96.15%。這也說明了本文提出的灰度直方圖統(tǒng)計特征在融合其他紋理特征后，能夠較好地滿足碧根果酸敗與否的檢測。

表2 不同特征下碧根果酸敗分類準(zhǔn)確率Tab.2 Accuracy of pecan rancidity classification under different characteristics %

2.3 碧根果酸敗程度判別

將碧根果酸敗程度劃分為4個等級：正常、輕度、中度、重度。試驗中碧根果酸敗的程度取決于酸敗特征面積占整個碧根果有效域面積的比值，面積比越大說明酸敗的程度越嚴(yán)重。在實際測量酸敗程度上，將碧根果的果仁取出，將具有酸敗的部分果仁(品嘗具有哈喇味，外表發(fā)黑、泛油，可聞到異臭味均視為酸敗)取出稱量，測出其所占整個碧根果的質(zhì)量比值并作為試驗參考值。在已判別是否酸敗的基礎(chǔ)上，根據(jù)標(biāo)簽找出該碧根果的5幅切片圖像，測出其酸敗的面積，整個碧根果酸敗程度的計算公式為

(25)

式中Pi——單個碧根果中第i幅切片圖像被判別為酸敗果的酸敗特征面積占碧根果完整輪廓面積百分比；若其被判別為正常果，則Pi=0

根據(jù)式(25)，將酸敗面積比大于0且小于等于30%視為輕度酸敗；大于30%且小于等于50%視為中度酸敗，大于50%視為重度。經(jīng)過3次分類并測量酸敗面積比所得結(jié)果的識別率如表3所示。

表3 碧根果酸敗程度識別率Tab.3 Recognition rate of pecan rancidity degree %

由表3可知，正常和重度酸敗果的識別率很高，這是因為“是否酸敗”檢測準(zhǔn)確率高達(dá)96.15%，所以這個前提下再判別酸敗程度會更準(zhǔn)確。而輕度酸敗的識別率相對低一些，主要由于疑似酸敗域分割產(chǎn)生的偏差以及正常果被判別為酸敗果時，酸敗面積比偏高，識別率稍微降低。中度酸敗識別率為89.47%，也存在此情況但稍高于輕度酸敗果，主要因為存在酸敗果的切片較正常果多。酸敗程度的總體識別率平均值為90.81%。

3 結(jié)論

(1)基于核磁共振成像技術(shù)采集碧根果T2加權(quán)的圖像，通過對比酸敗、正常區(qū)塊比灰度直方圖，可直觀地發(fā)現(xiàn)，碧根果酸敗域和正常域的灰度存在明顯差異。

(2)采用改進(jìn)邊緣指示函數(shù)的自適應(yīng)DRLSE算法，結(jié)合OTSU算法和形態(tài)學(xué)方法，提取碧根果疑似酸敗域。融合灰度直方圖統(tǒng)計特征、GLCM、Tamura和LBP特征判別碧根果是否酸敗。試驗結(jié)果表明，融合后的多特征在酸敗特性上描述能力強(qiáng)于單一特征，準(zhǔn)確率高達(dá)96.15%。在此基礎(chǔ)上，通過被判別為酸敗果的疑似酸敗域面積占比粗略計算碧根果酸敗程度，碧根果酸敗程度的總體識別率平均值為90.81%。

(3)本文方法能夠自適應(yīng)地分割出碧根果疑似酸敗域，并建立了多特征融合描述子，提高了分類識別率，試驗效果較好，為堅果類的內(nèi)部品質(zhì)無損檢測提供了新思路。