蟲蛀麥粒的太赫茲成像檢測(cè)方法分析案例目錄TOC\o"1-3"\h\u2069蟲蛀麥粒的太赫茲成像檢測(cè)方法分析案例 1220681??實(shí)驗(yàn)設(shè)備與材料 143382??分析方法 1235743??實(shí)驗(yàn)結(jié)果分析 31??實(shí)驗(yàn)設(shè)備與材料該實(shí)驗(yàn)設(shè)備Z3型THz-TDS系統(tǒng)來(lái)源于美國(guó)ZOmega公司。Z3系統(tǒng)的太赫茲成像通過(guò)發(fā)射模式獲得。THz成像系統(tǒng)的脈沖飛秒鈦藍(lán)寶石激光器脈沖寬度和中心波長(zhǎng)是100fs和800nm。在實(shí)驗(yàn)過(guò)程中系統(tǒng)的信噪比是1000，分辨率是40GHz。成像方式是將樣品固定在二維驅(qū)動(dòng)平臺(tái)上，與進(jìn)入的太赫茲波束垂直。為了獲取更多有效的信息，室內(nèi)溫度保持恒定，濕度與實(shí)際應(yīng)用保持一致。樣品掃描過(guò)程是將不同損害程度的麥粒放在掃描區(qū)域?yàn)?0mm*50mm的太赫茲成像系統(tǒng)的移動(dòng)平臺(tái)上，以0.05s的速率進(jìn)行點(diǎn)對(duì)點(diǎn)的掃描。通過(guò)掃描獲得的圖像是一個(gè)包含空間信息、光譜信息的三維圖像。一個(gè)包含512個(gè)時(shí)域點(diǎn)、覆蓋30ps時(shí)間范圍的完整太赫茲波形，頻率范圍在0~3.5THz。使用MATLAB和Origin8.5分析軟件對(duì)獲得的太赫茲圖像和光譜信息進(jìn)行特征提取，并構(gòu)建用于識(shí)別麥粒內(nèi)部狀態(tài)的模型。2??分析方法1.?Otsu法獲取最佳分割閾值為了實(shí)現(xiàn)對(duì)圖像特征的有效提取，在本次實(shí)驗(yàn)中采用了閾值法進(jìn)行目標(biāo)區(qū)域分割。閾值法是目前應(yīng)用最為廣泛的圖像分割法之一，其工作原理是根據(jù)選定的灰度閾值把圖像分割成不同的區(qū)域。而對(duì)于閾值的選擇，可以有多種方法，其中最大類間方差法是目前應(yīng)用最多的閾值分割方法。最大類間方差法是以目標(biāo)區(qū)域與背景區(qū)域之間的方差的最大值作為分割準(zhǔn)則。獲取最佳閾值的處理過(guò)程如下：設(shè)灰度圖灰度級(jí)個(gè)數(shù)為L(zhǎng)，ni為灰度值為i的像素點(diǎn)的數(shù)目，則總像素?cái)?shù)為：N=I=0像素點(diǎn)的灰度值為i的概率為：pi設(shè)Th為分割閾值，它將圖像分割成R1和R2兩個(gè)區(qū)域，則P1而R2出現(xiàn)的概率為：P區(qū)域R1和Ravav整個(gè)圖像的灰度均值為：av=I=0區(qū)域R1和R2的類間方差d(Th)=P將上式帶入可得d(Th)=P????最佳閾值Thopt即為d(Th通過(guò)時(shí)間軸上的點(diǎn)對(duì)應(yīng)的幅度的平均值進(jìn)行成像和峰值成像是時(shí)域光譜成像常用的兩種成像方法。但不論采用哪種成像方式，得到的幅度信息都是一個(gè)用4字節(jié)表示的浮點(diǎn)數(shù)。需要進(jìn)一步把浮點(diǎn)數(shù)轉(zhuǎn)換成灰度值。而在Z3系統(tǒng)中自帶成像軟件，可以將4字節(jié)的浮點(diǎn)數(shù)轉(zhuǎn)換成256個(gè)灰度級(jí)，呈現(xiàn)出一個(gè)只有256個(gè)灰度值的灰度圖。在原始數(shù)據(jù)中，每個(gè)像素值由一個(gè)4字節(jié)的浮點(diǎn)數(shù)表示，因此在對(duì)圖像進(jìn)行分割的時(shí)，我們可以看作是對(duì)一個(gè)灰度級(jí)很大的圖像進(jìn)行分割。利用最大類間方差法進(jìn)行閾值的求解是在整個(gè)灰度級(jí)的取值范圍內(nèi)進(jìn)行線性求解，雖然利用這種方法具有計(jì)算簡(jiǎn)單，不受圖像亮度和對(duì)比度的影響，但是對(duì)圖像噪聲敏感，只能針對(duì)單一目標(biāo)分割。而遺傳算法（GA）不僅能夠以非線性的方式快速求解最優(yōu)解，而且具有全局尋優(yōu)的能力。因此可以將GA算法引入最大類間方差進(jìn)行最優(yōu)閾值的查找。有助于提高圖像目標(biāo)區(qū)域分割的效率。2?.結(jié)合GA算法的最佳閾值獲取遺傳算法是通過(guò)概率的方式進(jìn)行選擇、交叉、變異。在多次迭代的子代種群中選擇優(yōu)良的個(gè)體,能夠有效地尋找全局最優(yōu)解。在本次研究中，以類間方差作為適應(yīng)度函數(shù)，適應(yīng)度函數(shù)對(duì)遺傳算法的收斂性和收斂速度的影響比較大。但是在利用遺傳算法搜索最佳閾值時(shí)易產(chǎn)生“早熟”的現(xiàn)象，因此為了避免“早熟”現(xiàn)象對(duì)整個(gè)群體的影響，在本次研究中提出了利用目標(biāo)函數(shù)梯度對(duì)遺傳算法進(jìn)行改進(jìn)。考慮如下連續(xù)函數(shù)的無(wú)約束極小化問(wèn)題：minff(x)的適應(yīng)度函數(shù)可取式.如果需要,還要選取相應(yīng)的適應(yīng)值標(biāo)定方式,引進(jìn)適應(yīng)數(shù)是為了衡量遺傳種群個(gè)體的優(yōu)劣程序。對(duì)連續(xù)函數(shù)求極小問(wèn)題而言,充分考慮目標(biāo)函數(shù)的變化率,對(duì)可微函數(shù)而言就是利用適應(yīng)度,提出選用如下的適應(yīng)度函數(shù):fit?f(x)為目標(biāo)函數(shù)f(x)在點(diǎn)x的梯度，?fmin和?f?fmax為了實(shí)現(xiàn)上述算法，只需在一般的二進(jìn)制數(shù)編碼的遺傳算法中，在計(jì)算應(yīng)適度函數(shù)值時(shí)加如下步驟：1）計(jì)算群體中fitmin,fitmax,?fmin和?fmax；2)對(duì)所有染色體vk,k=1,2,?,ps，計(jì)算函數(shù)f(vk)借鑒上述適應(yīng)度函數(shù)調(diào)整的方法，適當(dāng)調(diào)整權(quán)值λ，就可以構(gòu)造出即考慮函數(shù)值又充分考慮了函數(shù)值變換率的適應(yīng)度函數(shù)。3??實(shí)驗(yàn)結(jié)果分析利用上述方法對(duì)兩幅小麥太赫茲圖像（如圖32所示）進(jìn)行分割，其相關(guān)參數(shù)如表11所示：???????圖32??小麥粒的太赫茲圖像Fig.32??Terahertz?image?of?wheat?grain表11??遺傳算法參數(shù)設(shè)置值Table?11??Parameter?settings?of?genetic?algorithm基于上述參數(shù)設(shè)置，利用遺傳算法通過(guò)尋優(yōu)計(jì)算得到基于最大類間方差的閾值分割結(jié)果如圖33所示，其最佳適應(yīng)度值計(jì)劃曲線和每一代的最佳閾值進(jìn)化曲線分別如圖34所示。???????圖33??基于最大類間方差的閾值分割結(jié)果Fig.33??Threshold?segmentation?results?based?on?maximum?inter?class?variance????（a:?最佳適應(yīng)度值進(jìn)化曲線；b:?每一代的最佳閾值進(jìn)化曲線）圖34??進(jìn)化曲線Fig.34??Evolutionary?curve如果采用人工閾值法對(duì)上述圖像進(jìn)行分割處理，結(jié)果如圖35所示。由于閾值是圖像分割效果的關(guān)鍵，當(dāng)分割閾值Th=112時(shí)，一些不屬于目標(biāo)區(qū)域的地方被劃分成了目標(biāo)區(qū)域，使得劃分出的目標(biāo)區(qū)域比實(shí)際區(qū)域要大，當(dāng)分割閾值Th=213時(shí)，對(duì)目標(biāo)區(qū)域產(chǎn)生了過(guò)劃分，使得劃分出的目標(biāo)區(qū)域比實(shí)際區(qū)域要小。為了尋找最佳的分割閾值，需要針對(duì)每一閾值進(jìn)行最大類間方差計(jì)算，這在圖像像素較多、圖像灰度級(jí)較大的情況下，算法效率低，而且難以保證分割性能。本研究基于改進(jìn)遺傳算法通過(guò)對(duì)最佳閾值進(jìn)行尋優(yōu)，提高了計(jì)算最佳閾值的算法效率，取得了較好分割效果，也為后續(xù)的識(shí)別和處理工作提供了有力的支持。????(a)?Th=112????(b)?Th=168????(c)?Th=213圖35??基于人工閾值法的分割效果Fig.35??Segmentation?effect?based?on?artificial?threshold?method為了進(jìn)一步驗(yàn)證本研究算法的分割性能，我們從算法的執(zhí)行時(shí)間和算法對(duì)目標(biāo)區(qū)域分割的定量識(shí)別兩個(gè)方面與常規(guī)的人工閾值分割方法做了對(duì)比。表12是算法執(zhí)行時(shí)間的對(duì)比結(jié)果。表12??算法執(zhí)行時(shí)間對(duì)比(單位：秒)Table?12??Algorithm?execution?time?comparison?(unit:?seconds)（注：運(yùn)行平臺(tái)為：Intel?Pentium?CPU?G3240?@3.10GHz/2G/Windows?7）由表7可知，基于常規(guī)GA的Otsu算法，獲取最佳閾值的時(shí)間是2.3211秒，是三種算法中運(yùn)行速度最快的，其次是本研究改進(jìn)GA的Otsu算法，獲取最佳閾值時(shí)間是2.3420秒，比基于常規(guī)GA的Otsu算法稍慢一些，而常規(guī)Otsu算法獲取最佳閾值的時(shí)間最長(zhǎng)，為4.7942秒，幾乎達(dá)到了本研究算法2倍以上。采用鏈碼方法對(duì)三種算法分割的目標(biāo)區(qū)域進(jìn)行了定量識(shí)別?；舅枷胧怯靡恍┦孜幌噙B的具有一定方向和長(zhǎng)度的線段來(lái)表示區(qū)域的邊界，本研究采用8鄰域鏈碼(FC8)，用起始點(diǎn)的坐標(biāo)和8鄰域鏈碼值來(lái)表示圖像中分割出的目標(biāo)區(qū)域的位置和形狀。用邊界內(nèi)像素點(diǎn)的數(shù)目表示目標(biāo)區(qū)域的面積。通過(guò)用鏈碼方法計(jì)算三種算法分割出的目標(biāo)區(qū)域的面積與目標(biāo)區(qū)域的實(shí)際面積進(jìn)行對(duì)比，評(píng)判算法對(duì)目標(biāo)區(qū)域的定量分析性能。三種算法對(duì)圖像中目標(biāo)區(qū)域的定量識(shí)別結(jié)果如表13和表14所示。表13??定量識(shí)別結(jié)果Table?13??Quantitative?identification?results表14??定量識(shí)別結(jié)果Table?14??Quantitative?identification?results由表13可以看出，使用基于改進(jìn)GA的Otsu算法和基于常規(guī)GA的Otsu算法，與使用常規(guī)Otsu算法，都取得了較好的定量識(shí)別效果，基于改進(jìn)GA的Otsu算法，其分割精度要稍高于基于常規(guī)GA是Otsu算法，且兩者的分割精度均高于常規(guī)Otsu方法。從識(shí)別目標(biāo)區(qū)域的個(gè)數(shù)來(lái)看，如表14所示，基于改進(jìn)GA的Otsu算法，識(shí)別出的目標(biāo)區(qū)域個(gè)數(shù)與實(shí)際個(gè)數(shù)完全相符，識(shí)別率達(dá)到100%，基于常規(guī)GA的Otsu算法有一個(gè)識(shí)別錯(cuò)誤的目標(biāo)區(qū)域，表明本研究的基于GA的Otsu算法不僅在識(shí)別時(shí)間和識(shí)別精度上優(yōu)于常規(guī)Ots