高光譜成像技術(shù)及其在稻谷霉變檢測(cè)中的研究進(jìn)展

董震 闞君滿(mǎn) 楊思成 畢文雅 王玉鐸

摘要：高光譜成像技術(shù)將機(jī)器視覺(jué)和光譜技術(shù)的主要特征組合到一起，可同時(shí)獲取被檢測(cè)對(duì)象的光譜和空間信息，在食品霉變快速無(wú)損檢測(cè)等方面研究廣泛。文章綜述和分析了高光譜成像技術(shù)及其在稻谷霉變檢測(cè)中的研究進(jìn)展，介紹了高光譜成像技術(shù)的基本原理及數(shù)據(jù)處理方法，包括圖像采集、校準(zhǔn)、空間和光譜預(yù)處理、降維以及分類(lèi)和預(yù)測(cè)等；分析了高光譜成像技術(shù)在稻谷霉變程度檢測(cè)和稻谷常見(jiàn)真菌種類(lèi)鑒別中的應(yīng)用現(xiàn)狀。對(duì)高光譜成像技術(shù)在稻谷霉變檢測(cè)應(yīng)用中的研究進(jìn)行了展望，提出未來(lái)還應(yīng)在優(yōu)化高光譜成像系統(tǒng)配置、改良高光譜的分類(lèi)識(shí)別方法、挖掘高光圖圖像的空間信息、開(kāi)發(fā)便攜式高光譜檢測(cè)設(shè)備等方面開(kāi)展研究工作。

關(guān)鍵詞：高光譜成像；稻谷；霉變

中圖分類(lèi)號(hào)：O657.3；TS210.7 文獻(xiàn)標(biāo)志碼：A DOI：10.16465/j.gste.cn431252ts.20230317

基金項(xiàng)目：吉林省教育廳科學(xué)技術(shù)研究項(xiàng)目（JJKH20210212KJ，JJKH20210209KJ）；吉林工商學(xué)院科學(xué)技術(shù)研究項(xiàng)目（K[2021]第005號(hào)）。

Research progress on hyperspectral imaging technology in detection of moldy rice

Dong Zhen1， Kan Junman1， Yang Sicheng2， Bi Wenya3， Wang Yuduo1

（ 1. Jilin Business and Technology College， Changchun， Jilin 130507； 2. Huanggang Public Inspection and Testing Center， Huanggang， Hubei 438299； 3. Northeast Institute of Geography and Agroecology， Chinese Academy of Sciences， Changchun， Jilin 130102 ）

Abstract： Hyperspectral imaging technology combined the main features of machine vision and spectral technology， which can simultaneously obtain the spectral and spatial information of the detected object， and has been widely studied in the rapid non-destructive detection of mould in foodstuffs and so on. The hyperspectral imaging technology and its research progress in rice mildew detection are reviewed and analyzed. The fundamental and data processing methods of hyperspectral imaging technology were mainly introduced， including image acquisition， calibration， spatial and spectral preprocessing， dimension reduction， classification and prediction； and analyzed the application of hyperspectral imaging technology in the detection of rice mildew degree and identification of common rice fungi. The research on the application of hyperspectral imaging technology in the detection of rice mildew was prospected， and it was proposed that research work should be carried out in optimizing the configuration of hyperspectral imaging system， improving the classification and recognition methods of hyperspectral images， mining the spatial information of hyperspectral images and developing portable hyperspectral detection equipment in the future.

Key words： hyperspectral imaging， rice， mildew

我國(guó)是稻谷生產(chǎn)大國(guó)，稻谷年產(chǎn)量約占全國(guó)糧食總量的31%[1]。稻谷霉變會(huì)造成其重量和質(zhì)量的損失，產(chǎn)生的霉菌毒素還會(huì)引起人類(lèi)食源性疾病，直接關(guān)系到人體健康[2-3]。因此，開(kāi)展稻谷霉變檢測(cè)技術(shù)尤其是快速無(wú)損檢測(cè)技術(shù)的研究，對(duì)于保障稻谷儲(chǔ)藏的質(zhì)量與安全具有重要意義。

目前，稻谷霉變快速檢測(cè)技術(shù)的研究主要集中在電子鼻技術(shù)、機(jī)器視覺(jué)技術(shù)、光譜技術(shù)等方面[4]。電子鼻是用于檢測(cè)揮發(fā)性化學(xué)成分的儀器。電子鼻技術(shù)以稻谷霉變產(chǎn)生的氣味物質(zhì)所表現(xiàn)的特性作為檢測(cè)指標(biāo)，建立電子鼻信號(hào)與霉菌毒素水平的關(guān)系模型，從而獲得稻谷霉變情況[5]。該技術(shù)目前主要存在靈敏度不夠、抗干擾性差等問(wèn)題。機(jī)器視覺(jué)技術(shù)是針對(duì)霉變稻谷顆粒表面產(chǎn)生的褐變、發(fā)黑等顏色以及形態(tài)特征，對(duì)獲取的霉變稻谷圖像進(jìn)行處理，建立紋理、顏色、亮度等信息轉(zhuǎn)化成的數(shù)字化信號(hào)與稻谷霉變水平的關(guān)系模型[6]。機(jī)器視覺(jué)的方法可以很好地表征稻谷外部霉變特征，但無(wú)法檢測(cè)霉變的化學(xué)成分及其含量。光譜技術(shù)可以檢測(cè)稻谷的化學(xué)成分和結(jié)構(gòu)特征，是用于稻谷快速無(wú)損檢測(cè)的技術(shù)之一[7-8]。對(duì)霉變樣品的光譜信息進(jìn)行建模分析，可實(shí)現(xiàn)對(duì)稻谷霉變的快速無(wú)損檢測(cè)，但由于不能獲得被測(cè)對(duì)象的物理圖像信息，因此無(wú)法體現(xiàn)霉變的空間分布情況。

高光譜成像（hyperspectral imaging，HSI）技術(shù)將機(jī)器視覺(jué)和光譜技術(shù)的主要特征組合到單一平臺(tái)中，在保留機(jī)器視覺(jué)和光譜技術(shù)各自的優(yōu)點(diǎn)的同時(shí)，彌補(bǔ)了各自的缺點(diǎn)，即可同時(shí)獲取被檢測(cè)對(duì)象的光譜和空間信息[9]。隨著化學(xué)計(jì)量學(xué)的發(fā)展，高光譜成像技術(shù)在稻谷霉變檢測(cè)中已有了一定的應(yīng)用研究。本文就高光譜成像技術(shù)及其在稻谷霉變檢測(cè)中的研究作綜述和分析，并對(duì)高光譜成像技術(shù)在稻谷霉變檢測(cè)應(yīng)用中的研究進(jìn)行展望。

1 高光譜成像技術(shù)的基本原理及數(shù)據(jù)處理方法

高光譜成像技術(shù)是光譜技術(shù)和機(jī)器視覺(jué)的結(jié)合，獲取的高光譜圖像在每個(gè)波長(zhǎng)下都有一張圖像，而且每個(gè)像素都有自己的光譜。其數(shù)據(jù)處理方法主要是利用計(jì)算機(jī)算法從可見(jiàn)光/近紅外（visible near-infrared，VNIR）或近紅外（near-infrared，NIR）高光譜圖像中提取、存儲(chǔ)和處理信息，并將其用于各種信息處理和數(shù)據(jù)挖掘任務(wù)，如分析、分類(lèi)、回歸、目標(biāo)檢測(cè)和模式識(shí)別等。典型的高光譜圖像處理流程包括：圖像采集、校準(zhǔn)、空間和光譜預(yù)處理、降維以及分類(lèi)和預(yù)測(cè)等[10]60-61。

1.1 圖像采集

高光譜成像系統(tǒng)通常在每個(gè)圖像像素處獲取幾百個(gè)離散波長(zhǎng)數(shù)據(jù)點(diǎn)，從而產(chǎn)生xyz坐標(biāo)的三維（3D）數(shù)據(jù)立方體，x、y軸反映圖像坐標(biāo)信息，z軸反映波段信息。通常采用色散光學(xué)元件（如衍射光柵、反射鏡和棱鏡）或電光濾波器（如液晶可調(diào)諧濾波器、聲光可調(diào)諧濾波器）來(lái)獲取完整的高光譜數(shù)據(jù)，產(chǎn)生的3D數(shù)據(jù)立方體通常以按波段順序存儲(chǔ)（BSQ）、按波段行交叉存儲(chǔ)（BIL）或按波段像元交叉存儲(chǔ)（BIP）的格式構(gòu)建[11]。這些數(shù)據(jù)可用ENVI軟件進(jìn)行進(jìn)一步處理。

1.2 校 準(zhǔn)

式中：Iwhite、Idark和Im分別為白色參考、暗電流和測(cè)量圖像；x和y為空間坐標(biāo)，像素；λ為波長(zhǎng)，nm；C（*）為在每個(gè)波長(zhǎng)處定義的乘法比例因子，其通常由制造商提供。

平場(chǎng)校正是指當(dāng)圖像包含一個(gè)具有相對(duì)平滑光譜曲線和表面平坦的均勻區(qū)域時(shí)，將每個(gè)圖像光譜除以平場(chǎng)平均光譜，使得其轉(zhuǎn)換為相對(duì)反射率[10]62-63。

1.3 空間和光譜預(yù)處理

空間預(yù)處理是增強(qiáng)或調(diào)整空間圖像信息的過(guò)程，任何用于濾波和增強(qiáng)的傳統(tǒng)圖像處理技術(shù)都可以在這里應(yīng)用[11]。如通過(guò)直方圖均值化或主成分分析法（PCA）移除壞點(diǎn)、背景信息和邊緣效應(yīng)，通過(guò)傅里葉變換（FT）提取出可用來(lái)對(duì)圖像區(qū)域中物體類(lèi)型進(jìn)行分類(lèi)的紋理特征，也可通過(guò)小波變換（WT）減少圖片噪聲和模糊邊緣。為了提高模型的穩(wěn)健性，消除高光譜數(shù)據(jù)中無(wú)用的信息和噪聲的影響，在建模之前，還需對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。

1.4 降 維

當(dāng)樣本量大小固定時(shí)，增加維數(shù)并不能提高分類(lèi)精度，這一現(xiàn)象被稱(chēng)為維數(shù)災(zāi)難或修斯（Hughes）現(xiàn)象。因此，通常的做法是減小高光譜數(shù)據(jù)的維數(shù)并在較低維空間中提取空間和光譜特征。從而從大量的數(shù)據(jù)信息中提取出反映樣品信息的關(guān)鍵信息，減小冗余數(shù)據(jù)干擾，提高計(jì)算效率。一般的特征提取方法包括主成分分析、偏最小二乘法（PLS）、獨(dú)立成分分析（ICA）、核PCA和空間圖像處理等[12]。

1.5 分類(lèi)和預(yù)測(cè)

針對(duì)不同的分析、分類(lèi)、檢測(cè)目標(biāo)，需要不同的數(shù)據(jù)挖掘方法對(duì)高光譜數(shù)據(jù)進(jìn)行處理，這些方法已經(jīng)在化學(xué)計(jì)量學(xué)中有了廣泛應(yīng)用。高光譜圖像數(shù)據(jù)分類(lèi)和預(yù)測(cè)中最常用的數(shù)據(jù)分析技術(shù)主要包括：支持向量機(jī)（SVM）、主成分分析、模糊聚類(lèi)、偏最小二乘法、人工神經(jīng)網(wǎng)絡(luò)等。

2 高光譜成像技術(shù)在稻谷霉變檢測(cè)中的應(yīng)用

2.1 稻谷霉變程度檢測(cè)

劉紀(jì)偉等[13]采用可見(jiàn)/近紅外高光譜成像技術(shù)，利用偏最小二乘回歸算法，構(gòu)建了稻谷儲(chǔ)藏過(guò)程中幾種典型霉菌污染的檢測(cè)方法。黃曲霉、黑曲霉與雜色曲霉含量預(yù)測(cè)模型的相關(guān)系數(shù)分別為0.77、0.76、0.81，均方根誤差分別為1.15、1.19、0.95 lg（CFU/g）。鄭立章等[14]利用高光譜技術(shù)采集200份霉變樣本可見(jiàn)/近紅外光譜信息，建立多種模型，并提取特征波長(zhǎng)，優(yōu)化最佳模型的構(gòu)建速度。主成分線性判別分析（PCA-LDA）、簇類(lèi)獨(dú)立軟模式法（SIMCA）和SPA-SIMCA對(duì)樣本的識(shí)別正確率為92.50%、97.00%、99.00%。龔中良等[15]利用高光譜技術(shù)采集4類(lèi)不同霉變程度的秈稻樣本的光譜數(shù)據(jù)，通過(guò)提取特征波長(zhǎng)，采用偏最小二乘法回歸判別分析（PLS-DA）建立鑒別模型。RAW-CARS-PLS-DA模型的預(yù)測(cè)效果最好，對(duì)霉變秈稻樣本的分類(lèi)準(zhǔn)確率為93.33%。

與以上研究方法不同，文韜等[16]以脂肪酸含量作為表征稻谷霉變信息的重要指標(biāo)，利用高光譜成像技術(shù)結(jié)合理化試驗(yàn)方法，測(cè)定不同霉變時(shí)期的稻谷樣本相應(yīng)的光譜信息和脂肪酸含量，對(duì)比分析不同方法獲得模型的預(yù)測(cè)效果。采用以SG-SPAMLR方法構(gòu)建的模型預(yù)測(cè)時(shí)，其外部驗(yàn)證的相關(guān)系數(shù)和均方根誤差分別為0.936 6、12.355 0 mg/100 g，模型對(duì)不同霉變時(shí)期的稻谷脂肪酸含量均具有較強(qiáng)的預(yù)測(cè)能力。

上述研究通過(guò)采集稻谷樣本的光譜信息，結(jié)合多種算法，如偏最小二乘回歸算法、主成分線性判別分析、簇類(lèi)獨(dú)立軟模式法、偏最小二乘法回歸判別分析等，建立了預(yù)測(cè)稻谷中不同霉菌污染程度的模型。這些模型的預(yù)測(cè)效果較好，具有較強(qiáng)的分類(lèi)和預(yù)測(cè)能力。其中一項(xiàng)研究以脂肪酸含量作為表征稻谷霉變信息的重要指標(biāo)，結(jié)合高光譜成像技術(shù)和理化試驗(yàn)方法，獲得了具有較高預(yù)測(cè)能力的模型。這些研究為稻谷霉變檢測(cè)提供了一種快速、非破壞性、可靠的方法，具有廣泛的應(yīng)用前景。

2.2 稻谷常見(jiàn)真菌種類(lèi)鑒別

肖慧等[17]采用高光譜成像技術(shù)，利用主成分分析結(jié)合偏最小二乘法判別分析（PLS-DA）方法，在馬鈴薯葡萄糖瓊脂板上鑒別了5種稻谷貯藏常見(jiàn)真菌。訓(xùn)練集和測(cè)試集中，PLS-DA模型對(duì)培養(yǎng)48 h的黑曲霉、米曲霉、構(gòu)巢曲霉、桔青霉4種真菌及對(duì)照組的區(qū)分準(zhǔn)確率為100%；而對(duì)雜色曲霉，訓(xùn)練集和測(cè)試集區(qū)分的準(zhǔn)確率分別為100%和33.33%。褚璇[18]選擇谷物中常見(jiàn)的5種霉菌，跟蹤每種菌落群在培養(yǎng)基上的生長(zhǎng)過(guò)程，利用高光譜成像技術(shù)，獲取了每種霉菌及其混合菌的高光譜圖像，結(jié)合圖譜分析、理化分析等方法，提取了每種菌落的生長(zhǎng)發(fā)育光學(xué)特征，并建立了霉變玉米霉菌種類(lèi)的高光譜成像判別模型。

上述研究都成功建立了高光譜成像判別模型，并實(shí)現(xiàn)了對(duì)不同真菌或霉菌種類(lèi)的精準(zhǔn)區(qū)分。值得注意的是，褚璇的研究還利用了圖譜分析、理化分析等方法，提取了每種菌落的生長(zhǎng)發(fā)育光學(xué)特征，這表明在高光譜成像技術(shù)的基礎(chǔ)上，結(jié)合多種手段進(jìn)行分析能夠更全面地了解樣品的特征和變化。

3 討論和展望

綜上所述，高光譜成像技術(shù)在霉變稻谷的快速無(wú)損檢測(cè)方面具有一定的應(yīng)用前景。但和其它農(nóng)產(chǎn)品相比，該領(lǐng)域的研究較少，且大都處于實(shí)驗(yàn)階段，未來(lái)還應(yīng)在以下幾個(gè)方面開(kāi)展相關(guān)研究工作。

（1）優(yōu)化高光譜成像系統(tǒng)的配置?，F(xiàn)階段高光譜相機(jī)的波段已拓展到400～2 500 nm，集成了400～1 000、900～1 700、1 000～2 500 nm高光譜相機(jī)，基本能夠滿(mǎn)足實(shí)驗(yàn)分析的波段要求。然而作為整個(gè)成像系統(tǒng)的核心部分，相機(jī)鏡頭的功能還有很大的改良空間。為了更好地體現(xiàn)高光譜“圖譜合一”的優(yōu)勢(shì)，更有效地利用圖像信息，一方面需要提高相機(jī)鏡頭的分辨率，另一方面可結(jié)合顯微成像等技術(shù)，開(kāi)發(fā)具有不同觀測(cè)功能的相機(jī)。

（2）改良高光譜的分類(lèi)識(shí)別方法。當(dāng)前基于光譜特征的霉變稻谷識(shí)別研究，主要通過(guò)分析稻谷霉變信息的光譜特征，探究適用于霉變稻谷識(shí)別的特征波長(zhǎng)提取算法并構(gòu)建霉變稻谷識(shí)別模型。隨著卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)分類(lèi)方法的發(fā)展，眾多網(wǎng)絡(luò)模型已被廣泛應(yīng)用于各個(gè)領(lǐng)域。識(shí)別模型可以很好地表征原始輸入數(shù)據(jù)與目標(biāo)之間復(fù)雜的映射關(guān)系，在高光譜圖像的分類(lèi)和預(yù)測(cè)方面有很好的應(yīng)用前景[19]。然而高光譜圖像存在數(shù)據(jù)處理量大、運(yùn)算速度低的問(wèn)題，需要在特征提取和建模方法上持續(xù)優(yōu)化，探尋快速、精準(zhǔn)的稻谷霉變識(shí)別模型。

（3）挖掘高光圖圖像的空間信息。目前高光譜霉變稻谷識(shí)別方面多以光譜信息為主，忽略了空間域中可用的信息，在霉變像元分類(lèi)識(shí)別過(guò)程中對(duì)空間信息的利用相對(duì)較少。因此，還應(yīng)加強(qiáng)融合空間-光譜信息的霉變稻谷高光譜圖像識(shí)別研究[20]。具體的，可以通過(guò)在特征向量中包含空間信息來(lái)擴(kuò)展現(xiàn)有的聚類(lèi)方法[21-22]、連續(xù)地考慮光譜和空間域等方式將空間信息納入模型開(kāi)發(fā)。

（4）開(kāi)發(fā)便攜式高光譜檢測(cè)設(shè)備。高光譜在糧食霉變的定量檢測(cè)上已有研究，袁瑩等[23]利用高光譜成像技術(shù)，實(shí)現(xiàn)了玉米表面不同濃度黃曲霉毒素的識(shí)別，高光譜成像技術(shù)在糧食質(zhì)量安全監(jiān)測(cè)中可以發(fā)揮重要作用。然而高光譜對(duì)農(nóng)產(chǎn)品的檢測(cè)工作主要在實(shí)驗(yàn)室開(kāi)展，難以滿(mǎn)足田間檢測(cè)的需求。配備適合野外工作的三角支架、旋轉(zhuǎn)的位移臺(tái)、特種移動(dòng)電源，可開(kāi)發(fā)出便攜式的檢測(cè)設(shè)備，使得現(xiàn)場(chǎng)工作不受困擾。

參 考 文 獻(xiàn)

[1] 李建平，李俊杰，李文娟，等.“十四五”期間我國(guó)水稻增產(chǎn)潛力與實(shí)現(xiàn)路徑[J].農(nóng)業(yè)經(jīng)濟(jì)問(wèn)題，2021（7）：25-37.

[2] 李娜，周紅麗，周濤，等.稻谷中霉菌的危害及其毒素檢測(cè)與防控研究進(jìn)展[J].糧食與油脂，2020，33（5）：7-9.

[3] CONG S L， SUN J， MAO H P， et al. Non-destructive detection for mold colonies in rice based on hyperspectra and GWO-SVR[J]. J Sci Food Agric， 2018， 98（4）： 1453-1459.

[4] 楊思成，曹陽(yáng)，趙會(huì)義，等.糧食霉變及其快速檢測(cè)技術(shù)研究進(jìn)展[J].糧食與油脂，2018，31（7）：21-23.

[5] 萬(wàn)忠民，張崇彬，鄧銘杰，等.基于電子鼻和GC-MS對(duì)優(yōu)質(zhì)稻谷揮發(fā)性成分差異性分析[J].中國(guó)糧油學(xué)報(bào)，2022，37（8）：261-271.

[6] 石穎.玉米種粒霉變及霉變程度視覺(jué)檢測(cè)方法研究[D].揚(yáng)州：揚(yáng)州大學(xué)，2021：38.

[7] 溫馮睿，關(guān)海鷗，馬曉丹，等.近紅外光譜圖像處理的霉變稻谷檢測(cè)方法[J].光譜學(xué)與光譜分析，2022，42（2）：428-433.

[8] ELMASRY G， SUN D. CHAPTER 1 - principles of hyperspectral imaging technology[M]// SUN D. Hyperspectral Imaging for Food Quality Analysis and Control. San Diego： Academic Press， 2010： 3-43.

[9] 吳永清，李明，張波，等.高光譜成像技術(shù)在谷物品質(zhì)檢測(cè)中的應(yīng)用進(jìn)展[J].中國(guó)糧油學(xué)報(bào)，2021，36（5）：165-173.

[10] 帕克，盧仁富.食品和農(nóng)業(yè)中的高光譜成像技術(shù)[M].王偉，譯.北京：科學(xué)出版社，2020.

[11] 王海軍.深度卷積神經(jīng)網(wǎng)絡(luò)在遙感影像分類(lèi)的應(yīng)用研究[D].北京：中國(guó)地質(zhì)大學(xué)（北京），2018：15.

[12] 劉燕德，鄧清.高光譜成像技術(shù)在水果無(wú)損檢測(cè)中的應(yīng)用[J].農(nóng)機(jī)化研究，2015，37（7）：227-231+235.

[13] 劉紀(jì)偉，張婉婷，丁焱薇，等.基于高光譜成像技術(shù)的稻谷中霉菌定量檢測(cè)及模型建立[J].糧食科技與經(jīng)濟(jì)，2021，46（5）：82-88.

[14] 鄭立章，龔中良，文韜，等.基于高光譜技術(shù)的秈稻霉變程度鑒別模型構(gòu)建與優(yōu)化[J].中國(guó)糧油學(xué)報(bào)，2017，32（11）：151-157.

[15] 龔中良，鄭立章，文韜，等.基于高光譜技術(shù)的不同霉變程度秈稻快速鑒別[J].中國(guó)糧油學(xué)報(bào)，2017，32（8）：123-130.

[16] 文韜，洪添勝，李立君，等.基于高光譜技術(shù)的霉變稻谷脂肪酸含量無(wú)損檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（18）：233-239.

[17] 肖慧，王振杰，孫曄，等.高光譜圖像法對(duì)稻谷貯藏中五種常見(jiàn)真菌生長(zhǎng)擬合及區(qū)分[J].食品工業(yè)科技，2016，37（13）：276-281.

[18] 褚璇.谷物霉菌的高光譜成像辨識(shí)方法和霉變玉米籽粒檢測(cè)方法研究[D].北京：中國(guó)農(nóng)業(yè)大學(xué)，2018：31-56.

[19] 亓?xí)酝?，崔希民，蔣金豹，等.一種基于深度學(xué)習(xí)算法的近紅外高光譜圖像識(shí)別霉變花生的方法：CN113420614[P].2021-09-21.

[20] 亓?xí)酝?霉變花生高光譜圖像識(shí)別方法研究[D].北京：中國(guó)礦業(yè)大學(xué)（北京），2020：119-120.

[21] CAMPS-VALLS G， GOMEZ-CHOVA L， MUNOZ-MARI J， et al. Composite kernels for hyperspectral image classification[J]. IEEE Geoscience and Remote Sensing Letters， 2006， 3（1）：93-97.

[22] NOORDAM J C， VAN DEN BROEK W H A M， BUYDENS L M C. Multivariate image segmentation with cluster size insensitive Fuzzy C-means[J]. Chemometrics and Intelligent Laboratory Systems， 2002， 64（1）： 65-78.

[23] 袁瑩，王偉，褚璇，等.基于高光譜成像技術(shù)和因子判別分析的玉米黃曲霉毒素檢測(cè)研究[J].中國(guó)糧油學(xué)報(bào)，2014，29（12）：107-110+118.