作者及机构
本研究的通讯作者为J. Gómez-Sanchis，来自西班牙瓦伦西亚农业研究所（Instituto Valenciano de Investigaciones Agrarias, IVIA）的农业工程中心（Centro de Agroingeniería）。合作作者包括E. Moltó（IVIA）、G. Camps-Valls和L. Gómez-Chova（瓦伦西亚大学数字信号处理组）、N. Aleixos（瓦伦西亚理工大学图形工程系）以及J. Blasco（IVIA）。研究发表于《Journal of Food Engineering》2008年第85卷（191-200页）。
学术背景
研究领域：本研究属于农业工程与计算机视觉交叉领域，聚焦高光谱成像（hyperspectral imaging）技术在球形农产品（如柑橘）表面缺陷检测中的光照校正问题。
研究动机：
- 实际问题：球形物体（如柑橘）在成像时，由于曲率导致边缘区域反射光强度低于中心区域，这种非均匀光照会干扰表面缺陷的自动识别，甚至将健康果皮误判为损伤区域。
- 技术瓶颈：传统基于平面模型的校正方法（如白板校正）无法解决球形几何引起的光照差异；现有球形模型（如恒定曲率模型）过于刚性，难以适应生物样本的形态变异。
理论基础：
- Lambertian表面模型：假设物体表面为理想漫反射体，反射光强度仅与入射角相关，与观察方向无关。
- 数字高程模型（Digital Elevation Model, DEM）：通过三维建模量化物体表面几何特征，为光照校正提供参数。
研究目标：
开发一种结合白板校正与几何校正的两阶段方法，消除球形物体成像中的光照不均匀性，提升高光谱图像分析的准确性。
研究流程与方法
1. 实验系统搭建
- 高光谱成像系统：
- 核心设备：采用Photometrics CoolSnap ES单色相机（灵敏度至1100 nm）搭配可调液晶滤光片（LCTF，Varispec VIS07和NIR07），覆盖430–1020 nm波段，光谱分辨率10 nm。
- 照明设计：12盏35W卤素灯置于半球形漫射器内，提供可见光-近红外均匀照明。
- 样本准备：
- 选取40个柑橘（20个规则球形品种Clemenvilla，20个不规则品种Clemenules），每个果实旋转45°拍摄两次，共获取4720张单色图像。
2. 预处理：光源空间变异校正
- 白板校正：通过式(2)计算校正后图像( q{xy}(\lambda) )：
[ q{xy}(\lambda) = q{\text{ref}}(\lambda) \frac{r{xy}(\lambda) - r{\text{dark}}(\lambda)}{r{\text{white}}(\lambda) - r{\text{dark}}(\lambda)} ]
- ( r{\text{white}}(\lambda) )和( r_{\text{dark}}(\lambda) )分别为白板和暗场参考图像，消除光源空间不均匀性。
3. 光照模型构建
- Lambertian模型扩展：将总光照( I_t(\lambda) )分解为直接光( I_d(\lambda) )和漫射光( I_f(\lambda) )，引入参数( \alpha_d )（漫射光占比）：
[ I_t(\lambda) = I(\lambda) \left[ \alpha_d \cos(\phi) + (1-\alpha_d) \right] ]
- ( \alpha_d )通过果实边缘像素（仅接收漫射光）与整体平均光强的比值确定，实验测得平均值为0.5104。
4. 数字高程模型（DEM）开发
- 关键步骤：
- 果实分割：基于700 nm波段图像（高背景对比度）通过直方图阈值法生成掩膜。
- 几何参数估计：计算质心( P_g )和平均半径( hc )，对不规则品种引入扁平化因子( \beta )（式9）。
- 三维插值网络：沿16条子午线插值，构建椭球面模型（式10），通过双线性插值获得每个像素的高度( h{xy} )。
5. 几何校正因子计算
- 角度( \phi )求解：利用DEM坐标( (x,y,h_{xy}) )计算入射角（式12），最终校正因子( e_g )为：
[ e_g = \alpha_d \cos(\phi) + (1-\alphad) ]
- 图像校正：将预处理图像( q{xy}(\lambda) )除以( e_g )，得到均匀光照图像( q(\lambda) )。
主要结果
1. 光照均匀性提升
- 变异系数降低：校正后图像在500–1000 nm波段的像素变异系数显著减小（图8），例如Clemenules品种在760 nm的变异系数从0.18降至0.12。
- 光谱一致性：健康果皮四个区域的反射光谱在校正后重叠度提高（图11），类内标准差平均减少41%。
2. 旋转实验验证
- 线性回归分析：对比旋转前后同一区域的像素反射率，校正后回归斜率从0.342±0.019提升至0.951±0.019，截距趋近于零（图12），证明几何校正消除了位置依赖性。
3. 品种适应性
- 模型鲁棒性：DEM对不规则形状（Clemenules）的校正效果与规则品种（Clemenvilla）相当，( e_g )均值分别为0.8241和0.7913（表1），差异源于几何参数调整。
结论与价值
科学价值：
- 提出首个结合Lambertian模型与DEM的高光谱图像校正框架，解决了球形物体边缘暗化问题。
- 验证了参数( \alpha_d )和扁平化因子( \beta )在生物样本几何建模中的普适性。
应用价值：
- 为柑橘等球形农产品的自动化分选提供可靠图像预处理方法，可扩展至苹果、番茄等类似形状作物的检测。
- 减少分类器因光照差异导致的误判，提升缺陷识别的准确率（如区分真实损伤与阴影区域）。
研究亮点
1. 方法创新：首次将DEM与Lambertian模型结合，动态适应生物样本的几何变异。
2. 技术整合：自主设计高光谱成像系统（LCTF滤光片滑动机构解决同场景多波段配准问题）。
3. 实验严谨性：通过旋转对照实验定量验证校正效果，数据涵盖形态差异显著的品种。
其他价值
- 开源算法实现（基于MATLAB 7.0），为后续研究提供可复现的代码基础。
- 提出的两阶段校正策略（白板校正+几何校正）可迁移至其他光学检测场景。