基于图像结构纹理信息的当归药材产地识别方法技术

本发明专利技术公开了一种基于图像结构纹理信息的当归药材产地识别方法，它包括以下步骤：(1)样品制备和图像数据采集；(2)提取图像特征；(3)采用机器学习方法支持向量机(SVM)建立当归产地预测模型。本发明专利技术首次采用基于图像结构纹理信息与SVM的当归药材产地识别方法，能够准确预测对当归的产地进行预测，具有快速无损、识别准确率高以及稳定性强的优势。

【技术实现步骤摘要】
基于图像结构纹理信息的当归药材产地识别方法
本专利技术属于药材检测
；具体涉及一种基于图像结构纹理信息的当归药材产地识别方法。
技术介绍
道地中药材是指经过中医临床长期应用优选出来的,产在特定地域，与其他地区所产同种中药材相比，品质和疗效更好，且质量稳定，具有较高知名度的中药材。道地药材的产地与品质具有高度关联性。道地药材的道地性表现为“优型”与“优质”的特征。“优型”指道地药材具有公认的形状、大小、色泽、表面纹理、质地等性状特征。“优质”指道地药材具有独特的化学成分组成。药材的“优形”和“优质”特征是统一的。不同产地的药材具有不同的形态特征，不同品质的药材也往往具有形态差异。通过人工智能与计算机视觉方法，可以对不同产地药材的形态进行图像分析、特征提取与智能识别，从而为道地药材的优型优质机理研究提供支撑。当归为伞形科植物当归Angelicasinensis(Oliv.)Diels的干燥根，性甘、辛、温，归肝、心、脾经，具有补血活血，调经止痛的功效。研究表明当归品质与其生长环境具有密切联系。因此，不同产地的当归药效参差不齐。当归的主要产地包括甘肃、云南与青海。而甘肃岷县的当归药材品质好、疗效高、质量佳，各项评价指标都优于其它产地当归。因此，当归产地的准确判别对当归的质量评价具有参考价值。传统的产地判别方法主要以专业人员对中药形状、颜色和气味特征的性状鉴别为主。此类方法依赖专业人员的经验与主观感觉，不利于中药的高效和大批量检测。高效液相色谱法可以准确测量当归有效成分的含量，进而对当归道地性进行评价，然而此类方耗时且损耗药材。近红外光谱与电子鼻技术具有快速无损的优势。此类技术分析中药内在官能团，通过神经网络等机器学习方法提取中药光谱特征或气味指纹图谱特征实现道地性评价。目前有研究联合电子鼻技术与主成分分析、软独立建模等方法实现对当归的产地鉴别；有采集淫羊藿近红外光谱，通过现有机器学习方法判别分析、BP神经网络、K近邻与支持向量机对其产地进行预测。然而此类方法过分依赖昂贵的红外光谱仪与电子鼻设备。
技术实现思路
为解决以上技术问题，本专利技术提供了一种基于卷积图像纹理与机器学习方法SVM的当归产地识别方法，该方法的准确率较高。与传统鉴别方法相比，这种方法能对当归的产地进行准确预测，具有快速无损、识别准确率高以及稳定性强的优势。为实现以上目的，本专利技术提供的技术方案如下：一种基于图像结构纹理信息的当归药材产地识别方法。包括以下步骤：(1)样品采集：选用不同批次不同产地的当归药材样品；(2)图像数据采集：通过图像采集设备采集不同产地的当归高清图像，并对每张图像的产地信息进行标记；(3)图像数据特征提取：对于样品原始的彩色图像，首先通过各像素点的RGB值得到灰度图像；设图像第i行第j列个像素点(i，j)的RGB值为Rij，Gij，Bij，通过式(1)可以计算该像素点的灰度值Grayij；Garyij＝0.3*Rij+0.59*Gij+0.11*Bij(1)通过图像中各像素点的灰度值计算像素点之间的关系，采用基于一致性的旋转不变LBP算子计算各像素点灰度关系值。计算方法如式(2)所示。式(2)中P为像素点(i，j)的相邻像素点数目，grayp为(i，j)第p个像素点的灰度值；公式中f的计算方法如式(3)所示；uij为像素点(i，j)的相邻像素点的灰度一致性参数，其计算方法如式(4)所示，由该式可知，当uij＝0时，(i，j)邻居像素点的灰度值均小于或均大于(i，j)灰度值；当uij＝2时，有连续若干个邻居像素点的灰度值大于(i，j)灰度值；当uij＞2时，存在不连续的邻居像素点灰度值大于(i，j)灰度值；对图像的所有像素点均计算其灰度关系值，即可得到图像的灰度关系图；然后通过灰度关系图得到当归图像对应的直方图，图像中像素点的灰度关系值Gary_rij为区间[1,10]内的整数，统计这些整数出现的概率，即可得到图像纹理分布特征；(4)采用机器学习方法SVM建立当归产地预测模型：以图像纹理分布特征为特征向量，使用支持向量机学习样本类型，采用LibSVM软件包进行模型训练，构建当归药材预测模型；对于新测试样本，其特征值被提取后，预测模型即可判定预测结果类型。优选地，步骤(1)的不同产地的当归药材样品中，甘肃当归样品均来自岷县，包括岷县西寨镇、清水乡、梅川镇、麻子川乡、中寨乡、蒲麻镇、闾井乡等7主产区，每个乡镇各3批样品。青海当归来自西宁市与互助县，各5批样品。云南当归样品来自鹤庆县，共5批。优选地，步骤(2)中，为确保当归形态细节信息的完整性，图像的数据采集采用佳能全画幅数码相机(EOS5DSR)，适马广角镜头(24-35mm)同一条件下拍摄。以上所述的基于图像结构纹理信息的当归药材产地识别方法，步骤(4)中的预测模型对不同产地的当归进行图片采集，建立当归图像数据库，计算当归图像像素点之间的灰度关系，提取当归图像的纹理特征，并通过机器学习算法支持向量机对当归产地进行预测。与现有技术比，本专利技术的有益效果在于：1、相较于传统经验鉴别，指标成分含量测定以及红外分析方法，本专利技术具有快速、无损、方便以及成本低廉的优势。2、本专利技术为当归产地提供了新的识别方法，对市场上的当归药材的道地性评估提供科学依据，具有广阔的应用前景。附图说明图1：本专利技术实施例1的数据处理流程图；图2：本专利技术实施例1的不同产地的当归药材图像；图3：本专利技术实施例1的灰度图像；图4：本专利技术实施例1的灰度关系值；图5：本专利技术实施例1的原始图，灰度图和灰度关系图；图6：本专利技术实施例1的图像特征直方图；图7：本专利技术实施例1的不同r值预测准确率图；图8：本专利技术实施例1的训练集规模对准确度的影响图。具体实施方式下面通过具体实施例对本专利技术进行说明，以使本专利技术技术方案更易于理解、掌握，但本专利技术并不局限于此。下述实施例中所述实验方法，如无特殊说明，均为常规方法；所述试剂和材料，如无特殊说明，均可从商业途径获得。本专利技术所使用仪器：佳能全画幅数码相机(EOS5DSR)，适马广角镜头24-35mm。实施例11、药材样品收集：不同产地当归药材样品共36批次，每批次2～3kg，,从甘肃省、青海省和云南省等当归主产地收集。其中，甘肃当归样品均来自岷县，包括岷县西寨镇、清水乡、梅川镇、麻子川乡、中寨乡、蒲麻镇、闾井乡7主产区，每个乡镇各3批样品。青海当归来自西宁市与互助县，各5批样品。云南当归样品来自鹤庆县，共5批。采集时间为2019年10月～2020年3月间。研究用当归药材经南京中医药大学段金廒教授鉴定为伞形科植物当归Angelicasinensis(Oliv.)Diels的干燥根。2、采集样品的图像数据：通过图像采集设备采集不同产地的当归高清图像，并对每张图像的产地信息进行标记。为确保当归形态细节信息的完整性，本文档来自技高网...

【技术保护点】
1.一种基于图像结构纹理信息的当归药材产地识别方法，其特征在于，它包括以下步骤：/n(1)样品采集：选用不同批次不同产地的当归药材样品；/n(2)图像数据采集：通过图像采集设备采集不同产地的当归高清图像，并对每张图像的产地信息进行标记；/n(3)图像数据特征提取：对于样品原始的彩色图像，首先通过各像素点的RGB值得到灰度图像；设图像第i行第j列个像素点(i，j)的RGB值为R

【技术特征摘要】
1.一种基于图像结构纹理信息的当归药材产地识别方法，其特征在于，它包括以下步骤：
(1)样品采集：选用不同批次不同产地的当归药材样品；
(2)图像数据采集：通过图像采集设备采集不同产地的当归高清图像，并对每张图像的产地信息进行标记；
(3)图像数据特征提取：对于样品原始的彩色图像，首先通过各像素点的RGB值得到灰度图像；设图像第i行第j列个像素点(i，j)的RGB值为Rij，Gij，Bij，通过式(1)可以计算该像素点的灰度值Grayij；
Garyij＝0.3*Rij+0.59*Gij+0.11*Bij(1)
通过图像中各像素点的灰度值计算像素点之间的关系；采用基于一致性的旋转不变LBP算子计算各像素点灰度关系值；计算方法如式(2)所示：



式(2)中P为像素点(i，j)的相邻像素点数目，grayp为(i，j)第p个像素点的灰度值；公式中f的计算方法如式(3)所示；uij为像素点(i，j)的相邻像素点的灰度一致性参数，其计算方法如式(4)所示，由该式可知，当uij＝0时，(i，j)邻居像素点的灰度值均小于或均大于(i，j)灰度值；当uij＝2时，有连续若干个邻居像素点的灰度值大于(i，j)灰度值；当uij＞2时，存在不连续的邻居像素点灰度值大于(i，j)灰度值；






对图像的所有像素点均计算其灰度关系值，即可得到图像的灰度关系图；...

【专利技术属性】
技术研发人员：王天舒，严辉，陈承武，段金廒，包贝华，杨曦晨，胡孔法，胡晨骏，
申请(专利权)人：南京中医药大学，
类型：发明
国别省市：江苏;32