为探究高光谱成像(400～1 000 nm)对羊肉中饱和脂肪酸（SFA）含量检测的可行性, 提出一种基于特征光谱信息和图像纹理特征融合的SFA含量预测模型, 实现对羊肉中SFA含量的快速检测及分布可视化。 利用分段阈值法构建掩膜图像, 获取羊肉样本感兴趣区域（ROI）, 结合SPXY法对样本集进行划分并对相关光谱信息进行预处理, 分别采用连续投影算法（SPA）、 变量组合集群分析法（VCPA）和β权重系数法提取特征光谱； 通过获取羊肉样本主成分图像, 结合灰度共生矩阵（GLCM）算法提取图像纹理信息； 分别对特征光谱、 图像信息及图谱融合信息建立的偏最小二乘回归（PLSR）与最小二乘支持向量机（LS-SVM）预测模型进行对比分析。 利用5种不同对原始光谱数据进行预处理, 经SNV法预处理后的光谱其校正集与预测集相关系数分别为0.921和0.875, 较原始光谱分别增加了0.001和0.04, 均方根误差模型分别为0.244和0.268, 较原始光谱模型分别减少了0.003和0.06； 对SNV法预处理后的光谱数据进行特征波长提取, SPA法、 VCPA法及β权重系数法分别提取出12, 10和9个特征波长； 获取羊肉样本的前5个主成分图像, 选择所含信息量最多的第一主成分图像进行纹理特征提取, 依次提取0, 45°, 90°和135°方向下的能量、 熵、 同质性和相关性共4个主要纹理特征。 利用SPA法提取的特征波长建立的PLSR与LS-SVM模型性能较好, PLSR模型校正集与预测集相关系数分别为0.884 9和0.880 7, 均方根误差分别为0.300 1和0.260 6； LS-SVM模型校正集与预测集相关系数分别为0.898 7和0.892 6, 均方根误差分别为0.276 7和0.247 6； 图谱信息融合模型中, PLSR模型校正集与预测集相关系数分别为0.907 1和0.907 8, 较特征光谱模型分别增加了0.02和0.03, 均方根误差分别为0.326 9和0.299 2, 较特征光谱模型分别增加了0.03和0.04； LS-SVM模型校正集与预测集相关系数分别为0.920 6和0.894 6, 较特征光谱模型分别增加了0.02和0.002, 均方根误差分别为0.251 9和0.245 8, 较特征光谱模型分别减少了0.02和0.002。 光谱预处理中经SNV法处理后的光谱所建模型性能优于其他预处理方法； 采用SPA法提取的12个特征波长简化了光谱模型, 提高了模型性能, 特征光谱建模的最优方法为SPA-LS-SVM； 图谱信息融合模型较特征光谱模型, 模型相关系数增加较少, 表明图像纹理信息虽携带了部分有效信息, 但这些信息与羊肉中SFA含量之间的相关性有待进一步研究。 基于图谱信息融合模型的预测性能最优, 其次为光谱信息模型。 择优选取SPA-PLSR模型计算羊肉样本中每个像素点的SFA含量, 利用伪彩色图直观表示了羊肉样本中SFA的含量分布。 实现对羊肉样本SFA含量的无损检测及分布可视化表达。

高光谱图像包含了大量的光谱信息和图像信息, 采用高光谱成像技术对牛肉品种进行识别。 获取可见-近红外(400～1 000 nm)光谱范围内的安格斯牛、 利木赞牛、 秦川牛、 西门塔尔牛、 荷斯坦奶牛五个品种共252个牛肉样本的高光谱图像。 在ENVI软件中对高光谱图像进行阈值分割并构建掩膜图像, 获取样本的感兴趣区域（ROI）, 并结合伪彩色图对牛肉样本的反射率指数进行可视化表达; 采用Kennard-Stone(KS)法对样本集进行划分以提高模型的预测性能; 对原始光谱采用卷积平滑(SG) 、 区域归一化(Area normalize)、 基线校正(Baseline)、 一阶导数（FD）、 标准正态变量变换(SNV)及多元散射校正（MSC）等6种方法进行预处理; 采用竞争性自适应重加权算法（CARS）提取特征波长。 然后利用颜色矩对不同牛肉样本的颜色特征进行提取; 对原始光谱图像进行主成分分析, 结合灰度共生矩阵（GLCM）算法, 提取主要纹理特征。 最后结合偏最小二乘判别（PLS-DA）算法建立牛肉样本基于特征波长、 颜色特征以及纹理特征的识别模型。 KS法将牛肉样本划分为校正集190个, 预测集62个; 将未经预处理的光谱数据与经过6种不用预处理的光谱数据进行建模分析, 结果发现经FD法处理后的光谱数据所建模型的识别率最高; 结合CARS法对经FD法预处理后的光谱数据进行特征波长提取, 共提取出22个波长; 利用颜色矩和GLCM算法分别提取出每个牛肉样本的9个颜色特征、 48个纹理特征。 将特征波长数据与颜色、 纹理特征信息进行融合建模, 结果表明, 基于特征光谱+纹理特征的模型识别效果最佳, 其校正集与预测集识别率分别为98.42%和93.55%, 均高于特征光谱数据模型识别率, 说明融合纹理特征后使样本分类信息的表达更加全面; 融合颜色特征后模型的校正集识别率均有所增加, 但预测集识别率稍逊, 颜色特征虽携带了部分有效信息, 但这些信息与牛肉样本的相关性不大。 因此, 寻找与牛肉样本相关性更大的颜色特征是提高模型识别率的重要途径之一。 该研究结果为牛肉品种的快速无损识别提供了一定的参考。