苹果的粉质化是指苹果果肉发软、汁液减少等一系列物理和生理变化现象, 采用高光谱散射图像技术结合信号稀疏表示分类算法(SRSA)研究了苹果的粉质化分类问题。首先利用平均反射算法(MEAN)提取了600~1 000 nm的高光谱散射图像特征; 引入遗传算法(GA)解决分类样本的不均衡问题, 在此基础上, 把苹果的粉质化分类问题, 转化为一个求解待识别样本对于整体训练样本的稀疏表示问题。仿真结果表明, 基于信号稀疏表示分类算法的苹果粉质化分类精度为79.8%, 高于偏最小二乘判别分析(PLSDA)的74.8%, 为苹果的粉质化分类提供了一种新的有效的方法。

利用高光谱散射图像技术研究了苹果的粉质化无损检测.提出了一种无信息变量消除法和局部线性嵌入相结合的苹果粉质化分类的新方法.经无信息变量消除法筛选后的波段降为全谱的23.5%.将波段选择后的原始图像数据用局部线性嵌入降维作为偏最小二乘判别分析的输入变量并建模.无信息变量消除法与局部线性嵌入相结合算法和局部线性嵌入降维方法得到的粉质化分类测试准确度分别是79.0%和79.0%;无信息变量消除法与平均反射法相结合和平均反射法特征提取得到的是77.4%和75.8%.结果表明，无信息变量消除法与局部线性嵌入想结合的方法可以大大地降低高光谱散射图像的数据量，同时保证了分类准确度，为在线检测、分类和高光谱数据的存储提供了一种实时、有效的方法.

粉质化是影响苹果等级的重要口感参数。 采用高光谱散射图像进行了苹果粉质化的无损检测研究。 利用奇异值分解方法对样本600～1 000 nm共81个波长20 mm范围内的散射图像进行奇异值分解, 将获得的奇异值作为粉质化表征参数, 结合偏微分最小二乘判别分析建立苹果粉质化分类模型。 结果显示, 对不同产地和不同储藏条件下的样本, 其两分类模型(粉质化和非粉质化)的分类精度为76.1%～80.6%, 优于平均值特征提取方法(75.3%～76.5%)。 分析表明, 奇异值分解可以有效地提取高光谱散射图像的特征, 用此特征建立粉质化分类模型可以区分粉质化和非粉质化的苹果, 但分类精度有待于进一步提高。

苹果粉质化程度是衡量其内部品质的一个重要因素, 采用了高光谱散射图像技术进行苹果粉质化的无损检测。 针对高光谱散射图像数据量大的特点, 提出了局部线性嵌入(local linear embedded, LLE)和支持向量机(support vector machine, SVM)相结合的用于检测苹果粉质化的新分类方法。 LLE是一种通过局部线性关系的联合来揭示全局非线性结构的非线性降维方法, 能有效计算高维输入数据在低维空间的嵌入流形。 对降维后的高光谱数据采用SVM进行分类。 将LLE-SVM分类方法与传统的SVM分类方法比较, 仿真结果表明, 对高光谱数据而言, 用LLE-SVM得到的训练精度高于单纯使用SVM的训练精度； 降维前后, 分类器的测试精度变化不大, 波动范围不超过5％。 LLE-SVM为高光谱散射图像技术进行苹果粉质化无损检测提供了一个有效的分类方法。