苹果粉质化程度是衡量其内部品质的一个重要因素，粉质化造成苹果质量的降低以及商业价值的贬值。高光谱图像技术结合了光谱技术和图像技术的优点，能够无损检测苹果内部品质。提出了有监督等距映射（S-Isomap）和支持向量机（SVM）相结合的用于检测苹果粉质化的新分类方法。S-Isomap-SVM分类方法首先用S-Isomap对高光谱数据作非线性降维，再用SVM对降维后的数据进行分类。对于未知类别的测试样本，采用BP神经网络建模输出的方法，而后结合SVM得到对应的测试精度。这里将S-Isomap-SVM分类方法与SVM以及Isomap-SVM分类方法比较。结果表明，对高光谱数据而言，用S-Isomap-SVM得到的检测精度最高。

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。