陳景波，靳小波

（1.常熟理工學院 電氣與自動化工程學院，江蘇 常熟 215500；2.河南工業(yè)大學 信息科學與工程學院，河南 鄭州 450001）

1 引言

茶葉的品質(zhì)主要由色澤、香氣、口味等多方面的指標進行判斷，國內(nèi)外學者一般融合機器視覺、近紅外光譜、電子鼻及電子舌多種電子傳感器技術(shù)[1-2]進行研究.但是由于電子傳感器設(shè)備價格昂貴，使得它們在實際操作中不能得到廣泛的應(yīng)用.本文主要關(guān)注基于機器視覺的茶葉品質(zhì)分級研究.

國內(nèi)的食品科學研究者在利用機器視覺進行茶葉品質(zhì)分級方面作了大量的研究.陳全勝等[3]利用近紅外光譜和機器視覺等多種技術(shù)來評判茶葉品質(zhì)，利用主成分分析和神經(jīng)網(wǎng)絡(luò)算法對茶葉圖片進行分類，取得不錯的效果.汪建等[4]提出了利用HSV圖像和遺傳神經(jīng)網(wǎng)絡(luò)對茶葉品質(zhì)進行檢測，并且取得了較高的精度.Boraha等[5]通過小波變換圖像邊緣提取技術(shù)得到8種不同等級茶葉的紋理特征，將處理后的特征矩陣通過多層感知器（MLP，Multi-layer Percepron）和學習向量量化（LVQ，Learning Vector Quantization）得到的分級精度分別為74.67%和80%，比采用傳統(tǒng)特征處理方法要優(yōu)越得多.然而，上述方法存在以下不足：（1）實驗環(huán)境要求特殊的光照條件，如近紅外、平行光，與實際應(yīng)用的自然光條件有一定差距；（2）提取的特征主要是基于顏色和紋理的特征.針對上述不足，本文采用下列方法來解決，一是在自然光條件下采集茶葉圖片；二是提取了尺度不變特征SIFT增強特征的表征力，使其特征在自然光條件下仍具有表征能力.SIFT算法由Lowe D G[6]提出，它是一種提取局部特征的算法，在尺度空間尋找極值點、提取位置、尺度和旋轉(zhuǎn)不變量.圖像的SIFT特征提取出來之后，就可以利用Bag of Words模型對圖像的局部特征進行編碼，從而用圖像魯棒的矢量表示.本文主要結(jié)合紋理特征和SIFT特征研究了自然光條件下的茶葉分級問題，并使用經(jīng)典的Ada?Boost算法對提取的特征進行分類（Real AdaBoost算法）.

2 特征提取

2.1 顏色紋理特征

茶葉圖片經(jīng)過預處理之后，就可以提取HSV顏色空間的H、S、V分量的均值（Hˉ,Sˉ和Vˉ）和方差（σH,σS和 σV）；實際上，由于HSV顏色空間和RGB空間的像素值之間存在線性變換，而HSV顏色能更好地反映人們感知顏色的方式，具有很好的區(qū)分度，所以僅僅采用HSV的顏色屬性.

當茶葉平鋪放在器皿中時，它們會呈現(xiàn)一定的紋理特征，基于灰度統(tǒng)計距的方法可以計算平鋪茶葉圖像的紋理特征，為此首先將彩色圖像轉(zhuǎn)換為灰度圖像，然后計算平均灰度級m、標準差（σ）、平滑度（R）、三階矩（ μ3）、一致性（U）和熵（e）等6個基本紋理特征，見表1.

表1 灰度統(tǒng)計矩紋理特征

2.2 SIFT特征

首先，以關(guān)鍵點為中心找到一個局部區(qū)域，對該區(qū)域進行分塊，并計算各分塊的方向和幅值響應(yīng)，如圖1左部分所示.然后在較大的分塊上統(tǒng)計該分塊內(nèi)方向和幅度響應(yīng)值，得到圖1的右部分.

其中每一個小格都代表了特征點鄰域所在的尺度空間的一個像素 ，箭頭方向代表了像素梯度方向，箭頭長度代表該像素的幅值.右邊顯示在4×4的窗口內(nèi)計算8個方向的梯度方向直方圖.

圖1中，梯度方向取8個，小分塊取64（左圖8×8）個，大分塊子區(qū)域取4（右圖2×2）個. 最后把大分塊的響應(yīng)變成直方圖，并且將各大分塊的直方圖連接起來就構(gòu)成了最終的32維（8×4）的特征向量.在實際應(yīng)用中，通常梯度方向取8個，大分塊取16個（4×4），從而構(gòu)成128（8×16）維的特征向量.

現(xiàn)在在128維特征向量的基礎(chǔ)上通過聚類算法來構(gòu)造圖像的全局描述，該算法主要分為兩步：（1）構(gòu)造視覺詞典；（2）描述局部特征.算法主要采用K-means聚類算法：首先從n個數(shù)據(jù)樣本點中任意選擇K個對象作為初始聚類中心；而對于所剩下其他對象，則根據(jù)它們與這些聚類中心的相似度（比如歐氏距離），分別將它們分配給與其最相似的（最近的）聚類中心；然后再計算新的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到滿足收斂條件.一般采用樣本點與最近均值之間均方差作為終止準則，最后得到K個聚類中心，稱之為視覺詞典.

局部特征的描述過程最初被稱為投票.這個稱謂起源于視覺詞典算法的基本思想：即統(tǒng)計局部特征在每一個視覺單詞上出現(xiàn)的頻率.具體過程如下：對每個局部特征，計算其到所有視覺單詞的距離，找到最近的視覺單詞，并給該單詞投一票，其他視覺詞典投票為0.對每個局部特征都執(zhí)行同樣的操作之后，會在視覺詞典上形成一個頻率統(tǒng)計直方圖，這個直方圖就是視覺詞典算法對圖像形成的最終表達.上述過程稱為Bag of Words算法.

圖1 SIFT特征提取示意圖

3 分類器設(shè)計

AdaBoost算法[7-8]通過組合多個弱分類器來得到一個較強的分類器，AdaBoost是一種組合分類的方法（Boosting方法），它組合多個基分類器來對樣本進行判別，它的分類性能要好于其中任意一個基分類器.AdaBoost是自適應(yīng)的，它會根據(jù)上一個基分類器的分類性能產(chǎn)生下一個基分類器.算法1給出了AdaBoost算法的框架.

Algorithm 1多類AdaBoost算法給定樣本集(x1,t1),(x2,t2),…(xN,tN),xn∈ χ,tn∈ γ.初始化數(shù)據(jù)分布：D0(n,l)=1/(NL).fort=0,1,…,T-1do使用分布Dt訓練分類器并且輸出：ft+1:χ×γ→{-1,+1}.選擇 αt+1∈R更新數(shù)據(jù)分布end for輸出最終分類假設(shè)：y(x)=arg maxl∈Y∑t=0 T-1 αt+1fl t+1(x)

4 實驗結(jié)果分析

4.1 試驗設(shè)置

將茶葉平鋪在器皿中，在自然光條件下采集樣本得到90幅圖片（每種級別30幅圖片）.隨后，圖像樣本被隨機分割成5交叉：每份包括4/5的訓練樣本和1/5的測試樣本，從而得到5個數(shù)據(jù)集.為消除圖像邊緣的瑕疵，先對圖像實行開運算，再實行閉運算.對圖像提取紋理特征，每幅圖像被轉(zhuǎn)化成12維的特征矢量.Kmeans算法隨機初始化聚類中心，迭代次數(shù)設(shè)為40次.聚類的數(shù)目經(jīng)驗地設(shè)置為64，即視覺詞典大小為64，提取SIFT特征之后將得到一個64維的樣本矢量.AdaBoost算法設(shè)置樹樁分類器作為基分類器.弱分類器的數(shù)目通過參數(shù)優(yōu)化得到，取值范圍為：{20，40，60，80，100}，將通過3-holdout方法來確定該參數(shù).

圖2 自然光條件下的茶葉圖片和提取的SIFT特征

4.2 結(jié)果和分析

所有的SIFT特征集中地分布在前景圖像上，并且對圖像邊緣的瑕疵具有較好的抗干擾能力.在5個分割的數(shù)據(jù)集上運行10次，取平均值得到的結(jié)果如表2所示.盡管SIFT特征在計算機視覺中取得了很好的效果，但是當樣本較少時，沒有足夠的SIFT特征來構(gòu)造視覺詞典，從而造成分類性能較差.從表2可以看出，紋理特征取得不錯的效果，而且紋理特征+SIFT算法相比于使用紋理特征提高了3%.表3給出了在5個分割的數(shù)據(jù)集上得到的平均分類精度和優(yōu)化的弱分類器參數(shù).一般來講，弱分類器的數(shù)目越多，分類結(jié)果會更加魯棒，但是樣本量太少，也會造成分類器的某種過擬合（overfitting）現(xiàn)象.

表2 三種算法在5次隨機劃分的數(shù)據(jù)集上的平均精度

5 結(jié)論和展望

本文主要研究在自然條件下，結(jié)合茶葉圖片的紋理特征和SIFT特征來實現(xiàn)茶葉的自動分級.在90個樣本的茶葉數(shù)據(jù)集上的實驗結(jié)果表明，組合特征相比于單個特征能得到更好的分類效果.在實驗中，也發(fā)現(xiàn)SIFT特征對于小樣本不能構(gòu)造合適的視覺詞典，從而導致較差的性能.在以后的工作中，將會收集更多的樣本，同時，探索更好的特征提取方法來加快算法的訓練過程和測試過程.另外，有效地去除自然條件下的圖像噪聲也是一個值得研究的方向.

表3 紋理+SIFT算法在各個數(shù)據(jù)集上的最優(yōu)弱分類器數(shù)目和測試精度

[1]Sinelli N,Benedetti S,Bottega G,et al.Evaluation of the optimal cooking time of rice by using ft-nir spectroscopy and an electronic nose[J].Journal of Cereal Science,2006,44(2):137-143.

[2]Chen Q,Zhao J,Liu M,et al.Nondestructiveidentification of tea(camellia sinensis l.)varieties using ft-nir spectroscopy and pattern recognition,Czech[J].Journal of Food Sciences,2008,26:360-367.

[3]陳全勝，趙杰文，蔡健榮，等.基于近紅外光譜和機器視覺的多信息融合技術(shù)評判茶葉品質(zhì)[J].農(nóng)業(yè)工程學報，2008（3）：5-10.

[4]汪建，杜世平，王開明.茶葉的計算機識別應(yīng)用研究[J].安徽農(nóng)業(yè)科學，2006，34（10）：2139-2140.

[5]Boraha S,Hinesa E,Bhuyanb M.Wavelet transform based image texture analysis for size estimation applied to the sorting of tea granules[J].Journal of Food Engineering,2007,79:629-639.

[6]Lowe D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,2004,60:91-110.

[7]Freund Y,Schapire R E.A decision-theoretic generalization of on-line learning and an application to boosting[J].European Conference on Computational Learning Theory,1995,36:23-37.

[8]Schapire R E,Singer Y.Improved boosting algorithms using confidence-rated predictions[J].Machine Learning,1999,37:297-336.