希仁娜·亞森+李湘+吳煒

摘要：為了防止蘋(píng)果綿蚜[Eriosoma lanigerum（Hausmann）]對(duì)伊犁地區(qū)蘋(píng)果生產(chǎn)帶來(lái)的威脅，同時(shí)解決昆蟲(chóng)鑒定專家及病蟲(chóng)害防治專業(yè)技術(shù)人員短缺的問(wèn)題，將計(jì)算機(jī)視覺(jué)技術(shù)與計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)相結(jié)合，采集昆蟲(chóng)數(shù)字圖像，由Internet上傳到可進(jìn)行自動(dòng)識(shí)別圖像的服務(wù)器端，實(shí)現(xiàn)遠(yuǎn)程識(shí)別。系統(tǒng)首先對(duì)蘋(píng)果綿蚜提取邊緣特征值，再提取HOG特征值，最后建立神經(jīng)網(wǎng)絡(luò)分類器，實(shí)現(xiàn)自動(dòng)識(shí)別。用40張?zhí)O果綿蚜圖像對(duì)圖像識(shí)別系統(tǒng)進(jìn)行訓(xùn)練，用33種不同昆蟲(chóng)圖像進(jìn)行測(cè)試，正確率達(dá)到90%以上。

關(guān)鍵詞：蘋(píng)果綿蚜；遠(yuǎn)程；自動(dòng)識(shí)別；圖像處理

中圖分類號(hào)： S431.9；TP391.41文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2014）06-0375-03

收稿日期：2013-09-06

基金項(xiàng)目：新疆農(nóng)業(yè)大學(xué)前期資助課題（編號(hào)：XJAU201011）。

作者簡(jiǎn)介：希仁娜·亞森，維吾爾族，講師，從事計(jì)算機(jī)教學(xué)工作。E-mail：xerin0991@163.com。蘋(píng)果綿蚜[Eriosoma lanigerum（Hausmann）]是檢疫性害蟲(chóng)，對(duì)蘋(píng)果生產(chǎn)的危害極大。新疆維吾爾自治區(qū)伊犁哈薩克自治州地區(qū)蘋(píng)果種類較多，蘋(píng)果種植是當(dāng)?shù)亓止麡I(yè)的重要組成部分。蘋(píng)果綿蚜在伊犁哈薩克自治州新源縣、霍城縣、鞏留縣、伊寧縣等地均有分布并且危害日趨嚴(yán)重[1]，給當(dāng)?shù)亓止麡I(yè)生產(chǎn)帶來(lái)嚴(yán)重威脅，嚴(yán)重阻礙林果業(yè)的高效健康發(fā)展。由于昆蟲(chóng)鑒定防疫專業(yè)人才短缺，蘋(píng)果的產(chǎn)量與質(zhì)量都有所下降，尋找有效的鑒定昆蟲(chóng)方法具有非常重要的意義。隨著計(jì)算機(jī)網(wǎng)絡(luò)的發(fā)展，可利用計(jì)算機(jī)網(wǎng)絡(luò)解決昆蟲(chóng)鑒定難題。已有的遠(yuǎn)程圖像識(shí)別方式包括以下幾種：圖像通過(guò)計(jì)算機(jī)網(wǎng)絡(luò)傳給異地專家，由異地專家鑒定圖像后再返回意見(jiàn)；雙方通過(guò)計(jì)算機(jī)網(wǎng)絡(luò)視頻對(duì)圖像進(jìn)行識(shí)別。這些方法雖然解決了標(biāo)本寄送難題，但還是依賴專家鑒定[2]。本研究主要利用計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)與圖像識(shí)別技術(shù)，開(kāi)發(fā)蘋(píng)果綿蚜遠(yuǎn)程圖像識(shí)別系統(tǒng)。用戶用標(biāo)準(zhǔn)方法獲取圖像，經(jīng)由Internet瀏覽器界面上傳給自動(dòng)識(shí)別系統(tǒng)服務(wù)器，由服務(wù)器端對(duì)上傳的圖像進(jìn)行實(shí)時(shí)特征提取及識(shí)別，再將識(shí)別結(jié)果傳送給用戶終端，在最短時(shí)間內(nèi)解答農(nóng)戶的疑問(wèn)，減少人力、物力消耗，提高工作效率，減少損失，提高經(jīng)濟(jì)效益。

1圖像獲取

獲取蘋(píng)果綿蚜標(biāo)準(zhǔn)圖像是遠(yuǎn)程自動(dòng)識(shí)別的基礎(chǔ)。標(biāo)本擺放位置、獲取圖像時(shí)的光照環(huán)境、采集圖像設(shè)備的像素以及采集圖像時(shí)的距離等，都會(huì)影響數(shù)字圖像的獲取。只有正確獲取數(shù)字圖像，才可以實(shí)現(xiàn)自動(dòng)識(shí)別。本系統(tǒng)以蘋(píng)果綿蚜的形態(tài)數(shù)據(jù)作為模式特征值。為了盡可能清晰地獲取蘋(píng)果綿蚜的外部輪廓特征，將蘋(píng)果綿蚜放在白紙上或白底的培養(yǎng)皿中，用數(shù)碼體視顯微鏡取像。取像時(shí)為了防止標(biāo)本亂動(dòng)而造成圖像模糊，事先在標(biāo)本上滴1～2滴70%乙醇。另外為了防止提取特征值時(shí)產(chǎn)生誤差，沒(méi)有使用大頭針來(lái)固定標(biāo)本。

2系統(tǒng)實(shí)現(xiàn)

系統(tǒng)分為客戶端與服務(wù)器端。用戶通過(guò)客戶端向服務(wù)器端發(fā)送圖像，服務(wù)器端通過(guò)圖像識(shí)別算法對(duì)用戶發(fā)過(guò)來(lái)的圖像數(shù)據(jù)進(jìn)行自動(dòng)識(shí)別，并將識(shí)別結(jié)果發(fā)送回客戶端。為了給用戶提供簡(jiǎn)單易用的客戶端，本系統(tǒng)采用瀏覽器/服務(wù)器（B/S）模式。

2.1客戶端開(kāi)發(fā)

采用瀏覽器/服務(wù)器模式的優(yōu)點(diǎn)在于不用安裝客戶端。只要用戶計(jì)算機(jī)接入Internet便可與服務(wù)器端進(jìn)行交互，用戶通過(guò)瀏覽器程序訪問(wèn)系統(tǒng)主頁(yè)。主頁(yè)應(yīng)簡(jiǎn)單、易用，無(wú)須設(shè)計(jì)太多的菜單及控件，用戶只要將要識(shí)別的圖像文件提交到服務(wù)器端。用戶提交圖像時(shí)，系統(tǒng)會(huì)自動(dòng)截獲提交時(shí)間并存入數(shù)據(jù)庫(kù)。提交圖像文件后，系統(tǒng)反饋提交結(jié)果。如果提交正確，系統(tǒng)會(huì)顯示提交的圖像及圖像名稱；如果提交錯(cuò)誤，系統(tǒng)會(huì)要求用戶重新提交圖像。當(dāng)圖像提交成功后，用戶可以通過(guò)頁(yè)面上的圖像識(shí)別控件，啟動(dòng)服務(wù)器端自動(dòng)識(shí)別圖像程序識(shí)別圖像并返回識(shí)別結(jié)果。

2.2服務(wù)器端開(kāi)發(fā)

服務(wù)器端分為2個(gè)模塊。一是圖像信息存儲(chǔ)模塊，二是圖像自動(dòng)識(shí)別模塊。圖像上傳成功后并不直接交給圖像自動(dòng)識(shí)別模塊進(jìn)行處理，而是先提交到信息存儲(chǔ)模塊，信息存儲(chǔ)模塊通過(guò)數(shù)據(jù)庫(kù)、文件夾實(shí)現(xiàn)。因?yàn)閳D像文件的數(shù)據(jù)信息不能存儲(chǔ)到數(shù)據(jù)庫(kù)中，所以用戶在提交圖像文件時(shí)，其實(shí)是將圖像文件的文件名及提交時(shí)間上傳到數(shù)據(jù)庫(kù)中，將圖像文件提交到文件夾中。數(shù)據(jù)庫(kù)根據(jù)圖像文件提交的順序?yàn)槊織l記錄自動(dòng)產(chǎn)生唯一的編號(hào)。圖像自動(dòng)識(shí)別模塊根據(jù)數(shù)據(jù)庫(kù)中圖像文件的文件名從文件夾中提取圖像文件，圖像自動(dòng)識(shí)別模塊對(duì)提取的圖像文件進(jìn)行識(shí)別并將結(jié)果返回到數(shù)據(jù)庫(kù)中，由返回值生成反饋?lái)?yè)面，告知用戶識(shí)別結(jié)果。圖像文件的遠(yuǎn)程傳輸及識(shí)別過(guò)程如圖1所示。

3.1圖像預(yù)處理

對(duì)圖像文件進(jìn)行識(shí)別之前，需要對(duì)圖像進(jìn)行預(yù)處理。

像預(yù)處理的目的是去除噪聲，加強(qiáng)有用信息。圖像采集過(guò)程中，由于光照等原因，得到的圖像都存在一定程度的噪聲與干擾，應(yīng)當(dāng)對(duì)圖像進(jìn)行預(yù)處理[3]。常用的預(yù)處理操作有圖像格式轉(zhuǎn)化、圖像去噪、圖像增強(qiáng)等。本系統(tǒng)采用的預(yù)處理是將蘋(píng)果綿蚜 RGB 真彩色圖轉(zhuǎn)化為灰度圖，一般情況下灰度圖可以表現(xiàn)目標(biāo)的大部分信息。

3.2邊緣檢測(cè)

邊緣檢測(cè)主要是對(duì)圖像灰度變化進(jìn)行度量、檢測(cè)、定位。人眼識(shí)別一個(gè)物體，是通過(guò)追蹤未知物體的輪廓來(lái)掃視該物體，該物體的輪廓是由邊緣片段組成的。如果能夠得到圖像的邊緣，圖像分析就會(huì)大大簡(jiǎn)化，圖像識(shí)別工作就會(huì)容易得多[4]。邊緣檢測(cè)方法主要有Roberts算子、Sobel算子、Canny算子等。由于蘋(píng)果綿蚜背部有白色絮狀物，邊緣檢測(cè)時(shí)絮狀物會(huì)產(chǎn)生一定的噪聲。Roberts算子定位比較精確，但由于不包括平滑，所以對(duì)噪聲比較敏感。Sobel算子是一階微分算子且是加權(quán)平均濾波，檢測(cè)的圖像邊緣可能大于2個(gè)像素，對(duì)灰度漸變低噪聲的圖像檢測(cè)效果較好。本系統(tǒng)采用Sobel邊緣檢測(cè)算子提取蘋(píng)果綿蚜的邊緣特征。Sobel算子在以f（i，j）為中心的3×3 鄰域上計(jì)算x與y方向的偏導(dǎo)數(shù)。

Δxf =[f（i+1，j-1）+2f（i+1，j）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i-1，j）+f（i-1，j+1）]；（1）

Δyf =[f（i-1，j+1）+2f（i，j+1）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i，j-1）+f（i+1，j-1）]。（2）

梯度的實(shí)際大小為：

G=（Δxf）2+（Δyf）2。（3）

常采用它的近似計(jì)算式：

|G|=|Δx f |+|Δyf|。（4）

幾種邊緣檢測(cè)算子比較如圖2所示。填充邊緣內(nèi)的空洞，得到1張二值圖像，其中最大的聯(lián)通區(qū)域是蟲(chóng)子。本系統(tǒng)實(shí)現(xiàn)了蘋(píng)果綿蚜無(wú)翅成蟲(chóng)的圖像識(shí)別，在提取邊緣特征的基礎(chǔ)上再提取HOG（梯度方向直方圖）特征。

3.3HOG特征的提取

HOG主要通過(guò)對(duì)圖像局部區(qū)域梯度方向出現(xiàn)次數(shù)統(tǒng)計(jì)生成的。這種方法與邊緣方向直方圖非常類似，二者區(qū)別在于HOG將圖像分為密集的網(wǎng)格，針對(duì)每個(gè)網(wǎng)格進(jìn)行統(tǒng)計(jì)，并采用重疊的局部對(duì)比歸一化來(lái)提高準(zhǔn)確率。

3.4算法實(shí)現(xiàn)

3.4.1梯度計(jì)算HOG提取的第一步是計(jì)算梯度值。最常用的方法是分別對(duì)豎直以及水平方向用一維離線點(diǎn)的導(dǎo)數(shù)模板（[-1，0，1]和[-1，0，1]T）進(jìn)行濾波。

3.4.2梯度方向計(jì)算上一步濾波可以分別得到每個(gè)像素點(diǎn)的水平梯度與豎直梯度，豎直梯度與水平梯度的反正切函數(shù)即是梯度方向。

θ（x，y）=arctan[L（x，y+1）-L（x，y-1）]/[L（x+1，y）-L（x-1，y）]。（5）

式中：L（x，y）是（x，y）坐標(biāo)上的像素值，θ（x，y）是該點(diǎn)的梯度方向。

3.4.3方向分級(jí)統(tǒng)計(jì)將圖像分為20×20像素大小的小格，將每個(gè)小格沿著0°～180°的梯度方向劃分為9份進(jìn)行直方圖統(tǒng)計(jì)，每個(gè)像素的投票權(quán)值可以由梯度幅度或者梯度幅度的函數(shù)決定。

3.4.4歸一化為了消除亮度以及對(duì)比度變化的影響，所得直方圖需要局部歸一化。首先將小格連接起來(lái)，形成更大的塊，每個(gè)塊的特征由所包含的小格直方圖連接而成。通常1個(gè)塊由2×2或者3×3小格組成，并且這些塊是重疊的，這表示每個(gè)小格對(duì)特征貢獻(xiàn)不止1次。有學(xué)者提出了4種歸一化方法。令v為1個(gè)給定塊的特征向量，‖v‖k表示向量的k-模，k=1，2。ε為1個(gè)小常量，4種歸一化方式可以表示為：

L2-norm：

f=v‖v‖22+e2。（6）

L2-hys：對(duì)L2-norm之后的結(jié)果進(jìn)行剪裁（最大值限制為0.2），再次進(jìn)行 L2-norm。

L1-norm：

f=v（‖v‖1+e）。（7）

L1-sqrt：

f=v（‖v‖1+e）。（8）

本系統(tǒng)選用L2-norm進(jìn)行歸一化，最后將所有分塊的歸一化結(jié)果結(jié)合起來(lái)，得到梯度方向直方圖特征。

3.5訓(xùn)練神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)由通過(guò)數(shù)學(xué)或計(jì)算模型聯(lián)系在一起的一組人工神經(jīng)元構(gòu)成。由圖3可知，1個(gè)典型的前向神經(jīng)網(wǎng)絡(luò)由3層組成：輸入層、隱含層、輸出層。其中，輸入層LI含有n個(gè)人工神經(jīng)元，以接受輸入信號(hào)。隱含層LH有p個(gè)單元。輸出層LO包含q個(gè)單元，用于輸出分類結(jié)果。

本系統(tǒng)設(shè)計(jì)了1個(gè)基于邊緣特征的神經(jīng)網(wǎng)絡(luò)分類器。利用Sobel及HOG得到的特征矩陣設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)輸入層結(jié)點(diǎn)數(shù)為特征維數(shù)，隱含層為100，輸出層為2。對(duì)神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行訓(xùn)練，得到分類器的參數(shù)，之后自動(dòng)識(shí)別系統(tǒng)利用分類器參數(shù)對(duì)識(shí)別請(qǐng)求給予自動(dòng)鑒定。圖像自動(dòng)識(shí)別流程如圖4所示。

4結(jié)論

本系統(tǒng)將計(jì)算機(jī)視覺(jué)技術(shù)與計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)相結(jié)合，實(shí)現(xiàn)了蘋(píng)果綿蚜的遠(yuǎn)程圖像識(shí)別。用戶將昆蟲(chóng)數(shù)字圖像通過(guò)系統(tǒng)客戶端上傳到服務(wù)器，服務(wù)器通過(guò)自動(dòng)識(shí)別模塊對(duì)圖像進(jìn)行鑒別，確定是否是蘋(píng)果綿蚜。本系統(tǒng)利用40張?zhí)O果綿蚜圖像對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用33種不同的昆蟲(chóng)樣本圖像進(jìn)行測(cè)試，正確率達(dá)90%以上。本系統(tǒng)有利于降低防治成本，提高防治效果。

參考文獻(xiàn)：

[1]瑪依拉·吐拉甫. 新疆伊犁河谷蘋(píng)果綿蚜種群生態(tài)學(xué)與控制技術(shù)研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2010.

[2]楊紅珍，張建偉，李湘濤，等. 基于圖像的昆蟲(chóng)遠(yuǎn)程自動(dòng)識(shí)別系統(tǒng)的研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24（1）：188-192.

[3]郝中華，倪遠(yuǎn)平. 昆蟲(chóng)圖像分割方法的研究及應(yīng)用[J]. 云南大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，31（增刊）：67-72.

[4]周紅，王宏坡. 基于Visual C++ .NET的昆蟲(chóng)圖像自動(dòng)識(shí)別系統(tǒng)的研究[J]. 天津農(nóng)學(xué)院學(xué)報(bào)，2005，12（2）：39-41，53

Δxf =[f（i+1，j-1）+2f（i+1，j）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i-1，j）+f（i-1，j+1）]；（1）

Δyf =[f（i-1，j+1）+2f（i，j+1）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i，j-1）+f（i+1，j-1）]。（2）

梯度的實(shí)際大小為：

G=（Δxf）2+（Δyf）2。（3）

常采用它的近似計(jì)算式：

|G|=|Δx f |+|Δyf|。（4）

幾種邊緣檢測(cè)算子比較如圖2所示。填充邊緣內(nèi)的空洞，得到1張二值圖像，其中最大的聯(lián)通區(qū)域是蟲(chóng)子。本系統(tǒng)實(shí)現(xiàn)了蘋(píng)果綿蚜無(wú)翅成蟲(chóng)的圖像識(shí)別，在提取邊緣特征的基礎(chǔ)上再提取HOG（梯度方向直方圖）特征。

3.3HOG特征的提取

HOG主要通過(guò)對(duì)圖像局部區(qū)域梯度方向出現(xiàn)次數(shù)統(tǒng)計(jì)生成的。這種方法與邊緣方向直方圖非常類似，二者區(qū)別在于HOG將圖像分為密集的網(wǎng)格，針對(duì)每個(gè)網(wǎng)格進(jìn)行統(tǒng)計(jì)，并采用重疊的局部對(duì)比歸一化來(lái)提高準(zhǔn)確率。

3.4算法實(shí)現(xiàn)

3.4.1梯度計(jì)算HOG提取的第一步是計(jì)算梯度值。最常用的方法是分別對(duì)豎直以及水平方向用一維離線點(diǎn)的導(dǎo)數(shù)模板（[-1，0，1]和[-1，0，1]T）進(jìn)行濾波。

3.4.2梯度方向計(jì)算上一步濾波可以分別得到每個(gè)像素點(diǎn)的水平梯度與豎直梯度，豎直梯度與水平梯度的反正切函數(shù)即是梯度方向。

θ（x，y）=arctan[L（x，y+1）-L（x，y-1）]/[L（x+1，y）-L（x-1，y）]。（5）

式中：L（x，y）是（x，y）坐標(biāo)上的像素值，θ（x，y）是該點(diǎn)的梯度方向。

3.4.3方向分級(jí)統(tǒng)計(jì)將圖像分為20×20像素大小的小格，將每個(gè)小格沿著0°～180°的梯度方向劃分為9份進(jìn)行直方圖統(tǒng)計(jì)，每個(gè)像素的投票權(quán)值可以由梯度幅度或者梯度幅度的函數(shù)決定。

3.4.4歸一化為了消除亮度以及對(duì)比度變化的影響，所得直方圖需要局部歸一化。首先將小格連接起來(lái)，形成更大的塊，每個(gè)塊的特征由所包含的小格直方圖連接而成。通常1個(gè)塊由2×2或者3×3小格組成，并且這些塊是重疊的，這表示每個(gè)小格對(duì)特征貢獻(xiàn)不止1次。有學(xué)者提出了4種歸一化方法。令v為1個(gè)給定塊的特征向量，‖v‖k表示向量的k-模，k=1，2。ε為1個(gè)小常量，4種歸一化方式可以表示為：

L2-norm：

f=v‖v‖22+e2。（6）

L2-hys：對(duì)L2-norm之后的結(jié)果進(jìn)行剪裁（最大值限制為0.2），再次進(jìn)行 L2-norm。

L1-norm：

f=v（‖v‖1+e）。（7）

L1-sqrt：

f=v（‖v‖1+e）。（8）

本系統(tǒng)選用L2-norm進(jìn)行歸一化，最后將所有分塊的歸一化結(jié)果結(jié)合起來(lái)，得到梯度方向直方圖特征。

3.5訓(xùn)練神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)由通過(guò)數(shù)學(xué)或計(jì)算模型聯(lián)系在一起的一組人工神經(jīng)元構(gòu)成。由圖3可知，1個(gè)典型的前向神經(jīng)網(wǎng)絡(luò)由3層組成：輸入層、隱含層、輸出層。其中，輸入層LI含有n個(gè)人工神經(jīng)元，以接受輸入信號(hào)。隱含層LH有p個(gè)單元。輸出層LO包含q個(gè)單元，用于輸出分類結(jié)果。

本系統(tǒng)設(shè)計(jì)了1個(gè)基于邊緣特征的神經(jīng)網(wǎng)絡(luò)分類器。利用Sobel及HOG得到的特征矩陣設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)輸入層結(jié)點(diǎn)數(shù)為特征維數(shù)，隱含層為100，輸出層為2。對(duì)神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行訓(xùn)練，得到分類器的參數(shù)，之后自動(dòng)識(shí)別系統(tǒng)利用分類器參數(shù)對(duì)識(shí)別請(qǐng)求給予自動(dòng)鑒定。圖像自動(dòng)識(shí)別流程如圖4所示。

4結(jié)論

本系統(tǒng)將計(jì)算機(jī)視覺(jué)技術(shù)與計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)相結(jié)合，實(shí)現(xiàn)了蘋(píng)果綿蚜的遠(yuǎn)程圖像識(shí)別。用戶將昆蟲(chóng)數(shù)字圖像通過(guò)系統(tǒng)客戶端上傳到服務(wù)器，服務(wù)器通過(guò)自動(dòng)識(shí)別模塊對(duì)圖像進(jìn)行鑒別，確定是否是蘋(píng)果綿蚜。本系統(tǒng)利用40張?zhí)O果綿蚜圖像對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用33種不同的昆蟲(chóng)樣本圖像進(jìn)行測(cè)試，正確率達(dá)90%以上。本系統(tǒng)有利于降低防治成本，提高防治效果。

參考文獻(xiàn)：

[1]瑪依拉·吐拉甫. 新疆伊犁河谷蘋(píng)果綿蚜種群生態(tài)學(xué)與控制技術(shù)研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2010.

[2]楊紅珍，張建偉，李湘濤，等. 基于圖像的昆蟲(chóng)遠(yuǎn)程自動(dòng)識(shí)別系統(tǒng)的研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24（1）：188-192.

[3]郝中華，倪遠(yuǎn)平. 昆蟲(chóng)圖像分割方法的研究及應(yīng)用[J]. 云南大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，31（增刊）：67-72.

[4]周紅，王宏坡. 基于Visual C++ .NET的昆蟲(chóng)圖像自動(dòng)識(shí)別系統(tǒng)的研究[J]. 天津農(nóng)學(xué)院學(xué)報(bào)，2005，12（2）：39-41，53

Δxf =[f（i+1，j-1）+2f（i+1，j）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i-1，j）+f（i-1，j+1）]；（1）

Δyf =[f（i-1，j+1）+2f（i，j+1）+f（i+1，j+1）]-[f（i-1，j-1）+2f（i，j-1）+f（i+1，j-1）]。（2）

梯度的實(shí)際大小為：

G=（Δxf）2+（Δyf）2。（3）

常采用它的近似計(jì)算式：

|G|=|Δx f |+|Δyf|。（4）

幾種邊緣檢測(cè)算子比較如圖2所示。填充邊緣內(nèi)的空洞，得到1張二值圖像，其中最大的聯(lián)通區(qū)域是蟲(chóng)子。本系統(tǒng)實(shí)現(xiàn)了蘋(píng)果綿蚜無(wú)翅成蟲(chóng)的圖像識(shí)別，在提取邊緣特征的基礎(chǔ)上再提取HOG（梯度方向直方圖）特征。

3.3HOG特征的提取

HOG主要通過(guò)對(duì)圖像局部區(qū)域梯度方向出現(xiàn)次數(shù)統(tǒng)計(jì)生成的。這種方法與邊緣方向直方圖非常類似，二者區(qū)別在于HOG將圖像分為密集的網(wǎng)格，針對(duì)每個(gè)網(wǎng)格進(jìn)行統(tǒng)計(jì)，并采用重疊的局部對(duì)比歸一化來(lái)提高準(zhǔn)確率。

3.4算法實(shí)現(xiàn)

3.4.1梯度計(jì)算HOG提取的第一步是計(jì)算梯度值。最常用的方法是分別對(duì)豎直以及水平方向用一維離線點(diǎn)的導(dǎo)數(shù)模板（[-1，0，1]和[-1，0，1]T）進(jìn)行濾波。

3.4.2梯度方向計(jì)算上一步濾波可以分別得到每個(gè)像素點(diǎn)的水平梯度與豎直梯度，豎直梯度與水平梯度的反正切函數(shù)即是梯度方向。

θ（x，y）=arctan[L（x，y+1）-L（x，y-1）]/[L（x+1，y）-L（x-1，y）]。（5）

式中：L（x，y）是（x，y）坐標(biāo)上的像素值，θ（x，y）是該點(diǎn)的梯度方向。

3.4.3方向分級(jí)統(tǒng)計(jì)將圖像分為20×20像素大小的小格，將每個(gè)小格沿著0°～180°的梯度方向劃分為9份進(jìn)行直方圖統(tǒng)計(jì)，每個(gè)像素的投票權(quán)值可以由梯度幅度或者梯度幅度的函數(shù)決定。

3.4.4歸一化為了消除亮度以及對(duì)比度變化的影響，所得直方圖需要局部歸一化。首先將小格連接起來(lái)，形成更大的塊，每個(gè)塊的特征由所包含的小格直方圖連接而成。通常1個(gè)塊由2×2或者3×3小格組成，并且這些塊是重疊的，這表示每個(gè)小格對(duì)特征貢獻(xiàn)不止1次。有學(xué)者提出了4種歸一化方法。令v為1個(gè)給定塊的特征向量，‖v‖k表示向量的k-模，k=1，2。ε為1個(gè)小常量，4種歸一化方式可以表示為：

L2-norm：

f=v‖v‖22+e2。（6）

L2-hys：對(duì)L2-norm之后的結(jié)果進(jìn)行剪裁（最大值限制為0.2），再次進(jìn)行 L2-norm。

L1-norm：

f=v（‖v‖1+e）。（7）

L1-sqrt：

f=v（‖v‖1+e）。（8）

本系統(tǒng)選用L2-norm進(jìn)行歸一化，最后將所有分塊的歸一化結(jié)果結(jié)合起來(lái)，得到梯度方向直方圖特征。

3.5訓(xùn)練神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)由通過(guò)數(shù)學(xué)或計(jì)算模型聯(lián)系在一起的一組人工神經(jīng)元構(gòu)成。由圖3可知，1個(gè)典型的前向神經(jīng)網(wǎng)絡(luò)由3層組成：輸入層、隱含層、輸出層。其中，輸入層LI含有n個(gè)人工神經(jīng)元，以接受輸入信號(hào)。隱含層LH有p個(gè)單元。輸出層LO包含q個(gè)單元，用于輸出分類結(jié)果。

本系統(tǒng)設(shè)計(jì)了1個(gè)基于邊緣特征的神經(jīng)網(wǎng)絡(luò)分類器。利用Sobel及HOG得到的特征矩陣設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)輸入層結(jié)點(diǎn)數(shù)為特征維數(shù)，隱含層為100，輸出層為2。對(duì)神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行訓(xùn)練，得到分類器的參數(shù)，之后自動(dòng)識(shí)別系統(tǒng)利用分類器參數(shù)對(duì)識(shí)別請(qǐng)求給予自動(dòng)鑒定。圖像自動(dòng)識(shí)別流程如圖4所示。

4結(jié)論

本系統(tǒng)將計(jì)算機(jī)視覺(jué)技術(shù)與計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)相結(jié)合，實(shí)現(xiàn)了蘋(píng)果綿蚜的遠(yuǎn)程圖像識(shí)別。用戶將昆蟲(chóng)數(shù)字圖像通過(guò)系統(tǒng)客戶端上傳到服務(wù)器，服務(wù)器通過(guò)自動(dòng)識(shí)別模塊對(duì)圖像進(jìn)行鑒別，確定是否是蘋(píng)果綿蚜。本系統(tǒng)利用40張?zhí)O果綿蚜圖像對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用33種不同的昆蟲(chóng)樣本圖像進(jìn)行測(cè)試，正確率達(dá)90%以上。本系統(tǒng)有利于降低防治成本，提高防治效果。

參考文獻(xiàn)：

[1]瑪依拉·吐拉甫. 新疆伊犁河谷蘋(píng)果綿蚜種群生態(tài)學(xué)與控制技術(shù)研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2010.

[2]楊紅珍，張建偉，李湘濤，等. 基于圖像的昆蟲(chóng)遠(yuǎn)程自動(dòng)識(shí)別系統(tǒng)的研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24（1）：188-192.

[3]郝中華，倪遠(yuǎn)平. 昆蟲(chóng)圖像分割方法的研究及應(yīng)用[J]. 云南大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，31（增刊）：67-72.

[4]周紅，王宏坡. 基于Visual C++ .NET的昆蟲(chóng)圖像自動(dòng)識(shí)別系統(tǒng)的研究[J]. 天津農(nóng)學(xué)院學(xué)報(bào)，2005，12（2）：39-41，53