摘要：在引入數(shù)字圖像處理技術(shù)的基礎(chǔ)上，提出一種無(wú)公害農(nóng)產(chǎn)品數(shù)字特征提取方法，該方法從農(nóng)產(chǎn)品的生長(zhǎng)環(huán)境、培育過(guò)程、幾何形態(tài)3個(gè)類別9個(gè)方面，對(duì)無(wú)公害檢測(cè)關(guān)鍵指標(biāo)進(jìn)行數(shù)字化處理，提取出無(wú)公害農(nóng)產(chǎn)品的數(shù)字特征。與傳統(tǒng)方法相比，本研究提出的方法具有檢測(cè)速度快、范圍廣、非破壞性等特點(diǎn)，具有良好的準(zhǔn)確性。驗(yàn)證結(jié)果表明，該方法在農(nóng)業(yè)信息化系統(tǒng)中具有良好的可行性。

關(guān)鍵詞：農(nóng)業(yè)信息化；無(wú)公害農(nóng)產(chǎn)品；數(shù)字特征

中圖分類號(hào)： S126文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2014）10-0373-04

收稿日期：2014-01-08

基金項(xiàng)目：教育部“春暉”計(jì)劃科研合作資助項(xiàng)目（編號(hào)：Z2005-1-55003）；重慶市涪陵區(qū)科委計(jì)劃項(xiàng)目（編號(hào)：2012ABA1054）；長(zhǎng)江師范學(xué)院科研項(xiàng)目（編號(hào)：2012XJYB038）。

作者簡(jiǎn)介：徐儒（1982—），男，重慶忠縣人，碩士，實(shí)驗(yàn)師，從事農(nóng)業(yè)信息化研究。E-mail：xuru168888@163.com。我國(guó)是一個(gè)農(nóng)業(yè)大國(guó)，農(nóng)業(yè)生產(chǎn)仍然是一些地方的主導(dǎo)產(chǎn)業(yè)，我國(guó)又是一個(gè)人口大國(guó)，每天都需要消耗大量的農(nóng)產(chǎn)品，存在較大的供求市場(chǎng)，因此農(nóng)產(chǎn)品與人們的生產(chǎn)生活息息相關(guān)。隨著人們生活水平的提高，對(duì)食物消費(fèi)結(jié)構(gòu)也在悄然發(fā)生變化，由原來(lái)的吃飽、吃好向吃得安全、健康方向轉(zhuǎn)變，更加注重農(nóng)產(chǎn)品的安全、營(yíng)養(yǎng)品質(zhì)，無(wú)公害綠色農(nóng)產(chǎn)品由于其質(zhì)量好、安全性高，越來(lái)越受到人們的歡迎。

所謂無(wú)公害農(nóng)產(chǎn)品即指產(chǎn)地環(huán)境、生產(chǎn)過(guò)程和最終產(chǎn)品符合無(wú)公害食品標(biāo)準(zhǔn)和規(guī)范的農(nóng)、牧、漁產(chǎn)品，其基本特征是無(wú)污染、安全、優(yōu)質(zhì)、營(yíng)養(yǎng)。傳統(tǒng)的無(wú)公害農(nóng)產(chǎn)品判斷指標(biāo)大都采用肉眼觀察和隨機(jī)抽樣并進(jìn)行化學(xué)檢測(cè)的方法，這種方法需要專業(yè)機(jī)構(gòu)、專業(yè)儀器設(shè)備、專業(yè)人員進(jìn)行檢測(cè)，檢測(cè)過(guò)程會(huì)破壞樣本本身，檢測(cè)的時(shí)間較長(zhǎng)，且取樣具有一定的隨機(jī)性。隨著數(shù)字圖像處理技術(shù)的引入，模式識(shí)別在農(nóng)產(chǎn)品檢測(cè)和識(shí)別方面也有諸多研究，但是這些研究也大多停留在對(duì)農(nóng)產(chǎn)品的圖像識(shí)別的幾何特征方面，不能很好地應(yīng)用于農(nóng)業(yè)信息化領(lǐng)域，為了準(zhǔn)確描述無(wú)公害農(nóng)產(chǎn)品的基本特性，需要對(duì)其進(jìn)行數(shù)字特征研究。本課題組從2002年開始進(jìn)行農(nóng)業(yè)信息化研究，對(duì)糧油、蔬菜、瓜果、水產(chǎn)、食用菌、種子、苗木等初級(jí)產(chǎn)品進(jìn)行大量調(diào)研和分析的基礎(chǔ)上，將傳統(tǒng)檢測(cè)方法與數(shù)字圖像處理技術(shù)相結(jié)合，提出一種基于生長(zhǎng)環(huán)境、培育過(guò)程、幾何形態(tài)3個(gè)方面進(jìn)行無(wú)公害數(shù)字特征提取的新方法，該方法通過(guò)對(duì)農(nóng)產(chǎn)品3個(gè)方面無(wú)公害數(shù)字特征的提取，能夠涵蓋絕大多數(shù)無(wú)公害農(nóng)產(chǎn)品的檢測(cè)范圍，其特征值能夠較為準(zhǔn)確、科學(xué)地對(duì)農(nóng)產(chǎn)品進(jìn)行無(wú)公害判斷和檢測(cè)。

1特征選擇

特征選擇（feature selection）也稱特征子集選擇（feature subset selection，F(xiàn)SS ）或?qū)傩赃x擇（attribute selection ），是指從許多特征中找出那些最有效的特征，從海量的數(shù)據(jù)中提取出有用的特征子集，從而降低特征空間的維數(shù)，提高數(shù)據(jù)的使用效率。在無(wú)公害農(nóng)產(chǎn)品的數(shù)字特征提取中，反映無(wú)公害特征的信息往往較多，存在與無(wú)公害毫不相關(guān)的關(guān)系，如何從眾多的特征中過(guò)濾掉不相關(guān)的、冗余的特征，關(guān)鍵在于恰當(dāng)?shù)奶卣鬟x擇，在提高模型精確度和減少運(yùn)行時(shí)間的同時(shí)降低空間維數(shù)。為此，要解決農(nóng)業(yè)信息化中無(wú)公害農(nóng)產(chǎn)品數(shù)字特征的提取，首先要對(duì)特征參數(shù)進(jìn)行選擇操作。

特征選擇操作是從一組數(shù)量為D的特征中選擇出數(shù)量為d（D>d）的最優(yōu)特征。在特征選擇時(shí)解決2個(gè)方面的問題，一是選擇的標(biāo)準(zhǔn)，既選擇一種可分離性判據(jù)作為最大特征組的標(biāo)準(zhǔn)；二是找到一個(gè)較好的算法，以便在最短的時(shí)間內(nèi)找出最優(yōu)的特征組。假設(shè)k組特征項(xiàng)之間相互獨(dú)立，用符號(hào)N表示，選擇前M個(gè)特征就是一組最優(yōu)的特征。

通過(guò)對(duì)涪陵區(qū)農(nóng)業(yè)信息化近10年的研究發(fā)現(xiàn)，無(wú)公害農(nóng)產(chǎn)品的基本特性，主要受到生長(zhǎng)環(huán)境、培育過(guò)程、形態(tài)表現(xiàn)3個(gè)方面影響。其中生長(zhǎng)環(huán)境主要從生態(tài)和環(huán)境方面判定農(nóng)產(chǎn)品的安全性，是最基本、最原始、最重要的特征；培育過(guò)程主要從生產(chǎn)環(huán)節(jié)方面判定農(nóng)產(chǎn)品的安全性，是最重要、最容易導(dǎo)致農(nóng)產(chǎn)品出現(xiàn)問題的特征參數(shù)；形態(tài)外觀主要從大小、形狀、顏色、表面缺陷等外部表現(xiàn)方面判定農(nóng)產(chǎn)品的商品性。

我們?cè)?001年《涪陵農(nóng)業(yè)信息化預(yù)研究》和2006年《涪陵三農(nóng)信息系統(tǒng)開發(fā)》的基礎(chǔ)上，對(duì)生長(zhǎng)環(huán)境、培育過(guò)程、幾何形態(tài)特征參數(shù)設(shè)置一定的權(quán)重閾值來(lái)表示3個(gè)方面的重要程度。特征參數(shù)經(jīng)過(guò)選擇和權(quán)重計(jì)算，生成無(wú)公害農(nóng)產(chǎn)品判斷的核心向量，這些向量中的特征參數(shù)代表該類特征的類別領(lǐng)域詞，能夠較準(zhǔn)確地反映出無(wú)公害農(nóng)產(chǎn)品的基本特征。

2生長(zhǎng)環(huán)境特征分析

生長(zhǎng)環(huán)境的好壞與農(nóng)產(chǎn)品的優(yōu)劣有密切關(guān)系，伴隨著農(nóng)作物的生長(zhǎng)發(fā)育過(guò)程，生產(chǎn)基地的環(huán)境因子是確保農(nóng)產(chǎn)品安全的基礎(chǔ)。農(nóng)產(chǎn)品無(wú)公害的判別，首先對(duì)農(nóng)作物的生長(zhǎng)環(huán)境進(jìn)行特征分析和提取，具有十分重要的意義。

無(wú)公害農(nóng)產(chǎn)品的產(chǎn)地要求包括培育基地的土壤環(huán)境、灌溉水環(huán)境等，這些環(huán)境因子必須達(dá)到且符合國(guó)家規(guī)定的無(wú)公害的基本標(biāo)準(zhǔn)，從而保證無(wú)公害農(nóng)產(chǎn)品出自良好的生長(zhǎng)環(huán)境。雖然影響農(nóng)產(chǎn)品生長(zhǎng)的環(huán)境因素很多，但是最能影響農(nóng)產(chǎn)品安全性的主要有3方面：土壤質(zhì)量、灌溉水質(zhì)、大氣環(huán)境。其中，土壤質(zhì)量包括土壤中的微量元素、重金屬元素等，例如總汞、總砷、總鎘、總鉛、總銅、總鉻；大氣環(huán)境包括有毒氣體、顆粒懸浮物等，例如二氧化硫、二氧化氮、氟化物、總懸浮顆粒物；灌溉水質(zhì)包括重金屬元素、化學(xué)廢棄原料、不適合農(nóng)作物生長(zhǎng)的污水等，例如pH值、總汞、總砷、總鎘、總鉛、總銅、石油類、氟化物、氯化物、六價(jià)鉻、類大腸菌群、化學(xué)需氧量等。用U表示生長(zhǎng)環(huán)境的集合，則關(guān)于無(wú)公害農(nóng)產(chǎn)品的生長(zhǎng)環(huán)境可表示為：U={U1，U2，U3}={土壤質(zhì)量特征，灌溉水質(zhì)特征，大氣環(huán)境特征}；其中Ui={Ui1，Ui2，Ui3，…，Uij，…，Uim}表示第i個(gè)特征的集合，例如U11表示為U11={總汞，總砷，總鎘，總鉛，總銅}。

農(nóng)產(chǎn)品主要來(lái)源于農(nóng)場(chǎng)和基地，空氣環(huán)境指標(biāo)、灌溉水質(zhì)指標(biāo)、土壤質(zhì)量指標(biāo)都有嚴(yán)格的數(shù)值范圍。在信息化的農(nóng)業(yè)信息系統(tǒng)中，這些參數(shù)可以通過(guò)權(quán)威機(jī)構(gòu)鑒定獲取。

3培育過(guò)程特征分析

無(wú)公害農(nóng)產(chǎn)品除了對(duì)生長(zhǎng)環(huán)境有特殊的要求外，對(duì)整個(gè)培育過(guò)程也有嚴(yán)格的規(guī)定。在產(chǎn)前的種子、種苗、肥料、農(nóng)藥等環(huán)節(jié)的投入監(jiān)測(cè)；產(chǎn)中的栽培、灌溉、施肥、用藥、收獲等環(huán)節(jié)的投入監(jiān)管；產(chǎn)后的收貨、包儲(chǔ)、存放、運(yùn)輸?shù)拳h(huán)節(jié)的投入監(jiān)管。整個(gè)培育過(guò)程一般不施或少施化學(xué)肥料，主要采用有機(jī)肥料和秸稈回田實(shí)現(xiàn)養(yǎng)分平衡；在病蟲草害防治方面，主要采用農(nóng)業(yè)防治、物理防治、生物防治等措施防治病蟲草害，整個(gè)過(guò)程避免使用高毒高殘留化學(xué)藥劑，從而提高食品安全指數(shù)。

化學(xué)藥劑的使用，會(huì)在產(chǎn)品的表面或體內(nèi)殘留，影響農(nóng)產(chǎn)品的安全性。為此，我們通過(guò)光譜特征提取對(duì)農(nóng)藥殘留進(jìn)行檢測(cè)，采用多路發(fā)光二極管為光源，紫外及可見分光光度法檢測(cè)農(nóng)藥殘留對(duì)生物酶的抑制率，從而確定農(nóng)藥殘留的程度，衡量農(nóng)產(chǎn)品中農(nóng)藥殘留特征。

4產(chǎn)品幾何特征分析

4.1顏色特征參數(shù)提取

物體顏色常用顏色空間來(lái)表示。顏色空間是用一種數(shù)學(xué)方法形象化表示顏色，人們用它來(lái)指定和產(chǎn)生顏色。在計(jì)算機(jī)視覺中，農(nóng)產(chǎn)品圖像的顏色特征是極其重要的因素。

RGB顏色空間是最常用的顏色模型之一，作為一種顏色標(biāo)準(zhǔn)，通過(guò)紅（Red）、綠（Green）、藍(lán)（Blue）3種顏色通道，為每個(gè)像素的RGB分量分配1個(gè)0～255范圍內(nèi)的強(qiáng)度值，3種顏色按照不同的比例進(jìn)行混合與疊加，從而得到各式各樣的顏色。HSI顏色空間也是一種空間模型，是以人的視覺系統(tǒng)為出發(fā)點(diǎn)，用色調(diào)（Hue）、飽和度（Saturation）、亮度 （Intensity） 3個(gè)參數(shù)來(lái)描述顏色特性，其中H表示顏色的波長(zhǎng)，S表示顏色的深淺程度，I表示強(qiáng)度或亮度，由于3者之間相互獨(dú)立，可單獨(dú)處理，用圓錐空間模型來(lái)表現(xiàn)。在圖像處理中，大量算法可在HSI色彩空間中方便地使用，簡(jiǎn)化了圖像分析和處理的工作量。RGB模型與HIS模型如圖1所示。

用數(shù)碼相機(jī)采集到的原始圖像是由RGB色彩空間表示的，為了提取農(nóng)產(chǎn)品圖像的顏色特征，需要對(duì)RGB圖像進(jìn)行HSI空間的轉(zhuǎn)換。RGB向HSI轉(zhuǎn)換，是由基于笛卡爾直角坐標(biāo)系的單位立方體向基于圓柱極坐標(biāo)的雙錐體進(jìn)行等價(jià)變換，其中幾何推導(dǎo)算法是比較經(jīng)典的方法，采用公式（1）將RGB中的亮度分離，將色度分解為色調(diào)和飽和度，實(shí)現(xiàn)RGB圖像中色度和亮度的分離。

通過(guò)HSI顏色算法來(lái)獲取產(chǎn)品顏色并對(duì)其進(jìn)行聚類分析，可以獲得較好的識(shí)別效果。在HSI顏色模型中主要描述物體顏色的特征有色調(diào)、飽和度、亮度，其中色調(diào)是描述純色的屬性，是真正反映物體顏色的特征屬性，飽和度主要反映一種純色被白光稀釋程度的度量，是不可以測(cè)量的，亮度則是對(duì)顏色明亮程度的主觀描述，是不可以測(cè)量參數(shù)。因此，在顏色特征的參數(shù)提取中，主要提取集中反映顏色本質(zhì)特征的色調(diào)參數(shù)。經(jīng)過(guò)RGB到HSI顏色空間的轉(zhuǎn)換，色調(diào)參數(shù)以空間向量的形式表示，任意選擇其中的一個(gè)像素值都不能夠準(zhǔn)確地反映圖像的基本特征，因此，通過(guò)獲取圖像中各個(gè)像素點(diǎn)的色調(diào)平均值來(lái)反映顏色本質(zhì)特征是比較準(zhǔn)確的?；静僮鳛椋合全@取產(chǎn)品顏色的H分量值，再求各個(gè)分量的平均值，圖像中各像素點(diǎn)色調(diào)H的平均值則為產(chǎn)品的顏色特征。計(jì)算公式描述為：

集合h={h1，h2，…，hi，…，hn}表示H分量的像素集合，hi表示圖像對(duì)象中RGB轉(zhuǎn)換HSI模型映射的色調(diào)特征值的第i個(gè)像素值，總像素?cái)?shù)用N表示，圖像中各個(gè)像素點(diǎn)的色調(diào)平均值H可表示為：H=∑ni=1hiN，其標(biāo)準(zhǔn)差σH表示為：σH=1N∑ni=1（Hi-H）2，H即為物體顏色的特征參數(shù)。

4.2面積特征參數(shù)提取

面積是衡量物體所占范圍的一種方便的客觀度量。一般情況下，在品種和生長(zhǎng)環(huán)境一定的情況下，同一批次的農(nóng)產(chǎn)品的物理面積大小雖不完全相同，但都趨近于一個(gè)標(biāo)準(zhǔn)常值K。通過(guò)對(duì)農(nóng)產(chǎn)品進(jìn)行面積特征的表征分析，可以有效地提取出產(chǎn)品面積的形態(tài)特征，從而很好地對(duì)農(nóng)產(chǎn)品進(jìn)行分類或定級(jí)。

面積特征主要由物體或區(qū)域的邊界決定，與其內(nèi)部灰度級(jí)別的變化無(wú)關(guān)，一般最有效的面積特征提取方法是統(tǒng)計(jì)產(chǎn)品圖片的邊界及其內(nèi)部像素的總和?；舅枷霝椋菏紫全@取農(nóng)產(chǎn)品圖像，再對(duì)產(chǎn)品圖像進(jìn)行HSI色彩空間轉(zhuǎn)換，提取色彩分量進(jìn)行灰度化和二值化操作，然后進(jìn)行圖像分割和去噪處理，在邊緣檢測(cè)和提取的基礎(chǔ)上進(jìn)行區(qū)域填充與標(biāo)志，并計(jì)算出標(biāo)志區(qū)域像素點(diǎn)值的總和，通過(guò)已知參照標(biāo)準(zhǔn)物單位面積的像素值，計(jì)算參照物與區(qū)域標(biāo)志之間的像素比值，進(jìn)而求出農(nóng)產(chǎn)品的面積（圖2）。

在圖像分割中，大量的試驗(yàn)發(fā)現(xiàn)，很多農(nóng)產(chǎn)品圖像的灰度直方圖并不具有明顯的雙峰特征，不能夠采用傳統(tǒng)的選定灰度雙峰之間的谷底值作為輸入閾值將灰度圖像進(jìn)行二值化，為此，需要直接對(duì)S分量進(jìn)行灰度和二值化，通過(guò)差分法將對(duì)象和背景分離出來(lái)。在邊緣提取中，分別采用Robert、Sobel、Prewitt和Laplacian邊緣算子對(duì)分割好的圖像進(jìn)行邊緣檢測(cè)，提取產(chǎn)品圖像的邊緣檢測(cè)結(jié)果，發(fā)現(xiàn)Sobel算子和Prewitt算子存在邊緣不完全連通的情況，Laplacian算子出現(xiàn)對(duì)噪聲比較敏感，而Robert邊緣檢測(cè)算子能夠產(chǎn)生較好的邊緣檢測(cè)效果，因此我們采用Robert邊緣檢測(cè)算子完成圖像邊緣提取。

提取產(chǎn)品圖像面積特征的算法描述為：

步驟1，圖像灰度變換：將真彩圖轉(zhuǎn)換成灰度圖像，使得圖像的對(duì)比度擴(kuò)展，圖像更加清晰，特征更明顯。

步驟2，圖像分割：主要從背景中分離出圖像對(duì)象。由于閾值法不能夠很好的選取閾值，因此采用差分法對(duì)圖像進(jìn)行分割。

步驟3，調(diào)節(jié)圖像對(duì)比度：主要增強(qiáng)圖像對(duì)比度增大反差，提高圖像對(duì)比度和清晰度，加大圖像動(dòng)態(tài)范圍。

步驟4，邊緣檢測(cè)和提取：采用Robert算子進(jìn)行邊緣檢測(cè)；從而構(gòu)成分割區(qū)域，將對(duì)象目標(biāo)和背景分開。

步驟5，圖像幾何特征處理：通過(guò)開運(yùn)算對(duì)邊緣提取圖像腐蝕膨脹，可以抑制噪聲，能有效地消除孤立噪聲點(diǎn)，增大和填補(bǔ)目標(biāo)物體中的空洞，并形成連通域，對(duì)圖像區(qū)域進(jìn)行填充和邊緣輪廓平滑操作。

步驟6，濾波操作：通過(guò)濾波操作，消除圖像噪聲，從而提高數(shù)據(jù)的準(zhǔn)確度。

步驟7，標(biāo)記圖像區(qū)域并獲取屬性值。

步驟8，確定參照物單位像素值為單位面積，計(jì)算參照物與圖像區(qū)域之間的比值，進(jìn)而而獲取圖像面積。計(jì)算公式為：S=標(biāo)志區(qū)域像素值/參照物單位面積像素值。

4.3形狀特征參數(shù)提取

當(dāng)物體從圖象中分割出來(lái)以后，形狀描述特征就可以作為區(qū)分物體的重要依據(jù)，在無(wú)公害農(nóng)產(chǎn)品的檢測(cè)中起著十分重要的作用?？坍嬑矬w基本的形狀特征主要通過(guò)矩形度和矩形跨度2個(gè)參數(shù)來(lái)反映，其中矩形度主要反映物體對(duì)其外接矩形的充滿程度，矩形跨度主要反映矩形長(zhǎng)和寬之間的比例關(guān)系。矩形度和跨度參數(shù)主要用來(lái)判斷農(nóng)產(chǎn)品的形狀是否規(guī)整，從形狀上是否符合無(wú)公害的基本要求。

矩形度主要通過(guò)物體的面積與其最小外接矩形的面積之比來(lái)刻畫，計(jì)算最小外接矩形MER的算法思想為：將物體的邊界以每次N°的增量在90°范圍內(nèi)間隔旋轉(zhuǎn)。每旋轉(zhuǎn)1次記錄1次其坐標(biāo)系方向上的外接矩形邊界點(diǎn)的最大和最小坐標(biāo)值（x、y）。通過(guò)旋轉(zhuǎn)的方法來(lái)尋找物體的最小外接矩形（圖3）。

形狀特征參數(shù)提取的算法描述為：

步驟1，以水平方向?yàn)閤坐標(biāo)，垂直方向?yàn)閥坐標(biāo)，確定對(duì)象的中心點(diǎn)，在90°范圍內(nèi)等間隔旋轉(zhuǎn)。

步驟2，記錄每次旋轉(zhuǎn)的坐標(biāo)刻度，獲取x軸和y軸意義下的最大長(zhǎng)度和寬度，求出外接矩形值。

步驟3，計(jì)算每次旋轉(zhuǎn)最小外接矩形。

步驟4，根據(jù)對(duì)象面積與最小外接矩形，求出矩形度R。矩形度R的公式描述為：R=AAmer。

取面積最小外接矩形的參數(shù)為主軸意義下的長(zhǎng)度和寬度，則此時(shí)物體水平和垂直之間的跨度關(guān)系可以通過(guò)最大橫軸與最大縱軸之間的長(zhǎng)寬比值λ表示：λ=wH。

4.4紋理特征參數(shù)提取

每一種農(nóng)產(chǎn)品的表面都存在固有的紋理特征，可以通過(guò)這種紋理特征來(lái)區(qū)分和判斷農(nóng)產(chǎn)品的類別，還可以通過(guò)這種紋理特征來(lái)檢測(cè)物體是否存在缺陷。紋理特征在遙感圖像識(shí)

別、醫(yī)學(xué)成像診斷、材料表面質(zhì)量檢測(cè)等領(lǐng)域具有重要的作用。從農(nóng)產(chǎn)品圖像區(qū)域中提取有效的紋理信息，反演出產(chǎn)品的表面物理屬性，查看農(nóng)產(chǎn)品是否存在損壞、腐敗、磕碰變質(zhì)等情況，主要采用經(jīng)典的局部二值模式 （local binary pattern，LBP）算法。

LBP算法是一種用來(lái)描述圖像局部紋理特征的算子，算法首先由Ojala等提出，其基本思想是：以某像素點(diǎn)為中心點(diǎn)（xc，yc），與鄰近區(qū)域的每個(gè)像素點(diǎn)灰度值進(jìn)行比較，若鄰近像素點(diǎn)的灰度值大于中心像素點(diǎn)的灰度值，則將鄰近像素點(diǎn)的灰度值標(biāo)記為1，否則標(biāo)記為0；從左上角順時(shí)針排列鄰近像素點(diǎn)的灰度值，可產(chǎn)生8 bit的無(wú)符號(hào)數(shù)，即得到該點(diǎn)的LBP編碼值，由LBP算子得到LBP碼替換掉該點(diǎn)的像素值，就得到圖像的LBP紋理圖，并用這個(gè)值來(lái)反映該區(qū)域的紋理信息。

通過(guò)對(duì)LBP紋理圖進(jìn)行直方圖匹配操作，可以應(yīng)用到無(wú)公害農(nóng)產(chǎn)品的表面缺陷檢測(cè)中。LBP算子的特征向量提取過(guò)程描述為：

步驟1，圖像提?。簭姆直媛屎突叶葍蓚€(gè)維度分解紋理圖像，得到二值圖像陣列。

步驟2，劃分cell區(qū)域：將圖像進(jìn)行cell小區(qū)域劃分，每個(gè)cell區(qū)域滿足R×R。

步驟3，二值化轉(zhuǎn)換：將R×R的區(qū)域像素點(diǎn)分別與中心像素點(diǎn)的灰度值進(jìn)行比較，如果中心像素值比該鄰點(diǎn)大，則將鄰點(diǎn)賦值為1，否則賦值為0。

步驟4，統(tǒng)計(jì)二值圖像中的0值連通域和1值連通域的屬性，得到cell區(qū)域的二進(jìn)制LBP碼。

步驟5，LBP紋理特征值：通過(guò)LBP碼與閾值的乘積，確定每個(gè)cell區(qū)域的LBP紋理特征值。

步驟6，對(duì)比度分量：獲取鄰域中所有大于和等于中心點(diǎn)像素的均值與所有小于中心點(diǎn)像素的均值之差，確定出對(duì)比度分量。

步驟7，cell直方圖處理：對(duì)LBP碼的二進(jìn)制序列進(jìn)行統(tǒng)計(jì)，并對(duì)每次出現(xiàn)的頻率進(jìn)行單個(gè)cell的直方圖處理。

步驟8，直方圖歸一化處理：對(duì)每個(gè)cell的統(tǒng)計(jì)直方圖進(jìn)行連接，得到圖像對(duì)象的LBP紋理特征。

步驟9，農(nóng)產(chǎn)品判別：通過(guò)圖像的紋理特征，對(duì)農(nóng)產(chǎn)品的表面進(jìn)行判別篩選，對(duì)表面存在缺陷、腐敗、不規(guī)則等不符合無(wú)公害要求的農(nóng)產(chǎn)品進(jìn)行剔除。

分析結(jié)果表明，通過(guò)本系統(tǒng)設(shè)計(jì)的數(shù)字特征提取法能夠較準(zhǔn)確地測(cè)量出農(nóng)產(chǎn)品是否屬于無(wú)公害產(chǎn)品，而且本研究所采用的方法為無(wú)損檢測(cè)，為其實(shí)用性奠定了很好的基礎(chǔ)。

6結(jié)論

針對(duì)現(xiàn)有農(nóng)產(chǎn)的無(wú)公害檢測(cè)存在的隨機(jī)性大、檢測(cè)時(shí)間長(zhǎng)、專業(yè)性要求高、破壞樣本等問題，本研究在引入數(shù)字圖像處理技術(shù)的基礎(chǔ)上，提出一種新的無(wú)公害農(nóng)產(chǎn)品數(shù)字特征提取方法，該方法從農(nóng)產(chǎn)品的生長(zhǎng)環(huán)境、培育過(guò)程、幾何形態(tài)3個(gè)類別9個(gè)方面，進(jìn)行無(wú)公害檢測(cè)、分析與研究，提取出無(wú)公害農(nóng)產(chǎn)品的數(shù)字特征。與傳統(tǒng)方法相比，本研究提出的方法具有檢測(cè)速度快、范圍廣，實(shí)現(xiàn)了對(duì)無(wú)公害農(nóng)產(chǎn)品非破壞性檢測(cè)的特點(diǎn)，具有良好的準(zhǔn)確度，在農(nóng)業(yè)信息化系統(tǒng)應(yīng)用中可行性強(qiáng)。

參考文獻(xiàn)：

[1]王永皎，張引，張三元. 基于圖像處理的植物葉面積測(cè)量方法[J]. 計(jì)算機(jī)工程，2006，32（8）：210-212.

[2]王國(guó)林，周樹仁，李軍強(qiáng). 基于模糊聚類和形態(tài)學(xué)的輪胎斷面特征提取[J]. 江蘇大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，33（5）：513-517.

[3]邊肇祺，張學(xué)工. 模式識(shí)別[M]. 北京：清華大學(xué)出版社，2000.

[4]陳廷寅，張東，楊艷，等. 超聲圖像的LBP紋理特征提取[J]. 武漢大學(xué)學(xué)報(bào)：理學(xué)版，2012，58（5）：401-405.

[5]鄭永斌，黃新生，豐松江. SIFT和旋轉(zhuǎn)不變LBP相結(jié)合的圖像匹配算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2010，22（2）：286-292.

[6]黃非非. 基于LBP的人臉識(shí)別研究[D]. 重慶：重慶大學(xué)，2009：20-25.

步驟5，圖像幾何特征處理：通過(guò)開運(yùn)算對(duì)邊緣提取圖像腐蝕膨脹，可以抑制噪聲，能有效地消除孤立噪聲點(diǎn)，增大和填補(bǔ)目標(biāo)物體中的空洞，并形成連通域，對(duì)圖像區(qū)域進(jìn)行填充和邊緣輪廓平滑操作。

步驟6，濾波操作：通過(guò)濾波操作，消除圖像噪聲，從而提高數(shù)據(jù)的準(zhǔn)確度。

步驟7，標(biāo)記圖像區(qū)域并獲取屬性值。

步驟8，確定參照物單位像素值為單位面積，計(jì)算參照物與圖像區(qū)域之間的比值，進(jìn)而而獲取圖像面積。計(jì)算公式為：S=標(biāo)志區(qū)域像素值/參照物單位面積像素值。

4.3形狀特征參數(shù)提取

當(dāng)物體從圖象中分割出來(lái)以后，形狀描述特征就可以作為區(qū)分物體的重要依據(jù)，在無(wú)公害農(nóng)產(chǎn)品的檢測(cè)中起著十分重要的作用。刻畫物體基本的形狀特征主要通過(guò)矩形度和矩形跨度2個(gè)參數(shù)來(lái)反映，其中矩形度主要反映物體對(duì)其外接矩形的充滿程度，矩形跨度主要反映矩形長(zhǎng)和寬之間的比例關(guān)系。矩形度和跨度參數(shù)主要用來(lái)判斷農(nóng)產(chǎn)品的形狀是否規(guī)整，從形狀上是否符合無(wú)公害的基本要求。

矩形度主要通過(guò)物體的面積與其最小外接矩形的面積之比來(lái)刻畫，計(jì)算最小外接矩形MER的算法思想為：將物體的邊界以每次N°的增量在90°范圍內(nèi)間隔旋轉(zhuǎn)。每旋轉(zhuǎn)1次記錄1次其坐標(biāo)系方向上的外接矩形邊界點(diǎn)的最大和最小坐標(biāo)值（x、y）。通過(guò)旋轉(zhuǎn)的方法來(lái)尋找物體的最小外接矩形（圖3）。

形狀特征參數(shù)提取的算法描述為：

步驟1，以水平方向?yàn)閤坐標(biāo)，垂直方向?yàn)閥坐標(biāo)，確定對(duì)象的中心點(diǎn)，在90°范圍內(nèi)等間隔旋轉(zhuǎn)。

步驟2，記錄每次旋轉(zhuǎn)的坐標(biāo)刻度，獲取x軸和y軸意義下的最大長(zhǎng)度和寬度，求出外接矩形值。

步驟3，計(jì)算每次旋轉(zhuǎn)最小外接矩形。

步驟4，根據(jù)對(duì)象面積與最小外接矩形，求出矩形度R。矩形度R的公式描述為：R=AAmer。

取面積最小外接矩形的參數(shù)為主軸意義下的長(zhǎng)度和寬度，則此時(shí)物體水平和垂直之間的跨度關(guān)系可以通過(guò)最大橫軸與最大縱軸之間的長(zhǎng)寬比值λ表示：λ=wH。

4.4紋理特征參數(shù)提取

每一種農(nóng)產(chǎn)品的表面都存在固有的紋理特征，可以通過(guò)這種紋理特征來(lái)區(qū)分和判斷農(nóng)產(chǎn)品的類別，還可以通過(guò)這種紋理特征來(lái)檢測(cè)物體是否存在缺陷。紋理特征在遙感圖像識(shí)

別、醫(yī)學(xué)成像診斷、材料表面質(zhì)量檢測(cè)等領(lǐng)域具有重要的作用。從農(nóng)產(chǎn)品圖像區(qū)域中提取有效的紋理信息，反演出產(chǎn)品的表面物理屬性，查看農(nóng)產(chǎn)品是否存在損壞、腐敗、磕碰變質(zhì)等情況，主要采用經(jīng)典的局部二值模式 （local binary pattern，LBP）算法。

LBP算法是一種用來(lái)描述圖像局部紋理特征的算子，算法首先由Ojala等提出，其基本思想是：以某像素點(diǎn)為中心點(diǎn)（xc，yc），與鄰近區(qū)域的每個(gè)像素點(diǎn)灰度值進(jìn)行比較，若鄰近像素點(diǎn)的灰度值大于中心像素點(diǎn)的灰度值，則將鄰近像素點(diǎn)的灰度值標(biāo)記為1，否則標(biāo)記為0；從左上角順時(shí)針排列鄰近像素點(diǎn)的灰度值，可產(chǎn)生8 bit的無(wú)符號(hào)數(shù)，即得到該點(diǎn)的LBP編碼值，由LBP算子得到LBP碼替換掉該點(diǎn)的像素值，就得到圖像的LBP紋理圖，并用這個(gè)值來(lái)反映該區(qū)域的紋理信息。

通過(guò)對(duì)LBP紋理圖進(jìn)行直方圖匹配操作，可以應(yīng)用到無(wú)公害農(nóng)產(chǎn)品的表面缺陷檢測(cè)中。LBP算子的特征向量提取過(guò)程描述為：

步驟1，圖像提取：從分辨率和灰度兩個(gè)維度分解紋理圖像，得到二值圖像陣列。

步驟2，劃分cell區(qū)域：將圖像進(jìn)行cell小區(qū)域劃分，每個(gè)cell區(qū)域滿足R×R。

步驟3，二值化轉(zhuǎn)換：將R×R的區(qū)域像素點(diǎn)分別與中心像素點(diǎn)的灰度值進(jìn)行比較，如果中心像素值比該鄰點(diǎn)大，則將鄰點(diǎn)賦值為1，否則賦值為0。

步驟4，統(tǒng)計(jì)二值圖像中的0值連通域和1值連通域的屬性，得到cell區(qū)域的二進(jìn)制LBP碼。

步驟5，LBP紋理特征值：通過(guò)LBP碼與閾值的乘積，確定每個(gè)cell區(qū)域的LBP紋理特征值。

步驟6，對(duì)比度分量：獲取鄰域中所有大于和等于中心點(diǎn)像素的均值與所有小于中心點(diǎn)像素的均值之差，確定出對(duì)比度分量。

步驟7，cell直方圖處理：對(duì)LBP碼的二進(jìn)制序列進(jìn)行統(tǒng)計(jì)，并對(duì)每次出現(xiàn)的頻率進(jìn)行單個(gè)cell的直方圖處理。

步驟8，直方圖歸一化處理：對(duì)每個(gè)cell的統(tǒng)計(jì)直方圖進(jìn)行連接，得到圖像對(duì)象的LBP紋理特征。

步驟9，農(nóng)產(chǎn)品判別：通過(guò)圖像的紋理特征，對(duì)農(nóng)產(chǎn)品的表面進(jìn)行判別篩選，對(duì)表面存在缺陷、腐敗、不規(guī)則等不符合無(wú)公害要求的農(nóng)產(chǎn)品進(jìn)行剔除。

分析結(jié)果表明，通過(guò)本系統(tǒng)設(shè)計(jì)的數(shù)字特征提取法能夠較準(zhǔn)確地測(cè)量出農(nóng)產(chǎn)品是否屬于無(wú)公害產(chǎn)品，而且本研究所采用的方法為無(wú)損檢測(cè)，為其實(shí)用性奠定了很好的基礎(chǔ)。

6結(jié)論

針對(duì)現(xiàn)有農(nóng)產(chǎn)的無(wú)公害檢測(cè)存在的隨機(jī)性大、檢測(cè)時(shí)間長(zhǎng)、專業(yè)性要求高、破壞樣本等問題，本研究在引入數(shù)字圖像處理技術(shù)的基礎(chǔ)上，提出一種新的無(wú)公害農(nóng)產(chǎn)品數(shù)字特征提取方法，該方法從農(nóng)產(chǎn)品的生長(zhǎng)環(huán)境、培育過(guò)程、幾何形態(tài)3個(gè)類別9個(gè)方面，進(jìn)行無(wú)公害檢測(cè)、分析與研究，提取出無(wú)公害農(nóng)產(chǎn)品的數(shù)字特征。與傳統(tǒng)方法相比，本研究提出的方法具有檢測(cè)速度快、范圍廣，實(shí)現(xiàn)了對(duì)無(wú)公害農(nóng)產(chǎn)品非破壞性檢測(cè)的特點(diǎn)，具有良好的準(zhǔn)確度，在農(nóng)業(yè)信息化系統(tǒng)應(yīng)用中可行性強(qiáng)。

參考文獻(xiàn)：

[1]王永皎，張引，張三元. 基于圖像處理的植物葉面積測(cè)量方法[J]. 計(jì)算機(jī)工程，2006，32（8）：210-212.

[2]王國(guó)林，周樹仁，李軍強(qiáng). 基于模糊聚類和形態(tài)學(xué)的輪胎斷面特征提取[J]. 江蘇大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，33（5）：513-517.

[3]邊肇祺，張學(xué)工. 模式識(shí)別[M]. 北京：清華大學(xué)出版社，2000.

[4]陳廷寅，張東，楊艷，等. 超聲圖像的LBP紋理特征提取[J]. 武漢大學(xué)學(xué)報(bào)：理學(xué)版，2012，58（5）：401-405.

[5]鄭永斌，黃新生，豐松江. SIFT和旋轉(zhuǎn)不變LBP相結(jié)合的圖像匹配算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2010，22（2）：286-292.

[6]黃非非. 基于LBP的人臉識(shí)別研究[D]. 重慶：重慶大學(xué)，2009：20-25.

步驟5，圖像幾何特征處理：通過(guò)開運(yùn)算對(duì)邊緣提取圖像腐蝕膨脹，可以抑制噪聲，能有效地消除孤立噪聲點(diǎn)，增大和填補(bǔ)目標(biāo)物體中的空洞，并形成連通域，對(duì)圖像區(qū)域進(jìn)行填充和邊緣輪廓平滑操作。

步驟6，濾波操作：通過(guò)濾波操作，消除圖像噪聲，從而提高數(shù)據(jù)的準(zhǔn)確度。

步驟7，標(biāo)記圖像區(qū)域并獲取屬性值。

步驟8，確定參照物單位像素值為單位面積，計(jì)算參照物與圖像區(qū)域之間的比值，進(jìn)而而獲取圖像面積。計(jì)算公式為：S=標(biāo)志區(qū)域像素值/參照物單位面積像素值。

4.3形狀特征參數(shù)提取

當(dāng)物體從圖象中分割出來(lái)以后，形狀描述特征就可以作為區(qū)分物體的重要依據(jù)，在無(wú)公害農(nóng)產(chǎn)品的檢測(cè)中起著十分重要的作用。刻畫物體基本的形狀特征主要通過(guò)矩形度和矩形跨度2個(gè)參數(shù)來(lái)反映，其中矩形度主要反映物體對(duì)其外接矩形的充滿程度，矩形跨度主要反映矩形長(zhǎng)和寬之間的比例關(guān)系。矩形度和跨度參數(shù)主要用來(lái)判斷農(nóng)產(chǎn)品的形狀是否規(guī)整，從形狀上是否符合無(wú)公害的基本要求。

矩形度主要通過(guò)物體的面積與其最小外接矩形的面積之比來(lái)刻畫，計(jì)算最小外接矩形MER的算法思想為：將物體的邊界以每次N°的增量在90°范圍內(nèi)間隔旋轉(zhuǎn)。每旋轉(zhuǎn)1次記錄1次其坐標(biāo)系方向上的外接矩形邊界點(diǎn)的最大和最小坐標(biāo)值（x、y）。通過(guò)旋轉(zhuǎn)的方法來(lái)尋找物體的最小外接矩形（圖3）。

形狀特征參數(shù)提取的算法描述為：

步驟1，以水平方向?yàn)閤坐標(biāo)，垂直方向?yàn)閥坐標(biāo)，確定對(duì)象的中心點(diǎn)，在90°范圍內(nèi)等間隔旋轉(zhuǎn)。

步驟2，記錄每次旋轉(zhuǎn)的坐標(biāo)刻度，獲取x軸和y軸意義下的最大長(zhǎng)度和寬度，求出外接矩形值。

步驟3，計(jì)算每次旋轉(zhuǎn)最小外接矩形。

步驟4，根據(jù)對(duì)象面積與最小外接矩形，求出矩形度R。矩形度R的公式描述為：R=AAmer。

取面積最小外接矩形的參數(shù)為主軸意義下的長(zhǎng)度和寬度，則此時(shí)物體水平和垂直之間的跨度關(guān)系可以通過(guò)最大橫軸與最大縱軸之間的長(zhǎng)寬比值λ表示：λ=wH。

4.4紋理特征參數(shù)提取

每一種農(nóng)產(chǎn)品的表面都存在固有的紋理特征，可以通過(guò)這種紋理特征來(lái)區(qū)分和判斷農(nóng)產(chǎn)品的類別，還可以通過(guò)這種紋理特征來(lái)檢測(cè)物體是否存在缺陷。紋理特征在遙感圖像識(shí)

別、醫(yī)學(xué)成像診斷、材料表面質(zhì)量檢測(cè)等領(lǐng)域具有重要的作用。從農(nóng)產(chǎn)品圖像區(qū)域中提取有效的紋理信息，反演出產(chǎn)品的表面物理屬性，查看農(nóng)產(chǎn)品是否存在損壞、腐敗、磕碰變質(zhì)等情況，主要采用經(jīng)典的局部二值模式 （local binary pattern，LBP）算法。

LBP算法是一種用來(lái)描述圖像局部紋理特征的算子，算法首先由Ojala等提出，其基本思想是：以某像素點(diǎn)為中心點(diǎn)（xc，yc），與鄰近區(qū)域的每個(gè)像素點(diǎn)灰度值進(jìn)行比較，若鄰近像素點(diǎn)的灰度值大于中心像素點(diǎn)的灰度值，則將鄰近像素點(diǎn)的灰度值標(biāo)記為1，否則標(biāo)記為0；從左上角順時(shí)針排列鄰近像素點(diǎn)的灰度值，可產(chǎn)生8 bit的無(wú)符號(hào)數(shù)，即得到該點(diǎn)的LBP編碼值，由LBP算子得到LBP碼替換掉該點(diǎn)的像素值，就得到圖像的LBP紋理圖，并用這個(gè)值來(lái)反映該區(qū)域的紋理信息。

通過(guò)對(duì)LBP紋理圖進(jìn)行直方圖匹配操作，可以應(yīng)用到無(wú)公害農(nóng)產(chǎn)品的表面缺陷檢測(cè)中。LBP算子的特征向量提取過(guò)程描述為：

步驟1，圖像提取：從分辨率和灰度兩個(gè)維度分解紋理圖像，得到二值圖像陣列。

步驟2，劃分cell區(qū)域：將圖像進(jìn)行cell小區(qū)域劃分，每個(gè)cell區(qū)域滿足R×R。

步驟3，二值化轉(zhuǎn)換：將R×R的區(qū)域像素點(diǎn)分別與中心像素點(diǎn)的灰度值進(jìn)行比較，如果中心像素值比該鄰點(diǎn)大，則將鄰點(diǎn)賦值為1，否則賦值為0。

步驟4，統(tǒng)計(jì)二值圖像中的0值連通域和1值連通域的屬性，得到cell區(qū)域的二進(jìn)制LBP碼。

步驟5，LBP紋理特征值：通過(guò)LBP碼與閾值的乘積，確定每個(gè)cell區(qū)域的LBP紋理特征值。

步驟6，對(duì)比度分量：獲取鄰域中所有大于和等于中心點(diǎn)像素的均值與所有小于中心點(diǎn)像素的均值之差，確定出對(duì)比度分量。

步驟7，cell直方圖處理：對(duì)LBP碼的二進(jìn)制序列進(jìn)行統(tǒng)計(jì)，并對(duì)每次出現(xiàn)的頻率進(jìn)行單個(gè)cell的直方圖處理。

步驟8，直方圖歸一化處理：對(duì)每個(gè)cell的統(tǒng)計(jì)直方圖進(jìn)行連接，得到圖像對(duì)象的LBP紋理特征。

步驟9，農(nóng)產(chǎn)品判別：通過(guò)圖像的紋理特征，對(duì)農(nóng)產(chǎn)品的表面進(jìn)行判別篩選，對(duì)表面存在缺陷、腐敗、不規(guī)則等不符合無(wú)公害要求的農(nóng)產(chǎn)品進(jìn)行剔除。

分析結(jié)果表明，通過(guò)本系統(tǒng)設(shè)計(jì)的數(shù)字特征提取法能夠較準(zhǔn)確地測(cè)量出農(nóng)產(chǎn)品是否屬于無(wú)公害產(chǎn)品，而且本研究所采用的方法為無(wú)損檢測(cè)，為其實(shí)用性奠定了很好的基礎(chǔ)。

6結(jié)論

針對(duì)現(xiàn)有農(nóng)產(chǎn)的無(wú)公害檢測(cè)存在的隨機(jī)性大、檢測(cè)時(shí)間長(zhǎng)、專業(yè)性要求高、破壞樣本等問題，本研究在引入數(shù)字圖像處理技術(shù)的基礎(chǔ)上，提出一種新的無(wú)公害農(nóng)產(chǎn)品數(shù)字特征提取方法，該方法從農(nóng)產(chǎn)品的生長(zhǎng)環(huán)境、培育過(guò)程、幾何形態(tài)3個(gè)類別9個(gè)方面，進(jìn)行無(wú)公害檢測(cè)、分析與研究，提取出無(wú)公害農(nóng)產(chǎn)品的數(shù)字特征。與傳統(tǒng)方法相比，本研究提出的方法具有檢測(cè)速度快、范圍廣，實(shí)現(xiàn)了對(duì)無(wú)公害農(nóng)產(chǎn)品非破壞性檢測(cè)的特點(diǎn)，具有良好的準(zhǔn)確度，在農(nóng)業(yè)信息化系統(tǒng)應(yīng)用中可行性強(qiáng)。

參考文獻(xiàn)：

[1]王永皎，張引，張三元. 基于圖像處理的植物葉面積測(cè)量方法[J]. 計(jì)算機(jī)工程，2006，32（8）：210-212.

[2]王國(guó)林，周樹仁，李軍強(qiáng). 基于模糊聚類和形態(tài)學(xué)的輪胎斷面特征提取[J]. 江蘇大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，33（5）：513-517.

[3]邊肇祺，張學(xué)工. 模式識(shí)別[M]. 北京：清華大學(xué)出版社，2000.

[4]陳廷寅，張東，楊艷，等. 超聲圖像的LBP紋理特征提取[J]. 武漢大學(xué)學(xué)報(bào)：理學(xué)版，2012，58（5）：401-405.

[5]鄭永斌，黃新生，豐松江. SIFT和旋轉(zhuǎn)不變LBP相結(jié)合的圖像匹配算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2010，22（2）：286-292.

[6]黃非非. 基于LBP的人臉識(shí)別研究[D]. 重慶：重慶大學(xué)，2009：20-25.