張紅濤，孫志勇，田 媛，侯棟宸

(華北水利水電大學(xué)，河南 鄭州 450045)

糧粒內(nèi)部害蟲的檢測(cè)，近十多年來一直是糧蟲檢測(cè)領(lǐng)域的研究熱點(diǎn)． 傳統(tǒng)的糧粒內(nèi)部害蟲檢測(cè)方法有感官檢驗(yàn)法、伯利斯漏斗法、害蟲碎片檢驗(yàn)法、懸浮法等．這些方法有一個(gè)或多個(gè)缺點(diǎn)，如太主觀、復(fù)雜繁瑣、不準(zhǔn)確、耗時(shí)、具有破壞性等．國外學(xué)者利用軟X 射線成像法、近紅外光譜法和近紅外光譜成像法3 種檢測(cè)方法，能確定糧粒中由于害蟲造成的物理和化學(xué)變化，可用于糧粒的自動(dòng)檢測(cè)．

2004 年，Haff 等設(shè)計(jì)了高分辨率X 射線實(shí)時(shí)線掃描成像系統(tǒng)以檢測(cè)谷蠹的侵染，單個(gè)糧粒的圖像可直接可視化分類，提高了分類的效率．

Ridgway 等(1999 年)運(yùn)用近紅外光譜設(shè)計(jì)了兩波長(zhǎng)谷象侵染麥粒分類模型，指出成像系統(tǒng)中采用982 nm 和1 014 nm 波長(zhǎng)的組合檢測(cè)侵染的可能性．

2004 年，Paliwal 等利用近紅外光譜對(duì)小麥樣本的害蟲侵染進(jìn)行檢測(cè)，結(jié)果表明該法可達(dá)到大于25%的侵染正確識(shí)別水平． 應(yīng)用多光譜成像技術(shù)檢測(cè)麥粒內(nèi)部害蟲的方法，國內(nèi)外都沒有相關(guān)報(bào)道．

被害蟲侵染后的麥粒，在初期，僅單一波段下光譜圖像或彩色圖像，無論采用形態(tài)學(xué)特征或者顏色特征進(jìn)行分割，都難以得到部分麥粒的輪廓和孔洞特征信息，這樣達(dá)不到滿意的分割效果．為了解決可見光CCD 獲取的圖像所丟失的目標(biāo)信息，筆者提出了基于多波段圖像融合及彩色空間轉(zhuǎn)換后的圖像融合技術(shù)進(jìn)行圖像的增強(qiáng)． 在多波段和多空間的圖像融合方式中，采用主成分分析選擇其最好的融合方式，從而充分利用了近紅外、紅色、綠色和RGB 分量的信息，便于后續(xù)圖像的分割識(shí)別．

1 糧粒多光譜圖像采集

以對(duì)小麥種危害最為嚴(yán)重的谷蠹侵染的糧粒為研究對(duì)象，利用美國Duncan Tech 生產(chǎn)的MS3100 多光譜相機(jī)采集麥粒的多光譜圖像，同時(shí)可采集到近紅外(NIR)、紅(R)、綠(G)圖像及合成的彩色RGB圖像，分辨率能達(dá)到1 392(H)×1 040(V)．拍攝采用3CCD 攝像頭，敏感光學(xué)傳感器元件與桌面平行架置，其攝像頭高度為22 ～24 cm，與支架的距離調(diào)至18 ～20 cm．圖1 為圖像采集的硬件系統(tǒng)，樣本采用每5 粒為一板，以便后續(xù)處理，其中一組經(jīng)過分割后的子區(qū)域樣本圖像如圖2 所示［1］．

圖1 樣本采集系統(tǒng)

圖2 麥粒的ROI 多光譜圖像

2 糧粒多光譜圖像融合

2．1 RGB 圖像到HSI 彩色空間的轉(zhuǎn)換

RGB 圖像向HSI 模型的轉(zhuǎn)換是由一個(gè)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)的雙錐體轉(zhuǎn)換［2］．基本要求是將RGB 中的亮度因素分離，將色度分解為色調(diào)和飽和度，并用角向量表示色調(diào)．RGB 和HSI 模型如圖3 所示．

圖3 RGB 和HSI 模型示意圖

RGB 轉(zhuǎn)換至HSI 彩色空間的方式有4 種:幾何推導(dǎo)法、坐標(biāo)變換法、分段定義法、Bajon 近似算法和標(biāo)準(zhǔn)模型法．本課題用最經(jīng)典的幾何推導(dǎo)法．其基本思路是先分離出亮度信息，將三維空間降到二維空間，在二維平面內(nèi)利用解析幾何的向量點(diǎn)積公式求出HSI 模型的色調(diào)分量值．對(duì)圖2(d)，即RGB 圖像利用幾何推導(dǎo)法進(jìn)行HIS 空間轉(zhuǎn)換得到各分量，如圖4 所示，3 個(gè)分量分別為色調(diào)H、飽和度S 和亮度I．其計(jì)算公式分別如下:

其中

圖4 幾何推導(dǎo)法轉(zhuǎn)換得到RGB 圖像和HIS 空間各分量圖像結(jié)果

2．2 多種圖像融合處理

圖像增強(qiáng)是麥粒內(nèi)部害蟲檢測(cè)自動(dòng)識(shí)別中必不可少的一部分，其目的是減弱或者消除不必要的背景干擾，突出麥粒被侵染后與健康麥粒的紋理特征差異，提高原始圖像的視覺效果，以便進(jìn)一步分析和處理．對(duì)于多光譜圖像的增強(qiáng)處理可利用多光譜圖像融合技術(shù)實(shí)現(xiàn)，不同波段的圖像只側(cè)重反映麥粒的某一部分信息，多光譜圖像融合技術(shù)可以使目標(biāo)影像信息清晰、正確地表現(xiàn)在一幅圖像上，有效地降低干擾，提高對(duì)麥粒上是否有孔洞的辨析能力．

圖像融合之前一般需要進(jìn)行配準(zhǔn)處理，需對(duì)同一目標(biāo)拍攝的2 幅圖像或多幅圖像在空間位置上相對(duì)或絕對(duì)配準(zhǔn)［3］． 本研究采用MS3100 型3CCD 攝像頭一次性獲取近紅外、紅、綠和RGB 圖像，從而保證這4 幅圖像上的位置點(diǎn)一一對(duì)應(yīng)，無需進(jìn)行配準(zhǔn)可以直接進(jìn)行圖像融合． 研究中將多光譜圖像融合分為3 個(gè)部分，原始圖像之間的融合、原始圖像與HIS 空間分量之間融合、歸一化后圖像融合［4－5］．

首先在未對(duì)近紅外(標(biāo)記為“IR”)、紅(標(biāo)記為“R”)以及綠(標(biāo)記為“G”)3 個(gè)數(shù)值量處理前，數(shù)值組合有10 種，原始圖像與HIS 彩色空間各分量之間融合的方式有11 種;對(duì)采集的IR，R，G 圖像進(jìn)行歸一化處理，處理后的圖像進(jìn)行融合有8 種融合方式，共計(jì)29 種融合方式，具體如下:IR，R，G，IR +R，R +G + IR，IR － R，IR/R，IR/G，G/R，(IR － G)/(IR+G)，RGB，H，S，I，IR/H，IR/S，IR/I，R/H，R/S，G/H，G/S，ir，r，g，ir +r，g +ir，g +r，ir －r，2g －ir －r．其中ir，r，g 及其組合是基于對(duì)原始圖像進(jìn)行歸一化處理，即

使用MATLAB 7．1 軟件對(duì)圖像進(jìn)行29 種數(shù)值量組合，選取其中的6 幅如圖5 所示．

3 主成分分析提取最優(yōu)波長(zhǎng)

主成分分析(Principle Component Analysis，PCA)又稱為主分量分析，主要目的是通過降維的方法，把變量由多個(gè)轉(zhuǎn)化為極少數(shù)個(gè)綜合變量(即主成分)，其中每個(gè)主成分都由原始變量通過線性組合而成，而且每個(gè)主成分之間無關(guān)聯(lián)．因此原始變量的很多信息都可以由這些主成分反映出來，且所含的信息相互獨(dú)立［6］．

主成分分析的具體步驟如下．

1)計(jì)算協(xié)方差矩陣．

首先要對(duì)樣品數(shù)據(jù)的協(xié)方差矩陣進(jìn)行計(jì)算，協(xié)方差矩陣的計(jì)算公式為

其中

2)計(jì)算主成分載荷．

主成分載荷是反映主成分F1與原變量Xj之間的相互關(guān)聯(lián)程度，原來變量Xj(j = 1，2，…，p)在每個(gè)主成分Fi(i = 1，2，…，m)上的載荷Lij(i = 1，2，…，m;j = 1，2，…，p)為

3)計(jì)算主成分得分．

樣品在m 個(gè)主成分上的得分的計(jì)算公式為

對(duì)4 組29 種融合后的圖像進(jìn)行主成分分析，圖6(a)所示是其中一組組合的第1 主成分圖像，圖6(b)是第2 主成分圖像，第1 主成分和第2 主成分的累計(jì)貢獻(xiàn)率分別是79．98%和14．21%，所以第1主成分更適合優(yōu)選最佳融合波長(zhǎng)． 表1 為4 組圖像融合下的第1 成分分析前4 個(gè)因子對(duì)應(yīng)的融合方式序列號(hào)和對(duì)應(yīng)的載荷及累計(jì)貢獻(xiàn)率．

圖6 信息融合后的主成分分析結(jié)果

表1 第1 主成分分析

由表1 可知，對(duì)這4 組樣本第1 主成分進(jìn)行分析，第1 主成分前4 個(gè)因子中，第一個(gè)因子為7 的概率最大．同時(shí)由圖5 可以看出，IR －R 圖像中紋理特征清晰，能明顯看到孔洞． 說明在這29 種融合方式中，第7 種即IR－R 融合方式效果最佳．

4 結(jié) 語

針對(duì)不同波段的圖像只是側(cè)重反映麥粒的某一部分信息，僅對(duì)這幾張多光譜圖像進(jìn)行特征提取，勢(shì)必會(huì)漏掉很多有用信息等問題，所以提出了使用圖像融合技術(shù)來增強(qiáng)圖像的方法．對(duì)采集到的近紅外、紅、綠及全色圖像進(jìn)行了29 種融合，采用主成分分析方法作為評(píng)判標(biāo)準(zhǔn)．通過原始、歸一后圖像融合及不同空間圖像融合對(duì)比發(fā)現(xiàn)，選用IR －R 融合圖像可以使目標(biāo)影像信息清晰、正確地表現(xiàn)在圖像中．研究表明，通過一定的多光譜圖像融合方式能夠有效地增強(qiáng)圖像．

［1］張紅濤，胡玉霞，邱道尹，等．基于相對(duì)熵閾值法的儲(chǔ)量害蟲圖像分割［J］． 華北水利水電學(xué)院學(xué)報(bào)，2003，24(3):27 －29．

［2］章毓晉．圖像處理與分析教程［M］．北京:人民郵電出版社，2009．

［3］胡玉霞，張紅濤，毛罕平，等．基于多分辨率分析的儲(chǔ)糧害蟲圖像預(yù)處理研究［J］． 農(nóng)機(jī)化研究，2012(8):160－163．

［4］張玉珠，毛罕平，張艷誠，等．基于多光譜融合圖像的背景分割［J］．農(nóng)機(jī)化研究，2008 (10):122 －124．

［5］岑益郎．計(jì)算機(jī)視覺技術(shù)在雜草識(shí)別中的應(yīng)用［D］． 杭州:浙江大學(xué)，2006．

［6］張紅濤，楚清河，顧波，等．核函數(shù)主成分分析在糧蟲特征提取中的應(yīng)用［J］． 河南農(nóng)業(yè)科學(xué)，2011，40(9):90－93．