胡祝華，趙瑤池*，白勇，曹鳳勤

(1.海南大學(xué)信息科學(xué)技術(shù)學(xué)院，海南?？?70228;2.海南大學(xué)環(huán)境與植物保護(hù)學(xué)院，海南?？?70228)

利用計(jì)算機(jī)圖像處理技術(shù)實(shí)現(xiàn)對(duì)儲(chǔ)糧害蟲(chóng)的分割和正確識(shí)別是近年來(lái)儲(chǔ)糧蟲(chóng)害綜合防治中具有活力的交叉研究方向之一［1－3］。把害蟲(chóng)數(shù)量控制在對(duì)儲(chǔ)糧損害的水平以下，既不會(huì)因?yàn)楹οx(chóng)造成損失，也不會(huì)因盲目防治造成浪費(fèi)，加重對(duì)糧食和環(huán)境的污染，因此及時(shí)準(zhǔn)確地獲取蟲(chóng)害信息至關(guān)重要。

進(jìn)入21世紀(jì)以來(lái)國(guó)內(nèi)外學(xué)者基于圖像處理技術(shù)針對(duì)害蟲(chóng)檢測(cè)和識(shí)別的研究有很多。2009年，胡濤等利用灰色理論進(jìn)行儲(chǔ)糧害蟲(chóng)的邊緣檢測(cè)［4］。2010年，張衛(wèi)芳等采用基于混合高斯模型對(duì)儲(chǔ)糧害蟲(chóng)進(jìn)行分割處理［5］。張建華等基于SVM(支持向量機(jī))模型、遺傳算法對(duì)儲(chǔ)糧害蟲(chóng)進(jìn)行智能識(shí)別［6］。2011年，Solis-Sanchez等采用尺度不變特征的 LOSS V2算法對(duì)害蟲(chóng)進(jìn)行檢測(cè)和識(shí)別［7］。2012年，Xia等基于計(jì)算機(jī)視覺(jué)的多重分形分析方法，用來(lái)檢測(cè)溫室中的微小害蟲(chóng)(如粉虱等)［8］。陸光等采用基于SVM的多特征融合算法對(duì)天牛圖像進(jìn)行識(shí)別［9］。

上述研究方法在特定場(chǎng)合下都取得了較好的分割和識(shí)別效果，但由于采用了比較復(fù)雜的智能算法，在檢測(cè)和識(shí)別效率上都具有一定的局限性，很難達(dá)到實(shí)時(shí)檢測(cè)的要求。為了提高儲(chǔ)糧害蟲(chóng)的識(shí)別效率，在保證識(shí)別正確率的前提下，筆者提出了一種基于輕量級(jí)圖像處理技術(shù)的害蟲(chóng)檢測(cè)與識(shí)別快速方法。通過(guò)該方法可以快速識(shí)別出儲(chǔ)糧中的害蟲(chóng)，為下一步的綜合防治提供及時(shí)有效的科學(xué)依據(jù)。

1 識(shí)別方法概述

1.1 整體思路 以?xún)?chǔ)糧害蟲(chóng)為研究對(duì)象，運(yùn)用圖像處理技術(shù)實(shí)現(xiàn)對(duì)儲(chǔ)糧害蟲(chóng)的目標(biāo)檢測(cè)與識(shí)別。該方法的整體結(jié)構(gòu)如圖1所示。

圖1 整體結(jié)構(gòu)

獲取原始圖像后，首先需對(duì)原始圖像進(jìn)行預(yù)處理和均衡操作，包括圖像格式轉(zhuǎn)換、彩色圖像灰度化、圖像灰度拉伸、二值化等操作;其次對(duì)預(yù)處理后的圖像進(jìn)行形態(tài)學(xué)濾波和重建工作;接著對(duì)處理后的圖像進(jìn)行目標(biāo)害蟲(chóng)的提取;最后將提取出的目標(biāo)害蟲(chóng)與庫(kù)中的信息進(jìn)行配準(zhǔn)，配準(zhǔn)過(guò)程包括對(duì)目標(biāo)蟲(chóng)體的旋轉(zhuǎn)、縮放、模板匹配等操作，識(shí)別結(jié)束后給出害蟲(chóng)的識(shí)別結(jié)果。

1.2 試驗(yàn)測(cè)試環(huán)境 ①硬件環(huán)境:高清數(shù)碼攝像機(jī)、PC［Inter(R)，Core(TM)i5-3230M CPU@2.60GHZ，2.56GB 內(nèi)存］。②軟件環(huán)境:Matlab 8.1、Visual C++6.0、WIN7 操作系統(tǒng)。③試驗(yàn)語(yǔ)言:C語(yǔ)言。

2 圖像預(yù)處理

在拍攝以及傳輸圖像的過(guò)程中受噪聲、外部環(huán)境等因素的干擾，造成圖像質(zhì)量有所下降。為此，需要增強(qiáng)圖像中的有用信息，改善圖像效果，使圖像中感興趣區(qū)域的特征差別更加明顯。該研究主要通過(guò)對(duì)圖像的格式轉(zhuǎn)換、灰度化、灰度拉伸以及二值化操作對(duì)圖像進(jìn)行預(yù)處理分析。分析結(jié)果為后續(xù)的處理流程提供好的輸入。

2.1 圖像格式轉(zhuǎn)換與灰度化 在儲(chǔ)糧蟲(chóng)害圖像獲取的過(guò)程中，考慮到監(jiān)控設(shè)施存儲(chǔ)空間大小的限制，以及圖像傳輸?shù)呢?fù)荷，最初的畫(huà)面存儲(chǔ)為JPEG格式。JPEG圖像占用空間小，但這種格式的圖像存儲(chǔ)方式較為復(fù)雜，涉及到Huffman編碼，對(duì)于圖像后期各方面的處理并不適合。為此，將JPEG圖像轉(zhuǎn)換為存儲(chǔ)方式簡(jiǎn)單的BMP圖像，這樣對(duì)圖像的灰度化、二值化等處理比較方便，格式轉(zhuǎn)換后的效果如圖2(b)所示。

圖2 蟲(chóng)害圖像預(yù)處理后的灰度拉伸效果

彩色圖像信息量很大，如果對(duì)其直接進(jìn)行圖像處理將會(huì)很困難，處理的速度也會(huì)很慢，極大地降低檢測(cè)與識(shí)別的效率。因此首先需要將彩色圖像轉(zhuǎn)化成灰度圖像。該研究采用標(biāo)準(zhǔn)加權(quán)平均值法進(jìn)行圖像的灰度化，如式(1)所示。

式中，wR、wG、wB分別為彩色圖像R、G、B 分量的權(quán)值，經(jīng)過(guò)反復(fù)試驗(yàn)測(cè)試獲取經(jīng)驗(yàn)值為:wR=0.299，wG=0.587，wB=0.114。

害蟲(chóng)圖像灰度化后的效果如圖2(c)所示。

2.2 圖像的均衡處理 均衡處理主要包括對(duì)儲(chǔ)糧害蟲(chóng)圖像進(jìn)行灰度拉伸和圖像的二值化處理。

2.2.1 灰度拉伸。灰度化后的灰度值大部分集中在一個(gè)小范圍的區(qū)域內(nèi)，給害蟲(chóng)目標(biāo)的分割閾值選擇帶來(lái)了一定的困難，因此需要將灰度拉伸到整個(gè)范圍，才能顯示出清晰的圖像，使得在該范圍內(nèi)的像素，亮的越亮，暗的越暗，達(dá)到增強(qiáng)對(duì)比度的目的?；叶壤焓疽鈭D如圖2(a)所示。圖中，L－1表示最大灰度級(jí)，r1和r2表示進(jìn)行灰度拉伸的最小輸入灰度和最大輸入灰度，s1和s2是變換拉伸后的灰度輸出，a、b、c為3段直線的斜率，因?yàn)槭菍?duì)圖像中的重要區(qū)域進(jìn)行對(duì)比度拉伸，所以斜率b必須大于1，而a、c的值往往相等。在該試驗(yàn)中 a、b、c的取值分別為:a=c=0.5，b=1.75?；叶壤旌蟮男Ч鐖D2(d)所示，從效果圖可知，灰度拉伸后害蟲(chóng)圖像的對(duì)比度得到了明顯的增強(qiáng)，有利于二值化處理中閾值的選擇。

2.2.2 二值化處理?；叶葓D像數(shù)據(jù)量仍然較大，會(huì)影響到檢測(cè)與識(shí)別的效率。二值化是將具有256個(gè)灰度等級(jí)的圖像通過(guò)閾值處理轉(zhuǎn)換成只有2個(gè)灰度等級(jí)(0、255)的圖像，二值化處理后使圖像具有更小的數(shù)據(jù)和更強(qiáng)的目標(biāo)對(duì)比，有利于對(duì)目標(biāo)圖像的進(jìn)一步處理分析。二值化算法如式(2)所示。

式中，g(x，y)表示灰度圖像;f(x，y)表示生成的二值圖像，T表示所設(shè)定的閾值，閾值選擇必須恰當(dāng)，過(guò)大的閾值會(huì)破壞害蟲(chóng)目標(biāo)輪廓，過(guò)小的閾值將會(huì)出現(xiàn)大量的噪聲。因此，采用Otsu算法［10］對(duì)T進(jìn)行自動(dòng)閾值選擇。二值化圖像效果如圖3(a)所示。從圖像效果可知，二值化后會(huì)產(chǎn)生局部噪聲，目標(biāo)蟲(chóng)體的一些腿部細(xì)節(jié)也會(huì)產(chǎn)生間斷，蟲(chóng)體內(nèi)部產(chǎn)生空洞，這樣對(duì)模板匹配會(huì)產(chǎn)生不利的影響。因此在目標(biāo)提取前需要進(jìn)行形態(tài)學(xué)運(yùn)算［11］處理。

3 目標(biāo)蟲(chóng)體的形態(tài)學(xué)運(yùn)算與提取

3.1 形態(tài)學(xué)運(yùn)算 為了在目標(biāo)蟲(chóng)體提取時(shí)足夠精確，對(duì)二值化后的圖像進(jìn)行了無(wú)損濾波操作，消除噪聲的同時(shí)填補(bǔ)蟲(chóng)體目標(biāo)上的空洞，采用的算法如下。

3.1.1 首先對(duì)二值圖像進(jìn)行形態(tài)學(xué)開(kāi)重建濾波運(yùn)算。如式(3)所示。

式中，F(xiàn)表示需要被濾波的二值圖像;B表示腐蝕結(jié)構(gòu)單元;FΘB表示進(jìn)行形態(tài)學(xué)腐蝕操作表示形態(tài)學(xué)重建模型。具體表示如式(4)所示。

式中，I表示將要被重建的圖像;I1，I2，…，IK表示圖像I的連通單元。對(duì)蟲(chóng)害二值化圖像開(kāi)重建運(yùn)算的效果如圖3(b)、(c)所示。從圖中可知，運(yùn)算的結(jié)果不僅去除了圖3(a)中的局部噪聲，而且填補(bǔ)了蟲(chóng)體目標(biāo)中一些較大的空洞。

3.1.2 在第1步的基礎(chǔ)上進(jìn)行形態(tài)學(xué)閉運(yùn)算。開(kāi)重建濾波后，再利用形態(tài)學(xué)閉運(yùn)算可以彌合目標(biāo)蟲(chóng)體圖像中的較窄的間斷，消除小的空洞，填補(bǔ)圖像中細(xì)小斷裂。如式(5)所示。

式中，B表示腐蝕結(jié)構(gòu)單元;A表示圖像。閉操作實(shí)際上是B先對(duì)A進(jìn)行膨脹運(yùn)算，然后用B進(jìn)行腐蝕。閉運(yùn)算的結(jié)果如圖3(d)所示，對(duì)圖3(d)進(jìn)行反轉(zhuǎn)得到最終的形態(tài)學(xué)處理效果，如圖3(e)所示。從效果圖可知，經(jīng)過(guò)整個(gè)形態(tài)學(xué)操作后，與圖3(a)相比，在濾除噪聲的同時(shí)，豐富了蟲(chóng)體的局部細(xì)節(jié)，填補(bǔ)了蟲(chóng)體上的小空洞。

3.2 目標(biāo)蟲(chóng)體的提取 為了提取出感興趣區(qū)域中的目標(biāo)蟲(chóng)體，并統(tǒng)計(jì)出目標(biāo)蟲(chóng)體的面積和周長(zhǎng)，處理了如下兩個(gè)關(guān)鍵問(wèn)題。

圖3 二值化圖像的形態(tài)學(xué)操作

3.2.1 判斷當(dāng)前分析的目標(biāo)點(diǎn)是否處于正在查找的某一目標(biāo)區(qū)域。采用的算法如下:①找到一個(gè)合理點(diǎn)(如第1次遍歷時(shí)可以尋找第1個(gè)灰度為0的點(diǎn)，這個(gè)點(diǎn)肯定是某一區(qū)域的邊界點(diǎn))，將該點(diǎn)記為點(diǎn)A。②在A點(diǎn)的右、右下、下、左下4個(gè)鄰近點(diǎn)中至少有一個(gè)是邊界點(diǎn)(一個(gè)邊界點(diǎn)的上下左右4個(gè)相鄰點(diǎn)都是黑點(diǎn))，將其記為B。③從B開(kāi)始查找，按照右、右下、下、左下、左、左上、上、右上的順序?qū)ふ蚁噜徑c(diǎn)中的邊界點(diǎn)，每尋找到一個(gè)邊界點(diǎn)將其記為點(diǎn)C，并記錄該點(diǎn)的位置信息。④判斷點(diǎn)C，如果C就是A點(diǎn)，則表明該區(qū)域已查找完成，否則重復(fù)執(zhí)行前面的操作，直到重新找到A為止。

3.2.2 圖像中目標(biāo)蟲(chóng)體的提取。為了不漏掉任何一處區(qū)域，需要對(duì)圖像中的像素點(diǎn)逐個(gè)遍歷，將所有區(qū)域都提取出來(lái)。該研究采取的算法是:在判斷出某一蟲(chóng)體目標(biāo)區(qū)域后，將該區(qū)域的點(diǎn)寫(xiě)入到新的圖像中，同時(shí)將原圖中這些像素點(diǎn)刪除(即將其灰度值置為255)。這樣在提取該區(qū)域的蟲(chóng)體生成新圖像的同時(shí)，原圖中該部分區(qū)域也被刪除，使得查找余下蟲(chóng)體區(qū)域更為方便。

4 目標(biāo)蟲(chóng)體的識(shí)別

4.1 識(shí)別前的預(yù)處理 蟲(chóng)體提取出來(lái)后，由于生成的新圖是按照原圖的大小進(jìn)行操作的，所以為了方便后面的操作，減少操作的數(shù)據(jù)量，需要將新生成的蟲(chóng)體圖像的空白無(wú)效區(qū)域裁剪掉。其算法操作步驟是:找出目標(biāo)的最高點(diǎn)、最左點(diǎn)、最右點(diǎn)以及最下點(diǎn)，根據(jù)這些點(diǎn)的坐標(biāo)求出蟲(chóng)體的寬和高，然后生成新圖。

采用對(duì)蟲(chóng)體姿態(tài)和形體特征的配準(zhǔn)進(jìn)行害蟲(chóng)的識(shí)別。在配準(zhǔn)的過(guò)程中，必須要建立一個(gè)配準(zhǔn)的基準(zhǔn)，該研究以目標(biāo)蟲(chóng)體的最長(zhǎng)軸在水平方向上為基準(zhǔn)，此時(shí)需要對(duì)目標(biāo)蟲(chóng)體進(jìn)行旋轉(zhuǎn)，找到最長(zhǎng)軸，旋轉(zhuǎn)到水平方向。另外，在識(shí)別中目標(biāo)蟲(chóng)體的分辨率大小需要與模板庫(kù)中樣本的大小保持一致，因此需要對(duì)目標(biāo)蟲(chóng)體參照樣本大小進(jìn)行縮放。

4.2 改進(jìn)Hausdorff距離的模板匹配 為了抵抗噪聲的干擾，采用了基于改進(jìn)Hausdorff距離的模板匹配算法［12］。改進(jìn)Hausdorff距離是用來(lái)描述兩組點(diǎn)集之間相似程度的一種度量方法，公式為:

式中，dh(A，B)定義為待識(shí)別蟲(chóng)體像素點(diǎn)的集合A與模板庫(kù)中樣本的像素點(diǎn)集合B之間的直接Hausdorff距離。‖.‖表示距離范數(shù)。先生成儲(chǔ)糧害蟲(chóng)模板庫(kù)，然后逐個(gè)計(jì)算待識(shí)別的目標(biāo)蟲(chóng)體與模板庫(kù)中各個(gè)樣本之間的改進(jìn)Hausdorff距離Di(i=1，2，…，N)，其中N為模板庫(kù)中樣本的個(gè)數(shù)。

模板匹配算法的具體步驟如下:①初始化D(I，Ti)，其中I表示待識(shí)別蟲(chóng)體圖像，Ti表示模板庫(kù)中的第i個(gè)樣本，令D(I，Ti)=0。②從上到下，從左至右，逐個(gè)像素掃描I，如果是0(黑色)，記錄下該點(diǎn) Px，y的位置;否則重復(fù) 2。③針對(duì) Ti，以Px，y為中心的k×k鄰域內(nèi)，搜索像素值為0的點(diǎn)，尋找與 Px，y最近的那個(gè)點(diǎn)，并計(jì)算到該點(diǎn)的距離，此距離為I和Ti在該點(diǎn)的最小距離。在該試驗(yàn)中取3×3鄰域。④將所有計(jì)算的距離進(jìn)行累加后賦給D(I，Ti)。⑤判斷I是否掃描結(jié)束，若沒(méi)有轉(zhuǎn)到步驟②，否則繼續(xù)計(jì)算，直至得到I到所有Ti的距離。⑥按照同樣的步驟可計(jì)算Ti到I的改進(jìn)Hausdorff距離D(Ti，I)。⑦取 Di=Max［D(I，Ti)，D(Ti，I)］。

通過(guò)算法可以得到待識(shí)別蟲(chóng)體與模板庫(kù)中所有樣本之間的距離{D1，D2，…，DN}，當(dāng) Di取最小時(shí)，對(duì)應(yīng)的模板中樣本即為識(shí)別的結(jié)果。

5 試驗(yàn)結(jié)果

以拍到的米象害蟲(chóng)圖像為例，圖3(a)為蟲(chóng)害圖像進(jìn)行預(yù)處理后的結(jié)果，圖3(e)為形態(tài)學(xué)操作后的結(jié)果。對(duì)目標(biāo)蟲(chóng)體進(jìn)行提取，并去掉空白無(wú)效區(qū)域，得到如圖4(a)所示的效果。旋轉(zhuǎn)到基準(zhǔn)位置后，因?yàn)闊o(wú)法預(yù)知是否和模板庫(kù)中樣本的水平朝向一致，因此對(duì)旋轉(zhuǎn)完成的圖像還需進(jìn)行180°的旋轉(zhuǎn)，形成左、右兩個(gè)朝向的目標(biāo)蟲(chóng)體。另外，為了防止在配準(zhǔn)中出現(xiàn)較大誤差，對(duì)兩個(gè)方向的蟲(chóng)體圖像都進(jìn)行角度的微調(diào)，這樣在兩個(gè)方向都有了與水平方向略有角度差異(正負(fù)2度)的3幅圖像。試驗(yàn)效果如圖4(b)所示。

圖4 識(shí)別前的預(yù)處理操作

對(duì)圖4(b)提取出來(lái)的目標(biāo)蟲(chóng)體按照模板庫(kù)中的樣本大小進(jìn)行縮放操作。利用改進(jìn)Hausdorff距離的模板匹配算法進(jìn)行識(shí)別得到害蟲(chóng)的識(shí)別結(jié)果。識(shí)別信息如圖5所示。為了進(jìn)一步考察該方法的效率，針對(duì)不同儲(chǔ)糧害蟲(chóng)圖像用相同的方法進(jìn)行識(shí)別，計(jì)算出所耗費(fèi)的時(shí)間和識(shí)別率如表1所示，圖像尺寸大小均為160*230。

圖5 識(shí)別結(jié)果

表1 不同儲(chǔ)糧害蟲(chóng)的識(shí)別對(duì)比

由試驗(yàn)結(jié)果可知，通過(guò)該研究提出的方法可以正確地提取和識(shí)別出一般場(chǎng)景中的儲(chǔ)糧害蟲(chóng)。檢測(cè)識(shí)別的時(shí)間基本達(dá)到了實(shí)時(shí)識(shí)別的要求。

6 結(jié)語(yǔ)

儲(chǔ)糧害蟲(chóng)的檢測(cè)與識(shí)別是蟲(chóng)害智能監(jiān)測(cè)與防治中的重要一環(huán)，該研究基于計(jì)算機(jī)圖像處理技術(shù)構(gòu)建了一套目標(biāo)提取的快速方法，并將其應(yīng)用到蟲(chóng)害圖像中蟲(chóng)體的分割和提取上，然后再應(yīng)用快速而簡(jiǎn)單的識(shí)別算法對(duì)蟲(chóng)體進(jìn)行識(shí)別。試驗(yàn)結(jié)果表明，該研究提出的方法針對(duì)不是特別復(fù)雜場(chǎng)景中的害蟲(chóng)識(shí)別具有較好的效果，并且識(shí)別的效率基本達(dá)到了實(shí)時(shí)性的要求。

［1］胡麗華，郭敏，張景虎，等.儲(chǔ)糧害蟲(chóng)檢測(cè)新技術(shù)及應(yīng)用現(xiàn)狀［J］.農(nóng)業(yè)工程學(xué)報(bào)，2007(11):286 －290.

［2］毛罕平，張紅濤.儲(chǔ)糧害蟲(chóng)圖像識(shí)別的研究進(jìn)展及展望［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008(4):175 －179，186.

［3］王江寧，紀(jì)力強(qiáng).昆蟲(chóng)圖像分割方法及其應(yīng)用［J］.昆蟲(chóng)學(xué)報(bào)，2011(2):211－217.

［4］胡濤，徐磊.灰色理論在儲(chǔ)糧害蟲(chóng)圖像處理中的應(yīng)用［J］.湖北農(nóng)業(yè)科學(xué)，2009(3):729 －731.

［5］張衛(wèi)芳，郭敏.基于圖割理論的儲(chǔ)糧害蟲(chóng)圖像分割［J］.科學(xué)技術(shù)與工程，2010(7):1661 －1664，1679.

［6］張建華，朱春華.基于遺傳算法和支持向量機(jī)的儲(chǔ)糧害蟲(chóng)圖像識(shí)別［J］.安徽農(nóng)業(yè)科學(xué)，2010(17):8833 －8834.

［7］SOLIS-SANCHEZ L O，CASTANEDA-MIRANDA R，GARCIA-ESCALANTE J J，et al.Scale invariant feature approach for insect monitoring［J］.Computers and Electronics in Agriculture，2011，75(1):92 －99.

［8］XIA C，LEE J M，LI Y，et al.In situ detection of small-size insect pests sampled on traps using multifractal analysis［J］.Optical Engineering，2012，51(2):27001.

［9］陸光，滿慶麗，徐然.基于SVM的多特征融合的天牛圖像識(shí)別［J］.森林工程，2012(4):21－25.

［10］OTSU N.A threshold selection method from gray-level histogram ［J］.IEEE Transaction on Systems，Man and Cybernetics，1979，9(1):62 －66.

［11］GONZALEZ R C，WOODSR E.數(shù)字圖像處理［M］.阮秋琦，阮宇智，譯.3 版.北京:電子工業(yè)出版社，2011:402 －411.

［12］馮偉興，梁洪，王臣業(yè).Visual C++數(shù)字圖像模式識(shí)別典型案例詳解［M］.北京:機(jī)械工業(yè)出版社，2012:88 －90.