霍志林,吳洪潭,華 享,徐遠揚,張亞雄

(1.中國計量學院 質量與安全工程學院,浙江 杭州 310018;2.杭州市商貿綜合監(jiān)察中心,浙江 杭州 310006)

灰度共生矩陣在蔬菜種類識別中的應用研究

霍志林1,吳洪潭1,華 享2,徐遠揚2,張亞雄1

(1.中國計量學院 質量與安全工程學院,浙江 杭州 310018;2.杭州市商貿綜合監(jiān)察中心,浙江 杭州 310006)

針對我國蔬菜類食品安全追溯系統(tǒng)中有關種類信息采集存在的一些問題,提出了一種利用圖像紋理分析技術對多種蔬菜進行識別分類,進而提高信息采集的準確性與高效性.實驗中分別用灰度共生矩陣算法(GLCM)、高斯馬爾可夫模型法(GMRF)和Gabor法分別對蔬菜的紋理進行特征提取,并通過支持向量機(SVM)分類對比.結果證明，由灰度共生矩陣對蔬菜種類識別可以得到較好的分類結果.

食品安全追溯;紋理分析;特征提取;灰度共生矩陣;支持向量機

在經濟全球化和食品貿易全球化的大背景下,食品安全問題已經成為各國重點關注的焦點之一,尤其在國內外食品安全事件頻繁發(fā)生的情況下,食品安全更是成了各國首要控制和解決的問題,因此各國政府紛紛采取了相應的措施來加大食品質量安全的監(jiān)管力度.我國于2009年8月起,由商務部主導,開始在全國范圍內進行肉菜流通追溯體系建設的試點工作.但目前我國對食品安全可追溯系統(tǒng)的研究和開發(fā)主要限于動物及其產品領域,而對蔬菜的質量安全追溯系統(tǒng)由于在種植環(huán)節(jié)中仍存在一些問題,所以尚未完善.

對于食品安全追溯體系來說,最關鍵的問題在于溯“源”,即農產品的種植環(huán)節(jié).此環(huán)節(jié)主要是對農產品的種類、生長環(huán)境、農藥使用情況以及種植者的信息進行采集,但由于員工長時間的勞動,而且大部分員工是知識水平相對較低的農民,在對產品信息進行采集時,很容易導致其信息在源頭上的錯誤與不統(tǒng)一,從而大大影響整個供應鏈進行追溯的準確性與一致性.所以，針對這些問題,提出了以圖像識別技術為基礎,通過采集蔬菜圖片信息對其進行自動識別分類.

圖像識別技術一般通過對目標的形狀、顏色、紋理進行特征提取,并利用分類器進行訓練判決,最后再進行識別分類.本文將采用紋理分析對蔬菜進行識別分類.其中灰度共生矩陣算法是紋理分析技術中常用的一種統(tǒng)計法[1],是一種全局特征,不依賴于物體表面的色調或亮度,而是反映圖像灰度(或色彩)的空間排列分布模式[2].文獻[3]中提到Dubes和Ohanian對多通道濾波表示法、馬爾可夫隨機場(GMRF)表示法、灰度共生矩陣(GLCM)表示法和分形表示法四種方法進行評估和比較,結果證明灰度共生矩陣方法性能最優(yōu).如謝菲[4]等采用灰度共生矩陣算法對紋理圖像進行特征提取,并用支持向量機對其分類,測試證明該算法可以達到良好的圖像分類效果.郭德軍[5]等借助灰度共生矩陣算法對三種紋理圖像進行特征提取,并采用BP神經網絡進行分類器設計,同樣取得了良好的分類效果.高程程[6]等對物種木材紋理提出了用灰度共生矩陣的方法提取紋理特征,結果提取的四種紋理特征值能有效地描述木材的紋理特征,具有較好的鑒別能力.本文采用灰度共生矩陣方法對三種蔬菜的紋理進行特征提取,并進行結果分析.

1 灰度共生矩陣原理分析

灰度共生矩陣(Gray Level Co-occurrence Matrix)算法是利用圖像空間中相隔一定距離的兩個像素的空間相關性提出的.它反映了圖像灰度關于方向、相鄰間隔、變化幅度的綜合信息,為分析圖像的局部模式和排列規(guī)則奠定了基礎[7].

假設待分析的紋理圖像是一個M×N的矩形窗口.Pφ,d(a,b)表示灰度級分別為a,b,方向為φ、間隔距離為d的兩個像素,出現在窗口中的頻率.φ一般取0°、45°、90°、135°等方向,則灰度級分別為a,b的兩個像素在四個方向上共生矩陣的定義[8]如下:

P0°,d(a,b)=|{[(k,l),(m,n)]∈D:

k-m=0,|l-n|=d

f(k,l)=a,f(m,n)=b}|;

(1)

P45°,d(a,b)=|{[(k,l),(m,n)]∈D:

(k-m=d,l-n=0)or(k-m=-d,

l-n=d)f(k,l)=a,f(m,n)=b}|;

(2)

P90°,d(a,b)=|{[(k,l),(m,n)]∈D:

|k-m|=d,l-n=0

f(k,l)=a,f(m,n)=b}|;

(3)

P135°,d(a,b)=|{[(k,l),(m,n)]∈D:

(k-m=d,l-n=d)or(k-m=-d,

l-n=-d)f(k,l)=a,f(m,n)=b}|.

(4)

其中D=(M×N)×(M×N).

如圖1是灰度共生矩陣算法的實現,其中(a)是一個灰度級為4的4×4圖像,(b)為設d=1,φ=135°時計算得到的共生矩陣.

0011001102222233

(a) 4×4圖像

(b) 共生矩陣

圖1 灰度共生矩陣算法

Figure 1 GLCM algorithm

如元素P135°,1(0,2)表示具有灰度級0和2的兩個像素在方向135°上間隔為1的出現的次數.

2 紋理特征值描述

由于灰度共生矩陣不能直接描述圖像的紋理信息,所以人們通過共生矩陣計算一些相應的特征值,以此來描述圖像的紋理信息.Haralick一共提出14種特征值,在文獻[9]中證明其中幾個特征值之間存在一致性,在計算過程中存在冗余性,所以一般只采用四個特征值來進行分析計算,即對比度Con、熵Ent、相關性Cor和能量Asm.

在計算紋理特征值時,為減少計算量,通常會在計算灰度共生矩陣前對圖像的灰度級進行壓縮,以減小計算時間.同時在進行特征值提取前,需對灰度共生矩陣進行正規(guī)化處理,公式如下:

(5)

其中:R—正規(guī)化常數.

四個特征值定義如下:

1)對比度Con

(6)

對比度反映了圖像的清晰度和紋理的溝紋深淺.對比度越大,溝紋越深,圖像越清晰;反之,對比度越小,溝紋越淺,圖像越模糊.

2)熵Ent

(7)

熵是度量圖像紋理的隨機性,反映圖像紋理的復雜程度.當熵取最大值時,共生矩陣中所有的值幾乎相等,則圖像中分布著細紋理;反之,當熵取最小值時,共生矩陣中所有的值極不均勻,則圖像中分布著極少的細紋理.

3)相關性Cor

(8)

式中：μx,μy—均值;σx,σy—標準差.

(9)

(10)

(11)

(12)

相關性反映了圖像紋理的一致性.當共生矩陣中元素值均勻相等時,相關值較大;反之,共生矩陣中元素值存在較大差異時,相關值較小.

4)能量Asm(或角度二階距)

(13)

能量是圖像均勻性的測度,反映圖像灰度分布的均勻性和紋理的粗細程度.若圖像越均勻,即粗紋理時,其值越大;反之,圖像越不均勻,即細紋理時,其值就越小.

利用其進行紋理分析時有三個重要影響因素[10]:1)移動窗口大小;2)移動步長;3)灰度級量化.文獻[11]中通過改變三個因素的值對提取到的紋理特征值進行數據分析并證明,選擇合適的移動窗口取決于圖像紋理結構本身,即較小的窗口表征細微紋理特征,較大的窗口表征粗糙的紋理特征;合適的步長可以減少像元之間像素信息的丟失,從而提高紋理特征的準確性;灰度級太大,會增加共生矩陣的計算量,所以一般在計算共生矩陣前,在保證不影響紋理特征的前提下,首先對灰度圖進行灰度級量化,取合適的灰度級進行計算,從而提高檢索速度.

3 實驗與結果分析

實驗選取合適的移動窗口、移動步長以及灰度級等參數,利用灰度共生矩陣算法對三種蔬菜進行紋理特征提取.

3.1 彩色圖像灰度化

用攝像頭采集了三種蔬菜(黃瓜、普通白菜、皺葉萵苣)的彩色圖像作為研究對象.由于灰度共生矩陣是基于對灰度圖像紋理進行特征值提取的一種算法,所以首先要對采集到的彩色圖像進行灰度轉換.如圖2分別為三種蔬菜紋理的灰度圖.

圖2 三種蔬菜紋理樣本Figure 2 Three kinds of vegetables texture sample

3.2 灰度共生矩陣算法參數設定

原圖像進行灰度轉換后得到的灰度圖的灰度級一般為256,實驗中將灰度級量化為16.設定步長為1,移動窗口為128×128,并通過移動窗口的掃描計算得到四個方向的灰度共生矩陣,再進行歸一化處理.最后利用特征值公式計算各個方向上的特征參數,以供數據分析.

3.3 實驗結果分析

實驗結果如圖3所示:

圖3 灰度共生矩陣的特征值

為了進一步分析本方法的可行性,分別單獨使用高斯馬爾可夫模型法(GMRF)、Gabor能量法和本文方法對上述三種蔬菜進行識別分類實驗.馬爾科夫模型法(GMRF)是一個平穩(wěn)自回歸過程,用來表達空間上的相關隨機變量之間的相互作用的模型,其所產生的參數可以描述紋理在不同方向、不同形式的集聚特征.實驗中將采用4階GMRF模型,其得到的模型特征向量作為提取的紋理特征值.Gabor能量法具有良好的多尺度特性和方向特性,兼顧信號在時域和頻域上的分辨能力.試驗中根據紋理的不同頻率和帶寬設計一組Gabor濾波器對紋理圖像進行濾波,從各濾波器的輸出結果中分析和提取紋理特征,并將濾波后紋理圖像的均值和能量作為蔬菜種類識別的紋理特征值.最后將得到的特征值利用分類器進行分類識別.

一般在模式分類問題中,對數據的分類精度與訓練速度有較高的要求,為了滿足這些要求,本文采用主成分分析法(PCA)與支持向量機結合的方法對提取到的蔬菜紋理特征值進行分類決策.因為主成分分析法可以提取樣本集主元,從而降低樣本的維數,兩者結合使用能充分利用各特征值對區(qū)分不同類別的有效性,從而提高分類器的分類能力,進而能夠較準確地對蔬菜進行了分類識別.

實驗中選取上述三種蔬菜的紋理圖像作為樣本,每類蔬菜選取訓練樣本50個,測試樣本25個,分別用上述三種方法進行分類比較,實驗結果如表1所示,其數據表示識別率.

表1 實驗結果

4 結 語

實驗證明采用灰度共生矩陣較其它方法更能有效地對蔬菜種類進行識別.但由于灰度共生矩陣為稀疏矩陣,在計算特征值時會有大量的冗余,造成存儲空間的浪費,所以對灰度共生矩陣的算法改進將是下一步的研究內容.

[1] 劉麗,匡綱要.圖像紋理特征提取方法綜述[J].中國圖象圖形學報,2009(4):622-635. LIU Li, KUANG Gangyao. Overview of image textural feature extraction methods[J]. Journal of Image and Graphics,2009(4):622-635.

[2] 章智儒.紋理特征提取算法及其在面向對象分類技術中的應用研究[D].成都:電子科技大學,2009. ZHANG Zhiru. Texture feature extraction algorithm and application in object-oriented image classification techniques[D]. Chengdu: University of Electronic Science and Technology of China,2009.

[3] 何利.基于圖像紋理顏色特征的豬體識別研究與實現[D].廣州:華南理工大學,2010. HE Li. Research and implementation on swine body identification based on characteristic of image texture and color[D]. Guangzhou: South China University of Technology,2010.

[4] 謝菲.圖像紋理特征的提取和圖像分類系統(tǒng)研究及實現[D].成都:電子科技大學,2009. XIE Fei. Image texture extraction and image classification system research and implementation[D]. Chendu: University of Electronic Science and Technology of China, 2009.

[5] 郭德軍,宋蟄存.基于灰度共生矩陣的紋理圖像分類研究[J].林業(yè)機械與木工設備,2005(7):21-23. GUO Dejun, SONG Zhecun. A study on texture image classifying based on gray-level co-occurrence matrix[J]. Forestry Machinery and Woodworking Equipment,2005(7):21-23.

[6] 高程程,惠曉威.基于灰度共生矩陣的紋理特征提取[J].計算機系統(tǒng)應用,2010(6):195-198. GAO Chengcheng, HUI Xiaowei. GLCM-based texture feature extraction[J]. Computer Systems Application,2010(6):195-198.

[7] 謝菲,陳雷霆,邱航.基于紋理特征提取的圖像分類方法研究及系統(tǒng)實現[J].計算機應用研究,2009(7):2767-2770. XIE Fei, CHEN Leiting, QIU Hang. Research of image classification method based on texture feature extraction and system to achieve[J]. Application Research of Computers,2009(7):2767-2770.

[8] ?？?赫拉瓦卡,博伊爾.圖像處理、分析與機器視覺[M].2版.艾海舟,蘇延超,譯.北京:清華大學出版社,2011:517-518.

[9] 薄華,馬縛龍,焦李成.圖像紋理的灰度共生矩陣計算問題的分析[J].電子學報,2006(1):155-158. BO Hua, MA Fulong, JIAO Licheng. Research on computation of GLCM of image texture[J]. Actaelectronica Sinica,2006(1):155-158.

[10] 馬莉,范影樂.紋理圖像分析[M].北京:科學出版社,2009:27-28.

[11] JIA Longhao, ZHOU Zhongfa, LI Bo. Study of SARImage texture feature extraction based on GLCM in Guizhou karst mountainous region[J]. RemoteSensing, Environment and Transportation Engineering,2012(2):1-4.

Application of gray level co-occurrence matrix in vegetable species recognition

HUO Zhilin1, WU Hongtan1, HUA Xiang2, XU Yuanyang2, ZHANG Yaxiong1

(1. College of Quality and Safety Engineering, China Jiliang University, Hangzhou 310018, China; 2. Hangzhou Comprehensive Trading Monitoring Center, Hangzhou 310006, China)

Aimed at the problem of the acquisition of vegetable information, we proposed a texture analysis technique to identify and classify the variety of vegetables so as to improve the efficiency and accuracy of information acquisition. Vegetable texture features were extracted with the methods of gray level co-occurrence matrix (GLCM), Gauss-Markov random field (GMRF) and Gabor,respectively, and were compared with that of the support vector machine (SVM). It is found that vegetable recognition with the method of gray level co-occurrence matrix is the optimum.

food safety traceability; texture analysis; feature extraction; GLCM; SVM

1004-1540(2015)01-0105-05

10.3969/j.issn.1004-1540.2015.01.019

2014-10-17 《中國計量學院學報》網址：zgjl.cbpt.cnki.net

TP391

A