王 耐，盧文彪，凌秀華，梁麗金，李熙燦，李 睿（廣州中醫(yī)藥大學中藥學院，廣州 510006）

·藥物分析與檢定·

牛膝和川牛膝藥材的特征提取與圖像識別Δ

王 耐＊，盧文彪#，凌秀華，梁麗金，李熙燦，李 睿（廣州中醫(yī)藥大學中藥學院，廣州 510006）

目的：提取牛膝和川牛膝藥材的特征，并建立其圖像識別方法。方法：采用MATLAB軟件編程拼接牛膝和川牛膝藥材的橫切面顯微圖像，提取顏色、不變矩、紋理和橫切面維管束組織特征；將數(shù)據(jù)整理成數(shù)據(jù)矩陣，通過Zscore函數(shù)對數(shù)據(jù)矩陣進行標準化，通過Princomp函數(shù)進行主成分分析；采用BP神經(jīng)網(wǎng)絡(luò)識別模式。結(jié)果：藥材樣品顯微圖像拼接處的組織細節(jié)保持完整；測得每組藥材樣品圖像的27個特征參數(shù)，經(jīng)主成分分析，選取11個主成分參數(shù)建立BP神經(jīng)網(wǎng)絡(luò)，兩種近緣藥材樣本（n＝50）的BP神經(jīng)網(wǎng)絡(luò)平均識別率為100%。結(jié)論：該方法可用于中藥材顯微圖像自動拼接，及牛膝和川牛膝藥材的圖像識別。

牛膝；川牛膝；圖像拼接；模式識別；MATLAB軟件

使得圖像中不完整的部分易產(chǎn)生誤差，且有許多組織特征難于實現(xiàn)參數(shù)化表征，不利于批量圖像的快速、準確分析。2015年版《中國藥典》（一部）將牛膝Achyranthis bidentatae RL.和川牛膝Cyathulae officinalis作為兩種藥材收錄[2]。目前，牛膝和川牛膝藥材的傳統(tǒng)鑒別方法主要是性狀鑒別和顯微鑒別[3]。因此，筆者以牛膝和川牛膝這兩種近緣藥材為試樣，針對它們的性狀特征、維管束特征等差別，采用MATLAB編程實現(xiàn)藥材橫切面顯微圖像的自動拼接以及藥材特征的定量描述與識別，為中藥材的快速鑒別與質(zhì)量評價奠定基礎(chǔ)。

1 材料

1.1 儀器

XSP-35TV型生物顯微鏡（成都一科儀器設(shè)備有限公司）；TDCE型電子目鏡[江南光電（集團）股份有限公司]；D3200型數(shù)碼相機（日本Nikon公司）；YL3型回旋式切片機（上海儀表廠）；MATLAB軟件（R2013a版，美國MathWorks公司）。

1.2 試劑

聚乙二醇、水合氯醛均為化學純。

1.3 藥材

牛膝（批號：160401、160709、160728）、川牛膝（批號：151003、160317、160210）均購自廣州清平藥材市場，經(jīng)廣州中醫(yī)藥大學黃海波副教授鑒定為真品。

2 方法與結(jié)果

2.1 圖像采集

2.1.1 藥材樣品圖像 兩種藥材樣品隨機各抽取25根，置于白紙上，保持相機與藥材樣品每次的拍攝距離（約10 cm）和光照條件（自然光）相同，攝取50張藥材樣品圖像。采用MATLAB軟件將攝取的圖像轉(zhuǎn)至HSV（Hue、Saturation、Value，即顏色、飽和度、亮度）顏色空間，在S通道上用最大類間方差法設(shè)置分割閾值，實現(xiàn)目標物與背景的分割，經(jīng)裁剪后備用，詳見圖1。

圖1 藥材樣品圖像Fig 1 Image of medicinal material

2.1.2 藥材橫切片樣品顯微圖像 取藥材樣品中段，以聚乙二醇包埋制片法制成橫切片，裝片。在顯微鏡下按一定順序移動視野，覆蓋整個橫切片，保持每次放大倍率（40×）相同，控制圖像在HSV空間的V均值范圍為0.4～0.8，并使各視野間有一定程度重疊（10%～30%），以電子目鏡攝取各視野圖像，經(jīng)小波除噪，編號保存。將采集的彩色圖像（RGB）轉(zhuǎn)換為灰度圖像，在兩幅圖像的重疊區(qū)域中選定匹配區(qū)域，采用基于灰度相關(guān)的區(qū)域匹配法[4]，用MATLAB軟件內(nèi)置函數(shù)Normxcorr 2計算匹配區(qū)域中對應(yīng)像素點之間的灰度值相關(guān)系數(shù)，以最大相關(guān)系數(shù)對應(yīng)的坐標為兩幅圖像的配準坐標；計算兩幅圖像配準區(qū)域的平均灰度差值，用直接平均灰度調(diào)整法[5]調(diào)整兩幅圖像的灰度值，從而消除圖像拼接處較大的灰度梯度；根據(jù)配準坐標自動裁去圖像拍攝時平移錯位引起的冗余部分，合并兩圖像矩陣完成拼接。若旋轉(zhuǎn)錯位，則增加對待拼接圖像進行角度掃描，以得到最大相關(guān)系數(shù)對應(yīng)的配準坐標及偏轉(zhuǎn)角度校正值。依照兩幅圖像的拼接方法，設(shè)定循環(huán)依次讀入待拼接圖像，先按行/列依次拼接，再按列/行依次拼接，得到牛膝與川牛膝橫切片的拼接圖像，詳見圖2。

圖2 藥材切片的部分拼接圖像Fig 2 Some stitched images of medicinal material sections

2.2 藥材樣品特征提取

2.2.1 顏色特征 利用圖像的顏色矩可以簡單有效地描述圖像的顏色分布。圖像的顏色信息主要分布于低階矩中，所以用顏色的一階矩（均值）、二階矩（方差）、三階矩（斜度）足以表達圖像的顏色分布[6]。將藥材樣品圖像轉(zhuǎn)為HSV顏色空間，分別計算H、S、V分量相應(yīng)的3個顏色矩，結(jié)果見表1。

表1 藥材樣品的顏色參數(shù)測量結(jié)果（±s，n＝25）Tab 1 Results of color parameters measurement of medicinal materials（±s，n＝25）

表1 藥材樣品的顏色參數(shù)測量結(jié)果（±s，n＝25）Tab 1 Results of color parameters measurement of medicinal materials（±s，n＝25）

藥材牛膝川牛膝H顏色矩S顏色矩V顏色矩一階矩0.001±0.000 3 0.000 9±0.000 2二階矩0.01±0.001 0.009±0.001三階矩0.02±0.002 0.02±0.001一階矩0.006±0.001 0.006±0.001二階矩0.06±0.006 0.06±0.007三階矩0.12±0.009 0.13±0.010一階矩0.006±0.002 0.003±0.001二階矩0.05±0.008 0.03±0.004三階矩0.11±0.013 0.08±0.007

2.2.2 幾何不變矩（Hu距）特征 Hu不變矩描述了圖像形狀的全局特征，具有縮放、平移、旋轉(zhuǎn)不變性，在圖像識別的特征提取中被廣泛應(yīng)用[7]。將藥材樣品圖像轉(zhuǎn)化為灰度圖像，提取目標物的7個Hu矩，將Hu矩絕對值的對數(shù)作為測量結(jié)果，結(jié)果見表2。

2.2.3 紋理特征 灰度共生矩陣是描述圖像紋理特征的常用方法。由灰度共生矩陣產(chǎn)生的4個紋理特征參數(shù)[對比度（Contrast）、相關(guān)性（Correlation）、能量（Energy）、同質(zhì)性（Homogeneity）]可以有效地描述目標的紋理特征[8]。將藥材圖像轉(zhuǎn)化為灰度圖像，用MATLAB軟件內(nèi)置的Graycomatrix函數(shù)和Graycoprops函數(shù)計算圖像灰度共生矩陣的4個紋理參數(shù)，結(jié)果見表3。

表2 藥材樣品的Hu不變矩參數(shù)測量結(jié)果（±s，n＝25）Tab 2 Results of Hu invariant moment parameters measurement of medicinal materials（±s，n＝25）

表2 藥材樣品的Hu不變矩參數(shù)測量結(jié)果（±s，n＝25）Tab 2 Results of Hu invariant moment parameters measurement of medicinal materials（±s，n＝25）

藥材牛膝川牛膝lg|Hu矩1| 6.37±0.09 5.96±0.07 lg|Hu矩2| 15.67±1.33 14.77±1.23 lg|Hu矩3| 24.36±1.90 22.98±1.04 lg|Hu矩4| 25.65±1.12 23.45±1.16 lg|Hu矩5| 51.23±2.39 47.12±2.21 lg|Hu矩6| 34.22±2.07 31.49±2.03 lg|Hu矩7| 51.86±2.49 47.71±1.78

表3 藥材樣品的紋理參數(shù)測量結(jié)果（±s，n＝25）Tab 3 Results of stripe parameters measurement of medicinal materials（±s，n＝25）

表3 藥材樣品的紋理參數(shù)測量結(jié)果（±s，n＝25）Tab 3 Results of stripe parameters measurement of medicinal materials（±s，n＝25）

藥材牛膝川牛膝對比度0.004±0.000 9 0.003±0.000 6相關(guān)性0.979±0.005 0.956±0.006能量0.976±0.005 0.981±0.005同質(zhì)性0.998±0.000 3 0.999±0.000 3

2.2.4 橫切面維管束組織特征 維管束組織特征是牛膝與川牛膝的重要顯微鑒別特征[9]。采用數(shù)學形態(tài)學運算和基于改進的4個方向邊緣檢測Sobel算子[10]進行藥材樣品橫切面拼接圖像的二值化以及維管束的分割。其中，以維管束中的纖維、導管等厚壁組織為目標分割所得到的圖像塊（500像素以上）作為維管束組織特征提取的目標圖像塊，結(jié)果見圖3。

圖3 藥材樣品拼接圖像中維管束分割結(jié)果Fig 3 Results of vascular bundle segmentation in stitched images of medicinal materials

由于藥材樣品切片整體形狀呈類圓形，故選擇極坐標系來描述各目標圖像塊的位置關(guān)系；將二值圖中各目標圖像塊封閉、填充后，用MATLAB軟件內(nèi)置的Regionprops函數(shù)求出各圖像塊的質(zhì)心、整個切片的質(zhì)心（作為極坐標的極點）及整個切片的總面積（以像素為單位，下同）。在上述基礎(chǔ)上進行下列測量——（1）計算維管束間夾角，并計算均值及RSD：計算各維管束圖像塊的質(zhì)心點在極坐標中的角度值，再依次求出各圖像塊與逆時針角向最近鄰圖像塊質(zhì)心點之間的夾角值，計算夾角平均值及RSD。（2）測量維管束間距離RSD：計算各圖像塊質(zhì)心點到極點的距離，再依次求出各圖像塊與其最近鄰圖像塊質(zhì)心點之間的距離，統(tǒng)計圖像塊之間距離的RSD。（3）測量維管束的長寬比：測量各圖像塊的長與寬的比值，統(tǒng)計長寬比的平均值。（4）測量單個維管束面積的RSD：測量各圖像塊的面積，統(tǒng)計面積的RSD。（5）測量維管束的個數(shù)和總面積分數(shù)：測出切片中圖像塊的個數(shù)及其面積之和，用圖像塊面積之和除以切片總面積得到維管束的總面積分數(shù)，結(jié)果見表4。

表4 藥材樣品橫切片圖像中維管束特征參數(shù)測量結(jié)果（±s，n＝25）Tab 4 Results of parameters measurement of features for vascular bundle in cross section image of medicinal materials（±s，n＝25）

表4 藥材樣品橫切片圖像中維管束特征參數(shù)測量結(jié)果（±s，n＝25）Tab 4 Results of parameters measurement of features for vascular bundle in cross section image of medicinal materials（±s，n＝25）

藥材牛膝川牛膝夾角均值，度4.5±1.1 4.3±0.3夾角RSD，% 0.86±0.12 0.84±0.09間距RSD，% 4.7±0.6 4.8±0.3長寬比均值1.47±0.09 1.39±0.04維管束面積RSD，% 1.49±0.59 1.95±1.20維管束個數(shù)，個78.4±15.7 83.3±5.80維管束總面積分數(shù)0.03±0.01 0.08±0.03

2.3 主成分分析與模式識別

2.3.1 主成分分析 將表1～表4中27項特征參數(shù)的原始數(shù)據(jù)（n＝50）整理成數(shù)據(jù)矩陣（50×27），用MATLAB軟件內(nèi)置的Zscore函數(shù)對數(shù)據(jù)矩陣標準化，用Princomp函數(shù)進行主成分分析，得到載荷矩陣（27×27）、主成分空間表示原數(shù)據(jù)的矩陣（50×27）、協(xié)方差矩陣的特征值向量（27×1），樣本協(xié)方差矩陣特征值和累積貢獻率見表5。

表5 主成分分析協(xié)方差矩陣特征值和累積貢獻率Tab 5 Feature value and accumulative contribution rate for covariance matrix of principle component analysis

2.3.2 模式識別 在主成分空間矩陣（50×27）中選取特征值累計貢獻率≥95%的前11個成分（50×11）作為模式識別的輸入數(shù)據(jù)。BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)模型，它能學習和存貯大量的輸入-輸出模式映射關(guān)系。將兩種藥材樣品主成分分析后的特征數(shù)據(jù)整理成數(shù)據(jù)矩陣（50×11），并將兩種樣本的性狀特征數(shù)據(jù)矩陣（50×20）以及維管束組織特征數(shù)據(jù)矩陣（50×7）作為對照，從中隨機選取60%的樣本（保持兩種樣本的數(shù)目相等）作為訓練樣本，用MATLAB軟件內(nèi)置的BP神經(jīng)網(wǎng)絡(luò)工具箱進行模式識別：輸入節(jié)點數(shù)為11（11個主成分），隱層節(jié)點數(shù)為15（性狀特征識別隱層為25，維管束特征識別隱層為12），隱層節(jié)點數(shù)應(yīng)大于輸入節(jié)點和輸出節(jié)點之和，輸出節(jié)點數(shù)為2（兩種藥材樣品），隱層的轉(zhuǎn)移函數(shù)是Tansig，輸出層的轉(zhuǎn)移函數(shù)是Purelin。隨機選取3次不同的訓練樣本構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，結(jié)果見表6。

表6 BP神經(jīng)網(wǎng)絡(luò)識別結(jié)果Tab 6 Results of BPnerve network recognition

3 討論

本研究采用的圖像拼接算法精度高，簡便實用。從拼接的藥材樣品切片顯微圖像中能較清晰地觀察到各種組織及其分布情況，可滿足圖像后續(xù)處理的要求；該方法對拍攝過程中出現(xiàn)的平移錯位、小幅度旋轉(zhuǎn)情況具有良好的魯棒性。在拍攝過程中，不需要使每行或每列的視野圖像數(shù)目保持一致，但要保證各視野間有部分重疊；應(yīng)注意獲得清晰的圖像以及盡可能消除顯微鏡聚光效應(yīng)，以便簡化圖像的后續(xù)處理。

牛膝和川牛膝是兩種近緣藥材，它們的許多組織形態(tài)特征差別不大。本研究結(jié)果表明，結(jié)合藥材樣品顏色特征、不變矩特征、紋理特征和維管束組織特征等多種形態(tài)參數(shù)進行模式識別，可以客觀、快捷、方便地鑒別兩種藥材樣品。本研究是數(shù)字圖像處理技術(shù)與中藥鑒定方法結(jié)合的應(yīng)用，編程實現(xiàn)藥材樣品圖像的圖像拼接、特征提取與模式識別有利于批量圖像的快速處理。但對藥材樣品其他精細結(jié)構(gòu)的表征與識別，還有待深入研究。

[1]李娟，張寶昌，孫娟.淺談基于MATLAB的圖像拼接技術(shù)在醫(yī)學圖像處理中的應(yīng)用[J].濟寧醫(yī)學院學報，2009，32 （6）：433-436.

[2] 國家藥典委員會.中華人民共和國藥典：一部[S].2015年版.北京：中國醫(yī)藥科技出版社，2015：38、72.

[3] 肖隨安，王焱.懷牛膝與川牛膝的鑒別及其臨床應(yīng)用的異同[J].中國民間療法，2013，21（12）：69-70.

[4] 林陸君，孫玲玲，李訓根，等.一種改進的基于模板匹配的顯微細胞圖像拼接算法[J].計算機應(yīng)用與軟件，2010，27 （1）：109-110.

[5] 黃梅，唐琨，肖建新.基于特征點的圖像拼接技術(shù)在動漫中的應(yīng)用[J].湖南師范大學自然科學學報，2016，39（1）：50-54.

[6] 楊紅菊，張艷，曹付元.一種基于顏色矩和多尺度紋理特征的彩色圖像檢索方法[J].計算機科學，2009，36（9）：274-276.

[7] 田秋紅，孫政榮.基于Hu不變矩和BP網(wǎng)絡(luò)的條形碼圖像識別方法[J].計算機工程與設(shè)計，2012，33（4）：1563-1567.

[8] 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(yīng)用，2010，19（6）：195-198.

[9] 吳智高.懷牛膝與川牛膝的鑒別[J].海峽藥學，2007，19 （6）：77-78.

[10] 李燦燦，孫長輝，王靜，等.基于改進的Sobel算子和色調(diào)信息的葉脈提取方法[J].農(nóng)業(yè)工程學報，2011，27（7）：197-199.

Feature Extraction and Image Recognition of Achyranthes bidentata and Cyathula officinalis

WANG Nai，LU Wenbiao，LING Xiuhua，LIANG Lijin，LI Xican，LI Rui（College of TCM，Guangzhou University of TCM，Guangzhou 510006，China）

OBJECTIVE：To extract the feature of Achyranthes bidentata and Cyathula officinalis，and to establish image recognition method.METHODS：The microscopic image stitching of A.bidentata and C.officinalis was implemented by MATLAB.The color，invariant moment，stripes and the features of vascular bundle in cross section were extracted.The data was organized into data matrix，and then data matrix was standardized by Zscore function；principal components were analyzed through Princomp function.BP nerve network recognition mode was adopted.RESULTS：The microstructures in the micro images of the samples were kept integrated.The measured data of 27 characteristics were acquired in each group of sample.Through principal component analysis，the parameters of 11 main components were selected to establish BP never network.The average recognition rate of BP nerve network was 100%between 2 medicinal material relatives（n＝50）.CONCLUSIONS：The method can be used for micro-image auto Stitching of Chinese medicinal materials and image recognition of A.bidentata and C.officinalis.

Achyranthes bidentata；Cyathula officinalis；Image stitching；Pattern recognition；MATLAB在醫(yī)學圖像分析等研究中經(jīng)常會涉及到圖像拼接問題，這就需要獲取一定范圍的完整圖像才易于全面地觀察和分析研究對象，從而獲取重要信息[1]。在中藥顯微鑒別中，若通過逐一視野對顯微圖像進行分析統(tǒng)計，

R282.5

A

1001-0408（2017）12-1670-04

2016-11-17

2016-12-21）

（編輯：張 靜）

國家自然科學基金資助項目（No.81573558）

＊碩士研究生。研究方向：中藥及其制劑質(zhì)量標準。E-mail：18819170315@163.com

#通信作者：副教授，碩士生導師。研究方向：中藥及其制劑質(zhì)量標準。E-mail：962212925@qq.com

DOI10.6039/j.issn.1001-0408.2017.12.24