茅正沖　孫雅慧

摘要 針對復雜的玉米田間圖像，提出了一種玉米雄穗識別算法。該算法在HOG/SVM算法的基礎上進行改進，為了彌補HOG特征只表現(xiàn)圖像的輪廓特征這一缺點，分別提取待測圖像塊的顏色特征、輪廓特征和紋理特征，并送入提出的組合級聯(lián)SVM分類器中進行判別。該SVM分類器是由2級SVM模型組合構成的，并使用大量經(jīng)過人工標注的雄穗圖像和背景圖像為樣本訓練而成。綜合考慮分割結果和性能評價，雄穗成功識別率為83%，該方法能很好地識別玉米雄穗，適用于復雜田間玉米雄穗圖像的分割。

關鍵詞 圖像識別；方向梯度直方圖；局部二進制模式特征；支持向量機

中圖分類號 S126；TN911.73 文獻標識碼 A 文章編號 0517-6611（2018）13-0193-03

Study on a Recognition Algorithm of Corn Tassel Image

MAO Zhengchong，SUN Yahui

（Networking Engineering College，Jiangnan University，Wuxi，Jiangsu 214122）

Abstract A corn tassel recognition algorithm was proposed for complex maize field images.The algorithm was improved based on HOG/SVM algorithm.In order to make up for the disadvantage that HOG features only manifest contour features of images，the color feature，contour features and texture features of measured image block were extracted and recognized by combined cascade SVM classifier.The SVM classifier was made up of two levels of SVM model and trained with a large number of artificially annotated tassel images and background images.Considering the segmentation results and performance evaluation，the successful recognition rate of tassel was 83%.This method could well identify tassels of maize，and it was suitable for the segmentation of complex male tassel images in fields.

Key words Image recognition；Directional gradient histogram；Local binary pattern features；Support vector machines

玉米作為世界三大糧食作物之一，在我國各地都有廣泛種植。玉米的雄穗是玉米育種與種子生產(chǎn)過程中被廣泛研究的重要農(nóng)藝性狀[1]。綜合目前人工觀測的多年實際經(jīng)驗，將圖像識別技術引入到玉米雄穗識別領域，提出能夠客觀反映玉米雄穗的圖像特征描述及其提取方法，實現(xiàn)玉米雄穗的自動識別，可以判斷玉米植株抽雄期，同時標志著植株已經(jīng)從營養(yǎng)成長轉向生殖生長。陸明[2]利用綠色像素比例值和黃色像素比例值來識別玉米生長期，但由于自然環(huán)境復雜，作物殘留物及雜草都會對綠色像素的提取有很大影響，使綠色像素比值變大，影響對生長期的判斷。當玉米生長環(huán)境缺水時玉米葉變窄，顏色偏黃，綠色像素比例值達不到生長期判斷閾值，致使誤判。唐文冰等[3]利用區(qū)域生長對色度飽和度亮度（Hue saturation intensity，HSI） 模式彩色空間的H分量進行分割，實現(xiàn)了玉米雄穗圖像的分割，但不能很好地分割處于干旱環(huán)境下的玉米雄穗。但是，這些方法會將玉米葉和小麥秸稈誤判為玉米雄穗。筆者提出了一種玉米雄穗分割方法，在HOG/SVM（方向梯度直方圖/支持向量機）算法的基礎上進行改進，由于HOG特征僅表示圖像的輪廓特征，將待測圖像進行分塊并分別提取其顏色特征、輪廓特征和紋理特征，然后送入到已訓練好的SVM分類器中進行分類，判斷目標是否屬于雄穗圖像。

1 算法分析

1.1 特征提取

由于HOG特征表示圖像的輪廓信息，且對光照和小量的偏移具有魯棒性，但其提取的特征向量維數(shù)較大且提取時間較長，當圖像比較復雜時，該算法效果會變差且提取的特征不完整。筆者提出聯(lián)合特征的提取，分別利用表示顏色特征的LCS（Local color statistics，局部顏色統(tǒng)計）特征、表示輪廓特征的HOG（Histogram of orientation gradients，方向梯度直方圖）特征和表示紋理特征的LBP（Local binary patterns，局部二進制模式）特征進行融合，對玉米雄穗進行識別。

1.1.1 LCS特征提取。

局部顏色統(tǒng)計特征（LCS）是一種基本的顏色描述算子[4]。一般而言，它是基于RGB或HIS空間計算的，具體計算公式如下：

式中，N表示樣本中塊的數(shù)量；cj表示第i個塊中m個采樣像素中的第j個顏色值；αi和βi分別為均值和標準差的無偏估計量。樣本的最終顏色特征是所有αi和βi的串聯(lián)。該局部顏色統(tǒng)計特征可以很好地體現(xiàn)玉米雄穗的顏色變化和空間信息。

1.1.2 HOG特征提取。

方向梯度直方圖特征（HOG）最初是由Dalal等[5]2005年提出的，主要關注物體相對于背景的輪廓信息，它能夠很好地描述一個物體的形態(tài)結構并且對光照變化不敏感。HOG描述子與邊緣方向直方圖、尺度不變特征轉換描述子（Scaleinvariant feature transform，SIFT）以及形狀上下文有些類似，但是HOG特征是在密集的網(wǎng)格內(nèi)均勻間隔的細胞（cell）中進行計算的，而且它采用局部重疊對比度歸一化方法來進一步提高精度[6]。

獲取HOG特征的步驟如下：①先將彩色圖像進行灰度化。

②采用Gamma校正法對圖像進行顏色空間標準化。其目的是調(diào)節(jié)圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時可以抑制噪聲的干擾。

③計算圖像中每個像素分別在水平方向和垂直方向的梯度，記為（Gx，Gy）；按照以下公式分別計算每個像素的梯度幅值NG（x，y）和梯度方向OG（x，y）：NG（x，y）= Gx（xi，yi）2+Gy（xi，yi）2 ，OG（x，y）=arctan Gx（xi，yi） Gy（xi，yi） 。這一步主要是捕獲輪廓信息，同時進一步弱化光照的干擾。

④將樣本圖像按照固定大小劃分成均勻分布的細胞（cell）。⑤統(tǒng)計每個細胞（cell）的梯度直方圖（不同梯度的個數(shù)），即可形成每個細胞的描述子。⑥將多個細胞（cell）組成一個更大的、空間上連通的塊（block）。由于局部光照的變化以及前景背景對比度的變化，使得梯度強度的變化范圍非常大，因此需要對塊內(nèi)的梯度強度進行歸一化。⑦將樣本圖像內(nèi)的所有塊（block）的HOG特征描述子串聯(lián)起來，就構成該圖像的HOG特征描述子。

1.1.3 LBP特征提取。

局部二進制模式特征（LBP）最初是Ojala等[7]于2002年提出的，是一種在灰度范圍內(nèi)非常有效的紋理譜描述符，其分類能力強，計算效率高，具有旋轉不變形和灰度不變性，且能結合圖像的整體特征。LBP特征提取步驟如下：①

將檢測窗口劃分為16×16的小區(qū)域。②將區(qū)域中每個像素點置于一個以它為中心的3×3的鄰域中，然后將中心灰度值與其周圍相鄰的8個像素點灰度值比較，若周圍像素點的灰度值大于等于中心像素值，標記為1，否則為0。這樣便產(chǎn)生了8位二進制數(shù)，將其轉化為十進制數(shù)。該區(qū)域每個像素點都會有一個對應的數(shù)值，即LBP值，計算公式如下：

LBPN，R= N-1 i=0 s（gi-gc）2i，s（x）= 1，x≥00，otherwise 。

③計算每個區(qū)域的直方圖，即統(tǒng)計每個LBP值出現(xiàn)的頻率，形成一個向量；然后，對該直方圖進行歸一化處理。

④將得到的每個區(qū)域的直方圖向量連接成一個特征向量，這就是最終用于分類的整幅圖像LBP特征向量。LBP算子運算過程示例見圖1。

1.2 支持向量機

支持向量機（Support vector machines，簡稱SVM）[8]技術可以完成對穗的特征進行學習和檢測的任務。支持向量機是將該機制應用到監(jiān)督學習中的機器學習方法，它主要用來解決分類問題。一個分類任務通常由2個部分組成，即訓練階段和測試階段（或分類階段）。在訓練階段中采用的數(shù)據(jù)包括特征集以及每個特征對應的類別標記。支撐向量機（SVM）的目標就是生成一個分類器模型，使之能夠在測試階段對給定的測試樣本特征進行準確分類。

SVM的學習過程[9]如下：①對樣本集合測試集進行特征提?。?/p>

②合適的核函數(shù)進行變換，將輸入的樣本空間轉換到一個高維的RKHS（Reproducing Kernel Hilbert Space，再生核希爾伯特空間）；③在RKHS空間構造最優(yōu)分離超平面，即搜索SVM，由得到的SVM構造學習機，完成樣本的訓練；④經(jīng)過同樣預處理的未知類別數(shù)據(jù)輸入學習機進行分類判別，得到學習結果，學習過程結束。

在該研究中，訓練階段的支持向量機（SVM）分類器分為二級。首先，將提取的特征分別送入3個支持向量機（SVM）模型中進行訓練，這是第一級的SVM分類器訓練。該訓練模型可用下式表示：

sv=（ωv，fv）+bv （3）

式中，sv為模型得分值，fv為特征向量，ωv為權值向量，bv為偏置項。第2級SVM分類器的訓練需要融合前一級3個SVM分類器的輸出結果，所以可將第1級的3個SVM分類器輸出的得分值sv作為特征向量再訓練第2級SVM分類器，第2級SVM分類器的訓練模型可用下式表示：

so=（ωo，sv）+bo （4）

在檢測階段，若so>0，則為雄穗?yún)^(qū)域，否則為背景區(qū)域。

2 算法實現(xiàn)

訓練階段：①手動選取玉米田間圖像中的穗和背景圖像作為訓練樣本集，并進行人工標注；

②分別提取訓練樣本集中每個樣本的顏色特征、輪廓特征和紋理特征；

③訓練第1級SVM分類器：將上述提取的3個特征分別送入3個SVM模型中進行訓練，根據(jù)提出的訓練模型公式，可以得到3個輸出得分值sv；④訓練第2級SVM分類器：將第1級的3個SVM分類器輸出的得分值作為特征向量，輸入第2級SVM分類器訓練，根據(jù)步聚③和④，可以得到訓練好的2級SVM分類器。

檢測階段：①對待檢測玉米田間圖像提取滑動窗口內(nèi)的圖像子塊；②分別計算該子塊的顏色特征、輪廓特征和紋理特征；③將上述特征分別輸入到已訓練好的SVM分類器中進行分類判別，根據(jù)公式（4）成功判別雄穗?yún)^(qū)域和背景區(qū)域。

3 圖像分割處理試驗

田間復雜環(huán)境的主要特點是光照不均，葉面反光與玉米雄穗顏色相近；水分不充足時玉米葉變窄、顏色變淺；土壤反光發(fā)亮與玉米雄穗相似[10]；不同地區(qū)玉米品種不同，玉米雄穗形態(tài)不同[11]。筆者以這3種情況下的圖像為試驗對象，對圖像進行分割處理試驗。

該仿真試驗在Windows 7 系統(tǒng)下，利用MATLABR2012a軟件完成，試驗結果如圖2所示。

試驗結果采用錯分率α和查全率β[12]作為評價標準，按照以下公式計算：

α= N-N1 N2 （5）

β= N1 N2 （6）

式中，N為分割出的玉米雄穗的數(shù)量，N1為分割出正確的玉米雄穗的數(shù)量，N2為圖像中實際含有的玉米雄穗數(shù)量。

用不同環(huán)境下玉米田間圖像共150張（各50張）作為試驗對象，算法性能評價見表1。

從分割結果來看，針對正常環(huán)境、干旱環(huán)境、受光照影響3種情況下的玉米雄穗圖像，該方法均能很好地分割出玉米雄穗；從性能評價來看，該方法查全率約83%，其中光照是試驗過程中的重要影響因素，并且由于不同品種的玉米雄穗較分散或者存在遮擋，所以分割不全，導致識別不出，有待進一步改進。

4 結語

針對復雜的玉米田間圖像，筆者提出了一種玉米雄穗識別算法。該算法在HOG/SVM算法的基礎上進行改進，為了彌補HOG特征只表現(xiàn)圖像的輪廓特征這一缺點，筆者分別提取待測圖像塊的顏色特征、輪廓特征和紋理特征，并送入提出的組合級聯(lián)SVM分類器中進行判別。該SVM分類器是由2級SVM模型組合構成的，并使用大量經(jīng)過人工標注的雄穗圖像和背景圖像作為樣本訓練而成。綜合考慮分割結果和性能評價，針對正常環(huán)境、干旱環(huán)境、受光照影響下的玉米雄穗圖像，該方法均能很好地識別玉米雄穗，可用于復雜田間玉米雄穗圖像的分割，具有很高的識別率和良好的魯棒性。

參考文獻

[1]

GEBBERS R，ADAMCHUK V I.Precision agriculture and food security[J].Science，2010，327（5967）：828-831.

[2] 陸明.基于圖像識別技術的玉米生育期自動觀測研究[D].南京：南京信息工程大學，2011.

[3] 唐文冰，張彥娥，張東興，等.基于雙目立體視覺的玉米雄穗識別與定位研究[C]//創(chuàng)新農(nóng)業(yè)工程科技 推進現(xiàn)代農(nóng)業(yè)發(fā)展：中國農(nóng)業(yè)工程學會2011年學術年會論文集.重慶：中國農(nóng)業(yè)工程學會，2011.

[4] WU J，REHG J M.CENTRIST：A visual descriptor for scene categorization[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2011，33（8）：1489-1501.

[5] DALAL N，TRIGGS B.Histograms of oriented gradients for human detection[C]// Computer Vision and Pattern Recognition，2005.IEEE Computer Society Conference on San Diego，CA：IEEE，2005：886-893.

[6] FELZENSZWALB P F，GIRSHICK R B，MCALLESTER D，et al.Object detection with discriminatively trained partbased models[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2010，32（9）：1627-1645.

[7] OJALA T，PIETIKINEN M，HARWOOD D.A comparative study of texture measures with classification based on feature distributions[J].Pattern recognition，1996，29（1）：51-59.

[8] 郭明瑋，趙宇宙，項俊平，等.基于支持向量機的目標檢測算法綜述[J].控制與決策，2014（2）：193-200.