王艷 木合塔爾·米吉提 黃華 史勇 劉亞 郭俊先

摘 要： 針對(duì)阿克蘇鮮駿棗中含部分裂果棗問題，使用基于小波灰度共生矩陣的方法進(jìn)行分選。首先采集駿棗RGB圖像，去除RGB圖像中綠色著色區(qū)后，對(duì)其進(jìn)行小波變換，并提取變換后子圖像的灰度共生矩陣，構(gòu)造熵、能量、相關(guān)性、平滑度、對(duì)比度等5個(gè)特征向量，對(duì)特征向量進(jìn)行主成分分析，降維輸入支持向量機(jī)，完成對(duì)鮮棗裂果與正常果的分類識(shí)別，分類準(zhǔn)確率能達(dá)到89.92%。實(shí)驗(yàn)結(jié)果表明，小波變換與灰度共生矩陣結(jié)合能夠更加有效地表達(dá)棗的裂紋信息，可用于鮮駿棗裂紋分選。

關(guān)鍵詞： 小波； 灰度共生矩陣； 裂紋； 支持向量機(jī)； 駿棗； 分選

中圖分類號(hào)： TN911.73?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）15?0047?04

Classification of fresh jun?jujube crack based on wavelet transform

and gray level co?occurrence matrix

WANG Yan1， MUHETAER Mijiti2， HUANG Hua1， SHI Yong1， LIU Ya1， GUO Junxian1

（1. College of Mechanical and Traffic， Xinjiang Agricultural University， Urumqi 830052， China；

2. Aksu Vocational and Technical College， Aksu 843000， China）

Abstract： A method based on wavelet transform and gray level co?occurrence matrix （GLCM） is used to classify the normal and crack fresh jun?jujube native to Aksu. The RGB image of jun jujube is acquired， whose green colored regions are removed for wavelet transform. The GLCM of the transformed sub?image is extracted to construct the feature vectors of entropy， energy， correlation， smoothness and contrast. The dimensions of the feature vector are reduced by means of PCA， and the feature vector is input into the support vector machine， so as to realize the classification and recognition of the normal and crack fresh jun?jujube. The classification accuracy can reach up to 89.92%. The results show that the combination of wavelet transform and GLCM can describe the crack information of the jujube effectively， and is used for crack sorting of the fresh jun jujube.

Keywords： wavelet； GLCM； crack； support vector machine； jun jujube； classification

0 引 言

棗在中國已有千年的栽種歷史，含有豐富的營養(yǎng)元素，有“天然維生素丸”和“百果王”之稱[1]，廣受消費(fèi)者的喜愛，是中國重要的經(jīng)濟(jì)林果產(chǎn)品。然而，由于天氣和自身生理特點(diǎn)等原因，棗表面容易出現(xiàn)裂紋等缺陷，而產(chǎn)生的裂紋果容易產(chǎn)生霉變腐爛，并擴(kuò)散至完整果[2?4]，如果食用者誤食容易誘發(fā)疾病，因此，將采摘后有裂紋的棗分選出來具有重要意義。目前，常用的分選方法是人工挑選裂果，其效率低、勞動(dòng)強(qiáng)度大，而且容易受分選人員自身素質(zhì)和精神狀態(tài)的影響，無法保證分選精度。通過機(jī)器視覺檢測(cè)技術(shù)對(duì)棗分級(jí)不僅可以提高棗的商品化價(jià)值，還可提高分揀效率。目前，基于機(jī)器視覺技術(shù)對(duì)棗的研究，主要針對(duì)其大小、成熟度[5]、顏色[6]等特征，而對(duì)棗表面裂紋特征的研究相對(duì)較少[7?9]。

提取紋理時(shí)，常用的方法主要有灰度共生矩陣（GLCM）[10]、小波變換[11]、隨機(jī)場(chǎng)模型[12]等?；叶裙采仃嚦Ｓ糜诩y理檢測(cè)，但是單獨(dú)使用時(shí)，裂紋分類效果不太理想，所以為了更加準(zhǔn)確地描述圖像的裂紋，本文將小波變換與灰度共生矩陣結(jié)合。文獻(xiàn)[13?14]將小波灰度共生矩陣引入到輪胎紋理檢索、人臉識(shí)別信息提取，均取得了較好的分類效果，但是在裂紋應(yīng)用方面還未見報(bào)道。本文使用小波變換對(duì)圖像進(jìn)行二級(jí)尺度分解，然后對(duì)不同分解尺度上的高頻子帶、低頻子帶以及子帶重構(gòu)圖像分別提取灰度共生矩陣參數(shù)，并對(duì)提取的參數(shù)進(jìn)行分類識(shí)別。

1 材料與方法

1.1 實(shí)驗(yàn)材料

本實(shí)驗(yàn)所采用樣本均采摘自新疆阿拉爾兵團(tuán)農(nóng)一師駿棗生產(chǎn)基地，采摘后按照國標(biāo)GB?T 22345—2008要求儲(chǔ)藏、分級(jí)，并馬上拍攝圖像，每90°拍攝一幅，每個(gè)樣本拍攝4幅圖像，圖像格式全部保存為tif格式。

1.2 儀器設(shè)備

實(shí)驗(yàn)圖像采集系統(tǒng)：面陣相機(jī)，丹麥JAI公司（AT?200CL 3CCD，幀頻：20）；鏡頭：LM35CLS 3CCD彩色面陣相機(jī)專用鏡頭（焦距：35 mm，光圈范圍：F2.8～F22，變形率：0.06%）；圖像采集卡：日本Kowa公司（像素時(shí)鐘：最大85 MHz）；光源：樂視自動(dòng)化科技有限公司（LTS?2BR3503，直流24 V，尺寸：362 mm×31 mm×26 mm）；光源控制器：樂視公司（LTS?APC2460?2）；計(jì)算機(jī)：聯(lián)想（Centre M6100t，英特爾雙核）。

1.3 裂紋特征提取方法

1.3.1 小波變換

圖像處理是小波變換應(yīng)用較為廣泛的領(lǐng)域。小波變換可同時(shí)在時(shí)域與頻域內(nèi)變換，比其他的紋理分析方法能夠更加精確、全面地描述紋理特征。本文使用二維離散小波變換（Discrete Wavelet Transformation，DWT）處理圖像，DWT分解以及重構(gòu)圖像的原理如圖1所示，DWT分解與一維小波分解相似，主要使用高通濾波器和低通濾波器對(duì)行進(jìn)行下采樣，其分解過程如圖1a）所示；圖像的重構(gòu)使用高通濾波器和低通濾波器的逆變換對(duì)其上取樣等系列變換，二維重構(gòu)過程如圖1b）所示。

經(jīng)過DWT分解后，原圖被分解成1個(gè)低頻子帶（逼近子帶）和3個(gè)高頻子帶（水平方向、垂直方向、對(duì)角線方向），低頻子帶包含鮮棗的大部分信息，高頻子帶主要反映水平、垂直、對(duì)角線等三個(gè)方向的高頻信息，如鮮棗的裂紋、輪廓信息等。

1.3.2 灰度共生矩陣

灰度共生矩陣是對(duì)圖像上保持某距離的兩像素分別具有某灰度的狀況進(jìn)行統(tǒng)計(jì)，灰度共生矩陣算法不僅反映了圖像的亮度分布特性，也反映了具有相似亮度和同樣亮度的兩個(gè)像素點(diǎn)在位置上的分布情況，其中提取的特征主要包括熵、相關(guān)性、對(duì)比度、能量、平穩(wěn)度 [15]。

1.3.3 特征提取

圖像經(jīng)過DWT分解、重構(gòu)后，分別提取子圖像的灰度共生矩陣，每一幅圖像提取5個(gè)灰度共生矩陣參數(shù)，由于每幅圖經(jīng)過分解后生成4幅圖片，所以最后產(chǎn)生的特征向量維數(shù)很高，易造成維數(shù)災(zāi)難，而且部分特征向量冗繁，均不利于后期數(shù)據(jù)處理，所以需對(duì)特征向量進(jìn)行降維。本文中使用主成分分析來降低輸入特征向量的維數(shù)，主成分分析通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，并將轉(zhuǎn)換后的變量作為新的特征向量輸入，進(jìn)行分類識(shí)別，識(shí)別工具為林智仁團(tuán)隊(duì)開發(fā)的LibSVM支持向量機(jī)。

2 算法實(shí)現(xiàn)

圖像處理的步驟如下：

1） 首先將RGB原圖通過閾值分割、去除背景后，自動(dòng)裁剪，然后將自動(dòng)裁剪后的圖像轉(zhuǎn)換到其他顏色空間，駿棗原圖像上顏色相差較大的地方，如裂紋邊緣、棗紅綠分界線在子圖像上的表現(xiàn)差別不大，易造成誤分，所以將裂紋圖像中的綠色區(qū)域去除；

2） 對(duì)經(jīng)過預(yù)處理的原圖和去除綠色區(qū)域的圖像分別使用小波變換，獲得其各尺度分解以及重構(gòu)圖，再分別提取其灰度共生矩陣構(gòu)成特征向量；

3） 由于步驟2）中提取得到的特征向量過于冗繁，如果直接作為分類器的輸入，會(huì)造成分類速度慢、維數(shù)過高等問題，故對(duì)其進(jìn)行主成分分析，生成新的特征向量；

4） 將新的特征向量輸入支持向量機(jī)（即LibSVM工具箱），對(duì)駿棗完整果和裂果進(jìn)行分類訓(xùn)練以及測(cè)試。

3 結(jié)果與分析

3.1 圖像預(yù)處理及特征提取

采集的原圖像背景區(qū)較大，為減少程序運(yùn)算量，節(jié)約運(yùn)算成本，對(duì)原圖進(jìn)行裁剪。裁剪方法是使用大津算法（Ostu）閾值分割后，使用最小外接矩形法提取最大標(biāo)記區(qū)域長短軸在坐標(biāo)系上的最大、最小值，并分別在橫縱坐標(biāo)上擴(kuò)展10個(gè)像素，形成裁剪后的圖像，并將裁剪后的圖像進(jìn)行去噪、去果梗、孔洞填充等預(yù)處理。

對(duì)預(yù)處理后的圖像采用2層分解小波變換，每次分解可形成4個(gè)子圖像，分別重構(gòu)后，共得到8個(gè)子圖像。如圖2所示，第一層分解時(shí)，生成1個(gè)低頻以及3個(gè)高頻圖像，第二層分解時(shí)，對(duì)上一層低頻圖像進(jìn)行分解，生成1個(gè)低頻和3個(gè)高頻圖像。由于每層分解可以得到4個(gè)子圖像，并分別重構(gòu)，因此[N]層小波分解共可以得到[8*N]個(gè)子圖像，分別提取每個(gè)子圖像的5個(gè)灰度共生矩陣。分解2層后，則形成80維特征向量，為了減少程序計(jì)算量和計(jì)算時(shí)間，對(duì)特征向量進(jìn)行主成分分析，并以累計(jì)攻擊貢獻(xiàn)率達(dá)到90%作為選擇特征向量的個(gè)數(shù)指標(biāo)，形成的新特征向量作為模式識(shí)別的輸入。

3.2 識(shí)別結(jié)果

實(shí)驗(yàn)中選擇有裂紋圖像204幅（正例），正常果圖像228幅（負(fù)例），并按3[∶]1將數(shù)據(jù)分為訓(xùn)練集和預(yù)測(cè)集，在模式識(shí)別中選擇的識(shí)別工具為支持向量機(jī)。使用灰度共生矩陣時(shí)，分類正確率僅有77.28%，效果不好，不能達(dá)到分選出裂棗果的目的。

實(shí)驗(yàn)分別對(duì)比了Haar，Sym2，Coif2三種小波基對(duì)分類效果的影響。此處僅列出上述小波基中效果最好的識(shí)別結(jié)果，如表1所示，三類分類準(zhǔn)確率分別為89.92%，81.81%，78.78%，而且后兩種的靈敏度以及特效度都較低，預(yù)測(cè)效果不好。由此可見，Haar小波基函數(shù)對(duì)樣本的分類效果優(yōu)于其他兩種。

由圖2的RGB圖像可看出，棗的表面還未完全著色，同時(shí)存在紅綠色分界線和裂紋，為了探討綠色對(duì)裂紋分選是否有影響，開展如下討論：圖3為原圖與去除綠色區(qū)域的小波變換圖，由圖中可以看出，在綠色區(qū)域與紅色區(qū)域分界處容易形成近似紋理的條狀，與裂紋在子圖像上的表現(xiàn)相似，分類時(shí)容易形成誤判，影響準(zhǔn)確率。為了更加準(zhǔn)確地驗(yàn)證綠色區(qū)域?qū)α鸭y的分類是否有影響，分別對(duì)沒有去除綠色與去除綠色的兩類圖像使用Haar小波基進(jìn)行變換，并將小波變換后的所有子圖像提取灰度共生矩陣特征向量，用SVM對(duì)特征進(jìn)行識(shí)別分類，分析結(jié)果如表2所示。由表2可以看出，除高頻重構(gòu)圖外，其他的正常果分級(jí)都低于去除綠色后正常果分類準(zhǔn)確率。綜上說明紅色與綠色區(qū)域相臨區(qū)域灰度變化明顯，對(duì)裂紋分選有干擾。所以，去除綠色區(qū)域有助于提高判別有無裂紋的準(zhǔn)確率。

由表2可知，圖像的低頻結(jié)合GLCM、高頻結(jié)合GLCM等均低于將高頻低頻結(jié)合GLCM得到的分類結(jié)果。高頻低頻結(jié)合GLCM的識(shí)別正確率能達(dá)到89.92%，而且該特征的分類靈敏度以及特效度均較高且接近，能較好地識(shí)別棗裂紋。

只使用灰度共生矩陣對(duì)駿棗進(jìn)行處理時(shí)，最后的裂果和正常果分級(jí)正確率只能達(dá)到77.28%，而小波變換結(jié)合灰度共生矩陣后，分級(jí)正確率能夠達(dá)到89.92%。研究表明，與單獨(dú)的灰度共生矩陣相比，將小波變換與灰度共生矩陣結(jié)合起來，能夠更加有效地表達(dá)駿棗的裂紋信息，有更高的分類正確率。

4 結(jié) 論

本文通過小波變換對(duì)裂果和正常果駿棗圖像進(jìn)行多尺度分解，并對(duì)子圖像提取灰度共生矩陣，將其作為特征向量，再經(jīng)過主成分分析特征降維后組成新的特征向量，進(jìn)行支持向量機(jī)裂果和正常果識(shí)別分類，較單獨(dú)使用灰度共生矩陣有更優(yōu)良的分類能力，表明該方法對(duì)棗裂紋分級(jí)是可行的。后續(xù)研究工作需進(jìn)一步提高裂紋的敏感度，使其能識(shí)別細(xì)小的裂紋。

參考文獻(xiàn)

[1] 胡耀華，劉聰，何勇.近紅外光譜鑒別鮮棗品種及裂果研究[J].光譜學(xué)與光譜分析，2013，33（12）：3231?3234.

HU Yaohua， LIU Cong， HE Yong. Discrimination of the fresh jujube varieties and dehiscent fruit by NIR spectroscopy [J]. Spectroscopy and spectral analysis， 2013， 33（12）： 3231?3234.

[2] 付麗嬌.水分進(jìn)入棗果實(shí)的途徑及與裂果的關(guān)系[D].太原：山西農(nóng)業(yè)大學(xué)，2014.

FU Lijiao. The relationship between water entering pathway and jujube fruit cracking [D]. Taiyuan： Shanxi Agricultural University， 2014.

[3] 曹一博，孫帆，劉亞靜，等.棗果實(shí)組織結(jié)構(gòu)及果皮中礦質(zhì)元素含量對(duì)裂果的影響[J].果樹學(xué)報(bào)，2013，30（4）：621?626.

CAO Yibo， SUN Fan， LIU Yajing， et al. Effects of anatomical structure and mineral contents in pericarp on fruit cracking in jujube fruit [J]. Journal of fruit science， 2013， 30（4）： 621?626.

[4] 李彥玲，楊愛珍，孟澤，等.棗果皮組織結(jié)構(gòu)與裂果關(guān)系研究[J].北京農(nóng)學(xué)院學(xué)報(bào)，2016，31（2）：34?41.

LI Yanling， YANG Aizhen， MENG Ze， et al. Study on the relationship between jujube peel histological structure and fruit cracking [J]. Journal of Beijing University of Agriculture， 2016， 31（2）： 34?41.

[5] 王昱潭.基于機(jī)器視覺的靈武長棗定位與成熟度判別方法研究[D].北京：北京林業(yè)大學(xué)，2014.

WANG Yutan. Research on methods of Lingwu long jujubes′ localization and maturity recognition based on machine vision [D]. Beijing： Beijing Forestry University， 2014.

[6] 詹映.基于機(jī)器視覺南疆紅棗顏色分級(jí)方法研究[D].阿拉爾：塔里木大學(xué)，2015.

ZHAN Ying. Research of southern Sinkiang jujube color classification method based on machine vision [D]. Alear： Tarim University， 2015.

[7] MANICKAVASAGAN A， AL?MEZEINI N K， AL?SHEKAILI H N. RGB color imaging technique for grading of dates [J]. Scientia horticulturae， 2014， 175（15）： 87?94.

[8] 陳杰，姚娜.基于Matlab的鮮棗裂紋檢測(cè)[J].湖北農(nóng)業(yè)科學(xué)，2015，54（6）：1490?1492.

CHEN Jie， YAO Na. Detecting crack of fresh jujube based on Matlab [J]. Hubei agricultural sciences， 2015， 54（6）： 1490?1492.

[9] 李運(yùn)志，QIANG Zhang，陳弘毅，等.基于機(jī)器視覺的半干棗病害和裂紋識(shí)別研究[J].農(nóng)機(jī)化研究，2016，38（8）：120?125.

LI Yunzhi， QIANG Zhang， CHEN Hongyi， et al. Detection of diseases and cracks of semi?dried dates based on machine vision [J]. Journal of agricultural mechanization research， 2016， 38（8）： 120?125.

[10] 任國貞，江濤.基于灰度共生矩陣的紋理提取方法研究[J].計(jì)算機(jī)應(yīng)用與軟件，2014，31（11）：190?192.

REN Guozhen， JIANG Tao. Study on GLCM?based texture extraction methods [J]. Computer applications and software， 2014， 31（11）： 190?192.

[11] 王劍平，張捷.小波變換在數(shù)字圖像處理中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2011，34（1）：91?94.

WANG Jiangping， ZHANG Jie. Application of wavelet transform in digital image processing [J]. Modern electronics technique， 2011， 34（1）： 91?94.

[12] 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(xué)報(bào)，2009，14（4）：622?635.

LIU Li， KUANG Gangyao. Overview of image textural feature extraction methods [J]. Journal of image and graphics， 2009， 14（4）： 622?635.

[13] 賈世英，馬姣婷.基于小波變換和灰度共生矩陣的輪胎花紋檢索[J].計(jì)算機(jī)測(cè)量與控制，2016，24（6）：210?213.

JIA Shiying， MA Jiaoting. Tire pattern retrieval based on wavelet transform and gray level co?occurrence matrix [J]. Computer measurement & control， 2016， 24（6）： 210?213.

[14] 曹瑜，涂玲，毋立芳.身份認(rèn)證中灰度共生矩陣和小波分析的活體人臉檢測(cè)算法[J].信號(hào)處理，2014，30（7）：830?835.

CAO Yu， TU Ling， WU Lifang. Face liveness detection using gray level co?occurrence matrix and wavelets analysis in identity authentication [J]. Journal of signal processing， 2014， 30（7）： 830?835.

[15] VIDYA K S， NG E Y， ACHARYA U R， et al. Computer?aided diagnosis of myocardial infarction using ultrasound images with DWT， GLCM and HOS methods： a comparative study [J]. Computers in biology & medicine， 2015， 62： 86?93.