林麗惠

（1.武夷學(xué)院 數(shù)學(xué)與計算機(jī)學(xué)院，福建 武夷山 354300；2.認(rèn)知計算與智能信息處理福建省高校重點實驗室，福建 武夷山 354300）

武夷巖茶品種資源極為豐富，傳統(tǒng)上識別武夷巖茶鮮茶葉品種的方法主要是人工識別。人工依據(jù)經(jīng)驗識別，受到經(jīng)驗限制，主觀性較強(qiáng)，缺乏客觀評價標(biāo)準(zhǔn)。若采用化學(xué)成分分析，雖準(zhǔn)確度較高，但步驟繁瑣，難以快速識別。通過識別武夷巖茶鮮茶葉葉片圖像，進(jìn)而識別武夷巖茶鮮茶葉品種，是一種快速、客觀的識別方法[1-4]。

茶葉葉片圖像的紋理特征是對武夷巖茶鮮茶葉葉片圖像進(jìn)行分類識別的重要特征。紋理特征能夠體現(xiàn)茶葉葉片表面結(jié)構(gòu)組織排列的規(guī)律性和同質(zhì)性，是通過茶葉葉片圖像像素及其周圍空間鄰域的灰度分布來表現(xiàn)的一種視覺特征?；诩y理特征識別武夷巖茶鮮茶葉葉片圖像是一種重要的識別方法。

目前國內(nèi)對葉片基于紋理特征的識別方法的研究情況起步較晚，在本世紀(jì)初才開始，但是也取得了非凡的成果。例如，張磊[5]利用離散小波變換對葉片圖像進(jìn)行分解，從不同尺度的小波系數(shù)中提取紋理特征值，得到多個紋理特征，對植物葉片的識別具有較高的平均準(zhǔn)確率；Arivazhagan等（2013）[6]通過紋理特征值對植物葉片不健康的部分進(jìn)行觀察，并根據(jù)紋理特征值對葉片損傷程度進(jìn)行分類；江才華（2014）[7]研究了茶青紋理特征提取方法，采用最小二乘SVM作為茶青的分類器對茶青進(jìn)行分類與訓(xùn)練?；谖湟膸r茶鮮茶葉葉片圖像提取紋理特征，對基于紋理特征的武夷巖茶鮮茶葉葉片圖像分類方法進(jìn)行研究。

1 圖像預(yù)處理

為提高鮮茶葉葉片的識別率，本文首先對實地釆集的武夷巖茶茶樹品種的鮮茶葉葉片圖像進(jìn)行預(yù)處理[8-9]，去除拍攝過程中由光照和陰影等導(dǎo)致的噪聲和邊緣模糊問題。然后將采集到的茶葉葉片圖像轉(zhuǎn)換為灰度圖，用以提取紋理特征。

圖1為武夷巖茶鮮茶葉葉片原圖和灰度圖。其中第一行為黃觀音葉片圖像，第二行為瑞香葉片圖像。

圖1 鮮茶葉葉片原圖和灰度圖Fig.1 Original and grayscale images of fresh tea leaves

2 紋理特征表示方法

常見的紋理特征提取方法有結(jié)構(gòu)分析方法和統(tǒng)計分析方法。結(jié)構(gòu)分析方法主要研究紋理基元的空間組織結(jié)構(gòu)和排列規(guī)則，更加強(qiáng)調(diào)紋理的規(guī)律性，更適用于非自然的紋理特征提取。對武夷巖茶鮮茶葉葉片圖像使用結(jié)構(gòu)方法提取紋理特征將會受到很大程度的限制。統(tǒng)計分析方法主要研究紋理區(qū)域像素的灰度統(tǒng)計特性，更加適合作為武夷巖茶鮮茶葉葉片圖像的紋理特征提取方法。而灰度共生矩陣(GLCM)是最常見的紋理特征統(tǒng)計分析方法，被公認(rèn)有效，有較強(qiáng)的適應(yīng)性與魯棒性。

采用灰度共生矩陣表示茶葉葉片圖像的紋理特征。計算茶葉葉片圖像灰度共生矩陣在0°、45°、90°、135°4個方向且距離σ為1的能量、熵、對比度、相關(guān)性、逆差距、非相似性和同質(zhì)性共7個特征值以及特征值在4個方向上的均值和方差。下面分別給出能量、熵、對比度、相關(guān)性、逆差距、非相似性和同質(zhì)性的定義。

能量f1：能量反應(yīng)的是茶葉葉片圖像紋理均勻分布程度與粗細(xì)程度。其值較大，則表示葉片圖像灰度分布較集中，紋理比較粗糙。定義如式（1）所示：

式中：P（i，j）指歸一化后的灰度共生矩陣，下同。

熵f2：熵是茶葉葉片圖像紋理信息量的度量。其值越大，則表示葉片圖像紋理的非均勻程度和復(fù)雜程度越高。定義如式（2）所示：

對比度f3：對比度是灰度共生矩陣主對角線的慣性矩，描述茶葉葉片圖像的清晰程度。其值較大，代表葉片圖像較清晰，紋理較深。定義如（3）所示：

相關(guān)性f4：相關(guān)性描述茶葉葉片圖像灰度值在水平和垂直方向的相似程度。其值較大，代表葉片圖像灰度分布均勻。定義如式（4）所示：

式中，σi，σj分別表示Pi和Pj的均值和標(biāo)準(zhǔn)差，Pi為灰度值i出現(xiàn)的概率，Pj為灰度值j出現(xiàn)的概率。

逆差距f5：逆差距描述茶葉葉片圖像紋理的局部變化的大小。其值較大，代表葉片圖像的紋理局部較均勻，不同區(qū)域間的紋理變化較小。定義如式（5）所示：

非相似性f6：非相似性描述茶葉葉片圖像的紋理差異。與對比度類似，若局部對比度的值越大，非相似度的值也越大。定義如式（6）所示：

同質(zhì)性f7：同質(zhì)性反映茶葉葉片圖像局部紋理的均勻程度。與逆差距類似，其值越大，局部紋理越均勻。定義如（7）所示：

3 試驗結(jié)果

實地采集武夷巖茶的黃觀音、瑞香、丹桂和奇蘭4個品種，每個品種各20張的鮮茶葉葉片圖像。計算茶葉葉片圖像灰度共生矩陣在0°、45°、90°、135°4個方向且距離σ為1的能量、熵、對比度、相關(guān)性、逆差距、非相似性和同質(zhì)性共7個特征值以及特征值在四個方向上的均值和方差。使用50%的葉片圖像作為訓(xùn)練樣本，50%的葉片圖像作為測試樣本，對本文提取的武夷巖茶鮮茶葉葉片圖像紋理特征，分別使用KNN分類器、集成學(xué)習(xí)器、判別分析分類器3種分類算法[11]進(jìn)行分類識別，比較各種分類算法的識別精度，識別精度取10次實驗的平均值。

圖2～5分別為0°、45°、90°、135°4個方向上的紋理特征值。圖6為4個方向上的特征值的均值和方差。由于數(shù)據(jù)量比較大，本文只列出黃觀音和瑞香兩個品種的部分葉片圖像的紋理特征值。圖2～5的1至7列分別表示能量、熵、慣性矩、相關(guān)性、逆差距、對比度和一致性值7個紋理特征值。第8列表示武夷巖茶葉片的品種，其中值為0代表黃觀音品種，其中值為1代表瑞香品種。圖6為4個方向上的特征值，1至14列分別7個紋理特征值能量、熵、慣性矩、相關(guān)性、逆差距、對比度、一致性值的均值及方差，每2列代表1個特征值。表1為3種分類器對不同方向上的紋理特征值的分類準(zhǔn)確率。

圖2 0°方向上的紋理特征值Fig.2 Texture features in the direction of 0 degree

圖3 45°方向上的紋理特征值Fig.3 Texture features in the direction of 45 degree

圖4 90°方向上的紋理特征值Fig.4 Texture features in the direction of 90 degree

圖5 135°方向上的紋理特征值Fig.5 Texture features in the direction of 135 degree

圖6 四個方向上的均值和方差Fig.6 Mean and variance in four directions

表1 分類結(jié)果Tab.1 Classified results

4 結(jié)論

通過計算武夷巖茶鮮茶葉葉片圖像灰度共生矩陣在0°、45°、90°、135°4個方向且距離σ為1的能量、熵、對比度、相關(guān)性、逆差距、非相似性和同質(zhì)性共7個特征值以及特征值在4個方向上的均值和方差，分別使用KNN分類器、集成學(xué)習(xí)器、判別分析分類器3種分類算法對本文提取的武夷巖茶鮮茶葉葉片圖像紋理特征進(jìn)行分類識別。結(jié)果表明，對4個方向上的特征值的均值和方差的分類效果均比0°、45°、90°、135°等4個單一方向上特征值的分類效果好。使用判別分析分類器比使用KNN分類器和集成學(xué)習(xí)器的分類效果更好。使用判別分析分類器對4個方向上的紋理特征值的均值和方差的分類準(zhǔn)確率達(dá)到了90.00%。說明了采用基于紋理特征識別武夷巖茶鮮茶葉葉片圖像是一個非常有效的方法。

僅初步探討了武夷巖茶的黃觀音、瑞香、丹桂和奇蘭4個品種基于紋理特征的葉片分類方法。今后還將擴(kuò)大武夷巖茶的品種范圍，研究更多品種的基于紋理特征的葉片分類方法。同時，將進(jìn)一步研究更有效的紋理特征提取方法以及葉片的其它特征提取方法，比如形狀特征等，以提高武夷巖茶葉片分類的準(zhǔn)確率。