戴 寧

（倫敦大學(xué)國(guó)王學(xué)院，倫敦 WC2R 2LS）

0 引言

據(jù)相關(guān)資料顯示，全世界每年通過(guò)使用農(nóng)藥可以挽回農(nóng)產(chǎn)品20%-25%的產(chǎn)量損失。[1]但大量的農(nóng)藥噴灑容易造成嚴(yán)重的生態(tài)環(huán)境污染，農(nóng)產(chǎn)品的產(chǎn)量也受到很大影響，因此精準(zhǔn)施藥勢(shì)在必行。精準(zhǔn)施藥即利用圖像識(shí)別技術(shù)對(duì)農(nóng)作物病蟲(chóng)草害的圖像進(jìn)行處理，通過(guò)提取特征參數(shù)，有針對(duì)性地對(duì)病蟲(chóng)的種類(lèi)和位置合理噴藥。[2]

基于圖像的病蟲(chóng)識(shí)別技術(shù)結(jié)合了模式識(shí)別技術(shù)和圖像處理技術(shù)，雖然研究時(shí)間并不長(zhǎng)，但卻得到快速的發(fā)展。[3]國(guó)外方面，Keagy最早利用圖像對(duì)甲蟲(chóng)進(jìn)行病蟲(chóng)識(shí)別研究。C.Karunakaran 通過(guò)提取面粉甲蟲(chóng)的特征對(duì)其進(jìn)行識(shí)別分析。美國(guó)科學(xué)家利用人臉識(shí)別的原理對(duì)幾個(gè)屬于姬蜂科種類(lèi)的昆蟲(chóng)進(jìn)行識(shí)別，以及通過(guò)人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)某幾種病蟲(chóng)進(jìn)行識(shí)別，都獲得了不錯(cuò)的效果。[4]國(guó)內(nèi)方面，徐昉等[5]通過(guò)提取玉米象的周長(zhǎng)、面積、復(fù)雜度三個(gè)特征，對(duì)這兩種昆蟲(chóng)進(jìn)行分類(lèi)識(shí)別。趙汗青等[6]通過(guò)分析昆蟲(chóng)的形態(tài)特征，將面積、形狀參數(shù)、偏心率等幾個(gè)特征按照其重要性進(jìn)行排序，作為分類(lèi)的依據(jù)。張洪濤等[7]對(duì)病蟲(chóng)原始圖像進(jìn)行預(yù)處理，得到閾值分割的圖像后再提取出球形性等幾個(gè)特征進(jìn)行分類(lèi)。

基于以上學(xué)者研究，本文以玉米作物蟲(chóng)害玉米象為研究對(duì)象，利用基于K-means硬聚類(lèi)算法的圖像分割技術(shù)，通過(guò)提取玉米象的周長(zhǎng)、面積、復(fù)雜度三個(gè)特征，對(duì)玉米象進(jìn)行識(shí)別，對(duì)蟲(chóng)害圖像預(yù)處理，提取蟲(chóng)害的形狀特征，使用模糊識(shí)別來(lái)區(qū)分蟲(chóng)害，為智能化噴霧與精準(zhǔn)施藥的研究奠定基礎(chǔ)。

1 圖像的采集及處理

1.1 圖像的采集和灰度化處理

正常條件下，在北京市郊區(qū)玉米田進(jìn)行了圖像采集，相機(jī)固定在距離地面1.5m處的三腳架上，要求相機(jī)鏡頭距離葉面1m，平行拍攝玉米葉面圖像，將得到的圖像以24位 BMP格式寫(xiě)入計(jì)算機(jī)中，以獲得實(shí)驗(yàn)的原始圖像。首先我們將獲得的原始圖像進(jìn)行了灰度化處理，通過(guò)采用三原色R、G、B來(lái)對(duì)圖像的灰度值進(jìn)行描述，其中R為像素的紅色分量值，B為像素的藍(lán)色分量值，G為像素的綠色分量值。由于均值G在背景中所占比重較大，便于進(jìn)行玉米象與背景的分割。在實(shí)驗(yàn)中，通過(guò)比較G、G-R、G-B、2G-R-B和 2G-R-B的 轉(zhuǎn) 換 效 果 圖，我們發(fā)現(xiàn)采用超G絕對(duì)值法時(shí)，可以得到效果最好的以綠色背景為主的進(jìn)行灰度化處理的圖像。

1.2 二值化和噪聲濾除

由于采集的圖像僅包括玉米象與玉米，可采用灰度直方圖的方法。害蟲(chóng)的顏色相對(duì)于農(nóng)作物顏色較深，即害蟲(chóng)的灰度比作物深，因此其直方圖是雙峰。為了將目標(biāo)與背景更好地區(qū)分開(kāi)來(lái)，我們選取兩個(gè)峰之間的灰度值T作為閾值，這個(gè)閾值采用灰度直方圖統(tǒng)計(jì)的方法計(jì)算出來(lái)。由于玉米象目標(biāo)較小，采用簡(jiǎn)單統(tǒng)計(jì)法求閾值。

圖像進(jìn)行分割以后, 得到簡(jiǎn)單統(tǒng)計(jì)

進(jìn)行分割以后, 得到簡(jiǎn)單統(tǒng)計(jì)法的閾值t 的計(jì)算公式如式（1）所示。

得到二值化圖像之后，通過(guò)采用5×5的單位矩陣，對(duì)二值圖像進(jìn)行開(kāi)、閉運(yùn)算的方式，把圖像中的雜點(diǎn)去除，修復(fù)圖像中的斷點(diǎn)，實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別。

2 圖像分割技術(shù)

我們所得到的圖像是由農(nóng)作物和空塊區(qū)域組成的，因此為了進(jìn)行有效特征的提取，我們需要將空塊區(qū)域從所得圖像中提取出來(lái)。

傳統(tǒng)的邊緣檢測(cè)算法有Roberts、Sobel、Prewitt和Laplacian算子等。其中，Roberts邊緣檢測(cè)算子是使用局部差分算法來(lái)實(shí)現(xiàn)的，它通過(guò)對(duì)模板的利用來(lái)計(jì)算Roberts梯度幅度G，進(jìn)而獲得合適的閾值T，當(dāng)G〉T時(shí)，該點(diǎn)即為階躍邊緣點(diǎn)，從而可獲取邊緣圖像。Sobel算子和Prewitt算子具有類(lèi)似的特點(diǎn)，都是通過(guò)考察各個(gè)像素的鄰域加權(quán)差，加權(quán)差值最大的點(diǎn)就是邊緣點(diǎn)。對(duì)于Laplacian邊緣檢測(cè)算子則是通過(guò)在邊緣處產(chǎn)生陡峭的零交叉來(lái)達(dá)到邊緣檢測(cè)的目的。

但是，傳統(tǒng)的邊緣檢測(cè)算子提取的邊緣很粗，無(wú)法得到精確的邊緣像素。因此，我們通過(guò)分層K-means硬聚類(lèi)算法來(lái)實(shí)現(xiàn)對(duì)所得圖像的分割。經(jīng)典的K-means 算法基本思想是，以空間中k個(gè)點(diǎn)為中心進(jìn)行聚類(lèi)，對(duì)最靠近他們的對(duì)象歸類(lèi)，并通過(guò)迭代的方法，逐次更新各聚類(lèi)中心的值，直至得到最好的聚類(lèi)結(jié)果。其實(shí)現(xiàn)步驟為：

（1）確定像素大小為n 的樣本空間數(shù)據(jù)集，使迭代次數(shù)為R，依據(jù)指定的聚類(lèi)數(shù)k， 隨機(jī)選取k個(gè)像素作為初始聚類(lèi)中心Cj(r)，其中：j=1，2，3，…，k；r=1，2，3，…，R；

（2）計(jì)算樣本空間中每個(gè)數(shù)據(jù)對(duì)象與初始聚類(lèi)中心的相似度距離 D(Xi, Cj(r))；其中，i=1，2，3，…，n，形成簇Wj，如果滿(mǎn)足式（2）。

式（2）中，Xi∈Wj，Xi 記為w，ε為任意給定的正數(shù)；

（3）計(jì)算k個(gè)新的聚類(lèi)中心，其表達(dá)式如式（3）所示：

依據(jù)式（4）可計(jì)算聚類(lèi)準(zhǔn)則函數(shù)值，其表達(dá)式如下所示：

依據(jù)式（5）判斷聚類(lèi)是否合理，其表達(dá)式如下所示：

若合理則迭代終止；若不合理則返回（2）（3）步繼續(xù)迭代。

我們從得到的圖像中選取一幅圖進(jìn)行分割。從分割結(jié)果來(lái)看，K-means聚類(lèi)算法可以較為準(zhǔn)確的將空塊區(qū)域從圖像當(dāng)中分離出來(lái)，且效果比較理想，分割的精度也較高，因而得到的分割圖像可以更加方便的用于后續(xù)圖像的特征提取。

3 圖像的特征提取

在圖像分析的過(guò)程中，由于區(qū)域描述子特征具有很強(qiáng)的實(shí)用效果，于是作為糧蟲(chóng)識(shí)別模型的輸入特征，我們采用糧蟲(chóng)圖像的八種區(qū)域描述子特征，分別如下所示：

（1）面積A：圖像中需識(shí)別對(duì)象面積的像素點(diǎn)個(gè)數(shù)總和，其表達(dá)式如（6）所示：

（2）周長(zhǎng)P：除識(shí)別對(duì)象的周長(zhǎng)如式（7）所示：

公式中SUM（in）是4鄰域內(nèi)像素均為需識(shí)別對(duì)象的像素個(gè)數(shù)總和。

（3）相對(duì)面積RA：待識(shí)別對(duì)象面積占圖像總體比例，其表達(dá)式如（8）所示：

（4）延伸率S：待識(shí)別害蟲(chóng)玉米象圖像的最小外接矩形的寬度與長(zhǎng)度值之比，其表達(dá)式如（9）所示：

（5）復(fù)雜度C：待識(shí)別對(duì)象緊湊性，其表達(dá)式如（10）所示：

（6）占空比B：反應(yīng)待識(shí)別對(duì)象的復(fù)雜程度，其表達(dá)式如（11）所示：

（7）等效面積圓半徑R，如式（12）所示：

（8）偏心率E：待識(shí)別對(duì)象的長(zhǎng)軸與短軸長(zhǎng)度之比，表明了待識(shí)別對(duì)象的緊湊性，利用Tenebaum近似計(jì)算公式求解偏心率E：

平均向量求解：

j+k階中心矩求解：

方向角求解：

偏心率E近似求解：

4 圖像識(shí)別實(shí)驗(yàn)

4.1 特征提取實(shí)驗(yàn)

我們選取了常見(jiàn)的糧蟲(chóng)—玉米象作為研究對(duì)象，并通過(guò) K-means的方法對(duì)其進(jìn)行了邊緣檢測(cè)，同時(shí)提取其圖像的面積 A、周長(zhǎng)P、相對(duì)面積RA、延伸率 S、復(fù)雜度 C、占空比B、等效面積圓半徑 R和偏心率 E這八個(gè)特征用于對(duì)玉米害蟲(chóng)的識(shí)別， 具體特征值如下表。

表1 面積周長(zhǎng)等特征對(duì)玉米蟲(chóng)害的識(shí)別

4.2 識(shí)別結(jié)果

我們選取了十幅圖像，并分別用含有2個(gè)、3個(gè)、4個(gè)、5個(gè)聚類(lèi)中心時(shí)可K-means算法識(shí)別這十幅圖像，得到的識(shí)別率和誤判率如下表。

表2 識(shí)別率和誤判率表

由上述表格可以看出，含2個(gè)聚類(lèi)中心的K-means聚類(lèi)法對(duì)有的圖像的目標(biāo)識(shí)別率較低，對(duì)有的圖像誤判率較高，對(duì)10幅圖像中糧蟲(chóng)的平均識(shí)別率為40.0%；平均誤判率為485%，識(shí)別率一般且誤判率較高。含3個(gè)聚類(lèi)中心的K-means聚類(lèi)法能夠正確識(shí)別大部分圖中的目標(biāo)，但分類(lèi)數(shù)量較少導(dǎo)致算法難以徹底消除背景雜點(diǎn)的影響，對(duì)少數(shù)幾幅圖像誤判率仍較高。含4個(gè)聚類(lèi)中心的K-means聚類(lèi)法對(duì)其中五幅圖片的識(shí)別率可達(dá)到100%，對(duì)所有圖像誤判率均為0%。含5個(gè)聚類(lèi)中心的K-means聚類(lèi)法對(duì)其中七幅圖片的識(shí)別率均可達(dá)到100%，并且誤判率為0%。由上述數(shù)據(jù)我們可以看出，K-means聚類(lèi)算法對(duì)于圖像的識(shí)別能力較高，且所包含的聚類(lèi)中心越多，識(shí)別率越高，且誤判率也越低。

5 結(jié)論與展望

本文將計(jì)算機(jī)圖像識(shí)別處理技術(shù)應(yīng)用于農(nóng)業(yè)生產(chǎn)研究，試驗(yàn)一種基于圖像識(shí)別處理的玉米害蟲(chóng)檢測(cè)方法，選取常見(jiàn)的玉米象作為研究對(duì)象，對(duì)其進(jìn)行圖像識(shí)別。

（1）采用基于 K-means硬聚類(lèi)算法的圖像分割技術(shù)，成功地對(duì)所獲得圖像進(jìn)行空塊區(qū)域分割，獲得了空塊區(qū)域的二值分割圖像和彩色分割圖像，比較準(zhǔn)確的將空塊區(qū)域從圖像中分割了出來(lái)，分割精度較高，效果達(dá)到了預(yù)期目的。

（2）提取了所得圖像的周長(zhǎng)、面積、相對(duì)面積、復(fù)雜度、延伸率、占空比、偏心率和等效面積圓半徑這八個(gè)特征用于對(duì)玉米害蟲(chóng)的識(shí)別。

（3）通過(guò)使用K-means的算法并改變聚類(lèi)中心的個(gè)數(shù)，我們發(fā)現(xiàn)聚類(lèi)中心較多時(shí)識(shí)別率高且誤判率低，在含有5個(gè)聚類(lèi)中心時(shí)，識(shí)別率可達(dá)到95.7%，且誤判率為0%。

（4）將來(lái)我們擬在此方法的基礎(chǔ)上，進(jìn)一步開(kāi)發(fā)利用該圖像識(shí)別技術(shù)系統(tǒng)，使這種技術(shù)不僅能夠檢測(cè)到糧蟲(chóng)，還能檢測(cè)出糧蟲(chóng)的密度信息和種類(lèi)歸屬；隨著進(jìn)一步的深入研究， 我們還可以利用該系統(tǒng)拓展檢測(cè)范圍和對(duì)象，比如該系統(tǒng)將具有測(cè)量溫度、測(cè)量濕度、測(cè)量水分等綜合功能，把該系統(tǒng)建設(shè)成為一個(gè)具有智能綜合控制的專(zhuān)家系統(tǒng)。