柳文祥 常清銀

摘 要：棉花是新疆地區(qū)種植最為廣泛的經(jīng)濟作物，利用MATLAB圖像識別技術(shù)將相機采集到的患病棉花葉面經(jīng)過圖像灰度化、圖像增強、圖像二值化、圖像形態(tài)學(xué)處理、圖像填充、圖像分割等預(yù)處理后用函數(shù)算法對患病區(qū)域面積進行特征參數(shù)識別。經(jīng)試驗，在病蟲害發(fā)生期間，用MATLAB圖像識別技術(shù)對患蚜蟲病棉花葉面檢測準(zhǔn)確度為87.0%、枯萎?。S萎?。?1.0%、棉鈴蟲80.0%，說明在實際監(jiān)測時存在誤差，但準(zhǔn)確率均達(dá)80.0%以上，可用于預(yù)防監(jiān)測。

關(guān)鍵詞：MATLAB圖像識別;圖像處理;函數(shù);算法;特征參數(shù)

引言：棉花病蟲害種類繁多，危害各不一樣，根據(jù)發(fā)病時期大致可分為苗、蕾、花鈴三個時期。棉花病蟲害的早期識別和適時防治是棉花高產(chǎn)的重要環(huán)節(jié)。葉面識別技術(shù)的研究就是在機器視覺檢測技術(shù)的基礎(chǔ)上應(yīng)用而生的，由于機器視覺系統(tǒng)可以快速獲取大量信息并自動處理，容易同設(shè)計信息以及加工控制信息集成。利用計算機圖像處理技術(shù)對農(nóng)產(chǎn)品進行檢測已是一種主流技術(shù)，在實現(xiàn)農(nóng)作物葉面疾病識別的的自動化方面，圖像識別技術(shù)有實時、無損、客觀等優(yōu)點。本文引入工程類 MATLAB軟件，編寫程序，通過其強大的圖像處理技術(shù)，利用患病棉花葉面特征參數(shù)設(shè)計的函數(shù)算法有效識別患病棉花對棉農(nóng)及時防控病蟲害提供有效依據(jù)。

1.葉面圖像采集

棉花葉面圖像采集利用像素為4800萬的攝像頭拍攝得到格式為JPG圖像，采集方法簡單，沒有較高的條件限制，便于該技術(shù)大范圍推廣使用。MATLAB中提供的imread（）函數(shù)用于實現(xiàn)圖像的讀取操作，可讀取JPG、TIF、GIF、HDF、XWD和 CUR等多種圖像格式，經(jīng)過MATLAB圖片工具處理后形成可被函數(shù)讀取的圖片并形成形成與圖片對相應(yīng)得矩陣，由此得到后期可被程序處理的相應(yīng)矩陣圖片。

2.葉面圖片預(yù)處理

2.1彩色圖像灰度化處理

收集到的彩色圖象（R紅色、G綠色、B藍(lán)色），三分量色彩基色多包多，軟件處理信息量太大，為避免出現(xiàn)大量計算誤差，我們對對葉面彩圖進行灰度化處理以后只得到葉面圖片亮度信息。所謂灰度化是將原圖各像素點的三分量信息壓縮成1個字節(jié)，具體采用加權(quán)平均法對三分量分配不同的權(quán)值，灰度圖像是一種特殊的三分量彩圖，其中一個像素點的變化范圍為255種。灰度化處理后的灰度圖片在常規(guī)256級灰度圖下有256種不同灰度級顏色構(gòu)成，其屬性為一個由個體值數(shù)據(jù)構(gòu)成的矩陣，類型為雙精度矩陣，閾值是[0，1]，類型為 unite8 類型，其閾值是[0，255]，矩陣中的每個元素值均代表不同的亮度級和灰度級，當(dāng)亮度值為0時表示黑色，當(dāng)亮度值為1（或者 unite8 類型的255）時表示白色。計算公式為PGV=0.229×R+0.587×G+0.114×B，其中PGV為Pixel Gray Value像素灰度值縮寫，R紅色、G綠色、B藍(lán)色為三分量基色。

上述算法的部分MATLAB代碼如下：

clear all

im=imread（'E：＼柳文祥＼蚜蟲.jpg'）;

figure（'NumberTitle'，'off'，'name'，'原圖'）;

imshow（im）;

[x，y，z]=size（im）;

immax=ones（x，y）;

for i=1：x

for j=1：y

immax（i，j）=max（im（i，j，：））;

end

end

im（：，：，1）=immax;

im（：，：，2）=immax;

im（：，：，3）=immax;

figure（'NumberTitle'，'off'，'name'，'最大值灰度圖像'）;

imshow（im）;

2.2圖像增強

灰度化處理后的圖像會出現(xiàn)部分像素孤立點，相當(dāng)于信號傳輸中出現(xiàn)的噪聲干擾，而圖像增強就是消除信號干擾的濾波器，圖像增強意味著有選擇性的突出了程序需要判斷的特征參量，提高了圖像對比度，抑制了圖片上存在的沒用像素點，減少后期函數(shù)算法帶來的不精確性。對比度的增加，使得所選圖片區(qū)域色差更加明顯，量的越亮，暗的越暗，其根本意義就是提取顏色分量最大值最小值，其公式為：（1）對比度 （Contrast）為： Con=∑ L-1 i=0 ∑ L-1 j=0 i-j kPij， 其中，δ （i，j） =|i-j|相鄰像素間的灰度差;Pδ? （i，j）相鄰像素間的灰度差是δ的像素分布概率。

2.3圖像二值化

二值化就是通過非零取一等不同的閥值化變換方法，使灰度圖變換成黑白二值圖像，從而將我們所需特征參量圖像從復(fù)雜目標(biāo)背景圖片中提取出來。其操作過程即先由用戶指定或通過算法生成一個閥值，如果圖像中某圖像素的灰度值小于該閥值，則將該像素的灰度值設(shè)置為0或255，否則灰度值設(shè)置為255或0。假設(shè)輸入圖像為f（x，y），輸出圖像為f'（x，y）則：? ? 閥值θ即為比對臨界點，小于他就是黑。次變換函數(shù)為階躍函數(shù)，只需給出閥值點θ，經(jīng)過閥值處理后，圖像變成了一幅黑白二值圖。

2.4圖像形態(tài)學(xué)處理

由于噪聲干擾影響，閾值化后所的圖像邊界達(dá)不到理想中的平滑程度，利用圖像形態(tài)學(xué)處理的鄰域運算形式的特殊形式：“結(jié)構(gòu)元素”（Structure Element），根據(jù)像素與二值圖像對應(yīng)的關(guān)系進行邏輯運算，結(jié)果為輸出圖像相應(yīng)像素。

給定二值圖像I（x，y）和作為結(jié)構(gòu)元素的二值模板T（i，j），服飾與膨脹運算公式為：

腐蝕：

膨脹：

腐蝕是消除邊界點，使邊界向內(nèi)部收縮?？捎脕硐『蜔o意義的物體。膨脹將物體接觸的所有背景點合并到該物體中，使邊界向外部擴張?？捎脕硖钛a物體中空洞。先腐蝕后膨脹稱為開運算，確保不改變其面積情況下以此消除細(xì)小、纖細(xì)點分離平滑較大物體。先膨脹后腐蝕叫做閉運算，用來填充細(xì)小空洞、連接臨近物體平滑較大物體邊界且不改變其相應(yīng)面積。連續(xù)的開運算和閉運算有效消除了圖像上的明亮細(xì)節(jié)，填充了閾值化后的噪聲空洞，是后期運算效果更加理想。

軟件運行代碼如下：

se=strel（'disk'，1）;%定義方形結(jié)構(gòu)元素

imeBW=imerode（bm，se）;%圖像腐蝕

figure（'NumberTitle'，'off'，'name'，'圖像腐蝕'）;

imshow（imeBW）;

imdBW=imdilate（imeBW，se）;%圖像膨脹

figure（'NumberTitle'，'off'，'name'，'圖像膨脹'）;

imshow（imdBW）;

2.5圖像填充

通過局部填充得到物體與背景明顯區(qū)分開的圖像，填充邊緣輪廓達(dá)到降低噪聲的效果，采用BWfill=imfill（BW，holes）語句，使缺陷部位像素點呈白色。其算法操作分兩部：首先由左至右逐行掃描圖形，輸出像素值為0則背景不做改變繼續(xù)往后掃描直到遇到像素值為1的點為止。如果這個點的下一個點的像素值為0，表示掃描到了最左邊的輪廓點，這時設(shè)置一個標(biāo)記從這個點往后所有像素值為0的點全部置1，直到再次遇到像素值為1的點為止。此過程將這兩個邊界點之間的區(qū)域填充起來，然后接著掃描后面的點，當(dāng)再次遇到像素值為1的點時重復(fù)以上步驟，這樣一行行的掃描填充，整幅輪廓圖就被填充起來了。

2.6圖像分割

介于之前圖像填充的不足之處，對圖像又進行了圖像分割，只把患病葉面部分分割出來。分割前對其進行反色處理，把背景和其他莖葉部分都剔除。過程為先把莖葉部分進行標(biāo)記，然后去除標(biāo)簽部分，最終運用基于閾值的圖像分割方法將棉花葉面患病部分分離出來。

利用可以反映圖像內(nèi)容特征的區(qū)域提取方法從顏色、紋理、形狀等方面提取圖像的基本特征。本次實驗在其上對目標(biāo)圖像進行提取，只需區(qū)分不同區(qū)域性質(zhì)，去掉標(biāo)記的莖葉部分，只剩葉面患病區(qū)域和背景。此方法程序使用bwlabel函數(shù)，用于對二維二值圖像中每個分離部分進行標(biāo)注。選取的閾值為之前二值化圖像得出的閾值結(jié)果為0.37，這時將葉面患病部分標(biāo)記出來，便可對選中部分進行分割。

3.實驗結(jié)果

仿真實驗在2.5GHz，RAM為8GB的計算機上進行，采用MATLAB2018a軟件編寫代碼。部分樣本圖像經(jīng)處理后的病蟲害原始圖像和特征分割圖像結(jié)果如圖1所示。

4.總結(jié)

基于MATLAB軟件的圖像處理，調(diào)用函數(shù)方便，程序設(shè)計高效。首先通過圖像預(yù)處理去除無用信息，接著將Hough變換算法降維進行葉面受損區(qū)域的定位，最后搜索定位，求出受損區(qū)域坐標(biāo)，根據(jù)反映圖像特征與樣本患病葉面程序?qū)Ρ鹊贸雒藁ㄈ~面患病名稱，用MATLAB圖像識別技術(shù)對患蚜蟲病葉面監(jiān)測準(zhǔn)確率為87.0%、枯萎?。S萎病）81.0%、棉鈴蟲80.0%，說明在實際監(jiān)測中存在誤差，但準(zhǔn)確率均達(dá)80.0%以上。

參考文獻(xiàn)：

[1]賴特.基于模板匹配及人工神經(jīng)網(wǎng)絡(luò)算法的圖像識別應(yīng)用——MATLAB實現(xiàn)機動車牌號碼辨識[J].智能建筑與智慧城市，2017（11）：45-48+52.

[2]朱玥凝.基于Matlab圖像識別的交通信號燈智能控制[J].信息通信，2016（11）：94-95.

[3]王蔚揚，丁嘉月，汪鵬洪，盧正勇.基于MATLAB的靶紙圖像識別研究[J].計算機時代，2016（11）：17-20+24.

[4]丁功瀛，徐大衛(wèi).MATLAB圖像識別技術(shù)在彩漿薄層瀝青路面油污評價中的應(yīng)用[J].大連交通大學(xué)學(xué)報，2016，37（02）：73-76.