陳向東 鄧江洪

(黃淮學(xué)院信息工程學(xué)院1，駐馬店 463000) (黃淮學(xué)院動(dòng)畫(huà)學(xué)院2，駐馬店 463000)

為了響應(yīng)農(nóng)業(yè)現(xiàn)代化號(hào)召，提高勞動(dòng)生產(chǎn)效率，目前更多的先進(jìn)技術(shù)逐漸融入現(xiàn)代農(nóng)業(yè)發(fā)展中，隨著圖像分割技術(shù)在圖像處理過(guò)程中廣泛地應(yīng)用，使得對(duì)圖像分割結(jié)果質(zhì)量的要求也愈加嚴(yán)格，例如圖像特征提取的精確度和目標(biāo)識(shí)別的準(zhǔn)確性，都取決于分割結(jié)果質(zhì)量的好壞。如果能將圖像分割技術(shù)應(yīng)用于當(dāng)?shù)剞r(nóng)田的檢測(cè)之中，將農(nóng)田進(jìn)行不同程度不同種類(lèi)的蟲(chóng)害區(qū)劃分，那么就可以有選擇性的應(yīng)用合適的病蟲(chóng)害防治策略，使殺蟲(chóng)劑的應(yīng)用更加有效，將大大節(jié)省時(shí)間，提高勞動(dòng)效率。

隨著計(jì)算機(jī)視覺(jué)技術(shù)的快速發(fā)展，害蟲(chóng)圖像分割算法得到了廣泛的研究。傳統(tǒng)的害蟲(chóng)圖像分割算法主要是基于樣本的顏色、紋理、幾何形態(tài)等特征進(jìn)行分割。而在田間環(huán)境下，由于環(huán)境的復(fù)雜性，學(xué)者將圖像的分割算法都進(jìn)行了改進(jìn)，總的來(lái)說(shuō)目前野外目標(biāo)的分類(lèi)的研究主要分為兩類(lèi)：即基于形狀的分類(lèi)和基于紋理的分類(lèi)。在過(guò)往的研究中，已有許多研究人員對(duì)基于形狀特征的場(chǎng)景對(duì)象進(jìn)行了分類(lèi)[1,2]，而基于紋理特征的場(chǎng)景對(duì)象分類(lèi)則主要應(yīng)用于雜草種類(lèi)的識(shí)別[3,4]，將紋理分類(lèi)的方法應(yīng)用在害蟲(chóng)田間圖像分割中的研究很少。由于在野外害蟲(chóng)的形態(tài)變化較大，目前較為常見(jiàn)的研究方法均是通過(guò)統(tǒng)計(jì)方法來(lái)實(shí)現(xiàn)的，但有研究表明，使用共現(xiàn)矩陣進(jìn)行復(fù)雜紋理分析能夠得到較好的結(jié)果[5,6]。這是由于早期頻率分析方法缺乏局部性，而聯(lián)合空間、頻率的方法，本質(zhì)上是局部的，具有優(yōu)于統(tǒng)計(jì)方法的特點(diǎn)，能夠顯示空間域中局部區(qū)域的頻率內(nèi)容，但該方法需要對(duì)單個(gè)目標(biāo)進(jìn)行分析因而限制了其在可變形態(tài)中的應(yīng)用。近年來(lái)，深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用也漸臻成熟，基于深度神經(jīng)網(wǎng)絡(luò)算法對(duì)農(nóng)作物病蟲(chóng)害進(jìn)行定位識(shí)別，使用K-means聚類(lèi)方法執(zhí)行圖像分割，對(duì)促進(jìn)農(nóng)田健康監(jiān)測(cè)，確保農(nóng)產(chǎn)品質(zhì)量有著重要意義[7]。而針對(duì)圖像數(shù)據(jù)庫(kù)日漸龐大的問(wèn)題，有研究提出將特征提取與深度學(xué)習(xí)相結(jié)合，利用Gabor濾波器組提取圖像特征，基于深度信念網(wǎng)絡(luò)實(shí)現(xiàn)圖像檢索[8]。因此，本研究采用基于紋理的分類(lèi)方法，結(jié)合Gabor濾波器對(duì)害蟲(chóng)影像進(jìn)行低層次特征的提取，為實(shí)時(shí)選擇殺蟲(chóng)劑提供技術(shù)支持。

目前在田間復(fù)雜背景下實(shí)現(xiàn)對(duì)蔬菜鱗翅目害蟲(chóng)的有效分割是亟待解決的問(wèn)題，也是提高害蟲(chóng)圖像自動(dòng)識(shí)別準(zhǔn)確率的關(guān)鍵因素。為此，本研究首先建立了害蟲(chóng)顯著性圖像的分割模型，從DCT系數(shù)中提取顏色、亮度、紋理和深度的特征，基于圖像塊之間存在空間距離，采用高斯模型加權(quán)來(lái)估計(jì)圖像顯著性，并設(shè)計(jì)了一種新的融合方法，用于組合最終害蟲(chóng)圖像的特征圖，并進(jìn)行分類(lèi)檢測(cè)。

1 圖像分割模型構(gòu)建

1.1 建立模型

傳統(tǒng)的圖像分割模型需要人機(jī)交互，要求人為選定興趣區(qū)域，并通過(guò)鼠標(biāo)重復(fù)設(shè)置圖像前景區(qū)和背景區(qū)，在分割前景與背景顏色差異不明顯或背景復(fù)雜的樣本時(shí)，很難獲得滿(mǎn)意的分割效果，同時(shí)限制了其在可變形態(tài)中的應(yīng)用，故本研究采用基于紋理的分類(lèi)方法，結(jié)合Gabor濾波器對(duì)害蟲(chóng)影像進(jìn)行低層次特征的提取，為實(shí)時(shí)選擇殺蟲(chóng)劑提供技術(shù)支持。模型的框架及具體實(shí)現(xiàn)步驟如圖1所示。首先，從輸入的立體圖像中提取顏色、亮度、紋理和深度特征，并基于這些特征，計(jì)算特征圖的特征對(duì)比度。然后設(shè)計(jì)了一種融合方法，將特征映射與顯著性映射相結(jié)合。此外，基于視覺(jué)敏銳度模型及HVS的特點(diǎn)來(lái)增強(qiáng)影像的顯著性[10-12]。

圖1 模型框架

1.2 特征提取

將輸入圖像分割成小塊圖像，然后采用DCT系數(shù)來(lái)表示每個(gè)圖像塊代表的特征。實(shí)驗(yàn)結(jié)果表明，在視覺(jué)角度[0.14，0.21](°)的范圍內(nèi)，所提出的切割尺寸模型可以獲得較好的特征提取效果。本文使用8×8(視角在[0.14，0.21]度范圍內(nèi))的斑塊尺寸進(jìn)行顯著性計(jì)算。使用的圖像補(bǔ)丁大小也與jpeg壓縮圖像中的DCT塊大小相同。

輸入的RGB圖像由于其感知特性被轉(zhuǎn)換為YCBCR顏色空間。在YCBCR顏色空間中，Y分量代表亮度信息，CB和CR是兩個(gè)顏色對(duì)立的分量。對(duì)于DCT系數(shù)，DC系數(shù)表示圖像補(bǔ)丁中所有像素的平均能量[13]，AC系數(shù)表示圖像補(bǔ)丁的詳細(xì)頻率屬性。因此，本研究使用Y分量的DC系數(shù)表示圖像補(bǔ)丁的亮度特征為l=ydc(ydc是Y分量的DC系數(shù))，用CB和CR分量的DC系數(shù)表示顏色特征為C1=cbdc和C2=crdc(cbdc和crdc是分別來(lái)自CB和CR組分的直流系數(shù))。由于CR和CB組件主要包含顏色信息，在這兩個(gè)通道中包含的紋理信息很少，本文僅使用Y分量的系數(shù)來(lái)表示圖像補(bǔ)丁的紋理特征。在DCT塊中，大部分能量都包含在DCT塊左上角的前幾個(gè)低頻系數(shù)中，而DCT塊右下角的高頻系數(shù)幾乎沒(méi)有能量，故本文只使用少量的AC系數(shù)來(lái)表示圖像塊的紋理特征。

對(duì)于深度特征，假設(shè)深度圖為場(chǎng)景提供感知深度的信息。在立體顯示系統(tǒng)中，深度信息通常用顯示左視圖和右視圖圖像之間每個(gè)像素視差的視差圖來(lái)表示。對(duì)于顯示系統(tǒng)，視差通常以像素為單位來(lái)測(cè)量。本文感知深度信息的深度圖M是基于差異計(jì)算的，見(jiàn)式(1)。

(1)

式中：V為觀(guān)察者的視距/cm；d為眼間距離/cm；P為像素/ppi；W為顯示屏的寬度/cm；H為顯示屏的水平分辨率/dpi。

與顏色和亮度的特征提取相似，采用式(1)中計(jì)算的深度圖中斑塊的DC系數(shù)作為d=MDC(MDC表示深度圖M中圖像斑塊的DC系數(shù))。提取輸入立體圖像的顏色、亮度、紋理和深度(L、C1、C2、T、D)的五個(gè)特征。

1.3 特征圖計(jì)算

(2)

(3)

式中：Bm為特征，Bm∈{L、C1、C2、D}；分母用于規(guī)范化特征對(duì)比度。

特征對(duì)比度計(jì)算模型為：

(4)

式中：t為AC系數(shù)，t∈{1，2，…，9}；B′為紋理特征；采用分母規(guī)范化特征對(duì)比度。

1.4 顯著性增強(qiáng)模型

實(shí)驗(yàn)結(jié)果表明，中心偏差與圖像特征的分布無(wú)關(guān)，這意味著中心偏差獨(dú)立于圖像特征計(jì)算的顯著性。將CBM視為中心偏因子的擬合估計(jì)，類(lèi)似于圖像特征的擬合估計(jì)圖Sf(顯著性圖)?？紤]中心偏差因子的顯著性圖計(jì)算模型見(jiàn)式(5)。

S=γ1Sf+γ2Sc

(5)

式中：γ1和γ2是兩個(gè)用于對(duì)兩個(gè)組分進(jìn)行加權(quán)的參數(shù)?？紤]到圖像特征的顯著性映射Sf比中心偏壓因子的CBMSc更重要，將參數(shù)設(shè)置為γ1=0.7和γ2=0.3。

使用人類(lèi)視覺(jué)敏感性模型來(lái)計(jì)算加權(quán)顯著性圖。對(duì)比靈敏度Cs(f，e)可由式(6)計(jì)算。

(6)

式中：f為空間頻率(C/P)；e=tan-1(d′/υ)為視網(wǎng)膜偏心率/°；C0為最小對(duì)比度閾值；α為空間頻率衰減常數(shù)；e2為半分辨率偏心率/°。擬合參數(shù)值設(shè)定為：α=0.106，e2=2.3，C0=1/64。υ是視距/cm；d是圖像像素(i0，j0)和(i，j)之間的空間距離/cm。

歸一化視覺(jué)靈敏度Cs(f，e)增強(qiáng)的最終顯著性圖可計(jì)算為：

S′=S×Cs(f,e)

(7)

2 材料與選擇

2.1 實(shí)驗(yàn)樣本采集和預(yù)處理

本研究采用文獻(xiàn)[14]中提出的眼睛跟蹤數(shù)據(jù)庫(kù)來(lái)評(píng)估所提出模型的性能。該數(shù)據(jù)庫(kù)包括7種不同類(lèi)型的害蟲(chóng)圖像，粘蟲(chóng)、馬鈴薯線(xiàn)蟲(chóng)、水稻蠓、水稻葉蟲(chóng)、紫菀葉蟬、粉虱及水稻象鼻蟲(chóng)。數(shù)據(jù)庫(kù)中的圖像使用松下AG-3DA1 3D相機(jī)拍攝。為了避免景深(DOF)的不確定性，本次實(shí)驗(yàn)考慮了立體三維視景環(huán)境中的調(diào)節(jié)和收斂問(wèn)題。所用立體圖像的視差在舒適的觀(guān)察區(qū)域內(nèi)。因此，實(shí)驗(yàn)過(guò)程不會(huì)受到自由度的干擾。實(shí)驗(yàn)樣本分布平均，每一種害蟲(chóng)選取80張照片，照片格式均為1 200 px×1 000 px，且均在26英寸松下BT-3DL2550液晶屏上顯示，分辨率為1 920 ppi×1 200 ppi，刷新率為60 Hz。

2.2 驗(yàn)證試驗(yàn)

為了驗(yàn)證本研究提出的分割算法，選擇粉虱幼蟲(chóng)進(jìn)行測(cè)試實(shí)驗(yàn)，獲得了在正常光照條件下受粉虱感染的葉子的圖像(圖2a)。受害蟲(chóng)影響的葉片圖像被轉(zhuǎn)換為Cb分量(圖2b)。圖2c可以看出，分割圖像包含不需要的細(xì)節(jié)，如葉子的靜脈和其他灰塵顆粒。為了提高檢測(cè)的準(zhǔn)確性，需要消除這種噪聲。圖2d顯示了該過(guò)濾過(guò)程的結(jié)果。非常明顯的是，一部分重要噪聲仍然沒(méi)有過(guò)濾。為了提高實(shí)時(shí)檢測(cè)粉虱的準(zhǔn)確性，再次進(jìn)行去除殘留噪聲的過(guò)程。

圖2 在粉虱檢測(cè)算法在各個(gè)階段的輸出結(jié)果

從圖2e可以看出，由于重復(fù)去噪的過(guò)程，粉虱的尺寸減小。為了恢復(fù)其正常尺寸，對(duì)其圖像進(jìn)行擴(kuò)張。最后基于摩爾鄰域跟蹤算法和雅各布斯停止準(zhǔn)則計(jì)算粉虱的總數(shù)。圖2f中可以觀(guān)察到已經(jīng)能夠精確地檢測(cè)粉虱。

為了進(jìn)一步驗(yàn)證本文算法的準(zhǔn)確性，選擇更亮的圖像重復(fù)上述步驟(圖3a)，收到了較好的檢測(cè)效果，如圖3b所示。從結(jié)果可以確定，即使在照射物體的外部光線(xiàn)中有變化，該算法也具有較高的檢測(cè)精度。

圖3 高強(qiáng)度光下拍攝的圖像

另一個(gè)需要考慮的重要方面是除了粉虱之外的害蟲(chóng)的存在。為了測(cè)試這種情況，選擇受粉虱影響的葉子以及薊蟲(chóng)(環(huán)繞)的圖像，如圖4所示。結(jié)果表明，薊蟲(chóng)的存在對(duì)算法的結(jié)果沒(méi)有顯著影響。

圖4 除粉虱以外的昆蟲(chóng)檢測(cè)結(jié)果

2.3 在線(xiàn)監(jiān)測(cè)系統(tǒng)

本研究基于分割紋理方法提取害蟲(chóng)目標(biāo)，建立害蟲(chóng)在線(xiàn)監(jiān)測(cè)系統(tǒng)和監(jiān)測(cè)識(shí)別平臺(tái)，為蟲(chóng)害的監(jiān)測(cè)與預(yù)警提供支持。將監(jiān)測(cè)裝置置于作物壟間，與作物莖稈間距保持30 cm，以保證光照。合理設(shè)計(jì)安放誘蟲(chóng)板、誘蟲(chóng)背景板、太陽(yáng)板，攝像頭與誘蟲(chóng)板間距按照在25～30 cm之間，以便能更好地獲得害蟲(chóng)在線(xiàn)監(jiān)測(cè)圖像。經(jīng)由客戶(hù)端實(shí)現(xiàn)對(duì)害蟲(chóng)的誘捕、實(shí)時(shí)信息采集、害蟲(chóng)種類(lèi)識(shí)別。

3 討論

3.1 不同害蟲(chóng)分割實(shí)驗(yàn)結(jié)果

為了測(cè)試分割紋理方法的檢測(cè)性能，選擇具有可變形態(tài)的野外害蟲(chóng)圖像。為了有效地區(qū)分害蟲(chóng)和背景，通過(guò)實(shí)驗(yàn)確定了具有四個(gè)尺度和六個(gè)方向的特定濾波器組。在實(shí)驗(yàn)中，對(duì)害蟲(chóng)進(jìn)行分類(lèi)。表1表明了本研究所提方法在各種害蟲(chóng)形態(tài)學(xué)檢測(cè)過(guò)程中具有較高的精度，對(duì)害蟲(chóng)圖像均能夠做到較精準(zhǔn)的分割。且基于該算法能實(shí)現(xiàn)對(duì)田間害蟲(chóng)的在線(xiàn)監(jiān)測(cè)，在線(xiàn)監(jiān)測(cè)系統(tǒng)日常使用中，晴天電量穩(wěn)定在100%，遇雨天、連續(xù)陰天電量維持在80%及以上，可見(jiàn)該裝置能滿(mǎn)足田間害蟲(chóng)長(zhǎng)期在線(xiàn)監(jiān)測(cè)的實(shí)際需求。

表1 算法對(duì)不同害蟲(chóng)分割實(shí)驗(yàn)結(jié)果

3.2 分割結(jié)果評(píng)價(jià)

將本文所建模型分割結(jié)果與線(xiàn)性組合的二維深度模型(模型1)[15]、二維顯著性檢測(cè)模型(模型2)[16]、S-segmentation算法的顯著性檢測(cè)模型(模型3)[17]進(jìn)行的顯著性檢測(cè)模型對(duì)比分析。統(tǒng)計(jì)檢驗(yàn)結(jié)果表明，本文所建模型的性能與現(xiàn)有模型差異顯著，其PLCC和AUC值大于其他兩個(gè)模型，KLD值小于其他兩個(gè)模型(表2)?？梢?jiàn)，本研究所提出的模型具有更高的顯著性檢測(cè)精度。

表2 模型對(duì)比結(jié)果

4 結(jié)論

本研究提出了一種基于顯著性檢測(cè)的害蟲(chóng)圖像自動(dòng)分割算法。從DCT系數(shù)中提取顏色、亮度、紋理和深度的特征，以表示小圖像塊的能量。基于圖像塊之間存在空間距離，采用高斯模型加權(quán)來(lái)估計(jì)圖像顯著性，以考慮局部和全局對(duì)比度。并設(shè)計(jì)了一種新的融合方法，用于組合最終害蟲(chóng)圖像的特征圖，研究結(jié)果表明，本文所提算法能夠提高害蟲(chóng)圖像分割過(guò)程的精度和準(zhǔn)確度，減少計(jì)算，具有較好的檢測(cè)性能，能實(shí)現(xiàn)田間害蟲(chóng)的在線(xiàn)監(jiān)測(cè)。將其應(yīng)用于農(nóng)田的檢測(cè)之中，將有利于蟲(chóng)害區(qū)的劃分、不同類(lèi)型殺蟲(chóng)劑的實(shí)時(shí)選擇以及相適宜的病蟲(chóng)害防治策略的制定，可大大節(jié)省時(shí)間提高勞動(dòng)效率。