黃燦燦，陳亞龍，張 偉，蔡 強(qiáng)

（浙江清華長(zhǎng)三角研究院，浙江 嘉興 314006）

害蟲(chóng)對(duì)茶葉品質(zhì)與產(chǎn)量的影響不可忽視。目前，通常采用捕蟲(chóng)燈誘捕茶園害蟲(chóng)［1］，然后對(duì)捕殺后的害蟲(chóng)進(jìn)行人工計(jì)數(shù)，以判斷茶樹(shù)蟲(chóng)害情況。但依靠人工計(jì)數(shù)效率低且不能實(shí)現(xiàn)害蟲(chóng)形勢(shì)的實(shí)時(shí)反饋［2］，故需研究茶樹(shù)害蟲(chóng)自動(dòng)計(jì)數(shù)方法代替人工計(jì)數(shù)。

基于圖像處理技術(shù)的害蟲(chóng)蟲(chóng)情監(jiān)測(cè)是研究熱點(diǎn)［3-5］。肖德琴等［6］研究了基于機(jī)器視覺(jué)的蔬菜害蟲(chóng)計(jì)數(shù)算法，提出基于結(jié)構(gòu)化隨機(jī)森林的圖像分割算法，并利用去除背景干擾和監(jiān)測(cè)模型計(jì)數(shù)算子算法完成對(duì)蔬菜害蟲(chóng)薊馬、煙粉虱和實(shí)蠅的識(shí)別計(jì)數(shù)；陳樹(shù)越等［7］研究了糧倉(cāng)害蟲(chóng)圖像的計(jì)數(shù)算法，提出一種改進(jìn)的凹點(diǎn)檢測(cè)和精確分割點(diǎn)定位的分割算法，對(duì)粘連害蟲(chóng)的圖像分割效果較好。但上述研究的樣本圖像采集環(huán)境較理想，未充分考慮田間原位采集圖像的復(fù)雜情況。

原位采集的樣本圖像背景復(fù)雜，主要表現(xiàn)為在實(shí)際田間自然條件下拍攝的害蟲(chóng)圖像易受到拍攝角度以及光照等因素的影響［8-11］，采集的樣本圖像通常清晰度不高、整潔度低、葉片與塵埃干擾物多，這些因素都增加了圖像處理的難度。為了解決上述問(wèn)題，本試驗(yàn)研究了復(fù)雜背景下茶樹(shù)害蟲(chóng)圖像的計(jì)數(shù)方法。

1 樣本圖像獲取與分析

1.1 測(cè)試平臺(tái)

測(cè)試使用設(shè)備及平臺(tái)：捕蟲(chóng)設(shè)備為某農(nóng)業(yè)物聯(lián)網(wǎng)公司生產(chǎn)的拍照式捕蟲(chóng)燈；計(jì)算機(jī)1 臺(tái)（操作系統(tǒng)為Windows7，64bit）；圖像處理軟件為Matlab（版本為2015年）。

1.2 樣本圖像獲取

害蟲(chóng)采集于南方地區(qū)茶樹(shù)田間，采集時(shí)間為8—9月，依托當(dāng)?shù)夭杼锍Ｓ玫木邆渑恼展δ艿牟断x(chóng)設(shè)備，采集茶樹(shù)害蟲(chóng)圖像。捕蟲(chóng)設(shè)備外部結(jié)構(gòu)如圖1a，內(nèi)部安裝有拍攝模塊用于抓拍害蟲(chóng)圖像。采集到的樣本圖像如圖1b 所示。

圖1 捕蟲(chóng)設(shè)備和樣本圖像

2 害蟲(chóng)區(qū)域提取

害蟲(chóng)區(qū)域圖像的完整性直接影響后續(xù)計(jì)數(shù)的準(zhǔn)確性，因此對(duì)圖像進(jìn)行預(yù)處理時(shí)，需要將害蟲(chóng)區(qū)域與背景進(jìn)行分離。常用于分離背景與目標(biāo)的方法主要有兩種：基于灰度閾值和顏色特征。

首先通過(guò)基于灰度閾值分離背景圖像，采用基于全局閾值處理的分割方法對(duì)樣本圖像進(jìn)行處理，結(jié)果如圖2 所示。獲取樣本圖像直方圖（圖3a），通過(guò)顏色分量R、G、B 閾值來(lái)分割害蟲(chóng)與背景，分割結(jié)果如圖3b、圖3c、圖3d 所示。從分離背景圖像的結(jié)果可知，①樣本圖像二值化階段，閾值難以確定，圖像二值化比較困難；②樣本圖像中的害蟲(chóng)區(qū)域顏色特征不明顯，難以通過(guò)顏色分量閾值對(duì)害蟲(chóng)區(qū)域進(jìn)行提??；③圖像背景中存在干擾線(xiàn)條，難以去除。為解決上述問(wèn)題，提出一種網(wǎng)格劃分圖像的方法，將圖像劃分成10×10 的圖像，然后對(duì)劃分后的圖像進(jìn)行處理，實(shí)現(xiàn)背景分割，提取害蟲(chóng)區(qū)域。

圖2 基于全局閾值處理結(jié)果

圖3 基于顏色特征分割結(jié)果

2.1 圖像灰度化處理

樣本圖像為彩色圖像（RGB 圖像），需要轉(zhuǎn)換為灰度圖像，灰度化處理結(jié)果如圖4 所示。

2.2 灰度圖像轉(zhuǎn)換為二值圖像

2.2.1 圖像網(wǎng)格劃分處理 將樣本灰度圖像（圖4b）劃分成10×10 的網(wǎng)格，如圖5a所示。劃分后的圖像（圖5b）的灰度分布相對(duì)均勻，通過(guò)最大類(lèi)間方差法獲取圖像閾值，對(duì)圖像作二值化處理。

圖4 圖像灰度化處理

圖5 害蟲(chóng)區(qū)域提取過(guò)程

2.2.2 二值圖像轉(zhuǎn)化 在圖像處理中，灰度圖像轉(zhuǎn)化為二值圖像使圖像變得簡(jiǎn)潔，且便于分離害蟲(chóng)與背景區(qū)域。獲取網(wǎng)格圖像的閾值G用于圖像二值化處理，以圖5b 為例，通過(guò)最大類(lèi)間方差法獲取其閾值G=153，將灰度值大于或等于153 的像素值轉(zhuǎn)化為白色（即255），小于153 的轉(zhuǎn)化為黑色（即0），二值化后的圖像如圖5c所示。

2.2.3 去除背景干擾線(xiàn)條 減少不必要的冗雜信息，凸顯感興趣的目標(biāo)區(qū)域。在樣本圖像中，背景干擾線(xiàn)條即為多余的信息，影響對(duì)害蟲(chóng)區(qū)域圖像的提取以及計(jì)數(shù)的準(zhǔn)確率，需要在保留害蟲(chóng)區(qū)域特征的前提下加以去除。

以圖5c 中的干擾線(xiàn)條為例，通過(guò)膨脹腐蝕來(lái)去除，先后以w1 和w2 對(duì)圖5c 做膨脹處理，處理結(jié)果如圖5d 所示。膨脹處理的結(jié)構(gòu)元素記為w1 和w2。

2.2.4 形態(tài)學(xué)濾波處理及空洞填充 從網(wǎng)格圖像處理結(jié)果可以看出，經(jīng)過(guò)處理后，圖像已去除了背景的干擾線(xiàn)條，且保留了害蟲(chóng)形態(tài)輪廓特征。將10×10處理后的網(wǎng)格圖像重新拼接成完整圖像，處理結(jié)果如圖6a所示。

形態(tài)學(xué)濾波可以很好地去除圖像中噪聲和小顆?，F(xiàn)象以及平滑邊界［12］。圖6a 中害蟲(chóng)區(qū)域信息保留完整，背景干擾線(xiàn)條完全去除，但該圖像仍然存在細(xì)小顆粒、噪聲和空洞等現(xiàn)象，需要進(jìn)行形態(tài)學(xué)濾波處理和空洞填充。利用3×3 菱形結(jié)構(gòu)元素對(duì)圖像進(jìn)行濾波處理，然后進(jìn)行空洞填充和平滑邊界等操作，結(jié)果如圖6b 所示。

圖6 害蟲(chóng)區(qū)域提取結(jié)果

3 粘連害蟲(chóng)的分割

雖然害蟲(chóng)區(qū)域與背景完全分離，且害蟲(chóng)形態(tài)特征信息保留完整，但是圖像中存在較多的害蟲(chóng)粘連現(xiàn)象，直接對(duì)其做計(jì)數(shù)處理，計(jì)算結(jié)果不準(zhǔn)確。為了提升害蟲(chóng)計(jì)數(shù)的準(zhǔn)確率，需要將粘連的害蟲(chóng)圖像進(jìn)行分割。

3.1 傳統(tǒng)的梯度變換分水嶺分割算法

分水嶺分割算法是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法［13］，把圖像看作地理學(xué)上的拓?fù)涞孛?，具有山谷和山脊的地理模型，圖像中每一像素點(diǎn)的灰度值表示該點(diǎn)的海拔高度，每一個(gè)局部極小值區(qū)域表示集水盆地，而集水盆地的邊界代表分水嶺。將山地模型浸入水中，山谷最低處（局部極小值區(qū)域）表面刺穿一個(gè)小洞，水進(jìn)入山谷，隨著水位上漲，山谷逐漸被水淹沒(méi)，為了避免山谷與山谷之間的水匯聚到一起，建立堤壩，形成分水嶺。

由于受到噪聲、其他局部不規(guī)則結(jié)構(gòu)以及區(qū)域內(nèi)紋理的影響，直接運(yùn)用傳統(tǒng)分水嶺分割算法分割圖像時(shí)會(huì)產(chǎn)生多個(gè)分水嶺，進(jìn)而導(dǎo)致圖像過(guò)度分割，直接以傳統(tǒng)的梯度變換分水嶺算法做分割處理，圖像結(jié)果如圖7 所示。

3.2 基于標(biāo)記控制的分水嶺算法

從圖7 分割結(jié)果可知，由于害蟲(chóng)區(qū)域圖像中有較多的噪聲和紋理特征，傳統(tǒng)的梯度分水嶺分割算法存在嚴(yán)重的過(guò)分割問(wèn)題。為解決該問(wèn)題，采用基于標(biāo)記控制分水嶺的圖像分割算法，實(shí)現(xiàn)對(duì)害蟲(chóng)區(qū)域分割，去除圖像粘連，在分水嶺分割前，首先對(duì)圖像進(jìn)行標(biāo)記（標(biāo)記本身是圖像中的連通元素［14］，分為內(nèi)部標(biāo)記和外部標(biāo)記，分別完全包含目標(biāo)區(qū)域和背景區(qū)域），確定圖像中內(nèi)部標(biāo)記和外部標(biāo)記后，在標(biāo)記圖像的控制下對(duì)樣本圖像進(jìn)行分水嶺變換和分割處理，實(shí)現(xiàn)對(duì)害蟲(chóng)粘連區(qū)域的分割。

圖7 傳統(tǒng)的基于梯度分水嶺算法分割結(jié)果

3.2.1 內(nèi)部標(biāo)記 內(nèi)部標(biāo)記代表圖像中的害蟲(chóng)區(qū)域，首先對(duì)輸入圖像進(jìn)行Sobel 濾波處理，然后獲取局部極小值區(qū)域的圖像，極小值像素集合表示為Rmint（f），直接獲得的極小值區(qū)域Rmint（f）中包含了許多不相關(guān)的圖像特征，運(yùn)用h-極小值［15］變換，消除不相關(guān)的局部極小值以減少過(guò)分割，其中h-極小值處理后的圖像中的區(qū)域極小值即為擴(kuò)展極小值，記為Eminh（f），即得到內(nèi)部標(biāo)記。

1）梯度圖像。梯度圖能直觀地反映圖像像素灰度變化信息，對(duì)后續(xù)分水嶺的分割效果有著至關(guān)重要的作用。通過(guò)Sobel 算子對(duì)圖像水平和垂直方向進(jìn)行濾波處理，得到梯度圖像grad（f（i，j）），梯度計(jì)算公式為：

其中，grad（f）表示梯度運(yùn)算，Iv和Ih分別代表So?bel算子分別檢測(cè)圖像在垂直和水平方向的梯度。

2）區(qū)域極小值Rmint（f）。區(qū)域極小值表示圖像f在高度t處的區(qū)域極小值M是像素值為t，且其外部邊緣像素值嚴(yán)格大于t的像素連通成分。

3）h-極小值變換。區(qū)域極小值Rmint（f）中標(biāo)記出部分不相關(guān)的圖像特征（包括未完全去除的暗噪聲和不規(guī)則的細(xì)節(jié)紋理），h-極小值變換是通過(guò)抑制局部極小值中深度大于或等于給定閾值h的極小值，減少標(biāo)記區(qū)域中不相關(guān)的圖像特征，從而減少過(guò)分割的現(xiàn)象。該過(guò)程主要通過(guò)在f+h中對(duì)f進(jìn)行腐蝕重建來(lái)實(shí)現(xiàn)：

其中，h為根據(jù)經(jīng)驗(yàn)設(shè)定的閾值，h∈N，Hminh（f）表示h-極小值表示腐蝕重建變換。

4）擴(kuò)展極小值標(biāo)記Emin。Hminh（f）區(qū)域極小值即為擴(kuò)展極小值集合：

5）將擴(kuò)展極小值標(biāo)記圖像記為fin。fin（i，j）表示圖像中的像素點(diǎn)：

3.2.2 外部標(biāo)記 外部標(biāo)記包含背景像素的圖像區(qū)域，而擴(kuò)展極小值圖像中標(biāo)記區(qū)域外的部分即為背景區(qū)域。因此，通過(guò)對(duì)擴(kuò)展極小值標(biāo)記圖像進(jìn)行距離變換，獲得外部標(biāo)記。

距離變換是通過(guò)對(duì)二值圖像進(jìn)行操作的運(yùn)算，將其轉(zhuǎn)換為灰度圖像的操作運(yùn)算［16］。背景區(qū)域圖像與擴(kuò)展極小值標(biāo)記圖像相比，區(qū)別在于標(biāo)記的區(qū)域不同，前者標(biāo)記位于背景區(qū)域，后者位于害蟲(chóng)區(qū)域，但兩圖像大小相同。背景區(qū)域圖像記為fm，fm=［aij］，aij=1 的像素對(duì)應(yīng)目標(biāo)區(qū)域，aij=0 對(duì)應(yīng)背景區(qū)域。將距離變換后的圖像記為fout，即為外部標(biāo)記。

3.2.3 深度閾值h的選擇 擴(kuò)展極小值變換中設(shè)定的深度閾值h，主要作用是消除深度大于h的極小值，減少分水嶺過(guò)分割的區(qū)域。h值大小直接影響圖像分割的效果，太大會(huì)濾除部分極小值區(qū)域而造成欠分割；太小對(duì)局部極小值抑制作用不足，導(dǎo)致過(guò)分割。但對(duì)于如何確定閾值h，目前還缺少有效的方法［17］，針對(duì)該捕蟲(chóng)設(shè)備所獲取的樣本圖像，以過(guò)分割率ηg、欠分割率ηq和誤分割率ηw衡量算法分割優(yōu)劣的指標(biāo)。過(guò)（欠）分割率指由于過(guò)（欠）分割導(dǎo)致害蟲(chóng)數(shù)量多于（少于）實(shí)際數(shù)量，其比值即為過(guò)（欠）分割率，過(guò)分割和欠分割均屬于誤分割。因此，推出下式：

無(wú)論是過(guò)分割還是欠分割，均導(dǎo)致計(jì)數(shù)準(zhǔn)確率下降，只有當(dāng)過(guò)分割率與欠分割率相等時(shí)，誤分割率才能達(dá)到最低，計(jì)數(shù)準(zhǔn)確率相對(duì)最高。因此，從樣本圖像再隨機(jī)選取10 幅進(jìn)行閾值h的測(cè)試試驗(yàn)，在h<5和h>25 時(shí)，會(huì)出現(xiàn)嚴(yán)重的欠分割和過(guò)分割，因此在進(jìn)行測(cè)試試驗(yàn)階段，閾值h的取值范圍確定為［5，25］，步長(zhǎng)為1。在每一個(gè)閾值下，計(jì)算10 幅圖像的過(guò)分割率、欠分割率和誤分割率，并求其平均值，結(jié)果如圖8 所示。

圖8 閾值h 對(duì)分割率的影響曲線(xiàn)

通過(guò)上述的閾值h測(cè)試試驗(yàn)結(jié)果可知，當(dāng)h為14 時(shí)，誤分割率達(dá)到最小為4.86%，不同閾值分割效果如圖9 所示。

圖9 深度閾值h 對(duì)分割結(jié)果影響

3.2.4 分水嶺分割結(jié)果 距離變換的結(jié)果圖像中，較暗的區(qū)域?qū)?yīng)害蟲(chóng)區(qū)域，較亮的區(qū)域（即外部標(biāo)記）對(duì)應(yīng)背景。首先，對(duì)結(jié)果圖像作分水嶺變換得到分水嶺線(xiàn)，即為粘連害蟲(chóng)的分割線(xiàn)，如圖10e 所示。結(jié)合圖10e 對(duì)圖10b 做分割處理，最終得到分割結(jié)果，如圖10f所示。

圖10 標(biāo)記控制分水嶺算法分割流程

3.2.5 魯棒性測(cè)試 為了驗(yàn)證圖像預(yù)處理和分割算法的穩(wěn)定性，對(duì)圖像添加椒鹽噪聲、高斯噪聲和斑點(diǎn)噪聲進(jìn)行試驗(yàn)，為了保證圖像中害蟲(chóng)特征不被破壞，在對(duì)應(yīng)方差范圍下，添加的噪聲的方差分別為0.05、0.01 和0.01。然后對(duì)添加噪聲后的圖片分別進(jìn)行害蟲(chóng)區(qū)域提取和分水嶺分割（閾值h仍取14），結(jié)果如圖11 所示。

圖11 不同噪聲環(huán)境測(cè)試

樣本圖像添加了不同噪聲，但是圖像預(yù)處理過(guò)程中進(jìn)行了形態(tài)學(xué)處理，因此噪聲對(duì)算法整體影響相對(duì)較小，且從表1 結(jié)果可知，對(duì)比添加噪聲后的處理結(jié)果，算法平均耗時(shí)和誤分割率差距較小，進(jìn)一步確定算法在不同噪聲影響下具有一定的魯棒性。

表1 不同噪聲條件下測(cè)試結(jié)果

4 害蟲(chóng)計(jì)數(shù)

在圖像預(yù)處理階段，采用網(wǎng)格劃分圖像的處理方法去除干擾線(xiàn)條，實(shí)現(xiàn)圖像中背景害蟲(chóng)區(qū)域的分離，然后通過(guò)控制標(biāo)記分水嶺分割算法，分離圖像中粘連的害蟲(chóng)區(qū)域，最后完成圖像的分割，算法的流程如圖12 所示。

圖12 算法流程

從采集的樣本圖像隨機(jī)選取10 幅采用上述算法進(jìn)行圖像處理，統(tǒng)計(jì)圖像中連通區(qū)域數(shù)目作為害蟲(chóng)的數(shù)目，計(jì)數(shù)結(jié)果如表2 所示。由表2 可知，以人工計(jì)數(shù)為基準(zhǔn)，直接對(duì)樣本圖像中害蟲(chóng)進(jìn)行計(jì)數(shù)時(shí)，由于圖像中存在害蟲(chóng)粘連的問(wèn)題，計(jì)數(shù)準(zhǔn)確率相對(duì)較低，平均準(zhǔn)確率為77.9%；經(jīng)過(guò)標(biāo)記控制的分水嶺分割算法，分離了圖像的粘連害蟲(chóng)區(qū)域，平均準(zhǔn)確率為91.8%，比直接計(jì)數(shù)的準(zhǔn)確率提升了13.9個(gè)百分點(diǎn)。

表2 害蟲(chóng)計(jì)數(shù)結(jié)果

5 結(jié)論

以南方地區(qū)茶樹(shù)田中常用的某型號(hào)害蟲(chóng)捕捉設(shè)備采集的樣本圖像為研究對(duì)象，通過(guò)分離背景對(duì)樣本圖像進(jìn)行分割處理，分析了難以提取害蟲(chóng)區(qū)域的原因，提出了將圖像按網(wǎng)格劃分，結(jié)合形態(tài)學(xué)處理方法，在保留害蟲(chóng)形態(tài)特征信息的前提下，提取害蟲(chóng)區(qū)域；針對(duì)圖像中害蟲(chóng)區(qū)域粘連的問(wèn)題，采用擴(kuò)展極小值標(biāo)記分水嶺分割算法，建立圖像的內(nèi)外部標(biāo)記，經(jīng)過(guò)多次閾值測(cè)試試驗(yàn)確定深度閾值為14 時(shí)，圖像分割效果最佳，以此完成對(duì)粘連圖像的分割；對(duì)分割后圖像連通區(qū)域進(jìn)行計(jì)數(shù)，得到害蟲(chóng)數(shù)目。該算法計(jì)數(shù)的平均準(zhǔn)確率為91.8%，相較于直接計(jì)數(shù)，準(zhǔn)確率提升了13.9 個(gè)百分點(diǎn)，能夠滿(mǎn)足害蟲(chóng)蟲(chóng)情監(jiān)測(cè)需求，為茶園害蟲(chóng)快速自動(dòng)計(jì)數(shù)提供了技術(shù)支撐。