李嘉康，陶智麟 ，徐 波 ，徐大勇 ，堵勁松 ，李華杰

（1.中國煙草總公司鄭州煙草研究院，鄭州 450001；2.鄭州益盛煙草工程設(shè)計咨詢有限公司，鄭州 450001；3.福建中煙工業(yè)有限責(zé)任公司，福建 廈門 361021）

煙葉分級中，煙葉紋理特征是較少被研究和應(yīng)用的一個關(guān)鍵指標(biāo)。煙葉表面的油分含量、褶皺度、組織緊密程度、含梗率、油分等指標(biāo)是煙葉分級的重要因素，同時也與煙葉紋理特征相關(guān)。因此，研究不同煙葉下的紋理特征提取算法為煙葉智能分級提供依據(jù)具有重要意義。

煙葉的紋理特征相關(guān)研究較少，但是紋理作為數(shù)字圖像的特質(zhì)屬性，能夠真實反映物體表面的粗糙度、方向等屬性，其作用在紋理描述中體現(xiàn)得尤為明顯。為取得大多數(shù)自然景物的更多信息，通過分析其組成結(jié)構(gòu)的細(xì)微紋理而獲得［1］。在目標(biāo)識別與自動檢測領(lǐng)域，Kumar 等［2］、Chan 等［3］采用紋理分析方法檢測原木中不合格的部分；在圖像檢索領(lǐng)域，施智平等［4］提出了一種新的紋理譜描述，并應(yīng)用于圖像檢索中?；诩y理特征的視覺檢測技術(shù)也被應(yīng)用于煙葉分級中，張帆等［5］研究在標(biāo)準(zhǔn)煙葉數(shù)據(jù)庫的圖像檢索中使用了紋理計算方法來分析煙葉；杜東亮等［6］使用小波分析煙葉紋理，提出基于灰色系統(tǒng)理論通過煙葉的其他外觀特征來綜合描述煙葉的成熟度和油分。

在煙葉分級研究中，較多通過紋理提取算法得到紋理特征值后直接作為評價指標(biāo)，而本研究利用兩種紋理提取方法，以不同梯度參數(shù)提取煙葉紋理參數(shù)進行降維和重要度分析，以得出能夠表征煙葉紋理的參數(shù)，作為評價煙葉紋理的特征值。

1 研究對象與算法

1.1 研究對象

樣本集：貴州遵義地區(qū)種植品種為中煙100 的鮮煙葉，其中有效煙葉數(shù)字圖像136 張，無效煙葉數(shù)字圖像 116 張。研究平臺：python3.7.0；opencv4.4.0；scikit-learn0.23.2。

圖1 中煙100 樣本

1.2 取樣方法

將鮮煙葉置于恒溫恒濕（溫度：21 ℃，相對濕度：70%）環(huán)境下平衡1～2 d；以Canon EOS 5D Mark IV 數(shù)字相機為主體的圖像采集器，在暗箱內(nèi)標(biāo)準(zhǔn)光源下，調(diào)整圖像采集器的白平衡和18°灰板的測光，確保符合采集過程中的光照環(huán)境參數(shù)。將平衡后的鮮煙葉放置圖像采集系統(tǒng)黑色背景下依次拍照獲取鮮煙葉數(shù)字圖像。

1.3 紋理提取算法

1.3.1 灰度共生矩陣 灰度共生矩陣（GLCM）的統(tǒng)計方法由Haralick 等［7］提出，是基于圖像中像素的空間分布包含圖像紋理信息的假設(shè)，提出了一種綜合的紋理分析方法。共生矩陣由兩個像素的聯(lián)合概率密度定義，不僅反映了亮度的分布特性，而且還反映了亮度相同或接近亮度的像素之間的分布特性，是圖像亮度變化的二階統(tǒng)計特征，其是定義一組紋理特征的基礎(chǔ)。由于紋理是由灰度在空間位置上的重復(fù)出現(xiàn)而形成的，因此圖像空間中一定距離的兩個像素之間會存在一定的灰度關(guān)系，即圖像中灰度的空間相關(guān)性特征?；叶裙采仃囀峭ㄟ^研究灰度的空間相關(guān)性來描述紋理的一種常用方法［7］。

歸一化后的灰度共生矩陣如下：

圖2 灰度共生矩陣紋理特征圖

通過基于灰度共生矩陣的紋理特征提取可知，能量（ASM，energy）是灰度共生矩陣元素值的平方和，也稱能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。對比度（contrast）反映了某個像素值及其領(lǐng)域像素值的亮度的對比情況。如果偏離對角線的元素有較大值，即圖像亮度值變化很快，會有較大取值，反映了圖像的清晰度和紋理溝紋深淺的程度。紋理溝紋越深，其對比度越大，視覺效果越清晰。熵（entropy）是圖像所具有的信息量的度量，紋理信息也屬于圖像的信息，是一個隨機性的度量，當(dāng)共生矩陣中所有元素有最大的隨機性、空間共生矩陣中所有值幾乎相等時，共生矩陣中元素分散分布時，熵較大。它表示了圖像中紋理的非均勻程度或復(fù)雜程度。自相關(guān)（correlation）反映了圖像紋理的一致性，度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性［8］。

1.3.2 Gabor 小波變換 Gabor 小波核類似于哺乳動物視皮層細(xì)胞的感受野，具有良好的空間局部性、空間頻率和方向選擇性，能夠提取圖像局部區(qū)域的多尺度、多方向的顯著特征［9］。因此，Gabor 小波變換對光照等外部環(huán)境的變化具有很強的魯棒性。

二維 Gabor 小波函數(shù)定義為［10，11］：

其中，實數(shù)部分與虛數(shù)部分為：

x，y分別表示像素坐標(biāo)位置；λ表示濾波的波長；θ表示Gabor核函數(shù)圖像的傾斜角度；ψ表示相位偏移量，范圍是-180°～180°；σ表示高斯函數(shù)的標(biāo)準(zhǔn)差；γ表示長寬比，決定Gabor核函數(shù)圖像的橢圓率。

圖3 波長為8 的八個角度Gabor 濾波器

圖4 由8 個Gabor 濾波器提取的紋理特征圖

1.4 紋理特征選擇

采取灰度共生矩陣算法中4 個不同距離梯度，4個不同方向梯度下的6 個紋理值、對比度、相異性、同次性、相關(guān)性、能量和ASM 能量共96 個維度特征；采取Gabor 小波算法中8 個不同角度下的兩個紋理值，均值和方差共16 個維度。綜上每張煙葉圖共有112 維度特征，為確定能表征此煙葉的紋理特征，運用主元降維的方式確定區(qū)分度最大的主元來確定數(shù)據(jù)是否可區(qū)分，同時通過各個高維向量的主元荷載圖來確定最具貢獻維度。

1.5 判別分析方法

隨機森林是一種有監(jiān)督的學(xué)習(xí)算法，也是一種基于決策樹的集成學(xué)習(xí)算法。隨機森林簡單，易實現(xiàn)，計算開銷小，它在分類和回歸方面具有良好的性能。由于采用集成算法，其精度優(yōu)于大多數(shù)單一算法，因此具有較高的精度。隨機森林在測試集中表現(xiàn)良好，由于兩種隨機性的引入，隨機森林不易陷入過擬合，可以處理高維數(shù)據(jù)，無需特征選擇，對數(shù)據(jù)集的適應(yīng)性強，具有一定的參考意義。通過隨機森林算法對共252 個樣品112 維度特征進行分類識別。

2 結(jié)果與分析

2.1 主元分析

通過可視化有效鮮煙葉和無效鮮煙葉在主元分析中結(jié)果，將兩種煙葉的相同維度的數(shù)據(jù)貼標(biāo)簽后融合進行主元分析。在前5 個主元中，主元的分布如圖5 所示，前5 個主元總貢獻率為99.92%，其解釋了大多數(shù)維度紋理特征。由于其分布在主元1 和主元2 下具有聚類特征，如圖5 所示，藍點代表無效煙葉的分布，紅點代表有效煙葉的分布，主元分布圖通常能夠展示數(shù)據(jù)集的內(nèi)部信息。由圖5a 所示，其具有可區(qū)分性。

圖5 2D PCA 點圖主元 1 與主元 2（a）、主元 2 與主元 3（b）

雖然數(shù)據(jù)集具有聚類特性，但是由于數(shù)據(jù)維度過高，冗余信息過多，因此通過主元荷載圖可以選擇最有效的特征信息與后續(xù)建立分類模型具有對比性。由于其只在PC1 和PC2（圖5a）中具有明顯特征，圖6 僅展示PC1 和PC2 的荷載圖，通過荷載圖可以得知，其在第52 維度至第63 維度下具有顯著的有效性?；叶裙采仃囁惴ǖ牟介L為4、8、16 下的0°、45°、90°和 135°共 12 維度，因此，初步認(rèn)為此參數(shù)下的紋理值能夠表征此數(shù)據(jù)集煙葉。

圖6 PCA 荷載圖 PC1（a）、PC2（b）

2.2 隨機森林分類

基于全維度的隨機森林判別模型，選擇20%的樣本集作為測試集，80%的樣本集作為訓(xùn)練集，到88%的分類精度，通過10 次交叉驗證得到其分類精度在86%左右，具有較好的分類表現(xiàn)（圖7）。

圖7 10 次交叉驗證結(jié)果

在隨機森林判別模型中，確定最具重要性的紋理特征維度，作為評估煙葉紋理的定量分析指標(biāo)，圖8 為選擇重要性大于0.03 的維度特征分別為灰度共生矩陣下距離4，角度45°的能量值；距離8，角度45°的能量值；距離8，角度90°的能量值；距離16，角度90°的能量值；距離 16，角度 90°的相關(guān)性值；Gabor小波紋理下波長5，角度122.5°的標(biāo)準(zhǔn)差。樣品集中的煙葉擺放方式為煙梗朝上，葉尖朝下。

圖8 紋理維度重要度

3 小結(jié)與討論

選用貴州遵義中煙100 的鮮煙葉，經(jīng)專家挑選識別后，分為有效煙葉和無效煙葉兩類，其中無效煙葉包含過熟煙葉、帶病煙葉、殘損煙葉等。通過自主搭建的圖像采集系統(tǒng)，在規(guī)范的色溫色差曝光等參數(shù)設(shè)定條件下，通過分析有效煙葉和無效煙葉的數(shù)字圖像，經(jīng)過預(yù)處理背景掩膜，提取無背景數(shù)值的鮮煙葉圖像，采用灰度共生矩陣法和Gabor 小波下的不同參數(shù)提取紋理特征值，通過主元分析得出最具區(qū)分度的紋理特征，同時采用隨機森林判別模型對樣本集分類，獲取能夠表征煙葉紋理值的定性指標(biāo)。

在灰度共生矩陣算法下，步長參數(shù)為4、8、16 和提取角度為 0°、45°、90°和 135°共 12 維度的紋理值在第一主成分下有較好的聚類效果，分別對應(yīng)的方向為以煙梗到煙葉尖為垂直方向，順時針0°、45°、90°和135°下的紋理方向有較好的表征。在隨機森林判別算法下，同時包含以上參數(shù)且分類結(jié)果交叉驗證為86%，得到較好的驗證。因此，紋理參數(shù)下的紋理值能夠表征此數(shù)據(jù)集煙葉。本研究選用的參數(shù)為紋理數(shù)值，采用灰度共生矩陣算法和Gabor 小波變換得到的紋理圖，通過卷積網(wǎng)絡(luò)進行紋理圖全局特征提取，再連接全連接層進行分類研究。