趙 鑫 朱啟兵 黃 敏

（江南大學(xué),江蘇 無(wú)錫 214122）

數(shù)字圖像處理是一門利用計(jì)算機(jī)對(duì)圖像進(jìn)行分析和信息提取的學(xué)科，具有很強(qiáng)的理論性和實(shí)踐性，也是物聯(lián)網(wǎng)工程本科專業(yè)的一門重要課程。實(shí)驗(yàn)教學(xué)是數(shù)字圖像處理這門課程中很重要的環(huán)節(jié)，有利于學(xué)生將理論知識(shí)與代碼仿真結(jié)合起來(lái)，增進(jìn)對(duì)基礎(chǔ)理論的理解[1-2]。然而之前的課程實(shí)驗(yàn)教學(xué)大多采用驗(yàn)證性實(shí)驗(yàn)，通過編程仿真對(duì)圖像幾何變換、邊緣檢測(cè)、圖像增強(qiáng)等基礎(chǔ)原理進(jìn)行驗(yàn)證，缺少綜合性與創(chuàng)新性的案例項(xiàng)目[3-4]。

當(dāng)前，國(guó)家推動(dòng)創(chuàng)新驅(qū)動(dòng)發(fā)展，以新技術(shù)、新業(yè)態(tài)、新模式、新產(chǎn)業(yè)為代表的新經(jīng)濟(jì)蓬勃發(fā)展。“新工科”概念的提出，旨在為滿足未來(lái)新興產(chǎn)業(yè)和新經(jīng)濟(jì)需要，培養(yǎng)和造就一批實(shí)踐能力強(qiáng)、創(chuàng)新能力強(qiáng)、具備國(guó)際競(jìng)爭(zhēng)力的高素質(zhì)復(fù)合型工程技術(shù)人才[5-6]。數(shù)字圖像處理課程的綜合實(shí)驗(yàn)案例能夠增強(qiáng)學(xué)生理論聯(lián)系實(shí)際的能力，幫助學(xué)生在理解算法等基本知識(shí)點(diǎn)的同時(shí)，對(duì)圖像分割、圖像去噪、圖像識(shí)別等實(shí)際問題的處理有更為深入的理解與掌握[7]。本文結(jié)合科研項(xiàng)目和農(nóng)業(yè)信息化的實(shí)際生產(chǎn)需要，以“小麥種子品種識(shí)別”為例，構(gòu)建一個(gè)綜合型實(shí)驗(yàn)案例，以提高學(xué)生理論聯(lián)系實(shí)際的能力。

1 實(shí)驗(yàn)案例設(shè)計(jì)的目標(biāo)和任務(wù)

傳統(tǒng)實(shí)驗(yàn)案例多是數(shù)字圖像算法的驗(yàn)證，沒有結(jié)合實(shí)際圖像獲取考慮算法的實(shí)際用途。學(xué)生對(duì)圖像處理技術(shù)的實(shí)際作用以及如何全面應(yīng)用這些技術(shù)缺乏相應(yīng)的理論知識(shí)，因此在解決實(shí)際案例問題時(shí)不知道怎么操作[8]。由于數(shù)字圖像處理與人工智能技術(shù)關(guān)系密切，目前的人工智能技術(shù)特別是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)正在迅速發(fā)展，因此更需要實(shí)時(shí)地教給學(xué)生最新的技術(shù)，以實(shí)現(xiàn)人才培養(yǎng)與時(shí)代步伐的緊密結(jié)合[9]。要將實(shí)際應(yīng)用案例融入實(shí)驗(yàn)教學(xué)中，從而更清晰地向?qū)W生展示相關(guān)領(lǐng)域的最新研究成果，促使學(xué)生參與實(shí)驗(yàn)的積極性得到明顯提高，從而激發(fā)創(chuàng)新意識(shí)。

“小麥種子品種識(shí)別”實(shí)驗(yàn)案例的主要任務(wù)如下：

（1）結(jié)合課程教學(xué)目標(biāo)設(shè)計(jì)實(shí)驗(yàn)方案，使得整個(gè)實(shí)驗(yàn)設(shè)計(jì)更貼近當(dāng)前的工程實(shí)際應(yīng)用，同時(shí)也更符合新工科卓越工程人才的培養(yǎng)需求。

（2）通過為學(xué)生營(yíng)造實(shí)踐情境，以實(shí)際案例分析引導(dǎo)學(xué)生去尋找和發(fā)現(xiàn)數(shù)字圖像處理技術(shù)的實(shí)際需求，主動(dòng)地去探索、發(fā)現(xiàn)問題，從中培養(yǎng)實(shí)踐能力，獲得解決現(xiàn)實(shí)問題的經(jīng)驗(yàn)。

（3）將數(shù)字圖像處理專業(yè)所涉及的多個(gè)學(xué)科（人工智能、模式識(shí)別等）有機(jī)結(jié)合在一起，融合多學(xué)科的理論與知識(shí)，使學(xué)生融會(huì)貫通地學(xué)習(xí)和應(yīng)用各領(lǐng)域?qū)I(yè)知識(shí)，從而提高創(chuàng)新能力。

（4）以團(tuán)隊(duì)合作的形式完成整個(gè)實(shí)驗(yàn)項(xiàng)目，引導(dǎo)學(xué)生在注重實(shí)驗(yàn)結(jié)果的同時(shí)，也能夠注重對(duì)過程的計(jì)劃與控制；在注重專業(yè)知識(shí)學(xué)習(xí)的同時(shí)，也能不斷提升團(tuán)隊(duì)協(xié)作能力、項(xiàng)目管理能力、溝通表達(dá)能力等軟技能，努力成為高素質(zhì)復(fù)合型的新工科人才。

（5）通過對(duì)小麥種子的圖像處理，運(yùn)用圖像分割、特征提取等方法識(shí)別出不同品種的小麥種子。

2 實(shí)驗(yàn)案例的內(nèi)容

種子品種純度是指種子在遺傳特性方面一致性的程度。在農(nóng)業(yè)生產(chǎn)中，純度較高的種子更容易獲得穩(wěn)定的遺傳性狀，從而更利于控制農(nóng)產(chǎn)品的品質(zhì)。開發(fā)快速高效的種子品種檢測(cè)方法對(duì)提高農(nóng)業(yè)生產(chǎn)效率具有重要意義[10]。高光譜利用成像光譜儀，在光譜覆蓋范圍內(nèi)的數(shù)十或數(shù)百條光譜波段連續(xù)成像，在獲得物理空間特征成像的同時(shí)，也獲得了被測(cè)物體的光譜信息[11-12]。單一波段下的圖像為灰度圖像，實(shí)驗(yàn)基于圖像處理框架，完成圖像去噪、單粒種子分割，進(jìn)而考慮波段之間的關(guān)聯(lián)特性，通過設(shè)計(jì)特征提取和分類模型，得到較高的識(shí)別精度。

實(shí)驗(yàn)案例將小麥種子無(wú)損檢測(cè)任務(wù)簡(jiǎn)化形成數(shù)字圖像處理課程的實(shí)驗(yàn)任務(wù)目標(biāo)，采用問題驅(qū)動(dòng)的實(shí)驗(yàn)教學(xué)內(nèi)容設(shè)計(jì)方案，依據(jù)理論課教學(xué)內(nèi)容對(duì)實(shí)際項(xiàng)目進(jìn)行分解，將應(yīng)用的圖像去噪、圖像分割、圖像特征提取算法形成實(shí)驗(yàn)?zāi)K。在所有實(shí)驗(yàn)教學(xué)結(jié)束之后，將相關(guān)實(shí)驗(yàn)課內(nèi)容進(jìn)行連接、合并和擴(kuò)展，構(gòu)成一個(gè)可以解決實(shí)際問題的基本框架。實(shí)驗(yàn)項(xiàng)目提供的數(shù)據(jù)來(lái)源于實(shí)驗(yàn)室，整個(gè)綜合實(shí)驗(yàn)案例設(shè)計(jì)內(nèi)容分為圖像去噪、圖像分割、特征提取、識(shí)別模型。

2.1 圖像去噪

高光譜成像的基本原理為在一定波長(zhǎng)范圍內(nèi)，根據(jù)光譜分辨率將一個(gè)個(gè)二維平面圖像連續(xù)地組成三維數(shù)據(jù)，其中的二維平面是圖像像素的x軸和y軸，第三維是波長(zhǎng)信息λ，圖像中每一點(diǎn)都含有該物質(zhì)的光譜信息[13]。這個(gè)三維圖像實(shí)際上是一個(gè)包含光譜圖像數(shù)據(jù)的超立方體，結(jié)合了光譜信息與空間信息，如圖1所示。由于采集環(huán)境的變化以及儀器自身的不穩(wěn)定性，首先需要對(duì)高光譜圖像進(jìn)行去噪，提高信噪比，從而改善整體圖像質(zhì)量。由于不同波段的噪聲強(qiáng)度往往是不同的，而且噪聲在圖像中通常是混合存在的，所以其噪聲的特性和分布特征也不盡相同。為了讓學(xué)生更直觀了解去噪效果，實(shí)驗(yàn)案例中引入單一波段下的灰度圖濾波和整體的數(shù)據(jù)立方體小波變換去噪，通過比較不同方法的去噪效果，加深學(xué)生對(duì)濾波器使用效果的理解。

圖1 實(shí)驗(yàn)采集的小麥種子高光譜圖像

2.2 圖像分割

小麥種子樣本分批次進(jìn)行數(shù)據(jù)采集，每批次采集100粒小麥種子，為了后續(xù)的品種分類，需要對(duì)采集的高光譜圖像進(jìn)行分割，將圖像上的單粒小麥區(qū)域從背景中分離出來(lái)。在單波段通道下的圖像中，小麥區(qū)域和背景區(qū)域的亮度有所不同，所以閾值分割法是最直接有效的分割方法。但是，由于不同小麥種子對(duì)光子的吸收反射不同，而且線掃描光源的亮度不均勻，將會(huì)導(dǎo)致同一圖像中的灰度分布不是均衡的。為了克服這一問題，可以采用自適應(yīng)閾值分割算法將小麥種子從背景中分離出來(lái)，分割效果如圖2所示。閾值分割的關(guān)鍵在于閾值選取，除了自適應(yīng)閾值分割外，還可對(duì)圖像進(jìn)行處理，提高目標(biāo)和背景的對(duì)比度，通過分析比較分割效果選用最優(yōu)的方法。

圖2 閾值分割后的小麥圖像

2.3 特征提取

特征或信息提取是數(shù)字圖像處理課程的主要教學(xué)目標(biāo)之一。高光譜圖像特征提取包括圖像空間特征提取和光譜特征提取，是指對(duì)原始的光譜空間特征進(jìn)行重新組合和優(yōu)化，提取出最適應(yīng)當(dāng)前應(yīng)用需求的新特征。小麥種子品種不同，其外觀存在一定的差異，所以可以提取形狀特征，包括輪廓特征、區(qū)域特征、圖像的矩等。局部二值模式（Local Binary Pattern,LBP）是一種用來(lái)描述圖像局部特征的算子，具有灰度不變性和旋轉(zhuǎn)不變性等顯著優(yōu)點(diǎn)[14]，圖3給出了單粒小麥的LBP特征。同時(shí)由于不同的內(nèi)部組分，小麥種子的差異將極大表現(xiàn)在光譜分布上，因此提取有效的光譜信息能進(jìn)一步提高分類模型精度。平均光譜是最為常見的光譜特征，如何對(duì)光譜特征進(jìn)行重組和優(yōu)化是這部分的研究重點(diǎn)，圖4顯示了不同品種小麥的平均光譜曲線，可以發(fā)現(xiàn)不同品種小麥光譜吸收峰位置相同，強(qiáng)度不同。

圖3 單粒小麥的LBP特征

圖4 不同品種小麥的平均光譜曲線

2.4 種子識(shí)別模型

基于上述提取的特征，運(yùn)用模式識(shí)別與機(jī)器學(xué)習(xí)算法建立分類模型可實(shí)現(xiàn)小麥種子品種的準(zhǔn)確識(shí)別。人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)是機(jī)器學(xué)習(xí)中常用的分類器[15]，建立分類模型需要利用大量已知標(biāo)簽的樣本對(duì)模型進(jìn)行訓(xùn)練。因此，需要采集一定數(shù)量的不同品種小麥種子圖像，通過上述提取的特征組合，訓(xùn)練不同分類器。卷積神經(jīng)網(wǎng)絡(luò)作為目前較為流行的深度學(xué)習(xí)模型之一，也可作為種子識(shí)別的分類器，鼓勵(lì)進(jìn)行多種方案嘗試，并進(jìn)行分析比較，掌握不同模型的原理方法。

3 實(shí)驗(yàn)要求

根據(jù)上述的實(shí)驗(yàn)內(nèi)容設(shè)置如下實(shí)驗(yàn)要求：

（1）分組查閱資料，比較不同算法，制定實(shí)驗(yàn)方案。

（2）了解種子分類識(shí)別的過程，熟練掌握?qǐng)D像處理基本算法和原理。

（3）了解圖像和光譜特征提取方法以及分類模型建立方法。

（3）編寫調(diào)試程序?qū)崿F(xiàn)整個(gè)算法流程，圖像去噪能去除大部分噪聲，圖像分割能精確將單粒種子分離出來(lái)，達(dá)到分離率100%，提取有效特征能實(shí)現(xiàn)種子品種識(shí)別精度80%以上。

實(shí)驗(yàn)環(huán)境和條件要求如下：

（1）硬件環(huán)境。實(shí)驗(yàn)設(shè)備采用普通臺(tái)式計(jì)算機(jī)或筆記本電腦，如果涉及深度學(xué)習(xí)算法，建議采用GPU顯卡，由于數(shù)據(jù)量較大，建議機(jī)器內(nèi)存32 G以上。

（2）軟件環(huán)境。Window7以上操作系統(tǒng)，自行挑選編程語(yǔ)言，建議采用Python和MATLAB編程，可安裝Python 3.6或MATLAB 2018a以上版本。如果涉及深度學(xué)習(xí)算法，建議采用“Anaconda+Pytorch”環(huán)境。

4 實(shí)驗(yàn)?zāi)康?/h2>

通過實(shí)驗(yàn)進(jìn)一步加深學(xué)生對(duì)圖像處理的方法、原理的理解，學(xué)生利用所學(xué)知識(shí)自行設(shè)計(jì)流程框架，完成小麥種子品種檢測(cè)和識(shí)別，鍛煉了學(xué)生的文獻(xiàn)查閱能力，使其了解不同類型（灰度、RGB、高光譜）圖像的特點(diǎn)，熟悉并且掌握不同類型圖片的圖像去噪、分割、特征提取算法；學(xué)習(xí)并熟練運(yùn)用MATLAB、Python等軟件實(shí)現(xiàn)算法的編寫；提高編程和解決問題的能力，將所學(xué)知識(shí)學(xué)以致用，進(jìn)一步了解算法的實(shí)際作用。同時(shí)，引導(dǎo)學(xué)生通過技術(shù)的創(chuàng)新解決生產(chǎn)、生活中的具體問題，關(guān)注社會(huì)經(jīng)濟(jì)發(fā)展的現(xiàn)實(shí)需求，能將所學(xué)知識(shí)和實(shí)際生活聯(lián)系起來(lái)，了解前沿技術(shù)與最新研究進(jìn)展，拓寬學(xué)生的視野和提高學(xué)生解決問題的能力。

5 多元化考核模式

新工科建設(shè)要培養(yǎng)卓越工程人才，提高學(xué)生的工程意識(shí)和實(shí)踐能力，培養(yǎng)學(xué)生的創(chuàng)新精神和工匠精神。因此，在對(duì)傳統(tǒng)數(shù)字圖像處理課程實(shí)驗(yàn)改革的同時(shí)，需要重新定義實(shí)驗(yàn)?zāi)繕?biāo)，綜合實(shí)驗(yàn)的目標(biāo)不應(yīng)該只定位于知識(shí)體系，而應(yīng)該定位于能力體系，需要對(duì)目標(biāo)的實(shí)現(xiàn)有明確支撐，同時(shí)要以目標(biāo)達(dá)成評(píng)價(jià)為基礎(chǔ)開展考核，并進(jìn)行反饋和持續(xù)改進(jìn)。通過過程性與終結(jié)性考核相結(jié)合的多元化考核模式，可以實(shí)現(xiàn)對(duì)學(xué)生能力多維度、多層面的考查，引導(dǎo)學(xué)生在注重結(jié)果的同時(shí)，也能夠注重對(duì)過程的計(jì)劃與控制；在注重專業(yè)知識(shí)學(xué)習(xí)的同時(shí)，也能不斷提升團(tuán)隊(duì)協(xié)作能力、項(xiàng)目管理能力、溝通表達(dá)能力等軟技能，努力成為高素質(zhì)復(fù)合型的新工科人才。

6 結(jié)語(yǔ)

數(shù)字圖像處理課程的傳統(tǒng)實(shí)驗(yàn)教學(xué)模式難以支撐新工科背景下工程教育認(rèn)證指標(biāo)點(diǎn)的問題，本文以實(shí)際項(xiàng)目“小麥種子品種識(shí)別”為藍(lán)本設(shè)計(jì)實(shí)驗(yàn)案例，并將整個(gè)實(shí)驗(yàn)案例根據(jù)課程內(nèi)容分解成多個(gè)階段性實(shí)驗(yàn)?zāi)K，以保證整體實(shí)驗(yàn)的可行性和效果。通過數(shù)字圖像處理、模式識(shí)別、機(jī)器學(xué)習(xí)等多學(xué)科相關(guān)技術(shù)的應(yīng)用，學(xué)生不僅掌握了各交叉學(xué)科的專業(yè)理論知識(shí)，還鍛煉了實(shí)踐動(dòng)手能力，能夠適應(yīng)新工科對(duì)于人才培養(yǎng)的新要求。