基于主動(dòng)輪廓模型的玉米種子高光譜圖像分類

黃 敏 朱 曉 朱啟兵 馮朝麗

（江南大學(xué)輕工過(guò)程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，無(wú)錫，214122）

引 言

玉米是中國(guó)最重要的農(nóng)作物之一，近年來(lái)，玉米在食品、飼料等行業(yè)受到越來(lái)越高的關(guān)注度。隨著雜交技術(shù)的進(jìn)一步發(fā)展，玉米的雜交品種得到普遍推廣，與此同時(shí)，假種子造成的坑農(nóng)害農(nóng)事件也頻頻發(fā)生。因此，玉米種子的純度識(shí)別是中國(guó)農(nóng)業(yè)生產(chǎn)領(lǐng)域的重要問(wèn)題之一。

現(xiàn)階段，基于機(jī)器視覺(jué)的檢測(cè)技術(shù)在玉米種子的純度識(shí)別上有較為廣泛的應(yīng)用［1－3］，但是傳統(tǒng)的機(jī)器視覺(jué)技術(shù)只能獲得種子可見(jiàn)光的形態(tài)學(xué)特征信息，隨著種子品種數(shù)目增多，種子特征的交疊現(xiàn)象就越嚴(yán)重，導(dǎo)致特征的可區(qū)分性變差，從而影響識(shí)別效果。高光譜圖像技術(shù)是近年來(lái)出現(xiàn)的集成光譜技術(shù)和圖像技術(shù)的無(wú)損檢測(cè)新方法，高光譜圖像具有的波段數(shù)量多、數(shù)據(jù)信息量較大，所包含各品種的有效特征信息更多。但是，高光譜圖像中的部分波段受到光源功率、CCD量子效率等綜合因素的影響，圖像的噪聲較大，導(dǎo)致玉米種子的輪廓邊界較模糊，傳統(tǒng)的閾值圖像分割法抗噪性能低，難以準(zhǔn)確提取玉米種子的輪廓。

基于主動(dòng)輪廓模型的圖像分割法具有對(duì)光照和噪聲不敏感的優(yōu)勢(shì)，對(duì)于弱邊界、多目標(biāo)等復(fù)雜圖像具有較好的分割效果［4］。近年來(lái)，越來(lái)越多地應(yīng)用到醫(yī)學(xué)圖像分割中［5－7］，該模型主要利用曲線演化和水平集方法［8］，把二維的演化曲線表示成三維的水平集函數(shù)，水平集函數(shù)在演化方程的控制下，直到演化曲線到達(dá)目標(biāo)邊界為止。

本文采用基于主動(dòng)輪廓模型的圖像分割法，對(duì)高光譜圖像中的玉米種子進(jìn)行輪廓提取，并對(duì)提取出的形狀特征參數(shù)進(jìn)行歸一化，利用主成分分析法（Principal component analysis，PCA）對(duì)形狀特征參數(shù)降維，同時(shí)，為了更好地實(shí)現(xiàn)種子的在線檢測(cè)，利用各波段間的相關(guān)性提取出12個(gè)最優(yōu)波段，利用誤差反向傳播（Back propagation，BP）神經(jīng)網(wǎng)絡(luò)模型對(duì)數(shù)據(jù)樣本進(jìn)行分類，并與傳統(tǒng)的閾值分割法作比較，取得了較好的分類效果。

1 實(shí)驗(yàn)材料和方法

1.1 玉米樣本

實(shí)驗(yàn)中共使用玉米種子樣本432個(gè)，每個(gè)品種的樣本各48個(gè)，包括香甜一號(hào)、黃妃、高品樂(lè)、黃糯一號(hào)、超甜2008、綠色超人、黃金糯玉米、早鮮金甜香糯、金糯玉米共9個(gè)不同的品種。所有的樣本分別由不同的種子公司提供。

1.2 高光譜圖像的采集

高光譜圖像的采集系統(tǒng)主要由光譜范圍為400～1 000nm、狹縫寬度為25μm的圖像光譜儀（1003A－10140HyperspcTM VNIR C－Series，Headwall Photonics Inc.，USA），CCD（pixelfly qe IC＊285AL，Cooke，USA），150W 的光纖鹵素?zé)簦?50W EKE，3 250K，Techniquip，USA），樣本輸送平臺(tái)和計(jì)算機(jī)等部件組成見(jiàn)圖1。

系統(tǒng)的光譜分辨率為1.29nm，采集光譜圖像的波段間隔為0.64nm，實(shí)驗(yàn)過(guò)程中，所有高光譜圖像的像素都進(jìn)行倍數(shù)為10的合并操作，波段間隔為6.4nm，空間分辨率為0.15mm。經(jīng)過(guò)調(diào)試，得到了最佳的圖像采集參數(shù)：曝光時(shí)間350ms，物距為25cm，光源功率為60W。

圖1 高光譜成像系統(tǒng)

為了降低光源的變化對(duì)圖像造成的影響，本實(shí)驗(yàn)每采集15幅高光譜圖像分別作一次白板標(biāo)定圖像和全黑標(biāo)定圖像的采集。

2 數(shù)據(jù)分析

2.1 數(shù)據(jù)預(yù)處理

利用實(shí)驗(yàn)過(guò)程中采集的白板標(biāo)定圖像和全黑標(biāo)定圖像，按照式（1）對(duì)圖像進(jìn)行校正。

式中：R為校正后的玉米高光譜圖像；Rsample為樣本圖像；Rreference為白板標(biāo)定圖像；Rdark為全黑標(biāo)定圖像。

對(duì)校正后的高光譜圖像，利用ENVI圖像處理軟件選取每粒玉米種子樣本表面2 000個(gè)像素的區(qū)域，計(jì)算出各類玉米種子的平均相對(duì)反射率，見(jiàn)圖2。

圖2 9類玉米種子的平均相對(duì)反射率

由圖2分析可知，9類玉米種子的平均相對(duì)反射率在492.7～956.5nm波長(zhǎng)范圍內(nèi)區(qū)別較大，而在492.7nm以下和956.5nm以上波段，9類玉米種子的平均相對(duì)反射率較為接近，所得到的玉米種子高光譜圖像反射和吸收強(qiáng)度相當(dāng)，在后期的圖像數(shù)據(jù)處理中無(wú)明顯作用。因此，本實(shí)驗(yàn)選取492.7～956.5nm范圍內(nèi)的高光譜圖像數(shù)據(jù)進(jìn)行分析。

2.2 基于主動(dòng)輪廓模型的圖像分割法

利用基于主動(dòng)輪廓模型結(jié)合水平集的方法［9］，提取多目標(biāo)條件下的玉米種子輪廓圖像，該模型的能量泛函形式為

每次曲線演化時(shí)，該模型通過(guò)對(duì)c1和c2的重新估計(jì)，代入方程進(jìn)行不斷的迭代，實(shí)現(xiàn)φ函數(shù)的更新。然后通過(guò)φ函數(shù)的零水平集函數(shù)，即可獲得更新后的演化曲線，如此不斷循環(huán)，直到演化曲線到達(dá)最終的目標(biāo)邊界，得到最終的分割結(jié)果。圖3為黃金糯玉米在930.7nm波段下輪廓分割的圖像。

2.3 特征提取

本實(shí)驗(yàn)提取出周長(zhǎng)、面積、離心率、長(zhǎng)軸、短軸、當(dāng)量直徑、長(zhǎng)寬比、圓形度、離散度、矩形度、內(nèi)切圓半徑、緊湊度共12個(gè)形狀特征信息［10，11］。

圖3 黃金糯玉米在930.7nm波段下輪廓分割的結(jié)果

其中，利用主動(dòng)輪廓模型分割法提取492.7～956.5nm共73個(gè)波段的圖像輪廓，每粒玉米樣本共有12×73個(gè)形狀特征參數(shù)，73表示波段個(gè)數(shù)。利用傳統(tǒng)的閾值分割法在提取492.7～563.6nm和911.4～956.5nm波段時(shí)噪聲較大，無(wú)法準(zhǔn)確分割玉米種子的輪廓。因此，實(shí)驗(yàn)提取563.6～911.4nm共55個(gè)波段的圖像輪廓，每粒玉米共有12×55個(gè)形狀特征參數(shù)，55表示波段個(gè)數(shù)。

3 結(jié)果與討論

3.1 全波段BP神經(jīng)網(wǎng)絡(luò)建模分類

首先，將兩種圖像分割法所得到的特征參數(shù)均作歸一化處理，對(duì)不同種類的玉米種子樣本，每個(gè)品種選取36個(gè)玉米種子樣本作為分類器的訓(xùn)練樣本集，剩下的12個(gè)玉米種子樣本作為分類器的測(cè)試樣本集。

采用主成分分析法對(duì)形狀特征參數(shù)進(jìn)行數(shù)據(jù)壓縮，主動(dòng)輪廓模型分割法的特征參數(shù)前16個(gè)主成分變量累積貢獻(xiàn)率達(dá)到99.24%，閾值分割法的特征參數(shù)前16個(gè)主成分變量累積貢獻(xiàn)率達(dá)到99.69%，有效地保留了原始變量的特征信息。最后，將經(jīng)過(guò)PCA處理后的訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類識(shí)別。

建立BP神經(jīng)網(wǎng)絡(luò)模型時(shí)，把前16個(gè)主成分作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，輸出變量為輸入變量所對(duì)應(yīng)的9個(gè)樣本品種，建立16－30－9的三層BP神經(jīng)網(wǎng)絡(luò)模型，隱含層使用正切S型函數(shù)，輸出層采用對(duì)數(shù)S型函數(shù)，采用trainrp訓(xùn)練函數(shù)來(lái)訓(xùn)練網(wǎng)絡(luò)，分類結(jié)果見(jiàn)表1。

表1 BP神經(jīng)網(wǎng)絡(luò)對(duì)9類玉米種子的分類結(jié)果 %

由表1分析，利用主動(dòng)輪廓模型分割法得到的特征參數(shù)所建立的BP神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練和測(cè)試平均正確識(shí)別率均優(yōu)于傳統(tǒng)閾值分割法的特征參數(shù)所建立的模型。表明利用主動(dòng)輪廓模型分割法得到的特征參數(shù)為分類模型提供了更充足有效的特征，分類效果更加顯著。

3.2 波段選擇與BP神經(jīng)網(wǎng)絡(luò)建模分類

由于本實(shí)驗(yàn)提取出的波段數(shù)目較多，在線獲取如此多的波段必將影響到玉米檢測(cè)分類的實(shí)時(shí)性。因此，解決這一問(wèn)題的途徑是選擇適合于玉米分類檢測(cè)的最優(yōu)波段并建立其分類模型。本文結(jié)合玉米樣本的類間離散度、類內(nèi)離散度以及波段間的相關(guān)性研究了玉米分類的最優(yōu)波段選擇問(wèn)題。

類內(nèi)離散度表達(dá)的是同一類樣本到類內(nèi)中心的距離，其值越小，說(shuō)明同類樣本相對(duì)越集中；類間離散度是不同類的類間中心距離，選擇的波段應(yīng)能使所有品種的類間離散度盡可能大些，而類內(nèi)離散度盡可能?。?2］，即

式中：Wλ，Sλ分別表示第λ個(gè)波段下的類間離散度和類內(nèi)離散度；Eλ越大，表明該波段所能代表的玉米品種特征區(qū)分有效性越大。Wλ，Sλ按照式（7，8）計(jì)算

式中：n＝9表示玉米品種個(gè)數(shù)；m＝36表示每類品種的訓(xùn)練集樣本個(gè)數(shù)；xλ，ji∈R12，表示第i類品種在第λ個(gè)波段下第j個(gè)樣本（i＝1，…，9，j＝1，…，36）的特征向量；∈R12表示第i類品種所有在第λ個(gè)波段下的均值特征向量。

選取最大值Eλ對(duì)應(yīng)的波段為首先最優(yōu)波段λ1，將第λ個(gè)波段下每類品種的均值特征向量R12（i＝1，…，9）首尾相接，得到反映類別信息的新的特征向量計(jì)算Tλ與Tλ1的內(nèi)積Hλ＝·Tλ1。Hλ反映了波段λ下的特征Tλ與已選波段λ1的特征Tλ1的相關(guān)性，若Hλ大，表示Tλ與Tλ1的相似性較大，不利于分類。因此，應(yīng)選擇Hλ最小的波段為第2個(gè)最優(yōu)波段，記為λ2。再分別計(jì)算剩余的波段與Tλ1，Tλ2的內(nèi)積和，選擇內(nèi)積和最小的波段，記為λ3。以此類推，可獲得選擇后的最優(yōu)波段排列λ1，λ2，λ3，…。

利用上述方法選擇出兩種圖像分割法所提出的所有波段中的各15個(gè)波段，依次對(duì)波段個(gè)數(shù)為1，2，…，15時(shí)的特征參數(shù)經(jīng)過(guò)數(shù)據(jù)歸一化和主成分分析后，主動(dòng)輪廓模型分割法的特征參數(shù)建立16－30－9的三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，閾值分割法的特征參數(shù)建立16－23－9的三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，隱含層使用正切S型函數(shù)，輸出層采用對(duì)數(shù)S型函數(shù)，采用trainrp訓(xùn)練函數(shù)來(lái)訓(xùn)練網(wǎng)絡(luò)，訓(xùn)練結(jié)果見(jiàn)圖4。

圖4 不同波段個(gè)數(shù)下的訓(xùn)練結(jié)果

由圖4分析，主動(dòng)輪廓模型的圖像分割法中，通過(guò)BP神經(jīng)網(wǎng)絡(luò)建模的訓(xùn)練精度在12個(gè)波段個(gè)數(shù)時(shí)最高，達(dá)到99.38%，12個(gè)最優(yōu)波段依次為917.9，795.5，756.8，524.9，685.9，518.5，801.9，679.5，847，885.6，602.2和782.6nm。傳統(tǒng)的閾值分割法中，通過(guò)BP神經(jīng)網(wǎng)絡(luò)建模的訓(xùn)練精度在11個(gè)波段個(gè)數(shù)時(shí)最高，達(dá)到99.38%，11個(gè)最優(yōu)波段依 次 為 885.6，628，789，782.6，582.8，570，763.3，711.7，866.3，911.4和892.1nm。

利用最優(yōu)波段個(gè)數(shù)建立的BP神經(jīng)網(wǎng)絡(luò)模型，將每個(gè)品種剩下的12個(gè)玉米種子樣本共108個(gè)樣本輸入模型進(jìn)行驗(yàn)證，得到的分類結(jié)果見(jiàn)表2。

表2 BP神經(jīng)網(wǎng)絡(luò)對(duì)最優(yōu)波段選擇后9類玉米種子的分類結(jié)果 %

由表2分析，主動(dòng)輪廓模型分割法得到的特征參數(shù)在最優(yōu)波段選擇后所建立的BP神經(jīng)網(wǎng)絡(luò)模型的測(cè)試樣本正確識(shí)別率較高，經(jīng)過(guò)最優(yōu)波段的提取后的特征參數(shù)與全波段下的特征參數(shù)具有相同的有效性，測(cè)試分類結(jié)果相同，而且運(yùn)行時(shí)間明顯減少。

4 結(jié)束語(yǔ)

本文針對(duì)傳統(tǒng)的閾值圖像分割法難以提取高光譜圖像中部分波段的圖像，利用基于主動(dòng)輪廓模型的圖像分割法對(duì)高光譜圖像中的玉米種子進(jìn)行輪廓分割，提取玉米種子的形狀特征后，采用不同波段特征參數(shù)間的相關(guān)性進(jìn)行波段選擇，采用全波段和最優(yōu)波段的特征參數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)模型分別建立分類模型。與傳統(tǒng)的閾值分割法相比，本文方法取得了更好的分類效果，為高光譜圖像在玉米品種純度檢測(cè)上的應(yīng)用提供了一種新的方法。

［1］ 閆小梅，劉雙喜，張春慶，等.基于顏色特征的玉米種子純度識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26（S1）：46－50.Yan Xiaomei，Liu Shuangxi，Zhang Chunqing，et al.Purity identification of maize seed based on color characteristics［J］.Transactions of the CSAE，2010，26（S1）：46－50.

［2］ 蘇謙，鄔文錦，王紅武，等.基于近紅外光譜和仿生模式識(shí)別玉米品種快速鑒別方法［J］.光譜學(xué)與光譜分析，2009，29（9）：2413－2416.Su Qian，Wu Wenjin，Wang Hongwu，et al.Fast discrimination of varieties of corn based on near infrared spectra and biomimetic pattern recognition［J］.Spectroscopy and Spectral Analysis，2009，29（9）：2413－2416.

［3］ 程洪，史智興，么煒，等.基于支持向量機(jī)的玉米品種識(shí)別［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（3）：180－183.Cheng Hong，Shi Zhixing，Me Wei，et a1.Corn breed recognition based on support vector machine［J］.Transactions of the CSAE，2009，40（3）：180－183.

［4］ 危自福，畢篤彥，馬時(shí)平.一種改進(jìn)的快速C－V水平集紅外圖像分割［J］.數(shù)據(jù)采集與處理，2010，25（3）：347－352.Wei Zifu，Bi Duyan，Ma Shiping.Improved fast C－V level set infrared image segmentation［J］.Journal of Data Acquisition and Processing，2010，25（3）：347－352.

［5］ Sun Kaiqiong，Chen Zhen，Jiang Shaofeng.Local morphology fitting active contour for automatic vascular segmentation［J］.IEEE Transactions on Biomedical Engineering，2012，59（2）：464－473.

［6］ Kang D G，Suh D C，Ra J B.Three－dimensional blood vessel quantification via centerline deformation［J］.IEEE Transactions on Medical Imaging，2009，28（3）：405－411.

［7］ Shang Yanfeng，Deklerck R，Nyssen E，et al.Vascular active contour for vessel tree segmentation［J］.IEEE Transactions on Biomedical Engineering，2011，58（4）：1023－1032.

［8］ Osher S，Sethian J A.Fronts propagating with curvature dependent speed：algorithms based on Hamilton－Jacobi formulation［J］.Journal of Computational Physics，1988，79（1）：12－49.

［9］ Chan T F，Vese L A.Active contours without edges［J］.IEEE Transactions on Image Processing，2001，10（2）：266－277.

［10］王玉亮.基于機(jī)器視覺(jué)的玉米種子品種識(shí)別與檢測(cè)研究［D］.泰安：山東農(nóng)業(yè)大學(xué)機(jī)械與電子工程學(xué)院，2008.Wang Yuliang.Maize seed identification and detection based on the machine vision［D］.Tai′an：College of Mechanical and Electronic Engineering，Shandong Agriculture University，2008.

［11］金飛劍.基于機(jī)器視覺(jué)的雜草圖像特征提取及識(shí)別研究［D］.鎮(zhèn)江：江蘇大學(xué)電氣信息與工程學(xué)院，2007.Jin Feijian.Feature of weeds extraction and identification based on the machine vision［D］.Zhenjiang：School of Electronic and Information Engineering，Jiangsu University，2007.

［12］曹玲玲，潘建壽.基于Fisher判別分析的貝葉斯分類器［J］.計(jì)算機(jī)工程，2011，37（10）：162－164.Cao Lingling，Pan Jianshou.Bayesian classifier based on Fisher discriminant analysis［J］.Computer Engineering，2011，37（10）：162－164.