基于改進(jìn)算法的儲(chǔ)糧害蟲圖像識別預(yù)處理

劉麗娟+劉仲鵬+

摘要：引入圖像預(yù)處理及模式識別技術(shù)，實(shí)現(xiàn)儲(chǔ)糧害蟲圖像的預(yù)處理。結(jié)合害蟲圖像的特征，對傳統(tǒng)的灰度化方法進(jìn)行改進(jìn)，以ＨＳＩ的變換方法對圖像進(jìn)行灰度化處理；通過直方圖均衡化調(diào)整圖像的灰度間距，提升圖像的對比度；對傳統(tǒng)的濾波方法進(jìn)行優(yōu)化，以方向?yàn)V波算法保護(hù)圖像邊緣，濾除圖像噪聲；以ＦＣＭ分割算法進(jìn)行圖像分割，獲得害蟲圖像的主要特征，從而實(shí)現(xiàn)了對目標(biāo)圖像的去噪、增強(qiáng)，為儲(chǔ)糧害蟲進(jìn)一步的智能化識別與處理打下基礎(chǔ)。

關(guān)鍵詞：儲(chǔ)糧害蟲；病害圖像預(yù)處理；圖像識別

中圖分類號：ＴＰ３９１．４１文獻(xiàn)標(biāo)識碼：Ａ文章編號：0439－８114（２０14）09－2170-04

Image Recognition Preprocess of Insect Pests of Stored Grain

Based on Improved Algorithm

LIU Li-juan1, LIU Zhong-peng2

(1. College of Information Science and Technology, Agricultural University of Hebei，Baoding 071000, Hebei, China;

2. Department of Information Technology，Baoding University，Baoding 071000, Hebei, China)

Ａｂｓｔｒａｃｔ： The image pretreatment of pests of grain stored insect was realized by introducing image preprocessing and pattern recognition technology. Combining with the feature of insect images, the traditional gray processing was improved to transform method of HSI to gray scale image processing. The image gray level spacing was adjusted through histogram equalization to enhance the contrast grade of image. The traditional filtering methods was optimized to direction filtering algorithm protecting the image edge. The image noise was filtered. With FCM segmentation algorithm for image segmentation, the main characteristics of the pest images were acquired. This， the target image denoising and enhancement was realized. A good foundation for intellectualization and processing of pests in further recognition was laid.

Ｋｅｙ ｗｏｒｄｓ：stored grain pests; disease image pretreatment; image recognition

中國是農(nóng)業(yè)大國，也是糧食生產(chǎn)大國，儲(chǔ)藏安全是糧食生產(chǎn)與流通中的重中之重。統(tǒng)計(jì)數(shù)據(jù)表明，當(dāng)前我國的儲(chǔ)糧損失率居高不下，由于蟲害而導(dǎo)致的損失平均達(dá)１１％，儲(chǔ)糧害蟲已經(jīng)成為影響糧食品質(zhì)的一大亟待解決的問題［１］。近年來，各國主要以有機(jī)合成農(nóng)藥來消滅儲(chǔ)糧害蟲，取得了一定的效果，而精準(zhǔn)使用殺蟲劑的前提是對儲(chǔ)糧害蟲的準(zhǔn)確檢測。

隨著信息技術(shù)尤其是圖像處理技術(shù)的發(fā)展，引入圖像技術(shù)對儲(chǔ)糧害蟲進(jìn)行自動(dòng)處理、識別，從而提取與分析害蟲的形狀、大小、顏色、紋理等特征，進(jìn)而科學(xué)、合理地識別和治理蟲害，是當(dāng)前研究熱點(diǎn)之一。在基于圖像處理技術(shù)的害蟲檢測與識別方面，國內(nèi)外已有一些研究成果，Ｚａｙａｓ等［２］通過光譜分析技術(shù)對小麥谷蠢蟲進(jìn)行檢測，其所采用的方法對于害蟲的識別率較高，然而容易受到其他諸如草子等干擾圖像的影響，因此難以實(shí)現(xiàn)現(xiàn)場的使用和推廣；在我國，近年來有不少學(xué)者對儲(chǔ)糧害蟲的識別和檢測也取得了很好的成果，廉飛宇［３］通過基于粗糙集的算法實(shí)現(xiàn)害蟲圖像的預(yù)處理，以規(guī)則隸屬度對采集處理之后的圖像進(jìn)行匹配，實(shí)現(xiàn)害蟲的檢測；張紅梅［４］則以ＢＰ網(wǎng)絡(luò)的方法對儲(chǔ)糧害蟲的各類特征進(jìn)行訓(xùn)練和分類識別。然而在圖像預(yù)處理的一系列算法中，一些傳統(tǒng)的算法由于具有一些固有的不足，并非完全適應(yīng)對于蟲害的圖像識別［５］。為此，引入圖像預(yù)處理及模式識別技術(shù)，對傳統(tǒng)的一系列算法進(jìn)行調(diào)整或改進(jìn)優(yōu)化，實(shí)現(xiàn)儲(chǔ)糧害蟲圖像的預(yù)處理，為害蟲進(jìn)一步的智能化識別與處理打下良好的基礎(chǔ)，并有助于糧庫及時(shí)采取針對性的防治策略。

１儲(chǔ)糧害蟲圖像的獲取

采用相同的方式對含有儲(chǔ)糧、害蟲與雜質(zhì)的目標(biāo)物進(jìn)行拍攝。數(shù)碼相機(jī)位于目標(biāo)物上方１００ ｃｍ處，室內(nèi)人工光照，圖像輸入電腦以ＪＰＧ格式保存。

２儲(chǔ)糧害蟲圖像的預(yù)處理

２．１基于ＨＳＩ的灰度預(yù)處理

對儲(chǔ)糧害蟲進(jìn)行圖像預(yù)處理時(shí)，不需要使用圖像的全部色度數(shù)據(jù)，而采集到的原始圖像屬于真彩色圖像，因此圖像處理時(shí)的計(jì)算量偏大，計(jì)算速度與圖像處理的效率受到一定影響。通常的做法是首先將原始圖像轉(zhuǎn)換為８位灰度圖像，轉(zhuǎn)換之后的圖像僅保留灰度信息，對害蟲圖像預(yù)處理已足夠。灰度預(yù)處理的過程就是將彩色圖像中還有亮度與色度的ＲＧＢ模式經(jīng)過轉(zhuǎn)換，變成灰度色，從而降低數(shù)據(jù)量。一般的灰度化處理僅是簡單地將真彩圖像變換為具有不同灰度級別的灰度圖。為了使灰度圖更加契合于彩圖本身的顏色和亮度特征，不少研究提出了改進(jìn)的灰度化算法。本研究對比了主要的ＲＧＢ轉(zhuǎn)換至ＨＳＩ模式的實(shí)現(xiàn)算法，最終選擇了文獻(xiàn)［６］的算法，下面為依據(jù)該文獻(xiàn)從ＲＧＢ到ＨＳＩ的轉(zhuǎn)換方程：

Ｈ＝θ（Ｂ≤Ｇ）

Ｈ＝３６０－θ（Ｂ＞Ｇ）

其中θ＝arccos(■)

Ｓ＝Ｉ－■ｍｉｎ［Ｒ，Ｇ，Ｂ］

Ｉ＝■（Ｒ＋Ｇ＋Ｂ）

２．２直方圖均衡化預(yù)處理

為了使各灰度等級的比例更加平衡，需要對儲(chǔ)糧害蟲目標(biāo)圖像進(jìn)行直方圖均衡。具體思路是：對圖像中像素少的單元進(jìn)行壓縮，像素多的則進(jìn)行拓展，從而盡量使像素灰度值的動(dòng)態(tài)范圍擴(kuò)大，以“點(diǎn)運(yùn)算”的方式，使圖像在其任意一個(gè)灰度級別都分布一樣的像素?cái)?shù)目，形成處理后的輸出圖像，最終使圖像對比度得到改善。一幅圖像的直方圖能夠反映出該圖像中所含的所有灰度級別，以及該灰度級別像素?cái)?shù)目之間的統(tǒng)計(jì)特征。通過直方圖均衡化的處理方法，能夠顯著改善圖像的對比度與亮度，使其細(xì)節(jié)清晰，增強(qiáng)圖像整體對比度。采用如下的處理流程：

１）對原圖進(jìn)行灰度統(tǒng)計(jì)，共Ｌ級。列出其所包含的所有灰度級別，以ｆｊ表示每一個(gè)灰度級，ｊ＝０，１，…，ｋ，…，Ｌ－１

２）對原圖的每一個(gè)灰度級別，獲取其分別包含的像素總數(shù)，以nｊ表示，ｊ＝０，１，…，ｋ，…，Ｌ－１。

３）對原圖的每一個(gè)灰度級別所出現(xiàn)的頻率進(jìn)行統(tǒng)計(jì)，以ｎ表示像素和，則出現(xiàn)的頻率Ｐｆ（ｆｊ）＝■， ｊ＝０，１，…，ｋ，…，Ｌ－１。

４）結(jié)合頻度Ｐｆ（ｆｊ），構(gòu)建原圖每一灰度級的累積分布函數(shù)關(guān)系式，有Ｃ（ｆ）=■Ｐｆ（ｆｊ），ｊ＝０，１，…，ｋ，…，Ｌ－１。

５）通過Ｃ（ｆ）獲取原圖映射后的灰度，設(shè)映射后灰度級為ｇｉ，灰度數(shù)為Ｐ，則有ｉ＝０，１，…，ｋ，…，Ｐ－１，ｇｉ的值為式［（ｇｍａｘ－ｇｍｉｎ）Ｃ（ｆ）＋ｇｍｉｎ＋０．５］的整數(shù)部分。

６）對輸出的所有灰度級像素?cái)?shù)目分別統(tǒng)計(jì)，以nｊ表示，ｊ＝０，１，…，ｋ，…，Ｐ－１。

７）得到映射后的輸出圖像直方圖，表示為

Ｐｇ（ｇｉ）＝■，ｉ＝０，１，…，ｋ，…，Ｐ－１。

８）以原始圖像的每一個(gè)灰度級（ｆｊ）與映射后灰度級（ｇｉ）之間的變換關(guān)系處理原圖所有灰度，最終得到灰度直方圖更加均勻分布的輸出結(jié)果。圖１、圖２為直方圖均衡預(yù)處理前后的對比圖。由圖１和圖２可以看出，均衡化后，在圖像樣本灰度值范圍內(nèi)均有直方圖存在。在直方圖均衡化處理前，灰度值中低灰度含量比較高，而處理后各灰度比例分配變得均衡，因此圖像質(zhì)量得到顯著改善，對比度提高，輪廓細(xì)節(jié)清楚，目標(biāo)邊界清晰。

２．３基于方向?yàn)V波算法的優(yōu)化中值濾波

為了彌補(bǔ)直方圖均衡處理的不足，在均衡化之后還需對圖像進(jìn)行中值濾波。直方圖均衡化處理之后的圖像亮度往往比較高，并且出現(xiàn)了一些偽邊緣，影響了對害蟲目標(biāo)的識別。為此，引入方向?yàn)V波算法對中值濾波進(jìn)行優(yōu)化，提取被處理圖像目標(biāo)邊緣像素之中所蘊(yùn)含的方向?qū)傩裕剡吘壏较驅(qū)ζ溥M(jìn)行濾波處理，從而使圖像細(xì)節(jié)保留更加完整。過程為：

1）使用包含兩組３×３的矩陣的Ｓｏｂｅｌ邊緣檢測算法［７］，得到被處理目標(biāo)的邊緣像素。

2）引入Ｐｒｅｗｉｔｔ梯度算子［８］，結(jié)合目標(biāo)圖像邊緣的方向性特征，獲取被處理目標(biāo)的邊緣像素方向?qū)傩浴Ｒ?個(gè)方向模板進(jìn)行描述，有：

西向：11 -11 -2 -1111，東向：-111-1 -21-111，

南向：-1 -1 -1 1 -21 111，北向： 111 1 -21-1 -1 -1，

西南： 1 -1 -1 1 -2 -1 111，東北： 111-1 -21-111，

西北： 111 1 -2 -1 1 -1 -1，東南：-1 -11-1 -21 111。

對于被處理目標(biāo)的每一個(gè)邊緣像素，用以上８個(gè)方向的模板進(jìn)行微分處理并求和，最終取梯度最大值在邊緣檢測時(shí)提取的邊緣信息，即將邊緣像素的方向確定為8個(gè)方向模板處理之后的最大值。

3）針對被處理目標(biāo)的邊緣像素所確定的方向，為其配置５×５的定向?yàn)V波子窗口，有：

ＣＷ１＝0 0 1 0 00 0 1 0 00 0 1 0 00 0 1 0 00 0 1 0 0，ＣＷ２＝1 0 0 0 00 1 0 0 00 0 1 0 00 0 0 1 00 0 0 0 1，

ＣＷ３＝0 0 0 0 00 0 0 0 01 1 1 1 10 0 0 0 00 0 0 0 0，ＣＷ４＝0 0 0 0 10 0 0 1 00 0 1 0 00 1 0 0 01 0 0 0 0。

以被處理的目標(biāo)像素為中心，把定向?yàn)V波子窗口里值是１的對應(yīng)像素有序排列，獲取該序列里的中間值，以此值取代原像素的灰度。經(jīng)過中值濾波處理之后，圖像的邊緣依舊清晰，噪聲污染也得到了有效的去除。

２．４基于快速模糊聚類的害蟲圖像分割

在圖像分割階段引入ＷＦＣＭ（快速模糊聚類分割方法）［９］，引入ｈ（ｋ），含義是待處理圖像中像素灰度為ｋ的個(gè)數(shù)，ｈ（ｋ）可以通過圖像的灰度級來取代圖像數(shù)據(jù)樣本，降低計(jì)算復(fù)雜度與計(jì)算量。傳統(tǒng)的聚類方法（ＦＣＭ）數(shù)據(jù)量為樣本所含的像素?cái)?shù)目，而優(yōu)化的方法則使其減少到Ｌ，提升了處理效率。定義目標(biāo)函數(shù)為［１０］：

Ｊｍ（Ｕ，Ｖ）＝■■（μｉｋ）ｍ（ｄｉｋ）２ｈ（ｋ）

其中，μｉｋ是待處理圖像中像素ｋ對第ｉ個(gè)均值聚類隸屬的程度；ｄ是像素ｋ與第ｉ個(gè)均值聚類之間的有效距離；以下式計(jì)算待處理圖像樣本的ｃ個(gè)聚類中心：ｖｉ＝■

（ｉ＝１，２，…，c）

迭代過程為：

１）獲取待處理圖像樣本的灰度級（ｋ＝０，１，２，…，Ｌ－１），對各類參數(shù)進(jìn)行初始化，迭代次數(shù)以ｒ表示，確定聚類中心的數(shù)目；

２）計(jì)算待處理圖像樣本的ｃ個(gè)聚類中心；

３）以計(jì)算出的聚類中心去刷新模糊分類矩陣，得到新的分類矩陣；

４）如果新的分類矩陣與原矩陣之差小于某個(gè)預(yù)先設(shè)定閾值ε，則迭代結(jié)束，否則ｒ值增１，回到２）。

選取聚類算法中參數(shù)ｍ與ε、ｃ的值，分別以傳統(tǒng)的標(biāo)準(zhǔn)模糊聚類分割算法與改進(jìn)算法對圖像進(jìn)行處理，結(jié)果見表１。

表１的比較數(shù)據(jù)可以證明基于改進(jìn)算法的ＦＣＭ在提升圖像分割效率方面的有效性，且ＷＦＣＭ算法平均運(yùn)算時(shí)間和待聚類樣本數(shù)遠(yuǎn)小于傳統(tǒng)算法，平均迭代次數(shù)也較低。圖３為以改進(jìn)算法的ＦＣＭ分割之后的效果，其中左上部分為原始目標(biāo)圖，右上部分為分割目標(biāo)圖，下方為分割定位結(jié)果圖。至此，害蟲目標(biāo)已被完整分割，可以為后續(xù)的害蟲分類識別以及精確施藥等操作奠定良好的基礎(chǔ)。

３小結(jié)

儲(chǔ)糧害蟲直接影響糧食品質(zhì)，必須進(jìn)行及時(shí)、準(zhǔn)確的判斷與精準(zhǔn)的防治。本研究基于圖像處理技術(shù)和模式識別技術(shù)，對采集到的儲(chǔ)糧害蟲圖像引入灰度預(yù)處理、直方圖均衡化和中值濾波，并結(jié)合圖像的具體特征對以上方法進(jìn)行了調(diào)整或者優(yōu)化，為害蟲進(jìn)一步的智能化識別打下基礎(chǔ)。

參考文獻(xiàn)：

［１］ 萬拯群．我國科學(xué)保糧若干問題之我見［Ｊ］．糧食儲(chǔ)藏，２００９，３８（４）：５２－５６．

［２］ ＺＡＹＡＳ Ｉ Ｙ， ＦＬＮＮＡ Ｐ Ｗ． Ｄｅｔｅｃｔｉｏｎ ｏｆ ｉｎｓｅｃｔｓ ｉｎ ｂｕｌｋ ｗｈｅａｔ ｓａｍｐｌｅｓ ｗｉｔｈ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ［Ｊ］． Ｔｒａｎｓ ｏｆ ｔｈｅ ＡＳＡＥ，１９９８，４１（３）：８８３－８８８．

［３］ 廉飛宇．基于機(jī)器視覺的儲(chǔ)糧害蟲檢測與識別［Ｊ］．河南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），２００７，２８（３）：４３－４６．

［４］ 張紅梅．基于數(shù)字圖像處理技術(shù)的儲(chǔ)糧害蟲分類識別研究［Ｊ］．河南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），２００５，２６（１）：１９－２２．

［５］ 黃凌霄，周龍．基于數(shù)學(xué)形態(tài)學(xué)的儲(chǔ)糧害蟲圖像預(yù)處理［Ｊ］．武漢工業(yè)學(xué)院學(xué)報(bào)，２００７，２６（２）：８５－８８．

［６］ 牟研娜．作物生長狀態(tài)參數(shù)的圖像檢測方法的研究［Ｄ］．北京：北京理工大學(xué)，２００５．

［７］ ＡＢＯＬＧＨＡＳＥＭＩ Ｖ， ＡＨＭＡＤＹＦＡＲＤ Ａ． Ａｎ ｅｄｇｅ－ｂａｓｅｄ ｃｏｌｏｒ－ａｉｄｅｄ ｍｅｔｈｏｄ ｆｏｒ ｌｉｃｅｎｓｅ ｐｌａｔｅ ｄｅｔｅｃｔｉｏｎ［Ｊ］． Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ，２００９，２７（８）：１１３４－１１４２．

［８］ 劉明艷．用 Ｐｒｅｗｉｔｔ算子細(xì)化邊緣［Ｊ］．光電子技術(shù)，２００６，２６（４）：２５９－２６１．

［９］ 葉秀清，顧偉康，肖強(qiáng)． 快速模糊圖像分割算法［Ｊ］．模式識別與人工智能，２００６，９（１）：６６－７０．

［１０］ 徐月芳．基于遺傳模糊Ｃ－均值聚類算法的圖像分割［Ｊ］．西北工業(yè)大學(xué)學(xué)報(bào)，２００２，２０（４）：５４９－５５３．

３）對原圖的每一個(gè)灰度級別所出現(xiàn)的頻率進(jìn)行統(tǒng)計(jì)，以ｎ表示像素和，則出現(xiàn)的頻率Ｐｆ（ｆｊ）＝■， ｊ＝０，１，…，ｋ，…，Ｌ－１。

４）結(jié)合頻度Ｐｆ（ｆｊ），構(gòu)建原圖每一灰度級的累積分布函數(shù)關(guān)系式，有Ｃ（ｆ）=■Ｐｆ（ｆｊ），ｊ＝０，１，…，ｋ，…，Ｌ－１。

５）通過Ｃ（ｆ）獲取原圖映射后的灰度，設(shè)映射后灰度級為ｇｉ，灰度數(shù)為Ｐ，則有ｉ＝０，１，…，ｋ，…，Ｐ－１，ｇｉ的值為式［（ｇｍａｘ－ｇｍｉｎ）Ｃ（ｆ）＋ｇｍｉｎ＋０．５］的整數(shù)部分。

６）對輸出的所有灰度級像素?cái)?shù)目分別統(tǒng)計(jì)，以nｊ表示，ｊ＝０，１，…，ｋ，…，Ｐ－１。

７）得到映射后的輸出圖像直方圖，表示為

Ｐｇ（ｇｉ）＝■，ｉ＝０，１，…，ｋ，…，Ｐ－１。

８）以原始圖像的每一個(gè)灰度級（ｆｊ）與映射后灰度級（ｇｉ）之間的變換關(guān)系處理原圖所有灰度，最終得到灰度直方圖更加均勻分布的輸出結(jié)果。圖１、圖２為直方圖均衡預(yù)處理前后的對比圖。由圖１和圖２可以看出，均衡化后，在圖像樣本灰度值范圍內(nèi)均有直方圖存在。在直方圖均衡化處理前，灰度值中低灰度含量比較高，而處理后各灰度比例分配變得均衡，因此圖像質(zhì)量得到顯著改善，對比度提高，輪廓細(xì)節(jié)清楚，目標(biāo)邊界清晰。

２．３基于方向?yàn)V波算法的優(yōu)化中值濾波

為了彌補(bǔ)直方圖均衡處理的不足，在均衡化之后還需對圖像進(jìn)行中值濾波。直方圖均衡化處理之后的圖像亮度往往比較高，并且出現(xiàn)了一些偽邊緣，影響了對害蟲目標(biāo)的識別。為此，引入方向?yàn)V波算法對中值濾波進(jìn)行優(yōu)化，提取被處理圖像目標(biāo)邊緣像素之中所蘊(yùn)含的方向?qū)傩?，沿邊緣方向?qū)ζ溥M(jìn)行濾波處理，從而使圖像細(xì)節(jié)保留更加完整。過程為：

1）使用包含兩組３×３的矩陣的Ｓｏｂｅｌ邊緣檢測算法［７］，得到被處理目標(biāo)的邊緣像素。

2）引入Ｐｒｅｗｉｔｔ梯度算子［８］，結(jié)合目標(biāo)圖像邊緣的方向性特征，獲取被處理目標(biāo)的邊緣像素方向?qū)傩?。?個(gè)方向模板進(jìn)行描述，有：

西向：11 -11 -2 -1111，東向：-111-1 -21-111，

南向：-1 -1 -1 1 -21 111，北向： 111 1 -21-1 -1 -1，

西南： 1 -1 -1 1 -2 -1 111，東北： 111-1 -21-111，

西北： 111 1 -2 -1 1 -1 -1，東南：-1 -11-1 -21 111。

對于被處理目標(biāo)的每一個(gè)邊緣像素，用以上８個(gè)方向的模板進(jìn)行微分處理并求和，最終取梯度最大值在邊緣檢測時(shí)提取的邊緣信息，即將邊緣像素的方向確定為8個(gè)方向模板處理之后的最大值。

3）針對被處理目標(biāo)的邊緣像素所確定的方向，為其配置５×５的定向?yàn)V波子窗口，有：

ＣＷ１＝0 0 1 0 00 0 1 0 00 0 1 0 00 0 1 0 00 0 1 0 0，ＣＷ２＝1 0 0 0 00 1 0 0 00 0 1 0 00 0 0 1 00 0 0 0 1，

ＣＷ３＝0 0 0 0 00 0 0 0 01 1 1 1 10 0 0 0 00 0 0 0 0，ＣＷ４＝0 0 0 0 10 0 0 1 00 0 1 0 00 1 0 0 01 0 0 0 0。

以被處理的目標(biāo)像素為中心，把定向?yàn)V波子窗口里值是１的對應(yīng)像素有序排列，獲取該序列里的中間值，以此值取代原像素的灰度。經(jīng)過中值濾波處理之后，圖像的邊緣依舊清晰，噪聲污染也得到了有效的去除。

２．４基于快速模糊聚類的害蟲圖像分割

在圖像分割階段引入ＷＦＣＭ（快速模糊聚類分割方法）［９］，引入ｈ（ｋ），含義是待處理圖像中像素灰度為ｋ的個(gè)數(shù)，ｈ（ｋ）可以通過圖像的灰度級來取代圖像數(shù)據(jù)樣本，降低計(jì)算復(fù)雜度與計(jì)算量。傳統(tǒng)的聚類方法（ＦＣＭ）數(shù)據(jù)量為樣本所含的像素?cái)?shù)目，而優(yōu)化的方法則使其減少到Ｌ，提升了處理效率。定義目標(biāo)函數(shù)為［１０］：

Ｊｍ（Ｕ，Ｖ）＝■■（μｉｋ）ｍ（ｄｉｋ）２ｈ（ｋ）

其中，μｉｋ是待處理圖像中像素ｋ對第ｉ個(gè)均值聚類隸屬的程度；ｄ是像素ｋ與第ｉ個(gè)均值聚類之間的有效距離；以下式計(jì)算待處理圖像樣本的ｃ個(gè)聚類中心：ｖｉ＝■

（ｉ＝１，２，…，c）

迭代過程為：

１）獲取待處理圖像樣本的灰度級（ｋ＝０，１，２，…，Ｌ－１），對各類參數(shù)進(jìn)行初始化，迭代次數(shù)以ｒ表示，確定聚類中心的數(shù)目；

２）計(jì)算待處理圖像樣本的ｃ個(gè)聚類中心；

３）以計(jì)算出的聚類中心去刷新模糊分類矩陣，得到新的分類矩陣；

４）如果新的分類矩陣與原矩陣之差小于某個(gè)預(yù)先設(shè)定閾值ε，則迭代結(jié)束，否則ｒ值增１，回到２）。

選取聚類算法中參數(shù)ｍ與ε、ｃ的值，分別以傳統(tǒng)的標(biāo)準(zhǔn)模糊聚類分割算法與改進(jìn)算法對圖像進(jìn)行處理，結(jié)果見表１。

表１的比較數(shù)據(jù)可以證明基于改進(jìn)算法的ＦＣＭ在提升圖像分割效率方面的有效性，且ＷＦＣＭ算法平均運(yùn)算時(shí)間和待聚類樣本數(shù)遠(yuǎn)小于傳統(tǒng)算法，平均迭代次數(shù)也較低。圖３為以改進(jìn)算法的ＦＣＭ分割之后的效果，其中左上部分為原始目標(biāo)圖，右上部分為分割目標(biāo)圖，下方為分割定位結(jié)果圖。至此，害蟲目標(biāo)已被完整分割，可以為后續(xù)的害蟲分類識別以及精確施藥等操作奠定良好的基礎(chǔ)。

３小結(jié)

儲(chǔ)糧害蟲直接影響糧食品質(zhì)，必須進(jìn)行及時(shí)、準(zhǔn)確的判斷與精準(zhǔn)的防治。本研究基于圖像處理技術(shù)和模式識別技術(shù)，對采集到的儲(chǔ)糧害蟲圖像引入灰度預(yù)處理、直方圖均衡化和中值濾波，并結(jié)合圖像的具體特征對以上方法進(jìn)行了調(diào)整或者優(yōu)化，為害蟲進(jìn)一步的智能化識別打下基礎(chǔ)。

參考文獻(xiàn)：

［１］ 萬拯群．我國科學(xué)保糧若干問題之我見［Ｊ］．糧食儲(chǔ)藏，２００９，３８（４）：５２－５６．

［２］ ＺＡＹＡＳ Ｉ Ｙ， ＦＬＮＮＡ Ｐ Ｗ． Ｄｅｔｅｃｔｉｏｎ ｏｆ ｉｎｓｅｃｔｓ ｉｎ ｂｕｌｋ ｗｈｅａｔ ｓａｍｐｌｅｓ ｗｉｔｈ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ［Ｊ］． Ｔｒａｎｓ ｏｆ ｔｈｅ ＡＳＡＥ，１９９８，４１（３）：８８３－８８８．

［３］ 廉飛宇．基于機(jī)器視覺的儲(chǔ)糧害蟲檢測與識別［Ｊ］．河南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），２００７，２８（３）：４３－４６．

［４］ 張紅梅．基于數(shù)字圖像處理技術(shù)的儲(chǔ)糧害蟲分類識別研究［Ｊ］．河南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），２００５，２６（１）：１９－２２．

［５］ 黃凌霄，周龍．基于數(shù)學(xué)形態(tài)學(xué)的儲(chǔ)糧害蟲圖像預(yù)處理［Ｊ］．武漢工業(yè)學(xué)院學(xué)報(bào)，２００７，２６（２）：８５－８８．

［６］ 牟研娜．作物生長狀態(tài)參數(shù)的圖像檢測方法的研究［Ｄ］．北京：北京理工大學(xué)，２００５．

［７］ ＡＢＯＬＧＨＡＳＥＭＩ Ｖ， ＡＨＭＡＤＹＦＡＲＤ Ａ． Ａｎ ｅｄｇｅ－ｂａｓｅｄ ｃｏｌｏｒ－ａｉｄｅｄ ｍｅｔｈｏｄ ｆｏｒ ｌｉｃｅｎｓｅ ｐｌａｔｅ ｄｅｔｅｃｔｉｏｎ［Ｊ］． Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ，２００９，２７（８）：１１３４－１１４２．

［８］ 劉明艷．用 Ｐｒｅｗｉｔｔ算子細(xì)化邊緣［Ｊ］．光電子技術(shù)，２００６，２６（４）：２５９－２６１．

［９］ 葉秀清，顧偉康，肖強(qiáng)． 快速模糊圖像分割算法［Ｊ］．模式識別與人工智能，２００６，９（１）：６６－７０．

［１０］ 徐月芳．基于遺傳模糊Ｃ－均值聚類算法的圖像分割［Ｊ］．西北工業(yè)大學(xué)學(xué)報(bào)，２００２，２０（４）：５４９－５５３．

３）對原圖的每一個(gè)灰度級別所出現(xiàn)的頻率進(jìn)行統(tǒng)計(jì)，以ｎ表示像素和，則出現(xiàn)的頻率Ｐｆ（ｆｊ）＝■， ｊ＝０，１，…，ｋ，…，Ｌ－１。

４）結(jié)合頻度Ｐｆ（ｆｊ），構(gòu)建原圖每一灰度級的累積分布函數(shù)關(guān)系式，有Ｃ（ｆ）=■Ｐｆ（ｆｊ），ｊ＝０，１，…，ｋ，…，Ｌ－１。

５）通過Ｃ（ｆ）獲取原圖映射后的灰度，設(shè)映射后灰度級為ｇｉ，灰度數(shù)為Ｐ，則有ｉ＝０，１，…，ｋ，…，Ｐ－１，ｇｉ的值為式［（ｇｍａｘ－ｇｍｉｎ）Ｃ（ｆ）＋ｇｍｉｎ＋０．５］的整數(shù)部分。

６）對輸出的所有灰度級像素?cái)?shù)目分別統(tǒng)計(jì)，以nｊ表示，ｊ＝０，１，…，ｋ，…，Ｐ－１。

７）得到映射后的輸出圖像直方圖，表示為

Ｐｇ（ｇｉ）＝■，ｉ＝０，１，…，ｋ，…，Ｐ－１。

８）以原始圖像的每一個(gè)灰度級（ｆｊ）與映射后灰度級（ｇｉ）之間的變換關(guān)系處理原圖所有灰度，最終得到灰度直方圖更加均勻分布的輸出結(jié)果。圖１、圖２為直方圖均衡預(yù)處理前后的對比圖。由圖１和圖２可以看出，均衡化后，在圖像樣本灰度值范圍內(nèi)均有直方圖存在。在直方圖均衡化處理前，灰度值中低灰度含量比較高，而處理后各灰度比例分配變得均衡，因此圖像質(zhì)量得到顯著改善，對比度提高，輪廓細(xì)節(jié)清楚，目標(biāo)邊界清晰。

２．３基于方向?yàn)V波算法的優(yōu)化中值濾波

為了彌補(bǔ)直方圖均衡處理的不足，在均衡化之后還需對圖像進(jìn)行中值濾波。直方圖均衡化處理之后的圖像亮度往往比較高，并且出現(xiàn)了一些偽邊緣，影響了對害蟲目標(biāo)的識別。為此，引入方向?yàn)V波算法對中值濾波進(jìn)行優(yōu)化，提取被處理圖像目標(biāo)邊緣像素之中所蘊(yùn)含的方向?qū)傩?，沿邊緣方向?qū)ζ溥M(jìn)行濾波處理，從而使圖像細(xì)節(jié)保留更加完整。過程為：

1）使用包含兩組３×３的矩陣的Ｓｏｂｅｌ邊緣檢測算法［７］，得到被處理目標(biāo)的邊緣像素。

2）引入Ｐｒｅｗｉｔｔ梯度算子［８］，結(jié)合目標(biāo)圖像邊緣的方向性特征，獲取被處理目標(biāo)的邊緣像素方向?qū)傩?。?個(gè)方向模板進(jìn)行描述，有：

西向：11 -11 -2 -1111，東向：-111-1 -21-111，

南向：-1 -1 -1 1 -21 111，北向： 111 1 -21-1 -1 -1，

西南： 1 -1 -1 1 -2 -1 111，東北： 111-1 -21-111，

西北： 111 1 -2 -1 1 -1 -1，東南：-1 -11-1 -21 111。

對于被處理目標(biāo)的每一個(gè)邊緣像素，用以上８個(gè)方向的模板進(jìn)行微分處理并求和，最終取梯度最大值在邊緣檢測時(shí)提取的邊緣信息，即將邊緣像素的方向確定為8個(gè)方向模板處理之后的最大值。

3）針對被處理目標(biāo)的邊緣像素所確定的方向，為其配置５×５的定向?yàn)V波子窗口，有：

ＣＷ１＝0 0 1 0 00 0 1 0 00 0 1 0 00 0 1 0 00 0 1 0 0，ＣＷ２＝1 0 0 0 00 1 0 0 00 0 1 0 00 0 0 1 00 0 0 0 1，

ＣＷ３＝0 0 0 0 00 0 0 0 01 1 1 1 10 0 0 0 00 0 0 0 0，ＣＷ４＝0 0 0 0 10 0 0 1 00 0 1 0 00 1 0 0 01 0 0 0 0。

以被處理的目標(biāo)像素為中心，把定向?yàn)V波子窗口里值是１的對應(yīng)像素有序排列，獲取該序列里的中間值，以此值取代原像素的灰度。經(jīng)過中值濾波處理之后，圖像的邊緣依舊清晰，噪聲污染也得到了有效的去除。

２．４基于快速模糊聚類的害蟲圖像分割

在圖像分割階段引入ＷＦＣＭ（快速模糊聚類分割方法）［９］，引入ｈ（ｋ），含義是待處理圖像中像素灰度為ｋ的個(gè)數(shù)，ｈ（ｋ）可以通過圖像的灰度級來取代圖像數(shù)據(jù)樣本，降低計(jì)算復(fù)雜度與計(jì)算量。傳統(tǒng)的聚類方法（ＦＣＭ）數(shù)據(jù)量為樣本所含的像素?cái)?shù)目，而優(yōu)化的方法則使其減少到Ｌ，提升了處理效率。定義目標(biāo)函數(shù)為［１０］：

Ｊｍ（Ｕ，Ｖ）＝■■（μｉｋ）ｍ（ｄｉｋ）２ｈ（ｋ）

其中，μｉｋ是待處理圖像中像素ｋ對第ｉ個(gè)均值聚類隸屬的程度；ｄ是像素ｋ與第ｉ個(gè)均值聚類之間的有效距離；以下式計(jì)算待處理圖像樣本的ｃ個(gè)聚類中心：ｖｉ＝■

（ｉ＝１，２，…，c）

迭代過程為：

１）獲取待處理圖像樣本的灰度級（ｋ＝０，１，２，…，Ｌ－１），對各類參數(shù)進(jìn)行初始化，迭代次數(shù)以ｒ表示，確定聚類中心的數(shù)目；

２）計(jì)算待處理圖像樣本的ｃ個(gè)聚類中心；

３）以計(jì)算出的聚類中心去刷新模糊分類矩陣，得到新的分類矩陣；

４）如果新的分類矩陣與原矩陣之差小于某個(gè)預(yù)先設(shè)定閾值ε，則迭代結(jié)束，否則ｒ值增１，回到２）。

選取聚類算法中參數(shù)ｍ與ε、ｃ的值，分別以傳統(tǒng)的標(biāo)準(zhǔn)模糊聚類分割算法與改進(jìn)算法對圖像進(jìn)行處理，結(jié)果見表１。

表１的比較數(shù)據(jù)可以證明基于改進(jìn)算法的ＦＣＭ在提升圖像分割效率方面的有效性，且ＷＦＣＭ算法平均運(yùn)算時(shí)間和待聚類樣本數(shù)遠(yuǎn)小于傳統(tǒng)算法，平均迭代次數(shù)也較低。圖３為以改進(jìn)算法的ＦＣＭ分割之后的效果，其中左上部分為原始目標(biāo)圖，右上部分為分割目標(biāo)圖，下方為分割定位結(jié)果圖。至此，害蟲目標(biāo)已被完整分割，可以為后續(xù)的害蟲分類識別以及精確施藥等操作奠定良好的基礎(chǔ)。

３小結(jié)

儲(chǔ)糧害蟲直接影響糧食品質(zhì)，必須進(jìn)行及時(shí)、準(zhǔn)確的判斷與精準(zhǔn)的防治。本研究基于圖像處理技術(shù)和模式識別技術(shù)，對采集到的儲(chǔ)糧害蟲圖像引入灰度預(yù)處理、直方圖均衡化和中值濾波，并結(jié)合圖像的具體特征對以上方法進(jìn)行了調(diào)整或者優(yōu)化，為害蟲進(jìn)一步的智能化識別打下基礎(chǔ)。

參考文獻(xiàn)：

［１］ 萬拯群．我國科學(xué)保糧若干問題之我見［Ｊ］．糧食儲(chǔ)藏，２００９，３８（４）：５２－５６．

［２］ ＺＡＹＡＳ Ｉ Ｙ， ＦＬＮＮＡ Ｐ Ｗ． Ｄｅｔｅｃｔｉｏｎ ｏｆ ｉｎｓｅｃｔｓ ｉｎ ｂｕｌｋ ｗｈｅａｔ ｓａｍｐｌｅｓ ｗｉｔｈ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ［Ｊ］． Ｔｒａｎｓ ｏｆ ｔｈｅ ＡＳＡＥ，１９９８，４１（３）：８８３－８８８．

［３］ 廉飛宇．基于機(jī)器視覺的儲(chǔ)糧害蟲檢測與識別［Ｊ］．河南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），２００７，２８（３）：４３－４６．

［４］ 張紅梅．基于數(shù)字圖像處理技術(shù)的儲(chǔ)糧害蟲分類識別研究［Ｊ］．河南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），２００５，２６（１）：１９－２２．

［５］ 黃凌霄，周龍．基于數(shù)學(xué)形態(tài)學(xué)的儲(chǔ)糧害蟲圖像預(yù)處理［Ｊ］．武漢工業(yè)學(xué)院學(xué)報(bào)，２００７，２６（２）：８５－８８．

［６］ 牟研娜．作物生長狀態(tài)參數(shù)的圖像檢測方法的研究［Ｄ］．北京：北京理工大學(xué)，２００５．

［７］ ＡＢＯＬＧＨＡＳＥＭＩ Ｖ， ＡＨＭＡＤＹＦＡＲＤ Ａ． Ａｎ ｅｄｇｅ－ｂａｓｅｄ ｃｏｌｏｒ－ａｉｄｅｄ ｍｅｔｈｏｄ ｆｏｒ ｌｉｃｅｎｓｅ ｐｌａｔｅ ｄｅｔｅｃｔｉｏｎ［Ｊ］． Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ，２００９，２７（８）：１１３４－１１４２．

［８］ 劉明艷．用 Ｐｒｅｗｉｔｔ算子細(xì)化邊緣［Ｊ］．光電子技術(shù)，２００６，２６（４）：２５９－２６１．

［９］ 葉秀清，顧偉康，肖強(qiáng)． 快速模糊圖像分割算法［Ｊ］．模式識別與人工智能，２００６，９（１）：６６－７０．

［１０］ 徐月芳．基于遺傳模糊Ｃ－均值聚類算法的圖像分割［Ｊ］．西北工業(yè)大學(xué)學(xué)報(bào)，２００２，２０（４）：５４９－５５３．