基于多光譜圖像融合技術(shù)的麥粒圖像增強方法研究

張紅濤，孫志勇，田 媛，侯棟宸

(華北水利水電大學(xué)，河南 鄭州 450045)

糧粒內(nèi)部害蟲的檢測，近十多年來一直是糧蟲檢測領(lǐng)域的研究熱點． 傳統(tǒng)的糧粒內(nèi)部害蟲檢測方法有感官檢驗法、伯利斯漏斗法、害蟲碎片檢驗法、懸浮法等．這些方法有一個或多個缺點，如太主觀、復(fù)雜繁瑣、不準確、耗時、具有破壞性等．國外學(xué)者利用軟X 射線成像法、近紅外光譜法和近紅外光譜成像法3 種檢測方法，能確定糧粒中由于害蟲造成的物理和化學(xué)變化，可用于糧粒的自動檢測．

2004 年，Haff 等設(shè)計了高分辨率X 射線實時線掃描成像系統(tǒng)以檢測谷蠹的侵染，單個糧粒的圖像可直接可視化分類，提高了分類的效率．

Ridgway 等(1999 年)運用近紅外光譜設(shè)計了兩波長谷象侵染麥粒分類模型，指出成像系統(tǒng)中采用982 nm 和1 014 nm 波長的組合檢測侵染的可能性．

2004 年，Paliwal 等利用近紅外光譜對小麥樣本的害蟲侵染進行檢測，結(jié)果表明該法可達到大于25%的侵染正確識別水平． 應(yīng)用多光譜成像技術(shù)檢測麥粒內(nèi)部害蟲的方法，國內(nèi)外都沒有相關(guān)報道．

被害蟲侵染后的麥粒，在初期，僅單一波段下光譜圖像或彩色圖像，無論采用形態(tài)學(xué)特征或者顏色特征進行分割，都難以得到部分麥粒的輪廓和孔洞特征信息，這樣達不到滿意的分割效果．為了解決可見光CCD 獲取的圖像所丟失的目標信息，筆者提出了基于多波段圖像融合及彩色空間轉(zhuǎn)換后的圖像融合技術(shù)進行圖像的增強． 在多波段和多空間的圖像融合方式中，采用主成分分析選擇其最好的融合方式，從而充分利用了近紅外、紅色、綠色和RGB 分量的信息，便于后續(xù)圖像的分割識別．

1 糧粒多光譜圖像采集

以對小麥種危害最為嚴重的谷蠹侵染的糧粒為研究對象，利用美國Duncan Tech 生產(chǎn)的MS3100 多光譜相機采集麥粒的多光譜圖像，同時可采集到近紅外(NIR)、紅(R)、綠(G)圖像及合成的彩色RGB圖像，分辨率能達到1 392(H)×1 040(V)．拍攝采用3CCD 攝像頭，敏感光學(xué)傳感器元件與桌面平行架置，其攝像頭高度為22 ～24 cm，與支架的距離調(diào)至18 ～20 cm．圖1 為圖像采集的硬件系統(tǒng)，樣本采用每5 粒為一板，以便后續(xù)處理，其中一組經(jīng)過分割后的子區(qū)域樣本圖像如圖2 所示［1］．

圖1 樣本采集系統(tǒng)

圖2 麥粒的ROI 多光譜圖像

2 糧粒多光譜圖像融合

2．1 RGB 圖像到HSI 彩色空間的轉(zhuǎn)換

RGB 圖像向HSI 模型的轉(zhuǎn)換是由一個基于笛卡爾直角坐標系的單位立方體向基于圓柱極坐標的雙錐體轉(zhuǎn)換［2］．基本要求是將RGB 中的亮度因素分離，將色度分解為色調(diào)和飽和度，并用角向量表示色調(diào)．RGB 和HSI 模型如圖3 所示．

圖3 RGB 和HSI 模型示意圖

RGB 轉(zhuǎn)換至HSI 彩色空間的方式有4 種:幾何推導(dǎo)法、坐標變換法、分段定義法、Bajon 近似算法和標準模型法．本課題用最經(jīng)典的幾何推導(dǎo)法．其基本思路是先分離出亮度信息，將三維空間降到二維空間，在二維平面內(nèi)利用解析幾何的向量點積公式求出HSI 模型的色調(diào)分量值．對圖2(d)，即RGB 圖像利用幾何推導(dǎo)法進行HIS 空間轉(zhuǎn)換得到各分量，如圖4 所示，3 個分量分別為色調(diào)H、飽和度S 和亮度I．其計算公式分別如下:

其中

圖4 幾何推導(dǎo)法轉(zhuǎn)換得到RGB 圖像和HIS 空間各分量圖像結(jié)果

2．2 多種圖像融合處理

圖像增強是麥粒內(nèi)部害蟲檢測自動識別中必不可少的一部分，其目的是減弱或者消除不必要的背景干擾，突出麥粒被侵染后與健康麥粒的紋理特征差異，提高原始圖像的視覺效果，以便進一步分析和處理．對于多光譜圖像的增強處理可利用多光譜圖像融合技術(shù)實現(xiàn)，不同波段的圖像只側(cè)重反映麥粒的某一部分信息，多光譜圖像融合技術(shù)可以使目標影像信息清晰、正確地表現(xiàn)在一幅圖像上，有效地降低干擾，提高對麥粒上是否有孔洞的辨析能力．

圖像融合之前一般需要進行配準處理，需對同一目標拍攝的2 幅圖像或多幅圖像在空間位置上相對或絕對配準［3］． 本研究采用MS3100 型3CCD 攝像頭一次性獲取近紅外、紅、綠和RGB 圖像，從而保證這4 幅圖像上的位置點一一對應(yīng)，無需進行配準可以直接進行圖像融合． 研究中將多光譜圖像融合分為3 個部分，原始圖像之間的融合、原始圖像與HIS 空間分量之間融合、歸一化后圖像融合［4－5］．

首先在未對近紅外(標記為“IR”)、紅(標記為“R”)以及綠(標記為“G”)3 個數(shù)值量處理前，數(shù)值組合有10 種，原始圖像與HIS 彩色空間各分量之間融合的方式有11 種;對采集的IR，R，G 圖像進行歸一化處理，處理后的圖像進行融合有8 種融合方式，共計29 種融合方式，具體如下:IR，R，G，IR +R，R +G + IR，IR － R，IR/R，IR/G，G/R，(IR － G)/(IR+G)，RGB，H，S，I，IR/H，IR/S，IR/I，R/H，R/S，G/H，G/S，ir，r，g，ir +r，g +ir，g +r，ir －r，2g －ir －r．其中ir，r，g 及其組合是基于對原始圖像進行歸一化處理，即

使用MATLAB 7．1 軟件對圖像進行29 種數(shù)值量組合，選取其中的6 幅如圖5 所示．

3 主成分分析提取最優(yōu)波長

主成分分析(Principle Component Analysis，PCA)又稱為主分量分析，主要目的是通過降維的方法，把變量由多個轉(zhuǎn)化為極少數(shù)個綜合變量(即主成分)，其中每個主成分都由原始變量通過線性組合而成，而且每個主成分之間無關(guān)聯(lián)．因此原始變量的很多信息都可以由這些主成分反映出來，且所含的信息相互獨立［6］．

主成分分析的具體步驟如下．

1)計算協(xié)方差矩陣．

首先要對樣品數(shù)據(jù)的協(xié)方差矩陣進行計算，協(xié)方差矩陣的計算公式為

其中

2)計算主成分載荷．

主成分載荷是反映主成分F1與原變量Xj之間的相互關(guān)聯(lián)程度，原來變量Xj(j = 1，2，…，p)在每個主成分Fi(i = 1，2，…，m)上的載荷Lij(i = 1，2，…，m;j = 1，2，…，p)為

3)計算主成分得分．

樣品在m 個主成分上的得分的計算公式為

對4 組29 種融合后的圖像進行主成分分析，圖6(a)所示是其中一組組合的第1 主成分圖像，圖6(b)是第2 主成分圖像，第1 主成分和第2 主成分的累計貢獻率分別是79．98%和14．21%，所以第1主成分更適合優(yōu)選最佳融合波長． 表1 為4 組圖像融合下的第1 成分分析前4 個因子對應(yīng)的融合方式序列號和對應(yīng)的載荷及累計貢獻率．

圖6 信息融合后的主成分分析結(jié)果

表1 第1 主成分分析

由表1 可知，對這4 組樣本第1 主成分進行分析，第1 主成分前4 個因子中，第一個因子為7 的概率最大．同時由圖5 可以看出，IR －R 圖像中紋理特征清晰，能明顯看到孔洞． 說明在這29 種融合方式中，第7 種即IR－R 融合方式效果最佳．

4 結(jié) 語

針對不同波段的圖像只是側(cè)重反映麥粒的某一部分信息，僅對這幾張多光譜圖像進行特征提取，勢必會漏掉很多有用信息等問題，所以提出了使用圖像融合技術(shù)來增強圖像的方法．對采集到的近紅外、紅、綠及全色圖像進行了29 種融合，采用主成分分析方法作為評判標準．通過原始、歸一后圖像融合及不同空間圖像融合對比發(fā)現(xiàn)，選用IR －R 融合圖像可以使目標影像信息清晰、正確地表現(xiàn)在圖像中．研究表明，通過一定的多光譜圖像融合方式能夠有效地增強圖像．

［1］張紅濤，胡玉霞，邱道尹，等．基于相對熵閾值法的儲量害蟲圖像分割［J］． 華北水利水電學(xué)院學(xué)報，2003，24(3):27 －29．

［2］章毓晉．圖像處理與分析教程［M］．北京:人民郵電出版社，2009．

［3］胡玉霞，張紅濤，毛罕平，等．基于多分辨率分析的儲糧害蟲圖像預(yù)處理研究［J］． 農(nóng)機化研究，2012(8):160－163．

［4］張玉珠，毛罕平，張艷誠，等．基于多光譜融合圖像的背景分割［J］．農(nóng)機化研究，2008 (10):122 －124．

［5］岑益郎．計算機視覺技術(shù)在雜草識別中的應(yīng)用［D］． 杭州:浙江大學(xué)，2006．

［6］張紅濤，楚清河，顧波，等．核函數(shù)主成分分析在糧蟲特征提取中的應(yīng)用［J］． 河南農(nóng)業(yè)科學(xué)，2011，40(9):90－93．