基于顏色特征的生豬口蹄疫監(jiān)測(cè)方法研究

陳松楠，劉陸民，張　莉

(信陽農(nóng)林學(xué)院 信息工程學(xué)院，河南 信陽 464000)

?

基于顏色特征的生豬口蹄疫監(jiān)測(cè)方法研究

陳松楠，劉陸民，張莉

(信陽農(nóng)林學(xué)院 信息工程學(xué)院，河南 信陽 464000)

摘要：通過分析現(xiàn)有的一些監(jiān)控模型和方法，針對(duì)如何快速、有效地對(duì)可能發(fā)生的疫情進(jìn)行預(yù)警，提出了一種基于顏色特征的生豬口蹄疫監(jiān)測(cè)方法。實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)⒋蟛糠只加锌谔阋叩纳i圖像篩選出來，篩選正確率約為98.69%，口蹄疫疫情的查全率約為88%。

關(guān)鍵詞：顏色特征;生豬口蹄疫;監(jiān)測(cè)方法;查全率

引用格式：陳松楠，劉陸民，張莉. 基于顏色特征的生豬口蹄疫監(jiān)測(cè)方法研究[J].微型機(jī)與應(yīng)用，2016,35(12)：42-45.

0引言

隨著生豬養(yǎng)殖的集成化和規(guī)?；恍┘膊〉谋l(fā)頻率也越來越高。當(dāng)前，我國(guó)生豬疫情的防治工作仍然非常艱巨，口蹄疫的防治尤其突出，該疫情的爆發(fā)不僅對(duì)畜牧業(yè)具有嚴(yán)重的危害，而且也對(duì)大眾的飲食安全產(chǎn)生了巨大的影響。因此，快速、簡(jiǎn)便、準(zhǔn)確地做好該病的防控工作具有重要的意義[1]。

本文的研究是在廣東省東莞市動(dòng)物衛(wèi)生監(jiān)督所的支持下開展的項(xiàng)目，利用遠(yuǎn)程視頻監(jiān)控系統(tǒng)對(duì)東莞市32個(gè)鎮(zhèn)的疫情檢疫進(jìn)行全面監(jiān)控。 雖然該遠(yuǎn)程視頻監(jiān)控系統(tǒng)對(duì)動(dòng)物檢疫人員的工作和動(dòng)物疫情的爆發(fā)有很好的監(jiān)督和預(yù)防作用，但是該方法需要對(duì)數(shù)據(jù)存儲(chǔ)和查詢這一關(guān)鍵技術(shù)進(jìn)行深入的了解和研究。本文希望在基于計(jì)算機(jī)視覺理論和數(shù)字圖像處理的基礎(chǔ)之上，利用生豬口蹄疫體表病變區(qū)域的顏色特征，提出一種自動(dòng)監(jiān)測(cè)口蹄疫疫情的方法，從而能夠24小時(shí)對(duì)口蹄疫疫情進(jìn)行實(shí)時(shí)監(jiān)控，對(duì)患有疑似疫情的生豬圖像進(jìn)行自動(dòng)篩選和報(bào)警，緩解工作人員的工作量和壓力，并對(duì)后續(xù)的生物學(xué)實(shí)驗(yàn)或基因檢測(cè)提供源，提高生豬口蹄疫疫情的檢測(cè)效率。

1口蹄疫病變區(qū)域提取

生豬口蹄疫病情的臨床癥狀主要表現(xiàn)在：生豬的蹄底部或蹄冠部出現(xiàn)透明的小水泡，水泡的顏色由淡黃色逐漸變成粉紅色。當(dāng)水泡破裂后會(huì)在蹄部或者鼻部會(huì)形成鮮紅色的爛斑[2]。選擇合適的顏色空間對(duì)生豬口蹄部中的病變區(qū)域進(jìn)行精確提取是本節(jié)研究的重點(diǎn)。

1.1Lab顏色空間的重新量化

設(shè)x、y、z分別為L(zhǎng)ab顏色空間上L、a、b通道的任意值，將x的取值范圍量化到[w1,w2],使得這一范圍外的所有x的值都賦值為0。量化公式如下：

(1)

由于a通道的取值范圍是[-128,127],顏色由綠色向紅色漸變。針對(duì)生豬體表病變的特征,將一些不可能出現(xiàn)的顏色去掉，使得a通道上出現(xiàn)的顏色都是病變區(qū)域可能所表現(xiàn)出來的，所以本文將y的值量化到[λ1,λ2]范圍里，將這一范圍外的顏色都消除掉。量化公式如下：

(2)

同理，由于b通道的取值也是[-128,127],顏色由藍(lán)色到黃色漸變。為了將一些不可能出現(xiàn)的顏色去掉，對(duì)b通道的值也進(jìn)行了重新量化，將z的值縮小到范圍[δ1,δ2],將這一范圍外的顏色也都消除掉。量化公式如下：

(3)

令w1=0，w2=70，λ1=0，λ2=127,δ1=-128，δ2=-5。以圖1(b)為樣本，分別進(jìn)行圖像由RGB顏色空間到Lab顏色空間，再到重新量化的Lab顏色空間的轉(zhuǎn)換[3-4]。實(shí)驗(yàn)結(jié)果如圖1所示。

圖1　三種顏色空間圖像的實(shí)驗(yàn)對(duì)比

1.2口蹄疫病變區(qū)域提取

在進(jìn)行生豬口蹄疫病變區(qū)域的分割提取時(shí)，需要對(duì)生豬口蹄部圖像進(jìn)行灰度化處理和二值化處理。首先，對(duì)圖1(c)進(jìn)行L、a、b三個(gè)顏色通道的提取，從而將原來的彩色圖像分解成三個(gè)單通道的灰度圖，結(jié)果如圖2所示。

圖2　圖像的通道提取

由于L通道僅僅表示圖像的亮度值，它的大小與光照強(qiáng)度有關(guān)，為了避免外界光照對(duì)病變區(qū)域分割造成影響，因此主要選取a、b兩個(gè)顏色通道來進(jìn)行分析。在圖2中可以注意到，對(duì)于生豬口蹄疫的病變區(qū)域來說，a通道的圖像和b通道的圖像都能很好地將口蹄疫的病變區(qū)域突顯出來，其他顏色區(qū)域?qū)Σ∽儏^(qū)域的干擾也較小。通過比較可以發(fā)現(xiàn)，在視覺上a通道圖像中的病變區(qū)域比b通道圖像中的病變區(qū)域具有更高的強(qiáng)度值。所以本文選擇強(qiáng)度值比較高的a通道圖像來進(jìn)行進(jìn)行閾值分割，從而實(shí)現(xiàn)對(duì)生豬口蹄疫病變區(qū)域的精確提取。

下面以圖2(c)為樣本，來對(duì)生豬口蹄疫病變區(qū)域進(jìn)行分割提取，在本實(shí)驗(yàn)中設(shè)置分割閾值為[5]0.59。這樣生豬口鼻部圖像就被分割成2部分：一部分為生豬口蹄疫病變部分；一部分黑色背景部分。分割結(jié)果如圖3所示。

圖3　口蹄疫病變區(qū)域的提取

2口蹄疫區(qū)域的顏色特征提取

在前面已經(jīng)知道口蹄疫的臨床癥狀主要表現(xiàn)為鮮紅色的爛斑。從口蹄疫的臨床癥狀表現(xiàn)不難發(fā)現(xiàn)，顏色是口蹄疫圖像最顯著的特征之一。本文以RGB、HSV、LAB三種顏色模型為基礎(chǔ)，分別計(jì)算R、G、B、H、S、A、B7個(gè)顏色通道的像素點(diǎn)的平均值、標(biāo)準(zhǔn)方差以及同一顏色模型中通道間的相關(guān)系數(shù)。

下面從東莞市動(dòng)物衛(wèi)生監(jiān)督所提供的口蹄疫圖譜中選擇6張作為實(shí)驗(yàn)樣本，如圖4所示。分別對(duì)這6張圖像進(jìn)行口蹄疫的顏色特征提取，為了試驗(yàn)操作上的方便，將圖像的大小轉(zhuǎn)化成300×300像素。

圖4　口蹄疫顏色特征提取樣本

在RGB顏色模型中，分別計(jì)算上述6個(gè)樣本的R、G、B三個(gè)顏色通道的灰度平均值、灰度標(biāo)準(zhǔn)差、通道間的相關(guān)系數(shù)。同時(shí)也計(jì)算了R/G、R/B、G/B、R/(G+B)、G/(R+B)、B/(R+G)的值,由于它們的值較小，為了方便觀察，將其值都擴(kuò)大了10倍，如圖5所示。

圖5　RGB顏色模型中的口蹄疫顏色特征圖

從圖5(a)中不難看出，除了第4個(gè)樣本的R、G、B通道的灰度值波動(dòng)較大外，其余樣本的R、G、B通道的灰度值波動(dòng)較小，而R/G、R/B、G/B、R/G+B、G/R+B、B/R+G的值基本呈線性，稍微有一點(diǎn)波動(dòng)。在圖5(b)中，R通道的變化在[11,21]范圍內(nèi)，G通道的變化范圍基本在[11,23]內(nèi)。R/G、R/B、G/B、R/G+B和B/R+G基本在一個(gè)很小的范圍內(nèi)波動(dòng)。在圖5(c)中，R通道和B通道間的相關(guān)系數(shù)波動(dòng)較大，R通道和G通道間的相關(guān)系數(shù)在[0.82,0.96]范圍內(nèi)變化，G通道和B通道間的相關(guān)系數(shù)在[0.76,0.92]范圍變動(dòng)，表現(xiàn)較為穩(wěn)定。

在HSV顏色模型中，由于V值受光照強(qiáng)度的影響較大，因此分別計(jì)算上述6個(gè)樣本的H、S兩個(gè)顏色通道的灰度平均值、灰度標(biāo)準(zhǔn)差及通道間的相關(guān)系數(shù)。同時(shí)也計(jì)算了H/S的值,由于它們的值較小，為了方便觀察，將它們的值都擴(kuò)大了10倍，如圖6所示。

圖6　HSV顏色模型中的口蹄疫顏色特征圖

從圖6(a)可以看出，在HSV顏色模型中，H、S通道的平均灰度值波蕩較小，H的值在[0.13,0.51]范圍內(nèi)變動(dòng)，S的值在[0.22,0.50]范圍內(nèi)變動(dòng)。從圖6(b)可以看出H、S通道的灰度標(biāo)準(zhǔn)差基本呈現(xiàn)線性變化，基本無動(dòng)蕩，特征穩(wěn)定性較好。圖6(c)中的H通道與S通道間的灰度相關(guān)系數(shù)變化范圍較大，穩(wěn)定性并不是很好。

在LAB顏色模型中，L值主要代表圖像的亮度，受光照的影響比較大。分別計(jì)算上述6個(gè)樣本的A、B兩個(gè)顏色通道的灰度平均值、灰度標(biāo)準(zhǔn)差、通道間的相關(guān)系數(shù)。同時(shí)也計(jì)算了A/B的值。由于其值較小，為了方便觀察，將A/B的值擴(kuò)大了10倍，如圖7所示。

圖7　LAB顏色模型中的口蹄疫顏色特征圖

從圖7(a)可以發(fā)現(xiàn)A、B通道的灰度平均值波動(dòng)比較小，A/B的值基本呈水平狀，所以這三個(gè)特征是比較穩(wěn)定的特征。圖(b)中，A、B通道的灰度標(biāo)準(zhǔn)差波動(dòng)較大，而A/B的值變化較小，也是一個(gè)較穩(wěn)定的特征。圖(c)中A通道和B通道間灰度相關(guān)系數(shù)波動(dòng)比較大，特征并不是很穩(wěn)定。

通過對(duì)以上三個(gè)顏色模型中的口蹄疫顏色特征進(jìn)行比較分析發(fā)現(xiàn)，R、G、H、S、A、B、R/G、R/B、G/B、R/G+B、G/R+B、B/R+G、A/B的灰度均值，R、G、H、S、R/G、B、R/G、R/B、G/B、R/G+BG/R+B、B/R+G、A/B的灰度均值，R、G、H、S、R/G、R/B、R/(G+B)、G/(R+B)、B/(G+R)、A/B的灰度標(biāo)準(zhǔn)方差，R和G，R和B的灰度相關(guān)系數(shù)，都是比較穩(wěn)定的顏色特征,因此，把它們作為支持向量機(jī)的特征輸入是合適的。

3基于顏色特征的生豬口蹄疫實(shí)驗(yàn)結(jié)果分析

為了準(zhǔn)確地對(duì)口蹄疫進(jìn)行識(shí)別，本文采用了支持向量機(jī)方法。通過對(duì)樣本的5個(gè)較為穩(wěn)定的顏色特征進(jìn)行訓(xùn)練，來對(duì)口蹄疫進(jìn)行識(shí)別。

在利用支持向量機(jī)算法對(duì)口蹄疫疫情進(jìn)行分類識(shí)別時(shí)，為了操作上的簡(jiǎn)便，將口蹄疫疫情標(biāo)記為另一類，非口蹄疫疫情標(biāo)記為一類。為了求出一個(gè)最優(yōu)的超平面將口蹄疫疫情和非口蹄疫疫情這兩類樣本精確地分離開來，首先需要選擇一個(gè)較好的核函數(shù)將病變圖像的非線性的顏色特征數(shù)據(jù)集映射到高維空間中去，使得該顏色特征數(shù)據(jù)集成為一個(gè)線性可分的；然后在這個(gè)高維空間中求出一個(gè)最優(yōu)的分離平面將兩類樣本準(zhǔn)確地分離開來。由于利用顏色特征數(shù)據(jù)集訓(xùn)練的分類器對(duì)特征數(shù)據(jù)的分類結(jié)果往往會(huì)與真實(shí)的分類結(jié)果之間存在誤差，因此還需要設(shè)置一個(gè)誤差界，使得小于該誤差范圍的疫情樣本被歸類到口蹄疫疫情樣本中[6]。

本文在對(duì)口蹄疫疫情識(shí)別器進(jìn)行設(shè)計(jì)時(shí)，選擇了12組已知的生豬疾病圖像作為支持向量機(jī)的訓(xùn)練樣本，在本實(shí)驗(yàn)中，通過大量的數(shù)據(jù)分析和比較驗(yàn)證，選擇C-SVM類型損失函數(shù)的參數(shù)值ξ為0.5，主要應(yīng)對(duì)分類過程中允許產(chǎn)生的誤差。核函數(shù)選擇徑向基核函數(shù)(RBF)，該函數(shù)的γ值設(shè)置為0.8。然后利用口蹄疫的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)圖8所示的三幅患病圖像進(jìn)行識(shí)別[7-8]。

圖8　豬患病圖像樣本

利用訓(xùn)練好的分類器，對(duì)圖8中的患病圖像進(jìn)行識(shí)別，實(shí)驗(yàn)結(jié)果如表1所示，其中1表示口蹄疫，0表示非口蹄疫(本文是豬丹毒)。從實(shí)驗(yàn)結(jié)果可以看出，利用支持向量機(jī)設(shè)計(jì)的分類器能夠?qū)斎氲牟∽兲卣鬟M(jìn)行準(zhǔn)確的分類，算法結(jié)果與實(shí)際結(jié)果一致。

表1　口蹄疫分類結(jié)果

利用廣東省東莞市動(dòng)物衛(wèi)生監(jiān)督所的遠(yuǎn)程監(jiān)控視頻采集了高埗、莞城、沙田等鎮(zhèn)的621張視頻圖像。其中于2013年6月份采集了300張，2013年7月份采集了321張，每一張圖像的大小為704×576，顏色空間為RGB類型。

通過本文的方法對(duì)采集的621張生豬圖像進(jìn)行實(shí)驗(yàn)檢測(cè)，有342張圖像在圖像分割階段就被篩選掉，篩選率約為55.07%。有264張圖像在特征識(shí)別階段被篩選掉，上述兩個(gè)階段的篩選率約為97.58%。最后監(jiān)測(cè)到15張疑似口蹄疫癥狀的圖片，其中6月份的樣本圖像中有5張被確定為口蹄疫病例，7月份的樣本圖像中2張被確定為口蹄疫病例，口蹄疫疫情的查全率約為 88%。

檢測(cè)的部分結(jié)果如圖9所示(本節(jié)只列出4張圖像的處理結(jié)果，黑色區(qū)域表示疑似病變的區(qū)域)。

圖9　圖像檢測(cè)后的效果圖

4結(jié)論

動(dòng)物檢疫部門的工作人員雖然很容易通過遠(yuǎn)程視頻監(jiān)控系統(tǒng)對(duì)各個(gè)生豬監(jiān)控點(diǎn)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，但是該方法的監(jiān)控效率仍然很低。本文提出一種基于顏色特征的生豬口蹄疫監(jiān)測(cè)方法，通過變換相應(yīng)的顏色空間、設(shè)定相應(yīng)的分割閾值和提取圖像的顏色特征來檢測(cè)是否存在疑似口蹄疫。試驗(yàn)結(jié)果表明，該方法具有較高的篩選率和查全率，實(shí)時(shí)性好，有效地提高了監(jiān)控效率，具有一定的實(shí)用價(jià)值。

參考文獻(xiàn)

[1] 陳軍, 王昌建, 張朝陽. 動(dòng)物疫情預(yù)測(cè)方法的研究[J]. 中國(guó)動(dòng)物檢疫, 2010, 27(12):74-76.

[2] 楊春華, 王強(qiáng), 王毅,等. 豬口蹄疫的診斷及其綜合防控[J]. 畜牧與飼料科學(xué), 2009, 30(Z1):12-17.

[3] 龐曉敏, 閔子建, 闞江明. 基于HSI和LAB顏色空間的彩色圖像分割[J]. 廣西大學(xué)學(xué)報(bào)(自然科學(xué)版), 2011, 36(6):976-980.

[4] 陳麗雪, 陳昭炯. 基于Lab空間的圖像檢索算法[J]. 計(jì)算機(jī)工程, 2008, 34(13):224-226.

[5] 王繼策, 王慧, 吳成茂. 基于全散度的C-V模型閾值法[J]. 電子技術(shù)應(yīng)用, 2014, 40(11):139-142.

[6] 劉鍇, 戴平陽, 江曉蓮,等. 基于排序支持向量機(jī)的多特征融合目標(biāo)跟蹤算法[J]. 計(jì)算機(jī)工程, 2014，40(11):42-45,55.

[7] 陳錦青,韓延杰.基于改進(jìn)遺傳算法的支持向量機(jī)預(yù)測(cè)模型研究[J].微型機(jī)與應(yīng)用,2013,32(24):82-84,90.

[8] 婁洹熙,王力.基于支持向量機(jī)和遺傳算法的人臉識(shí)別研究[J].微型機(jī)與應(yīng)用,2015,34(7):49-51,59.

中圖分類號(hào)：TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

DOI：10.19358/j.issn.1674- 7720.2016.12.014

(收稿日期：2016-02-27)

作者簡(jiǎn)介：

陳松楠(1988-),男，碩士，助教，主要研究方向：計(jì)算機(jī)視覺、圖像處理。

劉陸民(1987-),男，碩士，助教，主要研究方向：軟件工程。

張莉(1989-),男，碩士，助教，主要研究方向：模式識(shí)別。

Research on the monitoring technology of pig’s foot and mouth disease based on color feature

Chen Songnan,Liu Lumin,Zhang Li

(College of Information Engineering, Xinyang College of Agriculture and Forestry,Xinyang 464000,China)

Abstract:In this article,through analysis of some existing monitoring models and methods for quickly and effectively detecting the possibility of the pig’s foot and mouth disease, a monitoring method based on color feature is proposed. The experimental results show that the most of images of pig with foot and mouth disease can be screened by this method, the correct rate is about 98.69%,and the recall ratio is about 88%.

Key words:color features; pig’s foot and mouth disease; monitoring models; recall ratio