MATLAB環(huán)境下大米圖像的特征分析

(1.寧夏大學新華學院，寧夏 銀川 750021；2.寧夏大學土木與水利工程學院，寧夏 銀川750021)

0 引言

目前對大米外觀指標的檢測還停留在肉眼視察階段，這樣容易陷入主觀臆想而得出隨性的評價結果[1]。如此一來，將會使大量的堊白米、碎米、病變米流入市場，極大地損害著受眾的健康和權益，同時也失去了在市場上同其他對手競爭的武器[2]。然而，計算機技術的快速發(fā)展使擺脫肉眼識別大米外觀品質成為了可能[3]。

在大米外觀品質檢測中，堊白度、透明度和碎米率都是人們非常關心的幾個重要指標。當然，檢測這些指標的方法很多，但是開發(fā)出依靠數(shù)字圖像處理技術來識別大米堊白、粒型、透明度和黃米粒率等大米外觀指標且對大米結構不會產(chǎn)生任何影響的智能系統(tǒng)是非常有必要的。經(jīng)查資料，目前大部分文獻都關注的是堊白、碎米與黃米的檢測，而對大米加工精度和透明度檢測的文獻很少。同時，大部分文獻都只是針對大米的眾多評價指標中的某種單一指標進行了探索，并沒有建立對大米整個外觀品質進行全方位綜合評價的體系，且現(xiàn)有的研究都是相對孤立的算法分析，并未形成完整的體系。

利用MATLAB極其強大的圖像處理和分析能力，通過增強圖像和對圖像中的像素進行變換的方式來分析和解讀圖像內(nèi)部的信息。另外，利用數(shù)學工具(如矩、傅里葉變換等)使圖像的像素量化，這樣就能夠精確且有效地識別圖像信息。

1 顏色特征描述

顏色特征被廣泛應用，特別是在圖像檢索領域，主要是由于圖像中的每一部分顏色都會與某些特定事物或景象相關聯(lián)。相較其他視覺特征而言，它并不敏感于圖像視角、大小、方位等因素的變化，因此顏色特征在圖像識別領域發(fā)揮著重要的作用。鑒于圖像顏色與事物的關系，通?？捎妙伾?、顏色直方圖、顏色相關性等方法來描述顏色特征。

1.1 顏色矩及其實現(xiàn)

早已證明，對于任意一個隨機變量來講，可以用其各階矩來唯一地表述概率密度和分布函數(shù)[10]。若將圖像中不同像素點的顏色值看做是隨機變量，則就可利用其各階矩來辨識圖像信息?；谶@種思想，產(chǎn)生了顏色矩[11]的概念。所以，利用矩的這些特性，就可以來相對近似地表征其顏色分布了[12]，其優(yōu)勢表現(xiàn)在[13]：其特征向量通常都是低維度的，使用起來方便；不需要量化顏色空間。不過，仍需要指出的是，在實際應用當中這種方式的檢索效率較低，需要過濾圖像來縮小檢索范圍，以達到提高效率的目的[14]。

不難想象，顏色矩是由變量的各階矩來闡明其顏色分布狀況的，而且圖像的多數(shù)顏色信息都密集低階矩周圍，因此，最多使用三階矩就能大體地表示圖像的顏色分布。

一階矩即均值，呈現(xiàn)的是變量的一階原點矩。它體現(xiàn)了每個顏色分量的明暗程度，值的大小決定其明亮程度。一階矩為：

(1)

Cmn表示第m個像素的第n個顏色分量，M為像素個體數(shù)量。

我國實行科層制的組織治理結構，政府內(nèi)部缺乏橫向和縱向之間數(shù)據(jù)共享制度，數(shù)據(jù)存在于各個不同層級的部門之中，各個部門數(shù)據(jù)之間自成體系，由于缺乏共享數(shù)據(jù)標準，沒有統(tǒng)一制度規(guī)范，各職能部門之間存在的不同差異，造成數(shù)據(jù)處理過程的隨意性，各部門數(shù)據(jù)類型不能集中統(tǒng)一，使得部門數(shù)據(jù)之間共享程度差，阻礙了數(shù)據(jù)資源的開放共享。

二階矩即標準差，利用二階中心矩來闡述，它反映的是每個像素點的顏色值與均值的離散程度，其值愈大，圖像顏色分布愈廣泛，反之亦然。二階矩為：

(2)

μm為所有像素第m個顏色分量的均值，其他符號意義如前所述。

三階矩即偏度，利用三階中心矩來體現(xiàn)。它反映的是顏色分量的偏斜程度，也即是顏色的不對稱性。三階矩為：

(3)

當ζm=0時，稱圖像顏色是對稱的；當ζm>0時，稱圖像顏色是右偏態(tài)的；當ζm<0時，稱圖像顏色是左偏態(tài)的。

另外，顏色矩描述的是圖像顏色特征的宏觀統(tǒng)計特征，同時，彩色圖像共有3個顏色通道，每個通道都需計算對應的低階矩。

所采用的大米來自寧夏銀川平原，利用數(shù)字設備采集大米圖像。利用MATLAB R2014a中的mean2()函數(shù)和std()函數(shù)來計算灰度大米圖像的一階矩、二階矩和三階矩。

程序運行的對比結果如圖1所示。肉眼能夠明顯看出圖1b比圖1a更亮。統(tǒng)計結果如表1所示，分析顏色特征值中的一階顏色矩和二階顏色矩不難發(fā)現(xiàn)，原圖的值明顯小于對比度增強圖的值，也就是說原圖更加灰暗，對比度增強圖的顏色分布更不均勻；三階顏色矩也表現(xiàn)出原圖偏暗，對比度增強圖偏亮，二者灰度值偏斜的方向是相同的。

圖1 對比運行結果

圖像顏色矩一階矩(均值)二階矩(標準差)三階矩(偏度)原圖125.026913.364120.8449+36.1045i對比度增強圖163.692429.654141.4911+71.8647i

1.2 顏色直方圖及其實現(xiàn)

在圖像識別領域，顏色直方圖通常能很好地體現(xiàn)圖像的顏色特征，它所呈現(xiàn)的是圖像中各色彩所占用的比重和分量，不能直接形容圖像中的目標或形體[15]。

顏色直方圖可定義為：

pi=hi

(4)

hi為圖像中具有第i種顏色的像素個數(shù)。顏色直方圖歸一化為：

pi=hi/M

(5)

M表示圖像具有的像素數(shù)。

式(5)表明，這種圖只能說明顏色通道所占的具體比例，而無法指出具體對象。下面利用MATLAB R2014a繪制大米的顏色圖像的R，G，B分量的直方圖。

程序執(zhí)行后的結果如圖2所示。在RGB直方圖中，橫坐標表示圖像亮度的分布，縱坐標表示每種色彩(R為紅，G為綠，B為黑)水平的像素數(shù)，兩者均無單位。根據(jù)圖像的R，G，B分量的灰度直方圖可見，各分量分布均勻，這是由于大米本身的顏色為白色，不能很好的識別。

通常采用更加符合人類視覺感知的HSV模型，求取直方圖前，應先量化其從屬空間。在MATLAB R2014a中，用rgb2hsv() 函數(shù)命令轉換顏色空間，運行程序。

程序執(zhí)行后，得到HSV空間下的直方圖，如圖3所示。HSV直方圖中，橫坐標表示每個分量(H為色調(diào)，S為飽和度，V為明度)，均在[0，1]之間取值，縱坐標表示每個分量水平在[0，1]之間取值時的像素數(shù)，兩者均無單位。

程序并未對H，S，V排圖2、圖3進行量化，得到的H分量的直方圖顯示的色相值在范圍內(nèi)有多個峰值，表明主要色彩有多種顏色的趨勢；S分量主要集中0附近，顯示圖像的不夠飽滿，不鮮艷；V分量分布較為均勻，表明圖像整體色調(diào)明亮，因此，綜合表明HSV顏色空間直方圖較好地體現(xiàn)了圖像的顏色特征。

圖2 R，G，B分量的直方圖

2 紋理特征描述

利用不同提取方法來計算，求得圖像的灰度級變化，就可以得到紋理特征。一般圖像的紋理特征可反映事物的細膩程度，例如平滑度、粒徑粒度等指標。紋理定性描述經(jīng)過措置和分析圖像后獲取紋理特征才能明確[16]。

一般地，紋理提取方法有灰度差分統(tǒng)計、灰度共生矩陣和基于頻譜特征的分析法等方法[17]。這些方法都能夠識別物體的表面質量，只是其側重點各有不同。下面只介紹頻譜分析法。

頻譜分析法的基本思想[18]是將紋理圖像通過適當數(shù)學處理，在頻域里利用信號處理方法來求得紋理特征。一般地，常用的有傅里葉變換法和Gabor變換法[19]。

傅里葉頻譜的頻率特性是基于傅里葉變換的分析方法，它可以用來描述具有紋理呈周期出現(xiàn)的特性[20]。一般地，全局紋理模式會集中在傅里葉頻譜能量圖中的峰值處，相鄰兩個峰值之間的頻域位置對應于基本周期。另外，可利用濾波除去周期性部分，再用統(tǒng)計學方法來闡述剩余的非周期性部分[21-23]。

實際應用當中，為了簡便計算，特使用極坐標來表達。設頻譜函數(shù)為ψ(ρ，θ)，其中ρ和θ為極坐標變量。對于任意一個確定的方向θ，ψ(ρ，θ)是一個一維函數(shù)ψθ(ρ)，同理，對于任意一個確定的頻率ρ，ψ(ρ，θ)也為一個一維函數(shù)ψρ(θ)。不難理解，ψθ(ρ)是一簇從原點出發(fā)的射線，ψρ(θ)是一個以原點為圓心的圓。

為了得到更加全局的描述，故將上述兩個一維函數(shù)利用式(6)和式(7)進行求和。

(6)

(7)

用上述方法分析得到頻譜圖，如圖4b所示。

圖4 頻譜圖

程序運行完畢，紋理譜能量ψθ(ρ)和紋理譜能量ψρ(θ)如圖5所示。大米的紋理頻譜圖呈現(xiàn)周期特性，即其紋理具有周期性。利用頻譜中的突起峰值既可以求得頻域中的基本周期，又能反映紋理機構的主方向。

圖5 譜能量運行結果

3 結束語

利用MATLAB圖像處理模塊對大米圖像的內(nèi)部信息進行挖掘和探究表明，通過適當?shù)倪x取處理方法，可以對大米圖像的特征進行有效的分析，并為后續(xù)研究大米表面質量和透明度提供了廣泛的思路。本方法具有操作簡捷、效果優(yōu)、無破壞等優(yōu)點，表明用計算機視覺可以實現(xiàn)稻米的檢測。另外，MATLAB強大的圖像處理功能和穩(wěn)定的算法函數(shù)，這樣就很容易編寫算法程序而且也不難實現(xiàn)，可以將大部分的時間投入到算法的可靠性和有效性的研究上面，不需要在算法實現(xiàn)上耗費過多精力，從而提高編程和工作的效率。

[1] 任小靜. 基于計算機視覺的大米外觀品質檢測技術研究 [D]. 哈爾濱：哈爾濱工程大學，2007.

[2] 劉光蓉，管庶安. 基于圖像處理技術的大米堊白度檢測[J]. 糧食與飼料工業(yè)，2009(11)：1-2.

[3] 周顯青，白國偉，張玉榮，等. 基于數(shù)字圖像處理技術整米和碎米含量檢測[J]. 糧食與飼料工業(yè)，2011(9)：1-5.

[4] 侯彩云，SEIICHI O，YASUHISA S,等. 三維圖像處理系統(tǒng)在稻米品質檢測中的應用研究[J]. 農(nóng)業(yè)工程學報，2001，17(3)：92-95.

[5] 崔雯雯. 基于圖像處理的大米品質檢測系統(tǒng)研究[D].長春：吉林大學，2015.

[6] 劉瓔瑛. 基于機器視覺的稻米品質評判方法研究[D].南京：南京農(nóng)業(yè)大學，2010.

[7] 王衛(wèi)星，劉永強. 基于直方圖修正的小波自適應閾值大米堊白分割[J]. 重慶郵電大學學報，2010，22(2)：218-222.

[8] 周術誠，周明全，耿國華. 基于小波變換的自適應閾值三維圖像分割[J].計算機應用與軟件，2006，23(10)：15-23.

[9] 陳鯉江，劉鐵根，馬金英，等. 一種區(qū)域分離方法及其在米粒檢測中的應用[J]. 光電子·激光，2006，17(7)：867-870.

[10] 盛驟，謝式千，潘承毅. 概率論與數(shù)理統(tǒng)計[M].北京：高等教育出版社，2008.

[11] 張少博，全書海，石英，等. 基于顏色矩的圖像檢索算法研究[J].計算機工程，2014，40(6)：252-255.

[12] 岳磊. 基于分塊顏色矩和灰度共生矩陣的圖像檢索[J]. 微計算機信息，2012，28(8)：162-164.

[13] 余芳. 基于顏色特征的圖像檢索技術研究[D]. 北京：中國石油大學，2007.

[14] 張春妍. 基于顏色特征的小木制品檢測系統(tǒng)研究[D].哈爾濱：東北林業(yè)大學，2009.

[15] 王春陽，楊紅穎，鄭宏亮，等. 基于視覺權值的分塊顏色直方圖圖像檢索算法[J]. 自動化學報，2010，36(10)：1489-1492.

[16] 夏瑜. 基于結構的紋理特征及應用研究[D]. 合肥：中國科學技術大學，2014.

[17] 王龍.圖像紋理特征提取及分類方法[D]. 青島：中國海洋大學，2014.

[18] 陳華，霍林，韋巍，等. 圖像復原算法的頻譜恢復特性分析研究[J]. 光學技術，2007，33(2)：209-212.

[19] 楊德英. 灰度指紋圖像增強系統(tǒng)[D].西安：西安電子科技大學，2005.

[20] 方建超，毛雪松. 非等間隔采樣信號傅里葉頻譜分析方法[J]. 計算機應用，2016，36(2)：492-494.

[21] 夏楠，邱天爽，李景春，等.一種卡爾曼濾波與粒子濾波相結合的非線性濾波算法[J]. 電子學報，2013，41(1)：148-152.

[22] 趙高長，張磊，武風波. 改進的中值濾波算法在圖像去噪中的應用[J]. 應用光學，2011，32(4)：678-682.

[23] 李高西，曹軍，張福元. 基于視覺；靈敏度及粗集的彩色圖像濾波算法[J].電子測量與儀器學報，2014，28(2)：211-217.