基于選擇性搜索的藥用植物目標檢測

孟令濤 孫國強

摘 ?要： 藥用植物目標檢測可以有效應用于藥用植物的圖像識別以及圖像的語義分割。文章對已有的算法做了優(yōu)化，使其對自然環(huán)境下的藥用植物目標檢測更為準確，提出了一種基于選擇性搜索的目標檢測算法。該算法首先對藥植圖像進行高斯濾波去噪，并對圖像做歸一化預處理。對預處理后的圖片使用基于圖的圖像分割算法進行原始分割區(qū)域的劃分，計算相鄰區(qū)域間的顏色、紋理、大小和交疊相似度。最后根據(jù)相似度進行區(qū)域合并，最終得到目標區(qū)域。文章圖片數(shù)據(jù)集來自PPBC中國植物圖像庫以及作者實地拍攝。實驗結果表明，該算法對有花植物檢測得分達到84.3，葉片植物檢測得分達到67.86，平均檢測得分為76.08，較原選擇性搜索算法提升12.64。此外，該算法不需要訓練，計算簡單，適用性更強。

關鍵詞： 藥用植物目標檢測;選擇性搜索;語義分割;區(qū)域合并

中圖分類號： TP391.41 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2020.06.021

本文著錄格式：孟令濤，孫國強. 基于選擇性搜索的藥用植物目標檢測[J]. 軟件，2020，41（06）：96101

【Abstract】： Target detection of medicinal plants can be effectively applied to image recognition and semantic segmentation of medicinal plants. This article optimizes the existing algorithms to make it more accurate for the medicinal plant target detection in the natural environment， and proposes a target detection algorithm based on selective search. The algorithm first performs Gaussian filtering and denoising on the medicine plant image， and performs normalized preprocessing on the image. The pre-processed picture is divided into the original segmentation regions using a graph-based image segmentation algorithm， and the color， texture， size， and overlap similarity between adjacent regions are calculated. Finally， the region is merged according to the similarity， and the target region is finally obtained. The article picture data set is from the PPBC China Plant Image Library and the author field shooting. Experimental results show that the algorithm achieves a score of 84.3 for flowering plants， a leaf plant detection score of 67.86， and an average detection score of 76.08， which is 12.64 higher than the original selective search algorithm. In addition， the algorithm requires no training， is simple to calculate， and more applicable.

【Key words】： Medicinal plant target detection; Selective search; Semantic segmentation; Region merging

0 ?引言

中國擁有世界上最豐富的藥用植物資源，對藥用植物的發(fā)現(xiàn)、使用和栽培有著悠久的歷史。我國地域遼闊，從寒溫帶直到熱帶，地形復雜，氣候多樣，是世界上植物種類最多的國家之一，世界已知植物共約27萬種，我國存在約25700種，其中很多植物具有藥用價值。20世紀80年代，我國曾進行過全面系統(tǒng)的資源調查，發(fā)現(xiàn)我國的藥用植物資源種類包括383科，2309屬，11146種，其中藻、菌、地衣類低等植物有459種，苔蘚、蕨類、種子植物類高等植物有10687種。在這些藥用植物中，臨床常用的植物藥材有70多種，其中300多種以人工栽培為主，傳統(tǒng)中藥材的80%為野生資源。[1][2]

中藥材行業(yè)目前發(fā)展趨勢迅猛，但是依然存在發(fā)展不平衡的問題，主要體現(xiàn)在專業(yè)人才不足，資源利用不全面。因為中醫(yī)屬于傳統(tǒng)行業(yè)，更多地是利用“經(jīng)驗”進行知識的傳播，近些年才有了科學系統(tǒng)的培養(yǎng)模式。自上世紀八十年代我國進行過一次全面的中藥資源普查之后，到現(xiàn)在為止還沒有再一次完成普查工作，導致對中藥資源掌握不完全，不能有效利用。未能完成普查一方面是由于我國 ?國土面積遼闊，地形地勢復雜，另一方面也是因為缺少相關人才以及技術設備，無法進行準確地識別。因此，高效的圖像識別算法對目前而言仍有重要 ?意義。

目標檢測一直是圖像領域研究的熱點問題，已經(jīng)取得了很大進展。對野外環(huán)境下的藥用植物的檢測屬于目標檢測的范疇。Arbelaez等人[3]提出了一種MCG（Multi-scale Combinatorial Grouping）方法用于自上而下的分層圖像分割和候選區(qū)域的生成，其首先開發(fā)了一種快速歸一化的切割算法，提出一個能夠有效利用多尺度信息的高性能分層分割器;Cheng等人[4]提出了一個簡單而且魯棒性強的特征BING（Binarized Normed Gradients），通過使用對象狀態(tài)得分來協(xié)助檢測對象。Mei[5]使用SVM（Support Vector Machine）訓練的主動基礎模型作為表示對象的稀疏編碼模型，通過從多尺度圖像金字塔滑動窗口來實現(xiàn)目標檢測。鐘必能等人[6]將選擇性搜索方法和粒子濾波方法相結合，運用到了粒子的跟蹤上。與傳統(tǒng)的單一策略相比，選擇性搜索提供了多種策略;與全搜索相比，又大幅度縮小了搜索空間。

針對以上問題，本文提出了基于選擇性搜索的藥用植物檢測算法，旨在實現(xiàn)從野外實際環(huán)境下拍攝到的復雜背景圖片中檢測到藥用植物位置。本文首先對采集到的圖片通過圖像預處理技術進行預 ?處理;然后使用改進后的選擇性搜索算法對預處理后的植物圖像進行目標區(qū)域的劃定并在原圖上標記;最后驗證標記區(qū)域與實際目標所在區(qū)域的定 ?位差異，得到圖像檢測得分，用來判斷該算法的有效性。

1 ?算法流程

1.1 ?藥用植物圖像預處理

高斯濾波是一種線性平滑濾波，是對整幅圖像進行加權平均的過程，具體操作是：用一個模板（或稱卷積、掩模）掃描圖像中的每一個像素，用模板確定的鄰域內像素的加權平均灰度值代替模板中心像素點的值。本文采用離散化窗口滑窗卷積的方法，利用高斯核完成卷積操作。為簡化計算，將去噪后的圖像歸一化為512*512。

1.2 ?選擇性搜索算法

選擇性搜索算法[8]是一種經(jīng)典的基于區(qū)域的圖像分割算法，用于為物體檢測提供候選區(qū)域，速度快，召回率高。首先是利用經(jīng)典的基于圖的分割算法[14]得到一些原始區(qū)域，再計算圖像相鄰區(qū)域內顏色、紋理等特征相似度，合并相似度最高的兩個區(qū)域后迭代計算，獲取數(shù)量較少而召回率較高的目標區(qū)域，縮小搜索范圍，從而獲得了若干個可能的目標區(qū)間。本文選擇性搜索算法應用步驟如下：

（1）對預處理后的圖像，利用基于圖的圖像分割算法（Graph-Based Image Segmentation）將圖像分割為原始區(qū)域 。

（2）對于相鄰區(qū)域，計算之間的顏色、紋理、大小以及吻合相似度 ，相似度集合為 ? 。

（3）將相似度集合 中相似度最大的值 所對應的兩個區(qū)域 和 ，合并為一個區(qū)域 ，將其加入?yún)^(qū)域集合 ，刪除相似度集合 中 ?有關的相似度，計算 與相鄰區(qū)域的相似度，并加入相似度集合 。

（4）重復步驟（3）直至 ，然后遍歷區(qū)域集合 ，對于分辨率不足2000、寬高比大于1.4的候選區(qū)域做刪除處理。此時篩選完畢的區(qū)域集合 即為圖像最終的分割區(qū)域，獲取的區(qū)域集合 中每個區(qū)域所對應的外界矩形，即為可能的目標區(qū)域。

本文利用基于圖表示的圖像分割算法獲取初始分割區(qū)域，以圖論為基礎，將相鄰像素的間的歐氏距離作為變的權值，通過最小生成樹和K值確定區(qū)域大小，從而獲得具有相似特性的區(qū)域。該方法可獲取具有高相似性的分割區(qū)域，但分割區(qū)域過于精細，難以獲取完整目標，因此本文利用初始分割區(qū)域相鄰區(qū)域間的顏色、紋理、大小以及交疊相似度對初始分割區(qū)域進行合并。

1.3 ?算法性能評估

2 ?實驗過程

為了驗證藥用植物檢測算法的有效性，本文設計實驗過程如下：（1）數(shù)據(jù)集采集與預處理;（2）實驗環(huán)境搭建;（3）實驗結果與分析。

2.1 ?數(shù)據(jù)集采集與預處理

通過中國植物圖像庫網(wǎng)站爬取，以及在上海植物園、上海中醫(yī)藥大學藥植園、山東中醫(yī)藥大學百草園等地實地拍攝共收集藥植照片5類5574張圖片。收集到的圖片特征清晰，角度、色調等符合正常拍攝的情境，具有很強的代表性。圖片將作為測試集，用來測試算法對藥用植物檢測的有效性。

對收集到的圖片，使用工具“光影魔術手”做歸一化處理，將圖片尺寸統(tǒng)一為512*512，并以相同格式重命名圖像，分別保存在文件夾下，如圖1所示。

對歸一化后的圖像，需要進行目標標注，如圖2所示，目的是用來檢測算法性能。

2.2 ?實驗過程與分析

本文是對現(xiàn)有植物目標檢測算法的改進，首先使用高斯濾波器對圖像做去噪處理，然后使用基于圖的圖割算法劃定初始分割區(qū)域，計算所有相鄰區(qū)域的顏色、紋理、大小以及交疊相似度，按照合并策略對相似度求和，確定需要合并的區(qū)域，最后不斷迭代至最后目標區(qū)域確定。

選擇性搜索算法是通過對初始分割區(qū)域的不斷合并最終得到目標區(qū)域，因此初始分割區(qū)域的劃分直接影響算法的性能。初始分割區(qū)域過于精細會造成相似度較高的兩個區(qū)間可能被劃分為不同的區(qū)域，無法合并。同時因為區(qū)域的增多，導致計算量增加，算法復雜度增大，實用性降低;而初始分割區(qū)域過于粗糙則會減弱區(qū)域特性，無法準確區(qū)分區(qū)域邊界。由此需要先確定初始分割區(qū)域Scale的最優(yōu)值。

實驗設置Scale值從100～1200遞增，不同Scale值下藥用植物的平均檢測得分如圖3所示。由圖3可知，在高斯核大小Sigma取0.5、合并策略為C+T+S+F的情況下，當Scale值為100時，平均檢測得分只有35.3，到800時達到最大值58，到1200時平均檢測得分降到了46.4?？梢钥闯觯诔跏贾?00的情況下，初始分割區(qū)域過于精細導致過度界定不同區(qū)域，使得目標區(qū)域內目標檢測框數(shù)量過多且重合，而當Scale取值大于800后，算法無法準確界定目標所在區(qū)域，檢測效果不理想。根據(jù)實驗結果，初始分割區(qū)域參數(shù)Scale設為800。

按照同樣的方法，設定高斯核Sigma（即標準差）從0.1增大到1.5。實驗結果顯示，算法的平均檢測得分在Sigma取0.8時達到最大值70.3。當高斯核取值較小時，高斯濾波去噪效果不明顯，圖像噪點嚴重，導致目標分割區(qū)域過多，重疊嚴重;隨著高斯核取值的增大，算法的平滑效果更明顯，圖像的顏色特征對區(qū)域分割的影響更大，因此檢測效果也變得更好。圖4展示了不同Sigma取值下的檢測效果圖。

由于在自然環(huán)境下采集圖片時的光照、天氣等條件均不同，步驟（2）中四種相似度會對目標檢測產生不同程度的影響。為了探究四種相似度的影響程度，本文在確定Scale=800，Sigma=0.8的前提下，以各種策略組合設置實驗。

在初始分割區(qū)域大小設為800、高斯核大小設為0.8的前提下，不同合并策略對藥用植物目標檢測的結果如圖5所示。從折線圖中可以看出，在“C+T+S+F”合并策略下，藥用植物目標檢測的平均檢測得分最高。這是因為采集到的圖片中目標所在位置以及目標尺寸皆有不同，單一合并策略無法做到對目標的準確定位，更多合并策略的組合保證了植物目標檢測的魯棒性和準確率。綜上，本文選擇“C+T+S+F”的合并策略。

由綜合相似度公式可知，各相似度的權重會直接影響相似區(qū)域間的合并。如果圖片目標區(qū)域與周圍物體的顏色特征相差較大，提高顏色相似度的權重就可以保證讓顏色相近的區(qū)域先合并，對于目標顏色與背景色相差較大的物體的檢測準確率就會更好。而對于目標物體顏色與背景色相近的情況，提高紋理相似度的權重就可以依據(jù)目標邊界進行合并，降低了顏色對區(qū)域合并的影響，避免過度合并導致目標檢測不充分。

在確定各相似度權重的實驗中，首先依據(jù)植物的主要特征從圖片庫中分別選取有花植物與葉片植物圖片各100張，分別探究有花植物與葉片植物算法最佳的相似度權重。由藥用植物所處的實際環(huán)境來看，有花植物花朵的顏色與植物背景色有較大的區(qū)別，提高顏色相似度的權重對于花朵的檢測有較大的幫助。經(jīng)過實驗，參數(shù)選擇（0.8，0.3，0.9，1）時有花植物目標檢測的平均檢測得分最高，可以達到84.3。對于葉片植物，植物的葉片是我們所要檢測的主要目標，而葉片的顏色與背景色極為相似，葉片的紋理是檢測的主要依據(jù)，那么則需要提高紋理相似度。經(jīng)過實驗，參數(shù)為（0.5，0.8，0.8，1）時葉片植物的目標檢測平均檢測得分可以達到67.86。在以上參數(shù)設置下算法檢測結果如圖6所示。

為了驗證本文算法的有效性，本文還設置如下對比實驗：（1）實驗一：使用原始選擇性搜索算法分別對有花植物圖片和葉片植物圖片進行目標檢測;（2）實驗二：對圖片進行預處理之后再使用原始選擇性搜索算法進行實驗;（3）實驗三：使用本文算法對相同圖片進行目標檢測。實驗結果見表1。

對比實驗一與實驗二，可以發(fā)現(xiàn)經(jīng)過圖像預處理之后，算法取得更好地結果。同時在實驗過程中發(fā)現(xiàn)，經(jīng)過圖像預處理之后算法的效率得到極大的提升，當直接使用未處理的圖片進行檢測時，算法耗費時間過長并可能導致程序崩潰。從實驗二與本文算法實驗的對比來看，在經(jīng)過對初始區(qū)域分割大小、高斯核大小、策略選擇以及各策略權重等參數(shù)優(yōu)化之后，本文算法的平均目標檢測得分提高了約12.64，這是因為在選擇更優(yōu)的參數(shù)之后，超像素的分割與策略合并更為準確。

本文通過控制變量法進行實驗得到了算法各個參數(shù)的最優(yōu)值，同時為算法增加圖像預處理環(huán)節(jié)，使得效率與準確度得到較大提升。使用本文算法對自然環(huán)境下的藥用植物圖片進行目標檢測，有花植物可以得到84.3的檢測得分，葉子植物可以得到67.86的檢測得分，平均檢測得分達到76.08。實驗結果表明，本文算法在自然環(huán)境下的藥用植物定位檢測上取得了較好的結果。

3 ?結束語

本文提出了一種基于選擇性搜索的藥用植物目標檢測算法，首先利用基于圖的圖像分割方法得到具有相似特性的初始分割區(qū)域，然后將綜合相似度最高的區(qū)域合并，不斷迭代最后得到若干個可能的目標區(qū)間，完成藥用植物目標定位檢測。本文算法計算簡單，計算效率高，有較強的實用性。考慮到野生藥植實際生存環(huán)境，獲取到的圖片背景較復雜，本文算法的優(yōu)點在于對這種復雜環(huán)境的處理更優(yōu)秀，具有更強的魯棒性與準確率。

在要檢測的藥植本身顏色、紋理特征不明顯的情況下，本文算法獲得目標區(qū)域也會出現(xiàn)一些誤差，影響準確率。這將是下一步工作亟待解決的問題。

參考文獻

[1] 張琳， 王曉. 中藥連作障礙形成及其時空效應理論探討[J]. 現(xiàn)代中藥研究與實踐， 2014（5）： 78-83.

[2] 李煥普. 發(fā)展野生瀕危藥用動植物的家養(yǎng)家種是緩解供求矛盾和保護生態(tài)的有效途徑[J]. 中國現(xiàn)代中藥， 2008（07）： 47-48.

[3] Pablo Arbelaez， Jordi Pont-Tuset， Jon Barron， et al. Multiscale Combinatorial Grouping[C]// 2014 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2014.

[4] Cheng M M， Zhang Z M， Lin W Y， et al. BING： Binarized normed gradients for objectness estimation at 300fps[C]// Proc of the 2014 IEEE Conference on Computer Vision and Pattern Recognition， 2014： 3286-3293.

[5] Mei X. Visual object detection using deformable sparse coding model[C]// International Conference on Progress in Informatics & Computing. IEEE， 2017.

[6] 鐘必能， 潘勝男. 選擇性搜索和多深度學習模型融合的目標跟蹤[J]. 華僑大學學報：自然科學版， 2016（37）： 212.

[7] Kulkarni A， Callan J. Selective Search： Efficient and Effective Search of Large Textual Collections[J]. 2015， 33（4）： 1-33.

[8] Uijlings J R R， K. E. A. van de Sande…. Selective Search for Object Recognition[J]. International Journal of Computer Vision， 2013， 104（2）： 154-171.

[9] ?i?la， Cevahir， Alatan A A. Efficient graph-based image segmentation via speeded-up turbo pixels[C]// IEEE International Conference on Image Processing. IEEE， 2010.

[10] Bilaniuk O， Fazl-Ersi E， Xu C， et al. Fast LBP Face Detection on Low-Power SIMD Architectures[C]// IEEE Conference on Computer Vision & Pattern Recognition Workshops. IEEE Computer Society， 2014.

[11] Quanwu L I， Yuhui L I， Bo L I， et al. Research on Vehicle Face Localization and Recognition Method[J]. Journal of Frontiers of Computer Science and Technology， 2015.

[12] Bei M， Le Z. Vehicle Recognition Based on Texture Feature[J]. Electronic Science and Technology， 2010.

[13] Bineng Z， Shengnan P. Multi-Clue Fusion Target Tracking Algorithm Based on Selective Search and Deep Learning[J]. Journal of Huaqiao University（Natural Science）， 2016.

[14] Felzenszwalb P F， Huttenlocher D P. Efficient graph-based image segmentation[J]. International Journal of Computer Vision， 2004， 59（2）： 167-181

[15] Arguello J， Callan J， Diaz F. Classification-based resource selection[C]// Proceedings of the 18th ACM Conference on Information and Knowledge Management， CIKM 2009， Hong Kong， China， November 2-6， 2009. ACM， 2009.

[16] Kulkarni A. Efficient and Effective Large-scale Search[J]. Dissertations & Theses - Gradworks， 2014.

[17] Zitnick C L， Dollar P. Edge Boxes： Locating Object Proposals from Edges[C]// ECCV. Springer International Publishing， 2014.

[18] Everingham M， Gool L V， Williams C K I， et al. ThePascal-Visual Object Classes （VOC） Challenge[J]. International Journal of Computer Vision， 2010， 88（2）： 303-338.

[19] 闞江明， 王怡萱， 楊曉微， 等. 基于葉片圖像的植物識別方法[J]. 科技導報， 2010， 28（23）： 81-85.

[20] 吳素雯， 戰(zhàn)蔭偉. 基于選擇性搜索和卷積神經(jīng)網(wǎng)絡的人臉檢測[J]. 計算機應用研究， 2017（09）： 300-303+322.