番茄病害圖像特征分析與識(shí)別

張春艷

(沈陽(yáng)理工大學(xué)信息科學(xué)與工程學(xué)院,遼寧 沈陽(yáng) 110159)

通過(guò)對(duì)番茄葉片圖像進(jìn)行顏色特征的提取，將提取到的數(shù)據(jù)輸入SVM算法，通過(guò)訓(xùn)練求得可以對(duì)產(chǎn)生病害的番茄葉片圖像進(jìn)行識(shí)別的模型。

1 顏色特征提取

1.1 顏色直方圖特征

直方圖作為一種特征描述，具有簡(jiǎn)單有效的特點(diǎn)，用其來(lái)統(tǒng)計(jì)特性非常方便，因此，其被廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)。在圖像處理領(lǐng)域，對(duì)于圖像直方圖的特征提取十分方便，其對(duì)圖像無(wú)任何要求；關(guān)于圖像的多模態(tài)的體現(xiàn)，直方圖也有非常良好的表現(xiàn)，并且對(duì)于圖像的任意指定區(qū)域的統(tǒng)計(jì)特征也能很好的表示；直方圖還對(duì)旋轉(zhuǎn)不敏感，具有旋轉(zhuǎn)不變性。因此衍生出各種各樣的直方圖，如顏色直方圖、亮度直方圖、局部二值模式直方圖、HOG等。對(duì)于圖像處理領(lǐng)域，顏色直方圖應(yīng)用最為廣泛，但是傳統(tǒng)的顏色直方圖容易受光照變化影響，并且對(duì)于圖像內(nèi)部的具體像素點(diǎn)的分布情況不敏感，對(duì)于像素位置不敏感。

1.2 顏色矩特征

求圖像的顏色矩特征是通過(guò)對(duì)線性代數(shù)的中矩的理解，同樣將圖像中的顏色分布抽象提取，用其矩表示出來(lái)。分為平均值A(chǔ)verage、方差Variance和偏斜度Skewness，并將其分別起名為顏色一階矩、二階矩以及顏色三階矩，通過(guò)這些其矩來(lái)對(duì)圖像的空間信息進(jìn)行表示。使用顏色矩的概念來(lái)表示圖像與顏色直方圖是有差異的，顏色直方圖需要顏色量化的操作，而顏色矩不需要顏色量化。關(guān)于圖像的像素點(diǎn)，通?？梢苑譃?個(gè)顏色通道進(jìn)行表述，而對(duì)于顏色矩每個(gè)通道可以抽象出3個(gè)分量來(lái)進(jìn)行描述，因此一共可以得到9個(gè)分量的信息。因?yàn)轭伾氐玫降奶卣骶S數(shù)相對(duì)少一些，所以使用顏色矩時(shí)一般還需要提取一些圖像其他的特征，幫助更好地對(duì)圖像進(jìn)行分析處理。3個(gè)低階矩的數(shù)學(xué)模型計(jì)算公式進(jìn)行如下：

(1)

(2)

(3)

其中，pij在以上公式中的下標(biāo)j代表的是第j個(gè)像素點(diǎn)，i代表的是像素點(diǎn)的第i個(gè)分量，N代表的是總的像素?cái)?shù)是N。

圖像的顏色變化可以通過(guò)取其抽象出的顏色矩進(jìn)行表示，如上所述，可以得到一個(gè)9維的顏色直方圖量化后的向量，以下公式是將顏色分量分別用Y,U,V來(lái)表示：

Fcolor=[μY,σY,sY,μU,σU,sU,μV,σV,sV]

(4)

顏色特征與局部特征對(duì)應(yīng)，可以很好地將圖像的整體特征描述出來(lái)。而顏色特征的本質(zhì)其實(shí)是圖像本身像素點(diǎn)所表現(xiàn)出來(lái)的特征，但其只是一種整體上的或者說(shuō)是一種表面上的特征，而對(duì)于空間以及更加細(xì)致具體的特征無(wú)法顯示，因此對(duì)于圖像的局部特征并不能以這個(gè)來(lái)體現(xiàn)。鑒于此，當(dāng)只將顏色信息作為一種查詢圖像的標(biāo)準(zhǔn)時(shí)，當(dāng)數(shù)據(jù)量小時(shí)，可能得到所期望的結(jié)果，但是對(duì)于數(shù)據(jù)量很大的時(shí)候，常會(huì)將許多不需要的圖像也檢索出來(lái)?？偟膩?lái)說(shuō)，利用顏色直方圖的原理簡(jiǎn)單并且容易理解分析，因此應(yīng)用很多，雖然其不能很好地表示出圖像的空間信息以及圖像的局部特性，但對(duì)于圖像本身的變化如平移和旋轉(zhuǎn)等不敏感，抗這些因素的干擾性較強(qiáng)。

1.3 支持向量機(jī)(SVM)

SVM[4，5]的原理是通過(guò)核函數(shù)將特征空間找到，找到之后將特征空間進(jìn)行分析得到軟間隔分離超平面，再用正則化因子對(duì)其進(jìn)行優(yōu)化得到樣本的二分類(lèi)操作。使用核函數(shù)來(lái)將點(diǎn)積運(yùn)算表示出來(lái)并且得到最優(yōu)的分類(lèi)面：

(5)

式中，ai代表Lagrange乘子，ai≥0；xi，yi代表兩類(lèi)中的支持向量SV；b*代表根據(jù)訓(xùn)練樣本確定的閾值；K(x，xi)代表核函數(shù)。

2 邊界直方圖特征提取

將圖像在邊界方向上的形狀特征進(jìn)行提取出來(lái)，在此基礎(chǔ)上再進(jìn)行顏色直方圖的分提取和分析。該方法簡(jiǎn)單有效，在增加了準(zhǔn)確性的基礎(chǔ)上保留了對(duì)圖像自身的旋轉(zhuǎn)平移不敏感的特點(diǎn)，另外其對(duì)于圖像的縮放也不敏感。為了將圖像檢索的準(zhǔn)確性進(jìn)行提高，還將反饋機(jī)制結(jié)合起來(lái)，可以動(dòng)態(tài)地調(diào)整權(quán)值系數(shù)，并將相應(yīng)的算法進(jìn)行抽象出來(lái)，通過(guò)訓(xùn)練可以將不同數(shù)據(jù)庫(kù)的最佳權(quán)值系數(shù)求出來(lái)進(jìn)行圖像分析與識(shí)別研究。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，此方法具有很好的識(shí)別效果，準(zhǔn)確性也很高。通過(guò)將其與邊緣檢測(cè)結(jié)合分析，將邊緣的信息進(jìn)行提取抽象，將小領(lǐng)域內(nèi)的信息抽象并唯一地確定位置，再將求得的各個(gè)小領(lǐng)域內(nèi)的信息點(diǎn)聯(lián)合起來(lái)，進(jìn)行總體的抽象與分析，將各個(gè)點(diǎn)進(jìn)行連線，取得連線中點(diǎn)的信息，求得一個(gè)能體現(xiàn)圖像特征的邊緣信息的特征模型，這個(gè)過(guò)程通常稱為擬合過(guò)程。在這個(gè)過(guò)程中，連線之間會(huì)產(chǎn)生一定的角度，從而引發(fā)一些多余的噪聲，因此分析時(shí)需要注意排除噪聲的干擾，提高準(zhǔn)確性。

邊緣方向直方圖是對(duì)圖像輪廓特征的一種描述方法，通過(guò)Canny邊緣檢測(cè)算子對(duì)病變番茄圖像的輪廓特征進(jìn)行提取，并計(jì)算出每個(gè)邊緣像素點(diǎn)的方向，對(duì)每個(gè)方向上的邊緣點(diǎn)數(shù)目進(jìn)行統(tǒng)計(jì)進(jìn)而形成邊緣方向直方圖。

圖1 邊界方向直方圖

3 病害番茄圖像識(shí)別

目前基于圖像分類(lèi)使用較為廣泛的模式識(shí)別算法包括歐式距離法、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)。針對(duì)本實(shí)驗(yàn)樣本數(shù)量有限的特點(diǎn)，最終選擇SVM對(duì)病害番茄圖像進(jìn)行識(shí)別。

SVM(Support Vector Machine)是通過(guò)某種事先選擇的映射(核函數(shù))將輸入向量映射到一個(gè)高維特征空間，然后在這個(gè)空間中尋找最優(yōu)分類(lèi)超平面。

根據(jù)SVM軟件包提取符合條件的向量集；對(duì)數(shù)據(jù)進(jìn)行篩選；考慮選用適當(dāng)?shù)暮撕瘮?shù)，主要包括上述的4種核函數(shù)；應(yīng)用交叉驗(yàn)證方法獲取最優(yōu)參數(shù)C和g，并使用這2個(gè)參數(shù)處理全部訓(xùn)練集來(lái)得到SVM模型；用模型對(duì)樣本圖像進(jìn)行測(cè)試，完成識(shí)別。

本實(shí)驗(yàn)針對(duì)樣本顏色特征、邊緣方向特征、混合特征進(jìn)行識(shí)別。將顏色特征與邊界方向直方圖參數(shù)特征合成為一個(gè)向量。每種特征的識(shí)別準(zhǔn)確率如表1。

表1 識(shí)別準(zhǔn)確率匯總

4 總結(jié)

本研究對(duì)病害番茄圖像的顏色特征和邊緣特征進(jìn)行提取，通過(guò)SVM對(duì)特征進(jìn)行分類(lèi)完成對(duì)病害番茄圖像的識(shí)別，在單一顏色特征識(shí)別的基礎(chǔ)上對(duì)顏色特征與邊界方向特征進(jìn)行混合識(shí)別，并且識(shí)別的準(zhǔn)確率好于基于單一特征的識(shí)別。