基于顏色和形狀的鮮茶葉圖像特征提取及在茶樹(shù)品種識(shí)別中的應(yīng)用

劉自強(qiáng) 周鐵軍 傅冬和 彭華

摘要：對(duì)鮮茶葉顏色、形狀特征進(jìn)行提取，運(yùn)用計(jì)算機(jī)視覺(jué)、圖像處理技術(shù)識(shí)別茶葉品種。先用數(shù)碼相機(jī)收集茶葉圖像，然后對(duì)圖像格式進(jìn)行轉(zhuǎn)換和預(yù)處理，再運(yùn)用 HSI 模型提取茶葉顏色特征參數(shù)并采用二值化后圖像提取茶葉形狀特征參數(shù)，針對(duì)每一類(lèi)特征，用6種分類(lèi)器訓(xùn)練建模，并比較各模型的預(yù)測(cè)精度。結(jié)果表明，其中SVMKM和隨機(jī)森林以2類(lèi)特征建模，運(yùn)用十折交叉驗(yàn)證，獨(dú)立預(yù)測(cè)分類(lèi)這2種方法的精確度達(dá)到89.5%。說(shuō)明本研究運(yùn)用的方法能成功識(shí)別出茶葉品種。

關(guān)鍵詞：圖像處理;圖像特征提取;特征篩選;機(jī)器學(xué)習(xí);品種識(shí)別;鮮茶葉

中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2021）12-0168-05

收稿日期：2020-09-03

基金項(xiàng)目：湖南省教育廳科學(xué)研究項(xiàng)目（編號(hào)：17C0589）。

作者簡(jiǎn)介：劉自強(qiáng)（1988—），男，湖南衡陽(yáng)人，碩士，講師，主要從事生物信息處理研究。E-mail：362791767@qq.com。

隨著茶葉加工工藝的提高，研究者更加注重茶葉加工和商品茶制作，逐漸忽視茶樹(shù)栽培與茶樹(shù)品種研究，不利茶樹(shù)優(yōu)良品種保護(hù)。而人工識(shí)別是以感官評(píng)價(jià)為主，這使得茶葉識(shí)別存有一定的誤差，為了提高茶葉評(píng)定的準(zhǔn)確性，利用計(jì)算機(jī)技術(shù)來(lái)識(shí)別茶葉成為一種新的選擇[1]。

近年來(lái)，計(jì)算機(jī)科學(xué)技術(shù)快速發(fā)展，圖像處理技術(shù)在諸多領(lǐng)域已有廣泛應(yīng)用?，F(xiàn)階段已有研究者利用數(shù)字圖像處理技術(shù)對(duì)成品茶葉或植物葉片提取顏色、形狀等特征，來(lái)識(shí)別茶葉品種。本研究通過(guò)提取多種鮮茶葉圖像中的顏色、形狀等有效特征參數(shù)，對(duì)鮮茶葉種類(lèi)進(jìn)行精準(zhǔn)識(shí)別，并通過(guò)此方法來(lái)分辨茶樹(shù)品種，這對(duì)茶樹(shù)名優(yōu)品種的發(fā)展保護(hù)及茶樹(shù)品種的認(rèn)知具有重大現(xiàn)實(shí)意義。

1 茶葉采樣及圖像處理

1.1 茶葉采樣

分別摘取碧香早、福豐、福云6號(hào)、紅芽佛手、尖波黃、金萱、茗豐、平云6號(hào)、香紀(jì)翠和政和大白等10種茶樹(shù)品種的鮮茶葉片。另外，每個(gè)品種再摘取5張成熟葉，用于研究識(shí)別其他需要。

光源箱內(nèi)開(kāi)啟白光源，相機(jī)型號(hào)為Nikon 1 J1，拍攝分辨率為1 900×1 700，光圈為F5.6，曝光時(shí)間為1/30 s，鏡頭距白板10 cm，具體操作如圖1所示。

根據(jù)如上方法，在2 h內(nèi)采集10種不同品種的100張鮮茶葉圖像，每類(lèi)鮮茶葉圖像如圖2所示（每種只列出1張）。

1.2 茶葉的圖像處理

拍攝的圖像光照和設(shè)備硬件等因素的影響，存在光照、陰影、邊界等問(wèn)題，會(huì)導(dǎo)致重影、邊緣模糊、噪聲等，須對(duì)其進(jìn)行預(yù)處理，以提高特征提取精度。對(duì)所采集的圖像去除無(wú)關(guān)信息，恢復(fù)有效信息，增強(qiáng)相關(guān)信息的可檢測(cè)性。預(yù)處理的過(guò)程包括圖像灰度化、圖像分割、去除小孔洞及清除邊界附近對(duì)象等。為提高圖像的清晰度和圖像分析準(zhǔn)確度，對(duì)圖像進(jìn)行中值濾波去噪和直方圖均衡等預(yù)處理。鮮茶葉圖像經(jīng)過(guò)預(yù)處理，一方面通過(guò)圖像格式的轉(zhuǎn)換，對(duì)得到的HSI圖像提取出顏色特征參數(shù)，另一方面通過(guò)圖像的二值化處理，得到茶葉的形狀和輪廓圖，提取其形狀特征參數(shù)[2-5]。

鮮茶葉圖像預(yù)處理步驟如下：第1步，對(duì)鮮茶葉圖像經(jīng)過(guò)B通道灰度化處理;第2步，對(duì)灰度化后的圖像做二值化處理，用Otsu算法自動(dòng)確定分割閾值，使目標(biāo)與背景分離;第3步，對(duì)分割后的茶葉圖像先閉運(yùn)算處理后開(kāi)運(yùn)算處理，再去除目標(biāo)圖像外不相關(guān)目標(biāo);第4步，清除邊界附近對(duì)象及區(qū)域外目標(biāo)操作處理，得到最終預(yù)處理后圖像。

對(duì)所有樣本的鮮茶葉圖像用相同方法進(jìn)行預(yù)處理，以提取到準(zhǔn)確的特征參數(shù)。具體流程及示例如圖3所示。

2 茶葉顏色和形狀特征的提取

2.1 顏色特征提取方法

提取10種不同品種共100幅原始鮮茶葉圖像的R（紅）G（綠）B（藍(lán)）、H（色調(diào)）I（亮度）S（飽和度）、L*（亮度）a*（從紅色到綠色的光譜變化值）b*（從黃色到藍(lán)色的光譜變化值）分量值特征，對(duì)每個(gè)品種鮮茶葉的RGB、HIS 分量特征參數(shù)求平均值，結(jié)果見(jiàn)表1。由表1可知，各顏色分量特征的平均值有所差異，可利用不同品種的顏色差異做進(jìn)一步分

析處理[6]。

2.2 形狀特征提取方法

2.2.1 重心 預(yù)處理后的二值圖像質(zhì)量分布均勻，質(zhì)心就是目標(biāo)圖像的重心。重心到茶葉目標(biāo)圖像邊界最遠(yuǎn)距離稱(chēng)為最長(zhǎng)半徑，重心到邊界最近距離稱(chēng)為最短半徑，如圖4所示。

2.2.2 面積、周長(zhǎng) 面積是目標(biāo)圖像區(qū)域尺寸的度量，常用統(tǒng)計(jì)目標(biāo)區(qū)域中像素點(diǎn)數(shù)的方法來(lái)計(jì)算。因像素點(diǎn)統(tǒng)計(jì)區(qū)域不盡相同，可分為投影面積、凸多邊形面積、填充面積（圖5）。周長(zhǎng)是目標(biāo)圖像區(qū)域邊緣長(zhǎng)度。圓形度是周長(zhǎng)2/面積的值，用來(lái)形容目標(biāo)圖像邊緣復(fù)雜程度，而圓形性是4π×面積/周長(zhǎng)2的值[7]。

2.2.3 最小外接矩形、長(zhǎng)軸和短軸 包含目標(biāo)圖像且面積最小的矩形，稱(chēng)為最小外接矩形（MER，圖6-a）;最小面積矩形與周長(zhǎng)的比值稱(chēng)為偏心率;以目標(biāo)圖像邊界點(diǎn)間最長(zhǎng)距離為外接矩形主軸，得到的矩形稱(chēng)之為主軸法外接矩形（MAR，圖6-b）[8]。通常以主軸法得到的外接矩形的長(zhǎng)稱(chēng)為長(zhǎng)軸，寬稱(chēng)為短軸，長(zhǎng)軸與短軸的比值稱(chēng)為伸長(zhǎng)率，可將細(xì)長(zhǎng)茶葉與方形或圓形的茶葉區(qū)分開(kāi)來(lái)[9]。

2.2.4 最大內(nèi)切圓半徑 最大內(nèi)切圓是目標(biāo)圖像內(nèi)所能包含的最大面積的圓（圖7）。

本試驗(yàn)主要測(cè)定的形狀特征有投影面積、凸多邊形面積、填充面積、周長(zhǎng)、長(zhǎng)軸、短軸、等價(jià)直徑、最長(zhǎng)半徑、最短半徑、內(nèi)切圓半徑、偏心率、實(shí)度、伸展度、最短長(zhǎng)半徑比、圓形度、短長(zhǎng)軸比、面積周長(zhǎng)比等19個(gè)。在Matlab軟件中，可利用regionprops函數(shù)的Area、MajorAxisLength、MinorAxisLength、Eccentricity、EquivDiameter等命令實(shí)現(xiàn)參數(shù)測(cè)定[10]。

茶葉圖像經(jīng)預(yù)處理后，顏色、形狀特征由軟件處理（湖南農(nóng)業(yè)大學(xué)農(nóng)業(yè)信息研究所研發(fā)的農(nóng)作物數(shù)字圖像分析系統(tǒng)V2.0）獲得。對(duì)形狀特征參數(shù)求平均值，部分特征平均值如表2所示。

3 特征參數(shù)分析及篩選

3.1 茶樹(shù)品種間特征參數(shù)差異性分析

利用單因素多水平方差分析（ANOVA）方法，對(duì)10個(gè)茶樹(shù)品種鮮茶葉圖像的31個(gè)特征參數(shù)分別進(jìn)行顯著性水平分析[11]。因?yàn)橛?0種茶樹(shù)，所以自由度取值9。以周長(zhǎng)特征為例， 用Matlab軟件算出的P值為3.513 4×10-24，遠(yuǎn)小于上述臨界值。對(duì)于周長(zhǎng)特征，顯然各品種間差異極顯著[12]。

利用此方法，對(duì)10個(gè)樣本品種的31個(gè)初始特征參數(shù)做單因素方差分析，結(jié)果見(jiàn)表3。

3.2 有效特征篩選

當(dāng)樣本數(shù)量相對(duì)較少，特征數(shù)量相對(duì)較大時(shí)，容易產(chǎn)生過(guò)擬合風(fēng)險(xiǎn)。用以上方法提取大量鮮茶葉圖像特征參數(shù)后，由于茶葉樣本數(shù)據(jù)間存在大量相關(guān)性，信息冗余，特征維數(shù)大，在機(jī)器識(shí)別過(guò)程中，會(huì)降低識(shí)別精度。因此，需對(duì)數(shù)據(jù)進(jìn)行特征篩選，去除與目標(biāo)值無(wú)關(guān)且?guī)?lái)噪聲干擾的特征量，以利于在后續(xù)機(jī)器識(shí)別建模時(shí)，縮短訓(xùn)練時(shí)間，提高識(shí)別精度。

通過(guò)多輪末尾淘汰對(duì)特征因子進(jìn)行篩選，對(duì)所有特征用libsvm經(jīng)10次交叉驗(yàn)證建立模型可得初始分類(lèi)精度，依次剔除每一特征，并以剩余特征利用libsvm經(jīng)10次交叉驗(yàn)證建立分類(lèi)模型。在第1輪的31個(gè)分類(lèi)模型中找出最高的分類(lèi)精度，如果該精度小于所有特征建模時(shí)所得的分類(lèi)精度，說(shuō)明所有特征均對(duì)建模有利，不能刪除，應(yīng)該保留;如果該精度大于原始精度，說(shuō)明刪除該特征后，有助于模型精度的提高，則該特征應(yīng)刪除并進(jìn)入下一輪汰選;重復(fù)以上過(guò)程，直至某輪次刪除某特征后，所有模型的最高分類(lèi)精度小于上輪的最高分類(lèi)精度;此時(shí)上輪次的最高精度即為該整個(gè)過(guò)程中模型的最高精度，其所對(duì)應(yīng)的特征均應(yīng)保留，汰選終止。

經(jīng)過(guò)多輪汰洗后，保留27個(gè)特征參數(shù)：（1）顏色特征。圖像顏色的R、G、B、L*、a*、b*分量特征。（2）形狀特征。填充面積、周長(zhǎng)、長(zhǎng)軸、短軸、等效直徑、最長(zhǎng)半徑、最短半徑、偏心率、伸展度、最短長(zhǎng)半徑比、圓形度、短長(zhǎng)軸比、面積周長(zhǎng)比。

4 分析及討論

4.1 結(jié)果

數(shù)據(jù)經(jīng)歸一化處理后，對(duì)100個(gè)鮮茶葉圖像樣本集數(shù)據(jù)采用K-折交叉驗(yàn)證方法（K取值為10），分別應(yīng)用SVMKM、RF、NBC、Fisher、KNN和ELM算法進(jìn)行建模分類(lèi)識(shí)別[13]，得出識(shí)別結(jié)果，比較分析各分類(lèi)器的識(shí)別精度，并對(duì)顏色、形狀特征分別建模識(shí)別，對(duì)結(jié)果進(jìn)行比較分析，說(shuō)明其特征的有效性。

通過(guò)檢驗(yàn)，各分類(lèi)器的識(shí)別精度都最高，數(shù)據(jù)集的泛化能力也最強(qiáng)[14]。針對(duì)所得到的鮮茶葉圖像樣本數(shù)據(jù)的樣本小、種類(lèi)多等特點(diǎn)，通過(guò)6種分類(lèi)器從顏色、形狀特征識(shí)別中得出結(jié)果，結(jié)果（表4）表明，通過(guò)圖像處理方法，提取鮮茶葉片圖像的顏色、形狀特征[15]，建立分類(lèi)識(shí)別模型，能達(dá)到89.5%的識(shí)別精度。鮮茶葉葉片與茶樹(shù)品種存在對(duì)應(yīng)關(guān)系，利用圖像處理方法分類(lèi)識(shí)別不同品種鮮茶葉，同時(shí)也識(shí)別了鮮茶葉所屬的茶樹(shù)品種。

4.2 結(jié)論與討論

本研究采用圖像處理技術(shù)實(shí)現(xiàn)了茶葉顏色、形狀特征參數(shù)提取等功能，建立了茶葉品種識(shí)別模型，對(duì)不同茶葉進(jìn)行鑒別，預(yù)測(cè)準(zhǔn)確率達(dá)到了89.5%，表明圖像處理技術(shù)對(duì)識(shí)別茶葉品種是一種可行的方法。為了提高檢測(cè)的準(zhǔn)確性，可進(jìn)一步提取茶葉的紋理、分形特征等信息并加以判別，從而更精準(zhǔn)識(shí)別茶葉品種。

本研究利用圖像處理技術(shù)解決了茶葉品種識(shí)別問(wèn)題，且識(shí)別率較高、精確。根據(jù)目前圖像處理技術(shù)的發(fā)展及在諸多領(lǐng)域的應(yīng)用進(jìn)展，圖像處理技術(shù)在農(nóng)作物實(shí)時(shí)、無(wú)損、快速在線營(yíng)養(yǎng)檢測(cè)與病蟲(chóng)害防治方面有很長(zhǎng)遠(yuǎn)的發(fā)展前景[16]?，F(xiàn)今，食品安全問(wèn)題也日益突出，非破壞性無(wú)損檢測(cè)技術(shù)在農(nóng)作物營(yíng)養(yǎng)檢測(cè)與病蟲(chóng)害防治中越來(lái)越受到重視。隨著農(nóng)作物圖像處理技術(shù)發(fā)展，且分析處理能力逐漸提高，采用圖像處理技術(shù)與相關(guān)專(zhuān)家的見(jiàn)解相結(jié)合方法，可及時(shí)掌握作物營(yíng)養(yǎng)與病蟲(chóng)害信息，采取相應(yīng)措施，對(duì)農(nóng)作物生長(zhǎng)能起到良好的促進(jìn)作用[17]，食物安全問(wèn)題也能較好較快地解決。

參考文獻(xiàn)：

[1]汪 建，杜世平. 基于顏色和形狀的茶葉計(jì)算機(jī)識(shí)別研究[J]. 茶葉科學(xué)，2008，28（6）：420-424.

[2]楊福增，楊亮亮，田艷娜，等. 基于顏色和形狀特征的茶葉嫩芽識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（增刊1）：119-123.

[3]陸江鋒，單春芳，洪小龍，等. 基于數(shù)字圖像的茶葉形狀特征提取及不同茶葉鑒別研究[J]. 茶葉科學(xué)，2010，30（6）：453-457.

[4]唐 敏，劉 英，費(fèi)葉琦，等. 圖像處理技術(shù)在現(xiàn)代林果采摘中的應(yīng)用[J]. 林業(yè)機(jī)械與木工設(shè)備，2020，48（4）：4-7.

[5]張俊峰. 基于統(tǒng)計(jì)形狀特征的茶葉梗分離與識(shí)別[D]. 合肥：安徽大學(xué)，2012.

[6]陳怡群，常 春，肖宏儒，等. 人工神經(jīng)網(wǎng)絡(luò)技術(shù)在鮮茶葉分選中的應(yīng)用[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2010（7）：37-40，43.

[7]李清光，李曉鐘，周惠明. 茶葉品種與產(chǎn)地識(shí)別技術(shù)研究進(jìn)展[J]. 食品科學(xué)，2011，32（13）：341-344.

[8]陳全勝，趙杰文，蔡健榮，等. 支持向量機(jī)在機(jī)器視覺(jué)識(shí)別茶葉中的應(yīng)用研究[J]. 儀器儀表學(xué)報(bào)，2006，27（12）：1704-1706.

[9]Pandolfi C，Mugnai S，Azzarello E，et al. Artificial neural networks as a tool for plant identification：a case study on Vietnamese tea accessions[J]. Euphytica，2009，166（3）：411-421.

[10]Mugnai S，Pandolfi C，Azzarello E，et al. Camellia japonica L. genotypes identified by an artificial neural network based on phyllometric and fractal parameters[J]. Plant Systematics and Evolution，2008，270（1/2）：95-108.

[11]Pandolfi C，Messina G，Mugnai G，et al. Discrimination and identification of morphotypes of Banksia integrifolia （Proteaceae） by an Artificial Neural Network （ANN），based on morphological and fractal parameters of leaves and flowers[J]. Taxon， 2009，58（3）：925-933.

[12]李國(guó)正，王振曉，楊 杰，等. 基于SVM的特征篩選方法及其若干應(yīng)用[J]. 計(jì)算機(jī)與應(yīng)用化學(xué)，2002，19（6）：703-705.

[13]郭金鑫，陳 瑋. 基于HOG多特征融合與隨機(jī)森林的人臉識(shí)別[J]. 計(jì)算機(jī)科學(xué)，2013，40（10）：279-282，317.

[14]李錦衛(wèi). 基于計(jì)算機(jī)視覺(jué)的水稻、油菜葉色-氮營(yíng)養(yǎng)診斷機(jī)理與建模[D]. 長(zhǎng)沙：湖南農(nóng)業(yè)大學(xué)，2010.

[15]Pham B T，Prakash I. Evaluation and comparison of LogitBoost Ensemble，F(xiàn)ishers Linear Discriminant Analysis，logistic regression and support vector machines methods for landslide susceptibility mapping[J]. Geocarto International，2019，34（3）：316-333.

[16]刁智華，袁萬(wàn)賓，刁春迎，等. 病害特征在作物病害識(shí)別中的應(yīng)用研究綜述[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（5）：71-74.

[17]張 浩，李和平，葉 娟. 小麥籽粒外觀形態(tài)特征測(cè)定技術(shù)研究[J]. 糧食與飼料工業(yè)，2013（3）：7-9.