摘要[目的]解決水稻害蟲傳統(tǒng)識別方法的低時效性問題。[方法]采用數(shù)字圖像處理方法對水稻害蟲進(jìn)行圖像識別和分類，對水稻害蟲的蟲體面積、蟲體周長、偏心率、形狀參數(shù)、似圓度、葉狀性、球形性等幾何形狀特征進(jìn)行提取和研究，并采用支持向量機(jī)（SVM）分類器對水稻害蟲二化螟、三化螟、稻飛虱、卷葉螟進(jìn)行分類。[結(jié)果]利用所建立的6個特征判別函數(shù)對4種水稻害蟲進(jìn)行判別分類，識別率達(dá)到96.67%，說明這6個經(jīng)過篩選的特征具有很強(qiáng)的判別性。[結(jié)論]支持向量機(jī)分類器的識別方法很好地解決水稻害蟲傳統(tǒng)識別方法的低時效性問題。支持向量機(jī)以風(fēng)險最小化為原則，兼顧訓(xùn)練誤差與測試誤差的最小化，具體體現(xiàn)在分類模型的選擇和模型參數(shù)的選擇上。

關(guān)鍵詞圖像處理；特征提?。蛔R別分類

中圖分類號S126文獻(xiàn)標(biāo)識碼A文章編號0517-6611（2014）23-08043-03

作者簡介李文斌（1990- ），男，浙江溫州人，碩士研究生，研究方向：數(shù)字圖像處理。

收稿日期20140707水稻是我國最重要的糧食作物之一，因此提高水稻產(chǎn)量是當(dāng)前水稻生產(chǎn)的重要目標(biāo)。但是，由于生產(chǎn)設(shè)備和預(yù)防監(jiān)控措施落后，尤其是農(nóng)業(yè)生物災(zāi)害又頻頻發(fā)生，對水稻生產(chǎn)造成了非常嚴(yán)重的影響。近年來。水稻害蟲危害逐年加重。因此，害蟲準(zhǔn)確、及時地預(yù)測預(yù)報成為了水稻害蟲預(yù)防和治理的前提，而水稻害蟲預(yù)測預(yù)報的核心內(nèi)容就是圖像識別和分類。

然而，以往的水稻害蟲識別方法都是依靠人為完成，通過大量的工作人員實地考查水稻害蟲的形狀、顏色等外部特征進(jìn)行，需要較長的工作周期，并且實時性差，嚴(yán)重影響了水稻害蟲識別速度?；诖耍P者對水稻害蟲圖象自動識別技術(shù)進(jìn)行研究。

1系統(tǒng)流程

圖像自動識別技術(shù)包括兩個方面：水稻害蟲圖像幾何特征提取和圖像識別分類。圖像幾何特征反映了水稻害蟲的一些基本特征，合理的幾何特征便于更好地獲得有效的害蟲形態(tài)特征信息，進(jìn)而用于圖像識別分類。該研究通過對多種水稻害蟲的面積、周長、偏心率、形狀參數(shù)、似圓度、葉狀性、球形性等幾何形狀特征進(jìn)行了提取和研究，并采用支持向量機(jī)分類器（SVM）對多種水稻害蟲進(jìn)行了分類識別處理，解決了以往識別技術(shù)中時效性差的問題。系統(tǒng)流程圖如所示。

系統(tǒng)流程2圖像預(yù)處理

2.1圖像去噪及其灰度化基于ARM系統(tǒng)的COMS攝像頭獲得的圖像由于受到自身像素及其各種自然環(huán)境和拍攝角度的影響，往往圖片質(zhì)量會較差，從而給后面的識別工作帶來困難，因此，需要對水稻害蟲初始圖像進(jìn)行必要的預(yù)處理，以提高圖像質(zhì)量。為了提高圖像質(zhì)量，減少初始圖像中的噪聲，采取了圖像平滑處理來去除噪聲。常用的圖像平滑方法有均值濾波和中值濾波，該系統(tǒng)采用中值濾波的方法，這是因為在同等尺寸大小下，中值濾波具有更好的去噪能力和較低的模糊度[1]。

另一方面，通過COMS攝像頭獲取的圖像都是彩色圖像，然而彩色圖像包含較多的像素，因此會占用較大的計算時間，而圖像灰度化就是將彩色圖像轉(zhuǎn)換為灰度圖像的過程，這樣可以減少計算時間和減少內(nèi)存占用，所以在進(jìn)行圖像特征提取之前首先將圖像進(jìn)行灰度化處理，處理結(jié)果如所示。

2.2圖像灰度閾值變換處理在圖像識別中，對直接拍攝得到的圖像直接進(jìn)行分類是不科學(xué)的，這是因為沒經(jīng)過處理的圖像數(shù)據(jù)占用很大的存儲空間，如果直接進(jìn)行識別，則具有大量的計算量，降低效率；另外，直接拍攝得到的圖像有很多冗余的信息，如圖像的背景等一切與蟲體無關(guān)的信息量，因此，在提取水稻害蟲特征前必須先去除背景等無用信息，

原始圖像及處理后的灰度圖像突出蟲體有效信息。因此，采用灰度閾值變換處理，使得背景圖案和蟲體能夠很好地分離開來。

所謂灰度閾值變換就是將一幅灰度圖像轉(zhuǎn)換成黑白的二值圖像，設(shè)置一個灰度值，該灰度值起到分界線的作用。圖像中某像素的灰度值小于該灰度值，則將該像素的灰度值設(shè)置為0，否則設(shè)置為255，這個起到分界線作用的灰度值成為閾值。

在試驗中，得出將灰度閾值設(shè)置為180的時候的二值化圖像是最優(yōu)的，基本上完整地描繪出了整個昆蟲圖像的輪廓。當(dāng)設(shè)置為大于180的時候，圖像的輪廓會變得厚重圓滑，從而使得外形失真；當(dāng)灰度閾值小于180的時候，圖像輪廓會有不同程度缺失，會使得大量數(shù)據(jù)丟失。試驗結(jié)果如所示。

灰度圖像及處理后的二值化后圖像3圖像特征提取

對于人類視覺而言，人們通常利用水稻害蟲的物理結(jié)構(gòu)特征來進(jìn)行識別處理，但這些特征對于機(jī)器識別是具有很大難度的[2]。所謂特征提取就是從水稻害蟲中提取出可以把蟲體種類區(qū)分開來的并能被機(jī)器所直接使用的數(shù)據(jù)量。要對水稻害蟲進(jìn)行特征提取，首先要確定水稻害蟲有哪些蟲體特性參數(shù)。其次，要適當(dāng)?shù)剡x擇提取的特征參數(shù)，特征參數(shù)選擇的好壞直接影響到后面能否正確地識別出害蟲種類，因為有些蟲體原始特征對于分類器的識別分類影響不大。因此，需要從試驗的所有特征參數(shù)中挑選出效果最好的特征參數(shù)。該系統(tǒng)中，主要對水稻害蟲的面積、周長、偏心率、形狀參數(shù)、似圓度、葉狀性、球形性和孔洞數(shù)等形態(tài)學(xué)特征進(jìn)行識別分類[3]。

3.1蟲體面積蟲體面積是一個能直接區(qū)分蟲體種類的特征參數(shù)，直接關(guān)系到蟲體的形狀和大小，是用來描述水稻害蟲大小的基本特性，圖像蟲體面積表示該圖像中蟲體在一定范圍內(nèi)所占的像素點總數(shù)。蟲體面積表達(dá)式如下：

A=Mx=1My=1f（x，y）

3.2蟲體周長周長和面積一樣，是描述蟲體外圍形狀和輪廓的重要參數(shù)。水稻害蟲種類不同，它們的圖像所占區(qū)域的大小也相差很大；周長P=A-SUM（in），其中，A表示圖像區(qū)域面積，SUM（in）表示圖像的4鄰域范圍內(nèi)的像素總數(shù)。

3.3偏心率偏心率的表達(dá)式為E=p/q，是一個用來描述蟲體緊湊性的一個參數(shù)，它在一定程度上表示水稻害蟲的蟲體形狀，體型狹窄度。一般情況下，偏心率越大，則蟲體就越狹窄；偏心率越小，則蟲體外形就越寬大。

3.4形狀參數(shù)形狀參數(shù)的表達(dá)式為C=P3/4πA，該參數(shù)描述了蟲體所占圖像區(qū)域的緊湊性，形狀參數(shù)這一特征可以有效地識別那些蟲體受損的水稻害蟲。一般情況下，當(dāng)蟲體受損后，很難將其區(qū)分出來，而加入形狀參數(shù)后，這一缺陷得到了很好的改善。

3.5似圓度似圓度R=4A/πl(wèi)2，其中，A是圖像面積，L是圖像橫軸長度。似圓度描述了圖像形狀的問題，是一個相對參數(shù)，可以用來描述水稻害蟲的形態(tài)特征。

3.6葉狀性葉狀性反映水稻害蟲的邊界幅度變化特性，定義為：B=R1/W，式中，B為葉狀性參數(shù)，R1為區(qū)域重心到邊界的最短距離，W為圖像的橫軸長度。

3.7球形性球形性SP=Ri/Rc，其中，Ri和Rc分別表示目標(biāo)內(nèi)切圓和外切圓的半徑，兩個圓的圓心都在區(qū)域的重心上。

3.8孔洞數(shù)將水稻害蟲圖像區(qū)域中無用的小區(qū)域定義為孔洞，對小區(qū)域進(jìn)行標(biāo)記并計數(shù)實現(xiàn)孔洞數(shù)的計算。

4圖像特征提取結(jié)果分析

選取50幅二化螟圖像、50幅三化螟圖像、50幅稻飛虱圖像、50幅卷葉螟圖像，測得上述8個特征數(shù)據(jù)如所示。從可以看出，二化螟圖像面積在3種水稻害蟲中最大，周長也最大；而卷葉螟圖像偏心率最大，是卷葉螟體型狹長、細(xì)窄的體現(xiàn)；稻飛虱、二化螟和三化螟展翅寬度較大，反映為偏心率較小。葉狀性反映了目標(biāo)邊界的曲直變化頻率和幅度。在4種昆蟲中，卷葉螟圖像的葉狀性最大，是由于卷葉螟向外伸展使得圖像邊界幅度和方向變化很大，二化螟和稻飛虱的翅和體之間也有比較大的變化，其葉狀性小于卷葉螟而大于三化螟，根據(jù)似圓度，也可以判斷出卷葉螟似圓度最大。另一方面，根據(jù)球形性和孔洞數(shù)很難判斷出一個昆蟲的形狀特征和種類。

因此，運用逐個分析方法對上述特征進(jìn)行篩選，得到6個特征，分別為區(qū)域面積、偏心率、形狀參數(shù)、周長、似圓度、葉狀性，剔除了孔洞數(shù)特征以及球形性。利用所建立的6個特征判別函數(shù)對以上4種昆蟲進(jìn)行了判別分類，結(jié)果如所示，識別率達(dá)到96.67%，說明這6個經(jīng)過篩選的特征具有很強(qiáng)的判別性。

圖像特征提取結(jié)果水稻害蟲蟲體面積蟲體周長形狀參數(shù)似圓度葉狀性偏心率球形性孔洞數(shù)二化螟10 393.54768.824.690.370.008 460.440.1526.44三化螟5 196.72521.324.350.350.001 800.310.1126.12卷葉螟2 846.29415.647.651.040.146 001.640.1322.04稻飛虱4 351.63498.326.590.980.009 400.420.1725.02

5支持向量機(jī)（SVM）分類器的設(shè)計

一般情況下，傳統(tǒng)意義上的識別技術(shù)都是通過分類器對訓(xùn)練樣本的擬合情況進(jìn)行蟲體識別，利用最小化訓(xùn)練集上的分類器作為訓(xùn)練目標(biāo)，通過提供充足的樣本來提高分類器的識別率，然而，這個方法存在一個很嚴(yán)重的缺陷。當(dāng)樣本數(shù)量嚴(yán)重不足的時候，不能保證一個很好地分類了訓(xùn)練樣本的分類器也能夠很好地測試樣本，在缺乏代表性的小訓(xùn)練集情況下，一味地降低訓(xùn)練集上的分類錯誤就會導(dǎo)致過度擬合。

針對傳統(tǒng)識別模式中存在的缺點，采取支持向量機(jī)（SVM）分類器的識別方法，該方法很好地解決了這一問題。支持向量機(jī)以風(fēng)險最小化為原則，即兼顧訓(xùn)練誤差與測試誤差的最小化，具體體現(xiàn)在分類模型的選擇和模型參數(shù)的選擇上[4]。

該試驗中，將二化螟、三化螟、稻飛虱、卷葉螟4類水稻害蟲分別標(biāo)記為A、B、C、D 4類樣本，將這4類樣本兩類兩類地組成訓(xùn)練集，得到（A，B）、（A，C）、（A，D）、（B，C）、（B，D）、（C，D）。對于這4類樣本中的任意一類，就可以用相對應(yīng)的分類器來識別，像A類樣本，可以組合成（A，B）、（A，C）、（A，D）這3類分類器來對害蟲進(jìn)行分類識別，因此可以根據(jù)這些分類器的置信度來對這些二分器進(jìn)行可靠性排列。一般情況下，置信度高的分類器得到的結(jié)果可靠性就高，置信度低的分類器出現(xiàn)誤判斷的機(jī)會就比較大。蟲體識別判別過程如下所示。

第1步：對不同分類器的置信度大小進(jìn)行排列，依次為（A，C）、（A.B）、（A，D）、（B，D）、（C，D）、（B，C），并分別編號為第1類分類器、第2類分類器、第3類分類器、第4類分類器、第5類分類器、第6類分類器。

第2步：設(shè)被識別對象為未知昆蟲X，首先由第1類分類器進(jìn)行識別操作，根據(jù)第1類分類器的判別函數(shù)的結(jié)果來判斷。當(dāng)?shù)?類分類器的判別函數(shù)的結(jié)果為正數(shù)時，則結(jié)果為類型A，所有關(guān)于類型C的判別函數(shù)均被淘汰；若結(jié)果為負(fù)數(shù)時，則結(jié)果為C，所有關(guān)于類型A的判別函數(shù)都被淘汰；若判別函數(shù)的結(jié)果為0，則表示拒絕判斷，這時選用第2類分類器進(jìn)行識別；如果結(jié)果類型為C，則所剩判別函數(shù)為（B，D）、（C，D）、（B，C）。

第3步：被識別對象X再由第4類分類器進(jìn)行識別，若判別函數(shù)結(jié)果為正數(shù)，淘汰所有關(guān)于D類的判別函數(shù)，則所剩下的判別函數(shù)為第6類分類器（B，C）。

第4步：被識別的樣本在由第6類判別函數(shù)進(jìn)行識別，若得到結(jié)果為正數(shù)，則判定最終的分類器結(jié)果為B。

6分類識別結(jié)果

由可知，4種水稻害蟲的識別率分別為96%、94%、94%、90%。

4種水稻害蟲識別率

水稻害蟲識別數(shù)目識別率∥%二化螟4896三化螟4794稻飛虱4794卷葉螟4590注：參試水稻害蟲的數(shù)目均為50。

42卷23期李文斌水稻害蟲圖像識別技術(shù)研究7結(jié)論

該研究初步選擇8個水稻害蟲圖像特征，并根據(jù)試驗過程和結(jié)果挑選出6個具有實際判別意義的幾何特征，這些特征是相互獨立的，符合建立分類器要求特征之間具有相互獨立性的原則。該研究提取8種幾何形狀特征非常直觀并易于提取，能夠反映水稻害蟲特點，也能反映出昆蟲的體型結(jié)構(gòu)以及形態(tài)特征。但如何提取更多能夠直接反映昆蟲形態(tài)特征和鑒別特征的特征及其設(shè)計更有效的分類器是今后努力的方向，也是完善昆蟲數(shù)學(xué)形態(tài)學(xué)理論的重要步驟之一。