張雙德

摘要：針對(duì)糧蟲圖像的特殊性，提出了先利用小波變換對(duì)圖像進(jìn)行邊緣檢測(cè)后再進(jìn)行區(qū)域填充的圖像分割策略。結(jié)果表明，這種策略在糧蟲圖像分割中有較好的效果。

關(guān)鍵詞：儲(chǔ)糧害蟲；圖像分割；小波變換；區(qū)域填充

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2015）12-3015-03

DOI：10.14088/j.cnki.issn0439-8114.2015.12.056

Image Segmentation of Stored Grain Pests Based on Wavelet Transform

ZHANG Shuang-de

（Department of Electrical and Information Engineering，Wuhan Polytechnic University，Wuhan 430023，China）

Abstract： Aiming at the particularity of grain insect images， image edge detection for image segmentation strategy of area filling by using the wavelet transform was proposed. The results showed that this strategy has good effect in the grain insect image segmentation.

Key words： stored grain pest； image segmentation； wavelet transform； region filling

我國(guó)是最大的糧食生產(chǎn)國(guó)家，也是保存糧食、消費(fèi)糧食最大的國(guó)家。保證充足的儲(chǔ)糧量對(duì)于國(guó)家安全非常重要，做好糧食保存具有重要意義，應(yīng)引起相關(guān)部門的高度重視。近幾年，不論是儲(chǔ)糧害蟲的種類還是密度，都呈現(xiàn)出不斷上升的趨勢(shì)，害蟲數(shù)量不斷增加，對(duì)儲(chǔ)糧造成嚴(yán)重?fù)p壞，導(dǎo)致儲(chǔ)存糧食的損失在短時(shí)間內(nèi)急劇增大，必須及時(shí)采用行之有效的措施解決這一問(wèn)題。為達(dá)到防治害蟲的目的，必須正確預(yù)測(cè)害蟲的發(fā)展趨勢(shì)、數(shù)目、物種發(fā)展及其潛在危害。除此之外，針對(duì)可能出現(xiàn)的各種情況，采取針對(duì)性措施，制定相應(yīng)策略進(jìn)行評(píng)估，將儲(chǔ)糧損失降到最低。若繼續(xù)沿用以往的檢測(cè)方式，存在很多不足之處，我國(guó)已有的糧情檢測(cè)系統(tǒng)無(wú)法檢測(cè)食物中的害蟲，采用國(guó)外昆蟲聲音探測(cè)技術(shù)雖然能夠檢測(cè)害蟲，但無(wú)法預(yù)估害蟲總數(shù)，仍達(dá)不到防治害蟲的目的。

儲(chǔ)糧害蟲的在線檢測(cè)要求對(duì)獲得的圖像進(jìn)行分割，以便特征提取和識(shí)別。圖像分割方法很多[1]，從分割所依據(jù)的手段出發(fā)，可以分為閾值法[2]、邊緣檢測(cè)法[3]、區(qū)域法等；按照算法本身來(lái)分，可以分為模板匹配、跟蹤法、紋理匹配法、聚類法等。另外人的視覺(jué)系統(tǒng)對(duì)圖像相當(dāng)有效，但其原理和模型到目前還沒(méi)有搞清楚。其中基于邊緣檢測(cè)算法的關(guān)鍵是要通過(guò)某種算法精確地找到區(qū)域的邊緣，然后再用區(qū)域填充算法最后得到分割結(jié)果。這種分割算法的關(guān)鍵是邊緣檢測(cè)算法的準(zhǔn)確度，而經(jīng)典的邊緣檢測(cè)算子如Roberts、Sobel、Prewitt、Kirsch、Canny、Log等[4]在實(shí)際應(yīng)用中常常不能滿足要求。

1 糧蟲圖像的小波變換邊緣檢測(cè)

1.1 小波變換的基本原理

由于糧蟲圖像一般用二維平面圖像表示，因此用二維連續(xù)小波變換來(lái)分析是比較合適的，設(shè)圖像信號(hào)是一個(gè)二維函數(shù)，則它的連續(xù)小波變換為[5，6]：

Wf=（a，bx，by）=■■f（x，y）？漬a，bx，by（x，y）

二維連續(xù)小波逆變換為：

其中，？漬a，bx，by（x，y）=a■？漬（■■）是一個(gè)二維基本小波f（x，y）=■■■■Wf（a，bx，by）？漬a，bx，by（x，y）dbxdbyda。若函數(shù)f（x）∈R在某處間斷或某階導(dǎo)數(shù)不連續(xù)，則稱該函數(shù)在此處有奇異性；若函數(shù)f（x）在其定義域有無(wú)限次導(dǎo)數(shù)，則稱f（x）是光滑的或沒(méi)有奇異性。一個(gè)突變的信號(hào)在其突變點(diǎn)必然是奇異的，檢測(cè)和識(shí)別信號(hào)的突變點(diǎn)并用奇異性指數(shù)Lipschitz來(lái)刻劃，這個(gè)就是信號(hào)的奇異性檢測(cè)理論[7]。

設(shè)0≤？琢≤1，在點(diǎn)x0若存在常數(shù)K對(duì)x0的鄰域使得下式成立

f（x）-f（x0）≤Kx-x0

則稱函數(shù)f（x）在點(diǎn)x0是Lipschitz。如果？琢=1，則函數(shù)f（x）在點(diǎn)x0是可微的；如果？琢=0，則函數(shù)f（x）在點(diǎn)x0間斷。？琢越大，說(shuō)明奇異函數(shù)f（x）越接近規(guī)則；？琢越小，說(shuō)明奇異函數(shù)f（x）在點(diǎn)x0變化越尖銳。函數(shù)（或信號(hào)）的奇異性可用其Lipschitz（？琢）來(lái)刻劃，其數(shù)值可以通過(guò)小波變換模極大值在不同尺度的數(shù)值計(jì)算出來(lái)。當(dāng)小波函數(shù)可看作某一平滑函數(shù)的一階導(dǎo)數(shù)時(shí)，信號(hào)小波變換模的局部極值點(diǎn)對(duì)應(yīng)于信號(hào)的突變點(diǎn)（或邊緣）；當(dāng)小波函數(shù)可看作某一平滑函數(shù)的二階導(dǎo)數(shù)時(shí)，信號(hào)小波變換模的過(guò)零點(diǎn)，也對(duì)應(yīng)于信號(hào)的突變點(diǎn)（或邊緣）。因此，采用檢測(cè)小波變換系數(shù)的過(guò)零點(diǎn)和局部極值點(diǎn)的方法，可以檢測(cè)信號(hào)的邊緣位置。兩者相比較，用局部極值點(diǎn)進(jìn)行檢測(cè)更具優(yōu)越性。

1.2 圖像的邊緣檢測(cè)

一個(gè)平面圖像可以看作一個(gè)二維的數(shù)據(jù)， 同樣對(duì)圖像進(jìn)行邊緣提取也是在二維空間上進(jìn)行的。二維小波變換與二維離散傅立葉變換一樣， 可以將其分解為兩個(gè)一維的變換，因此可先進(jìn)行一維行小波變換（或一維行列小波變換），再進(jìn)行一維列小波變換（或一維行小波變換）。小波變換的多尺度相關(guān)檢測(cè)法用于檢測(cè)圖像邊緣的算法：①對(duì)數(shù)字圖像的每一行進(jìn)行一維行小波變換；②對(duì)①進(jìn)行一維數(shù)據(jù)的邊緣進(jìn)行提??；③對(duì)數(shù)字圖像的每一列進(jìn)行一維列小波變換；④對(duì)③進(jìn)行一維數(shù)據(jù)的邊緣進(jìn)行提??；⑤將行、列兩次小波變換分別得到的像素點(diǎn)確定為圖像的邊緣點(diǎn)， 否則不是圖像的邊緣點(diǎn)， 從而確定圖像的邊緣；⑥將邊緣像素點(diǎn)的灰度值置為1（即白色），非邊緣像素點(diǎn)的灰度值置為0。

2 糧蟲圖像區(qū)域填充基本步驟

糧蟲圖像常常有多個(gè)閉合的區(qū)域，如圖1所示，其中區(qū)域Ⅰ和Ⅱ都是待填充區(qū)域。區(qū)域填充的基本步驟如下：

1）先將大小為的糧蟲圖像采用小波變換的方法檢測(cè)其邊緣；

2）假定在圖像上有一個(gè)動(dòng)點(diǎn)在從左到右水平運(yùn)動(dòng)，奇數(shù)次遇到邊緣（如點(diǎn)A、點(diǎn)C）那么此后的點(diǎn)都是內(nèi)部區(qū)域灰度值置為1，偶數(shù)次遇到邊緣（如點(diǎn)B、點(diǎn)D）那么此后的點(diǎn)都是外部區(qū)域灰度值置為0；

3）重復(fù)步驟②直到完成所有填充為止。

3 結(jié)果與分析

圖1～圖7分別是原始圖像和基于Canny算子、Prewitt算子、Robert算子和Sobel算子以及小波變換的圖像分割，這些算法都具有噪音和模糊的邊緣提取。從圖2～圖6可以看到，圖像邊緣的連續(xù)性明顯欠缺，邊緣呈現(xiàn)斷斷續(xù)續(xù)狀，而基于小波變換檢測(cè)分析得到的圖7邊緣的連續(xù)性明顯提高，特別是在圖像填充后，優(yōu)勢(shì)更為明顯，如圖8、圖9中可以很容易判斷糧蟲的存在。

4 小結(jié)

在線害蟲檢測(cè)方法是根據(jù)條件來(lái)預(yù)測(cè)儲(chǔ)量害蟲的發(fā)展趨勢(shì)。根據(jù)小波變換檢測(cè)分析，達(dá)到圖像來(lái)分割檢測(cè)儲(chǔ)糧害蟲圖像的目的。研究表明，該算法非常簡(jiǎn)單、效率非常高，為儲(chǔ)糧害蟲模式識(shí)別的后續(xù)特征提取打下了良好的基礎(chǔ)，簡(jiǎn)化后續(xù)研究，效率顯著提升。

參考文獻(xiàn)：

[1] 陳廷標(biāo)，夏良正.數(shù)字圖像處理技術(shù)[M].北京：人民郵電出版社，1990.

[2] 陳書海，傅錄祥.實(shí)用數(shù)字圖像處理[M].北京：科學(xué)出版社，2005.

[3] 姚 敏.數(shù)字圖像處理[M].杭州：浙江大學(xué)出版社，2006.226-232.

[4] RAFAEL C，GONZALEZ，RICHARD E.數(shù)字圖像處理[M].第二版. 北京：電子工業(yè)出版社，2007.469-474.

[5] 成禮智，王 紅，霞羅永.小波的理論與應(yīng)用[M].北京：科學(xué)出版社，2005.55-64.

[6] 周 龍，牟 懌.二維小波變換在糧蟲圖像處理中的應(yīng)用[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2007（35）：24-27.

[7] 王利輝.小波變換在圖像邊緣檢測(cè)中的應(yīng)用[J].天津工程師范學(xué)院學(xué)報(bào)，2007（3）：17-20.