肖志云 劉 洪

(內(nèi)蒙古工業(yè)大學(xué)電力學(xué)院， 呼和浩特 010080)

小波域馬鈴薯典型蟲害圖像特征選擇與識別

肖志云 劉 洪

(內(nèi)蒙古工業(yè)大學(xué)電力學(xué)院， 呼和浩特 010080)

為準確、快速地識別馬鈴薯典型蟲害，提出了一種基于小波域的馬鈴薯典型蟲害特征提取與識別方法。該方法以自然環(huán)境下的馬鈴薯蟲害分割圖像為對象，提取小波域高斯空間模型的高頻協(xié)方差陣特征值與低頻低階矩(HELM)的12個不變紋理特征、空間域Hu不變矩的4個形狀特征，進行支持向量機(SVM)的蟲害分類識別。通過對8類典型蟲害的識別，試驗結(jié)果表明：在SVM識別方法下，本文HELM特征提取方法，相比傳統(tǒng)紋理特征提取方法，在特征計算量不增加的同時，平均識別率至少提高了17個百分點；在HELM特征與Hu矩特征下，本文SVM的運行時間為0.481 s，比人工神經(jīng)網(wǎng)絡(luò)快了近2 s，平均識別率為97.5%，比人工神經(jīng)網(wǎng)絡(luò)、貝葉斯分類器識別率提高了至少6個百分點，有明顯的識別優(yōu)勢。

馬鈴薯蟲害； 小波域； 高斯空間模型； 特征選擇； 圖像識別； 支持向量機

引言

近幾年中國馬鈴薯種植面積逐年增加，馬鈴薯已經(jīng)成為重要的糧食兼用作物[1]。我國馬鈴薯種植廣泛，內(nèi)蒙古地處北緯37°～54°之間，是馬鈴薯天然優(yōu)勢生產(chǎn)區(qū)。中部陰山沿麓的烏蘭察布市，馬鈴薯種植面積占全區(qū)40%左右，享有中國“薯都”之稱。然而，由于種植環(huán)境復(fù)雜多變，馬鈴薯在生長過程中，極易受到多種蟲害的影響。目前，蟲害監(jiān)測、分類與統(tǒng)計主要由人工完成，勞動強度大、人力成本高、工作效率低。這樣一來，蟲害就不能及時預(yù)防與處理，導(dǎo)致馬鈴薯減產(chǎn)，經(jīng)濟受損。因此，實時監(jiān)測馬鈴薯生長狀況，并準確快速識別蟲害類別成為迫切需求[2]。

隨著計算機技術(shù)和農(nóng)業(yè)信息化發(fā)展，國內(nèi)外學(xué)者運用機器視覺技術(shù)，在農(nóng)作物蟲害識別方面進行了大量的研究。VANHARA等[3]基于神經(jīng)網(wǎng)絡(luò)分類器，利用16個形態(tài)學(xué)特征識別了5種寄生蠅昆蟲，識別率在88%以上。LARIOS等[4]開發(fā)了一種石蠅自動分類系統(tǒng)，該系統(tǒng)利用3種局部特征檢測方法檢測目標特征點，通過分析比較，選擇SIFT方法[5]檢測到的特征，對Calineuria、Doroneuria、Hesperoperla和Yoraperla 4種石蠅進行分類，準確率達82%。鄒修國等[6]提取稻飛虱的7個Krawtchouk矩，進行BP神經(jīng)網(wǎng)絡(luò)分類，其識別率達到91.7%。VENUGOBAN等[7]提取水稻蟲害HOG[8]與SURF[9]大量關(guān)鍵點，進行SVM分類，識別率約為90%。韓瑞珍[10]提取田間害蟲顏色、形態(tài)、紋理等35個底層視覺特征，通過蟻群算法降維到29個，SVM識別率提高到89.5%。謝成軍等[11]采用稀疏編碼與空間金字塔相結(jié)合的特征提取方法，進行35種大田蟲害的SVM分類，相比顏色直方圖、LBP紋理、形狀特征提取方法，識別率均提高了9%以上。

但是，國內(nèi)外病蟲害自動檢測與識別技術(shù)還處于發(fā)展階段，多數(shù)研究的蟲害識別精度與速度不能兼顧。因此，本文將采用自然環(huán)境下的馬鈴薯蟲害圖像，利用二維Otsu法與形態(tài)學(xué)方法分離背景與蟲害，提取蟲害圖像小波域HELM紋理特征與空間域Hu矩形狀特征，進行SVM蟲害分類，進而提高馬鈴薯蟲害識別精度。

1 材料與方法

1.1 馬鈴薯典型蟲害類型

本文在自然環(huán)境條件下，固定鏡頭采集210幅馬鈴薯蟲害圖像，并對采集的圖像進行處理，分辨率統(tǒng)一為200像素×220像素。馬鈴薯典型蟲害類別數(shù)量為8，在每類樣本中，蟲害目標有大有小，朝向、位置、姿態(tài)不同，顏色與背景也有差異。8類馬鈴薯蟲害分別為大甲蟲、地老虎、28星瓢蟲、金針蟲、馬鈴薯塊莖蛾、溫室白粉虱、蚜蟲、螻蛄，其形態(tài)如圖1所示。從圖1中可以看出，地老虎與28星瓢蟲、馬鈴薯塊莖蛾與螻蛄顏色相近；大甲蟲與28星瓢蟲、地老虎與金針蟲形狀相似。

1.2 基于二維Otsu與形態(tài)學(xué)的蟲害圖像分割

為準確地提取目標特征，保證目標識別的可靠性，需要最大限度地減少無關(guān)的信息。自然環(huán)境中采集的蟲害圖像，通常會受到一定程度的噪聲干擾，加上圖像背景的復(fù)雜性，要提取清晰而準確的目標，需要進行濾波、目標與背景分離等操作。

根據(jù)蟲害圖像的特點，本文采用圖2所示流程進行蟲害圖像分割。首先，將蟲害圖像變換到HSI顏色空間，對I通道進行中值濾波，可取得較好的清晰效果。其次，將濾波圖像變換到Lab顏色空間，對a通道進行二維Otsu法分割[12]，可有效抵抗干擾，正確分割。然后，利用形態(tài)學(xué)算法對分割圖像進行處理，可分離出目標。最后，利用蟲害分離二值圖像與RGB原彩色圖像級聯(lián)，可提取蟲害目標。

圖1 馬鈴薯典型蟲害類型Fig.1 Types of potato typical insect pests

圖2 蟲害圖像分割流程
Fig.2 Segmentation process of insect pest images

如圖3所示，由部分蟲害分割結(jié)果可以看出，由于蟲害目標與背景顏色具有相似性，蟲害目標邊緣存在分割不足與分割過多情況。但是，蟲害目標的大部分區(qū)域被分割出來，其效果較好，可作為馬鈴薯蟲害特征提取的目標。

圖3 部分蟲害分割結(jié)果Fig.3 Segmentation results of partial insect pests

1.3 馬鈴薯蟲害圖像特征提取

針對以上蟲害分割圖像，本文可提取蟲害目標的紋理、顏色與形狀特征，進而根據(jù)特征的識別率，選擇合適的蟲害特征。

1.3.1小波域紋理特征提取

紋理是人類識別物體的重要特征，它體現(xiàn)了物體局部的分布規(guī)律[13]。目前，紋理特征提取方法主要有統(tǒng)計方法、模型方法、結(jié)構(gòu)方法和信號處理方法[14]。但是，這些方法一方面利用少量特征無法很好地刻畫物體，識別率偏低。另一方面，為了追求高識別率，增大特征維度，極大地增加了計算復(fù)雜度。基于此，本文提出了一種小波域HELM特征提取方法。

如圖4所示，蟲害灰度圖像經(jīng)小波多尺度分解得到低頻與高頻部分。低頻部分表達圖像主要信息，高頻部分刻畫了水平、垂直、對角細節(jié)信息。分解后，高頻子帶之間存在相關(guān)性[15]，且3個子帶系數(shù)都近似服從高斯概率分布，可建立一個三維變量的高斯概率空間

(1)

其中

(2)

式中d——空間變量維數(shù)，取為3x——高頻子帶變量，即x=(xh,xv,xd)μ——均值向量，即μ=(μh,μv,μd)Σ——協(xié)方差矩陣m、n——圖像的高度、寬度

均值向量計算公式為

(3)

式中xs——子帶變量

協(xié)方差矩陣通常表示為

(4)

圖4 蟲害圖像小波分解結(jié)果Fig.4 Wavelet decomposition results of insect pest images

其中

(5)

(6)

(7)

(8)

假設(shè)協(xié)方差特征值為λk，k∈(h,v,d)，則λk可通過齊次線性方程組進行求解

(Σ-λkI)y=0

(9)

式中I——3×3單位矩陣y——3×1高頻子帶特征向量

求解齊次方程的解可以轉(zhuǎn)換為求行列式的解

(10)

利用式(9)或式(10)可求得協(xié)方差陣特征值，并將其作為高頻特征?？梢宰C明，這種高頻特征具有平移、旋轉(zhuǎn)等不變性。

同一個目標的不同位置、朝向等可能會改變協(xié)方差陣，但協(xié)方差陣之間是相似的。假設(shè)協(xié)方差陣Σ1與Σ2相似，則一定存在非奇異矩陣P、Q，對角陣Λ，使得

(11)

其中

(12)

式(11)表明，相似矩陣之間可通過矩陣變換相互表示，又可以通過線性變換成為對角陣。這說明目標盡管存在位置、朝向等不同，但協(xié)方差陣特征值是保持近似相等的。因此，本文將協(xié)方差陣特征值作為高頻特征，在一定位置、朝向等變化范圍內(nèi)具有近似不變性。

本文除了提取協(xié)方差陣特征值的高頻特征HE外，還需要提取低頻圖像的均值、方差、三階矩的不變特征LM，共同組合成HELM紋理特征。

1.3.2空間域顏色與形狀特征提取

HSV顏色模型[16]是人們從調(diào)色板或顏色輪中挑選出來的彩色模型之一，它比RGB更接近于人們的經(jīng)驗以及對色彩的感知。因此，利用HSV顏色模型，提取蟲害目標區(qū)域H、S、V分量的均值、方差、三階矩作為顏色特征。

形狀是人類感知目標的一個重要參數(shù)，形態(tài)特征通過數(shù)學(xué)描述的方法來刻畫事物。常用的描述符有點描述符、邊界描述符與區(qū)域描述符[17]。根據(jù)蟲害特點，本文提取分割二值圖像目標區(qū)域的面積、周長、緊湊度幾何量以及Hu不變矩區(qū)域描述符，作為形狀特征。

1.4 馬鈴薯蟲害圖像識別

SVM模式識別方法，是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的學(xué)習(xí)算法[18]，它可以較好地解決小樣本、非線性、高維數(shù)的分類問題，并且具有良好的推廣和泛化能力。因此，本文采用SVM分類器作為馬鈴薯典型蟲害識別模型。

假設(shè)(xi,yi)是由2個類別組成的訓(xùn)練樣本集，其中xi為第i個輸入樣本，yi是第i個輸出類別。若xi∈RD為第1類，yi=1；若xi∈RD為第2類，yi=-1。

現(xiàn)需一個決策函數(shù)盡可能地將這些數(shù)據(jù)正確地分成2類，假設(shè)存在1個D維超平面

ω·x+b=0

(13)

使得訓(xùn)練集為線性可分，即

(14)

式中ω·xi——D維行向量與D維輸入列向量內(nèi)積b——偏置

(15)

式中ζi——非負松弛因子C——錯誤代價系數(shù)

對式(15)引入拉格朗日乘數(shù)αi、βi，可轉(zhuǎn)換為

(16)

對以上分量求導(dǎo)并考慮非線性映射，得到?jīng)Q策函數(shù)為

(17)

若k(xi,x)=xi·x，則h(x)就退化為線性映射決策函數(shù)；若k(xi,x)≠xi·x，則h(x)為非線性映射決策函數(shù)，決策面為最優(yōu)超曲面。

核函數(shù)常用類型有線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)[19]、Sigmoid核函數(shù)等。徑向基核函數(shù)沿徑向?qū)ΨQ，相比多項式核函數(shù)參數(shù)少，相比Sigmoid核函數(shù)正確率高，可很好地解決樣本與類標簽之間的非線性問題。因此，對于馬鈴薯典型蟲害樣本，選擇徑向基核函數(shù)作為本文識別模型的核函數(shù)。

2 馬鈴薯典型蟲害圖像特征識別結(jié)果

對馬鈴薯典型蟲害識別進行仿真，所選軟件平臺為Matlab 2012、Windows 7；硬件平臺為計算機，Intel(R)Core(TM)i3主頻為3.3 GHz的處理器。試驗訓(xùn)練集與測試集的數(shù)量都為105，分類數(shù)量為8，采用交叉驗證方式進行20次隨機SVM模式識別，求取平均識別率。其中，SVM采用一對一投票策略[20]，設(shè)置徑向基核函數(shù)參數(shù)σ=0.012 5，錯誤代價系數(shù)C=60，松弛系數(shù)ζ=0.001。

2.1 馬鈴薯典型蟲害圖像特征選擇

通過馬鈴薯典型蟲害分割圖像，提取蟲害目標紋理、顏色、形狀特征。對于紋理，利用sym8小波進行蟲害灰度圖像分解，可提取多尺度HELM特征。對于顏色，提取目標區(qū)域HSV顏色模型中H、S、V分量的均值、方差、三階矩。對于形狀，提取目標區(qū)域的面積(A)、周長(P)、緊湊度(C)幾何量以及Hu不變矩(H1～H7)，其特征識別效果如表1所示。

表1中，HEa～b+LMc～d表示小波分解第a層到b層高頻協(xié)方差陣特征值與第c層到d層低頻低階矩?？梢钥闯觯S著分解尺度加深，HELM特征可取得較高識別率，但維度較大，計算復(fù)雜度大大增加。通過比較與分析，第1層低頻低階矩刻畫蟲害的能力最強，第2層與第3層分解的HELM特征識別率上升最快。因此，本文選擇HE1～3+LM1特征，即3層小波分解的高頻協(xié)方差特征值與第1層分解的低頻低階矩，作為蟲害的12個HELM紋理特征，不僅冗余信息相對較少，特征維度較少，而且識別率為92.3%。同樣可以發(fā)現(xiàn)，表1中顏色特征刻畫蟲害能力不強，其原因在于馬鈴薯蟲害樣本中，同類蟲害顏色有差異，不同類蟲害顏色相似較多。幾何形狀特征刻畫能力不強，其原因在于同類蟲害目標有大有小，姿態(tài)、朝向有差異。Hu不變矩表征蟲害圖像的全局不變特性，由于7個Hu不變矩并不是正交分量，存在相關(guān)性，經(jīng)比較與分析，選擇H1、H2、H3、H6分量矩作為蟲害的4個形狀特征。12個HELM特征組合4個Hu矩特征，其SVM識別率為97.5%，相比22個HSV、Hu與HELM組合特征的95.4%，不僅識別率高，而且特征維度低。

通過顏色、形狀、紋理特征識別率比較，本文選擇12個HELM紋理特征與4個Hu分量矩形狀特征，并結(jié)合SVM分類器，具有一定的識別優(yōu)勢。

表1 馬鈴薯典型蟲害圖像特征選擇Tab.1 Features selection of potato typical insect pest images

2.2 馬鈴薯典型蟲害特征與識別比較

為驗證本文HELM特征提取的有效性，試驗還提取了傳統(tǒng)小波域單尺度低頻低階矩(SLM)、多尺度低頻低階矩(MLM)、多尺度高頻低階矩與低頻低階矩[21](HMLM)、低頻LBP特征與空間域LBP[22]、PCA[23]、基于灰度共生矩陣的紋理特征[24](GLCM)進行SVM識別，其特征比較結(jié)果如表2所示。為驗證本文算法識別的有效性，試驗還利用16個蟲害特征進行人工神經(jīng)網(wǎng)絡(luò)(ANN)、貝葉斯(Bayes)模式識別。ANN為3層BP網(wǎng)絡(luò)結(jié)構(gòu)[25]，輸入層節(jié)點數(shù)16個，隱含層節(jié)點數(shù)12個，輸出層節(jié)點數(shù)8個，隱含層傳遞函數(shù)采用Sigmoid型[26]。Bayes[27]采用Parzon高斯窗函數(shù)[28]，窗寬度為0.1。其識別比較結(jié)果如表3所示。

表2 馬鈴薯典型蟲害特征比較結(jié)果Tab.2 Comparison results of potato typical insect pest features

表3 馬鈴薯典型蟲害識別率比較結(jié)果Tab.3 Comparison results of potato typical insect pest recognition %

表2中，SLM取每層分解低頻圖像的均值、方差與三階矩的低階矩，MLM在SLM基礎(chǔ)上取多尺度低階矩，HMLM又在MLM基礎(chǔ)上考慮了高頻低階矩。小波域LBP81、LBP82取低頻圖像LBP(8,1)、LBP(8,2)紋理特征，其中(8,1)、(8,2)表示半徑為1、2的8圓鄰域。空間域LBP81、LBP82表示利用灰度級空間關(guān)系的LBP(8,1)、LBP(8,2)紋理特征，PCA表示基于灰度級數(shù)進行降維的主分量紋理特征，GLCM表示基于灰度共生矩陣的0°、45°、90°方向上能量、慣性、熵、相關(guān)性紋理特征。通過比較，本文特征識別運行時間為11.70 s，平均識別率為92.3%，相比傳統(tǒng)小波域、空間域紋理特征，時間復(fù)雜度不大，平均識別率至少提高了17個百分點。

表3中，ANN對蚜蟲、馬鈴薯塊莖蛾等識別效果較差；Bayes對溫室白粉虱、28星瓢蟲等識別效果較差。然而，本文算法對每類蟲害樣本的識別率都在94.2%以上，總體樣本識別率為97.5%，相較于ANN、Bayes識別率提高了至少6個百分點。同時，本文算法的運行時間為0.481 s，稍慢于Bayes的0.211 s，但比ANN的2.480 s快了近2 s。

比較試驗可以得出，本文特征識別率相比傳統(tǒng)紋理特征高；本文算法運行時間相比ANN短，識別率相比ANN、Bayes高。

3 結(jié)論

(1)自然環(huán)境中的圖像經(jīng)中值濾波、二維Otsu法與形態(tài)學(xué)分割后，提取出蟲害目標，可為蟲害特征提取奠定基礎(chǔ)。

(2)蟲害分割圖像進行小波分解，提取多尺度不變HELM紋理特征，可在一定程度上克服目標平移、旋轉(zhuǎn)等問題。

(3)通過比較傳統(tǒng)紋理特征的識別速度與精度，發(fā)現(xiàn)本文HELM特征在計算量不大的情況下，平均識別率至少提高了17個百分點。

(4)HELM紋理特征與Hu矩形狀特征進行模式識別，本文算法的運行時間為0.481 s，比ANN縮減了近2 s；平均識別率為97.5%，相比ANN的91.5%、Bayes的90.7%，優(yōu)勢明顯，可準確、快速地識別馬鈴薯典型蟲害。

1 呂金慶，尚琴琴，楊穎，等．馬鈴薯殺秧機設(shè)計優(yōu)化與試驗[J/OL]．農(nóng)業(yè)機械學(xué)報，2016，47(5)：106-114. http:∥www.j-csam.org/jcsam/ch/reader/ view_abstract.aspx?flag=1&file_no=20160515&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2016.05.015. LV Jinqing, SHANG Qinqin, YANG Ying, et al. Design optimization and experiment on potato haulm cutter[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(5): 106-114. (in Chinese)

2 胡秋霞．基于圖像分析的植物葉部病害識別方法研究[D]．楊凌：西北農(nóng)林科技大學(xué)，2013． HU Qiuxia. Plant leaf disease recognition based on image analysis[D]. Yangling: Northwest A&F University, 2013. (in Chinese)

3 VANHARA J, MURARIKOVA N, MALENOVSKY I, et al. Artificial neural networks for fly identification: a case study from the generaTachinaandEctophasia(Diptera,Tachinidae)[J]. Biologia, 2007,62(4): 462-469.

4 LARIOS N, DENG H, ZHANG W, et al. Automated insect identification through concatenated histograms of local appearance features: feature vector generation and region detection for deformable objects[J]. Machine Vision and Applications, 2008, 19(2): 105-123.

5 LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004,60(2): 91-110.

6 鄒修國，丁為民，劉德營，等．基于4種不變矩和BP神經(jīng)網(wǎng)絡(luò)的稻飛虱分類[J]．農(nóng)業(yè)工程學(xué)報，2013，29(18)：171-178． ZOU Xiuguo, DING Weimin, LIU Deying, et al. Classification of rice planthopper based on invariant moments and BP neural network[J].Transactions of the CSAE, 2013, 29(18): 171-178. (in Chinese )

7 VENUGOBAN K, RAMANAN A. Image classification of paddy field insect pests using gradient-based features[J]. International Journal of Machine Learning & Computing, 2014, 4(1): 1-5.

8 HUANG Y, YANG H, HUANG P. Action recognition using HOG feature in different resolution video sequences[C]∥International Conference on Computer Distributed Control and Intelligent Enviromental Monitoring, 2012: 85-88.

9 HAN T, ZHAO Y, LIU S. Spatially constrained SURF feature point matching for UAV images[J]. Journal of Image & Graphics, 2013, 18(6): 669-676.

10 韓瑞珍．基于機器視覺的農(nóng)田害蟲快速檢測與識別研究[D]．杭州：浙江大學(xué)，2014． HAN Ruizhen. Reserch on detection and identification of field pests based on machine vision[D]. Hangzhou: Zhejiang University, 2014. (in Chinese)

11 謝成軍，李瑞，董偉，等．基于稀疏編碼金字塔模型的農(nóng)田害蟲圖像識別[J]．農(nóng)業(yè)工程學(xué)報，2016，32(17)：144-151． XIE Chengjun, LI Rui, DONG Wei, et al. Recognition for insects via spatial pyramid model using sparse coding[J].Transactions of the CSAE, 2016, 32(17): 144-151. (in Chinese)

12 薛延學(xué)，劉敏，馬思欣，等．復(fù)雜背景下基于二維OTSU和膚色分割結(jié)合的掌紋圖像分割方法[J]．西安理工大學(xué)學(xué)報, 2015，31(3)：353-359． XUE Yanxue, LIU Min, MA Sixin, et al. Palmprint image segmentation in complex background based on 2-D OTSU and skin color segmentation[J]. Journal of Xi’an University of Technology,2015,31(3):353-359. (in Chinese)

13 戴金波．基于視覺信息的圖像特征提取算法研究[D]．長春：吉林大學(xué)，2013． DAI Jinbo.Algorithms of feature extraction based on visual information[D].Changchun:Jilin University,2013. (in Chinese)

14 劉麗， 匡綱要．圖像紋理特征提取方法綜述[J]．中國圖像圖形學(xué)報，2009，14(4)：622-635．

15 ANBARJAFARI G, DEMIREL H. Image super resolution based on interpolation of wavelet domain high frequency subbands and the spatial domain input image[J]. ETRI Journal, 2010, 32(3): 390-394.

16 畢智健，張若宇，齊妍杰，等．基于機器視覺的番茄成熟度顏色判別[J]．食品與機械，2016，32(12)：133-136．

17 鄭寇全，楊文靜，張繼周，等．基于ZM相特征描述符的圖像配準方法[J]．計算機應(yīng)用研究，2017，34(1)：279-282． ZHENG Kouquan, YANG Wenjing, ZHANG Jizhou, et al. Method of image vegistration based on ZM phase feature description[J]. Application Reserch of Computers,2017,34(1):279-282. (in Chinese)

18 范昕煒．支持向量機算法的研究及其應(yīng)用[D]．杭州：浙江大學(xué)，2003． FAN Xinwei. Support vector machine and its application[D]. Hangzhou:Zhejiang University,2003. (in Chinese)

19 ABDILLAH A A, SUWARNO. Diagnosis of diabetes using support vector machines with radial basis function kernels[J]. Electrical, Electronics and Computer Engineering,2016, 7(5): 849-858.

20 GALAR M, FERNANDEZ A, BARRENECHEA E, et al. DRCW-OVO: distance-based relative competence weighting combination for One-vs-One strategy in multi-class problems[J]. Pattern Recognition, 2015, 48(1): 28-42.

21 ACHIM A M, CANAGARAJAH C N, BULL D R. Complex wavelet domain image fusion based on fractional lower order moments[C]∥International Conference on Information Fusion, IEEE, 2005: 1-7.

22 趙凱旋，李國強，何東?。跈C器學(xué)習(xí)的奶牛深度圖像身體區(qū)域精細分割方法[J/OL]．農(nóng)業(yè)機械學(xué)報，2017，48(4)：173-179．http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170423&journal_id=jcsam. DIO:10.6041/j.issn.1000-1298.2017.04.023. ZHAO Kaixuan, LI Guoqiang, HE Dongjian. Fine segment method of cows' body parts in depth images based on machine learning[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(4): 173-179. (in Chinese)

23 陸光，滿慶麗．林木害蟲天牛的圖像檢索方法研究[J]．森林工程，2013，29(3)：71-75． LU Guang, MAN Qingli. The image retrieval method of forest pest longicorn[J]. Forest Engineering, 2013,29(3):71-75. (in Chinese)

24 李大華，趙相飛，許亮，等．基于紋理特征與HSI空間的蘋果識別與標定[J]．圖學(xué)學(xué)報，2016，37(5)：688-693． LI Dahua, ZHAO Xiangfei, XU Liang, et al. Apple identification and calibration based on the texture chracteristics and HSI space[J]. Journal of Graphics,2016,37(5):688-693. (in Chinese)

25 JIANG J. BP neural network algorithm optimized by genetic algorithm and its simulation[J]. International Journal of Computer Science Issues, 2013, 10(2): 516-520.

26 MURUGADOSS R, RAMAKRISHNAN M. Universal approximation using probabilistic neural networks with sigmoid activation functions[C]∥International Conference on Advances in Engineering and Technology Research, IEEE, 2015: 1-4.

27 CARLIN B P, LOUIS T A. Bayes and empirical bayes methods for data analysis[J]. Statistics and Computing, 1997, 7(2): 153-154.

28 LENG C, WANG S, DU R. The research on full bayesian classifiers based on multivariate gaussian kernel function[C]∥International Conference on Electronics, Communications and Control，2012: 3287-3290.

FeaturesSelectionandRecognitionofPotatoTypicalInsectPestImagesinWaveletDomain

XIAO Zhiyun LIU Hong

(CollegeofElectricPower,InnerMongoliaUniversityofTechnology,Huhhot010080,China)

In order to recognize potato typical insect pests accurately and quickly, a new feature extraction and recognition method based on wavelet and space domain was proposed. The processing object in the method was the segmented image of insect pests separated from complex background by the two-dimensional Otsu method and morphological method. Aiming at the processing object, totally 12 invariant texture features of high frequency covariance matrix eigenvalues and low frequency lower order moments (HELM) were extracted from the high frequency images in the horizontal, vertical and diagonal directions, forming a Gaussian space model, and from low frequency image decomposed by sym8 wavelet function. Meanwhile, 4 Hu moments with invariant shape features were extracted from the binary image of the processing object. As thus, 16 pest features were put into support vector machine (SVM), and the results of insect pest classification could be obtained. For SVM classifier, the One-vs-One voting strategy was adopted, and the parameters, including radial basis kernel function parameter, error cost coefficient and relaxation coefficient were set to 0.012 5, 60 and 0.001, respectively. By the classification of 8 kinds of pests, on the one hand, using the same SVM method, the test results showed the effectiveness of proposed HELM feature extraction. Texture features in wavelet domain were traditionally related to single scale low frequency lower order moments (SLM), including the mean, variance and the third order moment of low frequency image, multiscale low frequency lower order moments (MLM), multiscale high frequency lower order moments and low frequency lower order moments (HMLM), and LBP features for the low frequency image. Texture features in space domain were traditionally related to LBP, PCA and features based on gray-level co-occurrence matrix (GLCM). Compared with SVM recognition rates of the traditional texture features in wavelet domain and space domain, it was found that the proposed HELM feature had a higher recognition rate which were increased by at least 17 percentage points. In addition, the proposed HELM feature had moderate run time of 11.7 s containing from features extraction of 210 pest images to SVM classification of 8 kinds of typical pests. On the other hand, using the same HELM features and Hu moments, the test results showed the effectiveness of the proposed SVM recognition. For artificial neural network (ANN), three layers BP network structure was constructed and the sigmoid transfer function of hidden layer was selected. For Bayes classifier, Gaussian window function was used for estimating probability density. Compared with ANN run time, containing from the train for 105 pest images to the test for 105 pest images, the run time of the proposed SVM was 0.481 s, nearly 2 s less than ANN. Meanwhile, compared with ANN and Bayes recognition rates, the proposed SVM recognition rate was 97.5% , increasing at least 6 percentage points.

potato insect pests; wavelet domain; Gaussian space model; feature selection; image recognition; support vector machine(SVM)

TP391.41

A

1000-1298(2017)09-0024-08

10.6041/j.issn.1000-1298.2017.09.003

2017-05-17

2017-06-23

國家自然科學(xué)基金項目(61661042)和內(nèi)蒙古自治區(qū)自然科學(xué)基金項目(2015MS0617)

肖志云(1974—)，男，教授，博士，主要從事機器視覺在農(nóng)業(yè)中的應(yīng)用研究，E-mail： xiaozhiyun@imut.edu.cn