田源　孫凌

摘要：采用宇宙算法，以為提高農(nóng)業(yè)害蟲圖像檢測(cè)的效果。首先通過格林方法建立害蟲圖像檢測(cè)區(qū)域，包括圖像特征點(diǎn)匹配以及誤匹配點(diǎn)剔除，接著對(duì)邊緣像素點(diǎn)的數(shù)據(jù)壓縮，從而減少了待求數(shù)據(jù)，然后確定復(fù)合主從方式的宇宙拓?fù)浣Y(jié)構(gòu)。為防止在宇宙環(huán)線上的平行次主宇宙群因主宇宙群選擇而未被選擇出現(xiàn)信息空洞，通過各自平行從宇宙群建立虛擬拓?fù)浣Y(jié)構(gòu)，數(shù)據(jù)尋優(yōu)系統(tǒng)通過次主宇宙群劃分成多個(gè)并行子集值實(shí)現(xiàn)，最后給出算法流程。仿真試驗(yàn)結(jié)果表明，本研究算法對(duì)農(nóng)業(yè)害蟲圖像檢測(cè)效果清晰，定量分析結(jié)果較優(yōu)。

關(guān)鍵詞：農(nóng)業(yè)害蟲；宇宙算法；圖像檢測(cè)；特征點(diǎn)；拓?fù)浣Y(jié)構(gòu)；平行宇宙

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

文章編號(hào)：1002-1302（2017）15-0195-04

農(nóng)業(yè)害蟲直接危害農(nóng)作物的正常生理機(jī)能，影響農(nóng)業(yè)經(jīng)濟(jì)效益，因此在農(nóng)業(yè)生產(chǎn)中的很多階段，須要檢查是否存在害蟲，把害蟲從圖像背景中檢測(cè)出來，避免影響更大的范圍[1]。

對(duì)檢測(cè)農(nóng)業(yè)害蟲圖像來說，傳統(tǒng)方法依靠人工作業(yè)，造成效率低下、易受環(huán)境因素和主觀因素影響[2]。通過計(jì)算機(jī)視覺處理實(shí)現(xiàn)農(nóng)業(yè)害蟲圖像檢測(cè)已受到廣泛關(guān)注，目前智能算法有基于二維DWT算法（two dimensional discrete wavelet transform，簡稱TDDWT）、奇異值分解、一維傅立葉變換算法（singular value decomposition and one dimensional fourier transform，簡稱SVDODFT）等，這些算法能消除農(nóng)業(yè)害蟲圖像的重復(fù)紋理背景[3-4]，但輸入為二維圖像，導(dǎo)致采集到的圖像數(shù)據(jù)量相當(dāng)大。基于統(tǒng)計(jì)學(xué)中的方差分析和指數(shù)加權(quán)移動(dòng)平均（variance and exponential weighted moving average，簡稱VEWM）算法能對(duì)農(nóng)業(yè)害蟲圖像中顯示不均勻的區(qū)域進(jìn)行檢測(cè)[5]，但是只能針對(duì)較大的區(qū)域?；谀Ｊ奖容^和邊界擴(kuò)張算法（models comparison and boundary extension，簡稱MCBE），通過模式比較獲得農(nóng)業(yè)害蟲圖像的像素，邊界擴(kuò)張對(duì)像素區(qū)域合并分析害蟲區(qū)域的特征信息[6]，但是該算法內(nèi)存消耗較大?；诟倪M(jìn)的回歸診斷算法（improved regression diagnosis，簡稱IRD）檢測(cè)農(nóng)業(yè)害蟲圖像時(shí)可獲得比較精確的圖像數(shù)據(jù)[7]，但是須對(duì)圖像進(jìn)行分塊計(jì)算，計(jì)算量很大?；陔x散余弦變換（discrete cosine transform background filtering，簡稱DCTBF）的檢測(cè)方法，可避免圖像中無效數(shù)據(jù)間的相關(guān)性[8]，但只能在較白或較黑的區(qū)域獲得較好的檢測(cè)效果。

本研究采用平行宇宙算法（parallel universe algorithm，簡稱PUA）對(duì)農(nóng)業(yè)害蟲圖像檢測(cè)，通過格林方法先粗選擇害蟲圖像區(qū)域，然后再利用特征點(diǎn)、模板匹配細(xì)選擇害蟲圖像區(qū)域，宇宙算法確定拓?fù)浣Y(jié)構(gòu)以及進(jìn)化模型，將每個(gè)次主宇宙群的數(shù)據(jù)尋優(yōu)系統(tǒng)劃分成多個(gè)并行子集值決策的數(shù)據(jù)尋優(yōu)系統(tǒng)。仿真試驗(yàn)結(jié)果表明，本研究算法對(duì)農(nóng)業(yè)害蟲圖像檢測(cè)效果清晰，定量分析結(jié)果較優(yōu)。

1農(nóng)業(yè)害蟲圖像檢測(cè)區(qū)域模型

1.1基于格林方法的農(nóng)業(yè)害蟲圖像檢測(cè)區(qū)域選擇

采用格林方法先粗選擇農(nóng)業(yè)害蟲圖像檢測(cè)區(qū)域[9]，設(shè)害蟲圖像區(qū)域?yàn)閱芜B通閉區(qū)域D，由分段光滑曲線L圍成，函數(shù)R（x，y）及Q（x，y）在D上具有一階連續(xù)偏導(dǎo)數(shù)：

式中：λ為抑制系數(shù)，λ=[SX（]δ+η[KF（]δ2+η2[KF）][SX）]；R、C表示所處理每幅圖像的尺寸大小，R×C數(shù)值結(jié)果表示檢測(cè)區(qū)域的像素個(gè)數(shù)。當(dāng)偏差圖像Ir，c大于或等于對(duì)應(yīng)的動(dòng)態(tài)閾值時(shí)，則判定為變化區(qū)域。只有δ、η組合為較佳時(shí)，判斷的正確率才高，通過平行宇宙算法尋優(yōu)得到最佳組合。

算法流程：（1）輸入圖像；（2）獲取特征點(diǎn)并進(jìn)行匹配，滿足Rmin，進(jìn)行步驟（3），否則重新匹配；（3）匹配數(shù)據(jù)壓縮；（4）宇宙并行子集劃分更新宇宙；（5）宇宙進(jìn)化代數(shù)使δ、η組合的正確率判斷率大于99.981 6%，進(jìn)行步驟（6），否則進(jìn)行步驟（4）；（6）輸出圖像。

3試驗(yàn)仿真

試驗(yàn)計(jì)算機(jī)配置為CPU 3.0 GHz、內(nèi)存2 GB、Intel主板，集成顯卡，Matlab 7.0實(shí)現(xiàn)仿真，主宇宙設(shè)置為5個(gè)，每個(gè)主宇宙的從宇宙最大數(shù)量設(shè)置為15個(gè)。

3.1檢測(cè)效果分析

選擇2幅農(nóng)業(yè)害蟲圖像進(jìn)行檢測(cè)，分別為玉米螟、蠶寄蠅，在試驗(yàn)中依次對(duì)TDDWT、VEWM、MCBE、IRD、PUA算法進(jìn)行對(duì)比，結(jié)果如圖3、圖4所示。

4結(jié)論

本研究算法通過格林方法獲得害蟲圖像的區(qū)域，為防止匹配數(shù)據(jù)過大，進(jìn)行數(shù)據(jù)壓縮，宇宙拓?fù)浣Y(jié)構(gòu)采用復(fù)合主、從方式組成，試驗(yàn)仿真結(jié)果表明，本研究算法對(duì)農(nóng)業(yè)害蟲圖像檢測(cè)效果清晰，定量分析較優(yōu)，為農(nóng)業(yè)害蟲圖像檢測(cè)提供了一種新方法，但是在平行宇宙算法如何準(zhǔn)確選擇平行宇宙?zhèn)€數(shù)，并行子宇宙數(shù)目的劃分有待進(jìn)一步研究。

參考文獻(xiàn)：

[1]王愛新，李春友，張喆. 基于計(jì)算機(jī)視覺的農(nóng)業(yè)圖像害蟲定位檢測(cè)算法[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44（7）：361-364.

[2]苑隆寅. 基于不規(guī)則子塊的農(nóng)作物圖像自適應(yīng)增強(qiáng)算法[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（3）：379-381.

[3]Hu H T，Hsu L Y，Chou H H. Variable-dimensional vector modulation for perceptual-based DWT blind audio watermarking with adjustable payload capacity[J]. Digital Signal Processing，2014，31（5）：115-123.endprint

[4]Gutiérrez-Gutiérrez J. Singular value decomposition for comb filter matrices[J]. Applied Mathematics and Computation，2013，222（1）：472-477.

[5]Jiang B C，Wang C C，Liu H C. Liquid crystal display surface uniformity defect inspection using analysis of variance and exponentially weighted moving average techniques[J]. International Journal of Production Research，2005，43（1）：67-80.

[6]Ayloo S M，F(xiàn)ernandes E，Masrur M A，et al. Adjustable gastric banding：a comparison of models[J]. Surgery for Obesity and Related Diseases，2013，10（6）：1097-1103.[HJ1.73mm]

[7]Lieftucht D，Vlker M，Sonntag C，et al. Improved fault diagnosis in multivariate systems using regression-based reconstruction[J]. Control Engineering Practice，2009，17（4）：478-493.

[8]Liu M H，Liu S X，Zhao Q J. Fingerprint orientation field reconstruction by weighted discrete cosine transform[J]. Information Sciences，2014，268（1）：65-77.

[9]王高丹，晏王波，唐彥君，等. 輻射沙脊群地貌因子自動(dòng)提取模型[J]. 科學(xué)技術(shù)與工程，2014，14（31）：14-18.

[10]李潤生，曹聞. 基于視覺顯著性特征的遙感影像道路網(wǎng)提取方法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2014，23（8）：114-118.

[11]Tokanai F，Sakurai H，Gunji S，et al. Characteristics of optical imaging capillary plate gas detector with fiber optic plate[J]. Nuclear Instruments and Methods in Physics Research Section A，2007，571（1/2）：289-293.

[12]Hu J，Razdan A，F(xiàn)emiani J C，et al. Road network extraction and intersection detection from aerial images by tracking road footprints[J]. Transactions on Geoscience and Remote Sensing，2007，45（12）：4144-4157.

[13]周林滔，楊國范，趙福強(qiáng)，等. EMD與分形相結(jié)合的遙感影像水體信息提取方法[J]. 國土資源遙感，2014，26（4）：41-45.

[14]Lee Y H，Tang K H. How human perceptions of Mura affect LCD market values[J]. Displays，2012，33（1）：46-53.

[15]李宏升. 基于虛擬真實(shí)拓?fù)浣Y(jié)構(gòu)宇宙算法的圖像分解研究[J]. 科學(xué)技術(shù)與工程，2013，13（36）：10953-10956.endprint