摘 要 利用濾波算法對馬鈴薯缺素葉片圖像進行預(yù)處理，以更好地提取葉片圖像的顏色特征、紋理特征和形狀特征量，提高馬鈴薯營養(yǎng)成分分析的識別率，并且對濾波算法進行了并行化優(yōu)化，以此來提高馬鈴薯營養(yǎng)成分分析診斷的速率。

關(guān)鍵詞 馬鈴薯;缺素圖像;圖像預(yù)處理;并行化

中圖分類號：TP391.41 文獻標(biāo)志碼：B DOI：10.19415/j.cnki.1673-890x.2018.33.070

1 研究背景

馬鈴薯產(chǎn)業(yè)化是寧夏南部山區(qū)擺脫貧困的主要途徑之一。在馬鈴薯的生長過程中，營養(yǎng)元素缺失會嚴(yán)重影響馬鈴薯的產(chǎn)量和質(zhì)量，當(dāng)缺乏任何一種營養(yǎng)元素時，會影響馬鈴薯的生長發(fā)育從而導(dǎo)致馬鈴薯的品質(zhì)下降，甚至?xí)斐蓽p產(chǎn)乃至絕收。因此，對馬鈴薯生長過程進行監(jiān)測十分重要。實時分析馬鈴薯的營養(yǎng)成分，診斷可能缺少的營養(yǎng)元素，及時地給出有效的防治方法，解決馬鈴薯品質(zhì)下降的問題，可有效地促進農(nóng)民增收。

圖像處理應(yīng)用需要經(jīng)過圖像預(yù)處理，圖像增強是一種必要的處理方法[1-7]。在自然光照下采集樣本圖像，會受到噪聲的干擾，對圖像進行圖像分割、去燥、增強等預(yù)處理，能夠更好地提取圖像的特征。在農(nóng)業(yè)信息化中，對于農(nóng)作物的營養(yǎng)成分分析，需要提取葉片圖像的顏色、紋理和形狀特征，良好的特征具有區(qū)別性、獨立性和可靠性，可以更好、更快地完成分析診斷[8-10]?；诖耍谖墨I[1]給出頻域混合濾波的圖像增強算法，結(jié)合低通和高通濾波器各自的優(yōu)點，對圖像進行選擇性地濾波，有效改善了圖像特征提取。

為了在馬鈴薯營養(yǎng)成分分析中獲得葉片圖像的顏色特征、紋理特征和形狀特征量，提高馬鈴薯營養(yǎng)成分分析的識別率，利用該濾波算法對馬鈴薯缺素葉片圖像進行預(yù)處理，并且對濾波算法進行了并行化優(yōu)化，以此來提高馬鈴薯營養(yǎng)成分分析診斷的速率。

2 圖像預(yù)處理

在自然光照下采集馬鈴薯葉片樣本圖像，會受到噪聲干擾，為能夠更好地提取圖像的特征，對馬鈴薯缺鉀和缺硼的葉片圖像運用文獻[1]給出的圖像增強混合濾波算法進行圖像增強預(yù)處理。

1）將馬鈴薯葉片的采樣圖像中心化，對圖像f（x，y）進行傅里葉變換：

（1）

2）對圖像的低頻部分和高頻部分進行不同系數(shù)的

濾波：

高頻部分為βHhp（u，v），低頻部分為αHlp（u，v），通過實驗選取合適的系數(shù)α和β（β>α）。

3）將圖像的高頻和低頻部分進行像素融合：

H（u，v）=αHlp（u，v）⊕βHhp（u，v）（2）

4）計算反傅里葉變換：

f（x，y）=N-1[F（u，v）H（u，v）]（3）

5）取結(jié)果的實部并乘以（-1）x+y以取消輸入圖像的乘數(shù)：

g（x，y）=（-1）x+yf（x，y）（4）

g（x，y）為獲得的增強后的圖像。

3 并行優(yōu)化

馬鈴薯缺素圖像預(yù)處理算法在Matlab中運行，循環(huán)與矩陣分解運算耗時較長，本文采用client-worker模式，實現(xiàn)Matlab環(huán)境的并行化。1）使用parfor代替for，將循環(huán)任務(wù)分配到多個核中。2）client-worker模式。client將任務(wù)合理地分配給各個worker進行計算，最后傳回計算結(jié)果。

在運行過程中，client只負責(zé)任務(wù)分配、數(shù)據(jù)傳遞和接收，不會滿載CPU，而worker進行數(shù)據(jù)計算，可能會造成CPU滿載。假設(shè)單核運行程序段消耗時間為t，N核并行運行的程序段的消耗時間為t/N+e，e表示client和worker之間數(shù)據(jù)交互所消耗的時間。因此，對client和worker之間數(shù)據(jù)交互進行進一步優(yōu)化。

對client和worker之間的數(shù)據(jù)交互進行優(yōu)化，主要是減小client和worker之間傳遞的數(shù)據(jù)量。由于在parfor之前預(yù)分配內(nèi)存，分段變量就具備了輸入屬性，此時client再將其分段傳遞給不同的worker，會增加額外時間。因此，在循環(huán)之前不預(yù)分配內(nèi)存。

4 結(jié)果與分析

4.1 實驗環(huán)境

CPU：Intel（R）_Core（TM）_i5-3210M_CPU_@_2.50GHz

顯卡：NVIDIA GeForce GT 630M

系統(tǒng)：Windows 8

開發(fā)平臺：Matlab 2014

4.2 實驗結(jié)果

馬鈴薯缺鉀的葉片主要特征表現(xiàn)為葉脈間褪綠，葉尖、葉緣壞死;缺硼的馬鈴薯葉片有小葉卷曲和燒邊現(xiàn)象。基于此，對馬鈴薯缺少鉀、硼元素的葉片圖像分別進行預(yù)處理，如圖1所示。并行化前后運行時間對比

如表1所示。

馬鈴薯缺素的葉片圖像增強后，葉片紋路清晰，突出了病斑部位，沒有產(chǎn)生噪聲及過度銳化等問題，利于特征提取。在運行時間方面，并行化后算法為0.6 s，比原算法快3 s。

5 結(jié)語

對馬鈴薯缺素葉片圖像采用混合濾波算法進行預(yù)處理，突出了葉片病斑部位，避免了噪聲的產(chǎn)生和圖像的過渡銳化，可以更好地提取葉片圖像的顏色特征、紋理特征和形狀特征量，提高了馬鈴薯營養(yǎng)成分分析的識別率。同時，對濾波算法進行并行化優(yōu)化，提高了馬鈴薯營養(yǎng)成分分析診斷的速率。

參考文獻：

[1] 楊捷，馮兵，吳素萍.頻域圖像增強混合濾波算法及在作物缺素中的應(yīng)用[J].計算機工程與設(shè)計，2014，35（9）：3156-3162.

[2] 田凱，張連寬，熊美東，等.基于葉片病斑特征的茄子褐紋病識別方法[J].農(nóng)業(yè)工程學(xué)報，2016，32（1）：184-189.

[3] 梁琨，杜瑩瑩，盧偉，等.基于高光譜成像技術(shù)的小麥籽粒赤霉病識別[J].農(nóng)業(yè)機械學(xué)報，2016，47（2）：309-315.

[4] 黃儒樂，吳江，韓寧.林火煙霧圖像自動識別中的模式分類器選擇[J].北京林業(yè)大學(xué)學(xué)報，2012，34（1）：92-95.

[5] 濮永仙.基于病斑特征融合的煙草病害圖像檢索方法[J].河南農(nóng)業(yè)科學(xué)，2015，44（2）：71-76.

[6] 胡昭華，宋耀良.基于一種連續(xù)自編碼網(wǎng)絡(luò)的圖像降維和重構(gòu)[J].數(shù)據(jù)采集與處理，2010，25（3）：318-323.

[7] 張芳，付立思.基于圖像處理技術(shù)的黃瓜葉部病害識別診斷系統(tǒng)[J].農(nóng)機化研究，2014（9）：213-215.

[8] 劉麗娟，劉仲鵬，張麗梅.基于圖像處理技術(shù)的玉米葉部病害識別研究[J].吉林農(nóng)業(yè)科學(xué)，2014（1）：45.

[9] 楊鐘.面向圖像分類和識別的視覺特征表達與學(xué)習(xí)的研究[D].廣州：華南理工大學(xué)，2012.

[10] 霍迎秋，秦仁波，邢彩燕，等.基于CUDA的并行K-means聚類圖像分割算法優(yōu)化[J].農(nóng)業(yè)機械學(xué)報，2014，45（11）：47-53.