李嘉康，陶智麟 ，徐 波 ，徐大勇 ，堵勁松 ，李華杰

（1.中國(guó)煙草總公司鄭州煙草研究院，鄭州 450001；2.鄭州益盛煙草工程設(shè)計(jì)咨詢有限公司，鄭州 450001；3.福建中煙工業(yè)有限責(zé)任公司，福建 廈門(mén) 361021）

煙葉分級(jí)中，煙葉紋理特征是較少被研究和應(yīng)用的一個(gè)關(guān)鍵指標(biāo)。煙葉表面的油分含量、褶皺度、組織緊密程度、含梗率、油分等指標(biāo)是煙葉分級(jí)的重要因素，同時(shí)也與煙葉紋理特征相關(guān)。因此，研究不同煙葉下的紋理特征提取算法為煙葉智能分級(jí)提供依據(jù)具有重要意義。

煙葉的紋理特征相關(guān)研究較少，但是紋理作為數(shù)字圖像的特質(zhì)屬性，能夠真實(shí)反映物體表面的粗糙度、方向等屬性，其作用在紋理描述中體現(xiàn)得尤為明顯。為取得大多數(shù)自然景物的更多信息，通過(guò)分析其組成結(jié)構(gòu)的細(xì)微紋理而獲得［1］。在目標(biāo)識(shí)別與自動(dòng)檢測(cè)領(lǐng)域，Kumar 等［2］、Chan 等［3］采用紋理分析方法檢測(cè)原木中不合格的部分；在圖像檢索領(lǐng)域，施智平等［4］提出了一種新的紋理譜描述，并應(yīng)用于圖像檢索中。基于紋理特征的視覺(jué)檢測(cè)技術(shù)也被應(yīng)用于煙葉分級(jí)中，張帆等［5］研究在標(biāo)準(zhǔn)煙葉數(shù)據(jù)庫(kù)的圖像檢索中使用了紋理計(jì)算方法來(lái)分析煙葉；杜東亮等［6］使用小波分析煙葉紋理，提出基于灰色系統(tǒng)理論通過(guò)煙葉的其他外觀特征來(lái)綜合描述煙葉的成熟度和油分。

在煙葉分級(jí)研究中，較多通過(guò)紋理提取算法得到紋理特征值后直接作為評(píng)價(jià)指標(biāo)，而本研究利用兩種紋理提取方法，以不同梯度參數(shù)提取煙葉紋理參數(shù)進(jìn)行降維和重要度分析，以得出能夠表征煙葉紋理的參數(shù)，作為評(píng)價(jià)煙葉紋理的特征值。

1 研究對(duì)象與算法

1.1 研究對(duì)象

樣本集：貴州遵義地區(qū)種植品種為中煙100 的鮮煙葉，其中有效煙葉數(shù)字圖像136 張，無(wú)效煙葉數(shù)字圖像 116 張。研究平臺(tái)：python3.7.0；opencv4.4.0；scikit-learn0.23.2。

圖1 中煙100 樣本

1.2 取樣方法

將鮮煙葉置于恒溫恒濕（溫度：21 ℃，相對(duì)濕度：70%）環(huán)境下平衡1～2 d；以Canon EOS 5D Mark IV 數(shù)字相機(jī)為主體的圖像采集器，在暗箱內(nèi)標(biāo)準(zhǔn)光源下，調(diào)整圖像采集器的白平衡和18°灰板的測(cè)光，確保符合采集過(guò)程中的光照環(huán)境參數(shù)。將平衡后的鮮煙葉放置圖像采集系統(tǒng)黑色背景下依次拍照獲取鮮煙葉數(shù)字圖像。

1.3 紋理提取算法

1.3.1 灰度共生矩陣 灰度共生矩陣（GLCM）的統(tǒng)計(jì)方法由Haralick 等［7］提出，是基于圖像中像素的空間分布包含圖像紋理信息的假設(shè)，提出了一種綜合的紋理分析方法。共生矩陣由兩個(gè)像素的聯(lián)合概率密度定義，不僅反映了亮度的分布特性，而且還反映了亮度相同或接近亮度的像素之間的分布特性，是圖像亮度變化的二階統(tǒng)計(jì)特征，其是定義一組紋理特征的基礎(chǔ)。由于紋理是由灰度在空間位置上的重復(fù)出現(xiàn)而形成的，因此圖像空間中一定距離的兩個(gè)像素之間會(huì)存在一定的灰度關(guān)系，即圖像中灰度的空間相關(guān)性特征。灰度共生矩陣是通過(guò)研究灰度的空間相關(guān)性來(lái)描述紋理的一種常用方法［7］。

歸一化后的灰度共生矩陣如下：

圖2 灰度共生矩陣紋理特征圖

通過(guò)基于灰度共生矩陣的紋理特征提取可知，能量（ASM，energy）是灰度共生矩陣元素值的平方和，也稱(chēng)能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。對(duì)比度（contrast）反映了某個(gè)像素值及其領(lǐng)域像素值的亮度的對(duì)比情況。如果偏離對(duì)角線的元素有較大值，即圖像亮度值變化很快，會(huì)有較大取值，反映了圖像的清晰度和紋理溝紋深淺的程度。紋理溝紋越深，其對(duì)比度越大，視覺(jué)效果越清晰。熵（entropy）是圖像所具有的信息量的度量，紋理信息也屬于圖像的信息，是一個(gè)隨機(jī)性的度量，當(dāng)共生矩陣中所有元素有最大的隨機(jī)性、空間共生矩陣中所有值幾乎相等時(shí)，共生矩陣中元素分散分布時(shí)，熵較大。它表示了圖像中紋理的非均勻程度或復(fù)雜程度。自相關(guān)（correlation）反映了圖像紋理的一致性，度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性［8］。

1.3.2 Gabor 小波變換 Gabor 小波核類(lèi)似于哺乳動(dòng)物視皮層細(xì)胞的感受野，具有良好的空間局部性、空間頻率和方向選擇性，能夠提取圖像局部區(qū)域的多尺度、多方向的顯著特征［9］。因此，Gabor 小波變換對(duì)光照等外部環(huán)境的變化具有很強(qiáng)的魯棒性。

二維 Gabor 小波函數(shù)定義為［10，11］：

其中，實(shí)數(shù)部分與虛數(shù)部分為：

x，y分別表示像素坐標(biāo)位置；λ表示濾波的波長(zhǎng)；θ表示Gabor核函數(shù)圖像的傾斜角度；ψ表示相位偏移量，范圍是-180°～180°；σ表示高斯函數(shù)的標(biāo)準(zhǔn)差；γ表示長(zhǎng)寬比，決定Gabor核函數(shù)圖像的橢圓率。

圖3 波長(zhǎng)為8 的八個(gè)角度Gabor 濾波器

圖4 由8 個(gè)Gabor 濾波器提取的紋理特征圖

1.4 紋理特征選擇

采取灰度共生矩陣算法中4 個(gè)不同距離梯度，4個(gè)不同方向梯度下的6 個(gè)紋理值、對(duì)比度、相異性、同次性、相關(guān)性、能量和ASM 能量共96 個(gè)維度特征；采取Gabor 小波算法中8 個(gè)不同角度下的兩個(gè)紋理值，均值和方差共16 個(gè)維度。綜上每張煙葉圖共有112 維度特征，為確定能表征此煙葉的紋理特征，運(yùn)用主元降維的方式確定區(qū)分度最大的主元來(lái)確定數(shù)據(jù)是否可區(qū)分，同時(shí)通過(guò)各個(gè)高維向量的主元荷載圖來(lái)確定最具貢獻(xiàn)維度。

1.5 判別分析方法

隨機(jī)森林是一種有監(jiān)督的學(xué)習(xí)算法，也是一種基于決策樹(shù)的集成學(xué)習(xí)算法。隨機(jī)森林簡(jiǎn)單，易實(shí)現(xiàn)，計(jì)算開(kāi)銷(xiāo)小，它在分類(lèi)和回歸方面具有良好的性能。由于采用集成算法，其精度優(yōu)于大多數(shù)單一算法，因此具有較高的精度。隨機(jī)森林在測(cè)試集中表現(xiàn)良好，由于兩種隨機(jī)性的引入，隨機(jī)森林不易陷入過(guò)擬合，可以處理高維數(shù)據(jù)，無(wú)需特征選擇，對(duì)數(shù)據(jù)集的適應(yīng)性強(qiáng)，具有一定的參考意義。通過(guò)隨機(jī)森林算法對(duì)共252 個(gè)樣品112 維度特征進(jìn)行分類(lèi)識(shí)別。

2 結(jié)果與分析

2.1 主元分析

通過(guò)可視化有效鮮煙葉和無(wú)效鮮煙葉在主元分析中結(jié)果，將兩種煙葉的相同維度的數(shù)據(jù)貼標(biāo)簽后融合進(jìn)行主元分析。在前5 個(gè)主元中，主元的分布如圖5 所示，前5 個(gè)主元總貢獻(xiàn)率為99.92%，其解釋了大多數(shù)維度紋理特征。由于其分布在主元1 和主元2 下具有聚類(lèi)特征，如圖5 所示，藍(lán)點(diǎn)代表無(wú)效煙葉的分布，紅點(diǎn)代表有效煙葉的分布，主元分布圖通常能夠展示數(shù)據(jù)集的內(nèi)部信息。由圖5a 所示，其具有可區(qū)分性。

圖5 2D PCA 點(diǎn)圖主元 1 與主元 2（a）、主元 2 與主元 3（b）

雖然數(shù)據(jù)集具有聚類(lèi)特性，但是由于數(shù)據(jù)維度過(guò)高，冗余信息過(guò)多，因此通過(guò)主元荷載圖可以選擇最有效的特征信息與后續(xù)建立分類(lèi)模型具有對(duì)比性。由于其只在PC1 和PC2（圖5a）中具有明顯特征，圖6 僅展示PC1 和PC2 的荷載圖，通過(guò)荷載圖可以得知，其在第52 維度至第63 維度下具有顯著的有效性?；叶裙采仃囁惴ǖ牟介L(zhǎng)為4、8、16 下的0°、45°、90°和 135°共 12 維度，因此，初步認(rèn)為此參數(shù)下的紋理值能夠表征此數(shù)據(jù)集煙葉。

圖6 PCA 荷載圖 PC1（a）、PC2（b）

2.2 隨機(jī)森林分類(lèi)

基于全維度的隨機(jī)森林判別模型，選擇20%的樣本集作為測(cè)試集，80%的樣本集作為訓(xùn)練集，到88%的分類(lèi)精度，通過(guò)10 次交叉驗(yàn)證得到其分類(lèi)精度在86%左右，具有較好的分類(lèi)表現(xiàn)（圖7）。

圖7 10 次交叉驗(yàn)證結(jié)果

在隨機(jī)森林判別模型中，確定最具重要性的紋理特征維度，作為評(píng)估煙葉紋理的定量分析指標(biāo)，圖8 為選擇重要性大于0.03 的維度特征分別為灰度共生矩陣下距離4，角度45°的能量值；距離8，角度45°的能量值；距離8，角度90°的能量值；距離16，角度90°的能量值；距離 16，角度 90°的相關(guān)性值；Gabor小波紋理下波長(zhǎng)5，角度122.5°的標(biāo)準(zhǔn)差。樣品集中的煙葉擺放方式為煙梗朝上，葉尖朝下。

圖8 紋理維度重要度

3 小結(jié)與討論

選用貴州遵義中煙100 的鮮煙葉，經(jīng)專(zhuān)家挑選識(shí)別后，分為有效煙葉和無(wú)效煙葉兩類(lèi)，其中無(wú)效煙葉包含過(guò)熟煙葉、帶病煙葉、殘損煙葉等。通過(guò)自主搭建的圖像采集系統(tǒng)，在規(guī)范的色溫色差曝光等參數(shù)設(shè)定條件下，通過(guò)分析有效煙葉和無(wú)效煙葉的數(shù)字圖像，經(jīng)過(guò)預(yù)處理背景掩膜，提取無(wú)背景數(shù)值的鮮煙葉圖像，采用灰度共生矩陣法和Gabor 小波下的不同參數(shù)提取紋理特征值，通過(guò)主元分析得出最具區(qū)分度的紋理特征，同時(shí)采用隨機(jī)森林判別模型對(duì)樣本集分類(lèi)，獲取能夠表征煙葉紋理值的定性指標(biāo)。

在灰度共生矩陣算法下，步長(zhǎng)參數(shù)為4、8、16 和提取角度為 0°、45°、90°和 135°共 12 維度的紋理值在第一主成分下有較好的聚類(lèi)效果，分別對(duì)應(yīng)的方向?yàn)橐詿煿５綗熑~尖為垂直方向，順時(shí)針0°、45°、90°和135°下的紋理方向有較好的表征。在隨機(jī)森林判別算法下，同時(shí)包含以上參數(shù)且分類(lèi)結(jié)果交叉驗(yàn)證為86%，得到較好的驗(yàn)證。因此，紋理參數(shù)下的紋理值能夠表征此數(shù)據(jù)集煙葉。本研究選用的參數(shù)為紋理數(shù)值，采用灰度共生矩陣算法和Gabor 小波變換得到的紋理圖，通過(guò)卷積網(wǎng)絡(luò)進(jìn)行紋理圖全局特征提取，再連接全連接層進(jìn)行分類(lèi)研究。