基于圖像頻譜特征的稻飛虱識別方法

1、第 28 卷1842012 年第 7 期4 月農 業(yè) 工 程 學 報transactions of the chinese society of agricultural engineeringvol.28 no.7apr. 2012基于圖像頻譜特征的稻飛虱識別方法劉德營，趙三琴，丁為民，陳坤杰（南京農業(yè)大學工學院/江蘇省智能化農業(yè)裝備重點實驗室，南京 210031）摘 要：為準確、快速的識別稻飛虱種類，采用自行設計的野外環(huán)境昆蟲圖像采集裝置獲取稻飛虱背部圖像，通過對背景與目標像素的統(tǒng)計，選取 140 為閾值，對稻飛虱圖像的藍色通道進行二值化，將背景與目標分割開，采用形態(tài)學濾波 以及開運算，與

2、灰度圖像進行與操作，獲取單個稻飛虱蟲體背部區(qū)域的灰度圖像。然后對灰度圖像進行二維傅里葉變換， 獲得蟲體背部圖像的二維傅里葉頻譜。最后以 ll (l=1,2,6)的二維頻譜窗口數(shù)據(jù)作為稻飛虱特征參數(shù)，建立 fisher 判別 函數(shù)。訓練集和驗證集的試驗結果表明，選用 33 二維傅里葉頻譜窗口數(shù)據(jù)建立的判別模型，稻飛虱正確識別率可達到90%以上。該方法可以實現(xiàn)田間稻飛虱的自動識別。 關鍵詞：圖像識別，傅里葉變換，頻譜分析，昆蟲，稻飛虱 doi：10.3969/j.issn.1002-6819.2012.07.031中圖分類號：tp391.41文獻標志碼：a文章編號：1002-6819(2012)-

3、07-0184-05劉德營，趙三琴，丁為民，等. 基于圖像頻譜特征的稻飛虱識別方法j. 農業(yè)工程學報，2012，28(7)：184188.liu deying, zhao sanqin, ding weimin, et al. identification method for rice plant hoppers based on image spectral characteristicsj. transactions of the chinese society of agricultural engineering (transactions of the csae), 2012, 2

4、8(7): 184188. (in chinese with english abstract)蟲標本的方法，采用亞明牌 gyz160160w 自鎮(zhèn)流熒光高壓汞燈做引誘光源，用自行設計的野外昆蟲圖像自動拍 攝裝置，采集爬附在白色的確良（聚對苯二甲酸乙二酯）工作臺幕布上的白背飛虱、褐飛虱和灰飛虱數(shù)字圖像。經南京農業(yè)大學植保學院昆蟲分類專家鑒定，分別選取 單個白背飛虱、褐飛虱、灰飛虱圖像各 34 張，共計樣本102 個。圖 1 為采集的 3 種稻飛虱原始圖像，圖像以 jepg格式保存，大小為 768576 像素。0引言近年來，由于現(xiàn)有的人工昆蟲物種鑒定能力遠不能 滿足實際需要，再加上順應精準農業(yè)變

5、量施肥的要求， 基于圖像分析的昆蟲識別方法研究被廣泛開展1-4。然而， 對于田間昆蟲動態(tài)發(fā)生數(shù)量的監(jiān)測而言，這些研究均以 靜態(tài)樣本圖像為研究對象，與害蟲預測預報的實際需要 還有很大差距5-7。針對上述問題，課題組在自行研制野 外環(huán)境昆蟲圖像自動采集裝置的基礎上8，對威脅水稻產 量的稻飛虱害蟲圖像識別方法進行深入研究。蟲體特征的提取，是稻飛虱圖像識別的關鍵環(huán)節(jié)， 影響著分類器的設計與性能。由于傅里葉頻譜是一種理 想的描述周期或者近似周期的二維圖像模式方向性的方 法，對區(qū)分周期模式或非周期模式以及周期模式之間的 差異具有顯著效果9。結合現(xiàn)階段植保專家主要依據(jù)稻飛 虱背部的顏色和紋理特征識別的經驗，

6、本文對稻飛虱蟲 體背部圖像的頻譜進行分析，并采用判別分析建立相應 的識別模型，為后續(xù)田間稻飛虱數(shù)量的預測奠定基礎。1材料與方法1.1樣本采集2010 年 79 月，在南京農業(yè)大學江浦實驗農場稻田 里，根據(jù)長翅稻飛虱成蟲的趨光性以及植保專家捕捉昆a. 白背飛虱b. 褐飛虱c. 灰飛虱圖 1 原始圖像fig.1 original images1.2圖像預處理圖像預處理主要是將蟲體背部區(qū)域分割出來。為此， 需要對稻飛虱的原始圖像進行二值化、形態(tài)濾波等預處 理，得到蟲體背部圖像，為后續(xù)圖像特征提取和描述做 好準備。1.2.1閾值統(tǒng)計二值化處理是為了將目標與背景區(qū)分開，處理結果 的好壞決定于閾值的選擇是

7、否合適。觀察圖 1，可以發(fā)現(xiàn)， 圖像背景單一，目標清晰。因此，本文隨機選取多張稻收稿日期：2011-08-03修訂日期：2012-02-10基金項目：江蘇省農機局科研啟動基金項目“水稻蟲情測報裝置的研制”（gxz10006） 作者簡介：劉德營（1963），男，浙江義烏人，博士，副教授。主要研究 方向為模式識別和自動控制。南京 南京農業(yè)大學工學院/江蘇省智能化農業(yè) 裝備重點實驗室，210031。email: dyliu飛虱圖像，在 rgb 顏色空間下，手工統(tǒng)計背景與目標區(qū)域各 17086 個像素點的紅色（r）、綠色（g）、藍色（b） 顏色分量10。數(shù)據(jù)分布散點圖如圖 2。從圖中不難發(fā)現(xiàn)， 原始圖

8、像背景區(qū)域的 3 個顏色分量值，基本在 140200 之間，其分布呈現(xiàn)較好的對稱性和一致性。而目標區(qū)域的 3 個顏色分量值的分布較為分散，其分布中心值明顯小于背景區(qū)域的分布中心值，其中藍色分量值的差異較 大。當以 b=140 為閾值對目標區(qū)域和背景區(qū)域進行分割 并統(tǒng)計時，只有 3.82%背景區(qū)域的像素在此閾值范圍內。 分割效果如圖 3 所示。圖 2 圖像背景與目標的 r、g、b 數(shù)據(jù)散點圖r, g, b scatter diagram between the background and the objectfig.2a. 白背飛虱b. 褐飛虱c. 灰飛虱圖 3 基于顏色閾值的二值化處理結果f

9、ig.3 binarization result based on color threshold1.2.2形態(tài)學濾波從圖 3 中可以看出，在圖像二值化過程中，將不可 避免地產生一定的噪聲，如一些小目標（小黑點），觸 角、腿。由于這些噪聲干擾后續(xù)圖像的描述，需要將這 些噪聲濾除。為此，基于信號的幾何特性，設計一個形 態(tài)學濾波器對圖像進行濾波處理，步驟如下：1）采用文獻11所述的掃描線法，對二值圖中閉合 區(qū)域內小孔洞進行填充；2）用半徑為 3 的圓盤型結構元素對圖像進行開運算，在消除尖峰、凸緣、切斷細小的連接，并使邊界平滑的情況下，保持大的分割區(qū)域尺寸和形狀不變，消除比結 構元素小的噪聲，如稻飛

10、虱足和觸角等非目標區(qū)域；3）對二值圖中各個不連通區(qū)域進行標記和編號；計算標記編號區(qū)域的面積，保留最大面積目標區(qū)域，去除足、觸角和噪聲等較小的非目標區(qū)域。圖 4 給出濾波的結果圖。a. 白背飛虱b. 褐飛虱圖 4 形態(tài)學去噪fig.4 morphologic noise removalc. 灰飛虱1.2.3獲取蟲體背部區(qū)域的灰度圖像為采用傅里葉頻譜特征來描述稻飛虱的背部區(qū)域，首先需要獲得該區(qū)域的灰度圖像。設 f(i,j)為經過形態(tài)學濾波處理后稻飛虱圖像，并令背部區(qū)域 f(i,j)=1，其他區(qū)農業(yè)工程學報2012 年186域 f(i,j)=0；設 g(i,j)為稻飛虱灰度圖像，根據(jù)式（1）將 2幅

11、圖像進行邏輯“與”，為減少后續(xù)圖像處理和建模的 計算量，將圖像尺寸裁剪為 128128 像素，得到的稻飛 虱背部區(qū)域灰度圖像如圖 5 所示。可以看出，稻飛虱原 始圖像中被目標區(qū)域所覆蓋部分的圖像信息保留下來， 而將沒有被目標區(qū)域所覆蓋部分的圖像信息去除，從而 得到信息完整的稻飛虱背部區(qū)域圖像。a. 白背飛虱b. 褐飛虱c. 灰飛虱f (i, j) = 1 g (i, j)圖 6 二維對數(shù)傅里葉頻譜fig.6 two dimension logarithm fourier spectrum（1）f (i, j) g (i, j) = 0f (i, j) = 01.4識別模型的建立要建立基于傅里葉

12、頻譜特征的稻飛虱識別模型，首先需要選取合適的特征參量，并構建由特征參量組成的特征矢量。由于傅里葉頻譜分布以圖像原點對稱，選取 ll(l=1,2,n)的二維對數(shù)傅里葉頻譜窗口數(shù)據(jù) logf(u,v) 作為描述圖像特征的參量13-16，并建立特征矢量t（4）x = ( x1 ,l, x p )a. 白背飛虱b. 褐飛虱c. 灰飛虱式中，p=ll 為特征個數(shù)，xi 為第 i 個特征的頻譜數(shù)據(jù)。將特征矢量作為判別分析的輸入，建立基于貝葉斯準則的 fisher 線性判別函數(shù)17圖 5 128128 稻飛虱背部區(qū)域灰度圖像fig.5 gray image of the back region of ric

13、e plant hopper(128128) y = b + b x + b x + l + b x1 10 11 1 12 21 p p1.3 圖像頻譜特征分析對二維數(shù)字圖像來說，一幅圖像表示了灰度在二維 空間變化的信息，而經二維傅里葉變換，其頻譜圖反映 了原圖像是由哪些空間頻率所構成的。在頻譜圖中，其 中心點的亮度稱之為直流分量，它反映了原圖像的平均亮度。離重心點相同距離的不同點具有相同的頻率和不 同的方向。距中心點越近，表示頻率越低；距中心點越 遠，則頻率越高。一幅圖像通常由周期性、非周期性成分及噪聲等組 成。其經過二維傅里葉變換后，周期性成分在頻譜圖上 會形成一個峰值點，其峰值的大小反

14、映其在原圖像中所 占的比重。峰值越大，原圖像的周期性越好。因此，傅里葉頻譜可以作為周期模式或非周期模式以及周期模式之間相互區(qū)分的特征12。一幅 mn 圖像 f(x,y)的二維離散傅里葉變換的計算 公式如下：（5） y2 = b 20 +b21 x1 + b22 x2 + l + b2 p x p y3 = b30 + b31 x1 + b32 x2 + l + b3 p x p式中，y1，y2，y3 分別對應白背飛虱、褐飛虱、灰飛虱 3種稻飛虱的判別函數(shù)；bij 為判別函數(shù)系數(shù)。 對于未知樣本，首先計算其特征值 x1，x2，xp，然后將這些值分別代入每一個判別函數(shù)，根據(jù)函數(shù)值的 大小進行歸類識

15、別。2 識別結果與分析選定 80 張稻飛虱圖像為訓練集，22 張稻飛虱圖像作 為測試樣本。選取 1 個（11）、4 個（22）、9 個（33）、16 個（44）、25 個（55）和 36 個（66）二維對數(shù)頻 譜窗口的頻譜數(shù)據(jù)作為稻飛虱背部特征參數(shù)，窗口左上角始終為二維傅里葉頻譜中心，輸入 fisher 線性判別函 數(shù)，建立稻飛虱種類判別函數(shù)，計算出采用不同特征集 所得判別模型的預測正確率，然后再利用測試集樣本， 計算出不同特征集所得判別模型的預測正確率，結果如 表 1 所示。表 1 預測準確率table 1 accuracy of prediction ux vy m -1 n -11- j

16、 2p m + n f (u, v) = f ( x, y) e （2）mn x = 0 y = 0式中， x = 0,1, 2,l, m - 1 ； y = 0,1, 2,l, n - 1頻譜值（特征值）的計算式為1f (u, v) = r 2 (u, v) + i 2 (u, v) 2（3）特征集訓練集預測準確率/%測試集預測準確率/%11223382.50(66/80)87.50(70/80)92.50(74/80)72.72(16/22)81.81(18/22)90.91(20/22)其中，r(u,v)，i(u,v)分別表示 f(u,v)的實部和虛部。傅里葉變換具有共軛對稱性，即|f(

17、u,v)|=|f(-u,-v)|，也就 是頻譜分布是以圖像原點為對稱的。根據(jù)式（2）得到的稻飛虱傅里葉對數(shù)頻譜圖如圖 6 所示。從圖中可以看出，3 種稻飛虱頻譜圖（亮度）不同， 可以作為識別稻飛虱的特征。445596.25(77/80)98.75(79/80)86.36(19/22)90.91(20/22)6697.50(78/80)77.27(17/22)4sarpola m j, paasch r k, mortensen e n, et al. an aquaticinsect imaging system to automate insect classificationj. tran

18、sactions of the asabe, 2008, 51(6): 22172225. 楊宏偉，張云. 計算機視覺技術在昆蟲識別中的應用進展 j. 生物信息學，2005，3(3)：133136.yang hongwei, zhang yun. application and prospect of computer vision technique in identifying insectj. chinajournal of bioinformatics, 2005, 3(3): 133136. (in chinesewith english abstract)管澤鑫，姚青，楊保軍，等.

19、 數(shù)字圖像處理技術在農作物 病蟲草識別中的應用j. 中國農業(yè)科學，2009，42(7)：23492358.guan zexin, yao qing, yang baojun, et al. application of digital image processing technology in recognizing the diseases,pests,and weeds from cropsj. scientia agriculturasinica, 2009, 42(7): 23492358. (in chinese with englishabstract)徐鵬，陳乃中，楊定. 自動

20、識別技術在昆蟲分類鑒別中的 應用j. 昆蟲知識，2010，47(2)：256262.xu peng, chen naizhong, yang ding. automatic identification of insectsj. chinese bulletin of entomology, 2010, 47(2):256262. (in chinese with english abstract)劉德營，丁為民，陳坤杰. 野外環(huán)境昆蟲圖像自動采集裝 置j. 農業(yè)機械學報，2011，42(6)：184187，173.liu deying, ding weimin, chen kunjie. a

21、utomatic acquisition system for the images of insects in fieldj.transactions of tne csam, 2011, 42(6): 184187, 173. (inchinese with english abstract)zhou f f, shi j q. texture feature based on local fourier transformc/ieee international conference on imageprocessing, 2001, vol 2: 610613.王玲，王萍，陳兵林，等.

22、 基于顏色閾值的田間籽棉圖像 分割技術j. 作物學報，2010，36(3)：502507.wang ling, wang ping, chen binglin, et al. image segmentation technique of field cotton based on colorthresholdj. acta agronomica sinica, 2010, 36(3): 502507. (in chinese with english abstract)杭后俊. 基于掃描線算法的多邊形區(qū)域填充圖案j. 計算 機時代，2009(3)：2223，26.姚敏，郁曉紅，易文晟，等.

23、數(shù)字圖像處理m. 北京：機 械工業(yè)出版社，2006.徐貴力，毛罕平. 利用傅里葉變換提取圖像紋理特征新方法j. 光電工程，2004，33(11)：5558.xu guili, mao hanping. a new method for extracting image texture features by fourier transformj. opto-electronicengineering, 2004, 33(11): 5558. (in chinese with englishabstract)多化瓊，王喜明，范俊雄. 利用傅立葉變換研究鐵杉木材 管胞橫截面尺寸j. 北京林業(yè)大學學

24、報，2009，31(5)：108111.duo huaqiong, wang ximing, fan junxiong. cross section size analysis of tracheids in tsuga chinensis wood with fourier transformationj. journal of beijing forestryuniversity, 2009, 31(5): 108111. (in chinese with english觀察表 1，隨著窗口的增大，即頻譜特征參數(shù)個數(shù)的增加，模型對訓練集樣本的預測準確率先逐步增大，在55 時達到最大，隨后降

25、低，其中采用 9 個、16 個、25個和 36 個特征參數(shù)，模型對訓練集的預測正確度均達90%以上。利用測試集對模型進行驗證的結果表明，只有 采用 9 個和 25 個特征參數(shù)的判別模型，其預測正確率可 以達到 90%以上?？紤]模型的復雜性及計算量，采用 9個參數(shù)的模型作為稻飛虱種類的判別模型較好，表 2 給出 33 頻譜窗口 fisher 線性判別函數(shù)的系數(shù)。表 2 33 頻譜窗口 fisher 線性判別函數(shù)系數(shù)table 2 discriminant function coffients using 33 spectral data56常數(shù)項 x1x2x3x4x5x6x7x8x9y1y2-9

26、712 -1479 1710 42.932 1398 -60.645 3.550 64.347 18.176 -15.459-9728 -1400 1664 42.649 1363 -56.707 2.325 62.706 17.705 -16.034 y3 -9512 -1549 1736 44.520 1424 -63.303 5.099 65.674 19.301 -16.0703 結論1）對于采用野外環(huán)境昆蟲圖像采集裝置所拍攝的稻 飛虱圖像，可以通過在藍色通道設定固定閾值 b=140 進 行圖像的背景分割；通過形態(tài)學濾波和圖像開運算等圖 像處理方法，得到稻飛虱背部區(qū)域圖像；2）用 ll

27、(l=1,2,6)的二維傅里葉頻譜窗口數(shù)據(jù)描述 稻飛虱識別特征，判別模型對訓練集樣本預測的正確率都在 80%以上，并隨著頻譜特征窗口的增大，訓練集的 預測準確率總體上逐漸增大，說明基于稻飛虱背部圖像 二維傅里葉頻譜特征的方法可以識別稻飛虱。3）提取單個稻飛虱蟲體的背部圖像，采用 fisher 判 別模型，選用 33 二維傅里葉頻譜窗口，即用 9 個特征 向量來描述稻飛虱識別特征，測試集預測準確率達到90.91%，并且模型較為簡單，因此可以實現(xiàn)對稻飛虱種 類的判別，這對于農業(yè)蟲害的自動測報具有一定應用價值。78910參 考 文 獻l, wheeler q, jackway p, et al. a

28、ccelerating1salle j11taxonomic discovery through automated character extraction j. zootaxa, 2009, 55(2217): 4355. 張紅濤，毛罕平，邱道尹. 儲糧害蟲圖像識別中的特征提 取j. 農業(yè)工程學報，2009，25(2)：126130.zhang hongtao, mao hanping, qiu daoyin. feature extraction for the stored-grain insect detection system based on image recognition

29、 technologyj. transactions of the chinese society of agricultural engineering (transactions ofthe csae), 2009, 25(2): 126130. (in chinese with englishabstract)楊紅珍，張建偉，李湘濤，等. 基于圖像的昆蟲遠程自動 識別系統(tǒng)的研究j. 農業(yè)工程學報，2008，24(1)：188192.yang hongzhen, zhang jianwei, li xiangtao, et al. remote automatic identificati

30、on system based on insect imagej. transactions of the chinese society of agricultural engineering(transactions of the csae), 2008, 24(1): 188 192. (inchinese with english abstract)21213314農業(yè)工程學報2012 年188abstract)15 yoko m, yoji i, minoru f. transverse shape analysis of xylem ground tissues by fourie

31、r transform image analysis:trial for statistical expression of cell arrangements with fluctuationj. journal of wood science, 2005, 51(3): 201208.16yoko m, minoru f. transverse shape analysis of xylem ground tissues by fourier transform image analysis : cellwall direction and reconstruction of cell s

32、hapesj. journal ofwood science, 2005, 51(3): 209217.webb a r. 統(tǒng)計模式識別m. 北京：電子工業(yè)出版社，2004.17identification method for rice plant hoppers based onimage spectral characteristicsliu deying, zhao sanqin, ding weimin, chen kunjie(college of engineering, nanjing agricultural university; key laboratory of intelligent agricultural equipment of jiangsu province,nanjing 210031, china)abstract: to accurately and rapidly identify the rice plant hoppers, a novel method for identification of the rice planthopper