1、第 28 卷1842012 年第 7 期4 月農(nóng) 業(yè) 工 程 學(xué) 報(bào)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(nóng)業(yè)大學(xué)工學(xué)院/江蘇省智能化農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，南京 210031）摘 要：為準(zhǔn)確、快速的識別稻飛虱種類，采用自行設(shè)計(jì)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(biāo)像素的統(tǒng)計(jì)，選取 140 為閾值，對稻飛虱圖像的藍(lán)色通道進(jìn)行二值化，將背景與目標(biāo)分割開，采用形態(tài)學(xué)濾波 以及開運(yùn)算，與

2、灰度圖像進(jìn)行與操作，獲取單個(gè)稻飛虱蟲體背部區(qū)域的灰度圖像。然后對灰度圖像進(jìn)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 l´l (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(xùn)練集和驗(yàn)證集的試驗(yàn)結(jié)果表明，選用 3´3 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(dá)到90%以上。該方法可以實(shí)現(xiàn)田間稻飛虱的自動(dòng)識別。 關(guān)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(xiàn)標(biāo)志碼：a文章編號：1002

3、-6819(2012)-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(nóng)業(yè)工程學(xué)報(bào)，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 cs

4、ae), 2012, 28(7): 184188. (in chinese with english abstract)蟲標(biāo)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(shè)計(jì)的野外昆蟲圖像自動(dòng)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(jīng)南京農(nóng)業(yè)大學(xué)植保學(xué)院昆蟲分類專家鑒定，分別選取 單個(gè)白背飛虱、褐飛虱、灰飛虱圖像各 34 張，共計(jì)樣本102 個(gè)。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 768×576 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(yuǎn)不能

5、 滿足實(shí)際需要，再加上順應(yīng)精準(zhǔn)農(nóng)業(yè)變量施肥的要求， 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(dòng)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(yù)測預(yù)報(bào)的實(shí)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(dòng)采集裝置的基礎(chǔ)上8，對威脅水稻產(chǎn) 量的稻飛虱害蟲圖像識別方法進(jìn)行深入研究。蟲體特征的提取，是稻飛虱圖像識別的關(guān)鍵環(huán)節(jié)， 影響著分類器的設(shè)計(jì)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(jié)合現(xiàn)階段植保專家主要依據(jù)稻飛

6、 虱背部的顏色和紋理特征識別的經(jīng)驗(yàn)，本文對稻飛虱蟲 體背部圖像的頻譜進(jìn)行分析，并采用判別分析建立相應(yīng) 的識別模型，為后續(xù)田間稻飛虱數(shù)量的預(yù)測奠定基礎(chǔ)。1材料與方法1.1樣本采集2010 年 79 月，在南京農(nóng)業(yè)大學(xué)江浦實(shí)驗(yàn)農(nóng)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(yù)處理圖像預(yù)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(jìn)行二值化、形態(tài)濾波等預(yù)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(zhǔn)備。1.2.1閾值統(tǒng)計(jì)二值化處理是為了將目標(biāo)與背景區(qū)分開

7、，處理結(jié)果 的好壞決定于閾值的選擇是否合適。觀察圖 1，可以發(fā)現(xiàn)， 圖像背景單一，目標(biāo)清晰。因此，本文隨機(jī)選取多張稻收稿日期：2011-08-03修訂日期：2012-02-10基金項(xiàng)目：江蘇省農(nóng)機(jī)局科研啟動(dòng)基金項(xiàng)目“水稻蟲情測報(bào)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?yàn)槟Ｊ阶R別和自動(dòng)控制。南京 南京農(nóng)業(yè)大學(xué)工學(xué)院/江蘇省智能化農(nóng)業(yè) 裝備重點(diǎn)實(shí)驗(yàn)室，210031。email: dyliu飛虱圖像，在 rgb 顏色空間下，手工統(tǒng)計(jì)背景與目標(biāo)區(qū)域各 17086 個(gè)像素點(diǎn)的紅色（r）、綠色（g）、藍(lán)色（b） 顏色分量10。數(shù)據(jù)分布散點(diǎn)

8、圖如圖 2。從圖中不難發(fā)現(xiàn)， 原始圖像背景區(qū)域的 3 個(gè)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(biāo)區(qū)域的 3 個(gè)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(lán)色分量值的差異較 大。當(dāng)以 b=140 為閾值對目標(biāo)區(qū)域和背景區(qū)域進(jìn)行分割 并統(tǒng)計(jì)時(shí)，只有 3.82%背景區(qū)域的像素在此閾值范圍內(nèi)。 分割效果如圖 3 所示。圖 2 圖像背景與目標(biāo)的 r、g、b 數(shù)據(jù)散點(diǎn)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

9、 3 基于顏色閾值的二值化處理結(jié)果fig.3 binarization result based on color threshold1.2.2形態(tài)學(xué)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(chǎn)生一定的噪聲，如一些小目標(biāo)（小黑點(diǎn)），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(shè)計(jì)一個(gè)形 態(tài)學(xué)濾波器對圖像進(jìn)行濾波處理，步驟如下：1）采用文獻(xiàn)11所述的掃描線法，對二值圖中閉合 區(qū)域內(nèi)小孔洞進(jìn)行填充；2）用半徑為 3 的圓盤型結(jié)構(gòu)元素對圖像進(jìn)行開運(yùn)算，在消除尖峰、凸緣、切斷細(xì)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

10、變，消除比結(jié) 構(gòu)元素小的噪聲，如稻飛虱足和觸角等非目標(biāo)區(qū)域；3）對二值圖中各個(gè)不連通區(qū)域進(jìn)行標(biāo)記和編號；計(jì)算標(biāo)記編號區(qū)域的面積，保留最大面積目標(biāo)區(qū)域，去除足、觸角和噪聲等較小的非目標(biāo)區(qū)域。圖 4 給出濾波的結(jié)果圖。a. 白背飛虱b. 褐飛虱圖 4 形態(tài)學(xué)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(shè) f(i,j)為經(jīng)過形態(tài)學(xué)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(nóng)業(yè)工程學(xué)報(bào)2012 年186域 f(i,j)=0；設(shè) g(i,j)為

11、稻飛虱灰度圖像，根據(jù)式（1）將 2幅圖像進(jìn)行邏輯“與”，為減少后續(xù)圖像處理和建模的 計(jì)算量，將圖像尺寸裁剪為 128×128 像素，得到的稻飛 虱背部區(qū)域灰度圖像如圖 5 所示?？梢钥闯觯撅w虱原 始圖像中被目標(biāo)區(qū)域所覆蓋部分的圖像信息保留下來， 而將沒有被目標(biāo)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) = 1ì 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) Ä g (i,

12、 j) = íî0f (i, j) = 01.4識別模型的建立要建立基于傅里葉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(gòu)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(diǎn)對稱，選取 l´l(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=l´l 為特征個(gè)數(shù)，xi 為第 i 個(gè)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(zhǔn)則的 fisher 線性判別函數(shù)17圖 5

13、 128×128 稻飛虱背部區(qū)域灰度圖像fig.5 gray image of the back region of rice plant hopper(128×128)ì 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(jīng)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(gòu)成的。在頻譜圖中，其 中心點(diǎn)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(diǎn)相同距離的不同點(diǎn)具有相同的頻率和不 同的方向。距中心點(diǎn)越近，表示頻率越低

14、；距中心點(diǎn)越 遠(yuǎn)，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(jīng)過二維傅里葉變換后，周期性成分在頻譜圖上 會(huì)形成一個(gè)峰值點(diǎn)，其峰值的大小反映其在原圖像中所 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 m´n 圖像 f(x,y)的二維離散傅里葉變換的計(jì)算 公式如下：ï（5）í y2 = b 20 +b21 x1 + b22 x2 + l + b2 p x pïî y3 = b30 + b31 x1 + b32 x2 + l + b3 p x p式

15、中，y1，y2，y3 分別對應(yīng)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(jì)算其特征值 x1，x2，xp，然后將這些值分別代入每一個(gè)判別函數(shù)，根據(jù)函數(shù)值的 大小進(jìn)行歸類識別。2 識別結(jié)果與分析選定 80 張稻飛虱圖像為訓(xùn)練集，22 張稻飛虱圖像作 為測試樣本。選取 1 個(gè)（1×1）、4 個(gè)（2×2）、9 個(gè)（3×3）、16 個(gè)（4×4）、25 個(gè)（5×5）和 36 個(gè)（6×6）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

16、判別函 數(shù)，建立稻飛虱種類判別函數(shù)，計(jì)算出采用不同特征集 所得判別模型的預(yù)測正確率，然后再利用測試集樣本， 計(jì)算出不同特征集所得判別模型的預(yù)測正確率，結(jié)果如 表 1 所示。表 1 預(yù)測準(zhǔn)確率table 1 accuracy of predictionéæ ux vy öùm -1 n -11ê- j 2p ç m + n ÷úf (u, v) =å å f ( x, y) eëè øû（2）mn x = 0 y = 0式中， x = 0,1, 2,l, m

17、 - 1 ； y = 0,1, 2,l, n - 1頻譜值（特征值）的計(jì)算式為1f (u, v) = éë r 2 (u, v) + i 2 (u, v)ùû 2（3）特征集訓(xùn)練集預(yù)測準(zhǔn)確率/%測試集預(yù)測準(zhǔn)確率/%1×12×23×382.50(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(shí)部和虛部。傅里葉變換具有共軛對稱性，即|f(u,v)|=|f(-u,-v)|，也就 是頻譜分布是

18、以圖像原點(diǎn)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。4×45×596.25(77/80)98.75(79/80)86.36(19/22)90.91(20/22)6×697.50(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. transactions

19、 of the asabe, 2008, 51(6): 22172225. 楊宏偉，張?jiān)? 計(jì)算機(jī)視覺技術(shù)在昆蟲識別中的應(yīng)用進(jìn)展 j. 生物信息學(xué)，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. 數(shù)字圖像處理技

20、術(shù)在農(nóng)作物 病蟲草識別中的應(yīng)用j. 中國農(nóng)業(yè)科學(xué)，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(dòng)識別技術(shù)在昆蟲分

21、類鑒別中的 應(yīng)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(dòng)采集裝 置j. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42(6)：184187，173.liu deying, ding weimin, chen kunjie. automatic

22、 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. 基于顏色閾值的

23、田間籽棉圖像 分割技術(shù)j. 作物學(xué)報(bào)，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(jì)算 機(jī)時(shí)代，2009(3)：2223，26.姚敏，郁曉紅，易文晟，等. 數(shù)字圖像處理m.

24、 北京：機(jī) 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(xué)學(xué)報(bào)，2009，3

25、1(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(gè)數(shù)的增加，模型對訓(xùn)練集樣本的預(yù)測準(zhǔn)確率先逐步增大，在5×5 時(shí)達(dá)到最大，隨后降低，

26、其中采用 9 個(gè)、16 個(gè)、25個(gè)和 36 個(gè)特征參數(shù)，模型對訓(xùn)練集的預(yù)測正確度均達(dá)90%以上。利用測試集對模型進(jìn)行驗(yàn)證的結(jié)果表明，只有 采用 9 個(gè)和 25 個(gè)特征參數(shù)的判別模型，其預(yù)測正確率可 以達(dá)到 90%以上?？紤]模型的復(fù)雜性及計(jì)算量，采用 9個(gè)參數(shù)的模型作為稻飛虱種類的判別模型較好，表 2 給出 3×3 頻譜窗口 fisher 線性判別函數(shù)的系數(shù)。表 2 3×3 頻譜窗口 fisher 線性判別函數(shù)系數(shù)table 2 discriminant function coffients using 3×3 spectral data56常數(shù)項(xiàng) x1x2x3x4

27、x5x6x7x8x9y1y2-9712 -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(jié)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(lán)色通道設(shè)定固定閾值 b=140 進(jìn) 行圖像的背景分割；通過形態(tài)學(xué)濾波和圖像開運(yùn)算等圖 像處理方法，得到

28、稻飛虱背部區(qū)域圖像；2）用 l´l(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(xùn)練集樣本預(yù)測的正確率都在 80%以上，并隨著頻譜特征窗口的增大，訓(xùn)練集的 預(yù)測準(zhǔn)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(gè)稻飛虱蟲體的背部圖像，采用 fisher 判 別模型，選用 3×3 二維傅里葉頻譜窗口，即用 9 個(gè)特征 向量來描述稻飛虱識別特征，測試集預(yù)測準(zhǔn)確率達(dá)到90.91%，并且模型較為簡單，因此可以實(shí)現(xiàn)對稻飛虱種 類的判別，這對于農(nóng)業(yè)蟲害的自動(dòng)測報(bào)具有一定應(yīng)用價(jià)值。78910參 考 文 獻(xiàn)l, wh

29、eeler q, jackway p, et al. accelerating1salle j11taxonomic discovery through automated character extraction j. zootaxa, 2009, 55(2217): 4355. 張紅濤，毛罕平，邱道尹. 儲(chǔ)糧害蟲圖像識別中的特征提 取j. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25(2)：126130.zhang hongtao, mao hanping, qiu daoyin. feature extraction for the stored-grain insect detection syste

30、m based on image recognition 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(yuǎn)程自動(dòng) 識別系統(tǒng)的研究j. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24(1)：188192.yang hongzhen, zhang jianwei, li xiangtao, et al. r

31、emote automatic identification 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(nóng)業(yè)工程學(xué)報(bào)2012 年188abstract)15 yoko m, yoji i, minoru f. transverse shape analysis of xy

32、lem ground tissues by fourier 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

33、and reconstruction of cell shapesj. journal ofwood science, 2005, 51(3): 209217.webb a r. 統(tǒng)計(jì)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 ident