一種基于圖像分析的玉米病蟲害智能化識別方法

摘要：農(nóng)業(yè)病蟲害智能化探測是現(xiàn)代農(nóng)業(yè)發(fā)展的必然趨勢，也是基本要求之一。以玉米病蟲害為研究對象，借助計(jì)算機(jī)圖像分析技術(shù)，提出了一種玉米病蟲害智能化識別方法。首先對降質(zhì)的玉米病蟲害圖像實(shí)現(xiàn)單層小波分解，以實(shí)現(xiàn)圖像信號的多尺度分解，獲得低頻分解系數(shù)和高頻分解系數(shù)。由于低頻分解系數(shù)包含絕大多數(shù)圖像低頻信號，降質(zhì)程度可忽略不計(jì)，設(shè)計(jì)了一種具有調(diào)節(jié)因子的自適應(yīng)增強(qiáng)函數(shù)模型，通過設(shè)定固定閾值，對高于該閾值的系數(shù)進(jìn)行只適應(yīng)增強(qiáng)，反之則進(jìn)行抑制。然后對上述各高頻系數(shù)進(jìn)行第二層小波分解，對獲得的低頻分解系數(shù)予以舍棄，對于高頻系數(shù)則通過設(shè)計(jì)一種隨著分解層數(shù)的變化而自適應(yīng)調(diào)整閾值的小波閾值函數(shù)模型來進(jìn)行處理。最后分別進(jìn)行2層小波系數(shù)重構(gòu)。結(jié)果表明，該方法對玉米病蟲害圖像的復(fù)原效果優(yōu)于小波硬、軟閾值函數(shù)模型，能夠根據(jù)復(fù)原后的圖像進(jìn)行病蟲害的準(zhǔn)確識別，稍加改進(jìn)可應(yīng)用與農(nóng)業(yè)智能化設(shè)備（如農(nóng)業(yè)機(jī)器人）的內(nèi)置程序中，能實(shí)現(xiàn)對病蟲害圖像的實(shí)時(shí)化地獲取、處理，智能化地識別。

關(guān)鍵詞：玉米病蟲害圖像；圖像分析；小波變換；自適應(yīng)增強(qiáng)；小波閾值函數(shù)模型

中圖分類號： S126 文獻(xiàn)標(biāo)志碼： A 文章編號：1002-1302（2014）07-0128-03

收稿日期：2013-09-25

作者簡介：楊青（1983—），女，上海人，講師，從事園林和高職教學(xué)研究。E-mail：greensheep9@163.com。農(nóng)業(yè)現(xiàn)代化水平的不斷提高，對農(nóng)業(yè)病蟲害的智能化識別提出了更高的要求。近年來，計(jì)算機(jī)圖像分析技術(shù)深入發(fā)展，誕生了一系列圖像分析方法，如小波變換[1-2]、數(shù)學(xué)形態(tài)學(xué)[3]、多重分形理論[4]等，為該領(lǐng)域的研究提供了一條可供借鑒的途徑。本研究將小波閾值法引入到農(nóng)業(yè)病蟲害識別中，以玉米病蟲害圖像為例，從圖像分析的角度探究病蟲害的準(zhǔn)確識別方法。通過對復(fù)原圖像的分析，可準(zhǔn)確判定害蟲的體態(tài)、類型，為將來制定滅蟲方案提供依據(jù)。

1 一種小波域改進(jìn)閾值函數(shù)模型

1.1圖像小波變換過程分析

一幅圖像可以看成是一個(gè)二維矩陣，假設(shè)該矩陣大小為m×n（m，n×Z*）。小波變換通過采用低通濾波器L（LPF）和高通濾波器H（HPF）對影像信號進(jìn)行濾波，在此基礎(chǔ)上進(jìn)行下二采樣，實(shí)現(xiàn)對影像的小波分解。圖像小波分解子圖像高頻成分用H表示，低頻成分用L表示。圖像經(jīng)過小波分解之后，得到4個(gè)不同方向、不同分辨率的小波系數(shù)，即LL1為第一層低頻系數(shù)；HL1表示第一層垂直高頻系數(shù)；LH1表示第一層水平高頻系數(shù)；HH1表示第一層高頻對角方向系數(shù)。對LL1進(jìn)行二層小波分解，可得到LL2、HL2、LH2、HH2，繼續(xù)進(jìn)行3層分解可類似地得到LL3、HL3、LH3、HH3。對于LL3仍可進(jìn)行理論上無限制的小波分解。圖像3層小波分解過程如圖1所示。

圖像經(jīng)過小波變換后呈現(xiàn)2類特性：（1）圖像信息的高度集中性。圖像信息集中分布在小波變換后獲得的各個(gè)系數(shù)中，并且呈現(xiàn)水平、垂直、對角線等方向集中分布。（2）圖像信息分布不均衡性。圖像經(jīng)過小波變換后，絕大部分信息集中于低頻系數(shù)，而少數(shù)高頻信息（如邊緣點(diǎn)、地物輪廓信息）則存在于高頻系數(shù)中。特別是對于噪聲圖像而言，經(jīng)小波變換后，噪聲信息大部分存在于各高頻系數(shù)中。

1.2改進(jìn)小波閾值函數(shù)模型

對于噪聲圖像而言，經(jīng)過小波分解后，圖像信息大部分集中于低頻部分，該部分系數(shù)幅值大；而噪聲信息集中于各高頻系數(shù)中，噪聲系數(shù)幅度值較小，無論是高頻系數(shù)還是低頻系數(shù)，它們的幅度值均隨著分解層數(shù)的增大而迅速減小。對噪聲信號加以過濾，保留圖像本身信號，在此基礎(chǔ)上進(jìn)行系數(shù)重構(gòu)，這便是小波閾值法圖像分析的基本思想。現(xiàn)有的研究模型大體上有硬閾值[5]、軟閾值[6]以及介于兩者之間的半軟半硬閾值模型[7-8]等3類。小波硬、軟閾值函數(shù)模型主要通過將待處理系數(shù)幅值與設(shè)置的閾值進(jìn)行比較，若大于該閾值則直接保留或者稍加處理，否則取0輸出。這類模型將噪聲圖像信號理想化為2類，即圖像中處理噪聲信號和圖像信號，而事實(shí)上這樣的理想化情形基本不存在，故該類模型有其局限性。在此基礎(chǔ)上發(fā)展起來的半軟半硬函數(shù)模型通過設(shè)置相關(guān)的調(diào)節(jié)因子求得軟、硬閾值的有效折中，而該類系數(shù)的取值基本是憑經(jīng)驗(yàn)來獲取，在應(yīng)用中存在較強(qiáng)的主觀性。基于以上分析，本研究嘗試進(jìn)行如下改進(jìn)。

1.2.1新型自適應(yīng)小波閾值經(jīng)過大量試驗(yàn)發(fā)現(xiàn)，隨著分解層數(shù)增加，小波系數(shù)幅度值衰減程度非常驚人，大體呈現(xiàn)指數(shù)級的衰減速度。傳統(tǒng)的小波閾值盡管也隨著分解層數(shù)增加而有所減小，但這樣的變換遠(yuǎn)不及事實(shí)上系數(shù)幅值衰減的速度。從這個(gè)角度上說，用傳統(tǒng)小波閾值進(jìn)行處理，難免會(huì)遺漏很大一部分的噪聲信號。

2算法試驗(yàn)與分析

衡量某一算法的優(yōu)劣，僅從理論上分析仍不足以說明問題，需要結(jié)合具體的試驗(yàn)并對試驗(yàn)結(jié)果進(jìn)行定性定量分析給出評判才具有說服力。本研究將該算法應(yīng)用于1幅實(shí)地拍攝的玉米病蟲害圖像的識別，由于現(xiàn)實(shí)中條件的特殊性所獲取的圖像僅能反映某一特定條件下的降質(zhì)，無法考慮到所有導(dǎo)致圖像降質(zhì)的因素。本研究通過對圖像加入一定強(qiáng)度的隨機(jī)噪聲來模擬降質(zhì)圖像，在一定程度上能說明問題。試驗(yàn)結(jié)果如圖3所示。

圖3-a為加入了均值為0、方差為0.3的高斯白噪聲和30%椒鹽噪聲構(gòu)成的模擬降質(zhì)圖像，圖中信息模糊不清，無法進(jìn)行辨認(rèn)。采用小波硬閾值函數(shù)模型對其進(jìn)行處理，結(jié)果如圖3-b所示，圖中對玉米害蟲輪廓可隱約分辨出，但對于該類害蟲的體態(tài)尺寸大小無法辨認(rèn)，并且玉米莖葉受損情況如何，也無法看清。圖3-c相對于前者盡管視覺效果有所改善，但圖中的信息辨認(rèn)起來仍較困難，表明2類經(jīng)典的小波閾值模型對降質(zhì)圖像的復(fù)原效果不是很理想。相對于前3幅圖像而言，圖3-d則存在本質(zhì)的不同，即圖中的玉米葉子受損情況可清洗辨認(rèn)，并且停留在玉米葉子上的害蟲，根據(jù)其體態(tài)、尺寸可認(rèn)為是“玉米螟”，是玉米生長過程中常見的害蟲。經(jīng)過準(zhǔn)確辨認(rèn)分析后，在現(xiàn)實(shí)操作中，可采用夜間設(shè)置頻振式殺蟲燈、高壓汞燈、黑光燈等設(shè)備來對成年的玉米螟來進(jìn)行捕殺。表明該算法可對該類圖像中的病蟲害信息進(jìn)行準(zhǔn)確復(fù)原。

3結(jié)論與討論

本研究借助于計(jì)算機(jī)圖像分析技術(shù)，提出了一種玉米病蟲害圖像智能化識別算法。該算法對降質(zhì)的玉米病蟲害圖像先后實(shí)現(xiàn)2層小波分解，通過對第一層分解和第二層分解后所獲得低頻系數(shù)和高頻系數(shù)分別進(jìn)行自適應(yīng)圖像增強(qiáng)和自適應(yīng)閾值化處理，在此基礎(chǔ)上實(shí)現(xiàn)重構(gòu)。結(jié)果表明，該算法能夠從降質(zhì)圖像中將病蟲害信息高效復(fù)原，通過對信息的準(zhǔn)確辨認(rèn)，準(zhǔn)確識別出病蟲害的基本情況，為有效防治害蟲提供了依據(jù)。

本研究為農(nóng)業(yè)病蟲害的識別給出了一個(gè)粗略思路，但要真正實(shí)現(xiàn)智能化的處理，還有以下工作：（1）本研究僅針對玉米病蟲害圖像進(jìn)行處理，若將該算法應(yīng)用于其他農(nóng)業(yè)病蟲害的識別仍需要結(jié)合具體試驗(yàn)對算法進(jìn)行適當(dāng)修正。（2）將該算法程序稍加改進(jìn)應(yīng)用于農(nóng)業(yè)智能化設(shè)備（如農(nóng)業(yè)機(jī)器人）中，通過對定時(shí)獲取的病蟲害圖像進(jìn)行智能化處理，并識別出害蟲的特征，提出防治害蟲有效方案。

參考文獻(xiàn)：

[1]邢航，張鐵民，漆海霞，等. 薯類農(nóng)產(chǎn)品視覺圖像的去噪方法[J]. 農(nóng)機(jī)化研究，2012，34（7）：43-47，52.

[2]王亞超，薛河儒，多化瓊，等. 基于小波變換的木材紋理去噪研究[J]. 內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，34（1）：142-145.

[3]程玉柱，陳勇，車軍，等. 基于Bayes與SVM的玉米彩色圖像分割新算法[J]. 江蘇農(nóng)業(yè)科學(xué)，2012，41（7）：355-358.

[4]夏政偉.多重分形理論在玉米病害圖像特征提取中的應(yīng)用[J]. 南方農(nóng)業(yè)學(xué)報(bào)，2013，44（5）：871-874.

[5]Donoho D L，Jonstone I M. Idel spatial adaptation by wavelet shrinkage[J]. Biometrika，1994，81（3）：425-455.

[6]Donoho D L. Denoising by soft-thrsholding[J]. IEEE Transactions on Information Theory，1995，41（3）：613-627.

[7]陳曉曦，王延杰，劉戀. 小波閾值去噪法的深入研究[J]. 激光與紅外，2012，42（1）：105-110.

[8]白青，王軍鋒，王濤，等. 一種改進(jìn)的小波閾值圖像去噪綜合模型[J]. 計(jì)算機(jī)技術(shù)與發(fā)展，2013，23（5）：50-53.