無公害農產品信息化系統的數字特征提取

摘要：在引入數字圖像處理技術的基礎上，提出一種無公害農產品數字特征提取方法，該方法從農產品的生長環境、培育過程、幾何形態3個類別9個方面，對無公害檢測關鍵指標進行數字化處理，提取出無公害農產品的數字特征。與傳統方法相比，本研究提出的方法具有檢測速度快、范圍廣、非破壞性等特點，具有良好的準確性。驗證結果表明，該方法在農業信息化系統中具有良好的可行性。

關鍵詞：農業信息化；無公害農產品；數字特征

中圖分類號： S126文獻標志碼： A文章編號：1002-1302（2014）10-0373-04

收稿日期：2014-01-08

基金項目：教育部“春暉”計劃科研合作資助項目（編號：Z2005-1-55003）；重慶市涪陵區科委計劃項目（編號：2012ABA1054）；長江師范學院科研項目（編號：2012XJYB038）。

作者簡介：徐儒（1982—），男，重慶忠縣人，碩士，實驗師，從事農業信息化研究。E-mail：xuru168888@163.com。我國是一個農業大國，農業生產仍然是一些地方的主導產業，我國又是一個人口大國，每天都需要消耗大量的農產品，存在較大的供求市場，因此農產品與人們的生產生活息息相關。隨著人們生活水平的提高，對食物消費結構也在悄然發生變化，由原來的吃飽、吃好向吃得安全、健康方向轉變，更加注重農產品的安全、營養品質，無公害綠色農產品由于其質量好、安全性高，越來越受到人們的歡迎。

所謂無公害農產品即指產地環境、生產過程和最終產品符合無公害食品標準和規范的農、牧、漁產品，其基本特征是無污染、安全、優質、營養。傳統的無公害農產品判斷指標大都采用肉眼觀察和隨機抽樣并進行化學檢測的方法，這種方法需要專業機構、專業儀器設備、專業人員進行檢測，檢測過程會破壞樣本本身，檢測的時間較長，且取樣具有一定的隨機性。隨著數字圖像處理技術的引入，模式識別在農產品檢測和識別方面也有諸多研究，但是這些研究也大多停留在對農產品的圖像識別的幾何特征方面，不能很好地應用于農業信息化領域，為了準確描述無公害農產品的基本特性，需要對其進行數字特征研究。本課題組從2002年開始進行農業信息化研究，對糧油、蔬菜、瓜果、水產、食用菌、種子、苗木等初級產品進行大量調研和分析的基礎上，將傳統檢測方法與數字圖像處理技術相結合，提出一種基于生長環境、培育過程、幾何形態3個方面進行無公害數字特征提取的新方法，該方法通過對農產品3個方面無公害數字特征的提取，能夠涵蓋絕大多數無公害農產品的檢測范圍，其特征值能夠較為準確、科學地對農產品進行無公害判斷和檢測。

1特征選擇

特征選擇（feature selection）也稱特征子集選擇（feature subset selection，FSS ）或屬性選擇（attribute selection ），是指從許多特征中找出那些最有效的特征，從海量的數據中提取出有用的特征子集，從而降低特征空間的維數，提高數據的使用效率。在無公害農產品的數字特征提取中，反映無公害特征的信息往往較多，存在與無公害毫不相關的關系，如何從眾多的特征中過濾掉不相關的、冗余的特征，關鍵在于恰當的特征選擇，在提高模型精確度和減少運行時間的同時降低空間維數。為此，要解決農業信息化中無公害農產品數字特征的提取，首先要對特征參數進行選擇操作。

特征選擇操作是從一組數量為D的特征中選擇出數量為d（D>d）的最優特征。在特征選擇時解決2個方面的問題，一是選擇的標準，既選擇一種可分離性判據作為最大特征組的標準；二是找到一個較好的算法，以便在最短的時間內找出最優的特征組。假設k組特征項之間相互獨立，用符號N表示，選擇前M個特征就是一組最優的特征。

通過對涪陵區農業信息化近10年的研究發現，無公害農產品的基本特性，主要受到生長環境、培育過程、形態表現3個方面影響。其中生長環境主要從生態和環境方面判定農產品的安全性，是最基本、最原始、最重要的特征；培育過程主要從生產環節方面判定農產品的安全性，是最重要、最容易導致農產品出現問題的特征參數；形態外觀主要從大小、形狀、顏色、表面缺陷等外部表現方面判定農產品的商品性。

我們在2001年《涪陵農業信息化預研究》和2006年《涪陵三農信息系統開發》的基礎上，對生長環境、培育過程、幾何形態特征參數設置一定的權重閾值來表示3個方面的重要程度。特征參數經過選擇和權重計算，生成無公害農產品判斷的核心向量，這些向量中的特征參數代表該類特征的類別領域詞，能夠較準確地反映出無公害農產品的基本特征。

2生長環境特征分析

生長環境的好壞與農產品的優劣有密切關系，伴隨著農作物的生長發育過程，生產基地的環境因子是確保農產品安全的基礎。農產品無公害的判別，首先對農作物的生長環境進行特征分析和提取，具有十分重要的意義。

無公害農產品的產地要求包括培育基地的土壤環境、灌溉水環境等，這些環境因子必須達到且符合國家規定的無公害的基本標準，從而保證無公害農產品出自良好的生長環境。雖然影響農產品生長的環境因素很多，但是最能影響農產品安全性的主要有3方面：土壤質量、灌溉水質、大氣環境。其中，土壤質量包括土壤中的微量元素、重金屬元素等，例如總汞、總砷、總鎘、總鉛、總銅、總鉻；大氣環境包括有毒氣體、顆粒懸浮物等，例如二氧化硫、二氧化氮、氟化物、總懸浮顆粒物；灌溉水質包括重金屬元素、化學廢棄原料、不適合農作物生長的污水等，例如pH值、總汞、總砷、總鎘、總鉛、總銅、石油類、氟化物、氯化物、六價鉻、類大腸菌群、化學需氧量等。用U表示生長環境的集合，則關于無公害農產品的生長環境可表示為：U={U1，U2，U3}={土壤質量特征，灌溉水質特征，大氣環境特征}；其中Ui={Ui1，Ui2，Ui3，…，Uij，…，Uim}表示第i個特征的集合，例如U11表示為U11={總汞，總砷，總鎘，總鉛，總銅}。

農產品主要來源于農場和基地，空氣環境指標、灌溉水質指標、土壤質量指標都有嚴格的數值范圍。在信息化的農業信息系統中，這些參數可以通過權威機構鑒定獲取。

3培育過程特征分析

無公害農產品除了對生長環境有特殊的要求外，對整個培育過程也有嚴格的規定。在產前的種子、種苗、肥料、農藥等環節的投入監測；產中的栽培、灌溉、施肥、用藥、收獲等環節的投入監管；產后的收貨、包儲、存放、運輸等環節的投入監管。整個培育過程一般不施或少施化學肥料，主要采用有機肥料和秸稈回田實現養分平衡；在病蟲草害防治方面，主要采用農業防治、物理防治、生物防治等措施防治病蟲草害，整個過程避免使用高毒高殘留化學藥劑，從而提高食品安全指數。

化學藥劑的使用，會在產品的表面或體內殘留，影響農產品的安全性。為此，我們通過光譜特征提取對農藥殘留進行檢測，采用多路發光二極管為光源，紫外及可見分光光度法檢測農藥殘留對生物酶的抑制率，從而確定農藥殘留的程度，衡量農產品中農藥殘留特征。

4產品幾何特征分析

4.1顏色特征參數提取

物體顏色常用顏色空間來表示。顏色空間是用一種數學方法形象化表示顏色，人們用它來指定和產生顏色。在計算機視覺中，農產品圖像的顏色特征是極其重要的因素。

RGB顏色空間是最常用的顏色模型之一，作為一種顏色標準，通過紅（Red）、綠（Green）、藍（Blue）3種顏色通道，為每個像素的RGB分量分配1個0～255范圍內的強度值，3種顏色按照不同的比例進行混合與疊加，從而得到各式各樣的顏色。HSI顏色空間也是一種空間模型，是以人的視覺系統為出發點，用色調（Hue）、飽和度（Saturation）、亮度 （Intensity） 3個參數來描述顏色特性，其中H表示顏色的波長，S表示顏色的深淺程度，I表示強度或亮度，由于3者之間相互獨立，可單獨處理，用圓錐空間模型來表現。在圖像處理中，大量算法可在HSI色彩空間中方便地使用，簡化了圖像分析和處理的工作量。RGB模型與HIS模型如圖1所示。

用數碼相機采集到的原始圖像是由RGB色彩空間表示的，為了提取農產品圖像的顏色特征，需要對RGB圖像進行HSI空間的轉換。RGB向HSI轉換，是由基于笛卡爾直角坐標系的單位立方體向基于圓柱極坐標的雙錐體進行等價變換，其中幾何推導算法是比較經典的方法，采用公式（1）將RGB中的亮度分離，將色度分解為色調和飽和度，實現RGB圖像中色度和亮度的分離。

通過HSI顏色算法來獲取產品顏色并對其進行聚類分析，可以獲得較好的識別效果。在HSI顏色模型中主要描述物體顏色的特征有色調、飽和度、亮度，其中色調是描述純色的屬性，是真正反映物體顏色的特征屬性，飽和度主要反映一種純色被白光稀釋程度的度量，是不可以測量的，亮度則是對顏色明亮程度的主觀描述，是不可以測量參數。因此，在顏色特征的參數提取中，主要提取集中反映顏色本質特征的色調參數。經過RGB到HSI顏色空間的轉換，色調參數以空間向量的形式表示，任意選擇其中的一個像素值都不能夠準確地反映圖像的基本特征，因此，通過獲取圖像中各個像素點的色調平均值來反映顏色本質特征是比較準確的。基本操作為：先獲取產品顏色的H分量值，再求各個分量的平均值，圖像中各像素點色調H的平均值則為產品的顏色特征。計算公式描述為：

集合h={h1，h2，…，hi，…，hn}表示H分量的像素集合，hi表示圖像對象中RGB轉換HSI模型映射的色調特征值的第i個像素值，總像素數用N表示，圖像中各個像素點的色調平均值H可表示為：H=∑ni=1hiN，其標準差σH表示為：σH=1N∑ni=1（Hi-H）2，H即為物體顏色的特征參數。

4.2面積特征參數提取

面積是衡量物體所占范圍的一種方便的客觀度量。一般情況下，在品種和生長環境一定的情況下，同一批次的農產品的物理面積大小雖不完全相同，但都趨近于一個標準常值K。通過對農產品進行面積特征的表征分析，可以有效地提取出產品面積的形態特征，從而很好地對農產品進行分類或定級。

面積特征主要由物體或區域的邊界決定，與其內部灰度級別的變化無關，一般最有效的面積特征提取方法是統計產品圖片的邊界及其內部像素的總和。基本思想為：首先獲取農產品圖像，再對產品圖像進行HSI色彩空間轉換，提取色彩分量進行灰度化和二值化操作，然后進行圖像分割和去噪處理，在邊緣檢測和提取的基礎上進行區域填充與標志，并計算出標志區域像素點值的總和，通過已知參照標準物單位面積的像素值，計算參照物與區域標志之間的像素比值，進而求出農產品的面積（圖2）。

在圖像分割中，大量的試驗發現，很多農產品圖像的灰度直方圖并不具有明顯的雙峰特征，不能夠采用傳統的選定灰度雙峰之間的谷底值作為輸入閾值將灰度圖像進行二值化，為此，需要直接對S分量進行灰度和二值化，通過差分法將對象和背景分離出來。在邊緣提取中，分別采用Robert、Sobel、Prewitt和Laplacian邊緣算子對分割好的圖像進行邊緣檢測，提取產品圖像的邊緣檢測結果，發現Sobel算子和Prewitt算子存在邊緣不完全連通的情況，Laplacian算子出現對噪聲比較敏感，而Robert邊緣檢測算子能夠產生較好的邊緣檢測效果，因此我們采用Robert邊緣檢測算子完成圖像邊緣提取。

提取產品圖像面積特征的算法描述為：

步驟1，圖像灰度變換：將真彩圖轉換成灰度圖像，使得圖像的對比度擴展，圖像更加清晰，特征更明顯。

步驟2，圖像分割：主要從背景中分離出圖像對象。由于閾值法不能夠很好的選取閾值，因此采用差分法對圖像進行分割。

步驟3，調節圖像對比度：主要增強圖像對比度增大反差，提高圖像對比度和清晰度，加大圖像動態范圍。

步驟4，邊緣檢測和提取：采用Robert算子進行邊緣檢測；從而構成分割區域，將對象目標和背景分開。

步驟5，圖像幾何特征處理：通過開運算對邊緣提取圖像腐蝕膨脹，可以抑制噪聲，能有效地消除孤立噪聲點，增大和填補目標物體中的空洞，并形成連通域，對圖像區域進行填充和邊緣輪廓平滑操作。

步驟6，濾波操作：通過濾波操作，消除圖像噪聲，從而提高數據的準確度。

步驟7，標記圖像區域并獲取屬性值。

步驟8，確定參照物單位像素值為單位面積，計算參照物與圖像區域之間的比值，進而而獲取圖像面積。計算公式為：S=標志區域像素值/參照物單位面積像素值。

4.3形狀特征參數提取

當物體從圖象中分割出來以后，形狀描述特征就可以作為區分物體的重要依據，在無公害農產品的檢測中起著十分重要的作用。刻畫物體基本的形狀特征主要通過矩形度和矩形跨度2個參數來反映，其中矩形度主要反映物體對其外接矩形的充滿程度，矩形跨度主要反映矩形長和寬之間的比例關系。矩形度和跨度參數主要用來判斷農產品的形狀是否規整，從形狀上是否符合無公害的基本要求。

矩形度主要通過物體的面積與其最小外接矩形的面積之比來刻畫，計算最小外接矩形MER的算法思想為：將物體的邊界以每次N°的增量在90°范圍內間隔旋轉。每旋轉1次記錄1次其坐標系方向上的外接矩形邊界點的最大和最小坐標值（x、y）。通過旋轉的方法來尋找物體的最小外接矩形（圖3）。

形狀特征參數提取的算法描述為：

步驟1，以水平方向為x坐標，垂直方向為y坐標，確定對象的中心點，在90°范圍內等間隔旋轉。

步驟2，記錄每次旋轉的坐標刻度，獲取x軸和y軸意義下的最大長度和寬度，求出外接矩形值。

步驟3，計算每次旋轉最小外接矩形。

步驟4，根據對象面積與最小外接矩形，求出矩形度R。矩形度R的公式描述為：R=AAmer。

取面積最小外接矩形的參數為主軸意義下的長度和寬度，則此時物體水平和垂直之間的跨度關系可以通過最大橫軸與最大縱軸之間的長寬比值λ表示：λ=wH。

4.4紋理特征參數提取

每一種農產品的表面都存在固有的紋理特征，可以通過這種紋理特征來區分和判斷農產品的類別，還可以通過這種紋理特征來檢測物體是否存在缺陷。紋理特征在遙感圖像識

別、醫學成像診斷、材料表面質量檢測等領域具有重要的作用。從農產品圖像區域中提取有效的紋理信息，反演出產品的表面物理屬性，查看農產品是否存在損壞、腐敗、磕碰變質等情況，主要采用經典的局部二值模式 （local binary pattern，LBP）算法。

LBP算法是一種用來描述圖像局部紋理特征的算子，算法首先由Ojala等提出，其基本思想是：以某像素點為中心點（xc，yc），與鄰近區域的每個像素點灰度值進行比較，若鄰近像素點的灰度值大于中心像素點的灰度值，則將鄰近像素點的灰度值標記為1，否則標記為0；從左上角順時針排列鄰近像素點的灰度值，可產生8 bit的無符號數，即得到該點的LBP編碼值，由LBP算子得到LBP碼替換掉該點的像素值，就得到圖像的LBP紋理圖，并用這個值來反映該區域的紋理信息。

通過對LBP紋理圖進行直方圖匹配操作，可以應用到無公害農產品的表面缺陷檢測中。LBP算子的特征向量提取過程描述為：

步驟1，圖像提取：從分辨率和灰度兩個維度分解紋理圖像，得到二值圖像陣列。

步驟2，劃分cell區域：將圖像進行cell小區域劃分，每個cell區域滿足R×R。

步驟3，二值化轉換：將R×R的區域像素點分別與中心像素點的灰度值進行比較，如果中心像素值比該鄰點大，則將鄰點賦值為1，否則賦值為0。

步驟4，統計二值圖像中的0值連通域和1值連通域的屬性，得到cell區域的二進制LBP碼。

步驟5，LBP紋理特征值：通過LBP碼與閾值的乘積，確定每個cell區域的LBP紋理特征值。

步驟6，對比度分量：獲取鄰域中所有大于和等于中心點像素的均值與所有小于中心點像素的均值之差，確定出對比度分量。

步驟7，cell直方圖處理：對LBP碼的二進制序列進行統計，并對每次出現的頻率進行單個cell的直方圖處理。

步驟8，直方圖歸一化處理：對每個cell的統計直方圖進行連接，得到圖像對象的LBP紋理特征。

步驟9，農產品判別：通過圖像的紋理特征，對農產品的表面進行判別篩選，對表面存在缺陷、腐敗、不規則等不符合無公害要求的農產品進行剔除。

分析結果表明，通過本系統設計的數字特征提取法能夠較準確地測量出農產品是否屬于無公害產品，而且本研究所采用的方法為無損檢測，為其實用性奠定了很好的基礎。

6結論

針對現有農產的無公害檢測存在的隨機性大、檢測時間長、專業性要求高、破壞樣本等問題，本研究在引入數字圖像處理技術的基礎上，提出一種新的無公害農產品數字特征提取方法，該方法從農產品的生長環境、培育過程、幾何形態3個類別9個方面，進行無公害檢測、分析與研究，提取出無公害農產品的數字特征。與傳統方法相比，本研究提出的方法具有檢測速度快、范圍廣，實現了對無公害農產品非破壞性檢測的特點，具有良好的準確度，在農業信息化系統應用中可行性強。

參考文獻：

[1]王永皎，張引，張三元. 基于圖像處理的植物葉面積測量方法[J]. 計算機工程，2006，32（8）：210-212.

[2]王國林，周樹仁，李軍強. 基于模糊聚類和形態學的輪胎斷面特征提取[J]. 江蘇大學學報：自然科學版，2012，33（5）：513-517.

[3]邊肇祺，張學工. 模式識別[M]. 北京：清華大學出版社，2000.

[4]陳廷寅，張東，楊艷，等. 超聲圖像的LBP紋理特征提取[J]. 武漢大學學報：理學版，2012，58（5）：401-405.

[5]鄭永斌，黃新生，豐松江. SIFT和旋轉不變LBP相結合的圖像匹配算法[J]. 計算機輔助設計與圖形學學報，2010，22（2）：286-292.

[6]黃非非. 基于LBP的人臉識別研究[D]. 重慶：重慶大學，2009：20-25.

步驟5，圖像幾何特征處理：通過開運算對邊緣提取圖像腐蝕膨脹，可以抑制噪聲，能有效地消除孤立噪聲點，增大和填補目標物體中的空洞，并形成連通域，對圖像區域進行填充和邊緣輪廓平滑操作。

步驟6，濾波操作：通過濾波操作，消除圖像噪聲，從而提高數據的準確度。

步驟7，標記圖像區域并獲取屬性值。

步驟8，確定參照物單位像素值為單位面積，計算參照物與圖像區域之間的比值，進而而獲取圖像面積。計算公式為：S=標志區域像素值/參照物單位面積像素值。

4.3形狀特征參數提取

當物體從圖象中分割出來以后，形狀描述特征就可以作為區分物體的重要依據，在無公害農產品的檢測中起著十分重要的作用。刻畫物體基本的形狀特征主要通過矩形度和矩形跨度2個參數來反映，其中矩形度主要反映物體對其外接矩形的充滿程度，矩形跨度主要反映矩形長和寬之間的比例關系。矩形度和跨度參數主要用來判斷農產品的形狀是否規整，從形狀上是否符合無公害的基本要求。

矩形度主要通過物體的面積與其最小外接矩形的面積之比來刻畫，計算最小外接矩形MER的算法思想為：將物體的邊界以每次N°的增量在90°范圍內間隔旋轉。每旋轉1次記錄1次其坐標系方向上的外接矩形邊界點的最大和最小坐標值（x、y）。通過旋轉的方法來尋找物體的最小外接矩形（圖3）。

形狀特征參數提取的算法描述為：

步驟1，以水平方向為x坐標，垂直方向為y坐標，確定對象的中心點，在90°范圍內等間隔旋轉。

步驟2，記錄每次旋轉的坐標刻度，獲取x軸和y軸意義下的最大長度和寬度，求出外接矩形值。

步驟3，計算每次旋轉最小外接矩形。

步驟4，根據對象面積與最小外接矩形，求出矩形度R。矩形度R的公式描述為：R=AAmer。

取面積最小外接矩形的參數為主軸意義下的長度和寬度，則此時物體水平和垂直之間的跨度關系可以通過最大橫軸與最大縱軸之間的長寬比值λ表示：λ=wH。

4.4紋理特征參數提取

每一種農產品的表面都存在固有的紋理特征，可以通過這種紋理特征來區分和判斷農產品的類別，還可以通過這種紋理特征來檢測物體是否存在缺陷。紋理特征在遙感圖像識

別、醫學成像診斷、材料表面質量檢測等領域具有重要的作用。從農產品圖像區域中提取有效的紋理信息，反演出產品的表面物理屬性，查看農產品是否存在損壞、腐敗、磕碰變質等情況，主要采用經典的局部二值模式 （local binary pattern，LBP）算法。

LBP算法是一種用來描述圖像局部紋理特征的算子，算法首先由Ojala等提出，其基本思想是：以某像素點為中心點（xc，yc），與鄰近區域的每個像素點灰度值進行比較，若鄰近像素點的灰度值大于中心像素點的灰度值，則將鄰近像素點的灰度值標記為1，否則標記為0；從左上角順時針排列鄰近像素點的灰度值，可產生8 bit的無符號數，即得到該點的LBP編碼值，由LBP算子得到LBP碼替換掉該點的像素值，就得到圖像的LBP紋理圖，并用這個值來反映該區域的紋理信息。

通過對LBP紋理圖進行直方圖匹配操作，可以應用到無公害農產品的表面缺陷檢測中。LBP算子的特征向量提取過程描述為：

步驟1，圖像提取：從分辨率和灰度兩個維度分解紋理圖像，得到二值圖像陣列。

步驟2，劃分cell區域：將圖像進行cell小區域劃分，每個cell區域滿足R×R。

步驟3，二值化轉換：將R×R的區域像素點分別與中心像素點的灰度值進行比較，如果中心像素值比該鄰點大，則將鄰點賦值為1，否則賦值為0。

步驟4，統計二值圖像中的0值連通域和1值連通域的屬性，得到cell區域的二進制LBP碼。

步驟5，LBP紋理特征值：通過LBP碼與閾值的乘積，確定每個cell區域的LBP紋理特征值。

步驟6，對比度分量：獲取鄰域中所有大于和等于中心點像素的均值與所有小于中心點像素的均值之差，確定出對比度分量。

步驟7，cell直方圖處理：對LBP碼的二進制序列進行統計，并對每次出現的頻率進行單個cell的直方圖處理。

步驟8，直方圖歸一化處理：對每個cell的統計直方圖進行連接，得到圖像對象的LBP紋理特征。

步驟9，農產品判別：通過圖像的紋理特征，對農產品的表面進行判別篩選，對表面存在缺陷、腐敗、不規則等不符合無公害要求的農產品進行剔除。

分析結果表明，通過本系統設計的數字特征提取法能夠較準確地測量出農產品是否屬于無公害產品，而且本研究所采用的方法為無損檢測，為其實用性奠定了很好的基礎。

6結論

針對現有農產的無公害檢測存在的隨機性大、檢測時間長、專業性要求高、破壞樣本等問題，本研究在引入數字圖像處理技術的基礎上，提出一種新的無公害農產品數字特征提取方法，該方法從農產品的生長環境、培育過程、幾何形態3個類別9個方面，進行無公害檢測、分析與研究，提取出無公害農產品的數字特征。與傳統方法相比，本研究提出的方法具有檢測速度快、范圍廣，實現了對無公害農產品非破壞性檢測的特點，具有良好的準確度，在農業信息化系統應用中可行性強。

參考文獻：

[1]王永皎，張引，張三元. 基于圖像處理的植物葉面積測量方法[J]. 計算機工程，2006，32（8）：210-212.

[2]王國林，周樹仁，李軍強. 基于模糊聚類和形態學的輪胎斷面特征提取[J]. 江蘇大學學報：自然科學版，2012，33（5）：513-517.

[3]邊肇祺，張學工. 模式識別[M]. 北京：清華大學出版社，2000.

[4]陳廷寅，張東，楊艷，等. 超聲圖像的LBP紋理特征提取[J]. 武漢大學學報：理學版，2012，58（5）：401-405.

[5]鄭永斌，黃新生，豐松江. SIFT和旋轉不變LBP相結合的圖像匹配算法[J]. 計算機輔助設計與圖形學學報，2010，22（2）：286-292.

[6]黃非非. 基于LBP的人臉識別研究[D]. 重慶：重慶大學，2009：20-25.

步驟5，圖像幾何特征處理：通過開運算對邊緣提取圖像腐蝕膨脹，可以抑制噪聲，能有效地消除孤立噪聲點，增大和填補目標物體中的空洞，并形成連通域，對圖像區域進行填充和邊緣輪廓平滑操作。

步驟6，濾波操作：通過濾波操作，消除圖像噪聲，從而提高數據的準確度。

步驟7，標記圖像區域并獲取屬性值。

步驟8，確定參照物單位像素值為單位面積，計算參照物與圖像區域之間的比值，進而而獲取圖像面積。計算公式為：S=標志區域像素值/參照物單位面積像素值。

4.3形狀特征參數提取

當物體從圖象中分割出來以后，形狀描述特征就可以作為區分物體的重要依據，在無公害農產品的檢測中起著十分重要的作用。刻畫物體基本的形狀特征主要通過矩形度和矩形跨度2個參數來反映，其中矩形度主要反映物體對其外接矩形的充滿程度，矩形跨度主要反映矩形長和寬之間的比例關系。矩形度和跨度參數主要用來判斷農產品的形狀是否規整，從形狀上是否符合無公害的基本要求。

矩形度主要通過物體的面積與其最小外接矩形的面積之比來刻畫，計算最小外接矩形MER的算法思想為：將物體的邊界以每次N°的增量在90°范圍內間隔旋轉。每旋轉1次記錄1次其坐標系方向上的外接矩形邊界點的最大和最小坐標值（x、y）。通過旋轉的方法來尋找物體的最小外接矩形（圖3）。

形狀特征參數提取的算法描述為：

步驟1，以水平方向為x坐標，垂直方向為y坐標，確定對象的中心點，在90°范圍內等間隔旋轉。

步驟2，記錄每次旋轉的坐標刻度，獲取x軸和y軸意義下的最大長度和寬度，求出外接矩形值。

步驟3，計算每次旋轉最小外接矩形。

步驟4，根據對象面積與最小外接矩形，求出矩形度R。矩形度R的公式描述為：R=AAmer。

取面積最小外接矩形的參數為主軸意義下的長度和寬度，則此時物體水平和垂直之間的跨度關系可以通過最大橫軸與最大縱軸之間的長寬比值λ表示：λ=wH。

4.4紋理特征參數提取

每一種農產品的表面都存在固有的紋理特征，可以通過這種紋理特征來區分和判斷農產品的類別，還可以通過這種紋理特征來檢測物體是否存在缺陷。紋理特征在遙感圖像識

別、醫學成像診斷、材料表面質量檢測等領域具有重要的作用。從農產品圖像區域中提取有效的紋理信息，反演出產品的表面物理屬性，查看農產品是否存在損壞、腐敗、磕碰變質等情況，主要采用經典的局部二值模式 （local binary pattern，LBP）算法。

LBP算法是一種用來描述圖像局部紋理特征的算子，算法首先由Ojala等提出，其基本思想是：以某像素點為中心點（xc，yc），與鄰近區域的每個像素點灰度值進行比較，若鄰近像素點的灰度值大于中心像素點的灰度值，則將鄰近像素點的灰度值標記為1，否則標記為0；從左上角順時針排列鄰近像素點的灰度值，可產生8 bit的無符號數，即得到該點的LBP編碼值，由LBP算子得到LBP碼替換掉該點的像素值，就得到圖像的LBP紋理圖，并用這個值來反映該區域的紋理信息。

通過對LBP紋理圖進行直方圖匹配操作，可以應用到無公害農產品的表面缺陷檢測中。LBP算子的特征向量提取過程描述為：

步驟1，圖像提取：從分辨率和灰度兩個維度分解紋理圖像，得到二值圖像陣列。

步驟2，劃分cell區域：將圖像進行cell小區域劃分，每個cell區域滿足R×R。

步驟3，二值化轉換：將R×R的區域像素點分別與中心像素點的灰度值進行比較，如果中心像素值比該鄰點大，則將鄰點賦值為1，否則賦值為0。

步驟4，統計二值圖像中的0值連通域和1值連通域的屬性，得到cell區域的二進制LBP碼。

步驟5，LBP紋理特征值：通過LBP碼與閾值的乘積，確定每個cell區域的LBP紋理特征值。

步驟6，對比度分量：獲取鄰域中所有大于和等于中心點像素的均值與所有小于中心點像素的均值之差，確定出對比度分量。

步驟7，cell直方圖處理：對LBP碼的二進制序列進行統計，并對每次出現的頻率進行單個cell的直方圖處理。

步驟8，直方圖歸一化處理：對每個cell的統計直方圖進行連接，得到圖像對象的LBP紋理特征。

步驟9，農產品判別：通過圖像的紋理特征，對農產品的表面進行判別篩選，對表面存在缺陷、腐敗、不規則等不符合無公害要求的農產品進行剔除。

分析結果表明，通過本系統設計的數字特征提取法能夠較準確地測量出農產品是否屬于無公害產品，而且本研究所采用的方法為無損檢測，為其實用性奠定了很好的基礎。

6結論

針對現有農產的無公害檢測存在的隨機性大、檢測時間長、專業性要求高、破壞樣本等問題，本研究在引入數字圖像處理技術的基礎上，提出一種新的無公害農產品數字特征提取方法，該方法從農產品的生長環境、培育過程、幾何形態3個類別9個方面，進行無公害檢測、分析與研究，提取出無公害農產品的數字特征。與傳統方法相比，本研究提出的方法具有檢測速度快、范圍廣，實現了對無公害農產品非破壞性檢測的特點，具有良好的準確度，在農業信息化系統應用中可行性強。

參考文獻：

[1]王永皎，張引，張三元. 基于圖像處理的植物葉面積測量方法[J]. 計算機工程，2006，32（8）：210-212.

[2]王國林，周樹仁，李軍強. 基于模糊聚類和形態學的輪胎斷面特征提取[J]. 江蘇大學學報：自然科學版，2012，33（5）：513-517.

[3]邊肇祺，張學工. 模式識別[M]. 北京：清華大學出版社，2000.

[4]陳廷寅，張東，楊艷，等. 超聲圖像的LBP紋理特征提取[J]. 武漢大學學報：理學版，2012，58（5）：401-405.

[5]鄭永斌，黃新生，豐松江. SIFT和旋轉不變LBP相結合的圖像匹配算法[J]. 計算機輔助設計與圖形學學報，2010，22（2）：286-292.

[6]黃非非. 基于LBP的人臉識別研究[D]. 重慶：重慶大學，2009：20-25.