范晓莹果树图像识别系统的实现Word下载.docx
《范晓莹果树图像识别系统的实现Word下载.docx》由会员分享，可在线阅读，更多相关《范晓莹果树图像识别系统的实现Word下载.docx（17页珍藏版）》请在冰豆网上搜索。
通过实现以上方法，总结本分析果树害虫图像识别方法各个步骤的算法，并将上述果树图像识别方法按识别步骤分类，实现效果如图（4-24）所示。
图（4-24）
（3）已有常用图像识别方法按算法分类实现
通过检索论文，已有常用图像识别方法有：
基于小波变换算法的图像识别方法、基于边缘检测法的图像识别方法、基于分水岭算法的图像识别方法、其他图像识别方法，实现效果如图（4-25）所示。
图（4-25）
（4）已有常用图像识别方法按识别步骤分类实现
通过实现以上方法，总结本分析已有常用图像识别方法各个步骤的算法，并将上述已有常用图像识别方法按识别步骤分类，实现效果如图（4-26）所示。
图（4-26）
1.1.3果树图像识别系统的实现
（1）确定特征模块实现
（a）单一背景模板的制作
为了简化图像处理步骤，加速图像处理速度，首先选择白、红、蓝、粉等多种色彩的彩纸，用硬纸板制作了单一背景的模板，并在模板上粘贴了标准刻度,如图（4-27）。
图（4-27）
（b）在单一背景模块上拍摄同种、不同个体，以及同一个体不同角度的害虫图像。
大部分图像由植科系的王进忠老师提供。
本文使用了55张光肩星天牛标本图像和30张麻皮蝽标本图像。
确定特征模块作用是为了提取有效的果树害虫图像识别特征，提取害虫特征前要确定图像的预处理方法,并进行触须、足趾干扰的比较，以确定在处理图像时需要对图像进行哪些处理步骤。
（c）确定有效的害虫提取方法
通过反复尝试第3章中论述的图像处理的方法,最终确定参考文献[130]的方法比较适合果树害虫的提取。
图（4-28）为原始图像，图（4-29）为处理之后的结果图。
图（4-28）
图（4-29）
（d）触须/足趾干扰比较
触须、足趾的干扰比较是为了了解果树害虫的触须和足趾的有无是否对提取害虫特征有影响。
为了调查果树害虫触须、足趾的干扰状况，本文使用比较典型的几张进行比较。
附件2为同图像有须、无须的光肩星天牛二值图像以及特征提取结果。
从特征提取中可看到，同种害虫不同角度的有须或无须的果树害虫二值图像,提取的感兴趣区域特征均为发生过大变化，这就说明图像有须或无须均不影响特征提取的结果，这是因为，本文提出的方法，在特征提取前对二值图像进行了填孔、腐蚀、膨胀、最大面积计算，有效的排出了噪音、触须等干扰的情况，使最后得到的果树害虫分割图像主要为害虫的躯体图像（后文将详细说明），由此特取的害虫特征也为害虫的躯体特征，与触须或足趾等因素无关。
（e）提取害虫的面积、周长、重心、长轴、短轴、离心率、斜度、延伸率、复杂度、周长面积比、长轴周长比、短轴周长比、偏心率、形状参数、似圆度的特征。
附件3为通过软件计算出的光肩星天牛的特征值，附件4为麻皮蝽的特征值。
（f）计算（e）特征的变化幅度，幅度小的特征为有效特征。
确定有效特征区间需要提取大量的果树害虫图像特征样本，本文使用的样本为55张光肩星天牛图像及30张麻皮蝽图像作为示例，由附件3可知，在提取的特征中“离心率”、“延伸率”、“长轴-周长比”、“短轴-周长比”这四个特征参数变化不大，或在一定范围内，图（4-30）（4-31）（4-32）（4-33）为光肩星天牛这四个特征量的数值分布图，图（4-34）（4-35）（4-36）（4-37）为麻皮蝽这四个特征量的数值分布图，由此可见，这四个特征可以作为识别光肩星天牛和麻皮蝽的有效特征值。
图（4-30）：
光肩星天牛离心率数值分布图
图（4-31）：
光肩星天牛延伸率数值分布图
图（4-32）：
光肩星天牛长轴-周长比数值分布图
图（4-33）：
光肩星天牛短轴-周长比数值分布图
图（4-34）：
麻皮蝽离心率数值分布图
图（4-35）：
麻皮蝽延伸率数值分布图
图（4-36）：
麻皮蝽长轴-周长比数值分布图
图（4-37）：
麻皮蝽短轴-周长比数值分布图
（g）判断图像缩放、旋转等因素是否对提取特征影响。
通过大量的他昆虫标本，确定了稳定的果树害虫图像特征，但这些特征还要求在不同角度，不同大小的情况下均保持不变，这样才能保证特征的有效性，所以还需要对特征的不变性进行测试，附件5是图（4-38）同一张果树害虫二值分割图像不同角度、不同大小，经过特征提取得到的参数，由图可见，上文确定的4种特征在同一种图像，不同角度，不同大小的情况下，均保持不变或小幅度变化，这就证明，上文提出的4中特征可以作为果树害虫图像识别的特征参数使用。
图（4-38）
（h）存储有效特征：
在确定果树害虫图像识别的有效特征后，需要将特征导入Excel表，并储存，建立特征库，以便识别使用。
确定特征模块的实现为首先使用一键处理模块中的打开按钮输入果树害虫标准图像，然后使用“提取保存全部特征”按钮提取图像全部，模块实现如图（4-39）所示。
图（4-39）
（2）建立特征库模块实现
建立特征库的目的是提取上述经过研究的有效特征，根据特征库中单位特征，针对每种害虫提取最大值和最小值，最大值与最小值之间称为特征区间，当识别害虫种类时，如果果树害虫的每个有效特征在其所属的特征区间内，则认定此害虫为对应的该特征区间的果树害虫。
实现建立特征库模块首先使用一键处理模块中的打开按钮输入果树害虫标准图像，然后功能为“提取保存有效特征”按钮实现有效特征提取功能，模块实现如图（4-40）所示。
图（4-40）
（3）识别分类模块实现
（a）使用一键处理模块中的打开按钮输入果树害虫标准图像,识别分类模块实现首先需要输入从林间、田间采集的自然背景果树害虫图像。
图（4-41）是一个实例。
图（4-41）
（b）图（4-42）是灰度转换界面。
图（4-42）
本文根据图像中害虫的色彩，选择不同的灰度图像变换方法。
如果害虫偏白，则选择新方法（白）；
如果偏黑，则选择新方法（黑）。
图（4-43）是选择图（4-41）的灰度转换结果。
图（4-43）
基于颜色特征的新果树害虫图像分割算法实现:
本文提出的彩色图像转化灰度图像算法是根据第三章提出的彩色图像转化灰度图像进行计算的，这种方法在已有的果树害虫图像识别方法中还未被使用。
新提出的灰度转换方法主要分为两类，分别为白色（亮色）果树害虫图像灰度转换和黑色（暗色）果树害虫图像转换两种。
本文使用MATLAB软件实现新研究算法，以下为新果树害虫图形分割算法的核心算法代码：
公式L=R×
G×
B：
系统核心代码
R=A1（:
:
1）;
G=A1（:
2）;
B=A1（:
3）;
R=im2double（R）;
G=im2double（G）;
B=im2double（B）;
A2=（R）.*（G）.*（B）;
公式L=（1–R）×
（1–G）×
（1–B）：
R=A1（:
B=im2double（B）;
A2=（1.-R）.*（1.-G）.*（1.-B）;
（c）灰度图像优化实现
图（4-44）是灰度图像优化界面
图（4-44）
灰度图像优化包括：
提高亮度、提高对比度、直方图均衡化等。
本文使用的灰度图像变换方法，是当图像使用新方法从彩色图像转换为灰度图像后，在灰度图像的基础上，为图像转换二值图像做准备，从而进行的灰度图像变换处理，主要处理手段为调整图像亮度、提高图像对比度。
由于二值图像的转换主要基于图像颜色的阈值而计算的，为了二值图像的转换效果更佳，需要在灰度图像的基础上，提高图像对比度以及亮度，使阈值的确定更为准确，如图（4-45）。
图（4-45）
（d）二值转换实现。
图（4-46）是二值转换界面
图（4-46）
二值转换是经过研究系统的研究，实现的常用灰度图像转换二值图像，其中包括：
大津法、模糊图像阈值法、迭代阈值法等。
分析对比各种灰度图像转换二值图像算法的效果，最终选择适用于本文提出的果树害虫图像识别方法的灰度图像转换二值图像算法。
本文使用的二值图像转换方法为最大类间方差法，最大类间方差法是由日本学者大津展之于1979年提出的，是一种自适应的阈值确定的方法,又叫大津法，简称OTSU。
它是按图像的灰度特性,将图像分成背景和目标两部分。
背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。
因此,使类间方差最大的分割意味着错分概率最小。
由于在本文彩色图像转换灰度图像后，将灰度图像的亮度以及对比度增大，使得图像更适合使用最大类间方差法转化二值图像，转化后的结构也比较适合本文提出方法的继续执行，如图（4-47）。
图（4-47）
（e）二值图像优化实现
图（4-48）是二值图像优化界面
图（4-48）
二值图像优化是在二值图像的基础上，为了更好地提取害虫特征对二值图像进行的进一步变换，本文使用的变换方法主要有填孔、腐蚀、膨胀这三种方法。
填孔主要是将二值图像中白色区域中的包含的黑色部分填成白色，使图像中欲识别的白色感兴趣区域更为完整，方便之后的识别与分类。
腐蚀是形态学处理的一个运算子，腐蚀处理的作用是将目标图形收缩，运算效果取决于结构元素大小内容以及逻辑运算性质，运算效果取决于结构元素大小内容以及逻辑运算性质，腐蚀处理可以表示成用结构元素对图像进行探测，找出图像中可以放下该结构元素的区域。
腐蚀是一种消除边界点，使边界向内部收缩的过程。
可以用来消除小且无意义的目标物。
如果两目标物间有细小的连通，可以选取足够大的结构元素，将细小连通腐蚀掉。
腐蚀的具体操作是：
用一个结构元素（一般是3×
3的大小）扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做“与”操作，如果都为1，则该像素为1，否则为0。
膨胀是形态学处理的另一个运算子，对于二值图像，膨胀意味着，用结构元素在图像上移动，只要结构元素中有一个点与图像中的点是重叠的就可以了，膨胀的结果是结构元素中心点划过的区域的内部。
所以图像的边缘就被扩大了。
膨胀的具体操作是：
3的大小）扫描图像中的每一个像素，用结构元素中的每一个像素与其覆盖的像素做“与”操作，如果都为0，则该像素为0，否则为1。
本文提出的图像识别方法，通过填孔、腐蚀、膨胀，取出昆虫的细小的肢杆，方便害虫特征的提取，如图（4-49）。
填孔
腐蚀
膨胀
图（4-49）
（f）对预处理后的果树害虫图像进行提取昆虫主干操作，因为图像经过上述一系列变换，所以本文认定，此时图中的最大面积区域就是果树害虫主干区域。
故点击主界面中识别模块中的“提取最大面积”按钮，如图（4-50），实现提取最大面积。
图（4-50）
对预处理后的果树害虫图像进行特征提取实现：
点击主界面中识别模块中的“特征提取”按钮，如图（4-51），实现特征提取。
图（4-51）
表
（2）是原图（图（4-41））中提取的害虫特征值。
表
（2）
离心率
延伸率
长轴/周长
短轴/周长
0.930644
0.365926
0.389826
0.142648
（g）通过判断特征在那类特征区间内而对果树害虫图像进行识别分类实现如图（4-52）。
图（4-52）
（g）识别分类实现
点击主界面中识别模块中的“识别分类”按钮，实现识别分类取，如图（4-53）。
从特征库中调出存储的各类害虫特征区间值，判断（e）中提取的害虫特征值在哪类特征区间内，从而判断果树害虫的种类。
如图（4-54）为判断结果。
图（4-53）
图（4-54）
（4）一键处理模块实现:
一键处理功能实现就是输入图像、导出图像以及使用本文研究的果树害虫图像识别方法，制作黑色、白色两类害虫的图像识别分类按钮，其目的是为了方便系统操作以及合并重复功能按钮。
图（4-55）一键处理模块实现界面
图（4-55）
1.2系统实现结果分析
新的识别方法，是在新提出的灰度转换算法基础上，通过一系列的步骤、算法，最终达到果树害虫识别目的的，在已有的果树害虫图像识别方法中，普遍使用的方法往往要求输入的图像背景单一，不适合采集的害虫图像。
本文提出的果树害虫图像识别方法，是以自然环境取景为前提，使果实害虫图像识别技术，更便于应用，更贴近实际，使得识别的方法应用更为广泛。
2展望
2.1新算法实验结果分析与展望
图（4-56）为新算法的识别结果。
图（4-56）
由图可见使用本文提出的基于颜色特征的果树害虫彩色图像转换灰度图像新算法，可以比较好的将害虫分割出来。
但仍存在一些问题。
图（4-57）的（a）是草履蚧雄成虫的自然界背景图片，图（4-57）的（b）由于害虫为暗色，所以使用暗色公式得出害虫分割图片。
由于叶片的阴影部位靠近害虫位置,导致害虫没有完全与背景分离。
图（4-57）
由于毕设时间有限，本论文没有对阴影问题进行研究，该问题有待今后深入地探讨、解决。
2.2新果树害虫图像识别方法结果分析与展望
由上文可知，单独使用本文提出的基于颜色特征的果树害虫彩色图像转换灰度图像新算法并不能完美的解决果树害虫图像识别问题，为此本文中设计并实现了一套完整的果树害虫图像识别方法。
可以看出，使用本文提出的新果树害虫图像识别方法可以较好的达到识别的效果，能较好的解决自然背景下果树害虫图像识别问题。
但本方法还是存在一定问题。
（1）输入图像需人工判断害虫类型
因为本文提出的基于颜色特征的果树害虫彩色图像转换灰度图像新算法分为黑（暗）、白（亮）两个识别算法，因此在果树害虫图像识别系统输入图像后，需人为选择使用黑色害虫识别还是选择白色害虫识别，这就增加了人工劳动。
（2）自然背景单色区域过大出现识别错误
本文提出的果树害虫图像识别方法在执行中需要通过判断最大面积，确定感兴趣区域，但当自然背景中出现大面积单一颜色物体，并且此物体颜色与害虫接近时，由于二值转换使用阈值分割算法，所以会出现两部分以上的大面积区域，此时如果非感兴趣区域的面积大于感兴趣区域面积，则会导致判断感兴趣区域错误。
针对上述两个问题，本文提出的果树害虫图像识别系统还可以继续进行如下改进：
（1）增加输入前与判断功能，判断果树害虫的颜色从而自动选择识别方式。
（2）改进基于颜色特征的果树害虫彩色图像转换灰度图像新算法公式，将两个公式合并。
（3）增加图像裁剪功能，在输入图像前系统自动裁剪果树害虫识别图像，去除大面积的、相似颜色的背景物体。
由于时间、经费、数据库数据数量等原因，以上3点并未能实现，希望在之后的研究中，能对此系统继续改进。
升级会员 