基于主动轮廓模型的玉米种子高光谱图像分类

黄 敏 朱 晓 朱启兵 冯朝丽

（江南大学轻工过程先进控制教育部重点实验室，无锡，214122）

引 言

玉米是中国最重要的农作物之一，近年来，玉米在食品、饲料等行业受到越来越高的关注度。随着杂交技术的进一步发展，玉米的杂交品种得到普遍推广，与此同时，假种子造成的坑农害农事件也频频发生。因此，玉米种子的纯度识别是中国农业生产领域的重要问题之一。

现阶段，基于机器视觉的检测技术在玉米种子的纯度识别上有较为广泛的应用［1－3］，但是传统的机器视觉技术只能获得种子可见光的形态学特征信息，随着种子品种数目增多，种子特征的交叠现象就越严重，导致特征的可区分性变差，从而影响识别效果。高光谱图像技术是近年来出现的集成光谱技术和图像技术的无损检测新方法，高光谱图像具有的波段数量多、数据信息量较大，所包含各品种的有效特征信息更多。但是，高光谱图像中的部分波段受到光源功率、CCD量子效率等综合因素的影响，图像的噪声较大，导致玉米种子的轮廓边界较模糊，传统的阈值图像分割法抗噪性能低，难以准确提取玉米种子的轮廓。

基于主动轮廓模型的图像分割法具有对光照和噪声不敏感的优势，对于弱边界、多目标等复杂图像具有较好的分割效果［4］。近年来，越来越多地应用到医学图像分割中［5－7］，该模型主要利用曲线演化和水平集方法［8］，把二维的演化曲线表示成三维的水平集函数，水平集函数在演化方程的控制下，直到演化曲线到达目标边界为止。

本文采用基于主动轮廓模型的图像分割法，对高光谱图像中的玉米种子进行轮廓提取，并对提取出的形状特征参数进行归一化，利用主成分分析法（Principal component analysis，PCA）对形状特征参数降维，同时，为了更好地实现种子的在线检测，利用各波段间的相关性提取出12个最优波段，利用误差反向传播（Back propagation，BP）神经网络模型对数据样本进行分类，并与传统的阈值分割法作比较，取得了较好的分类效果。

1 实验材料和方法

1.1 玉米样本

实验中共使用玉米种子样本432个，每个品种的样本各48个，包括香甜一号、黄妃、高品乐、黄糯一号、超甜2008、绿色超人、黄金糯玉米、早鲜金甜香糯、金糯玉米共9个不同的品种。所有的样本分别由不同的种子公司提供。

1.2 高光谱图像的采集

高光谱图像的采集系统主要由光谱范围为400～1 000nm、狭缝宽度为25μm的图像光谱仪（1003A－10140HyperspcTM VNIR C－Series，Headwall Photonics Inc.，USA），CCD（pixelfly qe IC＊285AL，Cooke，USA），150W 的光纤卤素灯（150W EKE，3 250K，Techniquip，USA），样本输送平台和计算机等部件组成见图1。

系统的光谱分辨率为1.29nm，采集光谱图像的波段间隔为0.64nm，实验过程中，所有高光谱图像的像素都进行倍数为10的合并操作，波段间隔为6.4nm，空间分辨率为0.15mm。经过调试，得到了最佳的图像采集参数：曝光时间350ms，物距为25cm，光源功率为60W。

图1 高光谱成像系统

为了降低光源的变化对图像造成的影响，本实验每采集15幅高光谱图像分别作一次白板标定图像和全黑标定图像的采集。

2 数据分析

2.1 数据预处理

利用实验过程中采集的白板标定图像和全黑标定图像，按照式（1）对图像进行校正。

式中：R为校正后的玉米高光谱图像；Rsample为样本图像；Rreference为白板标定图像；Rdark为全黑标定图像。

对校正后的高光谱图像，利用ENVI图像处理软件选取每粒玉米种子样本表面2 000个像素的区域，计算出各类玉米种子的平均相对反射率，见图2。

图2 9类玉米种子的平均相对反射率

由图2分析可知，9类玉米种子的平均相对反射率在492.7～956.5nm波长范围内区别较大，而在492.7nm以下和956.5nm以上波段，9类玉米种子的平均相对反射率较为接近，所得到的玉米种子高光谱图像反射和吸收强度相当，在后期的图像数据处理中无明显作用。因此，本实验选取492.7～956.5nm范围内的高光谱图像数据进行分析。

2.2 基于主动轮廓模型的图像分割法

利用基于主动轮廓模型结合水平集的方法［9］，提取多目标条件下的玉米种子轮廓图像，该模型的能量泛函形式为

每次曲线演化时，该模型通过对c1和c2的重新估计，代入方程进行不断的迭代，实现φ函数的更新。然后通过φ函数的零水平集函数，即可获得更新后的演化曲线，如此不断循环，直到演化曲线到达最终的目标边界，得到最终的分割结果。图3为黄金糯玉米在930.7nm波段下轮廓分割的图像。

2.3 特征提取

本实验提取出周长、面积、离心率、长轴、短轴、当量直径、长宽比、圆形度、离散度、矩形度、内切圆半径、紧凑度共12个形状特征信息［10，11］。

图3 黄金糯玉米在930.7nm波段下轮廓分割的结果

其中，利用主动轮廓模型分割法提取492.7～956.5nm共73个波段的图像轮廓，每粒玉米样本共有12×73个形状特征参数，73表示波段个数。利用传统的阈值分割法在提取492.7～563.6nm和911.4～956.5nm波段时噪声较大，无法准确分割玉米种子的轮廓。因此，实验提取563.6～911.4nm共55个波段的图像轮廓，每粒玉米共有12×55个形状特征参数，55表示波段个数。

3 结果与讨论

3.1 全波段BP神经网络建模分类

首先，将两种图像分割法所得到的特征参数均作归一化处理，对不同种类的玉米种子样本，每个品种选取36个玉米种子样本作为分类器的训练样本集，剩下的12个玉米种子样本作为分类器的测试样本集。

采用主成分分析法对形状特征参数进行数据压缩，主动轮廓模型分割法的特征参数前16个主成分变量累积贡献率达到99.24%，阈值分割法的特征参数前16个主成分变量累积贡献率达到99.69%，有效地保留了原始变量的特征信息。最后，将经过PCA处理后的训练样本数据和测试样本数据输入BP神经网络中进行分类识别。

建立BP神经网络模型时，把前16个主成分作为BP神经网络的输入变量，输出变量为输入变量所对应的9个样本品种，建立16－30－9的三层BP神经网络模型，隐含层使用正切S型函数，输出层采用对数S型函数，采用trainrp训练函数来训练网络，分类结果见表1。

表1 BP神经网络对9类玉米种子的分类结果 %

由表1分析，利用主动轮廓模型分割法得到的特征参数所建立的BP神经网络模型，训练和测试平均正确识别率均优于传统阈值分割法的特征参数所建立的模型。表明利用主动轮廓模型分割法得到的特征参数为分类模型提供了更充足有效的特征，分类效果更加显著。

3.2 波段选择与BP神经网络建模分类

由于本实验提取出的波段数目较多，在线获取如此多的波段必将影响到玉米检测分类的实时性。因此，解决这一问题的途径是选择适合于玉米分类检测的最优波段并建立其分类模型。本文结合玉米样本的类间离散度、类内离散度以及波段间的相关性研究了玉米分类的最优波段选择问题。

类内离散度表达的是同一类样本到类内中心的距离，其值越小，说明同类样本相对越集中；类间离散度是不同类的类间中心距离，选择的波段应能使所有品种的类间离散度尽可能大些，而类内离散度尽可能小［12］，即

式中：Wλ，Sλ分别表示第λ个波段下的类间离散度和类内离散度；Eλ越大，表明该波段所能代表的玉米品种特征区分有效性越大。Wλ，Sλ按照式（7，8）计算

式中：n＝9表示玉米品种个数；m＝36表示每类品种的训练集样本个数；xλ，ji∈R12，表示第i类品种在第λ个波段下第j个样本（i＝1，…，9，j＝1，…，36）的特征向量；∈R12表示第i类品种所有在第λ个波段下的均值特征向量。

选取最大值Eλ对应的波段为首先最优波段λ1，将第λ个波段下每类品种的均值特征向量R12（i＝1，…，9）首尾相接，得到反映类别信息的新的特征向量计算Tλ与Tλ1的内积Hλ＝·Tλ1。Hλ反映了波段λ下的特征Tλ与已选波段λ1的特征Tλ1的相关性，若Hλ大，表示Tλ与Tλ1的相似性较大，不利于分类。因此，应选择Hλ最小的波段为第2个最优波段，记为λ2。再分别计算剩余的波段与Tλ1，Tλ2的内积和，选择内积和最小的波段，记为λ3。以此类推，可获得选择后的最优波段排列λ1，λ2，λ3，…。

利用上述方法选择出两种图像分割法所提出的所有波段中的各15个波段，依次对波段个数为1，2，…，15时的特征参数经过数据归一化和主成分分析后，主动轮廓模型分割法的特征参数建立16－30－9的三层BP神经网络进行建模，阈值分割法的特征参数建立16－23－9的三层BP神经网络进行建模，隐含层使用正切S型函数，输出层采用对数S型函数，采用trainrp训练函数来训练网络，训练结果见图4。

图4 不同波段个数下的训练结果

由图4分析，主动轮廓模型的图像分割法中，通过BP神经网络建模的训练精度在12个波段个数时最高，达到99.38%，12个最优波段依次为917.9，795.5，756.8，524.9，685.9，518.5，801.9，679.5，847，885.6，602.2和782.6nm。传统的阈值分割法中，通过BP神经网络建模的训练精度在11个波段个数时最高，达到99.38%，11个最优波段依 次 为 885.6，628，789，782.6，582.8，570，763.3，711.7，866.3，911.4和892.1nm。

利用最优波段个数建立的BP神经网络模型，将每个品种剩下的12个玉米种子样本共108个样本输入模型进行验证，得到的分类结果见表2。

表2 BP神经网络对最优波段选择后9类玉米种子的分类结果 %

由表2分析，主动轮廓模型分割法得到的特征参数在最优波段选择后所建立的BP神经网络模型的测试样本正确识别率较高，经过最优波段的提取后的特征参数与全波段下的特征参数具有相同的有效性，测试分类结果相同，而且运行时间明显减少。

4 结束语

本文针对传统的阈值图像分割法难以提取高光谱图像中部分波段的图像，利用基于主动轮廓模型的图像分割法对高光谱图像中的玉米种子进行轮廓分割，提取玉米种子的形状特征后，采用不同波段特征参数间的相关性进行波段选择，采用全波段和最优波段的特征参数，利用BP神经网络模型分别建立分类模型。与传统的阈值分割法相比，本文方法取得了更好的分类效果，为高光谱图像在玉米品种纯度检测上的应用提供了一种新的方法。

［1］ 闫小梅，刘双喜，张春庆，等.基于颜色特征的玉米种子纯度识别［J］.农业工程学报，2010，26（S1）：46－50.Yan Xiaomei，Liu Shuangxi，Zhang Chunqing，et al.Purity identification of maize seed based on color characteristics［J］.Transactions of the CSAE，2010，26（S1）：46－50.

［2］ 苏谦，邬文锦，王红武，等.基于近红外光谱和仿生模式识别玉米品种快速鉴别方法［J］.光谱学与光谱分析，2009，29（9）：2413－2416.Su Qian，Wu Wenjin，Wang Hongwu，et al.Fast discrimination of varieties of corn based on near infrared spectra and biomimetic pattern recognition［J］.Spectroscopy and Spectral Analysis，2009，29（9）：2413－2416.

［3］ 程洪，史智兴，么炜，等.基于支持向量机的玉米品种识别［J］.农业机械学报，2009，40（3）：180－183.Cheng Hong，Shi Zhixing，Me Wei，et a1.Corn breed recognition based on support vector machine［J］.Transactions of the CSAE，2009，40（3）：180－183.

［4］ 危自福，毕笃彦，马时平.一种改进的快速C－V水平集红外图像分割［J］.数据采集与处理，2010，25（3）：347－352.Wei Zifu，Bi Duyan，Ma Shiping.Improved fast C－V level set infrared image segmentation［J］.Journal of Data Acquisition and Processing，2010，25（3）：347－352.

［5］ Sun Kaiqiong，Chen Zhen，Jiang Shaofeng.Local morphology fitting active contour for automatic vascular segmentation［J］.IEEE Transactions on Biomedical Engineering，2012，59（2）：464－473.

［6］ Kang D G，Suh D C，Ra J B.Three－dimensional blood vessel quantification via centerline deformation［J］.IEEE Transactions on Medical Imaging，2009，28（3）：405－411.

［7］ Shang Yanfeng，Deklerck R，Nyssen E，et al.Vascular active contour for vessel tree segmentation［J］.IEEE Transactions on Biomedical Engineering，2011，58（4）：1023－1032.

［8］ Osher S，Sethian J A.Fronts propagating with curvature dependent speed：algorithms based on Hamilton－Jacobi formulation［J］.Journal of Computational Physics，1988，79（1）：12－49.

［9］ Chan T F，Vese L A.Active contours without edges［J］.IEEE Transactions on Image Processing，2001，10（2）：266－277.

［10］王玉亮.基于机器视觉的玉米种子品种识别与检测研究［D］.泰安：山东农业大学机械与电子工程学院，2008.Wang Yuliang.Maize seed identification and detection based on the machine vision［D］.Tai′an：College of Mechanical and Electronic Engineering，Shandong Agriculture University，2008.

［11］金飞剑.基于机器视觉的杂草图像特征提取及识别研究［D］.镇江：江苏大学电气信息与工程学院，2007.Jin Feijian.Feature of weeds extraction and identification based on the machine vision［D］.Zhenjiang：School of Electronic and Information Engineering，Jiangsu University，2007.

［12］曹玲玲，潘建寿.基于Fisher判别分析的贝叶斯分类器［J］.计算机工程，2011，37（10）：162－164.Cao Lingling，Pan Jianshou.Bayesian classifier based on Fisher discriminant analysis［J］.Computer Engineering，2011，37（10）：162－164.