基于图像处理技术的储粮害虫快速识别

胡祝华，赵瑶池*，白勇，曹凤勤

(1.海南大学信息科学技术学院，海南海口570228;2.海南大学环境与植物保护学院，海南海口570228)

利用计算机图像处理技术实现对储粮害虫的分割和正确识别是近年来储粮虫害综合防治中具有活力的交叉研究方向之一［1－3］。把害虫数量控制在对储粮损害的水平以下，既不会因为害虫造成损失，也不会因盲目防治造成浪费，加重对粮食和环境的污染，因此及时准确地获取虫害信息至关重要。

进入21世纪以来国内外学者基于图像处理技术针对害虫检测和识别的研究有很多。2009年，胡涛等利用灰色理论进行储粮害虫的边缘检测［4］。2010年，张卫芳等采用基于混合高斯模型对储粮害虫进行分割处理［5］。张建华等基于SVM(支持向量机)模型、遗传算法对储粮害虫进行智能识别［6］。2011年，Solis-Sanchez等采用尺度不变特征的 LOSS V2算法对害虫进行检测和识别［7］。2012年，Xia等基于计算机视觉的多重分形分析方法，用来检测温室中的微小害虫(如粉虱等)［8］。陆光等采用基于SVM的多特征融合算法对天牛图像进行识别［9］。

上述研究方法在特定场合下都取得了较好的分割和识别效果，但由于采用了比较复杂的智能算法，在检测和识别效率上都具有一定的局限性，很难达到实时检测的要求。为了提高储粮害虫的识别效率，在保证识别正确率的前提下，笔者提出了一种基于轻量级图像处理技术的害虫检测与识别快速方法。通过该方法可以快速识别出储粮中的害虫，为下一步的综合防治提供及时有效的科学依据。

1 识别方法概述

1.1 整体思路 以储粮害虫为研究对象，运用图像处理技术实现对储粮害虫的目标检测与识别。该方法的整体结构如图1所示。

图1 整体结构

获取原始图像后，首先需对原始图像进行预处理和均衡操作，包括图像格式转换、彩色图像灰度化、图像灰度拉伸、二值化等操作;其次对预处理后的图像进行形态学滤波和重建工作;接着对处理后的图像进行目标害虫的提取;最后将提取出的目标害虫与库中的信息进行配准，配准过程包括对目标虫体的旋转、缩放、模板匹配等操作，识别结束后给出害虫的识别结果。

1.2 试验测试环境 ①硬件环境:高清数码摄像机、PC［Inter(R)，Core(TM)i5-3230M CPU@2.60GHZ，2.56GB 内存］。②软件环境:Matlab 8.1、Visual C++6.0、WIN7 操作系统。③试验语言:C语言。

2 图像预处理

在拍摄以及传输图像的过程中受噪声、外部环境等因素的干扰，造成图像质量有所下降。为此，需要增强图像中的有用信息，改善图像效果，使图像中感兴趣区域的特征差别更加明显。该研究主要通过对图像的格式转换、灰度化、灰度拉伸以及二值化操作对图像进行预处理分析。分析结果为后续的处理流程提供好的输入。

2.1 图像格式转换与灰度化 在储粮虫害图像获取的过程中，考虑到监控设施存储空间大小的限制，以及图像传输的负荷，最初的画面存储为JPEG格式。JPEG图像占用空间小，但这种格式的图像存储方式较为复杂，涉及到Huffman编码，对于图像后期各方面的处理并不适合。为此，将JPEG图像转换为存储方式简单的BMP图像，这样对图像的灰度化、二值化等处理比较方便，格式转换后的效果如图2(b)所示。

图2 虫害图像预处理后的灰度拉伸效果

彩色图像信息量很大，如果对其直接进行图像处理将会很困难，处理的速度也会很慢，极大地降低检测与识别的效率。因此首先需要将彩色图像转化成灰度图像。该研究采用标准加权平均值法进行图像的灰度化，如式(1)所示。

式中，wR、wG、wB分别为彩色图像R、G、B 分量的权值，经过反复试验测试获取经验值为:wR=0.299，wG=0.587，wB=0.114。

害虫图像灰度化后的效果如图2(c)所示。

2.2 图像的均衡处理 均衡处理主要包括对储粮害虫图像进行灰度拉伸和图像的二值化处理。

2.2.1 灰度拉伸。灰度化后的灰度值大部分集中在一个小范围的区域内，给害虫目标的分割阈值选择带来了一定的困难，因此需要将灰度拉伸到整个范围，才能显示出清晰的图像，使得在该范围内的像素，亮的越亮，暗的越暗，达到增强对比度的目的。灰度拉伸示意图如图2(a)所示。图中，L－1表示最大灰度级，r1和r2表示进行灰度拉伸的最小输入灰度和最大输入灰度，s1和s2是变换拉伸后的灰度输出，a、b、c为3段直线的斜率，因为是对图像中的重要区域进行对比度拉伸，所以斜率b必须大于1，而a、c的值往往相等。在该试验中 a、b、c的取值分别为:a=c=0.5，b=1.75。灰度拉伸后的效果如图2(d)所示，从效果图可知，灰度拉伸后害虫图像的对比度得到了明显的增强，有利于二值化处理中阈值的选择。

2.2.2 二值化处理。灰度图像数据量仍然较大，会影响到检测与识别的效率。二值化是将具有256个灰度等级的图像通过阈值处理转换成只有2个灰度等级(0、255)的图像，二值化处理后使图像具有更小的数据和更强的目标对比，有利于对目标图像的进一步处理分析。二值化算法如式(2)所示。

式中，g(x，y)表示灰度图像;f(x，y)表示生成的二值图像，T表示所设定的阈值，阈值选择必须恰当，过大的阈值会破坏害虫目标轮廓，过小的阈值将会出现大量的噪声。因此，采用Otsu算法［10］对T进行自动阈值选择。二值化图像效果如图3(a)所示。从图像效果可知，二值化后会产生局部噪声，目标虫体的一些腿部细节也会产生间断，虫体内部产生空洞，这样对模板匹配会产生不利的影响。因此在目标提取前需要进行形态学运算［11］处理。

3 目标虫体的形态学运算与提取

3.1 形态学运算 为了在目标虫体提取时足够精确，对二值化后的图像进行了无损滤波操作，消除噪声的同时填补虫体目标上的空洞，采用的算法如下。

3.1.1 首先对二值图像进行形态学开重建滤波运算。如式(3)所示。

式中，F表示需要被滤波的二值图像;B表示腐蚀结构单元;FΘB表示进行形态学腐蚀操作表示形态学重建模型。具体表示如式(4)所示。

式中，I表示将要被重建的图像;I1，I2，…，IK表示图像I的连通单元。对虫害二值化图像开重建运算的效果如图3(b)、(c)所示。从图中可知，运算的结果不仅去除了图3(a)中的局部噪声，而且填补了虫体目标中一些较大的空洞。

3.1.2 在第1步的基础上进行形态学闭运算。开重建滤波后，再利用形态学闭运算可以弥合目标虫体图像中的较窄的间断，消除小的空洞，填补图像中细小断裂。如式(5)所示。

式中，B表示腐蚀结构单元;A表示图像。闭操作实际上是B先对A进行膨胀运算，然后用B进行腐蚀。闭运算的结果如图3(d)所示，对图3(d)进行反转得到最终的形态学处理效果，如图3(e)所示。从效果图可知，经过整个形态学操作后，与图3(a)相比，在滤除噪声的同时，丰富了虫体的局部细节，填补了虫体上的小空洞。

3.2 目标虫体的提取 为了提取出感兴趣区域中的目标虫体，并统计出目标虫体的面积和周长，处理了如下两个关键问题。

图3 二值化图像的形态学操作

3.2.1 判断当前分析的目标点是否处于正在查找的某一目标区域。采用的算法如下:①找到一个合理点(如第1次遍历时可以寻找第1个灰度为0的点，这个点肯定是某一区域的边界点)，将该点记为点A。②在A点的右、右下、下、左下4个邻近点中至少有一个是边界点(一个边界点的上下左右4个相邻点都是黑点)，将其记为B。③从B开始查找，按照右、右下、下、左下、左、左上、上、右上的顺序寻找相邻近点中的边界点，每寻找到一个边界点将其记为点C，并记录该点的位置信息。④判断点C，如果C就是A点，则表明该区域已查找完成，否则重复执行前面的操作，直到重新找到A为止。

3.2.2 图像中目标虫体的提取。为了不漏掉任何一处区域，需要对图像中的像素点逐个遍历，将所有区域都提取出来。该研究采取的算法是:在判断出某一虫体目标区域后，将该区域的点写入到新的图像中，同时将原图中这些像素点删除(即将其灰度值置为255)。这样在提取该区域的虫体生成新图像的同时，原图中该部分区域也被删除，使得查找余下虫体区域更为方便。

4 目标虫体的识别

4.1 识别前的预处理 虫体提取出来后，由于生成的新图是按照原图的大小进行操作的，所以为了方便后面的操作，减少操作的数据量，需要将新生成的虫体图像的空白无效区域裁剪掉。其算法操作步骤是:找出目标的最高点、最左点、最右点以及最下点，根据这些点的坐标求出虫体的宽和高，然后生成新图。

采用对虫体姿态和形体特征的配准进行害虫的识别。在配准的过程中，必须要建立一个配准的基准，该研究以目标虫体的最长轴在水平方向上为基准，此时需要对目标虫体进行旋转，找到最长轴，旋转到水平方向。另外，在识别中目标虫体的分辨率大小需要与模板库中样本的大小保持一致，因此需要对目标虫体参照样本大小进行缩放。

4.2 改进Hausdorff距离的模板匹配 为了抵抗噪声的干扰，采用了基于改进Hausdorff距离的模板匹配算法［12］。改进Hausdorff距离是用来描述两组点集之间相似程度的一种度量方法，公式为:

式中，dh(A，B)定义为待识别虫体像素点的集合A与模板库中样本的像素点集合B之间的直接Hausdorff距离。‖.‖表示距离范数。先生成储粮害虫模板库，然后逐个计算待识别的目标虫体与模板库中各个样本之间的改进Hausdorff距离Di(i=1，2，…，N)，其中N为模板库中样本的个数。

模板匹配算法的具体步骤如下:①初始化D(I，Ti)，其中I表示待识别虫体图像，Ti表示模板库中的第i个样本，令D(I，Ti)=0。②从上到下，从左至右，逐个像素扫描I，如果是0(黑色)，记录下该点 Px，y的位置;否则重复 2。③针对 Ti，以Px，y为中心的k×k邻域内，搜索像素值为0的点，寻找与 Px，y最近的那个点，并计算到该点的距离，此距离为I和Ti在该点的最小距离。在该试验中取3×3邻域。④将所有计算的距离进行累加后赋给D(I，Ti)。⑤判断I是否扫描结束，若没有转到步骤②，否则继续计算，直至得到I到所有Ti的距离。⑥按照同样的步骤可计算Ti到I的改进Hausdorff距离D(Ti，I)。⑦取 Di=Max［D(I，Ti)，D(Ti，I)］。

通过算法可以得到待识别虫体与模板库中所有样本之间的距离{D1，D2，…，DN}，当 Di取最小时，对应的模板中样本即为识别的结果。

5 试验结果

以拍到的米象害虫图像为例，图3(a)为虫害图像进行预处理后的结果，图3(e)为形态学操作后的结果。对目标虫体进行提取，并去掉空白无效区域，得到如图4(a)所示的效果。旋转到基准位置后，因为无法预知是否和模板库中样本的水平朝向一致，因此对旋转完成的图像还需进行180°的旋转，形成左、右两个朝向的目标虫体。另外，为了防止在配准中出现较大误差，对两个方向的虫体图像都进行角度的微调，这样在两个方向都有了与水平方向略有角度差异(正负2度)的3幅图像。试验效果如图4(b)所示。

图4 识别前的预处理操作

对图4(b)提取出来的目标虫体按照模板库中的样本大小进行缩放操作。利用改进Hausdorff距离的模板匹配算法进行识别得到害虫的识别结果。识别信息如图5所示。为了进一步考察该方法的效率，针对不同储粮害虫图像用相同的方法进行识别，计算出所耗费的时间和识别率如表1所示，图像尺寸大小均为160*230。

图5 识别结果

表1 不同储粮害虫的识别对比

由试验结果可知，通过该研究提出的方法可以正确地提取和识别出一般场景中的储粮害虫。检测识别的时间基本达到了实时识别的要求。

6 结语

储粮害虫的检测与识别是虫害智能监测与防治中的重要一环，该研究基于计算机图像处理技术构建了一套目标提取的快速方法，并将其应用到虫害图像中虫体的分割和提取上，然后再应用快速而简单的识别算法对虫体进行识别。试验结果表明，该研究提出的方法针对不是特别复杂场景中的害虫识别具有较好的效果，并且识别的效率基本达到了实时性的要求。

［1］胡丽华，郭敏，张景虎，等.储粮害虫检测新技术及应用现状［J］.农业工程学报，2007(11):286 －290.

［2］毛罕平，张红涛.储粮害虫图像识别的研究进展及展望［J］.农业机械学报，2008(4):175 －179，186.

［3］王江宁，纪力强.昆虫图像分割方法及其应用［J］.昆虫学报，2011(2):211－217.

［4］胡涛，徐磊.灰色理论在储粮害虫图像处理中的应用［J］.湖北农业科学，2009(3):729 －731.

［5］张卫芳，郭敏.基于图割理论的储粮害虫图像分割［J］.科学技术与工程，2010(7):1661 －1664，1679.

［6］张建华，朱春华.基于遗传算法和支持向量机的储粮害虫图像识别［J］.安徽农业科学，2010(17):8833 －8834.

［7］SOLIS-SANCHEZ L O，CASTANEDA-MIRANDA R，GARCIA-ESCALANTE J J，et al.Scale invariant feature approach for insect monitoring［J］.Computers and Electronics in Agriculture，2011，75(1):92 －99.

［8］XIA C，LEE J M，LI Y，et al.In situ detection of small-size insect pests sampled on traps using multifractal analysis［J］.Optical Engineering，2012，51(2):27001.

［9］陆光，满庆丽，徐然.基于SVM的多特征融合的天牛图像识别［J］.森林工程，2012(4):21－25.

［10］OTSU N.A threshold selection method from gray-level histogram ［J］.IEEE Transaction on Systems，Man and Cybernetics，1979，9(1):62 －66.

［11］GONZALEZ R C，WOODSR E.数字图像处理［M］.阮秋琦，阮宇智，译.3 版.北京:电子工业出版社，2011:402 －411.

［12］冯伟兴，梁洪，王臣业.Visual C++数字图像模式识别典型案例详解［M］.北京:机械工业出版社，2012:88 －90.