基于小波变换的储粮害虫图像分割

张双德

摘要：针对粮虫图像的特殊性，提出了先利用小波变换对图像进行边缘检测后再进行区域填充的图像分割策略。结果表明，这种策略在粮虫图像分割中有较好的效果。

关键词：储粮害虫；图像分割；小波变换；区域填充

中图分类号：TP391.4 文献标识码：A 文章编号：0439-8114（2015）12-3015-03

DOI：10.14088/j.cnki.issn0439-8114.2015.12.056

Image Segmentation of Stored Grain Pests Based on Wavelet Transform

ZHANG Shuang-de

（Department of Electrical and Information Engineering，Wuhan Polytechnic University，Wuhan 430023，China）

Abstract： Aiming at the particularity of grain insect images， image edge detection for image segmentation strategy of area filling by using the wavelet transform was proposed. The results showed that this strategy has good effect in the grain insect image segmentation.

Key words： stored grain pest； image segmentation； wavelet transform； region filling

我国是最大的粮食生产国家，也是保存粮食、消费粮食最大的国家。保证充足的储粮量对于国家安全非常重要，做好粮食保存具有重要意义，应引起相关部门的高度重视。近几年，不论是储粮害虫的种类还是密度，都呈现出不断上升的趋势，害虫数量不断增加，对储粮造成严重损坏，导致储存粮食的损失在短时间内急剧增大，必须及时采用行之有效的措施解决这一问题。为达到防治害虫的目的，必须正确预测害虫的发展趋势、数目、物种发展及其潜在危害。除此之外，针对可能出现的各种情况，采取针对性措施，制定相应策略进行评估，将储粮损失降到最低。若继续沿用以往的检测方式，存在很多不足之处，我国已有的粮情检测系统无法检测食物中的害虫，采用国外昆虫声音探测技术虽然能够检测害虫，但无法预估害虫总数，仍达不到防治害虫的目的。

储粮害虫的在线检测要求对获得的图像进行分割，以便特征提取和识别。图像分割方法很多[1]，从分割所依据的手段出发，可以分为阈值法[2]、边缘检测法[3]、区域法等；按照算法本身来分，可以分为模板匹配、跟踪法、纹理匹配法、聚类法等。另外人的视觉系统对图像相当有效，但其原理和模型到目前还没有搞清楚。其中基于边缘检测算法的关键是要通过某种算法精确地找到区域的边缘，然后再用区域填充算法最后得到分割结果。这种分割算法的关键是边缘检测算法的准确度，而经典的边缘检测算子如Roberts、Sobel、Prewitt、Kirsch、Canny、Log等[4]在实际应用中常常不能满足要求。

1 粮虫图像的小波变换边缘检测

1.1 小波变换的基本原理

由于粮虫图像一般用二维平面图像表示，因此用二维连续小波变换来分析是比较合适的，设图像信号是一个二维函数，则它的连续小波变换为[5，6]：

Wf=（a，bx，by）=■■f（x，y）？渍a，bx，by（x，y）

二维连续小波逆变换为：

其中，？渍a，bx，by（x，y）=a■？渍（■■）是一个二维基本小波f（x，y）=■■■■Wf（a，bx，by）？渍a，bx，by（x，y）dbxdbyda。若函数f（x）∈R在某处间断或某阶导数不连续，则称该函数在此处有奇异性；若函数f（x）在其定义域有无限次导数，则称f（x）是光滑的或没有奇异性。一个突变的信号在其突变点必然是奇异的，检测和识别信号的突变点并用奇异性指数Lipschitz来刻划，这个就是信号的奇异性检测理论[7]。

设0≤？琢≤1，在点x0若存在常数K对x0的邻域使得下式成立

f（x）-f（x0）≤Kx-x0

则称函数f（x）在点x0是Lipschitz。如果？琢=1，则函数f（x）在点x0是可微的；如果？琢=0，则函数f（x）在点x0间断。？琢越大，说明奇异函数f（x）越接近规则；？琢越小，说明奇异函数f（x）在点x0变化越尖锐。函数（或信号）的奇异性可用其Lipschitz（？琢）来刻划，其数值可以通过小波变换模极大值在不同尺度的数值计算出来。当小波函数可看作某一平滑函数的一阶导数时，信号小波变换模的局部极值点对应于信号的突变点（或边缘）；当小波函数可看作某一平滑函数的二阶导数时，信号小波变换模的过零点，也对应于信号的突变点（或边缘）。因此，采用检测小波变换系数的过零点和局部极值点的方法，可以检测信号的边缘位置。两者相比较，用局部极值点进行检测更具优越性。

1.2 图像的边缘检测

一个平面图像可以看作一个二维的数据， 同样对图像进行边缘提取也是在二维空间上进行的。二维小波变换与二维离散傅立叶变换一样， 可以将其分解为两个一维的变换，因此可先进行一维行小波变换（或一维行列小波变换），再进行一维列小波变换（或一维行小波变换）。小波变换的多尺度相关检测法用于检测图像边缘的算法：①对数字图像的每一行进行一维行小波变换；②对①进行一维数据的边缘进行提取；③对数字图像的每一列进行一维列小波变换；④对③进行一维数据的边缘进行提取；⑤将行、列两次小波变换分别得到的像素点确定为图像的边缘点， 否则不是图像的边缘点， 从而确定图像的边缘；⑥将边缘像素点的灰度值置为1（即白色），非边缘像素点的灰度值置为0。

2 粮虫图像区域填充基本步骤

粮虫图像常常有多个闭合的区域，如图1所示，其中区域Ⅰ和Ⅱ都是待填充区域。区域填充的基本步骤如下：

1）先将大小为的粮虫图像采用小波变换的方法检测其边缘；

2）假定在图像上有一个动点在从左到右水平运动，奇数次遇到边缘（如点A、点C）那么此后的点都是内部区域灰度值置为1，偶数次遇到边缘（如点B、点D）那么此后的点都是外部区域灰度值置为0；

3）重复步骤②直到完成所有填充为止。

3 结果与分析

图1～图7分别是原始图像和基于Canny算子、Prewitt算子、Robert算子和Sobel算子以及小波变换的图像分割，这些算法都具有噪音和模糊的边缘提取。从图2～图6可以看到，图像边缘的连续性明显欠缺，边缘呈现断断续续状，而基于小波变换检测分析得到的图7边缘的连续性明显提高，特别是在图像填充后，优势更为明显，如图8、图9中可以很容易判断粮虫的存在。

4 小结

在线害虫检测方法是根据条件来预测储量害虫的发展趋势。根据小波变换检测分析，达到图像来分割检测储粮害虫图像的目的。研究表明，该算法非常简单、效率非常高，为储粮害虫模式识别的后续特征提取打下了良好的基础，简化后续研究，效率显著提升。

参考文献：

[1] 陈廷标，夏良正.数字图像处理技术[M].北京：人民邮电出版社，1990.

[2] 陈书海，傅录祥.实用数字图像处理[M].北京：科学出版社，2005.

[3] 姚 敏.数字图像处理[M].杭州：浙江大学出版社，2006.226-232.

[4] RAFAEL C，GONZALEZ，RICHARD E.数字图像处理[M].第二版. 北京：电子工业出版社，2007.469-474.

[5] 成礼智，王 红，霞罗永.小波的理论与应用[M].北京：科学出版社，2005.55-64.

[6] 周 龙，牟 怿.二维小波变换在粮虫图像处理中的应用[J].华中科技大学学报（自然科学版），2007（35）：24-27.

[7] 王利辉.小波变换在图像边缘检测中的应用[J].天津工程师范学院学报，2007（3）：17-20.