基于HE和MSR的玉米病虫害图像预处理

高 雅，焦 俊，孟珠李，倪 力，古 冉，辜丽川

(安徽农业大学 信息与计算机学院，合肥 230036)



基于HE和MSR的玉米病虫害图像预处理

高 雅，焦 俊，孟珠李，倪 力，古 冉，辜丽川

(安徽农业大学 信息与计算机学院，合肥 230036)

针对大田玉米图像采集时存在的过曝和欠曝图像问题，设计了一种将直方图均衡算法(Histogram Equalization ,HE)和多尺度视网膜大脑皮层理论算法(Multi-Scale Retinex，MSR)相结合的混合算法，即先对图像进行MSR运算，再使用HE算法，解决了HE存在的灰度级过度合并的问题，降低了MSR存在的对比度低的缺陷。实验结果表明，从主观评价上看，经过MSR+HE处理后的图像清晰度更高，细节更加丰富；从客观指标上看，利用MSR+HE处理后的图像的对比度和平均梯度指标均大于MSR或HE 单独处理图像后得到的指标，表明MSR+HE算法稳定性好、处理结果清晰、细节丰富，更适于农田图像处理。

玉米病虫害；直方图均衡；多尺度视网膜大脑皮层算法

0 引 言

玉米是我国的三大农作物之一，在我国的农业生产中占有重要地位。[1]近年来，随着农业物联网的不断兴起，[2-3]物联网在玉米种植中的应用也越来越多。现在，在玉米田间架设图像采集设备，将设备接入网络，人们在家中就可以实时观察玉米病虫害情况。[4]但是，受天气、采集仪器等影响，采集到的图片时常存在过曝、欠曝等亮度问题，不仅对机器识别有一定的影响，人眼往往也很难对之进行观察。故而希望能够对玉米病虫害图片做一个亮度处理，使之更容易观察和识别。

近几年来，对图像亮度处理的研究有很大进展。2010年，屠珺、刘成良、李彦明[5]等人提出一种基于光照无关图的苹果识别方法，能够大大调高苹果采摘机器人在不同光线下的果实识别率；2015年，林天园、王杰[6]等人提出利用一种基于卷积变换与方差归一化相结合的图像光照均匀算法，对光照不均匀的图片进行处理，在很好的在保留图像细节的同时，提高了图像的质量。但是目前针对玉米病虫害图片亮度处理的并不多，由此，对亮度处理方法进行研究，[7-10]发现常用的HE和MSR都有较好的效果，但是两者结合后，能够减弱HE灰度级过分合并，以及MSR对比度相对偏低的缺陷，处理的结果稳定性高，能够得到更易于人眼和机器观察的图像。

1 实验平台

为了方便实验，利用Java和matlab混合编程编写了一套“图像亮度处理”程序。[11]用户首先选择需要处理图片的路径，程序读取图片显示在界面上，然后用户选择一种图像处理方法后，利用Java和Matlab对图像进行相应的处理，处理结果保存在本地，最后程序读取处理结果并显示。处理流程和程序界面分别如图1和图2所示。

图1 “图像亮度处理”程序流程

图2 “图像亮度处理”程序界面

2 HE

HE是一种常用的光照处理方法，其计算速度快，能够将图像的灰度拉伸，且灰度级分布均匀，从而消减光照对图像的影响，非常适合田间实时拍摄图片的处理。

2.1 原 理

将输入图像转换为在每一灰度级有近似相同的像素点数的输出图像。在经过均衡化处理后的图像中，像素将占有尽可能多的灰度级并且分布均匀。这样，图像将具有较高的对比度。HE的计算步骤如下：

当灰度范围在[0,1]且连续时，像素灰度的概率密度函数p(x)即为图像的直方图，即

p(x),0≤x≤1,

(1)

∫01p(x)dx=1。

(2)

设转换前图像的概率密度函数为pr(r)，转换后的概率密度函数为ps(s)，转换函数为s=f(r)，为了保证输出图像不会出现灰度反转的现象，该函数应该是一个单调递增的函数。由此得到

(3)

转换后的概率密度函数ps(s)依然要满足(1)和(2)，故

(4)

两边积分得到

s=f(r)=∫0rpr(μ)du ，

(5)

当灰度值分布在[0,255]时，乘以最大灰度值D，即

DB=f(DA)=D∫0DApDA(μ)dμ ，

(6)

其中，DB为转换后的灰度值，DA为转换前的灰度值。

对于离散的灰度级，转换公式为

(7)

其中，Hi是第i级灰度的像素个数，C是像素总数。

2.2 效 果

为了观察玉米病虫害图像中亮度处理的效果，在安徽农业大学农翠园中玉米地的同一位置使用佳能70D数码相机，分别拍摄了正常曝光、过曝和欠曝的三幅玉米病虫害图片，为了便于处理，将这些图全部裁剪成960px*960px的大小，如图3所示，为了更加方便观察以及与之后的图像处理结果做比较，将图3的图像灰度化如图4所示。

(a)正常曝光 (b)过曝 (c)欠曝

图3 玉米实拍原图

(a)正常曝光灰度化 (b)过曝灰度化 (c)欠曝灰度化

图4 灰度化图3

可以看出，图3(b)和图3(c)的由于光线过亮和过暗导致对比度太低，图片细节不明显，几乎看不出是什么东西，这对图像的机器识别和人眼观测带来了很大的困难。所以，对玉米病虫害图像的亮度进行处理是非常有必要的。

在“图像亮度处理”程序中利用HE对上述三幅图分别进行处理，得到的结果分别如图5所示。

(a)正常曝光HE (b)过曝HE (c)欠曝HE

图5 HE处理结果

经过HE处理后，图像的灰度得到了拉伸，使得细节得到增强，欠曝和过曝的图片对比度也都得到了提高，图像轮廓比较清晰，而且三张图经过处理后得到的结果基本一致。但是HE会使图像中像素个数较少的灰度级被过度合并，丢失图像部分细节，比如最重要的玉米叶片上病虫害部分，对比度偏低，不是特别清晰。

3 MSR

MSR由于其在光照处理上具有很好的效果而广泛使用，它通过计算相对色差，能够还原场景中物体的真实色彩。

3.1 原 理

Retinex理论模型是由Land首先提出的，解释了人类视觉系统是如何感知色彩的。Land发觉人类的视觉系统对传入的图像信息进行了某种处理，仅仅保留了其本质特征，这些特征在经过大脑的处理后，在大脑中形成图像。

Retinex理论首先假设照射光是空间平滑的，其次认为物体的颜色是由反射光分量决定的。算法的主要思想为从元图像中剔除照射光分量，提取反射光分量。

对图像中每个像素点(x,y)，表示为：

S(x,y)=R(x,y)·L(x,y)，

(8)

其中，s(x,y)表示需要处理的原图，r(x,y)代表反射图像，l(x,y)代表入射光图像。

(9)

其中r(x,y)为输出图像，*为卷积符号，F(x,y)为中心环绕函数，可以表示为：

(10)

其中，c表示高斯环绕尺度，λ是一个尺度，它的取值必须满足：

(11)

由此得出单尺度视网膜大脑皮层算法(Single-Scale Retinex,SSR)，MSR是在SSR的基础上发展而来的，一般选择三个SSR进行加权平均得到。计算公式如下：

(12)

其中K是高斯中心环绕函数的个数。

3.2 效 果

(a)正常曝光MSR (b)过曝MSR (c)欠曝MSR

图6 原图MSR

(a)灰度化的图6(a) (b)灰度化的图6(b) (c)灰度化的图6(c)

图7 灰度化的图6

由处理结果可以看出，经过MSR处理后，原先即使人眼不容易分辨的过曝和欠曝的图像也相对清晰了。但是处理后图像色彩的失真比较严重，而且灰度化以后更加可以看出图像对比度偏低，颜色偏暗，细节增强不够完善，尤其是图7(b)，轮廓线非常不明显。

4 HE与MSR的结合

从上面的实验可以看出，虽然HE和MSR对玉米病虫害图像亮度处理都有一定效果，但是仍然存在许多缺陷，比如HE算法可能导致灰度级过分合并，丧失图片部分细节，MSR算法得到的图片颜色失真比较严重，对比度偏低，颜色偏暗。针对上述分析，推断如果在MSR算法使用后再使用HE可以弥补各自的缺陷。

在“图像亮度处理程序”中采用上述同样的参数，将图像经MSR处理后进行HE计算，得到的结果如图8所示。

(a)正常光照图MSR+HE (b)过曝图MSR+HE (c)欠曝图MSR+HE

图8 MSR+HE处理结果

相比图5，图像的细节更加丰富，由其是叶片和玉米须的部位，相比图7，图像的对比度更高，颜色偏暗的缺点得到了改善。

5 结果分析

虽然从主观(人眼观察)分析中得出将HE和MSR算法结合使用比这两种算法单独使用，在玉米病虫害图像的亮度处理中效果更好的结论，但是为了避免主观判断带来的误差，对上述图像进行一个客观的分析，即利用图像质量的一些衡量指标对图像的质量进行定量分析。

5.1 图像质量衡量指标

图像质量衡量指标有许多，由于需要对玉米病虫害图片亮度处理后的细节丰富程度和清晰度进行衡量，故而选择用图像的对比度和平均梯度进行评价。[12]

(1)图像对比度。对比度的值越大，则表示图像的对比度越大，在一定程度上，图像的清晰度更高。对比度的计算公式为：

(13)

其中，Gi表示四邻域的灰度值，G表示中心像素的灰度值，m和n分别表示图像的长度和宽度(单位：像素)。

(2)平均梯度。平均梯度表示为在一个方向上图像细节的平均变化率，它反映的是图像的细节清晰程度，一般的，图像的平均梯度越大则图像的细节体现的越清楚。计算公式为：

G(x,y)=dxi+dxj，

(14)

dx(i,j)=I(i+1)-I(i,j),dy(i,j)=I(i,j+1)-I(i,j)。

(15)

5.2 结果分析

将原图像、HE处理图像、MSR处理图像和MSR算法和HE结合(MSR+HE)处理图像的对比度和平均梯度计算，结果如表1所示，这些数据都是由其相应的灰度图计算而来的。

表1 图像质量衡量指标计算

根据表格统计的原图及三种图像处理方法处理结果的对比度和平均梯度数据，进行如下分析。

(1)HE和MSR单独，以及这两个算法结合起来对过曝和欠曝的图片进行处理得到的图像对比度和平均梯度，均大于原始的过曝和欠曝图片的对比度和平均梯度，这表明这三种方法对丰富图像细节和增加图像清晰度都有一定的效果。

(2)虽然原图的正常、过曝和欠曝的图片的对比度和平均梯度相差很大，但是经过HE和MSR+HE处理后，它们的对比度和平均梯度相差都比较小，这说明这两种算法对图像亮度处理的稳定性较好。

(3)MSR+HE处理后的图像对比度和平均梯度均高于HE和MSR单独使用处理后的图像，这说明MSR+HE对玉米病虫害图像的亮度处理确实优于HE算法，得到的结果更加清晰，细节更加丰富。

根据以上分析，综合考虑图像的处理结果和稳定性，认为MSR与HE算法结合使用能够更好的对玉米病虫害图片的亮度进行处理，得到一个适于人眼观察和机器识别的图像。

6 结束语

针对田间设备实时拍摄的玉米病虫害图片存在的过曝、欠曝等亮度上的缺陷，通过对图像亮度处理方法的研究，发现HE和MSR算法结合可以弥补HE灰度级过分合并，以及MSR对比度相对偏低的缺陷，在提高处理结果稳定性的同时，更好消减亮度对图片造成的影响，使图像更加清晰，细节更加丰富，使之更加易于人眼观察和机器识别，为玉米田中玉米病虫害的实时观察做出铺垫，对玉米种植业具有重要意义。

[1] 陈志, 郝付平, 王锋德,等. 中国玉米收获技术与装备发展研究[J]. 农业机械学报, 2012, 43(12):44-50.

[2] Jiao J, Ma H, Qiao Y, et al. Design of Farm Environmental Monitoring System Based on the Internet of Things[J]. Advance Journal of Food Science & Technology, 2014, 6(3):368-373.

[3] 孔文, 焦俊, 王强, 等 . 基于ARM的番茄叶绿素和氮的实时检测与3G传输[J]. 安徽农业科学, 2015 ,43(30):347-350

[4] 焦俊, 张水明, 杜玉林, 等. 物联网技术在农田环境监测中的应用[J]. 中国农学通报, 2014, 30(20): 290-295.

[5] 屠珺, 刘成良, 李彦明,等. 基于光照无关图的苹果图像识别方法[J]. 农业工程学报, 2010, 26(S2):26-31.

[6] 林天圆, 王杰, 李金屏. 一种光照不均匀图像的灰度校正方法[J]. 济南大学学报(自然科学版), 2015, 29(6):401-405.

[7] 肖燕峰. 基于Retinex理论的图像增强恢复算法研究[D].上海：上海交通大学电子信息与电气工程学院, 2007.

[8] 范春年. 人脸识别中光照处理算法研究[D].南京：南京大学计算机科学与技术系, 2011.

[9] 张懿, 刘旭, 李海峰. 自适应图像直方图均衡算法[J]. 浙江大学学报(工学版), 2007, 41(4):630-633.

[10] 黄晓慰. 基于光照不变性的农产品(水果)图像处理[D]. 合肥：安徽农业大学信息与计算机学院, 2012.

[11] 仇成群, 刘成林, 沈法华,等. 基于Matlab和模糊PID的汽车巡航控制系统设计[J]. 农业工程学报, 2012, 28(6):197-202.

[12] Madasu H, Devendra J. An Optimal Fuzzy System for Color Image Enhancement.[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society, 2006, 15(10):2956-2966.

[责任编辑：张永军]

Image Preprocessing of Corn Pests and Diseases Based on HE and MSR

GAO Ya, JIAO Jun, MENG Zhu-li,NI Li,GU Ran,GU Li-chuan

(School of Information and Computer, Anhui Agricultural University, Hefei 230036, China)

About the problem of overexposure and underexposure of image collection in the corn field, designed a mix algorithm ,which combined Histogram Equalization and Multi-Scale Retinex together. That was to use MSR first for the image, then HE. Solved the issue of HE Grayscale excessive merger and got a lower defect of MSR contrast. As the experimental results suggested, from the point of view of subjective evaluation, this technology offered increased image clarity and getting more abundant in image details after MSR+HE processing ; from the point of view of objective indicators, the contrast and mean grads index utilized after MSR+HE image treatment were greater than what MSR and HE processed the image respectively; indicated MSR+HE algorithm had better stability, clearly processing result, rich details, more suitable for the field image processing.

corn diseases and pests;histogram equalization; multi-scale Retinex

2016-04-28

2016-07-20

安徽省科技厅国际合作项目(1403062031)和质量工程项目(2014tszy090，2014jyxm091)资助。

高 雅 (1992—),女,安徽合肥人,安徽农业大学信息与计算机学院2014级硕士研究生； 焦 俊(1964—),男,安徽合肥人,安徽农业大学信息与计算机学院副教授,博士,硕士生导师。

TP391

A

2096-2371(2016)04-0047-07