马铃薯缺素图像预处理并行化方法分析

摘 要 利用滤波算法对马铃薯缺素叶片图像进行预处理，以更好地提取叶片图像的颜色特征、纹理特征和形状特征量，提高马铃薯营养成分分析的识别率，并且对滤波算法进行了并行化优化，以此来提高马铃薯营养成分分析诊断的速率。

关键词 马铃薯;缺素图像;图像预处理;并行化

中图分类号：TP391.41 文献标志码：B DOI：10.19415/j.cnki.1673-890x.2018.33.070

1 研究背景

马铃薯产业化是宁夏南部山区摆脱贫困的主要途径之一。在马铃薯的生长过程中，营养元素缺失会严重影响马铃薯的产量和质量，当缺乏任何一种营养元素时，会影响马铃薯的生长发育从而导致马铃薯的品质下降，甚至会造成减产乃至绝收。因此，对马铃薯生长过程进行监测十分重要。实时分析马铃薯的营养成分，诊断可能缺少的营养元素，及时地给出有效的防治方法，解决马铃薯品质下降的问题，可有效地促进农民增收。

图像处理应用需要经过图像预处理，图像增强是一种必要的处理方法[1-7]。在自然光照下采集样本图像，会受到噪声的干扰，对图像进行图像分割、去燥、增强等预处理，能够更好地提取图像的特征。在农业信息化中，对于农作物的营养成分分析，需要提取叶片图像的颜色、纹理和形状特征，良好的特征具有区别性、独立性和可靠性，可以更好、更快地完成分析诊断[8-10]。基于此，在文献[1]给出频域混合滤波的图像增强算法，结合低通和高通滤波器各自的优点，对图像进行选择性地滤波，有效改善了图像特征提取。

为了在马铃薯营养成分分析中获得叶片图像的颜色特征、纹理特征和形状特征量，提高马铃薯营养成分分析的识别率，利用该滤波算法对马铃薯缺素叶片图像进行预处理，并且对滤波算法进行了并行化优化，以此来提高马铃薯营养成分分析诊断的速率。

2 图像预处理

在自然光照下采集马铃薯叶片样本图像，会受到噪声干扰，为能够更好地提取图像的特征，对马铃薯缺钾和缺硼的叶片图像运用文献[1]给出的图像增强混合滤波算法进行图像增强预处理。

1）将马铃薯叶片的采样图像中心化，对图像f（x，y）进行傅里叶变换：

（1）

2）对图像的低频部分和高频部分进行不同系数的

滤波：

高频部分为βHhp（u，v），低频部分为αHlp（u，v），通过实验选取合适的系数α和β（β>α）。

3）将图像的高频和低频部分进行像素融合：

H（u，v）=αHlp（u，v）⊕βHhp（u，v）（2）

4）计算反傅里叶变换：

f（x，y）=N-1[F（u，v）H（u，v）]（3）

5）取结果的实部并乘以（-1）x+y以取消输入图像的乘数：

g（x，y）=（-1）x+yf（x，y）（4）

g（x，y）为获得的增强后的图像。

3 并行优化

马铃薯缺素图像预处理算法在Matlab中运行，循环与矩阵分解运算耗时较长，本文采用client-worker模式，实现Matlab环境的并行化。1）使用parfor代替for，将循环任务分配到多个核中。2）client-worker模式。client将任务合理地分配给各个worker进行计算，最后传回计算结果。

在运行过程中，client只负责任务分配、数据传递和接收，不会满载CPU，而worker进行数据计算，可能会造成CPU满载。假设单核运行程序段消耗时间为t，N核并行运行的程序段的消耗时间为t/N+e，e表示client和worker之间数据交互所消耗的时间。因此，对client和worker之间数据交互进行进一步优化。

对client和worker之间的数据交互进行优化，主要是减小client和worker之间传递的数据量。由于在parfor之前预分配内存，分段变量就具备了输入属性，此时client再将其分段传递给不同的worker，会增加额外时间。因此，在循环之前不预分配内存。

4 结果与分析

4.1 实验环境

CPU：Intel（R）_Core（TM）_i5-3210M_CPU_@_2.50GHz

显卡：NVIDIA GeForce GT 630M

系统：Windows 8

开发平台：Matlab 2014

4.2 实验结果

马铃薯缺钾的叶片主要特征表现为叶脉间褪绿，叶尖、叶缘坏死;缺硼的马铃薯叶片有小叶卷曲和烧边现象。基于此，对马铃薯缺少钾、硼元素的叶片图像分别進行预处理，如图1所示。并行化前后运行时间对比

如表1所示。

马铃薯缺素的叶片图像增强后，叶片纹路清晰，突出了病斑部位，没有产生噪声及过度锐化等问题，利于特征提取。在运行时间方面，并行化后算法为0.6 s，比原算法快3 s。

5 结语

对马铃薯缺素叶片图像采用混合滤波算法进行预处理，突出了叶片病斑部位，避免了噪声的产生和图像的过渡锐化，可以更好地提取叶片图像的颜色特征、纹理特征和形状特征量，提高了马铃薯营养成分分析的识别率。同时，对滤波算法进行并行化优化，提高了马铃薯营养成分分析诊断的速率。

参考文献：

[1] 杨捷，冯兵，吴素萍.频域图像增强混合滤波算法及在作物缺素中的应用[J].计算机工程与设计，2014，35（9）：3156-3162.

[2] 田凯，张连宽，熊美东，等.基于叶片病斑特征的茄子褐纹病识别方法[J].农业工程学报，2016，32（1）：184-189.

[3] 梁琨，杜莹莹，卢伟，等.基于高光谱成像技术的小麦籽粒赤霉病识别[J].农业机械学报，2016，47（2）：309-315.

[4] 黄儒乐，吴江，韩宁.林火烟雾图像自动识别中的模式分类器选择[J].北京林业大学学报，2012，34（1）：92-95.

[5] 濮永仙.基于病斑特征融合的烟草病害图像检索方法[J].河南农业科学，2015，44（2）：71-76.

[6] 胡昭华，宋耀良.基于一种连续自编码网络的图像降维和重构[J].数据采集与处理，2010，25（3）：318-323.

[7] 张芳，付立思.基于图像处理技术的黄瓜叶部病害识别诊断系统[J].农机化研究，2014（9）：213-215.

[8] 刘丽娟，刘仲鹏，张丽梅.基于图像处理技术的玉米叶部病害识别研究[J].吉林农业科学，2014（1）：45.

[9] 杨钟.面向图像分类和识别的视觉特征表达与学习的研究[D].广州：华南理工大学，2012.

[10] 霍迎秋，秦仁波，邢彩燕，等.基于CUDA的并行K-means聚类图像分割算法优化[J].农业机械学报，2014，45（11）：47-53.