一种玉米雄穗图像识别算法研究

茅正冲　孙雅慧

摘要 针对复杂的玉米田间图像，提出了一种玉米雄穗识别算法。该算法在HOG/SVM算法的基础上进行改进，为了弥补HOG特征只表现图像的轮廓特征这一缺点，分别提取待测图像块的颜色特征、轮廓特征和纹理特征，并送入提出的组合级联SVM分类器中进行判别。该SVM分类器是由2级SVM模型组合构成的，并使用大量经过人工标注的雄穗图像和背景图像为样本训练而成。综合考虑分割结果和性能评价，雄穗成功识别率为83%，该方法能很好地识别玉米雄穗，适用于复杂田间玉米雄穗图像的分割。

关键词 图像识别；方向梯度直方图；局部二进制模式特征；支持向量机

中图分类号 S126；TN911.73 文献标识码 A 文章编号 0517-6611（2018）13-0193-03

Study on a Recognition Algorithm of Corn Tassel Image

MAO Zhengchong，SUN Yahui

（Networking Engineering College，Jiangnan University，Wuxi，Jiangsu 214122）

Abstract A corn tassel recognition algorithm was proposed for complex maize field images.The algorithm was improved based on HOG/SVM algorithm.In order to make up for the disadvantage that HOG features only manifest contour features of images，the color feature，contour features and texture features of measured image block were extracted and recognized by combined cascade SVM classifier.The SVM classifier was made up of two levels of SVM model and trained with a large number of artificially annotated tassel images and background images.Considering the segmentation results and performance evaluation，the successful recognition rate of tassel was 83%.This method could well identify tassels of maize，and it was suitable for the segmentation of complex male tassel images in fields.

Key words Image recognition；Directional gradient histogram；Local binary pattern features；Support vector machines

玉米作为世界三大粮食作物之一，在我国各地都有广泛种植。玉米的雄穗是玉米育种与种子生产过程中被广泛研究的重要农艺性状[1]。综合目前人工观测的多年实际经验，将图像识别技术引入到玉米雄穗识别领域，提出能够客观反映玉米雄穗的图像特征描述及其提取方法，实现玉米雄穗的自动识别，可以判断玉米植株抽雄期，同时标志着植株已经从营养成长转向生殖生长。陆明[2]利用绿色像素比例值和黄色像素比例值来识别玉米生长期，但由于自然环境复杂，作物残留物及杂草都会对绿色像素的提取有很大影响，使绿色像素比值变大，影响对生长期的判断。当玉米生长环境缺水时玉米叶变窄，颜色偏黄，绿色像素比例值达不到生长期判断阈值，致使误判。唐文冰等[3]利用区域生长对色度饱和度亮度（Hue saturation intensity，HSI） 模式彩色空间的H分量进行分割，实现了玉米雄穗图像的分割，但不能很好地分割处于干旱环境下的玉米雄穗。但是，这些方法会将玉米叶和小麦秸秆误判为玉米雄穗。笔者提出了一种玉米雄穗分割方法，在HOG/SVM（方向梯度直方图/支持向量机）算法的基础上进行改进，由于HOG特征仅表示图像的轮廓特征，将待测图像进行分块并分别提取其颜色特征、轮廓特征和纹理特征，然后送入到已训练好的SVM分类器中进行分类，判断目标是否属于雄穗图像。

1 算法分析

1.1 特征提取

由于HOG特征表示图像的轮廓信息，且对光照和小量的偏移具有鲁棒性，但其提取的特征向量维数较大且提取时间较长，当图像比较复杂时，该算法效果会变差且提取的特征不完整。笔者提出联合特征的提取，分别利用表示颜色特征的LCS（Local color statistics，局部颜色统计）特征、表示轮廓特征的HOG（Histogram of orientation gradients，方向梯度直方图）特征和表示纹理特征的LBP（Local binary patterns，局部二进制模式）特征进行融合，对玉米雄穗进行识别。

1.1.1 LCS特征提取。

局部颜色统计特征（LCS）是一种基本的颜色描述算子[4]。一般而言，它是基于RGB或HIS空间计算的，具體计算公式如下：

式中，N表示样本中块的数量；cj表示第i个块中m个采样像素中的第j个颜色值；αi和βi分别为均值和标准差的无偏估计量。样本的最终颜色特征是所有αi和βi的串联。该局部颜色统计特征可以很好地体现玉米雄穗的颜色变化和空间信息。

1.1.2 HOG特征提取。

方向梯度直方图特征（HOG）最初是由Dalal等[5]2005年提出的，主要关注物体相对于背景的轮廓信息，它能够很好地描述一个物体的形态结构并且对光照变化不敏感。HOG描述子与边缘方向直方图、尺度不变特征转换描述子（Scaleinvariant feature transform，SIFT）以及形状上下文有些类似，但是HOG特征是在密集的网格内均匀间隔的细胞（cell）中进行计算的，而且它采用局部重叠对比度归一化方法来进一步提高精度[6]。

获取HOG特征的步骤如下：①先将彩色图像进行灰度化。

②采用Gamma校正法对图像进行颜色空间标准化。其目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪声的干扰。

③计算图像中每个像素分别在水平方向和垂直方向的梯度，记为（Gx，Gy）；按照以下公式分别计算每个像素的梯度幅值NG（x，y）和梯度方向OG（x，y）：NG（x，y）= Gx（xi，yi）2+Gy（xi，yi）2 ，OG（x，y）=arctan Gx（xi，yi） Gy（xi，yi） 。这一步主要是捕获轮廓信息，同时进一步弱化光照的干扰。

④将样本图像按照固定大小划分成均匀分布的细胞（cell）。⑤统计每个细胞（cell）的梯度直方图（不同梯度的个数），即可形成每个细胞的描述子。⑥将多个细胞（cell）组成一个更大的、空间上连通的块（block）。由于局部光照的变化以及前景背景对比度的变化，使得梯度强度的变化范围非常大，因此需要对块内的梯度强度进行归一化。⑦将样本图像内的所有块（block）的HOG特征描述子串联起来，就构成该图像的HOG特征描述子。

1.1.3 LBP特征提取。

局部二进制模式特征（LBP）最初是Ojala等[7]于2002年提出的，是一种在灰度范围内非常有效的纹理谱描述符，其分类能力强，计算效率高，具有旋转不变形和灰度不变性，且能结合图像的整体特征。LBP特征提取步骤如下：①

将检测窗口划分为16×16的小区域。②将区域中每个像素点置于一个以它为中心的3×3的邻域中，然后将中心灰度值与其周围相邻的8个像素点灰度值比较，若周围像素点的灰度值大于等于中心像素值，标记为1，否则为0。这样便产生了8位二进制数，将其转化为十进制数。该区域每个像素点都会有一个对应的数值，即LBP值，计算公式如下：

LBPN，R= N-1 i=0 s（gi-gc）2i，s（x）= 1，x≥00，otherwise 。

③计算每个区域的直方图，即统计每个LBP值出现的频率，形成一个向量；然后，对该直方图进行归一化处理。

④将得到的每个区域的直方图向量连接成一个特征向量，这就是最终用于分类的整幅图像LBP特征向量。LBP算子运算过程示例见图1。

1.2 支持向量机

支持向量机（Support vector machines，简称SVM）[8]技术可以完成对穗的特征进行学习和检测的任务。支持向量机是将该机制应用到监督学习中的机器学习方法，它主要用来解决分类问题。一个分类任务通常由2个部分组成，即训练阶段和测试阶段（或分类阶段）。在训练阶段中采用的数据包括特征集以及每个特征对应的类别标记。支撑向量机（SVM）的目标就是生成一个分类器模型，使之能够在测试阶段对给定的测试样本特征进行准确分类。

SVM的学习过程[9]如下：①对样本集合测试集进行特征提取；

②合适的核函数进行变换，将输入的样本空间转换到一个高维的RKHS（Reproducing Kernel Hilbert Space，再生核希尔伯特空间）；③在RKHS空间构造最优分离超平面，即搜索SVM，由得到的SVM构造学习机，完成样本的训练；④经过同样预处理的未知类别数据输入学习机进行分类判别，得到学习结果，学习过程结束。

在该研究中，训练阶段的支持向量机（SVM）分类器分为二级。首先，将提取的特征分别送入3个支持向量机（SVM）模型中进行训练，这是第一级的SVM分类器训练。该训练模型可用下式表示：

sv=（ωv，fv）+bv （3）

式中，sv为模型得分值，fv为特征向量，ωv为权值向量，bv为偏置项。第2级SVM分类器的训练需要融合前一级3个SVM分类器的输出结果，所以可将第1级的3个SVM分类器输出的得分值sv作为特征向量再训练第2级SVM分类器，第2级SVM分类器的训练模型可用下式表示：

so=（ωo，sv）+bo （4）

在检测阶段，若so>0，则为雄穗区域，否则为背景区域。

2 算法实现

训练阶段：①手动选取玉米田间图像中的穗和背景图像作为训练样本集，并进行人工标注；

②分别提取训练样本集中每个样本的颜色特征、轮廓特征和纹理特征；

③训练第1级SVM分类器：将上述提取的3个特征分别送入3个SVM模型中进行训练，根据提出的训练模型公式，可以得到3个输出得分值sv；④训练第2级SVM分类器：将第1级的3个SVM分类器输出的得分值作为特征向量，输入第2级SVM分类器训练，根据步聚③和④，可以得到训练好的2级SVM分类器。

检测阶段：①对待检测玉米田间图像提取滑动窗口内的图像子块；②分别计算该子块的颜色特征、轮廓特征和纹理特征；③将上述特征分别输入到已训练好的SVM分类器中进行分类判别，根据公式（4）成功判别雄穗区域和背景区域。

3 图像分割处理試验

田间复杂环境的主要特点是光照不均，叶面反光与玉米雄穗颜色相近；水分不充足时玉米叶变窄、颜色变浅；土壤反光发亮与玉米雄穗相似[10]；不同地区玉米品种不同，玉米雄穗形态不同[11]。笔者以这3种情况下的图像为试验对象，对图像进行分割处理试验。

该仿真试验在Windows 7 系统下，利用MATLABR2012a软件完成，试验结果如图2所示。

试验结果采用错分率α和查全率β[12]作为评价标准，按照以下公式计算：

α= N-N1 N2 （5）

β= N1 N2 （6）

式中，N为分割出的玉米雄穗的数量，N1为分割出正确的玉米雄穗的数量，N2为图像中实际含有的玉米雄穗数量。

用不同环境下玉米田间图像共150张（各50张）作为试验对象，算法性能评价见表1。

从分割结果来看，针对正常环境、干旱环境、受光照影响3种情况下的玉米雄穗图像，该方法均能很好地分割出玉米雄穗；从性能评价来看，该方法查全率约83%，其中光照是试验过程中的重要影响因素，并且由于不同品种的玉米雄穗较分散或者存在遮挡，所以分割不全，导致识别不出，有待进一步改进。

4 结语

针对复杂的玉米田间图像，笔者提出了一种玉米雄穗识别算法。该算法在HOG/SVM算法的基础上进行改进，为了弥补HOG特征只表现图像的轮廓特征这一缺点，笔者分别提取待测图像块的颜色特征、轮廓特征和纹理特征，并送入提出的组合级联SVM分类器中进行判别。该SVM分类器是由2级SVM模型组合构成的，并使用大量经过人工标注的雄穗图像和背景图像作为样本训练而成。综合考虑分割结果和性能评价，针对正常环境、干旱环境、受光照影响下的玉米雄穗图像，该方法均能很好地识别玉米雄穗，可用于复杂田间玉米雄穗图像的分割，具有很高的识别率和良好的鲁棒性。

参考文献

[1]

GEBBERS R，ADAMCHUK V I.Precision agriculture and food security[J].Science，2010，327（5967）：828-831.

[2] 陆明.基于图像识别技术的玉米生育期自动观测研究[D].南京：南京信息工程大学，2011.

[3] 唐文冰，张彦娥，张东兴，等.基于双目立体视觉的玉米雄穗识别与定位研究[C]//创新农业工程科技 推进现代农业发展：中国农业工程学会2011年学术年会论文集.重庆：中国农业工程学会，2011.

[4] WU J，REHG J M.CENTRIST：A visual descriptor for scene categorization[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2011，33（8）：1489-1501.

[5] DALAL N，TRIGGS B.Histograms of oriented gradients for human detection[C]// Computer Vision and Pattern Recognition，2005.IEEE Computer Society Conference on San Diego，CA：IEEE，2005：886-893.

[6] FELZENSZWALB P F，GIRSHICK R B，MCALLESTER D，et al.Object detection with discriminatively trained partbased models[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2010，32（9）：1627-1645.

[7] OJALA T，PIETIKINEN M，HARWOOD D.A comparative study of texture measures with classification based on feature distributions[J].Pattern recognition，1996，29（1）：51-59.

[8] 郭明瑋，赵宇宙，项俊平，等.基于支持向量机的目标检测算法综述[J].控制与决策，2014（2）：193-200.