基于灰度共生矩阵的红枣纹理特征提取

朱丽娟

新疆理工学院 新疆阿克苏 843000

“世界红枣在中国，中国红枣在新疆”——我国枣种植面积及产量居世界第一，占世界枣种植面积及产量的98%以上。近几年来，新疆的红枣栽植面积和产量增长迅猛，成为全国最大的商品化红枣种植基地。据统计年鉴数据，2019年新疆红枣产量占我国红枣总量的50%，是我国红枣的绝对主体。新疆红枣主要分布在和田、喀什、阿克苏、巴州和东疆的吐鲁番、哈密等地区，并已形成和田骏枣、阿克苏红枣、若羌枣、哈密大枣等获得国家农产品的地理标志保护的畅销品牌。

随着居民可支配收入的提升以及对生活品质的提高，人们对红枣的外观品质和内在营养成分有更高的要求。目前对红枣的大小、纹理、缺陷等进行检测分级主要还是通过人眼来完成，该方法不仅耗时耗力，而且主观性很强。因此，采用机器视觉的方法对红枣纹理特征进行分析并到达自动的正确分级显得十分重要。本文采用灰度共生矩阵方法提取红枣的纹理特征，对红枣分级起到较好的效果。

1 原料与方法

1.1 试验样品

本研究所使用的试验样品购买于阿克苏农副产品批发市场，该红枣是仅仅经过人工简单清洗，未被烘干的阿克苏当地半干灰枣，人工选择大小等级相同的20组正常红枣和褶皱红枣作为试验样本。

1.2 图像处理软件

在相机采集红枣图像过程中，用到相机自带的图像采集软件；在后期的图像处理过程中，本研究用matlab R19b软件对红枣图像数字化处理分析。

2 红枣的纹理特征提取

2.1 纹理

纹理是指物体表面所呈现的某种具有规律性重复出现的灰度排列，在其内容上表现为图像上下文之间的关系。实际上，纹理是一个视觉基元，且该基元具有一定不变性的特性。这种基元可以经过不同的形变和方向在指定范围内的不同位置多次反复出现，形成一种图像花纹。这种花纹纹理在一定程度上可以定量地描述图像中所具有的信息。

“皮皮枣”是一种等外枣(等级以外的枣)，在新疆主要指差枣，通常情况下这种枣的个头大，但是其所含肉质偏少，所含糖分也偏少，并且其表面褶皱又深又多，这种枣也影响整个红枣的质量水平。因此如果能够通过提取红枣表面的纹理特征，将这种褶皱红枣和正常红枣区别开来，对后续红枣品质分级有着很大的作用。

目前模型方法、结构方法、统计方法以及信号处理方法都可以实现纹理特征的提取。本文采用的灰度共生矩阵是基于统计方法，该方法在提取纹理特征中表现出非常不错的效果。

2.2 灰度共生矩阵及其特征参数

灰度共生矩阵算法(gray-level co-occurrence matrix，GLCM)是Haralick等人于1973年提出来的一种经典的分析图像纹理特征的二阶统计法。在现实世界中任何影像灰度表面均可视为三维空间中的一个曲面，在曲面中彼此相隔某一距离的两个像素具有相同或者不同的灰度级，即图像中灰度的空间相关性。灰度共生矩阵就是通过研究灰度的这种相关特性来描述纹理的方法。

灰度共生矩阵一般被定义为从灰度级为的像素点离开某个固定位置关系=(，)到达灰度级为的像素点的概率，所有估计的值均可以表示成一个矩阵的形式，因此被称为灰度共生矩阵。灰度共生矩阵用(，)(，=0，1，2，…，-1)表示，其中表示图像的灰度级，，分别表示像素点的灰度，表示两个像素点间的空间位置关系。不同的决定了两个像素点间的距离和方向。表示灰度共生矩阵的生成方向，在每一方向上都可以得到多类特征，但是这样得到纹理特征过于繁多，不利于使用，因此计算灰度共生矩阵时常取0°，45°，90°和135°这四个方向。灰度共生矩阵用图1表示。

图1 灰度共生矩阵

在纹理识别的实际应用中一般不直接使用得到的共生矩阵，而是采用在灰度共生矩阵的基础上计算出来的一些统计量作为纹理识别的特征量。本文就采用能量和熵两类纹理特征统计量作为参数，这是由于能量和熵之间不相关，受彼此的影响小，并且便于计算还能得到较高的分类精度，这对红枣的纹理区分有较好效果。下面是灰度共生矩阵中两种常用的统计量：

2.2.1 能量(Energy)

能量也被称为角二阶矩，是灰度共生矩阵元素值的平方和，它反映了图像灰度分布均匀程度和纹理粗细程度。如果灰度共生矩阵的所有值都相等，也就是说纹理较细，那么此时能量值就小；如果灰度共生矩阵的有些值大而其他值小，也就是说纹理较粗，那么此时能量值就大。

2.2.2 熵(Entropy)

熵是一个随机性的度量，表示了图像中纹理的非均匀程度或复杂程度。熵代表了纹理包含图像的信息量，是图像具有信息量的度量。如果图像中灰度均匀，共生矩阵中元素大小差异大，也就是说纹理较简单，那么此时熵值就小；如果灰度共生矩阵中元素的随机性较大且较分散，也就是说纹理较复杂，那么此时熵值就大。

2.3 结果分析

本文以20组正常红枣和褶皱红枣表面的纹理作为试验样品，使用matlab R19b软件完成试验。先计算0°，45°，90°，135°这四个方向上的灰度共生矩阵，此时取像素点间的距离为1；然后计算所需的能量和熵这两个纹理特征量，获取每组红枣表面纹理的灰度共生矩阵的两个特征参数。下面给出其中一组试验红枣的对比图像，如图2所示。

图2 左侧为正常红枣，右侧为褶皱红枣

以图2对比红枣组为例，基于共生矩阵提取纹理特征，使用matlab R19b进行编程，得出正常红枣和褶皱红枣在0°，45°，90°，135°四个方向上的能量和熵的具体值以及这2类参数的均值和标准差共四维特征行向量。具体数据如表1和表2所示。

表1 能量值、熵值

表2 四维特征行向量值

由表1数据可得出能量值图和熵值图，具体如图3、图4所示。

图3 能量值

图4 熵值

通过图3能量值、图4熵值可以得出正常红枣和褶皱红枣的表面纹理特征参数具有明显的差异。通过其他组对比试验也得到了相同的结果。能量值和熵值确实表示了图像纹理特征某一方面的性质，可以通过比较能量值和熵值来判断红枣褶皱情况，为后续褶皱红枣的分级提供基础。

结语

本文介绍了纹理、灰度共生矩阵的原理以及其特征参数，并提取能量和熵这两类参数作为红枣纹理特征，最后通过matlab R19b软件对正常红枣和褶皱红枣进行试验，结果表明灰度共生矩阵方法所提取纹理特征的可行性和有效性，对红枣的分级具有十分重要的意义。