一種基于圖像分析的玉米病蟲害智能化識別方法

摘要：農業病蟲害智能化探測是現代農業發展的必然趨勢，也是基本要求之一。以玉米病蟲害為研究對象，借助計算機圖像分析技術，提出了一種玉米病蟲害智能化識別方法。首先對降質的玉米病蟲害圖像實現單層小波分解，以實現圖像信號的多尺度分解，獲得低頻分解系數和高頻分解系數。由于低頻分解系數包含絕大多數圖像低頻信號，降質程度可忽略不計，設計了一種具有調節因子的自適應增強函數模型，通過設定固定閾值，對高于該閾值的系數進行只適應增強，反之則進行抑制。然后對上述各高頻系數進行第二層小波分解，對獲得的低頻分解系數予以舍棄，對于高頻系數則通過設計一種隨著分解層數的變化而自適應調整閾值的小波閾值函數模型來進行處理。最后分別進行2層小波系數重構。結果表明，該方法對玉米病蟲害圖像的復原效果優于小波硬、軟閾值函數模型，能夠根據復原后的圖像進行病蟲害的準確識別，稍加改進可應用與農業智能化設備（如農業機器人）的內置程序中，能實現對病蟲害圖像的實時化地獲取、處理，智能化地識別。

關鍵詞：玉米病蟲害圖像；圖像分析；小波變換；自適應增強；小波閾值函數模型

中圖分類號： S126 文獻標志碼： A 文章編號：1002-1302（2014）07-0128-03

收稿日期：2013-09-25

作者簡介：楊青（1983—），女，上海人，講師，從事園林和高職教學研究。E-mail：greensheep9@163.com。農業現代化水平的不斷提高，對農業病蟲害的智能化識別提出了更高的要求。近年來，計算機圖像分析技術深入發展，誕生了一系列圖像分析方法，如小波變換[1-2]、數學形態學[3]、多重分形理論[4]等，為該領域的研究提供了一條可供借鑒的途徑。本研究將小波閾值法引入到農業病蟲害識別中，以玉米病蟲害圖像為例，從圖像分析的角度探究病蟲害的準確識別方法。通過對復原圖像的分析，可準確判定害蟲的體態、類型，為將來制定滅蟲方案提供依據。

1 一種小波域改進閾值函數模型

1.1圖像小波變換過程分析

一幅圖像可以看成是一個二維矩陣，假設該矩陣大小為m×n（m，n×Z*）。小波變換通過采用低通濾波器L（LPF）和高通濾波器H（HPF）對影像信號進行濾波，在此基礎上進行下二采樣，實現對影像的小波分解。圖像小波分解子圖像高頻成分用H表示，低頻成分用L表示。圖像經過小波分解之后，得到4個不同方向、不同分辨率的小波系數，即LL1為第一層低頻系數；HL1表示第一層垂直高頻系數；LH1表示第一層水平高頻系數；HH1表示第一層高頻對角方向系數。對LL1進行二層小波分解，可得到LL2、HL2、LH2、HH2，繼續進行3層分解可類似地得到LL3、HL3、LH3、HH3。對于LL3仍可進行理論上無限制的小波分解。圖像3層小波分解過程如圖1所示。

圖像經過小波變換后呈現2類特性：（1）圖像信息的高度集中性。圖像信息集中分布在小波變換后獲得的各個系數中，并且呈現水平、垂直、對角線等方向集中分布。（2）圖像信息分布不均衡性。圖像經過小波變換后，絕大部分信息集中于低頻系數，而少數高頻信息（如邊緣點、地物輪廓信息）則存在于高頻系數中。特別是對于噪聲圖像而言，經小波變換后，噪聲信息大部分存在于各高頻系數中。

1.2改進小波閾值函數模型

對于噪聲圖像而言，經過小波分解后，圖像信息大部分集中于低頻部分，該部分系數幅值大；而噪聲信息集中于各高頻系數中，噪聲系數幅度值較小，無論是高頻系數還是低頻系數，它們的幅度值均隨著分解層數的增大而迅速減小。對噪聲信號加以過濾，保留圖像本身信號，在此基礎上進行系數重構，這便是小波閾值法圖像分析的基本思想。現有的研究模型大體上有硬閾值[5]、軟閾值[6]以及介于兩者之間的半軟半硬閾值模型[7-8]等3類。小波硬、軟閾值函數模型主要通過將待處理系數幅值與設置的閾值進行比較，若大于該閾值則直接保留或者稍加處理，否則取0輸出。這類模型將噪聲圖像信號理想化為2類，即圖像中處理噪聲信號和圖像信號，而事實上這樣的理想化情形基本不存在，故該類模型有其局限性。在此基礎上發展起來的半軟半硬函數模型通過設置相關的調節因子求得軟、硬閾值的有效折中，而該類系數的取值基本是憑經驗來獲取，在應用中存在較強的主觀性。基于以上分析，本研究嘗試進行如下改進。

1.2.1新型自適應小波閾值經過大量試驗發現，隨著分解層數增加，小波系數幅度值衰減程度非常驚人，大體呈現指數級的衰減速度。傳統的小波閾值盡管也隨著分解層數增加而有所減小，但這樣的變換遠不及事實上系數幅值衰減的速度。從這個角度上說，用傳統小波閾值進行處理，難免會遺漏很大一部分的噪聲信號。

2算法試驗與分析

衡量某一算法的優劣，僅從理論上分析仍不足以說明問題，需要結合具體的試驗并對試驗結果進行定性定量分析給出評判才具有說服力。本研究將該算法應用于1幅實地拍攝的玉米病蟲害圖像的識別，由于現實中條件的特殊性所獲取的圖像僅能反映某一特定條件下的降質，無法考慮到所有導致圖像降質的因素。本研究通過對圖像加入一定強度的隨機噪聲來模擬降質圖像，在一定程度上能說明問題。試驗結果如圖3所示。

圖3-a為加入了均值為0、方差為0.3的高斯白噪聲和30%椒鹽噪聲構成的模擬降質圖像，圖中信息模糊不清，無法進行辨認。采用小波硬閾值函數模型對其進行處理，結果如圖3-b所示，圖中對玉米害蟲輪廓可隱約分辨出，但對于該類害蟲的體態尺寸大小無法辨認，并且玉米莖葉受損情況如何，也無法看清。圖3-c相對于前者盡管視覺效果有所改善，但圖中的信息辨認起來仍較困難，表明2類經典的小波閾值模型對降質圖像的復原效果不是很理想。相對于前3幅圖像而言，圖3-d則存在本質的不同，即圖中的玉米葉子受損情況可清洗辨認，并且停留在玉米葉子上的害蟲，根據其體態、尺寸可認為是“玉米螟”，是玉米生長過程中常見的害蟲。經過準確辨認分析后，在現實操作中，可采用夜間設置頻振式殺蟲燈、高壓汞燈、黑光燈等設備來對成年的玉米螟來進行捕殺。表明該算法可對該類圖像中的病蟲害信息進行準確復原。

3結論與討論

本研究借助于計算機圖像分析技術，提出了一種玉米病蟲害圖像智能化識別算法。該算法對降質的玉米病蟲害圖像先后實現2層小波分解，通過對第一層分解和第二層分解后所獲得低頻系數和高頻系數分別進行自適應圖像增強和自適應閾值化處理，在此基礎上實現重構。結果表明，該算法能夠從降質圖像中將病蟲害信息高效復原，通過對信息的準確辨認，準確識別出病蟲害的基本情況，為有效防治害蟲提供了依據。

本研究為農業病蟲害的識別給出了一個粗略思路，但要真正實現智能化的處理，還有以下工作：（1）本研究僅針對玉米病蟲害圖像進行處理，若將該算法應用于其他農業病蟲害的識別仍需要結合具體試驗對算法進行適當修正。（2）將該算法程序稍加改進應用于農業智能化設備（如農業機器人）中，通過對定時獲取的病蟲害圖像進行智能化處理，并識別出害蟲的特征，提出防治害蟲有效方案。

參考文獻：

[1]邢航，張鐵民，漆海霞，等. 薯類農產品視覺圖像的去噪方法[J]. 農機化研究，2012，34（7）：43-47，52.

[2]王亞超，薛河儒，多化瓊，等. 基于小波變換的木材紋理去噪研究[J]. 內蒙古農業大學學報：自然科學版，2013，34（1）：142-145.

[3]程玉柱，陳勇，車軍，等. 基于Bayes與SVM的玉米彩色圖像分割新算法[J]. 江蘇農業科學，2012，41（7）：355-358.

[4]夏政偉.多重分形理論在玉米病害圖像特征提取中的應用[J]. 南方農業學報，2013，44（5）：871-874.

[5]Donoho D L，Jonstone I M. Idel spatial adaptation by wavelet shrinkage[J]. Biometrika，1994，81（3）：425-455.

[6]Donoho D L. Denoising by soft-thrsholding[J]. IEEE Transactions on Information Theory，1995，41（3）：613-627.

[7]陳曉曦，王延杰，劉戀. 小波閾值去噪法的深入研究[J]. 激光與紅外，2012，42（1）：105-110.

[8]白青，王軍鋒，王濤，等. 一種改進的小波閾值圖像去噪綜合模型[J]. 計算機技術與發展，2013，23（5）：50-53.