基于改進算法的儲糧害蟲圖像識別預處理

劉麗娟+劉仲鵬+

摘要：引入圖像預處理及模式識別技術，實現儲糧害蟲圖像的預處理。結合害蟲圖像的特征，對傳統的灰度化方法進行改進，以ＨＳＩ的變換方法對圖像進行灰度化處理；通過直方圖均衡化調整圖像的灰度間距，提升圖像的對比度；對傳統的濾波方法進行優化，以方向濾波算法保護圖像邊緣，濾除圖像噪聲；以ＦＣＭ分割算法進行圖像分割，獲得害蟲圖像的主要特征，從而實現了對目標圖像的去噪、增強，為儲糧害蟲進一步的智能化識別與處理打下基礎。

關鍵詞：儲糧害蟲；病害圖像預處理；圖像識別

中圖分類號：ＴＰ３９１．４１文獻標識碼：Ａ文章編號：0439－８114（２０14）09－2170-04

Image Recognition Preprocess of Insect Pests of Stored Grain

Based on Improved Algorithm

LIU Li-juan1, LIU Zhong-peng2

(1. College of Information Science and Technology, Agricultural University of Hebei，Baoding 071000, Hebei, China;

2. Department of Information Technology，Baoding University，Baoding 071000, Hebei, China)

Ａｂｓｔｒａｃｔ： The image pretreatment of pests of grain stored insect was realized by introducing image preprocessing and pattern recognition technology. Combining with the feature of insect images, the traditional gray processing was improved to transform method of HSI to gray scale image processing. The image gray level spacing was adjusted through histogram equalization to enhance the contrast grade of image. The traditional filtering methods was optimized to direction filtering algorithm protecting the image edge. The image noise was filtered. With FCM segmentation algorithm for image segmentation, the main characteristics of the pest images were acquired. This， the target image denoising and enhancement was realized. A good foundation for intellectualization and processing of pests in further recognition was laid.

Ｋｅｙ ｗｏｒｄｓ：stored grain pests; disease image pretreatment; image recognition

中國是農業大國，也是糧食生產大國，儲藏安全是糧食生產與流通中的重中之重。統計數據表明，當前我國的儲糧損失率居高不下，由于蟲害而導致的損失平均達１１％，儲糧害蟲已經成為影響糧食品質的一大亟待解決的問題［１］。近年來，各國主要以有機合成農藥來消滅儲糧害蟲，取得了一定的效果，而精準使用殺蟲劑的前提是對儲糧害蟲的準確檢測。

隨著信息技術尤其是圖像處理技術的發展，引入圖像技術對儲糧害蟲進行自動處理、識別，從而提取與分析害蟲的形狀、大小、顏色、紋理等特征，進而科學、合理地識別和治理蟲害，是當前研究熱點之一。在基于圖像處理技術的害蟲檢測與識別方面，國內外已有一些研究成果，Ｚａｙａｓ等［２］通過光譜分析技術對小麥谷蠢蟲進行檢測，其所采用的方法對于害蟲的識別率較高，然而容易受到其他諸如草子等干擾圖像的影響，因此難以實現現場的使用和推廣；在我國，近年來有不少學者對儲糧害蟲的識別和檢測也取得了很好的成果，廉飛宇［３］通過基于粗糙集的算法實現害蟲圖像的預處理，以規則隸屬度對采集處理之后的圖像進行匹配，實現害蟲的檢測；張紅梅［４］則以ＢＰ網絡的方法對儲糧害蟲的各類特征進行訓練和分類識別。然而在圖像預處理的一系列算法中，一些傳統的算法由于具有一些固有的不足，并非完全適應對于蟲害的圖像識別［５］。為此，引入圖像預處理及模式識別技術，對傳統的一系列算法進行調整或改進優化，實現儲糧害蟲圖像的預處理，為害蟲進一步的智能化識別與處理打下良好的基礎，并有助于糧庫及時采取針對性的防治策略。

１儲糧害蟲圖像的獲取

采用相同的方式對含有儲糧、害蟲與雜質的目標物進行拍攝。數碼相機位于目標物上方１００ ｃｍ處，室內人工光照，圖像輸入電腦以ＪＰＧ格式保存。

２儲糧害蟲圖像的預處理

２．１基于ＨＳＩ的灰度預處理

對儲糧害蟲進行圖像預處理時，不需要使用圖像的全部色度數據，而采集到的原始圖像屬于真彩色圖像，因此圖像處理時的計算量偏大，計算速度與圖像處理的效率受到一定影響。通常的做法是首先將原始圖像轉換為８位灰度圖像，轉換之后的圖像僅保留灰度信息，對害蟲圖像預處理已足夠。灰度預處理的過程就是將彩色圖像中還有亮度與色度的ＲＧＢ模式經過轉換，變成灰度色，從而降低數據量。一般的灰度化處理僅是簡單地將真彩圖像變換為具有不同灰度級別的灰度圖。為了使灰度圖更加契合于彩圖本身的顏色和亮度特征，不少研究提出了改進的灰度化算法。本研究對比了主要的ＲＧＢ轉換至ＨＳＩ模式的實現算法，最終選擇了文獻［６］的算法，下面為依據該文獻從ＲＧＢ到ＨＳＩ的轉換方程：

Ｈ＝θ（Ｂ≤Ｇ）

Ｈ＝３６０－θ（Ｂ＞Ｇ）

其中θ＝arccos(■)

Ｓ＝Ｉ－■ｍｉｎ［Ｒ，Ｇ，Ｂ］

Ｉ＝■（Ｒ＋Ｇ＋Ｂ）

２．２直方圖均衡化預處理

為了使各灰度等級的比例更加平衡，需要對儲糧害蟲目標圖像進行直方圖均衡。具體思路是：對圖像中像素少的單元進行壓縮，像素多的則進行拓展，從而盡量使像素灰度值的動態范圍擴大，以“點運算”的方式，使圖像在其任意一個灰度級別都分布一樣的像素數目，形成處理后的輸出圖像，最終使圖像對比度得到改善。一幅圖像的直方圖能夠反映出該圖像中所含的所有灰度級別，以及該灰度級別像素數目之間的統計特征。通過直方圖均衡化的處理方法，能夠顯著改善圖像的對比度與亮度，使其細節清晰，增強圖像整體對比度。采用如下的處理流程：

１）對原圖進行灰度統計，共Ｌ級。列出其所包含的所有灰度級別，以ｆｊ表示每一個灰度級，ｊ＝０，１，…，ｋ，…，Ｌ－１

２）對原圖的每一個灰度級別，獲取其分別包含的像素總數，以nｊ表示，ｊ＝０，１，…，ｋ，…，Ｌ－１。

３）對原圖的每一個灰度級別所出現的頻率進行統計，以ｎ表示像素和，則出現的頻率Ｐｆ（ｆｊ）＝■， ｊ＝０，１，…，ｋ，…，Ｌ－１。

４）結合頻度Ｐｆ（ｆｊ），構建原圖每一灰度級的累積分布函數關系式，有Ｃ（ｆ）=■Ｐｆ（ｆｊ），ｊ＝０，１，…，ｋ，…，Ｌ－１。

５）通過Ｃ（ｆ）獲取原圖映射后的灰度，設映射后灰度級為ｇｉ，灰度數為Ｐ，則有ｉ＝０，１，…，ｋ，…，Ｐ－１，ｇｉ的值為式［（ｇｍａｘ－ｇｍｉｎ）Ｃ（ｆ）＋ｇｍｉｎ＋０．５］的整數部分。

６）對輸出的所有灰度級像素數目分別統計，以nｊ表示，ｊ＝０，１，…，ｋ，…，Ｐ－１。

７）得到映射后的輸出圖像直方圖，表示為

Ｐｇ（ｇｉ）＝■，ｉ＝０，１，…，ｋ，…，Ｐ－１。

８）以原始圖像的每一個灰度級（ｆｊ）與映射后灰度級（ｇｉ）之間的變換關系處理原圖所有灰度，最終得到灰度直方圖更加均勻分布的輸出結果。圖１、圖２為直方圖均衡預處理前后的對比圖。由圖１和圖２可以看出，均衡化后，在圖像樣本灰度值范圍內均有直方圖存在。在直方圖均衡化處理前，灰度值中低灰度含量比較高，而處理后各灰度比例分配變得均衡，因此圖像質量得到顯著改善，對比度提高，輪廓細節清楚，目標邊界清晰。

２．３基于方向濾波算法的優化中值濾波

為了彌補直方圖均衡處理的不足，在均衡化之后還需對圖像進行中值濾波。直方圖均衡化處理之后的圖像亮度往往比較高，并且出現了一些偽邊緣，影響了對害蟲目標的識別。為此，引入方向濾波算法對中值濾波進行優化，提取被處理圖像目標邊緣像素之中所蘊含的方向屬性，沿邊緣方向對其進行濾波處理，從而使圖像細節保留更加完整。過程為：

1）使用包含兩組３×３的矩陣的Ｓｏｂｅｌ邊緣檢測算法［７］，得到被處理目標的邊緣像素。

2）引入Ｐｒｅｗｉｔｔ梯度算子［８］，結合目標圖像邊緣的方向性特征，獲取被處理目標的邊緣像素方向屬性。以8個方向模板進行描述，有：

西向：11 -11 -2 -1111，東向：-111-1 -21-111，

南向：-1 -1 -1 1 -21 111，北向： 111 1 -21-1 -1 -1，

西南： 1 -1 -1 1 -2 -1 111，東北： 111-1 -21-111，

西北： 111 1 -2 -1 1 -1 -1，東南：-1 -11-1 -21 111。

對于被處理目標的每一個邊緣像素，用以上８個方向的模板進行微分處理并求和，最終取梯度最大值在邊緣檢測時提取的邊緣信息，即將邊緣像素的方向確定為8個方向模板處理之后的最大值。

3）針對被處理目標的邊緣像素所確定的方向，為其配置５×５的定向濾波子窗口，有：

ＣＷ１＝0 0 1 0 00 0 1 0 00 0 1 0 00 0 1 0 00 0 1 0 0，ＣＷ２＝1 0 0 0 00 1 0 0 00 0 1 0 00 0 0 1 00 0 0 0 1，

ＣＷ３＝0 0 0 0 00 0 0 0 01 1 1 1 10 0 0 0 00 0 0 0 0，ＣＷ４＝0 0 0 0 10 0 0 1 00 0 1 0 00 1 0 0 01 0 0 0 0。

以被處理的目標像素為中心，把定向濾波子窗口里值是１的對應像素有序排列，獲取該序列里的中間值，以此值取代原像素的灰度。經過中值濾波處理之后，圖像的邊緣依舊清晰，噪聲污染也得到了有效的去除。

２．４基于快速模糊聚類的害蟲圖像分割

在圖像分割階段引入ＷＦＣＭ（快速模糊聚類分割方法）［９］，引入ｈ（ｋ），含義是待處理圖像中像素灰度為ｋ的個數，ｈ（ｋ）可以通過圖像的灰度級來取代圖像數據樣本，降低計算復雜度與計算量。傳統的聚類方法（ＦＣＭ）數據量為樣本所含的像素數目，而優化的方法則使其減少到Ｌ，提升了處理效率。定義目標函數為［１０］：

Ｊｍ（Ｕ，Ｖ）＝■■（μｉｋ）ｍ（ｄｉｋ）２ｈ（ｋ）

其中，μｉｋ是待處理圖像中像素ｋ對第ｉ個均值聚類隸屬的程度；ｄ是像素ｋ與第ｉ個均值聚類之間的有效距離；以下式計算待處理圖像樣本的ｃ個聚類中心：ｖｉ＝■

（ｉ＝１，２，…，c）

迭代過程為：

１）獲取待處理圖像樣本的灰度級（ｋ＝０，１，２，…，Ｌ－１），對各類參數進行初始化，迭代次數以ｒ表示，確定聚類中心的數目；

２）計算待處理圖像樣本的ｃ個聚類中心；

３）以計算出的聚類中心去刷新模糊分類矩陣，得到新的分類矩陣；

４）如果新的分類矩陣與原矩陣之差小于某個預先設定閾值ε，則迭代結束，否則ｒ值增１，回到２）。

選取聚類算法中參數ｍ與ε、ｃ的值，分別以傳統的標準模糊聚類分割算法與改進算法對圖像進行處理，結果見表１。

表１的比較數據可以證明基于改進算法的ＦＣＭ在提升圖像分割效率方面的有效性，且ＷＦＣＭ算法平均運算時間和待聚類樣本數遠小于傳統算法，平均迭代次數也較低。圖３為以改進算法的ＦＣＭ分割之后的效果，其中左上部分為原始目標圖，右上部分為分割目標圖，下方為分割定位結果圖。至此，害蟲目標已被完整分割，可以為后續的害蟲分類識別以及精確施藥等操作奠定良好的基礎。

３小結

儲糧害蟲直接影響糧食品質，必須進行及時、準確的判斷與精準的防治。本研究基于圖像處理技術和模式識別技術，對采集到的儲糧害蟲圖像引入灰度預處理、直方圖均衡化和中值濾波，并結合圖像的具體特征對以上方法進行了調整或者優化，為害蟲進一步的智能化識別打下基礎。

參考文獻：

［１］ 萬拯群．我國科學保糧若干問題之我見［Ｊ］．糧食儲藏，２００９，３８（４）：５２－５６．

［２］ ＺＡＹＡＳ Ｉ Ｙ， ＦＬＮＮＡ Ｐ Ｗ． Ｄｅｔｅｃｔｉｏｎ ｏｆ ｉｎｓｅｃｔｓ ｉｎ ｂｕｌｋ ｗｈｅａｔ ｓａｍｐｌｅｓ ｗｉｔｈ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ［Ｊ］． Ｔｒａｎｓ ｏｆ ｔｈｅ ＡＳＡＥ，１９９８，４１（３）：８８３－８８８．

［３］ 廉飛宇．基于機器視覺的儲糧害蟲檢測與識別［Ｊ］．河南工業大學學報（自然科學版），２００７，２８（３）：４３－４６．

［４］ 張紅梅．基于數字圖像處理技術的儲糧害蟲分類識別研究［Ｊ］．河南工業大學學報（自然科學版），２００５，２６（１）：１９－２２．

［５］ 黃凌霄，周龍．基于數學形態學的儲糧害蟲圖像預處理［Ｊ］．武漢工業學院學報，２００７，２６（２）：８５－８８．

［６］ 牟研娜．作物生長狀態參數的圖像檢測方法的研究［Ｄ］．北京：北京理工大學，２００５．

［７］ ＡＢＯＬＧＨＡＳＥＭＩ Ｖ， ＡＨＭＡＤＹＦＡＲＤ Ａ． Ａｎ ｅｄｇｅ－ｂａｓｅｄ ｃｏｌｏｒ－ａｉｄｅｄ ｍｅｔｈｏｄ ｆｏｒ ｌｉｃｅｎｓｅ ｐｌａｔｅ ｄｅｔｅｃｔｉｏｎ［Ｊ］． Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ，２００９，２７（８）：１１３４－１１４２．

［８］ 劉明艷．用 Ｐｒｅｗｉｔｔ算子細化邊緣［Ｊ］．光電子技術，２００６，２６（４）：２５９－２６１．

［９］ 葉秀清，顧偉康，肖強． 快速模糊圖像分割算法［Ｊ］．模式識別與人工智能，２００６，９（１）：６６－７０．

［１０］ 徐月芳．基于遺傳模糊Ｃ－均值聚類算法的圖像分割［Ｊ］．西北工業大學學報，２００２，２０（４）：５４９－５５３．

３）對原圖的每一個灰度級別所出現的頻率進行統計，以ｎ表示像素和，則出現的頻率Ｐｆ（ｆｊ）＝■， ｊ＝０，１，…，ｋ，…，Ｌ－１。

４）結合頻度Ｐｆ（ｆｊ），構建原圖每一灰度級的累積分布函數關系式，有Ｃ（ｆ）=■Ｐｆ（ｆｊ），ｊ＝０，１，…，ｋ，…，Ｌ－１。

５）通過Ｃ（ｆ）獲取原圖映射后的灰度，設映射后灰度級為ｇｉ，灰度數為Ｐ，則有ｉ＝０，１，…，ｋ，…，Ｐ－１，ｇｉ的值為式［（ｇｍａｘ－ｇｍｉｎ）Ｃ（ｆ）＋ｇｍｉｎ＋０．５］的整數部分。

６）對輸出的所有灰度級像素數目分別統計，以nｊ表示，ｊ＝０，１，…，ｋ，…，Ｐ－１。

７）得到映射后的輸出圖像直方圖，表示為

Ｐｇ（ｇｉ）＝■，ｉ＝０，１，…，ｋ，…，Ｐ－１。

８）以原始圖像的每一個灰度級（ｆｊ）與映射后灰度級（ｇｉ）之間的變換關系處理原圖所有灰度，最終得到灰度直方圖更加均勻分布的輸出結果。圖１、圖２為直方圖均衡預處理前后的對比圖。由圖１和圖２可以看出，均衡化后，在圖像樣本灰度值范圍內均有直方圖存在。在直方圖均衡化處理前，灰度值中低灰度含量比較高，而處理后各灰度比例分配變得均衡，因此圖像質量得到顯著改善，對比度提高，輪廓細節清楚，目標邊界清晰。

２．３基于方向濾波算法的優化中值濾波

為了彌補直方圖均衡處理的不足，在均衡化之后還需對圖像進行中值濾波。直方圖均衡化處理之后的圖像亮度往往比較高，并且出現了一些偽邊緣，影響了對害蟲目標的識別。為此，引入方向濾波算法對中值濾波進行優化，提取被處理圖像目標邊緣像素之中所蘊含的方向屬性，沿邊緣方向對其進行濾波處理，從而使圖像細節保留更加完整。過程為：

1）使用包含兩組３×３的矩陣的Ｓｏｂｅｌ邊緣檢測算法［７］，得到被處理目標的邊緣像素。

2）引入Ｐｒｅｗｉｔｔ梯度算子［８］，結合目標圖像邊緣的方向性特征，獲取被處理目標的邊緣像素方向屬性。以8個方向模板進行描述，有：

西向：11 -11 -2 -1111，東向：-111-1 -21-111，

南向：-1 -1 -1 1 -21 111，北向： 111 1 -21-1 -1 -1，

西南： 1 -1 -1 1 -2 -1 111，東北： 111-1 -21-111，

西北： 111 1 -2 -1 1 -1 -1，東南：-1 -11-1 -21 111。

對于被處理目標的每一個邊緣像素，用以上８個方向的模板進行微分處理并求和，最終取梯度最大值在邊緣檢測時提取的邊緣信息，即將邊緣像素的方向確定為8個方向模板處理之后的最大值。

3）針對被處理目標的邊緣像素所確定的方向，為其配置５×５的定向濾波子窗口，有：

ＣＷ１＝0 0 1 0 00 0 1 0 00 0 1 0 00 0 1 0 00 0 1 0 0，ＣＷ２＝1 0 0 0 00 1 0 0 00 0 1 0 00 0 0 1 00 0 0 0 1，

ＣＷ３＝0 0 0 0 00 0 0 0 01 1 1 1 10 0 0 0 00 0 0 0 0，ＣＷ４＝0 0 0 0 10 0 0 1 00 0 1 0 00 1 0 0 01 0 0 0 0。

以被處理的目標像素為中心，把定向濾波子窗口里值是１的對應像素有序排列，獲取該序列里的中間值，以此值取代原像素的灰度。經過中值濾波處理之后，圖像的邊緣依舊清晰，噪聲污染也得到了有效的去除。

２．４基于快速模糊聚類的害蟲圖像分割

在圖像分割階段引入ＷＦＣＭ（快速模糊聚類分割方法）［９］，引入ｈ（ｋ），含義是待處理圖像中像素灰度為ｋ的個數，ｈ（ｋ）可以通過圖像的灰度級來取代圖像數據樣本，降低計算復雜度與計算量。傳統的聚類方法（ＦＣＭ）數據量為樣本所含的像素數目，而優化的方法則使其減少到Ｌ，提升了處理效率。定義目標函數為［１０］：

Ｊｍ（Ｕ，Ｖ）＝■■（μｉｋ）ｍ（ｄｉｋ）２ｈ（ｋ）

其中，μｉｋ是待處理圖像中像素ｋ對第ｉ個均值聚類隸屬的程度；ｄ是像素ｋ與第ｉ個均值聚類之間的有效距離；以下式計算待處理圖像樣本的ｃ個聚類中心：ｖｉ＝■

（ｉ＝１，２，…，c）

迭代過程為：

１）獲取待處理圖像樣本的灰度級（ｋ＝０，１，２，…，Ｌ－１），對各類參數進行初始化，迭代次數以ｒ表示，確定聚類中心的數目；

２）計算待處理圖像樣本的ｃ個聚類中心；

３）以計算出的聚類中心去刷新模糊分類矩陣，得到新的分類矩陣；

４）如果新的分類矩陣與原矩陣之差小于某個預先設定閾值ε，則迭代結束，否則ｒ值增１，回到２）。

選取聚類算法中參數ｍ與ε、ｃ的值，分別以傳統的標準模糊聚類分割算法與改進算法對圖像進行處理，結果見表１。

表１的比較數據可以證明基于改進算法的ＦＣＭ在提升圖像分割效率方面的有效性，且ＷＦＣＭ算法平均運算時間和待聚類樣本數遠小于傳統算法，平均迭代次數也較低。圖３為以改進算法的ＦＣＭ分割之后的效果，其中左上部分為原始目標圖，右上部分為分割目標圖，下方為分割定位結果圖。至此，害蟲目標已被完整分割，可以為后續的害蟲分類識別以及精確施藥等操作奠定良好的基礎。

３小結

儲糧害蟲直接影響糧食品質，必須進行及時、準確的判斷與精準的防治。本研究基于圖像處理技術和模式識別技術，對采集到的儲糧害蟲圖像引入灰度預處理、直方圖均衡化和中值濾波，并結合圖像的具體特征對以上方法進行了調整或者優化，為害蟲進一步的智能化識別打下基礎。

參考文獻：

［１］ 萬拯群．我國科學保糧若干問題之我見［Ｊ］．糧食儲藏，２００９，３８（４）：５２－５６．

［２］ ＺＡＹＡＳ Ｉ Ｙ， ＦＬＮＮＡ Ｐ Ｗ． Ｄｅｔｅｃｔｉｏｎ ｏｆ ｉｎｓｅｃｔｓ ｉｎ ｂｕｌｋ ｗｈｅａｔ ｓａｍｐｌｅｓ ｗｉｔｈ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ［Ｊ］． Ｔｒａｎｓ ｏｆ ｔｈｅ ＡＳＡＥ，１９９８，４１（３）：８８３－８８８．

［３］ 廉飛宇．基于機器視覺的儲糧害蟲檢測與識別［Ｊ］．河南工業大學學報（自然科學版），２００７，２８（３）：４３－４６．

［４］ 張紅梅．基于數字圖像處理技術的儲糧害蟲分類識別研究［Ｊ］．河南工業大學學報（自然科學版），２００５，２６（１）：１９－２２．

［５］ 黃凌霄，周龍．基于數學形態學的儲糧害蟲圖像預處理［Ｊ］．武漢工業學院學報，２００７，２６（２）：８５－８８．

［６］ 牟研娜．作物生長狀態參數的圖像檢測方法的研究［Ｄ］．北京：北京理工大學，２００５．

［７］ ＡＢＯＬＧＨＡＳＥＭＩ Ｖ， ＡＨＭＡＤＹＦＡＲＤ Ａ． Ａｎ ｅｄｇｅ－ｂａｓｅｄ ｃｏｌｏｒ－ａｉｄｅｄ ｍｅｔｈｏｄ ｆｏｒ ｌｉｃｅｎｓｅ ｐｌａｔｅ ｄｅｔｅｃｔｉｏｎ［Ｊ］． Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ，２００９，２７（８）：１１３４－１１４２．

［８］ 劉明艷．用 Ｐｒｅｗｉｔｔ算子細化邊緣［Ｊ］．光電子技術，２００６，２６（４）：２５９－２６１．

［９］ 葉秀清，顧偉康，肖強． 快速模糊圖像分割算法［Ｊ］．模式識別與人工智能，２００６，９（１）：６６－７０．

［１０］ 徐月芳．基于遺傳模糊Ｃ－均值聚類算法的圖像分割［Ｊ］．西北工業大學學報，２００２，２０（４）：５４９－５５３．

３）對原圖的每一個灰度級別所出現的頻率進行統計，以ｎ表示像素和，則出現的頻率Ｐｆ（ｆｊ）＝■， ｊ＝０，１，…，ｋ，…，Ｌ－１。

４）結合頻度Ｐｆ（ｆｊ），構建原圖每一灰度級的累積分布函數關系式，有Ｃ（ｆ）=■Ｐｆ（ｆｊ），ｊ＝０，１，…，ｋ，…，Ｌ－１。

５）通過Ｃ（ｆ）獲取原圖映射后的灰度，設映射后灰度級為ｇｉ，灰度數為Ｐ，則有ｉ＝０，１，…，ｋ，…，Ｐ－１，ｇｉ的值為式［（ｇｍａｘ－ｇｍｉｎ）Ｃ（ｆ）＋ｇｍｉｎ＋０．５］的整數部分。

６）對輸出的所有灰度級像素數目分別統計，以nｊ表示，ｊ＝０，１，…，ｋ，…，Ｐ－１。

７）得到映射后的輸出圖像直方圖，表示為

Ｐｇ（ｇｉ）＝■，ｉ＝０，１，…，ｋ，…，Ｐ－１。

８）以原始圖像的每一個灰度級（ｆｊ）與映射后灰度級（ｇｉ）之間的變換關系處理原圖所有灰度，最終得到灰度直方圖更加均勻分布的輸出結果。圖１、圖２為直方圖均衡預處理前后的對比圖。由圖１和圖２可以看出，均衡化后，在圖像樣本灰度值范圍內均有直方圖存在。在直方圖均衡化處理前，灰度值中低灰度含量比較高，而處理后各灰度比例分配變得均衡，因此圖像質量得到顯著改善，對比度提高，輪廓細節清楚，目標邊界清晰。

２．３基于方向濾波算法的優化中值濾波

為了彌補直方圖均衡處理的不足，在均衡化之后還需對圖像進行中值濾波。直方圖均衡化處理之后的圖像亮度往往比較高，并且出現了一些偽邊緣，影響了對害蟲目標的識別。為此，引入方向濾波算法對中值濾波進行優化，提取被處理圖像目標邊緣像素之中所蘊含的方向屬性，沿邊緣方向對其進行濾波處理，從而使圖像細節保留更加完整。過程為：

1）使用包含兩組３×３的矩陣的Ｓｏｂｅｌ邊緣檢測算法［７］，得到被處理目標的邊緣像素。

2）引入Ｐｒｅｗｉｔｔ梯度算子［８］，結合目標圖像邊緣的方向性特征，獲取被處理目標的邊緣像素方向屬性。以8個方向模板進行描述，有：

西向：11 -11 -2 -1111，東向：-111-1 -21-111，

南向：-1 -1 -1 1 -21 111，北向： 111 1 -21-1 -1 -1，

西南： 1 -1 -1 1 -2 -1 111，東北： 111-1 -21-111，

西北： 111 1 -2 -1 1 -1 -1，東南：-1 -11-1 -21 111。

對于被處理目標的每一個邊緣像素，用以上８個方向的模板進行微分處理并求和，最終取梯度最大值在邊緣檢測時提取的邊緣信息，即將邊緣像素的方向確定為8個方向模板處理之后的最大值。

3）針對被處理目標的邊緣像素所確定的方向，為其配置５×５的定向濾波子窗口，有：

ＣＷ１＝0 0 1 0 00 0 1 0 00 0 1 0 00 0 1 0 00 0 1 0 0，ＣＷ２＝1 0 0 0 00 1 0 0 00 0 1 0 00 0 0 1 00 0 0 0 1，

ＣＷ３＝0 0 0 0 00 0 0 0 01 1 1 1 10 0 0 0 00 0 0 0 0，ＣＷ４＝0 0 0 0 10 0 0 1 00 0 1 0 00 1 0 0 01 0 0 0 0。

以被處理的目標像素為中心，把定向濾波子窗口里值是１的對應像素有序排列，獲取該序列里的中間值，以此值取代原像素的灰度。經過中值濾波處理之后，圖像的邊緣依舊清晰，噪聲污染也得到了有效的去除。

２．４基于快速模糊聚類的害蟲圖像分割

在圖像分割階段引入ＷＦＣＭ（快速模糊聚類分割方法）［９］，引入ｈ（ｋ），含義是待處理圖像中像素灰度為ｋ的個數，ｈ（ｋ）可以通過圖像的灰度級來取代圖像數據樣本，降低計算復雜度與計算量。傳統的聚類方法（ＦＣＭ）數據量為樣本所含的像素數目，而優化的方法則使其減少到Ｌ，提升了處理效率。定義目標函數為［１０］：

Ｊｍ（Ｕ，Ｖ）＝■■（μｉｋ）ｍ（ｄｉｋ）２ｈ（ｋ）

其中，μｉｋ是待處理圖像中像素ｋ對第ｉ個均值聚類隸屬的程度；ｄ是像素ｋ與第ｉ個均值聚類之間的有效距離；以下式計算待處理圖像樣本的ｃ個聚類中心：ｖｉ＝■

（ｉ＝１，２，…，c）

迭代過程為：

１）獲取待處理圖像樣本的灰度級（ｋ＝０，１，２，…，Ｌ－１），對各類參數進行初始化，迭代次數以ｒ表示，確定聚類中心的數目；

２）計算待處理圖像樣本的ｃ個聚類中心；

３）以計算出的聚類中心去刷新模糊分類矩陣，得到新的分類矩陣；

４）如果新的分類矩陣與原矩陣之差小于某個預先設定閾值ε，則迭代結束，否則ｒ值增１，回到２）。

選取聚類算法中參數ｍ與ε、ｃ的值，分別以傳統的標準模糊聚類分割算法與改進算法對圖像進行處理，結果見表１。

表１的比較數據可以證明基于改進算法的ＦＣＭ在提升圖像分割效率方面的有效性，且ＷＦＣＭ算法平均運算時間和待聚類樣本數遠小于傳統算法，平均迭代次數也較低。圖３為以改進算法的ＦＣＭ分割之后的效果，其中左上部分為原始目標圖，右上部分為分割目標圖，下方為分割定位結果圖。至此，害蟲目標已被完整分割，可以為后續的害蟲分類識別以及精確施藥等操作奠定良好的基礎。

３小結

儲糧害蟲直接影響糧食品質，必須進行及時、準確的判斷與精準的防治。本研究基于圖像處理技術和模式識別技術，對采集到的儲糧害蟲圖像引入灰度預處理、直方圖均衡化和中值濾波，并結合圖像的具體特征對以上方法進行了調整或者優化，為害蟲進一步的智能化識別打下基礎。

參考文獻：

［１］ 萬拯群．我國科學保糧若干問題之我見［Ｊ］．糧食儲藏，２００９，３８（４）：５２－５６．

［２］ ＺＡＹＡＳ Ｉ Ｙ， ＦＬＮＮＡ Ｐ Ｗ． Ｄｅｔｅｃｔｉｏｎ ｏｆ ｉｎｓｅｃｔｓ ｉｎ ｂｕｌｋ ｗｈｅａｔ ｓａｍｐｌｅｓ ｗｉｔｈ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ［Ｊ］． Ｔｒａｎｓ ｏｆ ｔｈｅ ＡＳＡＥ，１９９８，４１（３）：８８３－８８８．

［３］ 廉飛宇．基于機器視覺的儲糧害蟲檢測與識別［Ｊ］．河南工業大學學報（自然科學版），２００７，２８（３）：４３－４６．

［４］ 張紅梅．基于數字圖像處理技術的儲糧害蟲分類識別研究［Ｊ］．河南工業大學學報（自然科學版），２００５，２６（１）：１９－２２．

［５］ 黃凌霄，周龍．基于數學形態學的儲糧害蟲圖像預處理［Ｊ］．武漢工業學院學報，２００７，２６（２）：８５－８８．

［６］ 牟研娜．作物生長狀態參數的圖像檢測方法的研究［Ｄ］．北京：北京理工大學，２００５．

［７］ ＡＢＯＬＧＨＡＳＥＭＩ Ｖ， ＡＨＭＡＤＹＦＡＲＤ Ａ． Ａｎ ｅｄｇｅ－ｂａｓｅｄ ｃｏｌｏｒ－ａｉｄｅｄ ｍｅｔｈｏｄ ｆｏｒ ｌｉｃｅｎｓｅ ｐｌａｔｅ ｄｅｔｅｃｔｉｏｎ［Ｊ］． Ｉｍａｇｅ ａｎｄ Ｖｉｓｉｏｎ Ｃｏｍｐｕｔｉｎｇ，２００９，２７（８）：１１３４－１１４２．

［８］ 劉明艷．用 Ｐｒｅｗｉｔｔ算子細化邊緣［Ｊ］．光電子技術，２００６，２６（４）：２５９－２６１．

［９］ 葉秀清，顧偉康，肖強． 快速模糊圖像分割算法［Ｊ］．模式識別與人工智能，２００６，９（１）：６６－７０．

［１０］ 徐月芳．基于遺傳模糊Ｃ－均值聚類算法的圖像分割［Ｊ］．西北工業大學學報，２００２，２０（４）：５４９－５５３．