基于紋理特征與改進SVM算法的玉米田間雜草識別
2014-08-28 19:54:18王宏艷呂繼興
湖北農業科學 2014年13期
王宏艷 呂繼興
摘要：以玉米田間雜草圖像為研究對象，對采集的雜草葉片圖像進行預處理，對圖像的多個紋理特征進行篩選，以支持向量機進行分類。針對傳統分類器的不足，以組合核函數對其性能進行優化。仿真結果表明，構建優化的組合核函數能使分類器性能得到顯著提升，且當組合核函數中徑向基函數所占的權重為0.2、多項式核函數（二階）所占的權重為0.8時識別率最高，達86.00%，可以滿足雜草識別的需求。
關鍵詞：玉米；雜草識別；紋理特征；組合核函數
中圖分類號：TP391.41 文獻標識碼：A 文章編號：0439-8114（2014）13-3163-04
Identifying Corn Weed Based on Texture Features and Optimized SVM
WANG Hong-yan1，L？譈 Ji-xing2
（1. Department of Basic Sciences， Hebei Finance University， Baoding 071051， Hebei，China；
2. College of Information Science & Technology， Agricultural University of Hebei， Baoding 071001， Hebei，China）
Abstract： Image preprocessing of corn field weed blade was used to extract texture characteristic. The support vector machine（SVM） was used for classification. Considering the shortcomings of the traditional classifier， the parameters were optimized via the composite kernel. The results of simulation showed that the new method improved the weed identification. The highest recognition rate of test samples was 86% when the weight of radial basis function was 0.8 and polynomial kernel function was 0.2.
Key words： corn； weed identification； texture feature； combination kernel function
玉米苗期的田間雜草有100余種，隸屬于30科，常見的包括刺兒菜、藜、馬塘、田旋花等，其中有20%左右直接影響玉米的產量與質量。在過去很長的一段時期，我國的除草方式多為人工除草，耗費了大量勞動力。近年來引入了除草劑進行除草，大規模的除草劑對環境帶來比較嚴重的污染，且有些破壞是難以逆轉的。隨著圖像處理和人工智能等技術的不斷發展，借助圖像處理與識別技術實現農田中除草劑的定向定量噴灑是目前的研究熱點之一，其中怎樣進行雜草的圖像識別是最為關鍵的步驟。
當前已經開發出不少雜草識別的有效方法，這些方法往往結合作物中雜草的各類特征對其進行識別，包括顏色特征[1-4]、形狀特征[5，6]、光譜特征[7-9]或者以上特征的組合等，而單獨針對雜草紋理特征對雜草進行智能識別的研究目前比較少見。作物（尤其是葉片）的紋理特征能夠記錄作物在灰度特點以及顏色分布特征上的規律，因而也可以在玉米雜草圖像識別中取得較好效果[10]。為此，以玉米作物雜草圖像為研究對象，對采集的雜草葉片圖像進行預處理，篩選雜草葉片的紋理特征，以支持向量機進行分類，為了實現更好的分類效果，以組合核函數對傳統分類器性能進行優化。仿真結果證明對雜草的分類準確度可以滿足需求。
1 材料與方法
1.1 圖像采集
玉米作物的苗期同時也是大量雜草生長的關鍵期，因此進行圖像采集的時間選取在玉米出現3～5片葉片的時候，在河北農業大學農作物實驗教學基地采集刺兒菜、藜、馬塘、田旋花等雜草葉片標本。在圖像采集時需要考慮拍攝高度和像素等參數，相機高度過高會影響圖像的清晰度，而過低則會增加圖像處理成本。經過綜合考慮，將拍攝高度定為70 cm，鏡頭垂直向下，像素為640×320。
1.2 圖像預處理
預處理的目的是為了突出圖像的特征，增強其中的有用信息，此研究中圖像的預處理包括圖像增強、灰度處理以及濾波處理。
1.2.1 圖像增強 在圖像增強方法的選取上，對常見的頻率增強與空間增強進行對比，為了提升識別效率，減少運算量，選取效率更高的空間增強法[11]，對目標圖像的每一個像素的灰度值進行變換，最終實現整體對比度的提升，具體算法如下：
g（i，j）=■×[f（i，j）-fa]+ga
其中，f（i，j））與g（i，j）分別表示輸入、輸出圖像的灰度值；fa、fb分別是圖像樣本中線性變換區域的輸入灰度最大值與最小值； ga、 gb分別是輸出灰度最大值與最小值。通過空間增強發實現目標圖像整體對比度的增加，為下一步的處理奠定基礎。
1.2.2 灰度化處理 對圖像紋理特征進行分析，并不涉及目標圖像的顏色屬性，僅涉及其亮度信息。為了減少顏色信息中的數據對圖像處理效率的影響，在圖像增強之后對其進行灰度化處理。當前的圖像是RGB模式，通過3個步驟實現圖像的灰度化：①分別提取目標圖像RGB的具體值；②求出具體的灰度gray；③令R=B=G=gray，最終便實現了圖像灰度化。
目前效果較好的灰度化處理有3類，分別是最大值法、平均法以及加權法。考慮到玉米田間雜草通常為綠色，且與周圍環境（土地顏色）差別較大，因此最終選取加權法。gray=W1R+W2B+W3G，灰度以gray表示，W1、W2、W3則分別表示R、G、B分量的加權系數。根據文獻[11]，當W1=-1，W2=2，W3=-1，即gray=-R+2B-G時，能夠取得較滿意的效果，因此將加權系數定為W1=-1，W2=2，W3=-1。
1.2.3 濾波處理 通過濾波來優化圖像質量，濾波法一般包括鄰域和中值兩個類別。葉片邊緣輪廓信息量很大，同樣考慮到處理的效率和實時性，選取運算量相對較低的中值濾波[12]。中值濾波的主要原理是，將圖像分為不同的窗口S，窗口里的所有像素進行大小排列，將中位灰度作為該窗口的灰度。具體方法是：
在目標圖像中設置濾波窗口A，其中心坐標為（x，y）。通過以下方法對A進行濾波處理：
d（x，y）=■{c（x，y）}
濾波平滑處理之后的向量以d（x，y）表示，濾波窗口中的目標圖像灰度序列以c（x，y）表示，Med為對灰度序列取中值，于是有：
d（x，y）=■{R（x，y）}■{G（x，y）}■{B（x，y）}
其中R（x，y）、G（x，y）、B（x，y）分別表示目標像素的紅、綠、藍通道。此處僅以刺兒菜標本圖像為例，原圖以及預處理后的圖像如圖1所示。
2 紋理特征的提取
利用灰度共生矩陣提取紋理特征。灰度共生矩陣的含義是從圖像中某一個灰度為i的像素離開固定位置d=（Dx，Dy），并達到灰度值為j的可能性[13]。表示為Pd（i，j）（i，j=0，1，2，…，L-1）。式中，L是目標圖像的灰度級別數，每一個像素灰度以i，j表示，不同位置的空間關系以d表示，通常選取0、π/4、π/2和3π/4方向[14]。
2.1 紋理特征的提取
選取以下的紋理特征：
1）P1：慣性矩，含義是目標區域中灰度值變化的和，此參數能夠體現出目標的灰度變化水平，慣性矩的值愈大，則該目標圖像就擁有愈細致的紋理。該參數表示為：
CON=■■（i-j）p（i，j，d，？茲）
2）P2：熵，體現出目標圖像的信息量。圖像所具備的紋理信息帶有隨機性，當灰度共生矩陣的全部元素呈現分散性分布的時候，紋理信息隨機性較大，熵也較大。該參數表示為：
ENT=-■■p（i，j，d，？茲）lnp（i，j，d，？茲）
3）P3：角二階矩，含義是矩陣中所含有的全部像素值平方之和，該特征可以體現出目標圖像在灰度方面的紋理粗細與均勻度。若灰度分布均勻，則能量較大，反之能量較小；若紋理較粗糙，則能量較大，反之較小。該參數表示為：
ASM=■■p（i，j，d，？茲）2
4）P4：差異熵，以目標圖像的灰度概率系統的信息量差異體現出目標圖像信息量的大小，表示為：
DENT=■px-y（i）log{px-y（i）}
5）P5：同質性，同質性體現出目標圖像的局部平滑，表示為：
f=■■pd（i，j）/（1+|i-j|）
6）P6：相關性，相關度體現出目標圖像的灰度矩陣所有元素在圖像的行方向以及列方向的相似度。目標圖像的灰度共生矩陣值均勻相等的時候，相關度取較大值，灰度共生矩陣值相差很大則相關度取較小值。假若目標圖像的水平紋理居多，則此方向的相關度取值會明顯大于其余方向。該參數表示為：
COR=■■（i-j）p（i，j，d，？茲）-μxμy/σxσy
其中，
μx=■■p（i，j，d，？茲）
μy=■■p（i，j，d，？茲）
σx=■（j-μx）2■p（i，j，d，？茲）
σy=■（j-μy）2■p（i，j，d，？茲）
7）P7：和方差，表示為：
SVAR=■（i-SENT）2Px+y（i）
8）P8：極大概率值，表示為：
MAXP=■■max（P（i，j，d，θ））
9）P9：標準差，體現出目標圖像在紋理灰度方面的變化，表示為：
δ=■
10）P10：差異性，表示為：
DISS=■■P（i，j，d，θ）|i-j|
11）P11：逆差分，表示為：
INVD=■■P（i，j，d，θ）/1+|i-j|
12）P12：標準逆差，假設目標圖像的灰度級為N個，表示為：
IDMN=■■P（i，j，d，θ）/[1+（i-j）2/N2]
13）P13：和平均，表示為：
SAVE=■iPx+y（i）
14）P14：和熵，表示為：
SENT=-■Px+y（i）log{Px+y（i）}
15）P15：均值，體現出目標圖像的平均灰度，表示為：
μy=■■P（i，j，d，θ）， μx=■■P（i，j，d，θ）
16）P16：方差，表示為：
σ2x=■（i-μx）2■P（i，j，d，θ），
σ2y=■（j-μy）2■P（i，j，d，θ）
2.2 紋理特征的約簡
對以上的紋理特征進行簡化，步驟為：
1）把經過預處理的目標圖像從基于RGB的空間平移到基于HSV的空間，并對其H、S以及V分量進行分離。
2）為降低算法復雜度，對目標圖像灰度級進行處理，壓縮其至64。
3）將目標圖像的相鄰像素之間的距離設定為1，取θ=0、π/4、π/2、3π/4，分別對目標圖像提取紋理特征值，并分別獲取其4個角度的均方差和平均值，從而消除紋理特征值的方向性。
4）以15個雜草類別，每類10幅圖像，共計150幅雜草圖像作為樣本，獲取所有圖像的紋理特征，對所獲取的紋理特征集進行逐步判別分析。設定臨界值為1.35[14]，對參數進行約簡。結果如表1所示。
從表1可知，經過約簡，一些作用不大的冗余特征被丟棄。對于H分量與S分量，均由最初的16個減少到11個，減少至68.8%，而V分量則減少到6個，減少至37.5%。由此可知，在雜草圖像的HSV模型中，與紋理參數較為關聯的是H分量與S分量，V分量的關聯度最小。
此外，在H、S與V分量約簡后紋理參數中，均含有P6（相關性）、P8（極大概率值）、P9（標準差）、P14（和熵）幾個參數，說明在玉米苗期的田間雜草中，這幾個參數與其紋理特征關聯度較高。
3 雜草識別
考慮到作物和雜草的紋理參數多，需要的計算也較多，為增強實時性，選取專門針對 “二類模式”識別問題的支持向量機進行識別[15]。
3.1 數據預處理
引入Stprtool對玉米添加雜草的目標圖像進行分類。首先對數據進行預處理，Stprtool的數據格式為
3.2 核函數的比較與選擇
以MATLAB實現所有的算法。選取玉米苗期常見的15類雜草，每類的目標圖像為10幅，共計150幅。以隨機抽取的方式選取50%（75幅）的圖像作為構建SVM的訓練集，其余50%（75幅）作為測試集。為了觀察支持向量機的識別精度，分別以不同的核函數進行測試并比較結果。選取的核函數有徑向基函數、線性核函數和多項式核函數。表2為不同核函數的識別試驗數據及對比。
由表2中數據可知，徑向基函數識別率最高，達80.00%；其次是線性核函數和多項式核函數（二階），識別率均為74.67%。高階多項式核函數識別率則不太理想。分析其原因，主要是由于高階多項式核函數使復雜度提升，導致“過學習”而影響了識別性能。
3.3 分類器的優化
考慮到每種核函數均有其優勢，徑向基函數屬于局部核，所以其影響范疇局限于數據點周圍，插值能力很強；而多項式核函數的優勢則在于推廣能力強。結合二者的優勢對其進行組合，提升SVM的推廣能力以及學習能力，增加對雜草圖像的分類準確度[16，17]。基于以上的分析，構建優化的組合核函數如下：
K（x，y）=λ1（xy+1）q+λ2exp{-■}
其中，K（x，y）為核函數，x∈Rd，y∈[-1，1]為類別標識；（xy+1）q為徑向基函數； exp{-■}為多項式核函數；λ1及λ2分別為徑向基函數和多項式核函數（二階）在組合核函數中所占的權重，且滿足λ1+λ2=1。組合而成的核函數分別具備了較好的推廣能力以及學習能力。選取不同的λ權重，識別試驗數據及對比如表3所示。
由表3可知，λ1=0.2、λ2=0.8時識別率最高，達86.00%，該識別率也為不同核函數之間及不同權重組合之間的最高值。因此優化之后的分類器性能得到了較大程度的提升。經查證，識別錯誤的圖片為將馬塘誤識別為玉米，經分析，可能存在的原因是兩者紋理特征相近，在圖像清晰度不足的情況下容易導致系統誤判。為了進一步提升識別準確率，可以將紋理特征的識別結果與其他的特征相互組合，實現準確率更高的識別。
4 小結
結合玉米作物田間雜草的識別問題，提出了以紋理特征進行智能識別的方法，并提出了一種支持向量機分類器的優化方法。試驗結果表明，優化之后的支持向量機對于玉米田間雜草紋理特征識別精度達到86.00%，能滿足識別要求。試驗結果有助于實現除草系統的自動化和智能化，并有利于減少除草劑噴灑量。
參考文獻：
[1] EL-FAKI M S，ZHANG N，PETERSON D E.Factors affecting color based weed detection[J]. Transactions of the ASAE， 2000， 43（4）：1001-1009.
[2] TANG L，TIAN L，STEWARD B L.Color image segmentation with genetic algorithm for in-field weed sensing[J].Transactions of the ASAE，2000，43（4）：1019-1027.
[3] WOEBBECKE D M， MEYER G E，VON BARGEN K，et al. Color indices for weed identification under various soil，residual，and lighting conditions[J].Transactions of the ASAE，1995，38（1）：259-269.
[4] EL-FAKI M S，ZHANG N，PETERSON D E. Weed detection using color machine vision[J]. Transactions of the ASAE，2000， 43（6）：1969-1978.
[5] FRANZ E，GEBHARDT M R，UNKLESBAY K B. Shape description of completely visible and partially occluded leaves for identifying plants in digital images[J].Transactions of the ASAE，1991，34（2）：673-681.
[6] GUYER D E，MILES G E，SCHREIBER M M，et al. Machine vision and image processing for plant identification[J].Transactions of the ASAE，1986，29（6）：1500-1507.
[7] FRANZ E， GEBHARDT M R，UNKLESBAY K B. The use of local spectral properties of leaves as an aid for identifying weed seedlings in digital images[J]. Transactions of the ASAE，1991，34（2）：682-687.
[8] MEYER G E. Intensified fuzzy clusters for classifying plant， soil， and residue regions of interest from color images[J].Computers and Electronics in Agriculture，2004，42（3）：161-180.
[9] GOEL P K，PRASHER S O，PATEL R M，et al. Use ofairborne multi-spectral imagery for weed detection infield crops[J]. Transactions of the ASAE，2002，45（2）：443-449.
[10] 周 平，汪亞明，趙 勻.基于顏色分量運算與色域壓縮的雜草實時檢測方法[J].農業機械學報，2007，38（1）：116-119.
[11] TELLAECHE A， BURGOS-ARTIZZU X P，PAJARES G，et al. A vision-based method for weeds identification through the Bayesion decision theory[J]. Pattern Recognition，2008，41（2）：521-530.
[12] 劉立宏，胡可剛，劉立欣.目標檢測中的快速中值濾波法[J].吉林大學學報（信息科學版），2004，22（3）：232-235.
[13] 李先鋒，朱偉興，孔令東，等.基于SVM和D—S證據理論的多特征融合雜草識別方法[J].農業機械學報，2011，42（11）：163，164-168.
[14] 范德耀.基于DSP的水稻雜草識別研究[D].杭州：浙江理工大學，2011.
[15] 鄧乃揚，田英杰.數據挖掘中的新方法：支持向量機[M].北京：科學出版社，2004.
[16] 任 東，于海業，王紀華.基于線性組合核函數支持向量機的病害圖像識別研究[J].農機化研究，2007（9）：41-43.
[17] 曲昆鵬. 基于支持向量機的雜草識別研究[D].哈爾濱：哈爾濱工程大學，2010.
[6] GUYER D E，MILES G E，SCHREIBER M M，et al. Machine vision and image processing for plant identification[J].Transactions of the ASAE，1986，29（6）：1500-1507.
[7] FRANZ E， GEBHARDT M R，UNKLESBAY K B. The use of local spectral properties of leaves as an aid for identifying weed seedlings in digital images[J]. Transactions of the ASAE，1991，34（2）：682-687.
[8] MEYER G E. Intensified fuzzy clusters for classifying plant， soil， and residue regions of interest from color images[J].Computers and Electronics in Agriculture，2004，42（3）：161-180.
[9] GOEL P K，PRASHER S O，PATEL R M，et al. Use ofairborne multi-spectral imagery for weed detection infield crops[J]. Transactions of the ASAE，2002，45（2）：443-449.
[10] 周 平，汪亞明，趙 勻.基于顏色分量運算與色域壓縮的雜草實時檢測方法[J].農業機械學報，2007，38（1）：116-119.
[11] TELLAECHE A， BURGOS-ARTIZZU X P，PAJARES G，et al. A vision-based method for weeds identification through the Bayesion decision theory[J]. Pattern Recognition，2008，41（2）：521-530.
[12] 劉立宏，胡可剛，劉立欣.目標檢測中的快速中值濾波法[J].吉林大學學報（信息科學版），2004，22（3）：232-235.
[13] 李先鋒，朱偉興，孔令東，等.基于SVM和D—S證據理論的多特征融合雜草識別方法[J].農業機械學報，2011，42（11）：163，164-168.
[14] 范德耀.基于DSP的水稻雜草識別研究[D].杭州：浙江理工大學，2011.
[15] 鄧乃揚，田英杰.數據挖掘中的新方法：支持向量機[M].北京：科學出版社，2004.
[16] 任 東，于海業，王紀華.基于線性組合核函數支持向量機的病害圖像識別研究[J].農機化研究，2007（9）：41-43.
[17] 曲昆鵬. 基于支持向量機的雜草識別研究[D].哈爾濱：哈爾濱工程大學，2010.
[6] GUYER D E，MILES G E，SCHREIBER M M，et al. Machine vision and image processing for plant identification[J].Transactions of the ASAE，1986，29（6）：1500-1507.
[7] FRANZ E， GEBHARDT M R，UNKLESBAY K B. The use of local spectral properties of leaves as an aid for identifying weed seedlings in digital images[J]. Transactions of the ASAE，1991，34（2）：682-687.
[8] MEYER G E. Intensified fuzzy clusters for classifying plant， soil， and residue regions of interest from color images[J].Computers and Electronics in Agriculture，2004，42（3）：161-180.
[9] GOEL P K，PRASHER S O，PATEL R M，et al. Use ofairborne multi-spectral imagery for weed detection infield crops[J]. Transactions of the ASAE，2002，45（2）：443-449.
[10] 周 平，汪亞明，趙 勻.基于顏色分量運算與色域壓縮的雜草實時檢測方法[J].農業機械學報，2007，38（1）：116-119.
[11] TELLAECHE A， BURGOS-ARTIZZU X P，PAJARES G，et al. A vision-based method for weeds identification through the Bayesion decision theory[J]. Pattern Recognition，2008，41（2）：521-530.
[12] 劉立宏，胡可剛，劉立欣.目標檢測中的快速中值濾波法[J].吉林大學學報（信息科學版），2004，22（3）：232-235.
[13] 李先鋒，朱偉興，孔令東，等.基于SVM和D—S證據理論的多特征融合雜草識別方法[J].農業機械學報，2011，42（11）：163，164-168.
[14] 范德耀.基于DSP的水稻雜草識別研究[D].杭州：浙江理工大學，2011.
[15] 鄧乃揚，田英杰.數據挖掘中的新方法：支持向量機[M].北京：科學出版社，2004.
[16] 任 東，于海業，王紀華.基于線性組合核函數支持向量機的病害圖像識別研究[J].農機化研究，2007（9）：41-43.
[17] 曲昆鵬. 基于支持向量機的雜草識別研究[D].哈爾濱：哈爾濱工程大學，2010.
