基于鄰域算法的農(nóng)業(yè)害蟲(chóng)圖像分割

姚巧鴿 夏銀紅

摘要：針對(duì)分割農(nóng)業(yè)害蟲(chóng)圖像時(shí)不能區(qū)分相鄰灰度值的問(wèn)題，提出鄰域算法。首先確定像素的鄰域度，像素的鄰域通過(guò)移除低于某一給定閾值的所有邊并將所有相連的樣本點(diǎn)作為域類(lèi)而獲得；然后采用基于關(guān)系權(quán)重方法區(qū)分鄰域類(lèi)別，從全局的角度衡量了每個(gè)特征項(xiàng)對(duì)所有類(lèi)別的區(qū)分能力；接著基于可變聚類(lèi)半徑對(duì)像素?cái)?shù)據(jù)排重，刪除重復(fù)性數(shù)據(jù)；最后給出了算法流程。仿真試驗(yàn)結(jié)果表明，本研究算法分割農(nóng)業(yè)害蟲(chóng)圖像的效果清晰，消耗的時(shí)間較少。

關(guān)鍵詞：鄰域關(guān)系；像素；聚類(lèi)；權(quán)重；農(nóng)業(yè)害蟲(chóng)；圖像分割

中圖分類(lèi)號(hào)： TP391.41文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2017）11-0174-04[HS）][HT9.SS]

農(nóng)業(yè)生產(chǎn)中需要檢查農(nóng)產(chǎn)品中是否存在害蟲(chóng)，避免農(nóng)業(yè)災(zāi)害的發(fā)生，在農(nóng)業(yè)害蟲(chóng)的檢測(cè)中圖像背景復(fù)雜，害蟲(chóng)在圖像中很難與背景分離[1-2]。

傳統(tǒng)的檢測(cè)技術(shù)主要依賴(lài)于人眼，是農(nóng)民自己對(duì)農(nóng)產(chǎn)品的每個(gè)細(xì)節(jié)進(jìn)行檢查。但是檢查環(huán)境往往很惡劣，同時(shí)受天氣干擾，檢查工作很難展開(kāi)，利用計(jì)算機(jī)視覺(jué)處理代替人工檢測(cè)成為了一種必然的發(fā)展趨勢(shì)。目前使用的算法主要有以下幾種，K均值算法（K-means）是基于劃分的算法，只有農(nóng)業(yè)圖像數(shù)據(jù)聚類(lèi)簇的平均值被定義的情況下才能使用，對(duì)噪聲和孤立點(diǎn)數(shù)據(jù)敏感[3]；基于統(tǒng)計(jì)信息算法（statistical information grid，STING）將農(nóng)業(yè)圖像空間區(qū)域劃分為矩形單元，單元中存儲(chǔ)著預(yù)先計(jì)算的統(tǒng)計(jì)信息，可處理高維數(shù)據(jù)，但是檢測(cè)質(zhì)量取決于網(wǎng)格的粒度，由于聚類(lèi)的邊界是直線，檢測(cè)質(zhì)量較低[4]；基于動(dòng)態(tài)模型的層次聚類(lèi)算法（dynamic model hierarchical clustering，DMHC）不依賴(lài)于靜態(tài)模型，適應(yīng)被合并簇的內(nèi)部特征，但是算法過(guò)于復(fù)雜，在每次判斷子類(lèi)的相似度時(shí)都要做最小連接二等分[5]；基于密度與噪聲應(yīng)用的空間聚類(lèi)算法（density-based spatial clustering of applications with noise，DBSCAN）對(duì)農(nóng)業(yè)圖像數(shù)據(jù)聚類(lèi)中的每個(gè)對(duì)象通過(guò)連接區(qū)域劃分為簇，但是對(duì)參數(shù)敏感，若沒(méi)有采用空間索引，時(shí)間復(fù)雜度高[6]；基于共享型鄰居聚類(lèi)算法（shared neighbor clustering，SNC）具有對(duì)輸入樣本的順序不敏感、輸入?yún)?shù)的鄰域知識(shí)最小化等特點(diǎn)，但是存在孤立點(diǎn)的預(yù)處理不夠，同時(shí)代表點(diǎn)的確定過(guò)程不夠全面[7]。

本研究通過(guò)鄰域算法（neighborhood relationship，NR）對(duì)農(nóng)業(yè)害蟲(chóng)圖像分割，首先確定像素鄰域度，像素的鄰域通過(guò)移除低于某一給定閾值的所有邊并將所有相連的樣本點(diǎn)作為域類(lèi)而獲得；然后采用基于關(guān)系權(quán)重的方法對(duì)鄰域類(lèi)別區(qū)分，從全局的角度衡量了每個(gè)特征項(xiàng)對(duì)所有類(lèi)別的區(qū)分能力；接著基于可變聚類(lèi)半徑對(duì)像素?cái)?shù)據(jù)排重，刪除重復(fù)性數(shù)據(jù)，最后給出了算法流程。

1圖像像素鄰域關(guān)系數(shù)據(jù)聚類(lèi)劃分

1.1像素鄰域度計(jì)算

在圖像像素集合S=（s1，s2，…，sm）中2個(gè)元素（sq，sp）（q=1，2，…，m；p=1，2，…，m）間的關(guān)系R=（r1，r2，…，rm）為有限集A=（x1，x2，…，xm），對(duì)于任何ri（i=1，2，…，m），通過(guò)xj（xj∈A）描述2個(gè)元素（sq，sp）相對(duì)ri的鄰域度，鄰域函數(shù)μri（Xj）表示鄰域度，A中所有集合的共同作用反映（sq，sp）相對(duì)于ri（i=1，2，…，m）的鄰域度μri（sq，sp）：μri（sq，sp）=c1μri（x1）+c2μri（x2）+…+cmμri（xm）。其中，c1，c2，cm為權(quán)重系數(shù)，且0≤cj≤1，∑[DD（]mj=1[DD）]cj=1。

對(duì)q和p取不同值，構(gòu)成模糊關(guān)系矩陣[μri（sq，sp）]m×m，反映的是圖像像素集合S中各像素相互間關(guān)系密切程度的分布情況。鄰域度越大，2個(gè)像素彼此之間的關(guān)系越密切，即可歸為圖像目標(biāo)或者圖像背景[8-9]。

1.2鄰域像素排重

1.2.1像素相似度計(jì)算

假定p和q 2個(gè)像素點(diǎn)之間的相似度定義為

[JZ]similarity（p，q）=size（NN（p））∩（NN（q））。

式中：NN（p）、NN（q）分別為對(duì)應(yīng)p、q的最近鄰域，通過(guò)移除低于某一給定閾值的所有邊，并將所有相連的樣本點(diǎn)作為域類(lèi)而獲得，本研究選取的閾值為

[JZ]ε=[SX（]∑[DD（]nq=1[DD）]NN（q）[KF（]∑[DD（]nq=1[DD）][NN（q）]2[KF）][SX）]。

1.2.2鄰域關(guān)系權(quán)重

為了區(qū)分鄰域類(lèi)別，采用基于關(guān)系權(quán)重的方法，權(quán)重計(jì)算為

[JZ]W（t，m）=[SX（]TF（t，m）×W（t|c）[KF（]∑[DD（]t∈d[DD）][TF（t，m）×W（t|c）]2[KF）][SX）]。

式中：TF（t，m）為像素t在像素總數(shù)m中出現(xiàn)的頻數(shù)；W（t|c）為關(guān)系權(quán)重，W（t|c）值越大，則特征項(xiàng)對(duì)于類(lèi)別c的區(qū)分能力越強(qiáng)[10-11]。

設(shè)關(guān)系權(quán)重W（t|c）=lg（m/nt+0.02），nt為訓(xùn)練集中出現(xiàn)t的像素?cái)?shù)，衡量了每個(gè)特征項(xiàng)對(duì)所有類(lèi)別的區(qū)分能力。若給定k個(gè)類(lèi)別k1，k2，…，kk，其中特征項(xiàng)t同屬于ki、kj 2個(gè)類(lèi)別的特征集，那么：

[JZ]W（t，m）=[SX（]TF（t，m）×lg（m/nt+0.02）[KF（]∑[DD（]t∈d[DD）][TF（t，m）×lg（m/nt+0.02）]2[KF）][SX）]。

從全局的角度衡量了每個(gè)特征項(xiàng)對(duì)于所有類(lèi)別的區(qū)分能力。

如果對(duì)于任意類(lèi)別c的任意特征項(xiàng)t，如果W（t|c）=1，則頻數(shù)歸一化：W（t，m）=[SX（]TF（t，m）[KF（]∑[DD（]t∈d[DD）][TF（t，m）]2[KF）][SX）]，則所有特征項(xiàng)相對(duì)于所有類(lèi)別的區(qū)分能力均相同[12]。

1.2.3基于可變聚類(lèi)半徑的像素?cái)?shù)據(jù)刪重

在圖像中點(diǎn)為pi（i=1，2，3，…，np），線為li（i=1，2，3，…，nl），樣條線為 si（i=1，2，3，…，ns），設(shè)p1為已存在基點(diǎn)，基于點(diǎn)p1（x，y）選擇點(diǎn)p2，基于點(diǎn)p2選擇水平點(diǎn)p3，基于點(diǎn)p2、p3選擇線段l1，基于線段l1選擇平行于l1距離為l的線段l2，垂直于線段l2過(guò)點(diǎn)p2、p3分別選擇線段l3、l4，這樣便選擇出分割小矩形，基于點(diǎn)p1（x，y）選擇點(diǎn)p4，基于點(diǎn)p4選擇水平方向上的點(diǎn)p5；分別以點(diǎn)p4、p5為圓心選擇半徑為r1、r2的圓c1、c2，選擇一線段切于圓c1、c2，這樣便選擇出分割小圓形，以此類(lèi)推，可以選擇任意分割小圖形的實(shí)體集合。假設(shè)節(jié)點(diǎn)集合為V（v1，v2，v3），分割小圖形之間的關(guān)系集為V{（v1，v2），（v1，v4），（v2，v3），（v2，v6），（v3，v6），（v3，v9），…}，通過(guò)選擇適當(dāng)?shù)木垲?lèi)半徑，把相似的分割小圖形聚集到同一個(gè)聚簇，保留其中的一個(gè)小圖形，刪除其他小圖形，達(dá)到聚類(lèi)排重的目的，同時(shí)大大降低了程序的時(shí)間復(fù)雜度。考察和待分類(lèi)像素最相似的k個(gè)小圖形鄰域，根據(jù)k個(gè)小圖形鄰域的類(lèi)別來(lái)判定待分類(lèi)，判斷規(guī)則：[JP2]

[HT9.，8.5]C=arg maxci[score（d，ci）]=arg maxci[∑[DD（]dj∈k[HT4.]NN（d）[DD）][HT9.，8.5]Sim（d，dj）δ（d，ci）]。[HT][JP]

式中：kNN（d）為像素d的k個(gè)鄰域；ci為類(lèi)別；δ（d，ci）的含義為

[JZ]δ（d，ci）=[JB（{]1[KG3]d∈ci0[KG3]dci[JB）]。

對(duì)小圖形進(jìn)行兩兩比較，計(jì)算它們之間的相似度，根據(jù)給定的相似度閾值判斷，如果2個(gè)小圖形的相似度大于閾值，認(rèn)為這2個(gè)小圖形重復(fù)；否則，這2個(gè)小圖形不重復(fù)，刪除重復(fù)小圖形。把小圖形分成若干個(gè)稱(chēng)為聚簇的子集，使得每個(gè)聚簇內(nèi)的成員之間具有較大的相似性，而聚簇和聚簇之間的小圖形具有較小的相似性。并且隨著聚類(lèi)半徑的減小，聚簇內(nèi)成員之間的相似性會(huì)增大[13-14]。因此，通過(guò)不斷縮小聚類(lèi)半徑R，使得被聚集到同一聚簇下的小圖形之間的相似度越來(lái)越高，直到可以認(rèn)為它們就是相同的小圖形為止。這樣就達(dá)到了通過(guò)聚類(lèi)算法來(lái)進(jìn)行小圖形排重的目的，然后保留該聚簇中的某一個(gè)小圖形，刪除其他的重復(fù)小圖形。步驟如下：

①給定聚類(lèi)半徑R=[SX（]∑[DD（]i=1[DD）]ci[KF（]∑[DD（]i=1[DD）]（ci）2[KF）][SX）]，以其中的某個(gè)樣本向量xi初始化一個(gè)聚類(lèi)中心ci=xi；

②對(duì)于樣本xi，尋找距離樣本xi最近的聚類(lèi)中心ci，并得到它們之間的相似度r=[KF（][SX（]1n[SX）]∑[DD（]nl=1[DD）]（xi，l-ci，l）2[KF）]；

③如果r≤R，把樣本xi歸入聚類(lèi)中心ci所在的聚簇Ci，同時(shí)更新該聚類(lèi)中心為

[JZ]ci=[SX（]1K[SX）]∑[DD（]x[HT4.]s∈[JX+0.3mm]C[HT3.]i[DD）][HT]xs[HT]。

式中：K為聚簇Ci所包含的向量個(gè)數(shù)。如果r>R，把xi初始化為新的聚類(lèi)中心cn+1=xi，n為目前的聚簇個(gè)數(shù)。

④重復(fù)步驟②，直至所有的樣本聚類(lèi)完畢。

2農(nóng)業(yè)害蟲(chóng)圖像分割過(guò)程

在農(nóng)業(yè)圖像灰度分布曲線中，灰度值較低的是農(nóng)業(yè)圖像背景區(qū)域，灰度值較高的是農(nóng)業(yè)害蟲(chóng)圖像區(qū)域，灰度值變化比較大的地方為害蟲(chóng)區(qū)域與背景的邊緣交接處。對(duì)農(nóng)業(yè)圖像的某列灰度值g（x，y）自上而下求微分，每次移動(dòng)距離為Δx：

[JZ]|g（x+Δx，y）-g（x+Δx，y）|>T。

式中：T為閾值。

當(dāng)灰度值變化比較大時(shí)，獲得第一個(gè)點(diǎn)的行數(shù)i11是該列害蟲(chóng)區(qū)域的上邊緣，以及最后一個(gè)點(diǎn)的行數(shù)i21是該列害蟲(chóng)區(qū)域的下邊緣，每列灰度掃描后，獲得上邊緣行向量I1=[i11，i12，…，i1n]和下邊緣行向量I2=[i21，i22，…，i2n]，n為農(nóng)業(yè)圖像的列數(shù)。

對(duì)確定的害蟲(chóng)區(qū)域上、下邊緣進(jìn)行分割，統(tǒng)計(jì)圖像邊緣行所有像素的分布概率：

[

φ最大時(shí)，ρ就是最佳分割閾值。

算法流程：（1）輸入圖像，計(jì)算像素相似度；（2）對(duì)不同的像素進(jìn)行鄰域關(guān)系權(quán)重計(jì)算，劃分出不同聚類(lèi)；（3）通過(guò)可變聚類(lèi)半徑將像素?cái)?shù)據(jù)排重，去掉相同的聚類(lèi)；（4）若當(dāng)前聚類(lèi)中心和前一次中心的誤差小于0.02，則可得最佳分割閾值ρ，執(zhí)行步驟（5），否則，執(zhí)行步驟（2）；（5）輸出分割圖像。

3仿真試驗(yàn)

[HTK]3.1農(nóng)業(yè)害蟲(chóng)圖像分割[HT]

采用不同算法對(duì)農(nóng)業(yè)圖像濾波后進(jìn)行分割，硬件計(jì)算機(jī)參數(shù)：Inter CORE I5-2430M，主頻2.4 GHz，三級(jí)緩存為 3 MB，內(nèi)存DDR4系列，大小為4 GB，硬盤(pán)串行接口，軟件程序通過(guò)Matlab實(shí)現(xiàn)。

用不同算法對(duì)圖1的白菜蚜蟲(chóng)圖像進(jìn)行分割，結(jié)果如圖2所示，可以看出本研究算法NR的分割效果清晰，整體上保持了較為穩(wěn)定的分割效果，并且在局部輪廓邊緣上比其他算法分割的更精細(xì)，這是因?yàn)楸狙芯克惴ㄍㄟ^(guò)可變聚類(lèi)半徑對(duì)像素?cái)?shù)據(jù)重復(fù)性的刪除，使得聚類(lèi)之間像素分布相差不大，減少了誤分割。

用不同算法對(duì)圖3的梨小食心蟲(chóng)圖像進(jìn)行分割，結(jié)果如圖4所示，可以看出本研究算法NR分割受其他邊緣影響小，聚類(lèi)過(guò)程考慮了鄰域像素點(diǎn)對(duì)中心像素點(diǎn)聚類(lèi)結(jié)果的影響，使聚類(lèi)結(jié)果較為準(zhǔn)確。

3.2定性分析

用歸一化互相關(guān)系數(shù)（normalized correlation，NC）來(lái)評(píng)價(jià)分割效果：

[JZ]NC=[SX（]∑[DD（]Mi=1[DD）]∑[DD（]Nj=1[DD）]W（i，j）×W′（i，j）[KF（]∑[DD（]Mi=1[DD）]∑[DD（]Nj=1[DD）]W（i，j）2[KF）][KF（]∑[DD（]Mi=1[DD）]∑[DD（]Nj=1[DD）]W′2（i，j）[KF）][SX）]。

式中：M×N為圖像大小；W（i，j）、W′（i，j）表示源圖像與分割后圖像在位置（i，j）處的灰度值。NC值越接近于1越好，對(duì)白菜蚜蟲(chóng)、梨小食心蟲(chóng)圖像的分割NC值定性分析結(jié)果如圖5、圖6所示。

對(duì)圖像分割來(lái)說(shuō)，分割速度十分重要，為了衡量各個(gè)算法的分割效率，對(duì)每幅圖像進(jìn)行多次重復(fù)分割，取平均分割時(shí)間作為評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)白菜蚜蟲(chóng)、梨小食心蟲(chóng)圖像的分割速度定性分析結(jié)果如圖7、圖8所示。

[JP2]由圖5、圖6、圖7、圖8可知，本研究算法NR的NC值較接近于1，分割消耗的時(shí)間較少，[JP3]這是因?yàn)楸狙芯克惴▽⑾袼財(cái)?shù)據(jù)對(duì)象分割成集群，在同一個(gè)簇中的對(duì)象之間具有較高的相似度，而不同簇中的對(duì)象差別較大，以便減小數(shù)據(jù)對(duì)象之間的影響。[JP]

4總結(jié)

本研究通過(guò)鄰域算法對(duì)農(nóng)業(yè)害蟲(chóng)圖像進(jìn)行分割，仿真試驗(yàn)結(jié)果表明，本研究算法分割的效果清晰，分割消耗的時(shí)間少，為農(nóng)業(yè)害蟲(chóng)圖像分割研究提供了一種新的參考方法，但是如[CM（25]何找出像素周?chē)徲虻淖罴汛笮『蛡€(gè)數(shù)，仍然是目前面臨[CM）][FL）]

參考文獻(xiàn)：

[1]王愛(ài)新，李春友，張喆. 基于計(jì)算機(jī)視覺(jué)的農(nóng)業(yè)圖像害蟲(chóng)定位檢測(cè)算法[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44（7）：361-364.

[2]田海韜，趙軍，蒲富鵬. 馬鈴薯芽眼圖像的分割與定位方法[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2016，28（11）：1947-1953.

[3]Qiu C Y，Wang C L，Zuo X Q. A novel multi-objective particle swarm optimization with K-means based global best selection strategy[J]. International Journal of Computational Intelligence Systems，2013，6（5）：822-835.[ZK）][HT][HJ]

[FK（W12][TPYQG8.tif][FK）]

[HT8.]

[HJ1.7mm]

[4]Sun W，Hansen A，Zhang L Y，et al. Neonatal nicotine exposure impairs development of auditory temporal processing[J]. Hearing Research，2008，245（1/2）：58-64.

[5]Pokotilovski Y N. Constraints on strongly coupled chameleon fields from the experimental test of the weak equivalence principle for the neutron[J]. JETP Letters，2013，96（12）：751-753.

[6]Li X Y，Gao G H，Sun J X. A new semi-unsupervised intrusion detection method based on improved DBSCAN[J]. Journal of Networks，2010，5（12）：1527-1534.

[7]Pande S，Morgan F，Cawley S，et al. Modular neural tile architecture for compact embedded hardware spiking neural network[J]. Neural Processing Letters，2013，38（2）：131-153.

[8]Schübler E，Decker C，Lerch F. Networks of clusters：a governance perspective[J]. Industry and Innovation，2013，20（4）：357-377.

[9]Kim H，Kim H J，Lee J H，et al. Scheduling dual-armed cluster tools with cleaning processes[J]. International Journal of Production Research，2013，51（12）：3671-3687.[ZK）]

[10]Ye J. Interval-valued intuitionistic fuzzy cosine similarity measures for multiple attribute decision-making[J]. International Journal of General Systems，2013，42（8）：883-891.

[11]Rocha A R，Pirmez L，Delicato F C，et al. WSNs clustering based on semantic neighborhood relationships[J]. Computer Networks，2012，56（5）：1627-1645.

[12]Aljaber B，Stokes N，Bailey J，et al. Document clustering of scientific texts using citation contexts[J]. Information Retrieval Journal，2010，13（2）：101-131.

[13]Hansen P，Brimberg J，Uroevi D，et al. Solving large p-median clustering problems by primal-dual variable neighborhood search[JP3][J]. Data Mining and Knowledge Discovery，2009，19（3）：351-375.[JP]

[14]Gan G J. Application of data clustering and machine learning in variable annuity valuation[J]. Insurance Mathematics & Economics，2013，53（53）：795-801.[ZK）][HT][HJ][FL）]