CN103034872A - 基于颜色和模糊聚类算法的农田害虫识别方法 - Google Patents

Abstract

本发明涉及农业和图像处理技术领域，公开一种基于颜色和模糊聚类算法的农田害虫识别方法,本发明首先将获取的农田害虫原始图像一方面由彩色的RGB图像转化为HSI颜色空间，然后图像进行饱和度增强计算，并提取害虫的颜色特征参数；而另一方面将农田害虫的彩色的RGB图像转为灰度图像，并进行自适应二值化处理，得到二值化图像，并提取面积、周长等形状特征参数；最后对各项参数进行模糊聚类算法，并结合径向基函数神经网络，完成常见的6种农田害虫的识别。本发明结合了农田害虫的颜色特征参数和模糊聚类算法，大大的提高了害虫的识别正确率，经实验验证，识别正确率达到95.1%。

Description

基于颜色和模糊聚类算法的农田害虫识别方法

技术领域

本发明属于农业和图像处理技术领域，是一种对农田害虫的基于颜色和形状特征并结合模糊聚类算法和RBF径向基函数神经网络进行识别的方法。

背景技术

我国是一个农业大国，农业虫害也不时发生，因此农田害虫的监测、虫情灾害的统计预报工作十分重要。若监测预报准确及时，就可及早动手消灭害虫，减少农药用量。目前，广泛应用的是黑光灯诱捕和人工识别的方法来统计害虫的种类及密度，该方法劳动强度大，效率低，同时主观因素较大，影响了测报的准确性和时效性。因此，农田害虫的实时、准确的识别，是现代农业作物保护的一种必然应用趋势，也是当今数字农业需要研究和解决的问题。

农田中的害虫种类多,数量大,很多害虫通过肉眼也不容易分辨，我国农作物常见的有以下种类的病虫害：稻纵卷叶螟、稻飞虱、豆天蛾、棉铃虫、甜菜叶蛾、玉米螟等，本发明利用计算机视觉、图像处理及模式识别技术，实现对农田中常见的这6种害虫的种类的自动识别，是农业领域的新技术。

在利用计算机技术对农田害虫进行识别的过程中，特征提取是重要的环节之一，以往的做法常常是利用害虫的灰度图像来进行识别，而颜色信息是识别不同害虫种类的一个重要的特征，同时它对图像本身的方向以及视角的依赖性较小，因而具有较高的鲁棒性，增加害虫的颜色参数后，可大大提高害虫的识别准确率。同时本发明结合模糊聚类算法和RBF径向基函数神经网络，最后能很好地完成对农田害虫的识别，平均准确率达到95.1%。

发明内容

针对现有技术的不足，本发明提出了基于颜色和模糊聚类算法的农田害虫识别方法。原始的农田害虫图像格式是RGB格式，它受光线影响较大，随光照条件的变化，R、G、B三个分量都会有较大变化，直接利用这些分量往往不能得到所需的效果，而HSI空间，它更能接近人对彩色世界的观察方式，它通过色调H、饱和度S、亮度I三个属性来表示颜色，在HSI空间中，H、S、I三分量之间的相关性比R、G、B三分量之间要小很多，使得图像处理更少受光照条件的影响。因此基于HSI空间能取得比RGB空间更好的效果。

本方法首先将获取的农田害虫原始的RGB图像彩色图像转化为HSI颜色空间，并对饱和度S进行基于期望值的增强调整计算；完成对害虫的色调均值等颜色特征参数提取。

而另一方面，害虫的外形形状也是一个重要的特征，不同的农田害虫在形状上存在一定的差异。本发明采用自适应二值化的方法对害虫图像进行处理，并运用数字形态学处理法进行了修正，将害虫从背景中分割出来，提取面积、周长等形状特征参数，最后对各项参数进行模糊聚类算法，并结合径向基函数神经网络，完成常见的6种农田害虫的识别。

本发明的基于颜色和模糊聚类算法的农田害虫识别方法，其特征是包含以下具体步骤：

（1）通过田间捕捉装置，获取农田害虫的原始图像；

（2）将原始图像从RGB颜色空间转换到HSI颜色空间，并选取H和S参数作为害虫图像的特征；

（3）对图像进行饱和度增强计算，然后计算并提取害虫的颜色特征参数；

（4）将农田害虫原始图像从RGB格式转化为灰度格式，并进行自适应二值化处理；

（5）农田害虫图像再经形态学处理后，完成图像分割，并提取害虫形状特征参数；

（6）对提取的害虫颜色特征参数及形状特征参数进行模糊聚类算法处理，并结合RBF径向基函数神经网络进行训练；

（7）完成农田害虫的识别并计数。

通过深入研究农田害虫的体形、色彩及其形态学特征，本发明针对农田害虫的彩色图像，提取了彩色图像的色调均值、饱和度均值、色调最大差值、饱和度最大差值4个颜色特征参数。

在对图像进行饱和度增强计算中，是对饱和度S进行基于期望值的图像增强调整，先算出图像中每个像素点饱和度数值及其在图像中出现的概率，求出其数学期望E(x)，

并以此调整图像的饱和度，调整公式定义为：

$S_i^{\′}=E\left(x\right)+(1-E\left(x\right))\·{S_i}^{\mathrm{\α}}$

S_i是原来的饱和度分量，S_i′是调整后饱和度分量，α为拉伸因子，决定饱和度分量的饱和程度，x_i为图像中饱和度的值，p_i为该饱和度值对应出现的概率，R为图像的像素点总数。

另一方面，对农田害虫图像进行自适应二值化处理，并提取了害虫图像的面积、周长、长宽比、复杂度共4个形状特征参数。

其中：

(a)复杂度：是描述农田害虫形状复杂性的一种度量，具体计算公式为：

C=L²/4πA

式中L、A、C分别是农田害虫的周长、面积、复杂度。

(b)长宽比：K=L′/W′

K是指图像的最小外接矩形的长和宽的比值，长L′为害虫目标边界上最远两点之间的距离，宽W′为边界上垂直于长轴的最远两点之间的距离。

本发明对害虫形状特征参数的提取中，由于农田害虫的有的有丰富的表纹，采用一个固定的阈值进行二值化，会使图像的边缘锯齿化，并在对比度变化较大的地方出现断裂，因此动态调整二值化阈值去适应对比度的变化，可以最大限度地使农田害虫图像的二值化效果达到最佳状态。

本发明采用动态自适应二值化处理,对图像进行分区域二值化处理，先计算各像素点的m′×m′邻域内灰度平均值G′：

$G^{\′}=\frac{1}{m^{\′2}}{\mathrm{\Σ}}_{j^{\′}=-m^{\′}/2}^{m^{\′}/2}{\mathrm{\Σ}}_{k^{\′}=-m^{\′}/2}^{m^{\′}/2}\left[f(x+j^{\′},y+k^{\′})\right]$

然后，求出该邻域内像素点灰度的标准差σ及自适应二值化阈值T：

$\mathrm{\σ}=\sqrt{\frac{1}{m^{\′2}}{\mathrm{\Σ}}_{j^{\′}=-m^{\′}/2}^{m^{\′}/2}{\mathrm{\Σ}}_{k^{\′}=-m^{\′}/2}^{m^{\′}/2}{[f(x+j^{\′},y+k^{\′})-G^{\′}]}^2}$

而：T=G′+β×σ  其中β为常数(0<β<1)

再利用Ｔ对图像进行分割；

而T值在不同的像素点的位置具有不同的阈值，将所得各区域的二值化图像X_i′(i′=1,2,......,m′)进行图像集合运算：

X=(X₁∪X₂……∪X_i′……∪X_m′)

可得农田害虫的二值化图像。

由于一些种类的害虫具有较多的花纹，所以在自适应二值化处理完成后，图像中会存在小孔或小点，需要进一步再进行形态学处理，本发明采用传统的形态学的膨胀和腐蚀算法对图像依次进行膨胀、腐蚀。

模糊聚类算法是按照聚类样本对于全体种类的加权广义欧式权距离平方和最小的原则对样本的参数特征值进行聚类，它体现了“物以类聚”的自然分类原则。经过模糊聚类后得到的种类变量特征值反映了样本对于模糊概念的综合特征，能有效地对样本进行特征分类。

在模糊聚类时考虑不同的特征参数对聚类的作用不同，取各个特征参数的权向量为：

W=(w₁,w₂,......,w_m)

并引入加权广义欧式权距离，描述聚类样本b与种类h间的差异定义如下：

$d(r_b,s_h)=u_{\mathrm{hb}}\left|\right|w(r_b-s_h)\left|\right|$

$=u_{\mathrm{hb}}{\left\{{\mathrm{\&Sigma;}}_{a=1}^m{\left[w_a(r_{\mathrm{ab}}-s_{\mathrm{ah}})\right]}^2\right\}}^{1/2}$

同时求解最优模糊聚类矩阵与最优模糊聚类中心矩阵,建立目标函数，使聚类样本对于全部种类加权广义欧式权距离平方和为最小，目标函数为：

$\min \left\{F\left(u_{\mathrm{hb}}\right)\right\}={\mathrm{\&Sigma;}}_{b=1}^m\min \left\{{\mathrm{\&Sigma;}}_{h=1}^c{u}_{\mathrm{hb}}^2{\mathrm{\&Sigma;}}_{a=1}^m{\left[w_a(r_{\mathrm{ab}}-s_{\mathrm{ah}})\right]}^2\right\}$

其中，r_b是聚类样本b，s_h表示种类h，w_a是参数a的权向量值，r_ab表示聚类样本b的参数a的特征值规格化数，u_hb是样本b归属于种类h的相对隶属度，s_ah表示种类h的参数a的特征值规格化数。

传统的神经网络BP算法往往由于初始值选取不当，易陷入局部极小而导致训练失败，本发明中采用收敛和学习速度都更快的RBF径向基函数神经网络，并结合模糊聚类算法进行学习和训练，可完成对稻纵卷叶螟、稻飞虱、豆天蛾等6种常见的农田害虫的识别和计数。

附图说明

图1是基于颜色和模糊聚类算法的农田害虫识别处理的流程图。

具体实施方式

下面结合附图具体说明农田害虫识别的过程。

原始的农田害虫的图像格式是RGB格式，但R、G、B三分量之间有很强的相关性，随光照条件的变化，R、G、B三个分量都会有较大变化，直接利用这些分量往往不能得到所需的效果，所以在对图像彩色空间的选取中，选取HSI空间。

在图像的HSI颜色空间转换中，图像的色彩信息主要由H和S来反映，从RGB到HSI空间的转换公式如下：

$H=\left\{\begin{array}{cc}2\mathrm{\&pi;}-\mathrm{\&theta;}& B>G\\ \mathrm{\&theta;}& B\&le;G\end{array}\right.$ 其中 $\mathrm{\&theta;}=\arccos \left[\frac{[(R-G)+(R-B)]/2}{\sqrt{{(R-G)}^2+(R-B)(G-B)}}\right]$

$S=1-\frac{3\min (R,G,B)}{R+G+B}$

$I=\frac{1}{3}(R+G+B)$

同时在农田害虫原始图像的获取中，害虫背景为白色，采用三基色节能灯均匀照明，在图像灰度转换的计算中，对像素点m′×m′邻域的计算，为减少运算量，一般取m′=3或5，以此对该像素点的邻域灰度进行统计。在二值化阈值计算中，β为常数(0<β<1)，根据图像的质量取值，当图像质量较好时，β取较小的值，对较差的图像β取较大值。

在图像饱和度增强的计算中，拉伸因子α一般取值为0.8~1.0。

在模糊聚类计算中的颜色和形状特征参数权向量选取时，图像的色调均值、饱和度均值、面积、周长、色调最大差值、饱和度最大差值、长宽比和复杂度这8个参数的权向量值分别是：w=(0.20，0.18，0.15，0.15，0.12，0.10，0.05，0.05)。

在模糊聚类的处理时，有n个样本，每个样本用m个参数特征值向量表示，则可用m×n阶的参数特征值矩阵对样本进行聚类。在进行聚类时先对参数特征值进行规格化处理，经过处理后的参数特征值规格化矩阵为：

$R^{\&prime;}=\left|\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1n}\\ r_{21}& r_{22}& ...& r_{2n}\\ ...& ...& ...& ...\\ r_{m1}& r_{m2}& ...& r_{\mathrm{mn}}\end{array}\right|=\left(r_{\mathrm{ab}}\right)$

式中的r_ab表示聚类样本b的参数a的特征值规格化数，0≤a≤1，a=1,2,…,m，b=1,2,…,n。

而将n个样本依据样本的m个参数特征，按c个种类进行聚类，其模糊聚类矩阵为

$U^{\&prime;}=\left|\begin{array}{cccc}{u}_{11}& u_{12}& ...& u_{1n}\\ u_{21}& u_{22}& ...& u_{2n}\\ ...& ...& ...& ...\\ u_{c1}& u_{c2}& ...& u_{\mathrm{cn}}\end{array}\right|=\left(u_{\mathrm{hb}}\right)$

式中u_hb是样本b归属于种类h的相对隶属度，h=1,2,…,c，b=1,2,…,n，且应满足条件

$\begin{array}{ccc}0\&le;u_{\mathrm{hb}}\&le;1& \mathrm{and}& {\mathrm{\&Sigma;}}_{h=1}^c{u}_{\mathrm{hb}}=1\end{array}$

而设种类h的m个参数特征值称为该类的聚类中心，则c个种类的参数特征值可用m×c阶模糊聚类中心矩阵表示：

$S^{\&prime;}=\left|\begin{array}{cccc}{s}_{11}& s_{12}& ...& s_{1c}\\ s_{21}& s_{22}& ...& s_{2c}\\ ...& ...& ...& ...\\ s_{m1}& s_{m2}& ...& s_{\mathrm{mc}}\end{array}\right|=\left(s_{\mathrm{ah}}\right)$

式中的s_ah表示种类h参数a的特征值规格化数，0≤s_ah≤1，a=1,2,…,m，h=1,2,…,c。

在农田害虫的识别实验中，参数特征m=8，样本数n=200，种类c=6。

在神经网络的设计和处理中，研究根据具体情况的需要，神经网络的输入层节点数选为8，输出层节点数为6，对应于8种输入参数和6种害虫种类，隐含层节点数取为10。

本发明结合了农田害虫的颜色和形状特征参数，大大的提高了害虫的识别正确率，经实验验证，识别正确率达到95.1%。

Claims (5)

1.一种基于颜色和模糊聚类算法的农田害虫识别方法，其特征是包含以下具体步骤：

（1）通过田间捕捉装置，获取农田害虫的原始图像；

（2）将原始图像从RGB颜色空间转换到HSI颜色空间，并选取H和S参数作为害虫图像的特征；

（3）对图像进行饱和度增强计算，然后计算并提取害虫的颜色特征参数；

（4）将农田害虫原始图像从RGB格式转化为灰度格式，并进行自适应二值化处理；

（5）农田害虫图像再经形态学处理后，完成图像分割，并提取害虫形状特征参数；

（6）对提取的害虫颜色特征参数和形状特征参数进行模糊聚类算法处理，并结合RBF径向基函数神经网络进行训练和识别；

（7）完成农田害虫的识别并计数。

2.根据权利要求1所述的基于颜色和模糊聚类算法的农田害虫识别方法，其特征是：在步骤（3）对图像进行饱和度增强计算中，是对饱和度S进行基于期望值的图像增强调整，先算出图像中每个像素点饱和度数值及其在图像中出现的概率，求出其数学期望E(x)，

并以此调整图像的饱和度，调整公式定义为：

$S_i^{\&prime;}=E\left(x\right)+(1-E\left(x\right))\&CenterDot;{S_i}^{\mathrm{\&alpha;}}$

S_i是原来的饱和度分量，S_i′是调整后饱和度分量，α为拉伸因子，决定饱和度分量的饱和程度，x_i为图像中饱和度的值，p_i为该饱和度值对应出现的概率，R为图像的像素点总数。

3.根据权利要求1所述的基于颜色和模糊聚类算法的农田害虫识别方法，其特征是：在步骤（3）提取害虫的颜色特征参数中，共提取了色调均值、饱和度均值、色调最大差值、饱和度最大差值4个颜色特征参数。

4.根据权利要求1所述的基于颜色和模糊聚类算法的农田害虫识别方法，其特征是：在步骤（5）提取害虫形状特征参数中，提取了面积、周长、长宽比和复杂度4个形状特征参数。

5.根据权利要求1所述的基于颜色和模糊聚类算法的农田害虫识别方法，其特征是：在步骤（6）的模糊聚类算法处理中，考虑不同的特征参数对聚类的作用不同，取各个特征参数的权向量为：

W=(w₁,w₂,......,w_m)

并引入加权广义欧式权距离，描述聚类样本b与种类h间的差异定义如下：

$d(r_b,s_h)=u_{\mathrm{hb}}\left|\right|w(r_b-s_h)\left|\right|$

$=u_{\mathrm{hb}}{\left\{{\mathrm{\&Sigma;}}_{a=1}^m{\left[w_a(r_{\mathrm{ab}}-s_{\mathrm{ah}})\right]}^2\right\}}^{1/2}$

同时求解最优模糊聚类矩阵与最优模糊聚类中心矩阵，建立目标函数，使聚类样本对于全部种类加权广义欧式权距离平方和为最小，目标函数为：

$\min \left\{F\left(u_{\mathrm{hb}}\right)\right\}={\mathrm{\&Sigma;}}_{b=1}^m\min \left\{{\mathrm{\&Sigma;}}_{h=1}^c{u}_{\mathrm{hb}}^2{\mathrm{\&Sigma;}}_{a=1}^m{\left[w_a(r_{\mathrm{ab}}-s_{\mathrm{ah}})\right]}^2\right\}$

其中，r_b是聚类样本b，s_h表示种类h，w_a是参数a的权向量值，r_ab表示聚类样本b的参数a的特征值规格化数，u_hb是样本b归属于种类h的相对隶属度，s_ah表示种类h的参数a的特征值规格化数。

Images