基于图像识别技术的南疆红枣品种识别研究

2014-03-26吴明清李传峰弋晓康

塔里木大学学报 2014年4期

吴明清李传峰弋晓康

(塔里木大学机械电气化工程学院，新疆阿拉尔，843300)

枣(Ziziphus jujbbe Mill)属鼠李科(Rhamnus)枣属(ZiziPHus Mill)植物，原产于中国是我国古老的果树和我国古代著名的“五果之一[1]”。红枣具有极高的营养保健价值及药用价值，素有“木本粮食，滋补佳品”的美誉，是集药、食、补三大功能为一体的保健果品[2]。

自20世纪60年代，新疆喀什地区，阿拉尔垦区从河北、河南、山西等地方引进灰枣，壶瓶枣、园脆枣等进行栽培。21世纪前后新疆南部又大量引进其他一些品种。如：骏枣，冬枣。为了收集不同用途，不同成熟期的优良品种，在新疆温宿县建立一个红枣资源库[2]。由于红枣资源非常丰富，样本多，给鉴评带来很大的困难，本文采用特征识别和神经网络结合的方法进行图像识别系统研究，具有快速、及时、无破坏性多指标同时鉴定等优点，可提高测定的效率，降低鉴别成本，消除任务造作误差，测定信息更为客观和真实，为红枣的品质鉴别提供了理论和技术依据。

1 材料与方法

1.1 材料

试验红枣采集于新疆阿拉尔农垦十团某红枣基地。采集红枣果实品种有灰枣图1(a)、鸡心枣图1(b)、金昌枣图1(c)、骏枣图1(d)、圆脆枣图1(e)，做为计算机识别目标。样品采摘时间为2013年11月15日，密封后放入冰箱冷藏备用。

图1 红枣品种

2 图像处理方法

采集时选择颜色鲜艳，表面光滑，含水充足的5种红枣果实的150个有代表性红枣作为试验样本放置于OK-AC1300型的摄像头下图像采集制成分辨率为3 000*4 000的jpg格式的数字图像。如图2(a)为红枣的一个图像样本；对图像进行处理，主要包括图像的灰度化，滤波，阀值分割，枣果图像形态学处理和轮廓提取5个环节。本文以灰枣图像为例，演示红枣图像的预处理过程。图像处理和特征提取和均采用Matlab 7. 0软件实现。

2.1 灰度化图像

采集获取的红枣图像为RGB彩色图像，需要对该图像进行灰度化处理。彩色图像转化为灰度图像的公式为Y=R×0. 298 9+ G×0. 587 0+ B×0. 114 1其中，R, G, B别为彩色图像中像素的红，绿，蓝3个分量，Y是该像素在灰度图像中的灰度值。因此在图像去除噪音。采用3X3均值滤波对灰度图去噪。如图2(c)所示。

2.2 阀值分割

阀值分割就是把灰度图像转化为二值图像时，需要设定一个阀值，方便对轮廓特征的形状特征的提取。本试验采用最大类间方差法(0stu)获得一个合适的阈值(threshold)把红枣的灰度图像转化为二值图像[3]。

2.3 形态学处理

在二值化分割工作，发现红枣表面可能遭受虫子的侵蚀和失去水分后的褶皱，从而在分割后的红枣图像内部存在小的空洞，影响轮廓的提取，因此这部分图像在二值化后需要进一步处理。为了保护红枣图像的形态特征以及边缘的清晰，采用了数学形态学里的闭运算，即先进行膨胀运算，然后腐蚀运算，这样就消除了红枣内部的小孔洞。如图3所示。

图2 灰枣俯视图像预处理

2.4 轮廓的提取

由于红枣的轮廓是红枣自身的一个图像象素子集，而且红枣轮廓中含有丰富的形态学信息，通过轮廓来计算形态特征计算比较简单，计算量小。为了红枣轮廓进行分析，需要对轮廓进行跟踪，分割后的图像轮廓像素由0和1组成，1代表轮廓点的像素，对1像素点跟踪其8个方向的领域，同时采用链码跟踪轮廓点并进行编码[4]。具体跟踪算法步骤如下：

2.4.1 按照从上到下和从左到右的顺序逐次扫描图像，以第一个像素值1的点定位起始点，如果找不到起始点算为结束。

图3 金昌枣俯视图像形态学处理

2.4.2 按逆时针顺序从当前点右边开始搜寻器8个方向上的领域点，如果发现未曾搜索过的像素点1，并且该点8个方向的领域点含有0值像素点，则讲1值像素点值为当前点，同时记录下相应的链码值。重复该过程指导找到起始点。

2.4.3 根据所记录的链码值，采用8个方向弗里曼码进行编码，从而获得轮廓信息。图2(g)显示了对图2(f)中红枣轮廓胡跟踪结果。

通常采用红枣果实特征，比如颜色，大小等区别不同品种，但是红枣的形状特征进行红枣品种的鉴别。根据收集后的五种红枣来看，不同品种存在很大的差异，即使同一种红枣有所不同，比如周长、面积、纵轴长，短轴长等。本试验利用红枣轮廓计算描述红枣的形状绝对特征值，包括红枣的内接圆，最小包围盒，外接圆，凸包等。根据文献[4]中的介绍，特征参量计算可以得到8项相对特征值：如纵横轴比、矩形度、面积的凹凸比、周长的凹凸比、球状性、圆形度、偏心率等。

以上8项几何特征都具有旋转、平移和尺度不变性，表1为

Hu[5]提出的7项不变矩也具有天然的旋转、平移和尺度不变性，在图像识别领域经常用到，但是仅限于灰度图像。Chen[6]等人在Hu的基础上改进其算法，使其能够适用于轮廓。表2为图2(a)中灰枣轮廓图像对其缩小一倍和旋转90°后的7项Hu不变距特征参数，可以看出，旋转和缩小后的图像与原图像的7项不变矩基本保持不变。

表1 灰枣俯视图8项几何特征数值

表2 灰枣俯视图以及缩小旋转后的Hu特征数值

从上述两种表格可以看出，红枣的8项几何特征和7项Hu不变矩不在同一个数量级上，而且存在较大的差异，因此需要对各项特征进行归一化处理，采用公式(9)能把个项特征值都归一化到[0,1]范围内。

(9)

其中E为特征值，Emax为所有特征值样本数据中该项特征的最大值，Emin为所有征值样本数据中该项特征的最小值。

人工神经网络(artificial neural network，缩写ANN)，简称神经网络(neural network，缩写NN)，是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模[7]。PNN是专门应用于解决分类问题的人工神经网络，其主要用基于概率统计思想。由Bayes分类规则构成，采用Parzen窗函数密度估计方法估算条件概率，从而进行分类模式识别[8]。在matlab7.0的PNN神经网络工具中包含了进行PNN分析和设计的许多函数，如newpnn(P,T,spread)可以快速创建一个神经网络。该函数使输入层P的神经元数目和T样本矢量的维数相等，其节点数目取决于输入与输出特征向量的维数。提取红枣的15项特征值，把它们归一化后作为表征红枣品种的向量输入到神经网络中，因此输入层共计有15个节点。输出层节点数一般为识别的种类数。也可以用输入的节点的编码表示。本研究输出种类5个，对应5个红枣品种，把输出设计为阿拉伯数字(如图2所示)。train(net,P,T)是神经网络的训练函数。sim( net, P)神经网络仿真函数。

表3 红枣类别对应的阿拉伯数字输出值

BP(back Progagation)网络是目前广泛的神经网络模型。该网络能学习和存贮大量的输入和输出模式的映射关系。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。BP神经网络同样有15个输入神经元和5个输出神经元；中间层的神经元个数为31个，确定隐含层神经元个数为31个。因此，网络结构为6x31x2。隐含层神经元的传递函数采用S型正切函数为tansig,输出层神经元的传递函数采用S型对数函数logsig,网络的训练函数采用trainlm。由于输出层采用的是S型激活函数logsig，输出永远不可能达到1或者0，使得BP网络无法收敛，为了避免问题，用0. 99代替1，用0. 01代替0。利用如下代码创建符合上述要求的BP网络。网络输出的结果采用编码输出如表3所示，BP训练误差曲线如图4所示。

treshold=[01; 01; 01; 01; 01; 01; 01; 01; 01; 01; 01; 01; 01; 01; 01];

net=newff(threshold,[31,3],{'tansig','logsig'},'trainlm');