基于改进算法的储粮害虫图像识别预处理

刘丽娟+刘仲鹏+

摘要：引入图像预处理及模式识别技术，实现储粮害虫图像的预处理。结合害虫图像的特征，对传统的灰度化方法进行改进，以ＨＳＩ的变换方法对图像进行灰度化处理；通过直方图均衡化调整图像的灰度间距，提升图像的对比度；对传统的滤波方法进行优化，以方向滤波算法保护图像边缘，滤除图像噪声；以ＦＣＭ分割算法进行图像分割，获得害虫图像的主要特征，从而实现了对目标图像的去噪、增强，为储粮害虫进一步的智能化识别与处理打下基础。

关键词：储粮害虫；病害图像预处理；图像识别

中图分类号：ＴＰ３９１．４１文献标识码：Ａ文章编号：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

中国是农业大国，也是粮食生产大国，储藏安全是粮食生产与流通中的重中之重。统计数据表明，当前我国的储粮损失率居高不下，由于虫害而导致的损失平均达１１％，储粮害虫已经成为影响粮食品质的一大亟待解决的问题［１］。近年来，各国主要以有机合成农药来消灭储粮害虫，取得了一定的效果，而精准使用杀虫剂的前提是对储粮害虫的准确检测。

随着信息技术尤其是图像处理技术的发展，引入图像技术对储粮害虫进行自动处理、识别，从而提取与分析害虫的形状、大小、颜色、纹理等特征，进而科学、合理地识别和治理虫害，是当前研究热点之一。在基于图像处理技术的害虫检测与识别方面，国内外已有一些研究成果，Ｚａｙａｓ等［２］通过光谱分析技术对小麦谷蠢虫进行检测，其所采用的方法对于害虫的识别率较高，然而容易受到其他诸如草子等干扰图像的影响，因此难以实现现场的使用和推广；在我国，近年来有不少学者对储粮害虫的识别和检测也取得了很好的成果，廉飞宇［３］通过基于粗糙集的算法实现害虫图像的预处理，以规则隶属度对采集处理之后的图像进行匹配，实现害虫的检测；张红梅［４］则以ＢＰ网络的方法对储粮害虫的各类特征进行训练和分类识别。然而在图像预处理的一系列算法中，一些传统的算法由于具有一些固有的不足，并非完全适应对于虫害的图像识别［５］。为此，引入图像预处理及模式识别技术，对传统的一系列算法进行调整或改进优化，实现储粮害虫图像的预处理，为害虫进一步的智能化识别与处理打下良好的基础，并有助于粮库及时采取针对性的防治策略。

１储粮害虫图像的获取

采用相同的方式对含有储粮、害虫与杂质的目标物进行拍摄。数码相机位于目标物上方１００ ｃｍ处，室内人工光照，图像输入电脑以ＪＰＧ格式保存。

２储粮害虫图像的预处理

２．１基于ＨＳＩ的灰度预处理

对储粮害虫进行图像预处理时，不需要使用图像的全部色度数据，而采集到的原始图像属于真彩色图像，因此图像处理时的计算量偏大，计算速度与图像处理的效率受到一定影响。通常的做法是首先将原始图像转换为８位灰度图像，转换之后的图像仅保留灰度信息，对害虫图像预处理已足够。灰度预处理的过程就是将彩色图像中还有亮度与色度的ＲＧＢ模式经过转换，变成灰度色，从而降低数据量。一般的灰度化处理仅是简单地将真彩图像变换为具有不同灰度级别的灰度图。为了使灰度图更加契合于彩图本身的颜色和亮度特征，不少研究提出了改进的灰度化算法。本研究对比了主要的ＲＧＢ转换至ＨＳＩ模式的实现算法，最终选择了文献［６］的算法，下面为依据该文献从ＲＧＢ到ＨＳＩ的转换方程：

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直方图均衡化预处理

为了使各灰度等级的比例更加平衡，需要对储粮害虫目标图像进行直方图均衡。具体思路是：对图像中像素少的单元进行压缩，像素多的则进行拓展，从而尽量使像素灰度值的动态范围扩大，以“点运算”的方式，使图像在其任意一个灰度级别都分布一样的像素数目，形成处理后的输出图像，最终使图像对比度得到改善。一幅图像的直方图能够反映出该图像中所含的所有灰度级别，以及该灰度级别像素数目之间的统计特征。通过直方图均衡化的处理方法，能够显著改善图像的对比度与亮度，使其细节清晰，增强图像整体对比度。采用如下的处理流程：

１）对原图进行灰度统计，共Ｌ级。列出其所包含的所有灰度级别，以ｆｊ表示每一个灰度级，ｊ＝０，１，…，ｋ，…，Ｌ－１

２）对原图的每一个灰度级别，获取其分别包含的像素总数，以nｊ表示，ｊ＝０，１，…，ｋ，…，Ｌ－１。

３）对原图的每一个灰度级别所出现的频率进行统计，以ｎ表示像素和，则出现的频率Ｐｆ（ｆｊ）＝■， ｊ＝０，１，…，ｋ，…，Ｌ－１。

４）结合频度Ｐｆ（ｆｊ），构建原图每一灰度级的累积分布函数关系式，有Ｃ（ｆ）=■Ｐｆ（ｆｊ），ｊ＝０，１，…，ｋ，…，Ｌ－１。

５）通过Ｃ（ｆ）获取原图映射后的灰度，设映射后灰度级为ｇｉ，灰度数为Ｐ，则有ｉ＝０，１，…，ｋ，…，Ｐ－１，ｇｉ的值为式［（ｇｍａｘ－ｇｍｉｎ）Ｃ（ｆ）＋ｇｍｉｎ＋０．５］的整数部分。

６）对输出的所有灰度级像素数目分别统计，以nｊ表示，ｊ＝０，１，…，ｋ，…，Ｐ－１。

７）得到映射后的输出图像直方图，表示为

Ｐｇ（ｇｉ）＝■，ｉ＝０，１，…，ｋ，…，Ｐ－１。

８）以原始图像的每一个灰度级（ｆｊ）与映射后灰度级（ｇｉ）之间的变换关系处理原图所有灰度，最终得到灰度直方图更加均匀分布的输出结果。图１、图２为直方图均衡预处理前后的对比图。由图１和图２可以看出，均衡化后，在图像样本灰度值范围内均有直方图存在。在直方图均衡化处理前，灰度值中低灰度含量比较高，而处理后各灰度比例分配变得均衡，因此图像质量得到显著改善，对比度提高，轮廓细节清楚，目标边界清晰。

２．３基于方向滤波算法的优化中值滤波

为了弥补直方图均衡处理的不足，在均衡化之后还需对图像进行中值滤波。直方图均衡化处理之后的图像亮度往往比较高，并且出现了一些伪边缘，影响了对害虫目标的识别。为此，引入方向滤波算法对中值滤波进行优化，提取被处理图像目标边缘像素之中所蕴含的方向属性，沿边缘方向对其进行滤波处理，从而使图像细节保留更加完整。过程为：

1）使用包含两组３×３的矩阵的Ｓｏｂｅｌ边缘检测算法［７］，得到被处理目标的边缘像素。

2）引入Ｐｒｅｗｉｔｔ梯度算子［８］，结合目标图像边缘的方向性特征，获取被处理目标的边缘像素方向属性。以8个方向模板进行描述，有：

西向：11 -11 -2 -1111，东向：-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，东北： 111-1 -21-111，

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

对于被处理目标的每一个边缘像素，用以上８个方向的模板进行微分处理并求和，最终取梯度最大值在边缘检测时提取的边缘信息，即将边缘像素的方向确定为8个方向模板处理之后的最大值。

3）针对被处理目标的边缘像素所确定的方向，为其配置５×５的定向滤波子窗口，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。

以被处理的目标像素为中心，把定向滤波子窗口里值是１的对应像素有序排列，获取该序列里的中间值，以此值取代原像素的灰度。经过中值滤波处理之后，图像的边缘依旧清晰，噪声污染也得到了有效的去除。

２．４基于快速模糊聚类的害虫图像分割

在图像分割阶段引入ＷＦＣＭ（快速模糊聚类分割方法）［９］，引入ｈ（ｋ），含义是待处理图像中像素灰度为ｋ的个数，ｈ（ｋ）可以通过图像的灰度级来取代图像数据样本，降低计算复杂度与计算量。传统的聚类方法（ＦＣＭ）数据量为样本所含的像素数目，而优化的方法则使其减少到Ｌ，提升了处理效率。定义目标函数为［１０］：

Ｊｍ（Ｕ，Ｖ）＝■■（μｉｋ）ｍ（ｄｉｋ）２ｈ（ｋ）

其中，μｉｋ是待处理图像中像素ｋ对第ｉ个均值聚类隶属的程度；ｄ是像素ｋ与第ｉ个均值聚类之间的有效距离；以下式计算待处理图像样本的ｃ个聚类中心：ｖｉ＝■

（ｉ＝１，２，…，c）

迭代过程为：

１）获取待处理图像样本的灰度级（ｋ＝０，１，２，…，Ｌ－１），对各类参数进行初始化，迭代次数以ｒ表示，确定聚类中心的数目；

２）计算待处理图像样本的ｃ个聚类中心；

３）以计算出的聚类中心去刷新模糊分类矩阵，得到新的分类矩阵；

４）如果新的分类矩阵与原矩阵之差小于某个预先设定阈值ε，则迭代结束，否则ｒ值增１，回到２）。

选取聚类算法中参数ｍ与ε、ｃ的值，分别以传统的标准模糊聚类分割算法与改进算法对图像进行处理，结果见表１。

表１的比较数据可以证明基于改进算法的ＦＣＭ在提升图像分割效率方面的有效性，且ＷＦＣＭ算法平均运算时间和待聚类样本数远小于传统算法，平均迭代次数也较低。图３为以改进算法的ＦＣＭ分割之后的效果，其中左上部分为原始目标图，右上部分为分割目标图，下方为分割定位结果图。至此，害虫目标已被完整分割，可以为后续的害虫分类识别以及精确施药等操作奠定良好的基础。

３小结

储粮害虫直接影响粮食品质，必须进行及时、准确的判断与精准的防治。本研究基于图像处理技术和模式识别技术，对采集到的储粮害虫图像引入灰度预处理、直方图均衡化和中值滤波，并结合图像的具体特征对以上方法进行了调整或者优化，为害虫进一步的智能化识别打下基础。

参考文献：

［１］ 万拯群．我国科学保粮若干问题之我见［Ｊ］．粮食储藏，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］ 廉飞宇．基于机器视觉的储粮害虫检测与识别［Ｊ］．河南工业大学学报（自然科学版），２００７，２８（３）：４３－４６．

［４］ 张红梅．基于数字图像处理技术的储粮害虫分类识别研究［Ｊ］．河南工业大学学报（自然科学版），２００５，２６（１）：１９－２２．

［５］ 黄凌霄，周龙．基于数学形态学的储粮害虫图像预处理［Ｊ］．武汉工业学院学报，２００７，２６（２）：８５－８８．

［６］ 牟研娜．作物生长状态参数的图像检测方法的研究［Ｄ］．北京：北京理工大学，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］ 刘明艳．用 Ｐｒｅｗｉｔｔ算子细化边缘［Ｊ］．光电子技术，２００６，２６（４）：２５９－２６１．

［９］ 叶秀清，顾伟康，肖强． 快速模糊图像分割算法［Ｊ］．模式识别与人工智能，２００６，９（１）：６６－７０．

［１０］ 徐月芳．基于遗传模糊Ｃ－均值聚类算法的图像分割［Ｊ］．西北工业大学学报，２００２，２０（４）：５４９－５５３．

３）对原图的每一个灰度级别所出现的频率进行统计，以ｎ表示像素和，则出现的频率Ｐｆ（ｆｊ）＝■， ｊ＝０，１，…，ｋ，…，Ｌ－１。

４）结合频度Ｐｆ（ｆｊ），构建原图每一灰度级的累积分布函数关系式，有Ｃ（ｆ）=■Ｐｆ（ｆｊ），ｊ＝０，１，…，ｋ，…，Ｌ－１。

５）通过Ｃ（ｆ）获取原图映射后的灰度，设映射后灰度级为ｇｉ，灰度数为Ｐ，则有ｉ＝０，１，…，ｋ，…，Ｐ－１，ｇｉ的值为式［（ｇｍａｘ－ｇｍｉｎ）Ｃ（ｆ）＋ｇｍｉｎ＋０．５］的整数部分。

６）对输出的所有灰度级像素数目分别统计，以nｊ表示，ｊ＝０，１，…，ｋ，…，Ｐ－１。

７）得到映射后的输出图像直方图，表示为

Ｐｇ（ｇｉ）＝■，ｉ＝０，１，…，ｋ，…，Ｐ－１。

８）以原始图像的每一个灰度级（ｆｊ）与映射后灰度级（ｇｉ）之间的变换关系处理原图所有灰度，最终得到灰度直方图更加均匀分布的输出结果。图１、图２为直方图均衡预处理前后的对比图。由图１和图２可以看出，均衡化后，在图像样本灰度值范围内均有直方图存在。在直方图均衡化处理前，灰度值中低灰度含量比较高，而处理后各灰度比例分配变得均衡，因此图像质量得到显著改善，对比度提高，轮廓细节清楚，目标边界清晰。

２．３基于方向滤波算法的优化中值滤波

为了弥补直方图均衡处理的不足，在均衡化之后还需对图像进行中值滤波。直方图均衡化处理之后的图像亮度往往比较高，并且出现了一些伪边缘，影响了对害虫目标的识别。为此，引入方向滤波算法对中值滤波进行优化，提取被处理图像目标边缘像素之中所蕴含的方向属性，沿边缘方向对其进行滤波处理，从而使图像细节保留更加完整。过程为：

1）使用包含两组３×３的矩阵的Ｓｏｂｅｌ边缘检测算法［７］，得到被处理目标的边缘像素。

2）引入Ｐｒｅｗｉｔｔ梯度算子［８］，结合目标图像边缘的方向性特征，获取被处理目标的边缘像素方向属性。以8个方向模板进行描述，有：

西向：11 -11 -2 -1111，东向：-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，东北： 111-1 -21-111，

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

对于被处理目标的每一个边缘像素，用以上８个方向的模板进行微分处理并求和，最终取梯度最大值在边缘检测时提取的边缘信息，即将边缘像素的方向确定为8个方向模板处理之后的最大值。

3）针对被处理目标的边缘像素所确定的方向，为其配置５×５的定向滤波子窗口，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。

以被处理的目标像素为中心，把定向滤波子窗口里值是１的对应像素有序排列，获取该序列里的中间值，以此值取代原像素的灰度。经过中值滤波处理之后，图像的边缘依旧清晰，噪声污染也得到了有效的去除。

２．４基于快速模糊聚类的害虫图像分割

在图像分割阶段引入ＷＦＣＭ（快速模糊聚类分割方法）［９］，引入ｈ（ｋ），含义是待处理图像中像素灰度为ｋ的个数，ｈ（ｋ）可以通过图像的灰度级来取代图像数据样本，降低计算复杂度与计算量。传统的聚类方法（ＦＣＭ）数据量为样本所含的像素数目，而优化的方法则使其减少到Ｌ，提升了处理效率。定义目标函数为［１０］：

Ｊｍ（Ｕ，Ｖ）＝■■（μｉｋ）ｍ（ｄｉｋ）２ｈ（ｋ）

其中，μｉｋ是待处理图像中像素ｋ对第ｉ个均值聚类隶属的程度；ｄ是像素ｋ与第ｉ个均值聚类之间的有效距离；以下式计算待处理图像样本的ｃ个聚类中心：ｖｉ＝■

（ｉ＝１，２，…，c）

迭代过程为：

１）获取待处理图像样本的灰度级（ｋ＝０，１，２，…，Ｌ－１），对各类参数进行初始化，迭代次数以ｒ表示，确定聚类中心的数目；

２）计算待处理图像样本的ｃ个聚类中心；

３）以计算出的聚类中心去刷新模糊分类矩阵，得到新的分类矩阵；

４）如果新的分类矩阵与原矩阵之差小于某个预先设定阈值ε，则迭代结束，否则ｒ值增１，回到２）。

选取聚类算法中参数ｍ与ε、ｃ的值，分别以传统的标准模糊聚类分割算法与改进算法对图像进行处理，结果见表１。

表１的比较数据可以证明基于改进算法的ＦＣＭ在提升图像分割效率方面的有效性，且ＷＦＣＭ算法平均运算时间和待聚类样本数远小于传统算法，平均迭代次数也较低。图３为以改进算法的ＦＣＭ分割之后的效果，其中左上部分为原始目标图，右上部分为分割目标图，下方为分割定位结果图。至此，害虫目标已被完整分割，可以为后续的害虫分类识别以及精确施药等操作奠定良好的基础。

３小结

储粮害虫直接影响粮食品质，必须进行及时、准确的判断与精准的防治。本研究基于图像处理技术和模式识别技术，对采集到的储粮害虫图像引入灰度预处理、直方图均衡化和中值滤波，并结合图像的具体特征对以上方法进行了调整或者优化，为害虫进一步的智能化识别打下基础。

参考文献：

［１］ 万拯群．我国科学保粮若干问题之我见［Ｊ］．粮食储藏，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］ 廉飞宇．基于机器视觉的储粮害虫检测与识别［Ｊ］．河南工业大学学报（自然科学版），２００７，２８（３）：４３－４６．

［４］ 张红梅．基于数字图像处理技术的储粮害虫分类识别研究［Ｊ］．河南工业大学学报（自然科学版），２００５，２６（１）：１９－２２．

［５］ 黄凌霄，周龙．基于数学形态学的储粮害虫图像预处理［Ｊ］．武汉工业学院学报，２００７，２６（２）：８５－８８．

［６］ 牟研娜．作物生长状态参数的图像检测方法的研究［Ｄ］．北京：北京理工大学，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］ 刘明艳．用 Ｐｒｅｗｉｔｔ算子细化边缘［Ｊ］．光电子技术，２００６，２６（４）：２５９－２６１．

［９］ 叶秀清，顾伟康，肖强． 快速模糊图像分割算法［Ｊ］．模式识别与人工智能，２００６，９（１）：６６－７０．

［１０］ 徐月芳．基于遗传模糊Ｃ－均值聚类算法的图像分割［Ｊ］．西北工业大学学报，２００２，２０（４）：５４９－５５３．

３）对原图的每一个灰度级别所出现的频率进行统计，以ｎ表示像素和，则出现的频率Ｐｆ（ｆｊ）＝■， ｊ＝０，１，…，ｋ，…，Ｌ－１。

４）结合频度Ｐｆ（ｆｊ），构建原图每一灰度级的累积分布函数关系式，有Ｃ（ｆ）=■Ｐｆ（ｆｊ），ｊ＝０，１，…，ｋ，…，Ｌ－１。

５）通过Ｃ（ｆ）获取原图映射后的灰度，设映射后灰度级为ｇｉ，灰度数为Ｐ，则有ｉ＝０，１，…，ｋ，…，Ｐ－１，ｇｉ的值为式［（ｇｍａｘ－ｇｍｉｎ）Ｃ（ｆ）＋ｇｍｉｎ＋０．５］的整数部分。

６）对输出的所有灰度级像素数目分别统计，以nｊ表示，ｊ＝０，１，…，ｋ，…，Ｐ－１。

７）得到映射后的输出图像直方图，表示为

Ｐｇ（ｇｉ）＝■，ｉ＝０，１，…，ｋ，…，Ｐ－１。

８）以原始图像的每一个灰度级（ｆｊ）与映射后灰度级（ｇｉ）之间的变换关系处理原图所有灰度，最终得到灰度直方图更加均匀分布的输出结果。图１、图２为直方图均衡预处理前后的对比图。由图１和图２可以看出，均衡化后，在图像样本灰度值范围内均有直方图存在。在直方图均衡化处理前，灰度值中低灰度含量比较高，而处理后各灰度比例分配变得均衡，因此图像质量得到显著改善，对比度提高，轮廓细节清楚，目标边界清晰。

２．３基于方向滤波算法的优化中值滤波

为了弥补直方图均衡处理的不足，在均衡化之后还需对图像进行中值滤波。直方图均衡化处理之后的图像亮度往往比较高，并且出现了一些伪边缘，影响了对害虫目标的识别。为此，引入方向滤波算法对中值滤波进行优化，提取被处理图像目标边缘像素之中所蕴含的方向属性，沿边缘方向对其进行滤波处理，从而使图像细节保留更加完整。过程为：

1）使用包含两组３×３的矩阵的Ｓｏｂｅｌ边缘检测算法［７］，得到被处理目标的边缘像素。

2）引入Ｐｒｅｗｉｔｔ梯度算子［８］，结合目标图像边缘的方向性特征，获取被处理目标的边缘像素方向属性。以8个方向模板进行描述，有：

西向：11 -11 -2 -1111，东向：-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，东北： 111-1 -21-111，

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

对于被处理目标的每一个边缘像素，用以上８个方向的模板进行微分处理并求和，最终取梯度最大值在边缘检测时提取的边缘信息，即将边缘像素的方向确定为8个方向模板处理之后的最大值。

3）针对被处理目标的边缘像素所确定的方向，为其配置５×５的定向滤波子窗口，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。

以被处理的目标像素为中心，把定向滤波子窗口里值是１的对应像素有序排列，获取该序列里的中间值，以此值取代原像素的灰度。经过中值滤波处理之后，图像的边缘依旧清晰，噪声污染也得到了有效的去除。

２．４基于快速模糊聚类的害虫图像分割

在图像分割阶段引入ＷＦＣＭ（快速模糊聚类分割方法）［９］，引入ｈ（ｋ），含义是待处理图像中像素灰度为ｋ的个数，ｈ（ｋ）可以通过图像的灰度级来取代图像数据样本，降低计算复杂度与计算量。传统的聚类方法（ＦＣＭ）数据量为样本所含的像素数目，而优化的方法则使其减少到Ｌ，提升了处理效率。定义目标函数为［１０］：

Ｊｍ（Ｕ，Ｖ）＝■■（μｉｋ）ｍ（ｄｉｋ）２ｈ（ｋ）

其中，μｉｋ是待处理图像中像素ｋ对第ｉ个均值聚类隶属的程度；ｄ是像素ｋ与第ｉ个均值聚类之间的有效距离；以下式计算待处理图像样本的ｃ个聚类中心：ｖｉ＝■

（ｉ＝１，２，…，c）

迭代过程为：

１）获取待处理图像样本的灰度级（ｋ＝０，１，２，…，Ｌ－１），对各类参数进行初始化，迭代次数以ｒ表示，确定聚类中心的数目；

２）计算待处理图像样本的ｃ个聚类中心；

３）以计算出的聚类中心去刷新模糊分类矩阵，得到新的分类矩阵；

４）如果新的分类矩阵与原矩阵之差小于某个预先设定阈值ε，则迭代结束，否则ｒ值增１，回到２）。

选取聚类算法中参数ｍ与ε、ｃ的值，分别以传统的标准模糊聚类分割算法与改进算法对图像进行处理，结果见表１。

表１的比较数据可以证明基于改进算法的ＦＣＭ在提升图像分割效率方面的有效性，且ＷＦＣＭ算法平均运算时间和待聚类样本数远小于传统算法，平均迭代次数也较低。图３为以改进算法的ＦＣＭ分割之后的效果，其中左上部分为原始目标图，右上部分为分割目标图，下方为分割定位结果图。至此，害虫目标已被完整分割，可以为后续的害虫分类识别以及精确施药等操作奠定良好的基础。

３小结

储粮害虫直接影响粮食品质，必须进行及时、准确的判断与精准的防治。本研究基于图像处理技术和模式识别技术，对采集到的储粮害虫图像引入灰度预处理、直方图均衡化和中值滤波，并结合图像的具体特征对以上方法进行了调整或者优化，为害虫进一步的智能化识别打下基础。

参考文献：

［１］ 万拯群．我国科学保粮若干问题之我见［Ｊ］．粮食储藏，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］ 廉飞宇．基于机器视觉的储粮害虫检测与识别［Ｊ］．河南工业大学学报（自然科学版），２００７，２８（３）：４３－４６．

［４］ 张红梅．基于数字图像处理技术的储粮害虫分类识别研究［Ｊ］．河南工业大学学报（自然科学版），２００５，２６（１）：１９－２２．

［５］ 黄凌霄，周龙．基于数学形态学的储粮害虫图像预处理［Ｊ］．武汉工业学院学报，２００７，２６（２）：８５－８８．

［６］ 牟研娜．作物生长状态参数的图像检测方法的研究［Ｄ］．北京：北京理工大学，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］ 刘明艳．用 Ｐｒｅｗｉｔｔ算子细化边缘［Ｊ］．光电子技术，２００６，２６（４）：２５９－２６１．

［９］ 叶秀清，顾伟康，肖强． 快速模糊图像分割算法［Ｊ］．模式识别与人工智能，２００６，９（１）：６６－７０．

［１０］ 徐月芳．基于遗传模糊Ｃ－均值聚类算法的图像分割［Ｊ］．西北工业大学学报，２００２，２０（４）：５４９－５５３．