灰度共生矩阵在蔬菜种类识别中的应用研究

2015-03-23霍志林吴洪潭徐远扬张亚雄

中国计量大学学报 2015年1期

关键词：特征值特征提取纹理

霍志林,吴洪潭,华享,徐远扬,张亚雄

(1.中国计量学院质量与安全工程学院,浙江杭州 310018;2.杭州市商贸综合监察中心,浙江杭州 310006)

灰度共生矩阵在蔬菜种类识别中的应用研究

霍志林1,吴洪潭1,华享2,徐远扬2,张亚雄1

(1.中国计量学院质量与安全工程学院,浙江杭州 310018;2.杭州市商贸综合监察中心,浙江杭州 310006)

针对我国蔬菜类食品安全追溯系统中有关种类信息采集存在的一些问题,提出了一种利用图像纹理分析技术对多种蔬菜进行识别分类,进而提高信息采集的准确性与高效性.实验中分别用灰度共生矩阵算法(GLCM)、高斯马尔可夫模型法(GMRF)和Gabor法分别对蔬菜的纹理进行特征提取,并通过支持向量机(SVM)分类对比.结果证明，由灰度共生矩阵对蔬菜种类识别可以得到较好的分类结果.

食品安全追溯;纹理分析;特征提取;灰度共生矩阵;支持向量机

在经济全球化和食品贸易全球化的大背景下,食品安全问题已经成为各国重点关注的焦点之一,尤其在国内外食品安全事件频繁发生的情况下,食品安全更是成了各国首要控制和解决的问题,因此各国政府纷纷采取了相应的措施来加大食品质量安全的监管力度.我国于2009年8月起,由商务部主导,开始在全国范围内进行肉菜流通追溯体系建设的试点工作.但目前我国对食品安全可追溯系统的研究和开发主要限于动物及其产品领域,而对蔬菜的质量安全追溯系统由于在种植环节中仍存在一些问题,所以尚未完善.

对于食品安全追溯体系来说,最关键的问题在于溯“源”,即农产品的种植环节.此环节主要是对农产品的种类、生长环境、农药使用情况以及种植者的信息进行采集,但由于员工长时间的劳动,而且大部分员工是知识水平相对较低的农民,在对产品信息进行采集时,很容易导致其信息在源头上的错误与不统一,从而大大影响整个供应链进行追溯的准确性与一致性.所以，针对这些问题,提出了以图像识别技术为基础,通过采集蔬菜图片信息对其进行自动识别分类.

图像识别技术一般通过对目标的形状、颜色、纹理进行特征提取,并利用分类器进行训练判决,最后再进行识别分类.本文将采用纹理分析对蔬菜进行识别分类.其中灰度共生矩阵算法是纹理分析技术中常用的一种统计法[1],是一种全局特征,不依赖于物体表面的色调或亮度,而是反映图像灰度(或色彩)的空间排列分布模式[2].文献[3]中提到Dubes和Ohanian对多通道滤波表示法、马尔可夫随机场(GMRF)表示法、灰度共生矩阵(GLCM)表示法和分形表示法四种方法进行评估和比较,结果证明灰度共生矩阵方法性能最优.如谢菲[4]等采用灰度共生矩阵算法对纹理图像进行特征提取,并用支持向量机对其分类,测试证明该算法可以达到良好的图像分类效果.郭德军[5]等借助灰度共生矩阵算法对三种纹理图像进行特征提取,并采用BP神经网络进行分类器设计,同样取得了良好的分类效果.高程程[6]等对物种木材纹理提出了用灰度共生矩阵的方法提取纹理特征,结果提取的四种纹理特征值能有效地描述木材的纹理特征,具有较好的鉴别能力.本文采用灰度共生矩阵方法对三种蔬菜的纹理进行特征提取,并进行结果分析.

1 灰度共生矩阵原理分析

灰度共生矩阵(Gray Level Co-occurrence Matrix)算法是利用图像空间中相隔一定距离的两个像素的空间相关性提出的.它反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息,为分析图像的局部模式和排列规则奠定了基础[7].

假设待分析的纹理图像是一个M×N的矩形窗口.Pφ,d(a,b)表示灰度级分别为a,b,方向为φ、间隔距离为d的两个像素,出现在窗口中的频率.φ一般取0°、45°、90°、135°等方向,则灰度级分别为a,b的两个像素在四个方向上共生矩阵的定义[8]如下:

P0°,d(a,b)=|{[(k,l),(m,n)]∈D:

k-m=0,|l-n|=d

f(k,l)=a,f(m,n)=b}|;

(1)

P45°,d(a,b)=|{[(k,l),(m,n)]∈D:

(k-m=d,l-n=0)or(k-m=-d,

l-n=d)f(k,l)=a,f(m,n)=b}|;

(2)

P90°,d(a,b)=|{[(k,l),(m,n)]∈D:

|k-m|=d,l-n=0

f(k,l)=a,f(m,n)=b}|;

(3)

P135°,d(a,b)=|{[(k,l),(m,n)]∈D:

(k-m=d,l-n=d)or(k-m=-d,

l-n=-d)f(k,l)=a,f(m,n)=b}|.

(4)

其中D=(M×N)×(M×N).

如图1是灰度共生矩阵算法的实现,其中(a)是一个灰度级为4的4×4图像,(b)为设d=1,φ=135°时计算得到的共生矩阵.

0011001102222233

(a) 4×4图像

(b) 共生矩阵

图1 灰度共生矩阵算法

Figure 1 GLCM algorithm

如元素P135°,1(0,2)表示具有灰度级0和2的两个像素在方向135°上间隔为1的出现的次数.

2 纹理特征值描述

由于灰度共生矩阵不能直接描述图像的纹理信息,所以人们通过共生矩阵计算一些相应的特征值,以此来描述图像的纹理信息.Haralick一共提出14种特征值,在文献[9]中证明其中几个特征值之间存在一致性,在计算过程中存在冗余性,所以一般只采用四个特征值来进行分析计算,即对比度Con、熵Ent、相关性Cor和能量Asm.

在计算纹理特征值时,为减少计算量,通常会在计算灰度共生矩阵前对图像的灰度级进行压缩,以减小计算时间.同时在进行特征值提取前,需对灰度共生矩阵进行正规化处理,公式如下:

(5)

其中:R—正规化常数.

四个特征值定义如下:

1)对比度Con

(6)

对比度反映了图像的清晰度和纹理的沟纹深浅.对比度越大,沟纹越深,图像越清晰;反之,对比度越小,沟纹越浅,图像越模糊.

2)熵Ent

(7)

熵是度量图像纹理的随机性,反映图像纹理的复杂程度.当熵取最大值时,共生矩阵中所有的值几乎相等,则图像中分布着细纹理;反之,当熵取最小值时,共生矩阵中所有的值极不均匀,则图像中分布着极少的细纹理.

3)相关性Cor

(8)

式中：μx,μy—均值;σx,σy—标准差.

(9)

(10)

(11)

(12)

相关性反映了图像纹理的一致性.当共生矩阵中元素值均匀相等时,相关值较大;反之,共生矩阵中元素值存在较大差异时,相关值较小.

4)能量Asm(或角度二阶距)

(13)

能量是图像均匀性的测度,反映图像灰度分布的均匀性和纹理的粗细程度.若图像越均匀,即粗纹理时,其值越大;反之,图像越不均匀,即细纹理时,其值就越小.

利用其进行纹理分析时有三个重要影响因素[10]:1)移动窗口大小;2)移动步长;3)灰度级量化.文献[11]中通过改变三个因素的值对提取到的纹理特征值进行数据分析并证明,选择合适的移动窗口取决于图像纹理结构本身,即较小的窗口表征细微纹理特征,较大的窗口表征粗糙的纹理特征;合适的步长可以减少像元之间像素信息的丢失,从而提高纹理特征的准确性;灰度级太大,会增加共生矩阵的计算量,所以一般在计算共生矩阵前,在保证不影响纹理特征的前提下,首先对灰度图进行灰度级量化,取合适的灰度级进行计算,从而提高检索速度.

3 实验与结果分析

实验选取合适的移动窗口、移动步长以及灰度级等参数,利用灰度共生矩阵算法对三种蔬菜进行纹理特征提取.

3.1 彩色图像灰度化

用摄像头采集了三种蔬菜(黄瓜、普通白菜、皱叶莴苣)的彩色图像作为研究对象.由于灰度共生矩阵是基于对灰度图像纹理进行特征值提取的一种算法,所以首先要对采集到的彩色图像进行灰度转换.如图2分别为三种蔬菜纹理的灰度图.

图2 三种蔬菜纹理样本Figure 2 Three kinds of vegetables texture sample

3.2 灰度共生矩阵算法参数设定

原图像进行灰度转换后得到的灰度图的灰度级一般为256,实验中将灰度级量化为16.设定步长为1,移动窗口为128×128,并通过移动窗口的扫描计算得到四个方向的灰度共生矩阵,再进行归一化处理.最后利用特征值公式计算各个方向上的特征参数,以供数据分析.

3.3 实验结果分析

实验结果如图3所示:

图3 灰度共生矩阵的特征值

为了进一步分析本方法的可行性,分别单独使用高斯马尔可夫模型法(GMRF)、Gabor能量法和本文方法对上述三种蔬菜进行识别分类实验.马尔科夫模型法(GMRF)是一个平稳自回归过程,用来表达空间上的相关随机变量之间的相互作用的模型,其所产生的参数可以描述纹理在不同方向、不同形式的集聚特征.实验中将采用4阶GMRF模型,其得到的模型特征向量作为提取的纹理特征值.Gabor能量法具有良好的多尺度特性和方向特性,兼顾信号在时域和频域上的分辨能力.试验中根据纹理的不同频率和带宽设计一组Gabor滤波器对纹理图像进行滤波,从各滤波器的输出结果中分析和提取纹理特征,并将滤波后纹理图像的均值和能量作为蔬菜种类识别的纹理特征值.最后将得到的特征值利用分类器进行分类识别.

一般在模式分类问题中,对数据的分类精度与训练速度有较高的要求,为了满足这些要求,本文采用主成分分析法(PCA)与支持向量机结合的方法对提取到的蔬菜纹理特征值进行分类决策.因为主成分分析法可以提取样本集主元,从而降低样本的维数,两者结合使用能充分利用各特征值对区分不同类别的有效性,从而提高分类器的分类能力,进而能够较准确地对蔬菜进行了分类识别.

实验中选取上述三种蔬菜的纹理图像作为样本,每类蔬菜选取训练样本50个,测试样本25个,分别用上述三种方法进行分类比较,实验结果如表1所示,其数据表示识别率.

表1 实验结果

4 结语

实验证明采用灰度共生矩阵较其它方法更能有效地对蔬菜种类进行识别.但由于灰度共生矩阵为稀疏矩阵,在计算特征值时会有大量的冗余,造成存储空间的浪费,所以对灰度共生矩阵的算法改进将是下一步的研究内容.

[1] 刘丽,匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报,2009(4):622-635. LIU Li, KUANG Gangyao. Overview of image textural feature extraction methods[J]. Journal of Image and Graphics,2009(4):622-635.

[2] 章智儒.纹理特征提取算法及其在面向对象分类技术中的应用研究[D].成都:电子科技大学,2009. ZHANG Zhiru. Texture feature extraction algorithm and application in object-oriented image classification techniques[D]. Chengdu: University of Electronic Science and Technology of China,2009.

[3] 何利.基于图像纹理颜色特征的猪体识别研究与实现[D].广州:华南理工大学,2010. HE Li. Research and implementation on swine body identification based on characteristic of image texture and color[D]. Guangzhou: South China University of Technology,2010.

[4] 谢菲.图像纹理特征的提取和图像分类系统研究及实现[D].成都:电子科技大学,2009. XIE Fei. Image texture extraction and image classification system research and implementation[D]. Chendu: University of Electronic Science and Technology of China, 2009.

[5] 郭德军,宋蛰存.基于灰度共生矩阵的纹理图像分类研究[J].林业机械与木工设备,2005(7):21-23. GUO Dejun, SONG Zhecun. A study on texture image classifying based on gray-level co-occurrence matrix[J]. Forestry Machinery and Woodworking Equipment,2005(7):21-23.

[6] 高程程,惠晓威.基于灰度共生矩阵的纹理特征提取[J].计算机系统应用,2010(6):195-198. GAO Chengcheng, HUI Xiaowei. GLCM-based texture feature extraction[J]. Computer Systems Application,2010(6):195-198.

[7] 谢菲,陈雷霆,邱航.基于纹理特征提取的图像分类方法研究及系统实现[J].计算机应用研究,2009(7):2767-2770. XIE Fei, CHEN Leiting, QIU Hang. Research of image classification method based on texture feature extraction and system to achieve[J]. Application Research of Computers,2009(7):2767-2770.

[8] 桑卡,赫拉瓦卡,博伊尔.图像处理、分析与机器视觉[M].2版.艾海舟,苏延超,译.北京:清华大学出版社,2011:517-518.

[9] 薄华,马缚龙,焦李成.图像纹理的灰度共生矩阵计算问题的分析[J].电子学报,2006(1):155-158. BO Hua, MA Fulong, JIAO Licheng. Research on computation of GLCM of image texture[J]. Actaelectronica Sinica,2006(1):155-158.

[10] 马莉,范影乐.纹理图像分析[M].北京:科学出版社,2009:27-28.

[11] JIA Longhao, ZHOU Zhongfa, LI Bo. Study of SARImage texture feature extraction based on GLCM in Guizhou karst mountainous region[J]. RemoteSensing, Environment and Transportation Engineering,2012(2):1-4.

Application of gray level co-occurrence matrix in vegetable species recognition

HUO Zhilin1, WU Hongtan1, HUA Xiang2, XU Yuanyang2, ZHANG Yaxiong1

(1. College of Quality and Safety Engineering, China Jiliang University, Hangzhou 310018, China; 2. Hangzhou Comprehensive Trading Monitoring Center, Hangzhou 310006, China)

Aimed at the problem of the acquisition of vegetable information, we proposed a texture analysis technique to identify and classify the variety of vegetables so as to improve the efficiency and accuracy of information acquisition. Vegetable texture features were extracted with the methods of gray level co-occurrence matrix (GLCM), Gauss-Markov random field (GMRF) and Gabor,respectively, and were compared with that of the support vector machine (SVM). It is found that vegetable recognition with the method of gray level co-occurrence matrix is the optimum.

food safety traceability; texture analysis; feature extraction; GLCM; SVM