MATLAB环境下大米图像的特征分析

(1.宁夏大学新华学院，宁夏 银川 750021；2.宁夏大学土木与水利工程学院，宁夏 银川750021)

0 引言

目前对大米外观指标的检测还停留在肉眼视察阶段，这样容易陷入主观臆想而得出随性的评价结果[1]。如此一来，将会使大量的垩白米、碎米、病变米流入市场，极大地损害着受众的健康和权益，同时也失去了在市场上同其他对手竞争的武器[2]。然而，计算机技术的快速发展使摆脱肉眼识别大米外观品质成为了可能[3]。

在大米外观品质检测中，垩白度、透明度和碎米率都是人们非常关心的几个重要指标。当然，检测这些指标的方法很多，但是开发出依靠数字图像处理技术来识别大米垩白、粒型、透明度和黄米粒率等大米外观指标且对大米结构不会产生任何影响的智能系统是非常有必要的。经查资料，目前大部分文献都关注的是垩白、碎米与黄米的检测，而对大米加工精度和透明度检测的文献很少。同时，大部分文献都只是针对大米的众多评价指标中的某种单一指标进行了探索，并没有建立对大米整个外观品质进行全方位综合评价的体系，且现有的研究都是相对孤立的算法分析，并未形成完整的体系。

利用MATLAB极其强大的图像处理和分析能力，通过增强图像和对图像中的像素进行变换的方式来分析和解读图像内部的信息。另外，利用数学工具(如矩、傅里叶变换等)使图像的像素量化，这样就能够精确且有效地识别图像信息。

1 颜色特征描述

颜色特征被广泛应用，特别是在图像检索领域，主要是由于图像中的每一部分颜色都会与某些特定事物或景象相关联。相较其他视觉特征而言，它并不敏感于图像视角、大小、方位等因素的变化，因此颜色特征在图像识别领域发挥着重要的作用。鉴于图像颜色与事物的关系，通常可用颜色矩、颜色直方图、颜色相关性等方法来描述颜色特征。

1.1 颜色矩及其实现

早已证明，对于任意一个随机变量来讲，可以用其各阶矩来唯一地表述概率密度和分布函数[10]。若将图像中不同像素点的颜色值看做是随机变量，则就可利用其各阶矩来辨识图像信息。基于这种思想，产生了颜色矩[11]的概念。所以，利用矩的这些特性，就可以来相对近似地表征其颜色分布了[12]，其优势表现在[13]：其特征向量通常都是低维度的，使用起来方便；不需要量化颜色空间。不过，仍需要指出的是，在实际应用当中这种方式的检索效率较低，需要过滤图像来缩小检索范围，以达到提高效率的目的[14]。

不难想象，颜色矩是由变量的各阶矩来阐明其颜色分布状况的，而且图像的多数颜色信息都密集低阶矩周围，因此，最多使用三阶矩就能大体地表示图像的颜色分布。

一阶矩即均值，呈现的是变量的一阶原点矩。它体现了每个颜色分量的明暗程度，值的大小决定其明亮程度。一阶矩为：

(1)

Cmn表示第m个像素的第n个颜色分量，M为像素个体数量。

我国实行科层制的组织治理结构，政府内部缺乏横向和纵向之间数据共享制度，数据存在于各个不同层级的部门之中，各个部门数据之间自成体系，由于缺乏共享数据标准，没有统一制度规范，各职能部门之间存在的不同差异，造成数据处理过程的随意性，各部门数据类型不能集中统一，使得部门数据之间共享程度差，阻碍了数据资源的开放共享。

二阶矩即标准差，利用二阶中心矩来阐述，它反映的是每个像素点的颜色值与均值的离散程度，其值愈大，图像颜色分布愈广泛，反之亦然。二阶矩为：

(2)

μm为所有像素第m个颜色分量的均值，其他符号意义如前所述。

三阶矩即偏度，利用三阶中心矩来体现。它反映的是颜色分量的偏斜程度，也即是颜色的不对称性。三阶矩为：

(3)

当ζm=0时，称图像颜色是对称的；当ζm>0时，称图像颜色是右偏态的；当ζm<0时，称图像颜色是左偏态的。

另外，颜色矩描述的是图像颜色特征的宏观统计特征，同时，彩色图像共有3个颜色通道，每个通道都需计算对应的低阶矩。

所采用的大米来自宁夏银川平原，利用数字设备采集大米图像。利用MATLAB R2014a中的mean2()函数和std()函数来计算灰度大米图像的一阶矩、二阶矩和三阶矩。

程序运行的对比结果如图1所示。肉眼能够明显看出图1b比图1a更亮。统计结果如表1所示，分析颜色特征值中的一阶颜色矩和二阶颜色矩不难发现，原图的值明显小于对比度增强图的值，也就是说原图更加灰暗，对比度增强图的颜色分布更不均匀；三阶颜色矩也表现出原图偏暗，对比度增强图偏亮，二者灰度值偏斜的方向是相同的。

图1 对比运行结果

图像颜色矩一阶矩(均值)二阶矩(标准差)三阶矩(偏度)原图125.026913.364120.8449+36.1045i对比度增强图163.692429.654141.4911+71.8647i

1.2 颜色直方图及其实现

在图像识别领域，颜色直方图通常能很好地体现图像的颜色特征，它所呈现的是图像中各色彩所占用的比重和分量，不能直接形容图像中的目标或形体[15]。

颜色直方图可定义为：

pi=hi

(4)

hi为图像中具有第i种颜色的像素个数。颜色直方图归一化为：

pi=hi/M

(5)

M表示图像具有的像素数。

式(5)表明，这种图只能说明颜色通道所占的具体比例，而无法指出具体对象。下面利用MATLAB R2014a绘制大米的颜色图像的R，G，B分量的直方图。

程序执行后的结果如图2所示。在RGB直方图中，横坐标表示图像亮度的分布，纵坐标表示每种色彩(R为红，G为绿，B为黑)水平的像素数，两者均无单位。根据图像的R，G，B分量的灰度直方图可见，各分量分布均匀，这是由于大米本身的颜色为白色，不能很好的识别。

通常采用更加符合人类视觉感知的HSV模型，求取直方图前，应先量化其从属空间。在MATLAB R2014a中，用rgb2hsv() 函数命令转换颜色空间，运行程序。

程序执行后，得到HSV空间下的直方图，如图3所示。HSV直方图中，横坐标表示每个分量(H为色调，S为饱和度，V为明度)，均在[0，1]之间取值，纵坐标表示每个分量水平在[0，1]之间取值时的像素数，两者均无单位。

程序并未对H，S，V排图2、图3进行量化，得到的H分量的直方图显示的色相值在范围内有多个峰值，表明主要色彩有多种颜色的趋势；S分量主要集中0附近，显示图像的不够饱满，不鲜艳；V分量分布较为均匀，表明图像整体色调明亮，因此，综合表明HSV颜色空间直方图较好地体现了图像的颜色特征。

图2 R，G，B分量的直方图

2 纹理特征描述

利用不同提取方法来计算，求得图像的灰度级变化，就可以得到纹理特征。一般图像的纹理特征可反映事物的细腻程度，例如平滑度、粒径粒度等指标。纹理定性描述经过措置和分析图像后获取纹理特征才能明确[16]。

一般地，纹理提取方法有灰度差分统计、灰度共生矩阵和基于频谱特征的分析法等方法[17]。这些方法都能够识别物体的表面质量，只是其侧重点各有不同。下面只介绍频谱分析法。

频谱分析法的基本思想[18]是将纹理图像通过适当数学处理，在频域里利用信号处理方法来求得纹理特征。一般地，常用的有傅里叶变换法和Gabor变换法[19]。

傅里叶频谱的频率特性是基于傅里叶变换的分析方法，它可以用来描述具有纹理呈周期出现的特性[20]。一般地，全局纹理模式会集中在傅里叶频谱能量图中的峰值处，相邻两个峰值之间的频域位置对应于基本周期。另外，可利用滤波除去周期性部分，再用统计学方法来阐述剩余的非周期性部分[21-23]。

实际应用当中，为了简便计算，特使用极坐标来表达。设频谱函数为ψ(ρ，θ)，其中ρ和θ为极坐标变量。对于任意一个确定的方向θ，ψ(ρ，θ)是一个一维函数ψθ(ρ)，同理，对于任意一个确定的频率ρ，ψ(ρ，θ)也为一个一维函数ψρ(θ)。不难理解，ψθ(ρ)是一簇从原点出发的射线，ψρ(θ)是一个以原点为圆心的圆。

为了得到更加全局的描述，故将上述两个一维函数利用式(6)和式(7)进行求和。

(6)

(7)

用上述方法分析得到频谱图，如图4b所示。

图4 频谱图

程序运行完毕，纹理谱能量ψθ(ρ)和纹理谱能量ψρ(θ)如图5所示。大米的纹理频谱图呈现周期特性，即其纹理具有周期性。利用频谱中的突起峰值既可以求得频域中的基本周期，又能反映纹理机构的主方向。

图5 谱能量运行结果

3 结束语

利用MATLAB图像处理模块对大米图像的内部信息进行挖掘和探究表明，通过适当的选取处理方法，可以对大米图像的特征进行有效的分析，并为后续研究大米表面质量和透明度提供了广泛的思路。本方法具有操作简捷、效果优、无破坏等优点，表明用计算机视觉可以实现稻米的检测。另外，MATLAB强大的图像处理功能和稳定的算法函数，这样就很容易编写算法程序而且也不难实现，可以将大部分的时间投入到算法的可靠性和有效性的研究上面，不需要在算法实现上耗费过多精力，从而提高编程和工作的效率。

[1] 任小静. 基于计算机视觉的大米外观品质检测技术研究 [D]. 哈尔滨：哈尔滨工程大学，2007.

[2] 刘光蓉，管庶安. 基于图像处理技术的大米垩白度检测[J]. 粮食与饲料工业，2009(11)：1-2.

[3] 周显青，白国伟，张玉荣，等. 基于数字图像处理技术整米和碎米含量检测[J]. 粮食与饲料工业，2011(9)：1-5.

[4] 侯彩云，SEIICHI O，YASUHISA S,等. 三维图像处理系统在稻米品质检测中的应用研究[J]. 农业工程学报，2001，17(3)：92-95.

[5] 崔雯雯. 基于图像处理的大米品质检测系统研究[D].长春：吉林大学，2015.

[6] 刘璎瑛. 基于机器视觉的稻米品质评判方法研究[D].南京：南京农业大学，2010.

[7] 王卫星，刘永强. 基于直方图修正的小波自适应阈值大米垩白分割[J]. 重庆邮电大学学报，2010，22(2)：218-222.

[8] 周术诚，周明全，耿国华. 基于小波变换的自适应阈值三维图像分割[J].计算机应用与软件，2006，23(10)：15-23.

[9] 陈鲤江，刘铁根，马金英，等. 一种区域分离方法及其在米粒检测中的应用[J]. 光电子·激光，2006，17(7)：867-870.

[10] 盛骤，谢式千，潘承毅. 概率论与数理统计[M].北京：高等教育出版社，2008.

[11] 张少博，全书海，石英，等. 基于颜色矩的图像检索算法研究[J].计算机工程，2014，40(6)：252-255.

[12] 岳磊. 基于分块颜色矩和灰度共生矩阵的图像检索[J]. 微计算机信息，2012，28(8)：162-164.

[13] 余芳. 基于颜色特征的图像检索技术研究[D]. 北京：中国石油大学，2007.

[14] 张春妍. 基于颜色特征的小木制品检测系统研究[D].哈尔滨：东北林业大学，2009.

[15] 王春阳，杨红颖，郑宏亮，等. 基于视觉权值的分块颜色直方图图像检索算法[J]. 自动化学报，2010，36(10)：1489-1492.

[16] 夏瑜. 基于结构的纹理特征及应用研究[D]. 合肥：中国科学技术大学，2014.

[17] 王龙.图像纹理特征提取及分类方法[D]. 青岛：中国海洋大学，2014.

[18] 陈华，霍林，韦巍，等. 图像复原算法的频谱恢复特性分析研究[J]. 光学技术，2007，33(2)：209-212.

[19] 杨德英. 灰度指纹图像增强系统[D].西安：西安电子科技大学，2005.

[20] 方建超，毛雪松. 非等间隔采样信号傅里叶频谱分析方法[J]. 计算机应用，2016，36(2)：492-494.

[21] 夏楠，邱天爽，李景春，等.一种卡尔曼滤波与粒子滤波相结合的非线性滤波算法[J]. 电子学报，2013，41(1)：148-152.

[22] 赵高长，张磊，武风波. 改进的中值滤波算法在图像去噪中的应用[J]. 应用光学，2011，32(4)：678-682.

[23] 李高西，曹军，张福元. 基于视觉；灵敏度及粗集的彩色图像滤波算法[J].电子测量与仪器学报，2014，28(2)：211-217.