基于纹理特征的武夷岩茶叶片分类方法

林丽惠

（1.武夷学院 数学与计算机学院，福建 武夷山 354300；2.认知计算与智能信息处理福建省高校重点实验室，福建 武夷山 354300）

武夷岩茶品种资源极为丰富，传统上识别武夷岩茶鲜茶叶品种的方法主要是人工识别。人工依据经验识别，受到经验限制，主观性较强，缺乏客观评价标准。若采用化学成分分析，虽准确度较高，但步骤繁琐，难以快速识别。通过识别武夷岩茶鲜茶叶叶片图像，进而识别武夷岩茶鲜茶叶品种，是一种快速、客观的识别方法[1-4]。

茶叶叶片图像的纹理特征是对武夷岩茶鲜茶叶叶片图像进行分类识别的重要特征。纹理特征能够体现茶叶叶片表面结构组织排列的规律性和同质性，是通过茶叶叶片图像像素及其周围空间邻域的灰度分布来表现的一种视觉特征。基于纹理特征识别武夷岩茶鲜茶叶叶片图像是一种重要的识别方法。

目前国内对叶片基于纹理特征的识别方法的研究情况起步较晚，在本世纪初才开始，但是也取得了非凡的成果。例如，张磊[5]利用离散小波变换对叶片图像进行分解，从不同尺度的小波系数中提取纹理特征值，得到多个纹理特征，对植物叶片的识别具有较高的平均准确率；Arivazhagan等（2013）[6]通过纹理特征值对植物叶片不健康的部分进行观察，并根据纹理特征值对叶片损伤程度进行分类；江才华（2014）[7]研究了茶青纹理特征提取方法，采用最小二乘SVM作为茶青的分类器对茶青进行分类与训练。基于武夷岩茶鲜茶叶叶片图像提取纹理特征，对基于纹理特征的武夷岩茶鲜茶叶叶片图像分类方法进行研究。

1 图像预处理

为提高鲜茶叶叶片的识别率，本文首先对实地釆集的武夷岩茶茶树品种的鲜茶叶叶片图像进行预处理[8-9]，去除拍摄过程中由光照和阴影等导致的噪声和边缘模糊问题。然后将采集到的茶叶叶片图像转换为灰度图，用以提取纹理特征。

图1为武夷岩茶鲜茶叶叶片原图和灰度图。其中第一行为黄观音叶片图像，第二行为瑞香叶片图像。

图1 鲜茶叶叶片原图和灰度图Fig.1 Original and grayscale images of fresh tea leaves

2 纹理特征表示方法

常见的纹理特征提取方法有结构分析方法和统计分析方法。结构分析方法主要研究纹理基元的空间组织结构和排列规则，更加强调纹理的规律性，更适用于非自然的纹理特征提取。对武夷岩茶鲜茶叶叶片图像使用结构方法提取纹理特征将会受到很大程度的限制。统计分析方法主要研究纹理区域像素的灰度统计特性，更加适合作为武夷岩茶鲜茶叶叶片图像的纹理特征提取方法。而灰度共生矩阵(GLCM)是最常见的纹理特征统计分析方法，被公认有效，有较强的适应性与鲁棒性。

采用灰度共生矩阵表示茶叶叶片图像的纹理特征。计算茶叶叶片图像灰度共生矩阵在0°、45°、90°、135°4个方向且距离σ为1的能量、熵、对比度、相关性、逆差距、非相似性和同质性共7个特征值以及特征值在4个方向上的均值和方差。下面分别给出能量、熵、对比度、相关性、逆差距、非相似性和同质性的定义。

能量f1：能量反应的是茶叶叶片图像纹理均匀分布程度与粗细程度。其值较大，则表示叶片图像灰度分布较集中，纹理比较粗糙。定义如式（1）所示：

式中：P（i，j）指归一化后的灰度共生矩阵，下同。

熵f2：熵是茶叶叶片图像纹理信息量的度量。其值越大，则表示叶片图像纹理的非均匀程度和复杂程度越高。定义如式（2）所示：

对比度f3：对比度是灰度共生矩阵主对角线的惯性矩，描述茶叶叶片图像的清晰程度。其值较大，代表叶片图像较清晰，纹理较深。定义如（3）所示：

相关性f4：相关性描述茶叶叶片图像灰度值在水平和垂直方向的相似程度。其值较大，代表叶片图像灰度分布均匀。定义如式（4）所示：

式中，σi，σj分别表示Pi和Pj的均值和标准差，Pi为灰度值i出现的概率，Pj为灰度值j出现的概率。

逆差距f5：逆差距描述茶叶叶片图像纹理的局部变化的大小。其值较大，代表叶片图像的纹理局部较均匀，不同区域间的纹理变化较小。定义如式（5）所示：

非相似性f6：非相似性描述茶叶叶片图像的纹理差异。与对比度类似，若局部对比度的值越大，非相似度的值也越大。定义如式（6）所示：

同质性f7：同质性反映茶叶叶片图像局部纹理的均匀程度。与逆差距类似，其值越大，局部纹理越均匀。定义如（7）所示：

3 试验结果

实地采集武夷岩茶的黄观音、瑞香、丹桂和奇兰4个品种，每个品种各20张的鲜茶叶叶片图像。计算茶叶叶片图像灰度共生矩阵在0°、45°、90°、135°4个方向且距离σ为1的能量、熵、对比度、相关性、逆差距、非相似性和同质性共7个特征值以及特征值在四个方向上的均值和方差。使用50%的叶片图像作为训练样本，50%的叶片图像作为测试样本，对本文提取的武夷岩茶鲜茶叶叶片图像纹理特征，分别使用KNN分类器、集成学习器、判别分析分类器3种分类算法[11]进行分类识别，比较各种分类算法的识别精度，识别精度取10次实验的平均值。

图2～5分别为0°、45°、90°、135°4个方向上的纹理特征值。图6为4个方向上的特征值的均值和方差。由于数据量比较大，本文只列出黄观音和瑞香两个品种的部分叶片图像的纹理特征值。图2～5的1至7列分别表示能量、熵、惯性矩、相关性、逆差距、对比度和一致性值7个纹理特征值。第8列表示武夷岩茶叶片的品种，其中值为0代表黄观音品种，其中值为1代表瑞香品种。图6为4个方向上的特征值，1至14列分别7个纹理特征值能量、熵、惯性矩、相关性、逆差距、对比度、一致性值的均值及方差，每2列代表1个特征值。表1为3种分类器对不同方向上的纹理特征值的分类准确率。

图2 0°方向上的纹理特征值Fig.2 Texture features in the direction of 0 degree

图3 45°方向上的纹理特征值Fig.3 Texture features in the direction of 45 degree

图4 90°方向上的纹理特征值Fig.4 Texture features in the direction of 90 degree

图5 135°方向上的纹理特征值Fig.5 Texture features in the direction of 135 degree

图6 四个方向上的均值和方差Fig.6 Mean and variance in four directions

表1 分类结果Tab.1 Classified results

4 结论

通过计算武夷岩茶鲜茶叶叶片图像灰度共生矩阵在0°、45°、90°、135°4个方向且距离σ为1的能量、熵、对比度、相关性、逆差距、非相似性和同质性共7个特征值以及特征值在4个方向上的均值和方差，分别使用KNN分类器、集成学习器、判别分析分类器3种分类算法对本文提取的武夷岩茶鲜茶叶叶片图像纹理特征进行分类识别。结果表明，对4个方向上的特征值的均值和方差的分类效果均比0°、45°、90°、135°等4个单一方向上特征值的分类效果好。使用判别分析分类器比使用KNN分类器和集成学习器的分类效果更好。使用判别分析分类器对4个方向上的纹理特征值的均值和方差的分类准确率达到了90.00%。说明了采用基于纹理特征识别武夷岩茶鲜茶叶叶片图像是一个非常有效的方法。

仅初步探讨了武夷岩茶的黄观音、瑞香、丹桂和奇兰4个品种基于纹理特征的叶片分类方法。今后还将扩大武夷岩茶的品种范围，研究更多品种的基于纹理特征的叶片分类方法。同时，将进一步研究更有效的纹理特征提取方法以及叶片的其它特征提取方法，比如形状特征等，以提高武夷岩茶叶片分类的准确率。