多策略粮虫视觉检测方法

摘要

本发明公开了一种多策略粮虫视觉检测方法，一、获取所述粮虫图像；二、对粮虫图像进行奇异值分解得到图像数据矩阵；三、采用symN小波基对粮虫图像进行2层小波分解和重构；四、采用Otsu方法对粮虫图像进行二值化；五、对二值图像膨胀运算；六、基于Blob算法对二值化后的粮虫图像进行Blob连通域分析，从而达到粮虫检测目的。本发明解决了传统人工储粮活虫检测非常耗时且效率很低的问题，通过面积参数和周长参数进行快速、准确、无损自动检测粮虫；同时解决了现有粮虫视觉检测方法无法克服粮仓复合环境影响的问题，实现了既能准确检测粮虫数目又能精确标记粮虫位置目的。

权利要求

1.一种多策略粮虫视觉检测方法，其特征在于：包括下述步骤；

第一步、通过取样器将藏在粮堆内部的活体粮虫分拣出来，然后通过视觉设备将所述活体粮虫拍摄以获取所述粮虫图像；

第二步、对所述粮虫图像进行奇异值分解得到图像数据矩阵 ,其中U和V分别是 和 的正交矩阵， 为 的元素为非负的对角矩阵， 为V的转置；将 值全置为0形成新的 ，然后与 和 重建图像数据矩阵 ；最后通过对图像数据矩阵 求差，以增强图像中的粮虫信息；

第三步、采用symN小波基对所述粮虫图像进行2层小波分解和重构；根据小波分解子带分解系数相关性的特性，对大于阈值 的高频系数倍乘4，低频系数缩小为原值的 ；即：其中， 为新低频子带系数； 为新水平高频子带系数； 为新垂直高频子带系数； 为对角线方向上的新高频子带系数； 原始低频子带系数； 为原始水平高频子带系数； 为原始垂直高频子带系数； 为对角线方向上的原始高频子带系数；

对于 图像来说，其离散二维小波多尺度分解算法如下：设原始图像为 ，dwt2 为二维离散小波变换；小波分解为：其中， 为原始低频子带系数； 为原始水平高频子带系数； 为原始垂直高频子带系数； 为对角线方向上的原始高频子带系数；为待分解粮虫图像；

其离散二维小波多尺度重建算法如下：

其中， 为新低频子带系数； 为新水平高频子带系数； 为新垂直高频子带系数； 为对角线方向上的新高频子带系数；为重构粮虫图像；

将新细节部分高频子带系数 和新的低频子带系数 根据上式进行重

构得到需要的高分辨率图像；

第四步、采用Otsu方法对粮虫图像进行二值化；对于一幅粮虫图像 ，通过图像的总平均灰度级 ，目标 的平均灰度级 与背景 的平均灰度级 以及其分别所占图像面积的比例 ，依照类间方差 实现目标和背景分割，完成图像二值化的差别；

第五步、由于粮虫属于弱小目标，粮虫图像二值化后易使粮虫区域更弱化甚至本来完整的粮虫断裂为两部分，必须借助膨胀算法扩大或桥接断裂的粮虫图像区域缝隙；为抑制复合干扰源下凸显粮虫目标来提高粮虫视觉检测效果，构造结构元素，同时使用水平方向和垂直方向的线性结构元素对二值图像膨胀运算，实现粮虫目标增强进而提高粮虫检测识别率；

第六步、基于Blob 算法对二值化后的粮虫图像进行Blob 连通域分析，从而达到粮虫检测目的；Blob算法实现如下：(1)采用面积参数 度量目标区域大小；对于斑块区域 ， 定义为该区域中像素点的数目，即：式中： 为像素坐标值， 为该点的像素值， 黑点为0，白点为1；

(2)采用周长参数 度量目标区域特征；对于斑块区域 ， 定义为斑块区域边界上像素点的个数；即：式中： 为像素坐标值， 为该点的像素值，黑点为0，白点为1。

说明书

多策略粮虫视觉检测方法

技术领域

[0001] 本发明涉及粮虫视觉检测方法，尤其是涉及多策略粮虫视觉检测方法。

背景技术

[0002] 粮虫危害是粮食储藏中较为严重的问题之一，粮虫准确检测是进行粮虫综合防治的一种有效手段。粮虫检测方法有扦样法、诱集法、声音识别法、近红外法和视觉检测法等。自从美国学者Zayas采用视觉检测技术对散装小麦仓中的谷蠹成虫进行离线研究，为粮虫的快速检测和分类开辟了新途径。视觉检测法具有准确度高、劳动量小、粮虫图像可视化、不局限于粮库的分散性和地域的限制、便于同粮库现有软件系统集成等优点，近年来一直是粮虫检测领域的研究热点，也是粮虫检测的主要技术手段。

[0003] 准确识别是粮虫准确检测的核心内容。粮虫种类多、体形小且形态结构较复杂使得实现粮虫检测成为最困难的经典问题。学者们针对粮虫视觉检测方法围绕特征获取、粮虫识别(粮虫分类)和虫群密度估计等领域开展了大量而深入的研究并取得若干富有成效的结果。例如廉飞宇等分别利用图像色彩块、HVS彩色图像差值技术和运动目标检测实现粮虫视频图像序列的静态粮虫图像分割提取。又如徐昉等提出基于图像识别的粮虫在线检测新方法,将机器视觉与模式识别技术相结合实现粮虫检测，利用安装有CCD镜头和称重等传感器的特殊取样装置抽取粮食样本并实现粮虫检测。再如张红梅等也对BP神经网络进行改进并应用于粮虫识别，既有较强的自适应性还对有噪声、残缺的粮虫图像有一定的识别效果。

[0004] 近年来粮虫视觉检测虽取得一些进展，但急切需要一种高效便捷的计算机测虫方法，旨在利用开发工具和图像处理算法的优点，来实现对粮虫的高效准确的检测。

发明内容

[0005] 本发明目的在于提供一种高效准确的多策略粮虫视觉检测方法。

[0006] 为实现上述目的，本发明采取下述技术方案：

[0007] 本发明所述的多策略粮虫视觉检测方法，包括下述步骤；

[0008] 第一步、通过取样器将藏在粮堆内部的活体粮虫分拣出来，然后通过视觉设备将所述活体粮虫拍摄以获取所述粮虫图像；

[0009] 第二步、对所述粮虫图像进行奇异值分解得到图像数据矩阵 ,其中U和V分别是 和 的正交矩阵， 为 的元素为非负的对角矩阵， 为V的转置；将值全置为0形成新的 ，然后与 和 重建图像数据矩阵 ；最后通过对图像数据矩阵求差，以增强图像中的粮虫信息；

[0010] 第三步、采用symN小波基对所述粮虫图像进行2层小波分解和重构；根据小波分解子带分解系数相关性的特性，对大于阈值 的高频系数倍乘4，低频系数缩小为原值的 ；即：

[0011]

[0012] 其中， 为新低频子带系数； 为新水平高频子带系数； 为新垂直高频子带系数； 为对角线方向上的新高频子带系数； 为原始低频子带系数； 为原始水平高频子带系数； 为原始垂直高频子带系数； 为对角线方向上的原始高频子带系数；

[0013] 对于 图像来说，其离散二维小波多尺度分解算法如下：设原始图像为 ，dwt2 为二维离散小波变换；小波分解为：

[0014]

[0015] 其中， 为原始低频子带系数； 为原始水平高频子带系数； 为原始垂直高频子带系数； 为对角线方向上的原始高频子带系数；为待分解粮虫图像；

[0016] 其离散二维小波多尺度重建算法如下：

[0017]

[0018] 其中， 为新低频子带系数； 为新水平高频子带系数； 为新垂直高频子带系数； 为对角线方向上的新高频子带系数；为重构粮虫图像；

[0019] 将新细节部分高频子带系数 和新的低频子带系数 根据上式进行重构得到需要的高分辨率图像；

[0020] 第四步、采用Otsu方法对粮虫图像进行二值化；对于一幅粮虫图像 ，通过图像的总平均灰度级 ，目标 的平均灰度级 与背景 的平均灰度级 以及其分别所占图像面积的比例 ，依照类间方差 实现目标和背景分割，完成图像二值化的差别；

[0021] 第五步、由于粮虫属于弱小目标，粮虫图像二值化后易使粮虫区域更弱化甚至本来完整的粮虫断裂为两部分，必须借助膨胀算法扩大或桥接断裂的粮虫图像区域缝隙；为抑制复合干扰源下凸显粮虫目标来提高粮虫视觉检测效果，构造 结构元素，同时使用水平方向和垂直方向的线性结构元素对二值图像膨胀运算，实现粮虫目标增强进而提高粮虫检测识别率；第六步、基于Blob 算法对二值化后的粮虫图像进行Blob 连通域分析，从而达到粮虫检测目的；Blob算法实现如下：

[0022] (1)采用面积参数 度量目标区域大小；对于斑块区域 ， 定义为该区域中像素点的数目，即：

[0023] ,

[0024] 式中： 为像素坐标值， 为该点的像素值， 黑点为0，白点为1；

[0025] (2) 采用周长参数 度量目标区域特征；对于斑块区域 ， 定义为斑块区域边界上像素点的个数；即：

[0026] ,

[0027] 式中： 为像素坐标值， 为该点的像素值( 黑点为0，白点为1)。

[0028] 本发明解决了传统人工储粮活虫检测非常耗时且效率很低的问题，通过面积参数和周长参数 进行快速、准确、无损自动检测粮虫；同时解决了现有粮虫视觉检测方法无法克服粮仓复合环境影响的问题，实现了既能准确检测粮虫数目又能精确标记粮虫位置目的。

附图说明

[0029] 图1是本发明的流程框图。

具体实施方式

[0030] 下面结合附图对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。

[0031] 如图1所示，本发明所述的多策略粮虫视觉检测方法，由采集粮虫图像、SVD增强（奇异值分解）、小波重构、二值化和Blob检测步骤组成；首先SVD能自适应调整噪声方差减少光谱反射和阴影的影响从而达到显著增强粮虫信息；然后引入小波变换对粮虫图像进行增强，勾勒出粮虫的大致轮廓以呈现粮虫的细节部分；其次利用OTSU法对粮虫图像进行二值化处理提取粮虫弱小目标进而提高粮虫检测准确度；最后通过Blob算法快速准确提取出粮虫图像中存在的连通区域并据此计算粮连通域的面积参数与周长参数，最终实现粮虫目标区域定位与数量检测。具体步骤如下：

[0032] 第一步、通过取样器将藏在粮堆内部的活体粮虫分拣出来，然后通过视觉设备将所述活体粮虫拍摄以获取所述粮虫图像，粮虫图像分辨率设定为640×853；

[0033] 第二步、SVD增强

[0034] 粮虫图像预处理既是粮虫视觉检测系统的首要步骤也是难点之一；在粮虫图像采集过程中，由于孤立点、光照不均匀等因素造成图像质量不高。有必要通过图像增强来提取感兴趣的信息。奇异值分解是最有效分析矩阵的数值分析工具，是一种将矩阵对角化的数值分析方法。对于任意一个 的矩阵 ，都可分解成3个矩阵之积：

[0035] ，

[0036] 其中 和 分别为 和 的酉矩阵，即 ； 为元素为非负的对角矩阵，其对角线上的元素满足： ，其中 为非零对角
元的个数，即矩阵 的秩，它等于非负奇异值的个数。 就叫做矩阵 的奇异值，是 特征值的平方根。

[0037] 数字图像数据本质是图像坐标及灰度值的离散化，即数字图像数据矩阵；对其数据矩阵进行奇异值分解，奇异值向量构成的 矩阵保留了其代数本质；矩阵的奇异值特征向具有稳定性，它能确保奇异值对矩阵元素的扰动不敏感；此外奇异值对应于图像的亮度特征，表征了图像的几何特征，奇异值所表现的是图像的内蕴特性而非视觉特性；另一方面针对粮虫图像存在大量弱纹理和纹理相似区域的特点，反映了图像矩阵元素之间的关系。可滤除高频图像噪声，去除了噪声的影响，保证了特征抽取的稳定性，SVD能显著增强图像中的纹理信息；因此，可将奇异值向量作为图像增强的代数特征。

[0038] 本发明将 值全置为0形成新的 ，然后与 和 重建图像矩阵 ；最后通过对图像矩阵 求差，这样能省去繁琐数学变换而自适应调整噪声方差来显著增强图像中的粮虫信息。

[0039] 第三步、小波重构

[0040] 小波变换能同时处理信号的低频长时特性和高频短时特性，即低频处具有较高频率分辨率和较低时间分辨率，相反高频处具有较高的时间分辨率和较低的频率分辨率。因此粮虫图像增强处理可依据频率子带的不同特征分别处理从而达到增强对比度和抑制噪声干扰的目的，非常适合于粮虫这类弱小目标检测。

[0041] 对于二维数字图像信号可先对图像做“逐行”一维小波分解，原始图像被分解为低通滤波与高通滤波，再做“逐列”一维小波变换分解为水平高频子带、竖直高频子带、对角线高频子带和低频带；即经过小波分解把一个图像分成了若干级，下级分解则针对上级低频子带进行更细的分解；如再分解，依此类推。

[0042] 考虑到symN小波基函数具有以下特点： 正交性有利于小波分解系数的精确重构；②紧支性越好则小波变换的计算复杂度降低，便于快速实现；③正则性直接决定对信号重构的平滑效果；④对称性好的小波函数在多尺度分解与重构中据有高保真度；⑤消失矩越大的小波基分解信号的能量越集中。因此本发明选用symN小波基对粮虫图像进行2层小波分解和重构；根据小波分解子带分解系数相关性的特性，对大于阈值 的高频系数倍乘4，低频系数缩小为原值的 ；即：

[0043]

[0044] 其中， 为新低频子带系数； 为新水平高频子带系数； 为新垂直高频子带系数； 为对角线方向上的新高频子带系数； 为原始低频子带系数； 为原始水平高频子带系数； 为原始垂直高频子带系数； 为对角线方向上的原始高频子带系数；对于 图像来说，其离散二维小波多尺度分解算法如下：

[0045] 设原始图像为 ，dwt2 为二维离散小波变换；小波分解为：

[0046]

[0047] 其中， 为新低频子带系数； 为水平高频子带系数； 为垂直高频子带系数；为对角线方向上的高频子带系数； 为待分解粮虫图像；

[0048] 其离散二维小波多尺度重建算法如下：

[0049]

[0050] 其中， 为新低频子带系数； 为新水平高频子带系数； 为新垂直高频子带系数； 为对角线方向上的新高频子带系数； 为重构粮虫图像。

[0051] 将新细节部分高频子带系数 、 、 、和新的低频子带系数 根据上式进行重构可得到的需要的高分辨率图像。这样有助于突出粮虫轮廓，弱化粮食颗粒细节，实现增强粮虫图像的目的。

[0052] 第四步、对粮虫图像进行二值化处理

[0053] 鉴于二值化算法的快捷性与方便性，本发明选用Otsu 方法对粮虫图像进行二值化处理；对于一幅粮虫图像 ，可通过图像的总平均灰度级 ，目标 的平均灰度级 与背景 的平均灰度级 以及其分别所占图像面积的比例 ；依照类间方差 最终实现目标和背景分割，完成图像二值化处理。

[0054] 第五步、

[0055] 由于粮虫属于弱小目标，粮虫图像二值化处理后易使粮虫区域更弱化甚至本来完整的粮虫断裂为两部分，这就给后续的粮虫图像进一步分析造成困扰（比如粮虫个数统计），必须借助膨胀算法扩大或桥接断裂的粮虫图像区域缝隙；为抑制复合干扰源下凸显粮虫目标来提高粮虫视觉检测效果，本发明构造 结构元素，同时使用水平方向和垂直方向的线性结构元素对二值图像膨胀运算，实现粮虫目标增强进而提高粮虫检测识别率。

[0056] 所述膨胀：其含义为二值图像 中使结构元素 击中  的所有点 的集合，膨胀运算 表示为：

[0057]

[0058] 这样可消除视觉传感器某些情况下会受残缺粮粒、草籽、粮食品质、光照条件和镜头成像状态等干扰源的影响。

[0059] 第六步、只有准确的粮虫检测，才能做到有目的的防治，把粮虫种群控制在经济损害水平以下。基于Blob 算法对二值化后的粮虫图像进行Blob 连通域分析，从而达到粮虫检测目的；Blob算法实现如下：

[0060] (1)采用面积参数 度量目标区域大小；对于斑块区域 ， 定义为该区域中像素点的数目，即：

[0061]

[0062] 式中： 为像素坐标值， 为该点的像素值， 黑点为0，白点为1；

[0063] (2) 采用周长参数 度量目标区域特征；对于斑块区域 ， 定义为斑块区域边界上像素点的个数；即：

[0064]

[0065] 式中： 为像素坐标值， 为该点的像素值( 黑点为0，白点为1)。