蘇庭奕+廉飛宇+王珂+孫彪瑞+張元

摘要：在工程應用的背景下，為了提高儲糧害蟲的識別率并節(jié)約分類時間，該文研究了以形態(tài)特征為基礎的以Hu矩和Zernike矩為具體分類依據(jù)的儲糧害蟲分類方法，以常見的9種糧蟲為對象，通過主成分分析特征壓縮和支持向量機分類器完成此次實驗，最后的實驗結果表明Hu矩和Zernike矩相結合提取的不變矩特征使整個實驗得到較高的成功率。

關鍵詞：儲糧害蟲分類；Hu矩；Zernike矩

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2014）34-8279-02

我國是世界上最大的糧食生產(chǎn)、儲藏及消費大國，搞好糧食儲藏是關系到國計民生的大事。《糧食行業(yè)“十二五”發(fā)展規(guī)劃綱要》明確提出要增強糧食科技創(chuàng)新能力，實現(xiàn)對糧食霉菌、害蟲等的實時檢測。

儲糧害蟲的識別是糧食安全儲藏的基礎，利用圖像識別的方法檢測儲糧害蟲，具有準確度高、價格低廉、效率高、無污染、勞動量小、便于和糧庫現(xiàn)有的計算機糧情檢測系統(tǒng)相連接等優(yōu)點，有助于糧庫管理人員進行科學的決策以及時采取合理的防治措施，達到糧食保質、保量、保鮮的目的。該識別方法一般經(jīng)過圖像信息的預處理、特征的提取與優(yōu)化及圖像的識別和分類三大步驟。

本文應用了特定的實驗設備且結合工程應用的實際對害蟲的分類識別進行研究，由于糧蟲為小目標運動著的對象，且多為棕褐色，顏色差異不大，因此本文采用Hu的七個不變距和Zernike矩[1]，結合6維的形態(tài)學特征，運用主成分分析進行降維，采用SVM對儲糧害蟲進行分類，成功率達到92%以上。

1 圖像采集

本次實驗背景為糧蟲誘捕器先連接通道選擇器，再與糧倉害蟲倉外采集器連接，通過采集器中的CCD圖像傳感器直接對采集到的糧蟲進行圖像采集，采集到的圖像具有像素不高、背景干凈等特點，其中通道選擇器中含有48個通道，即一次傳輸可以得到48張的糧蟲圖片。

2 圖像預處理

對原始圖像進行預處理[2]，是為了在儲糧害蟲的檢測中更好的提取糧蟲目標特征，對圖像經(jīng)過去噪、增強和分割等改善圖像數(shù)據(jù)，為糧蟲特征的提取做前續(xù)的一系列工作。

3 形狀特征的提取

3.1 形態(tài)學特征及Hu矩特征提取

在數(shù)字圖像的識別過程中，特征的形成即是對糧蟲圖像像素的灰度值經(jīng)過統(tǒng)計和計算來產(chǎn)生的一組原始數(shù)據(jù)特征，該文應用到的形態(tài)學特征主要有面積、周長、歐拉數(shù)、方差、均值、偏心率以及Hu的七個不變矩[3]。

Hu不變矩不受平移、旋轉以及大小比例改變的影響。但由于計算出的不變矩通常都處在很大的動態(tài)范圍內，我們所感興趣的只是矩的不變性，因此可對不變矩的計算結果先取絕對值再用對數(shù)變換壓縮其動態(tài)范圍后再取絕對值，以避免出現(xiàn)負的結果，便于直觀的觀察到矩的變化。

以圖1擬谷盜的圖像為例，分別計算出5組在原始、旋轉、大小比例改變情況下的不變矩，如表1所示：

3.2 Zernike矩特征提取

4 特征壓縮

主成分分析PCA（ Principal Component Analysis）[5]是一種常用的基于變量協(xié)方差矩陣對信息進行處理、壓縮和抽取的有效方法。它可以將多個變量通過線性變換以選出較少的重要變量并盡可能多的反映原來變量所反映出的信息，同時去除數(shù)據(jù)的噪聲和冗余，從而將原來復雜的數(shù)據(jù)進行降維。

本文主要利用PCA對23維（6維形態(tài)學特征+7個Hu不變矩+10維的Zernike矩）特征向量進行降維、優(yōu)化處理，為下一步的識別分類做好準備，

5 SVM識別分類

首先，通過求解一個凸規(guī)劃問題并尋找其最優(yōu)解，由此計算出閾值，從而定義出最優(yōu)線性超平面。然后通過非線性映射把非線性空間的樣本點映射到了一個線性可分的特征空間，在該空間中可以實現(xiàn)對非線性樣本點的分類，從而把線性不可分問題轉化成了特定空間的線性可分問題。

6 實驗結果和分析

結合工程應用，在包含有谷蠹、米象、擬谷盜、綠豆象、大谷盜、黑菌蟲、鋸谷盜、扁谷盜和長頭谷盜這九種常見糧蟲的模擬糧倉中，對五組（240）圖像進行樣本訓練，四種實驗方案及結果為：

方案一：僅采用6維形態(tài)學特征+6個Hu不變矩，消耗時間78.6342秒，分類成功率62.03%；

方案二：6維形態(tài)學特征+10維Zernike矩，消耗時間89.735秒，成功率85.74%；

方案三：6維形態(tài)學特征+6個Hu不變矩+10維Zernike矩，消耗時間98.0326秒，成功率91.57%；

方案四：經(jīng)主成分分析處理后得到的前四個主成分分量，消耗時間69.5904秒，成功率92.62%。

綜上，方案一用時較短，但分類成功率最低；方案四相較于方案三來說用時大大降低，說明利用PCA進行特征壓縮后，分類用時大幅度減少；方案二較方案一來說分類成功率增長20%以上，說明Zernke矩在形態(tài)特征提取方面優(yōu)于Hu矩；方案三分類成功率較高在90%以上，但相較于方案四來說用時較長且成功率比后者低。綜上可知，方案四無論是在所需時間還是分類成功率上都表現(xiàn)出很大的優(yōu)勢。

7 結束語

本文在特定的工程背景下研究了基于Hu矩和Zernike矩的形態(tài)特征分類方法，提取9種常見儲糧害蟲的特征向量，經(jīng)PCA進行特征壓縮后獲得主分量，結合 SVM實現(xiàn)了糧蟲的分類。實驗結果表明，Zernike矩由于可以任意構造高階矩，較Hu矩在對目標識別分類方面有更大優(yōu)越性。另外，抽取裝置導致糧蟲的殘缺以及糧蟲的避光性等復雜因素，會影響分類的結果，這也是下一步需要解決的問題。

參考文獻：

[1] 商立群，杜亞娟.Hu矩和Zernike矩在圖像識別中的應用[J].西安科技學院學報，2000，20（1）：53-56.

[2] 岡薩雷斯.數(shù)字圖像處理[M].阮秋琦，譯.2版.北京：電子工業(yè)出版社，2003.

[3] 黃泉龍.基于PCA的人臉識別研究[D]. 西安：西安電子科技大學，2012.endprint

摘要：在工程應用的背景下，為了提高儲糧害蟲的識別率并節(jié)約分類時間，該文研究了以形態(tài)特征為基礎的以Hu矩和Zernike矩為具體分類依據(jù)的儲糧害蟲分類方法，以常見的9種糧蟲為對象，通過主成分分析特征壓縮和支持向量機分類器完成此次實驗，最后的實驗結果表明Hu矩和Zernike矩相結合提取的不變矩特征使整個實驗得到較高的成功率。

關鍵詞：儲糧害蟲分類；Hu矩；Zernike矩

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2014）34-8279-02

我國是世界上最大的糧食生產(chǎn)、儲藏及消費大國，搞好糧食儲藏是關系到國計民生的大事?！都Z食行業(yè)“十二五”發(fā)展規(guī)劃綱要》明確提出要增強糧食科技創(chuàng)新能力，實現(xiàn)對糧食霉菌、害蟲等的實時檢測。

儲糧害蟲的識別是糧食安全儲藏的基礎，利用圖像識別的方法檢測儲糧害蟲，具有準確度高、價格低廉、效率高、無污染、勞動量小、便于和糧庫現(xiàn)有的計算機糧情檢測系統(tǒng)相連接等優(yōu)點，有助于糧庫管理人員進行科學的決策以及時采取合理的防治措施，達到糧食保質、保量、保鮮的目的。該識別方法一般經(jīng)過圖像信息的預處理、特征的提取與優(yōu)化及圖像的識別和分類三大步驟。

本文應用了特定的實驗設備且結合工程應用的實際對害蟲的分類識別進行研究，由于糧蟲為小目標運動著的對象，且多為棕褐色，顏色差異不大，因此本文采用Hu的七個不變距和Zernike矩[1]，結合6維的形態(tài)學特征，運用主成分分析進行降維，采用SVM對儲糧害蟲進行分類，成功率達到92%以上。

1 圖像采集

本次實驗背景為糧蟲誘捕器先連接通道選擇器，再與糧倉害蟲倉外采集器連接，通過采集器中的CCD圖像傳感器直接對采集到的糧蟲進行圖像采集，采集到的圖像具有像素不高、背景干凈等特點，其中通道選擇器中含有48個通道，即一次傳輸可以得到48張的糧蟲圖片。

2 圖像預處理

對原始圖像進行預處理[2]，是為了在儲糧害蟲的檢測中更好的提取糧蟲目標特征，對圖像經(jīng)過去噪、增強和分割等改善圖像數(shù)據(jù)，為糧蟲特征的提取做前續(xù)的一系列工作。

3 形狀特征的提取

3.1 形態(tài)學特征及Hu矩特征提取

在數(shù)字圖像的識別過程中，特征的形成即是對糧蟲圖像像素的灰度值經(jīng)過統(tǒng)計和計算來產(chǎn)生的一組原始數(shù)據(jù)特征，該文應用到的形態(tài)學特征主要有面積、周長、歐拉數(shù)、方差、均值、偏心率以及Hu的七個不變矩[3]。

Hu不變矩不受平移、旋轉以及大小比例改變的影響。但由于計算出的不變矩通常都處在很大的動態(tài)范圍內，我們所感興趣的只是矩的不變性，因此可對不變矩的計算結果先取絕對值再用對數(shù)變換壓縮其動態(tài)范圍后再取絕對值，以避免出現(xiàn)負的結果，便于直觀的觀察到矩的變化。

以圖1擬谷盜的圖像為例，分別計算出5組在原始、旋轉、大小比例改變情況下的不變矩，如表1所示：

3.2 Zernike矩特征提取

4 特征壓縮

主成分分析PCA（ Principal Component Analysis）[5]是一種常用的基于變量協(xié)方差矩陣對信息進行處理、壓縮和抽取的有效方法。它可以將多個變量通過線性變換以選出較少的重要變量并盡可能多的反映原來變量所反映出的信息，同時去除數(shù)據(jù)的噪聲和冗余，從而將原來復雜的數(shù)據(jù)進行降維。

本文主要利用PCA對23維（6維形態(tài)學特征+7個Hu不變矩+10維的Zernike矩）特征向量進行降維、優(yōu)化處理，為下一步的識別分類做好準備，

5 SVM識別分類

首先，通過求解一個凸規(guī)劃問題并尋找其最優(yōu)解，由此計算出閾值，從而定義出最優(yōu)線性超平面。然后通過非線性映射把非線性空間的樣本點映射到了一個線性可分的特征空間，在該空間中可以實現(xiàn)對非線性樣本點的分類，從而把線性不可分問題轉化成了特定空間的線性可分問題。

6 實驗結果和分析

結合工程應用，在包含有谷蠹、米象、擬谷盜、綠豆象、大谷盜、黑菌蟲、鋸谷盜、扁谷盜和長頭谷盜這九種常見糧蟲的模擬糧倉中，對五組（240）圖像進行樣本訓練，四種實驗方案及結果為：

方案一：僅采用6維形態(tài)學特征+6個Hu不變矩，消耗時間78.6342秒，分類成功率62.03%；

方案二：6維形態(tài)學特征+10維Zernike矩，消耗時間89.735秒，成功率85.74%；

方案三：6維形態(tài)學特征+6個Hu不變矩+10維Zernike矩，消耗時間98.0326秒，成功率91.57%；

方案四：經(jīng)主成分分析處理后得到的前四個主成分分量，消耗時間69.5904秒，成功率92.62%。

綜上，方案一用時較短，但分類成功率最低；方案四相較于方案三來說用時大大降低，說明利用PCA進行特征壓縮后，分類用時大幅度減少；方案二較方案一來說分類成功率增長20%以上，說明Zernke矩在形態(tài)特征提取方面優(yōu)于Hu矩；方案三分類成功率較高在90%以上，但相較于方案四來說用時較長且成功率比后者低。綜上可知，方案四無論是在所需時間還是分類成功率上都表現(xiàn)出很大的優(yōu)勢。

7 結束語

本文在特定的工程背景下研究了基于Hu矩和Zernike矩的形態(tài)特征分類方法，提取9種常見儲糧害蟲的特征向量，經(jīng)PCA進行特征壓縮后獲得主分量，結合 SVM實現(xiàn)了糧蟲的分類。實驗結果表明，Zernike矩由于可以任意構造高階矩，較Hu矩在對目標識別分類方面有更大優(yōu)越性。另外，抽取裝置導致糧蟲的殘缺以及糧蟲的避光性等復雜因素，會影響分類的結果，這也是下一步需要解決的問題。

參考文獻：

[1] 商立群，杜亞娟.Hu矩和Zernike矩在圖像識別中的應用[J].西安科技學院學報，2000，20（1）：53-56.

[2] 岡薩雷斯.數(shù)字圖像處理[M].阮秋琦，譯.2版.北京：電子工業(yè)出版社，2003.

[3] 黃泉龍.基于PCA的人臉識別研究[D]. 西安：西安電子科技大學，2012.endprint

摘要：在工程應用的背景下，為了提高儲糧害蟲的識別率并節(jié)約分類時間，該文研究了以形態(tài)特征為基礎的以Hu矩和Zernike矩為具體分類依據(jù)的儲糧害蟲分類方法，以常見的9種糧蟲為對象，通過主成分分析特征壓縮和支持向量機分類器完成此次實驗，最后的實驗結果表明Hu矩和Zernike矩相結合提取的不變矩特征使整個實驗得到較高的成功率。

關鍵詞：儲糧害蟲分類；Hu矩；Zernike矩

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2014）34-8279-02

我國是世界上最大的糧食生產(chǎn)、儲藏及消費大國，搞好糧食儲藏是關系到國計民生的大事。《糧食行業(yè)“十二五”發(fā)展規(guī)劃綱要》明確提出要增強糧食科技創(chuàng)新能力，實現(xiàn)對糧食霉菌、害蟲等的實時檢測。

儲糧害蟲的識別是糧食安全儲藏的基礎，利用圖像識別的方法檢測儲糧害蟲，具有準確度高、價格低廉、效率高、無污染、勞動量小、便于和糧庫現(xiàn)有的計算機糧情檢測系統(tǒng)相連接等優(yōu)點，有助于糧庫管理人員進行科學的決策以及時采取合理的防治措施，達到糧食保質、保量、保鮮的目的。該識別方法一般經(jīng)過圖像信息的預處理、特征的提取與優(yōu)化及圖像的識別和分類三大步驟。

本文應用了特定的實驗設備且結合工程應用的實際對害蟲的分類識別進行研究，由于糧蟲為小目標運動著的對象，且多為棕褐色，顏色差異不大，因此本文采用Hu的七個不變距和Zernike矩[1]，結合6維的形態(tài)學特征，運用主成分分析進行降維，采用SVM對儲糧害蟲進行分類，成功率達到92%以上。

1 圖像采集

本次實驗背景為糧蟲誘捕器先連接通道選擇器，再與糧倉害蟲倉外采集器連接，通過采集器中的CCD圖像傳感器直接對采集到的糧蟲進行圖像采集，采集到的圖像具有像素不高、背景干凈等特點，其中通道選擇器中含有48個通道，即一次傳輸可以得到48張的糧蟲圖片。

2 圖像預處理

對原始圖像進行預處理[2]，是為了在儲糧害蟲的檢測中更好的提取糧蟲目標特征，對圖像經(jīng)過去噪、增強和分割等改善圖像數(shù)據(jù)，為糧蟲特征的提取做前續(xù)的一系列工作。

3 形狀特征的提取

3.1 形態(tài)學特征及Hu矩特征提取

在數(shù)字圖像的識別過程中，特征的形成即是對糧蟲圖像像素的灰度值經(jīng)過統(tǒng)計和計算來產(chǎn)生的一組原始數(shù)據(jù)特征，該文應用到的形態(tài)學特征主要有面積、周長、歐拉數(shù)、方差、均值、偏心率以及Hu的七個不變矩[3]。

Hu不變矩不受平移、旋轉以及大小比例改變的影響。但由于計算出的不變矩通常都處在很大的動態(tài)范圍內，我們所感興趣的只是矩的不變性，因此可對不變矩的計算結果先取絕對值再用對數(shù)變換壓縮其動態(tài)范圍后再取絕對值，以避免出現(xiàn)負的結果，便于直觀的觀察到矩的變化。

以圖1擬谷盜的圖像為例，分別計算出5組在原始、旋轉、大小比例改變情況下的不變矩，如表1所示：

3.2 Zernike矩特征提取

4 特征壓縮

主成分分析PCA（ Principal Component Analysis）[5]是一種常用的基于變量協(xié)方差矩陣對信息進行處理、壓縮和抽取的有效方法。它可以將多個變量通過線性變換以選出較少的重要變量并盡可能多的反映原來變量所反映出的信息，同時去除數(shù)據(jù)的噪聲和冗余，從而將原來復雜的數(shù)據(jù)進行降維。

本文主要利用PCA對23維（6維形態(tài)學特征+7個Hu不變矩+10維的Zernike矩）特征向量進行降維、優(yōu)化處理，為下一步的識別分類做好準備，

5 SVM識別分類

首先，通過求解一個凸規(guī)劃問題并尋找其最優(yōu)解，由此計算出閾值，從而定義出最優(yōu)線性超平面。然后通過非線性映射把非線性空間的樣本點映射到了一個線性可分的特征空間，在該空間中可以實現(xiàn)對非線性樣本點的分類，從而把線性不可分問題轉化成了特定空間的線性可分問題。

6 實驗結果和分析

結合工程應用，在包含有谷蠹、米象、擬谷盜、綠豆象、大谷盜、黑菌蟲、鋸谷盜、扁谷盜和長頭谷盜這九種常見糧蟲的模擬糧倉中，對五組（240）圖像進行樣本訓練，四種實驗方案及結果為：

方案一：僅采用6維形態(tài)學特征+6個Hu不變矩，消耗時間78.6342秒，分類成功率62.03%；

方案二：6維形態(tài)學特征+10維Zernike矩，消耗時間89.735秒，成功率85.74%；

方案三：6維形態(tài)學特征+6個Hu不變矩+10維Zernike矩，消耗時間98.0326秒，成功率91.57%；

方案四：經(jīng)主成分分析處理后得到的前四個主成分分量，消耗時間69.5904秒，成功率92.62%。

綜上，方案一用時較短，但分類成功率最低；方案四相較于方案三來說用時大大降低，說明利用PCA進行特征壓縮后，分類用時大幅度減少；方案二較方案一來說分類成功率增長20%以上，說明Zernke矩在形態(tài)特征提取方面優(yōu)于Hu矩；方案三分類成功率較高在90%以上，但相較于方案四來說用時較長且成功率比后者低。綜上可知，方案四無論是在所需時間還是分類成功率上都表現(xiàn)出很大的優(yōu)勢。

7 結束語

本文在特定的工程背景下研究了基于Hu矩和Zernike矩的形態(tài)特征分類方法，提取9種常見儲糧害蟲的特征向量，經(jīng)PCA進行特征壓縮后獲得主分量，結合 SVM實現(xiàn)了糧蟲的分類。實驗結果表明，Zernike矩由于可以任意構造高階矩，較Hu矩在對目標識別分類方面有更大優(yōu)越性。另外，抽取裝置導致糧蟲的殘缺以及糧蟲的避光性等復雜因素，會影響分類的結果，這也是下一步需要解決的問題。

參考文獻：

[1] 商立群，杜亞娟.Hu矩和Zernike矩在圖像識別中的應用[J].西安科技學院學報，2000，20（1）：53-56.

[2] 岡薩雷斯.數(shù)字圖像處理[M].阮秋琦，譯.2版.北京：電子工業(yè)出版社，2003.

[3] 黃泉龍.基于PCA的人臉識別研究[D]. 西安：西安電子科技大學，2012.endprint