基于計算機視覺的昆蟲識別的研究

范曉瑩+羅元浩

摘要

如今，最大值提取法、平均值提取法、概率系數(shù)提取法和HLS亮度提取法是目前使用最廣泛的四種彩色圖像轉(zhuǎn)換為灰度圖像的方法。為了從實際圖像的復(fù)雜背景，中提取白色和黑色昆蟲，本文基于顏色通道，提出了一種新的將彩色圖像轉(zhuǎn)換為灰度圖像的彩色通道比較法，具體方法如下：（1）對于白色昆蟲，如果圖像同一個像素的紅（R）、綠（G）、藍（B）像素值，最高與最低值之間的差值大于20，則使像素點的灰度值等于紅（R）、綠（G）、藍（B）中最低灰度值的五分之一，否則使像素點的灰度值等于紅（R）、綠（G）、藍（B）中最高灰度值的五倍。（2）對于黑色昆蟲，如果圖像同一個像素的紅（R）、綠（G）、藍（B）像素值，最高與最低值之間的差值大于20，則使每個像素點的灰度值等于紅（R）、綠（G）、藍（B）中最高灰度值的五倍，否則使每個像素點的灰度值等于紅（R）、綠（G）、藍（B）中最低灰度值的五分之一。與現(xiàn)有的方法相相比，彩色通道比較法能更有效的將昆蟲從實際圖像的復(fù)雜背景中提取出來。

【關(guān)鍵詞】昆蟲提取 計算機視覺 圖像處理 灰度變換

1引言

計算機視覺技術(shù)是一種快速、有效的檢測昆蟲數(shù)量的方法。利用計算機視覺技術(shù)識別實際環(huán)境中的昆蟲，是一種非常重要的、具有挑戰(zhàn)性的工作。

一般來說，當(dāng)計算機視覺技術(shù)用于識別昆蟲時，需要將彩色圖像轉(zhuǎn)化為灰度圖像，而彩色圖像轉(zhuǎn)化為灰度圖像的質(zhì)量將顯著影響著昆蟲的圖像識別效果。如今，最大值提取法、平均值提取法、概率系數(shù)提取法和HLS亮度提取法是目前使用最廣泛的四種彩色圖像轉(zhuǎn)換為灰度圖像的方法。另外，除了使用將彩色圖像轉(zhuǎn)化為灰度圖像的方法，一些更復(fù)雜的數(shù)學(xué)模型也己被應(yīng)用到彩色圖像變換到灰度的，例如小波算法。

為了從實際圖像復(fù)雜背景中識別和提取白色和黑色昆蟲，本文提出了一種新的將彩色圖像轉(zhuǎn)化為灰度圖像的方法——彩色通道比較法。

本文將常用的四種彩色圖像轉(zhuǎn)換為灰度圖像的方法與新提出的彩色通道比較法進行比較，以表明新方法的優(yōu)勢。

2常用的提取方法簡介

三原色理論在計算機視覺技術(shù)中起著重要的作用，根據(jù)三原色理論表明，紅（R）、綠（G）、藍（B）這三個原色的混合將確定對象最終的顏色。

在概率系數(shù)提取方法中，灰度圖像中像素的亮度L是基于人眼對紅（R）、綠（G）、藍（B）三原色的識別系數(shù)計算的，L值可以表示為：

L=0.2989×R+0.5870×G+0.1144×B（3）

在HLS亮度提取法中，灰度圖像中像素的亮度L是基于視覺感知模型得出的，L值可以表示為：

3彩色通道比較法的提出

根據(jù)三色理論，當(dāng)紅（R）、綠（G）、藍（B）有相同的亮度，他們混合將得到的灰度圖像。在一個灰度圖像中，純白色像素具有最高的亮度，而純黑色的像素具有最低的亮度。一般來說，灰度圖像的亮度值介于白色圖像和黑色圖像之間。

現(xiàn)實生活中，許多昆蟲是白色或黑色的，而灰度圖像（包括白色和黑色的圖像）的R，

G和B值是相等的，因此，根據(jù)白色和黑色物體三原色分析，本文提出一種白色或黑色昆蟲的提取方法，被稱為彩色通道比較法，彩色通道比較法描述如下。

對于白色的昆蟲，如果同一個像素中的紅（R）、綠（G）、藍（B）像素值的最高和最低值之間的差異大于20，則使像素點的灰度值等于紅（R）、綠（G）、藍（B）中最低灰度值的五分之一，否則使像素點的灰度值等于紅（R）、綠（G）、藍（B）中最高灰度值的五倍，公式表示為：

對于黑色昆蟲，如果圖像同一個像素的紅（R）、綠（G）、藍（B）像素值，最高與最低值之間的差值大于20，則使每個像素點的灰度值等于紅（R）、綠（G）、藍（B）中最高灰度值的五倍，否則使每個像素點的灰度值等于紅（R）、綠（G）、藍（B）中最低灰度值的五分之一，公式表示為：

眾所周知，人類的眼睛對亮度的識別范圍是10-20，而且，在彩色和灰度圖像的多閾值模型中，最低閾值也是20。因此，經(jīng)過研究，在公式（5）和公式（6）中使用的判斷閾值標(biāo)準(zhǔn)定為20。白色和黑色昆蟲的圖像通過公式（5）和公式（6）的計算，能從灰度圖像中的相對突出，能更有效地識別和提取的實際復(fù)雜背景中的昆蟲圖像。

4結(jié)果的驗證與分析

下面，本文將使用實際生活中的昆蟲圖像，通過4個現(xiàn)有的圖像識別提取方法和彩色通道比較法，將彩色圖片轉(zhuǎn)化為灰度圖像，從而展示白色和黑色的昆蟲的轉(zhuǎn)換效果。具體方法為：

首先，將實際的彩色圖片使用上述方法轉(zhuǎn)化為灰度圖像。然后，使用Otsu算法將灰度圖像轉(zhuǎn)化為二進制圖像。最后，通過處理的效果進行了比較，測試的彩色通道比較法的優(yōu)勢。

圖1是昆蟲黃刺蛾繭的圖片，黃刺蛾繭的顏色是近似白色，是一個典型的白色昆蟲圖片。

圖2（a-d）是通過4種常用灰度圖像轉(zhuǎn)換方法，即公式（1-4）進行轉(zhuǎn)換，再使用Otsu算法將灰度圖像轉(zhuǎn)化二進制圖像后得到的圖像提取效果。

圖3是通過彩色通道比較法進行灰度圖像轉(zhuǎn)換方法，即公式（5）進行轉(zhuǎn)換，再使用Otsu算法將灰度圖像轉(zhuǎn)化二進制圖像后得到的圖像提取效果。

通過圖2與圖3的效果比較能夠看出，當(dāng)彩色圖像轉(zhuǎn)換為灰度圖像時，本文提出的彩色通道的比較法與常用的4中灰度圖像識別方法相比，能夠更有效的從實際圖像復(fù)雜背景中識別和提取的昆蟲。

它的結(jié)論是彩色通道的比較法更有效地識別和提取的昆蟲昆蟲從實際的背景圖像相對于四個現(xiàn)有的提取方法時，彩色圖像被變換成灰色。

根據(jù)公式（5），因為白色昆蟲黃刺蛾繭的R，G和B的值幾乎是相同的，即Max（R，G，B）-Min（R，G，B）<20白色，因此昆蟲黃刺蛾繭的亮度L等于5×Max（R，G，B）。而因為背景主要是綠色、棕色或淡灰色，即Max（R，G，B）-Min（R，G，B）>20，所以圖像背景亮度L等于Min（R，G，B）/5。轉(zhuǎn)換結(jié)果顯示為白色昆蟲黃刺蛾繭圖像和干凈的黑色背景，黃刺蛾繭被很好的識別提取出來。endprint

圖4是一張紅色條紋天牛的典型圖像，紅色條紋天牛是接近黑色昆蟲。

圖5（a-d）顯示的是將圖4通過4種常用灰度圖像轉(zhuǎn)換方法，即公式（1-4）進行轉(zhuǎn)換，再使用Otsu算法將灰度圖像轉(zhuǎn)化二進制圖像后得到的圖像提取效果。

圖6是通過彩色通道比較法進行灰度圖像轉(zhuǎn)換方法，即公式（6）進行轉(zhuǎn)換，再使用Otsu算法將灰度圖像轉(zhuǎn)化二進制圖像后得到的圖像提取效果。

從圖6與圖5的效果比較能夠看出，當(dāng)彩色圖像轉(zhuǎn)換為灰度圖像時，與常用的4中灰度圖像識別方法相比，本文提出的彩色通道的比較法能夠更有效的從實際圖像復(fù)雜背景中識別和提取的昆蟲。根據(jù)公式（6），因為黑色昆蟲的R，G和B的值基本相同，即Max（R，G，B）-Min（R，G，B）<20白色，因此昆蟲黃刺蛾繭的亮度L等于Min（R，G，B）/5。而因為圖像背景主要是綠色、棕色和淡灰色，即Max（R，G，B）-Min（R，G，B）>20，所以圖像背景亮度L等于5×Max（R，G，B）。轉(zhuǎn)換結(jié)果顯示為黑色昆蟲圖像和比較干凈的白色背景，黑色昆蟲被很好的識別提取出來。

5總結(jié)

為了從實際的圖像背景中識別和提取的白色和黑色的昆蟲，本文提出了將彩色圖像轉(zhuǎn)換成灰度圖像的彩色通道比較法。彩色通道比較法提高了昆蟲和背景之間的對比度，并與現(xiàn)有的四種常用的灰度圖像轉(zhuǎn)換方法相比，本文提出的彩色通道比較法能更有效地從實際的背景中識別和提取了白色和黑色的昆蟲。

參考文獻

[1]李貞培，李平，郭新宇，陳樹敏.三種基于GDI+的圖像灰度化實現(xiàn)方法[J].計算機技術(shù)與發(fā)展，2009.

[2]劉慶祥，蔣天發(fā).彩色與灰度圖像間轉(zhuǎn)換算法的研究[D].武漢理工大學(xué)學(xué)（交通科學(xué)與工程版），2003（03）：344-346.

[3] R.L.de Queiroz，K.Braun， “Color to gray and back：Color embedding into textured gray images，” IEEE Trans. Image Process， 2006 （06）： 1464-1470.

[4] H. Takahiko， N. Fuminori， T. Shoji，“Accurate reversible color-to-gray mapping algorithm without distortion conditions，” Pattern Recognition Letters， 2010 （31）： 2405-2414.

[5] N. Papamarkos，C.Strouthopoulos， I. Andreadi s，uMult i thresholding of color and gray-level images through a neural network technique，”Image and Vision Computing， 2000 （18）： 213-222.

[6] N. Otsu， “A threshold selection method from gray-level histograms，” IEEE Trans. on Sys tem，Man and Cybernetics， 1979 （01）： 62-69.endprint