基于K-means聚類和橢圓擬合方法的白粉虱計數(shù)算法.pdf

第 30 卷 第 1 期 農(nóng) 業(yè) 工 程 學(xué) 報 Vol 30 No 1 2014 年 1月 Transactions of the Chinese Society of Agricultural Engineering Jan 2014 105 基于 K means 聚類和橢圓擬合方法的白粉虱計數(shù)算法 王志彬 1 2 王開義 1 2 張水發(fā) 1 2 劉忠強 1 2 穆翠霞 3 1 北京農(nóng)業(yè)信息技術(shù)研究中心 北京 100097 2 國家農(nóng)業(yè)信息化工程技術(shù)研究中心 北京 100097 3 中華女子學(xué)院計算機系 北京 100101 摘 要 為了能夠?qū)οx的準確計數(shù) 該文以白粉虱為例 提出了一種基于 K means 聚類和橢圓擬合方法的白粉 虱計數(shù)算法 該方法首先利用 K means 聚類算法對白粉虱圖像進行分割 使白粉虱從背景圖像中分離 然后利用 基于最小二乘法的橢圓擬合方法對分割結(jié)果進行橢圓擬合 統(tǒng)計橢圓的個數(shù) 提取橢圓中心點的顏色特征值 將 其作為新的分類中心 重新對白粉虱圖像進行分割和橢圓個數(shù)的統(tǒng)計 最后將算法收斂時的橢圓個數(shù)作為當(dāng)前白 粉虱的個數(shù) 對辣椒 黃瓜 番茄和茄子 4 種作物葉片上附著的白粉虱進行了計數(shù)試驗 該算法在這 4 種作物上 的平均計數(shù)錯誤率依次為 2 80 8 51 5 00 1 56 并且分別比閾值化方法和 K means 聚類方法的平均計 數(shù)錯誤率降低了 11 65 和 70 18 試驗結(jié)果表明 所提方法能夠?qū)崿F(xiàn)對不同作物上白粉虱的準確計數(shù) 且算法 具有很好的泛化性 該研究結(jié)果可為蟲害的檢測以及采取正確的防治措施提供重要依據(jù) 關(guān)鍵詞 機器視覺 蟲害控制 算法 自動計數(shù) K means 聚類 橢圓擬合 白粉虱 doi 10 3969 j issn 1002 6819 2014 01 014 中圖分類號 S652 文獻標志碼 A 文章編號 1002 6819 2014 01 0105 08 王志彬 王開義 張水發(fā) 等 基于 K means 聚類和橢圓擬合方法的白粉虱計數(shù)算法 J 農(nóng)業(yè)工程學(xué)報 2014 30 1 105 112 Wang Zhibin Wang Kaiyi Zhang Shuifa et al Whiteflies counting with K means clustering and ellipse fitting J Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2014 30 1 105 112 in Chinese with English abstract 0 引 言 蟲害是導(dǎo)致農(nóng)作物減產(chǎn)的一個重要因素 及時 地發(fā)現(xiàn)和控制蟲害 對確保農(nóng)作物的產(chǎn)量和質(zhì)量具 有十分重要的作用 1 2 其中 對作物葉片上害蟲的 準確計數(shù)是檢測蟲害信息以及采取正確防治措施 的一個重要依據(jù) 目前 常用的計數(shù)方法主要分為 人工計數(shù)法和基于機器視覺的計數(shù)方法 2 大類 3 5 基于機器視覺的計數(shù)方法主要利用圖像處理 模式識別等技術(shù)對農(nóng)作物蟲害圖像進行自動分析 有效地識別出害蟲的種類及數(shù)量 該方法具有速度 快 精度高 客觀性強等特點 克服了人工計數(shù)方 法中的勞動量大 效率低 計數(shù)結(jié)果不準確等缺點 成為了農(nóng)作物病蟲害防治領(lǐng)域的研究熱點 6 10 沈佐 銳等用了基于熵的分割算法對白粉虱圖像進行分 割 然后對分割后的二值圖像利用區(qū)域標記算法得 收稿日期 2013 07 30 修訂日期 2013 11 18 基金項目 農(nóng)業(yè)部公益性行業(yè)科研專項項目 201203026 作者簡介 王志彬 1983 男 博士 主要從事農(nóng)作物病蟲害方面 的研究 北京 北京農(nóng)業(yè)信息技術(shù)研究中心 100097 Email wangzb 通信作者 王開義 1974 男 博士 副研究員 主要從事農(nóng)產(chǎn) 品流通信息化方面的研究 北京 北京農(nóng)業(yè)信息技術(shù)研究中心 100097 Email wangky 到白粉虱的數(shù)量 11 翁桂榮則利用數(shù)學(xué)形態(tài)學(xué)及分水 嶺分割算法實現(xiàn)對飛行狀態(tài)的蝗蟲種群密度監(jiān)測 12 邱白晶等通過建立 G 分量閾值來區(qū)分黃瓜蚜蟲區(qū)域 和非蚜蟲區(qū)域 然后將圖像中連通域的個數(shù)標記為 蚜蟲的個數(shù) 13 Boissard 等利用認知視覺技術(shù)實現(xiàn)對 玫瑰葉片上白粉虱的計數(shù) 14 Bechar 等首先對蟲害 圖像進行 RGB 灰度的線性變換 然后對蟲害區(qū)域 進行建模 從而實現(xiàn)了對害蟲的識別與計數(shù) 15 Shariff 等則通過模糊邏輯數(shù)字圖像處理算法實現(xiàn)了 對稻田病蟲害圖像的識別和個數(shù)的統(tǒng)計 16 在上述方法中 主要采用了圖像分割技術(shù) 17 19 將目標圖像從背景圖像中分割出來 然后再進行個 數(shù)的統(tǒng)計 但是該技術(shù)主要存在以下問題 1 如何 確定圖像分割閾值 在圖像分割時往往采用固定閾 值或者固定參數(shù) 這使得算法在對蟲害圖像分割時 效果不理想 2 大多數(shù)計數(shù)算法主要針對一種作物 進行學(xué)習(xí)和試驗 當(dāng)算法應(yīng)用于其他作物時 算法 的移植性差 計數(shù)精度不高 因此 如何提高計數(shù) 算法的魯棒性和準確性 是基于機器視覺的計數(shù)方 法的一個重要研究方向 白粉虱 Trialeurodes vaporariorum Westwood 又稱小白蛾子 是溫室 大棚內(nèi)種植作物的主要蟲 害之一 11 該蟲以群集在作物葉背面吸取汁液 使 農(nóng)業(yè)工程學(xué)報 2014 年 106 受害葉片褪綠變黃 萎縮 甚至枯死 同時還能導(dǎo) 致煤污病的發(fā)生 嚴重影響了種植作物的產(chǎn)量和質(zhì) 量 本文以白粉虱為對象 提出了一種基于 K means 聚類和橢圓擬合方法的白粉虱計數(shù)算法 以期為實 現(xiàn)田間農(nóng)作物病蟲個數(shù)的在線計數(shù)提供新的技術(shù) 和方法 1 材料與方法 1 1 白粉虱圖像 在大田開放環(huán)境下 本文采集了北京市小湯山 國家精準農(nóng)業(yè)研究示范基地中的辣椒 黃瓜 番茄 和茄子 4 種作物葉片上附著的白粉虱 包括煙白粉 虱和溫室白粉虱 圖像 本文采用了人工手持數(shù)碼相機拍攝的方式進行 白粉虱圖像的采集 所用數(shù)碼相機為 SONYDSC W35 分辨率為 2 048 1 536 拍攝圖像時 相機設(shè)置為 自動調(diào)節(jié)焦距和光圈 自動白平衡 關(guān)閉閃光燈 采 取遮陰 避免陽光直接照射 和避開刮風(fēng) 降雨天氣 拍攝病蟲圖像 為獲取清晰的病蟲圖像 消除運動模 糊的干擾 拍攝時將植株固定 減少抖動 所采集的 部分白粉虱圖像如圖 1 所示 a 辣椒 a Pepper b 黃瓜 b Cucumber 圖 1 辣椒和黃瓜葉片上的白粉虱圖像 Fig 1 Images of pepper and cucumber leaves with whitefly 從圖 1 可以看出 所采集的白粉虱圖像具有以 下 2 個顯著特點 1 白粉虱大小不一 且存在嚴重 的粘連 白粉虱在不同生長期內(nèi) 其大小 顏色 形狀均存在一定程度上的差異 且白粉虱蟲體較小 粘連現(xiàn)象嚴重 2 采集的作物 時間以及地點不同 白粉虱的背景圖像不同 在農(nóng)田環(huán)境下 由于光照 條件 背景和葉片的不確定性 使得算法應(yīng)用背景 變得更加復(fù)雜 多變 上述白粉虱圖像的特點為準 確地分割 統(tǒng)計白粉虱的數(shù)量增加了難度 1 2 研究方法 1 2 1 K means 聚類算法 聚類是無監(jiān)督學(xué)習(xí)的一種重要形式 其主要任 務(wù)是將數(shù)據(jù)對象分為多個類或簇 同一簇內(nèi)的數(shù)據(jù) 對象相似度盡可能大 而不同簇間的數(shù)據(jù)對象相似 度盡可能小 20 其中 K means 聚類是解決聚類問 題的一種經(jīng)典算法 使用廣泛 21 23 該算法具體如 下 1 隨機從數(shù)據(jù)集中選取 K 個點作為初始聚類 中心 2 計算各數(shù)據(jù)到聚類中心的距離 把數(shù)據(jù) 歸到離它最近聚類中心所在的類 3 計算新形成 的每一個聚類數(shù)據(jù)的平均值 得到新的聚類中心 4 若相鄰 2 次的聚類中心沒有任何變化 說明樣 本調(diào)整結(jié)束 聚類準則函數(shù)已經(jīng)收斂 由于圖像分割可以看成聚類問題 即圖像中像 素點類別未知的前提下 根據(jù)像素點的特征值 將 圖像劃分為若干個區(qū)域 因此 本文利用 K means 聚類算法實現(xiàn)對白粉虱圖像的分割 即將其分為 2 大類 白粉虱和背景 1 2 2 基于最小二乘法的橢圓擬合 經(jīng)圖像分割后的白粉虱在外形上類似橢圓 因 此本文采用橢圓擬合的方法實現(xiàn)對其個數(shù)的統(tǒng)計 在笛卡爾坐標系下 任意位置上的一個橢圓可用 5 個參數(shù)來確定 由該參數(shù)確定的橢圓方程描述為 24 22 10Ax Bxy Cy Dx Ey 1 式中 各項的系數(shù) A B C D E 可采用最小二 乘法來進行擬合 即通過計算二值圖像中邊緣點到 理想擬合橢圓的距離平方和最小 25 按照最小二乘 法原理將式 1 轉(zhuǎn)換為如下目標函數(shù) 22 2 1 1 N iiii ii i FABCDE Ax Bx y Cy Dx Ey 2 式中 N 為二值圖像中邊緣點的總個數(shù) x i y i 為待擬合橢圓邊緣點的坐標 按照極值原理 若要使 F 值最小 則可通過對 各參數(shù)求偏導(dǎo)數(shù) 如式 3 所示 0 FFFFF ABCDE 3 由此 得到橢圓擬合的一個線性方程組 然后 第 1 期 王志彬等 基于 K means 聚類和橢圓擬合方法的白粉虱計數(shù)算法 107 對該方程組采用矩陣求逆或高斯列主元消去等方 法即可得到橢圓方程的 5 個參數(shù) A B C D E 根據(jù)上述橢圓參數(shù) 可求解出平面坐標系中橢 圓中心的位置 x c y c 長半軸 a 和短半軸 b 計 算公式如下 22 44 cc BE CD BD AE xy ACB ACB 4 22 2 2 F a AC AC B F 5 22 2 2 F b AC AC B F 6 根據(jù)式 4 式 5 式 6 即可實現(xiàn)對 橢圓的擬合 并根據(jù)橢圓長半軸和短半軸的大小篩 選出符合要求的橢圓 實現(xiàn)白粉虱個數(shù)的準確統(tǒng)計 1 2 3 白粉虱計數(shù)方法 本文將 K means 聚類算法與橢圓擬合方法進行 結(jié)合 提出了一種白粉虱計數(shù)方法 該方法首先采 用 K means 聚類算法對白粉虱圖像進行分割 然后 利用最小二乘法的橢圓擬合方法對分割結(jié)果進行 橢圓擬合 并對橢圓的個數(shù)進行統(tǒng)計 以此作為白 粉虱的個數(shù) 該算法具體如下 1 設(shè)定白粉虱顏 色特征值和背景圖像的顏色特征值為 2 個分類中 心 2 對待計數(shù)圖像分塊 利用中間塊圖像更新 白粉虱顏色特征值 3 計算各像素到 2 個分類中 心的距離 將像素歸到距離最小的那個聚類中心所 在的類 4 對圖像分割結(jié)果進行橢圓擬合 5 根 據(jù)橢圓的長 短半軸 對橢圓進行篩選和個數(shù)的統(tǒng) 計 6 若相鄰 2 次的橢圓個數(shù)沒有變化 則將橢 圓個數(shù)作為白粉虱的個數(shù)輸出 否則 更新分類中 心 重新分割和計數(shù) 與 K mean 聚類算法相比 本文所提出的白粉 虱計數(shù)算法主要做了以下 3 點改進 1 初始分類中心的選擇 初始分類中心的選擇對于實現(xiàn)白粉虱圖像的 準確分割具有十分重要的作用 若采用固定的分類 中心必然存在算法的適應(yīng)性問題 為此 本文采用 了圖像自學(xué)習(xí)的方法 利用待計數(shù)圖像進行初始分 類中心的學(xué)習(xí)與選擇 白粉虱圖像的分割可以看成是背景和白粉虱 的分類問題 由于白粉虱與背景圖像在顏色上存 在較大的差異 因此可以選擇顏色特征作為分類 的特征值 在背景顏色特征值計算方面 可以利 用圖像中的 R G B 各顏色分量的平均值作為背 景圖像的顏色特征或分類中心 由于白粉虱個體 小 在圖像中占的比例較低 對背景顏色特征的 計算影響較小 利用該方法求取背景的顏色特征 具有較高的穩(wěn)定性 且對于不同植物都具有很好 的效果 在白粉虱特征值計算方面 由于白粉虱在不同 背景下 不同生長期內(nèi)的顏色不同 且同一副圖像 中的白粉虱顏色也略有差異 為了準確地計算出白 粉虱的顏色特征 本文設(shè)計了一種白粉虱顏色特征 值的計算方法 首先根據(jù)白粉虱蟲體的特點人為設(shè) 定白粉虱的初始顏色特征值 然后對待計數(shù)圖像進 行分塊 選擇中間塊圖像進行分割 橢圓擬合 在 此基礎(chǔ)上 計算各橢圓中心點處顏色特征值的平均 值 并將該值作為新的白粉虱分類中心 其中 對 圖像進行分塊 可以避免整幅圖像中白粉虱顏色的 變化 利用中間塊圖像進行白粉虱顏色特征值的更 新 可以提高算法的適應(yīng)性 實現(xiàn)在不同作物上進 行白粉虱的計數(shù) 2 橢圓擬合與白粉虱計數(shù) 形狀是白粉虱蟲體的一個重要視覺特征 在對 圖像進行分割后 通過基于最小二乘法的橢圓擬合 方法即可實現(xiàn)對白粉虱蟲體的橢圓擬合以及準確 計數(shù) 橢圓擬合結(jié)果如圖 2 所示 注 橢圓是所提算法的擬合結(jié)果 圓點是擬合的橢圓中心點 Note Ellipse is the fitted result of the proposed method and circle dot is the center of ellipse 圖 2 白粉虱橢圓擬合結(jié)果 Fig 2 Ellipse fitting results of whitefly 根據(jù)圖 2 中白粉虱橢圓擬合的結(jié)果 經(jīng)式 4 式 5 式 6 即可求出擬合的橢圓中心點 長半軸 短半軸以及橢圓的面積 由此可計算出圖 像中白粉虱的大小 并篩選出符合要求的橢圓 去 除噪聲點的干擾 實現(xiàn)白粉虱的準確計數(shù) 但是 當(dāng)圖像中白粉虱存在粘連現(xiàn)象時 會使橢圓的面積 大小不一 這樣同一個橢圓所代表的白粉虱個數(shù)也 就不同 為此 本文設(shè)計了一種簡單的計數(shù)方法 首先根據(jù)中間塊圖像中白粉虱面積的平均值 去除 當(dāng)前圖像中面積過大和過小的橢圓 然后統(tǒng)計剩余 農(nóng)業(yè)工程學(xué)報 2014 年 108 橢圓的平均面積 當(dāng)擬合的橢圓面積大于該平均面 積的 1 5 倍時 則將其計數(shù)為 2 個白粉虱 否則計 為 1 個白粉虱 利用該方法能夠間接處理粘連問題 提高計數(shù)結(jié)果的準確度 3 算法收斂與分類中心更新 準確的圖像分割結(jié)果是保證白粉虱計數(shù)結(jié)果 精確的基礎(chǔ) 為此 本文利用擬合的橢圓個數(shù)來衡 量當(dāng)前圖像分割結(jié)果的準確性 即 若相鄰 2 次的 橢圓個數(shù)沒有變化 則說明當(dāng)前圖像分割效果最 好 算法已收斂 此時收斂的橢圓個數(shù)即為圖像中 最準確的白粉虱個數(shù) 否則 說明分割結(jié)果不理想 需要更新分類中心 在更新白粉虱分類中心時 由于橢圓的中心往 往就是白粉虱的中心 如圖 2 所示 其顏色特征 值具有代表性 為此 可提取圖像中的多個橢圓中 心 并求取均值作為圖像白粉虱新的顏色特征值 重新對圖像進行分類和個數(shù)的統(tǒng)計 2 結(jié)果與分析 2 1 圖像處理 在試驗中 為便于對圖像進行處理 本文利用 雙線性插值方法將采集的白粉虱圖像縮放為 1300 1000 并分為 55 25 塊的子圖像 其中 所采集的白粉虱圖像中間區(qū)域干擾因素較少 本文 利用中間塊圖像進行算法的學(xué)習(xí) 如第 8 13 18 塊 以獲得圖像中白粉虱的顏色 形狀 大小等信 息 在實際應(yīng)用中 可根據(jù)采集圖像的大小 選擇 合適的分塊份數(shù) 分塊結(jié)果如圖 3 所示 圖 3 白粉虱圖像分塊結(jié)果 Fig 3 Partition results of whitefly image 2 2 圖像分割與橢圓擬合 按照本文算法 對采集的白粉虱圖像進行了分 割 橢圓擬合 其中以圖 3 中第 7 塊圖 4a 為例對 試驗結(jié)果進行說明 試驗結(jié)果如圖 4 所示 a 白粉虱原始圖像 a Original whitefly image b 初步分割結(jié)果 b Preliminary segmentation result c 初步橢圓擬合結(jié)果 c Preliminary ellipse fitting result d 最終圖像分割結(jié)果 d Finial segmentation result e 最終橢圓擬合結(jié)果 e Finial ellipse fitting result 圖 4 辣椒白粉虱圖像分割與橢圓擬合結(jié)果 Fig 4 Segmentation and ellipse fitting results of pepper whitefly image 對圖 4a 進行分割后的初步試驗結(jié)果為圖 4b 從圖 4b 可以看出 圖像的分割效果明顯 但存在 部分粘連和噪聲點 如葉片脈絡(luò) 造成該問題的 一個重要原因為白粉虱顏色特征值計算的不準確 即中間塊和邊緣塊圖像之間白粉虱顏色存在差異 對圖 4b 的分割結(jié)果進行橢圓擬合 擬合結(jié)果為圖 4c 從 圖 4c 可以看出 粘連部分和噪聲點沒有實現(xiàn) 橢圓的擬合 其原因為利用中間塊圖像學(xué)習(xí)時 可 以獲得圖像中白粉虱的大小 面積等信息 從而篩 選出合適的橢圓 但由于粘連部分擬合橢圓過大 而噪聲點部分擬合的橢圓過小 不符合圖像中白粉 虱的大小 從而均被排除 為提高圖像分割質(zhì)量和 橢圓擬合的準確度 本文利用當(dāng)前圖像的擬合結(jié)果 進行學(xué)習(xí) 更新白粉虱的分類中心 如圖 4c 所示 本文提取了橢圓中心點處的顏色特征值 并取其均 值作為新的白粉虱分類中心 按照該分類中心進行 分割和橢圓擬合的結(jié)果如圖 4d 和 4e 所示 從圖 4d 可以看出 分割效果比圖 4b 更明顯 去除了粘連和 噪聲點 在此基礎(chǔ)上 實現(xiàn)了更好的橢圓擬合結(jié)果 如圖 4e 所示 但是 在圖 4e 中圖像邊緣處的部分白 第 1 期 王志彬等 基于 K means 聚類和橢圓擬合方法的白粉虱計數(shù)算法 109 粉虱圖像未能實現(xiàn)擬合 其原因為本文所提出的計數(shù) 算法是建立在對整幅圖像分塊處理的基礎(chǔ)之上 這就 不可避免的造成對圖像邊緣處白粉虱完整性的破壞 從而影響了橢圓擬合的精度 對各分塊圖像的橢圓擬合結(jié)果進行整合 則圖 像最終擬合結(jié)果如圖 5 所示 2 3 白粉虱計數(shù)結(jié)果 為驗證所提算法的有效性 本文對采集的辣 椒 黃瓜 番茄和茄子 4 種作物葉片上附著的白粉 虱 包括煙白粉虱和溫室白粉虱 進行了計數(shù)試驗 重點以辣椒和黃瓜 2 種作物為主 并將所提算法與 常用的圖像分割方法如閾值化方法 K means 聚類 算法進行了對比 在試驗中 本文分別利用閾值化方法和 K means 聚類算法對白粉虱圖像進行分割 然后直接對分割結(jié) 果中的連通區(qū)域進行計數(shù) 以此作為圖像中白粉虱的 個數(shù) 其中 閾值化方法中的分割閾值則采用了該算 法在辣椒作物上的最優(yōu)分割閾值 T 200 K means 聚類算法的初始分類中心的背景分類中心采用了圖 像中 R G B 各顏色分量的平均值 白粉虱分類中 心則根據(jù)蟲體的顏色特征選擇固定值 R 209 G 220 B 205 算法計數(shù)錯誤率的計算方法如式 7 所示 計數(shù)試驗結(jié)果如表 1 所示 11 nn ii i ii error rate d t t 7 式中 d i 為算法識別的白粉虱個數(shù) t i 為人工計數(shù) 的白粉虱個數(shù) a 辣椒 a Pepper b 黃瓜 b Cucumber 圖 5 辣椒和黃瓜葉片上的白粉虱橢圓擬合結(jié)果 Fig 5 Ellipse fitting results of whitefly on pepper and cucumber leaves 表 1 本文算法與閾值化方法 K means 聚類算法的計數(shù)精度比較 Table1 Comparison of counting precision of proposed method respectively with that of thresholding algorithm and K means clustering algorithm 自動計數(shù)方法 Automatic counting methods 閾值化方法 Thresholding method K means 聚類方法 K means clustering method 本文方法 Proposed method 類別 Category 人工計數(shù) Manual counting 識別數(shù) Correct number 錯誤率 Error rate 識別數(shù) Correct number 錯誤率 Error rate 識別數(shù) Correct number 錯誤率 Error rate 辣椒 Pepper 130 85 34 62 76 41 54 128 1 54 辣椒 Pepper 105 100 4 76 128 21 90 102 2 86 辣椒 Pepper 125 123 1 60 89 28 80 120 4 00 茄子 Eggplant 64 54 15 63 32 50 00 63 1 56 番茄 Tomato 140 137 2 14 213 52 14 133 5 00 黃瓜 Cucumber 115 75 34 78 301 161 74 102 11 30 黃瓜 Cucumber 70 84 20 00 187 167 14 66 5 71 均值 Average 16 22 74 75 4 57 從表 1 可以看出 本文算法在辣椒 黃瓜 番 茄和茄子 4 種作物上的計數(shù)錯誤率分別為 在辣椒 作物上 錯誤率分別為 1 54 2 86 和 4 00 平 均錯誤率為 2 80 在茄子上 錯誤率為 1 56 在番茄上 錯誤率為 5 00 在黃瓜上 錯誤率分 別為 11 30 和 5 71 平均錯誤率為 8 51 該算 法在 4 種作物上均具有較高的白粉虱計數(shù)精度 但 是在不同作物上 計數(shù)結(jié)果具有一定的差異性 在 辣椒作物上計數(shù)精度較高 而在黃瓜作物上的計數(shù) 精度略低 主要原因為白粉虱附著在作物的葉片 農(nóng)業(yè)工程學(xué)報 2014 年 110 上 作物的種類不同 葉片特征不同 對于辣椒作 物而言 葉片光滑而無太多的紋理 白粉虱附著在 葉片上 清晰 干擾因素少 從而容易分割和計數(shù) 對于黃瓜作物而言 葉片大而薄 具有刺毛和氣孔 白粉虱附著在葉片上時 會被刺毛覆蓋 增加了白 粉虱分割的難度 從而造成了計數(shù)結(jié)果的不準確 此外 不同作物上 白粉虱所處的生長期不同 如 幼蟲和成蟲 也會造成計數(shù)結(jié)果的差異 本文方法分別比閾值化方法和 K means 聚類方 法的平均計數(shù)錯誤率降低了 11 65 和 70 18 對 于閾值化方法 由于算法的分割閾值采用了該算法 在辣椒作物上的最優(yōu)分割閾值 這就使得算法在辣 椒作物部分圖像上具有較好的分割和計數(shù)效果 而 對于其他作物則圖像分割和計數(shù)結(jié)果較不理想 說 明了算法的泛化能力差 對于 K means 聚類算法 由于白粉虱個體小 在圖像中占的比例較低 構(gòu)成 了不平衡數(shù)據(jù)的分類問題 若直接采用 K means 聚 類算法對其進行分類 難以實現(xiàn)對白粉虱和背景圖 像的準確分類 圖像分割效果差 此外 上述 2 種 分割方法直接對分割結(jié)果中的連通區(qū)域進行計數(shù) 難以正確區(qū)分白粉虱蟲體區(qū)域和非蟲體區(qū)域 嚴重 影響了算法的計數(shù)精度 然而 本文所提出的計數(shù)算法則彌補了上述缺 陷 該算法能夠自適應(yīng)的學(xué)習(xí)圖像中白粉虱和背景 圖像的特征 避免了算法固定閾值或者固定參數(shù)的 設(shè)定 增強了算法的適應(yīng)性 且通過對分割結(jié)果進 行橢圓擬合 并將收斂的橢圓個數(shù)作為白粉虱的個 數(shù) 不但確保了圖像分割的效果 而且能夠正確的 區(qū)分白粉虱蟲體區(qū)域和非蟲體區(qū)域 確保了計數(shù)結(jié) 果的準確性 3 討論 在農(nóng)田環(huán)境下 由于光照條件 背景和葉片的 不確定性 使得基于機器視覺的計數(shù)方法還停留在 實驗室階段 未能實現(xiàn)對田間農(nóng)作物病蟲個數(shù)的在 線計數(shù) 因此 如何提高計數(shù)算法的魯棒性和準確 性 是該類方法的一個重要研究方向 已有的研究 成果 如文獻 13 通過 G 分量閾值來區(qū)分黃瓜蚜蟲 區(qū)域和非蚜蟲區(qū)域 然后將圖像中連通域的個數(shù)標 記為蚜蟲的個數(shù) 實現(xiàn)了對黃瓜蚜蟲的準確計數(shù) 但是該方法在對農(nóng)作物圖像進行分割時 采用 G 分 量閾值 這使得算法受應(yīng)用環(huán)境影響較大 未能實 現(xiàn)不同作物上蚜蟲的計數(shù) 而文獻 5 則采用了監(jiān)督 學(xué)習(xí)算法 SVM support vector machine 實現(xiàn)了對 水稻燈誘蟲的準確識別與計數(shù) 但是該類方法主要 是針對一種作物進行學(xué)習(xí)和試驗 當(dāng)算法應(yīng)用于其 他作物時 需要重新采集數(shù)據(jù)樣本進行學(xué)習(xí) 算法 的移植性差 而本文所提出的白粉虱計數(shù)方法 是一種無監(jiān) 督學(xué)習(xí)算法 該方法具有以下 2 個特點 1 主動學(xué)習(xí)性 該方法能夠自適應(yīng)的學(xué)習(xí)待 計數(shù)圖像中白粉虱和背景圖像的特征 避免了算法 固定閾值或者固定參數(shù)的設(shè)定 且無需建立樣本數(shù) 據(jù)庫 增強了算法的適應(yīng)性 實現(xiàn)了對不同作物上 白粉虱的計數(shù) 2 橢圓擬合 對白粉虱圖像的分割結(jié)果進行橢 圓擬合 并將收斂的橢圓個數(shù)作為白粉虱的個數(shù) 不 但確保了圖像分割的效果 而且能夠正確的區(qū)分分割 結(jié)果中的白粉虱蟲體區(qū)域和非蟲體區(qū)域 從而避免了 噪聲的干擾 進一步提高了計數(shù)結(jié)果的準確性 由于本文所提出的計數(shù)方法是一種基于 K mean 聚類的算法 這就不可避免的存在聚類中心 的選擇問題 26 28 雖然本文利用了中間塊圖像的顏 色特征值作為聚類中心 但是對整幅圖像分塊后 不可避免的造成對圖像邊緣處白粉虱完整性的破 壞 從而影響了算法的計數(shù)精度 此外 如何利用 圖像的多特征 29 30 來提高算法的計數(shù)精度 也將是 本文算法改進的方向 4 結(jié) 論 本文提出了一種基于 K means 聚類和橢圓擬合 方法的白粉虱計數(shù)算法 在辣椒 黃瓜 番茄和茄子 4 種作物上進行了白粉虱計數(shù)試驗 試驗結(jié)果表明 1 所提方法在辣椒 黃瓜 番茄和茄子 4 種 作物上均具有較高的白粉虱計數(shù)精度 平均計數(shù)錯 誤率為 4 57 比閾值化方法和 K means 聚類方法 分別降低了 11 65 和 70 18 2 所提方法能夠自適應(yīng)的學(xué)習(xí)待計數(shù)圖像中 白粉虱的顏色 形狀 大小等信息 從而有利于算 法在不同作物上實現(xiàn)白粉虱圖像的分割和計數(shù) 提 高了算法的適應(yīng)性和泛化性 3 所提方法能夠充分利用白粉虱的顏色和形 狀 2 個重要視覺特征 通過圖像分割和橢圓擬合的 方式實現(xiàn)了兩者的融合 進一步提高了白粉虱計數(shù) 結(jié)果的準確性 如何選擇聚類中心以及利用圖像的多特征來 提高算法的計數(shù)精度 將是本文算法改進的 2 個重 要方面 此外 圖像中白粉虱的粘連也是造成計數(shù) 結(jié)果不準確的一個重要原因 改進算法有待進一步 的研究 參 考 文 獻 1 周志艷 羅錫文 張楊 等 農(nóng)作物蟲害的機器檢測與監(jiān) 測技術(shù)研究進展 J 昆蟲學(xué)報 2010 53 1 98 109 Zhou Zhiyan Luo Xiwen Zhang Yang et al Machine 第 1 期 王志彬等 基于 K means 聚類和橢圓擬合方法的白粉虱計數(shù)算法 111 based technologies for detecting and monitoring insect pests of crops A review J Acta Entomologica Sinica 2010 53 1 98 109 in Chinese with English abstract 2 Huddar S R Gowri S Keerthana K et al Novel algorithm for segmentation and automatic identification of pests on plants using image processing C Third International Conference on Computing Communication 2 China National Engineering Research Center for Information Technology in Agriculture Beijing 100097 China 3 Department of Computer Science China Women s University Beijing 100101 China Abstract Insect pests are one of the important factors leading to crop loss Accurate insect counts provide an important basis for pest detection and for proper preventive measures to be taken At present the common counting methods are mainly based on computer vision but this type of technology primarily has the following problems 1 how to determine the threshold of image segmentation The effects of the algorithms are unsatisfactory as their thresholds or parameters are fixed when they are used to segment insect images 2 Most counting algorithms are mainly aimed at one certain crop for learning and testing If applied to other crops their portability is poor and the counting results are inaccurate Therefore how to improve the generalization and accuracy of counting algorithm is an important direction for research on a counting method based on machine vision To solve the above problems a novel counting algorithm for whiteflies based on k means clustering and ellipse fitting method was proposed in this paper It combined k means clustering algorithm with ellipse fitting and automatically learned the features of whiteflies and background to segment and count whitefly images accurately First whitefly image were segmented by a k means clustering algorithm to separate the whiteflies from the background and then the segmentation results were fitted using an ellipse fitting based on least square method and adding up the ellipse number The color features of the ellipse centers were extracted as new centers of classes The segmentation and counting was iterated until the difference between two continuous counts met the needs of the algorithm and the convergence ellipse count was output as the number of whiteflies Moreover to improve the adaptability of the algorithm to count whiteflies on various crops the whitefly images to be counted were parted into blocks and the center block was used to learn the features of whiteflies such as color size and area The learned result was set as the initial value of the algorithm Thus the accuracy and generalization of the algorithm was improved To verify the effectiveness of the proposed algorithm the counting experiment was performed on whitefly images of cayenne peppers cucumbers tomatoes and eggplants respectively These images were captured in the open environment from Xiao Tang Shan field research and a demonstration base of national precision agriculture in Beijing The experimental results compared to that of the threshold method and the K means clustering method showed that 1 The count results of the proposed method had a high accuracy in cayenne peppers cucumbers tomatoes and eggplants The error rates of the pepper were 1 54 2 86 and 4 00 eggplant 1 56 tomato 5 00 cucumber 11 30 and 5 71 2 The proposed method had better image segmentation results and higher count accuracy compared to the threshold method and the K means clustering method Moreover the counting error rate was decreased by 12 46 and 70 18 respectively 3 The adaptive method learns the features of whiteflies such as color sharpness and size in the image to be counted which is propitious for the accurate segmentation and counting of whitefly images 4 The method makes the most of two important visual features of whiteflies color and shape and combines them by image segmentation and ellipse fitting to further increase the accuracy of the count results Key words computer vision pest control algorithms automatic counting K means clustering ellipse fitting whitefly 責(zé)任編輯 張俊芳