基于双树复小波和灰度共生矩阵的遥感像分割

王艳 木合塔尔·米吉提 黄华 史勇 刘亚 郭俊先

摘 要： 针对阿克苏鲜骏枣中含部分裂果枣问题，使用基于小波灰度共生矩阵的方法进行分选。首先采集骏枣RGB图像，去除RGB图像中绿色着色区后，对其进行小波变换，并提取变换后子图像的灰度共生矩阵，构造熵、能量、相关性、平滑度、对比度等5个特征向量，对特征向量进行主成分分析，降维输入支持向量机，完成对鲜枣裂果与正常果的分类识别，分类准确率能达到89.92%。实验结果表明，小波变换与灰度共生矩阵结合能够更加有效地表达枣的裂纹信息，可用于鲜骏枣裂纹分选。

关键词： 小波； 灰度共生矩阵； 裂纹； 支持向量机； 骏枣； 分选

中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2018）15?0047?04

Classification of fresh jun?jujube crack based on wavelet transform

and gray level co?occurrence matrix

WANG Yan1， MUHETAER Mijiti2， HUANG Hua1， SHI Yong1， LIU Ya1， GUO Junxian1

（1. College of Mechanical and Traffic， Xinjiang Agricultural University， Urumqi 830052， China；

2. Aksu Vocational and Technical College， Aksu 843000， China）

Abstract： A method based on wavelet transform and gray level co?occurrence matrix （GLCM） is used to classify the normal and crack fresh jun?jujube native to Aksu. The RGB image of jun jujube is acquired， whose green colored regions are removed for wavelet transform. The GLCM of the transformed sub?image is extracted to construct the feature vectors of entropy， energy， correlation， smoothness and contrast. The dimensions of the feature vector are reduced by means of PCA， and the feature vector is input into the support vector machine， so as to realize the classification and recognition of the normal and crack fresh jun?jujube. The classification accuracy can reach up to 89.92%. The results show that the combination of wavelet transform and GLCM can describe the crack information of the jujube effectively， and is used for crack sorting of the fresh jun jujube.

Keywords： wavelet； GLCM； crack； support vector machine； jun jujube； classification

0 引 言

枣在中国已有千年的栽种历史，含有丰富的营养元素，有“天然维生素丸”和“百果王”之称[1]，广受消费者的喜爱，是中国重要的经济林果产品。然而，由于天气和自身生理特点等原因，枣表面容易出现裂纹等缺陷，而产生的裂纹果容易产生霉变腐烂，并扩散至完整果[2?4]，如果食用者誤食容易诱发疾病，因此，将采摘后有裂纹的枣分选出来具有重要意义。目前，常用的分选方法是人工挑选裂果，其效率低、劳动强度大，而且容易受分选人员自身素质和精神状态的影响，无法保证分选精度。通过机器视觉检测技术对枣分级不仅可以提高枣的商品化价值，还可提高分拣效率。目前，基于机器视觉技术对枣的研究，主要针对其大小、成熟度[5]、颜色[6]等特征，而对枣表面裂纹特征的研究相对较少[7?9]。

提取纹理时，常用的方法主要有灰度共生矩阵（GLCM）[10]、小波变换[11]、随机场模型[12]等。灰度共生矩阵常用于纹理检测，但是单独使用时，裂纹分类效果不太理想，所以为了更加准确地描述图像的裂纹，本文将小波变换与灰度共生矩阵结合。文献[13?14]将小波灰度共生矩阵引入到轮胎纹理检索、人脸识别信息提取，均取得了较好的分类效果，但是在裂纹应用方面还未见报道。本文使用小波变换对图像进行二级尺度分解，然后对不同分解尺度上的高频子带、低频子带以及子带重构图像分别提取灰度共生矩阵参数，并对提取的参数进行分类识别。

1 材料与方法

1.1 实验材料

本实验所采用样本均采摘自新疆阿拉尔兵团农一师骏枣生产基地，采摘后按照国标GB?T 22345—2008要求储藏、分级，并马上拍摄图像，每90°拍摄一幅，每个样本拍摄4幅图像，图像格式全部保存为tif格式。

1.2 仪器设备

实验图像采集系统：面阵相机，丹麦JAI公司（AT?200CL 3CCD，帧频：20）；镜头：LM35CLS 3CCD彩色面阵相机专用镜头（焦距：35 mm，光圈范围：F2.8～F22，变形率：0.06%）；图像采集卡：日本Kowa公司（像素时钟：最大85 MHz）；光源：乐视自动化科技有限公司（LTS?2BR3503，直流24 V，尺寸：362 mm×31 mm×26 mm）；光源控制器：乐视公司（LTS?APC2460?2）；计算机：联想（Centre M6100t，英特尔双核）。

1.3 裂纹特征提取方法

1.3.1 小波变换

图像处理是小波变换应用较为广泛的领域。小波变换可同时在时域与频域内变换，比其他的纹理分析方法能够更加精确、全面地描述纹理特征。本文使用二维离散小波变换（Discrete Wavelet Transformation，DWT）处理图像，DWT分解以及重构图像的原理如图1所示，DWT分解与一维小波分解相似，主要使用高通滤波器和低通滤波器对行进行下采样，其分解过程如图1a）所示；图像的重构使用高通滤波器和低通滤波器的逆变换对其上取样等系列变换，二维重构过程如图1b）所示。

经过DWT分解后，原图被分解成1个低频子带（逼近子带）和3个高频子带（水平方向、垂直方向、对角线方向），低频子带包含鲜枣的大部分信息，高频子带主要反映水平、垂直、对角线等三个方向的高频信息，如鲜枣的裂纹、轮廓信息等。

1.3.2 灰度共生矩阵

灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计，灰度共生矩阵算法不仅反映了图像的亮度分布特性，也反映了具有相似亮度和同样亮度的两个像素点在位置上的分布情况，其中提取的特征主要包括熵、相关性、对比度、能量、平稳度 [15]。

1.3.3 特征提取

图像经过DWT分解、重构后，分别提取子图像的灰度共生矩阵，每一幅图像提取5个灰度共生矩阵参数，由于每幅图经过分解后生成4幅图片，所以最后产生的特征向量维数很高，易造成维数灾难，而且部分特征向量冗繁，均不利于后期数据处理，所以需对特征向量进行降维。本文中使用主成分分析来降低输入特征向量的维数，主成分分析通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，并将转换后的变量作为新的特征向量输入，进行分类识别，识别工具为林智仁团队开发的LibSVM支持向量机。

2 算法实现

图像处理的步骤如下：

1） 首先将RGB原图通过阈值分割、去除背景后，自动裁剪，然后将自动裁剪后的图像转换到其他颜色空间，骏枣原图像上颜色相差较大的地方，如裂纹边缘、枣红绿分界线在子图像上的表现差别不大，易造成误分，所以将裂纹图像中的绿色区域去除；

2） 对经过预处理的原图和去除绿色区域的图像分别使用小波变换，获得其各尺度分解以及重构图，再分别提取其灰度共生矩阵构成特征向量；

3） 由于步骤2）中提取得到的特征向量过于冗繁，如果直接作为分类器的输入，会造成分类速度慢、维数过高等问题，故对其进行主成分分析，生成新的特征向量；

4） 将新的特征向量输入支持向量机（即LibSVM工具箱），对骏枣完整果和裂果进行分类训练以及测试。

3 结果与分析

3.1 图像预处理及特征提取

采集的原图像背景区较大，为减少程序运算量，节约运算成本，对原图进行裁剪。裁剪方法是使用大津算法（Ostu）阈值分割后，使用最小外接矩形法提取最大标记区域长短轴在坐标系上的最大、最小值，并分别在横纵坐标上扩展10个像素，形成裁剪后的图像，并将裁剪后的图像进行去噪、去果梗、孔洞填充等预处理。

对预处理后的图像采用2层分解小波变换，每次分解可形成4个子图像，分别重构后，共得到8个子图像。如图2所示，第一层分解时，生成1个低频以及3个高频图像，第二层分解时，对上一层低频图像进行分解，生成1个低频和3个高频图像。由于每层分解可以得到4个子图像，并分别重构，因此[N]层小波分解共可以得到[8*N]个子图像，分别提取每个子图像的5个灰度共生矩陣。分解2层后，则形成80维特征向量，为了减少程序计算量和计算时间，对特征向量进行主成分分析，并以累计攻击贡献率达到90%作为选择特征向量的个数指标，形成的新特征向量作为模式识别的输入。

3.2 识别结果

实验中选择有裂纹图像204幅（正例），正常果图像228幅（负例），并按3[∶]1将数据分为训练集和预测集，在模式识别中选择的识别工具为支持向量机。使用灰度共生矩阵时，分类正确率仅有77.28%，效果不好，不能达到分选出裂枣果的目的。

实验分别对比了Haar，Sym2，Coif2三种小波基对分类效果的影响。此处仅列出上述小波基中效果最好的识别结果，如表1所示，三类分类准确率分别为89.92%，81.81%，78.78%，而且后两种的灵敏度以及特效度都较低，预测效果不好。由此可见，Haar小波基函数对样本的分类效果优于其他两种。

由图2的RGB图像可看出，枣的表面还未完全着色，同时存在红绿色分界线和裂纹，为了探讨绿色对裂纹分选是否有影响，开展如下讨论：图3为原图与去除绿色区域的小波变换图，由图中可以看出，在绿色区域与红色区域分界处容易形成近似纹理的条状，与裂纹在子图像上的表现相似，分类时容易形成误判，影响准确率。为了更加准确地验证绿色区域对裂纹的分类是否有影响，分别对没有去除绿色与去除绿色的两类图像使用Haar小波基进行变换，并将小波变换后的所有子图像提取灰度共生矩阵特征向量，用SVM对特征进行识别分类，分析结果如表2所示。由表2可以看出，除高频重构图外，其他的正常果分级都低于去除绿色后正常果分类准确率。综上说明红色与绿色区域相临区域灰度变化明显，对裂纹分选有干扰。所以，去除绿色区域有助于提高判别有无裂纹的准确率。

由表2可知，图像的低频结合GLCM、高频结合GLCM等均低于将高频低频结合GLCM得到的分类结果。高频低频结合GLCM的识别正确率能达到89.92%，而且该特征的分類灵敏度以及特效度均较高且接近，能较好地识别枣裂纹。

只使用灰度共生矩阵对骏枣进行处理时，最后的裂果和正常果分级正确率只能达到77.28%，而小波变换结合灰度共生矩阵后，分级正确率能够达到89.92%。研究表明，与单独的灰度共生矩阵相比，将小波变换与灰度共生矩阵结合起来，能够更加有效地表达骏枣的裂纹信息，有更高的分类正确率。

4 结 论

本文通过小波变换对裂果和正常果骏枣图像进行多尺度分解，并对子图像提取灰度共生矩阵，将其作为特征向量，再经过主成分分析特征降维后组成新的特征向量，进行支持向量机裂果和正常果识别分类，较单独使用灰度共生矩阵有更优良的分类能力，表明该方法对枣裂纹分级是可行的。后续研究工作需进一步提高裂纹的敏感度，使其能识别细小的裂纹。

参考文献

[1] 胡耀华，刘聪，何勇.近红外光谱鉴别鲜枣品种及裂果研究[J].光谱学与光谱分析，2013，33（12）：3231?3234.

HU Yaohua， LIU Cong， HE Yong. Discrimination of the fresh jujube varieties and dehiscent fruit by NIR spectroscopy [J]. Spectroscopy and spectral analysis， 2013， 33（12）： 3231?3234.

[2] 付丽娇.水分进入枣果实的途径及与裂果的关系[D].太原：山西农业大学，2014.

FU Lijiao. The relationship between water entering pathway and jujube fruit cracking [D]. Taiyuan： Shanxi Agricultural University， 2014.

[3] 曹一博，孙帆，刘亚静，等.枣果实组织结构及果皮中矿质元素含量对裂果的影响[J].果树学报，2013，30（4）：621?626.

CAO Yibo， SUN Fan， LIU Yajing， et al. Effects of anatomical structure and mineral contents in pericarp on fruit cracking in jujube fruit [J]. Journal of fruit science， 2013， 30（4）： 621?626.

[4] 李彦玲，杨爱珍，孟泽，等.枣果皮组织结构与裂果关系研究[J].北京农学院学报，2016，31（2）：34?41.

LI Yanling， YANG Aizhen， MENG Ze， et al. Study on the relationship between jujube peel histological structure and fruit cracking [J]. Journal of Beijing University of Agriculture， 2016， 31（2）： 34?41.

[5] 王昱潭.基于机器视觉的灵武长枣定位与成熟度判别方法研究[D].北京：北京林业大学，2014.

WANG Yutan. Research on methods of Lingwu long jujubes′ localization and maturity recognition based on machine vision [D]. Beijing： Beijing Forestry University， 2014.

[6] 詹映.基于机器视觉南疆红枣颜色分级方法研究[D].阿拉尔：塔里木大学，2015.

ZHAN Ying. Research of southern Sinkiang jujube color classification method based on machine vision [D]. Alear： Tarim University， 2015.

[7] MANICKAVASAGAN A， AL?MEZEINI N K， AL?SHEKAILI H N. RGB color imaging technique for grading of dates [J]. Scientia horticulturae， 2014， 175（15）： 87?94.

[8] 陈杰，姚娜.基于Matlab的鲜枣裂纹检测[J].湖北农业科学，2015，54（6）：1490?1492.

CHEN Jie， YAO Na. Detecting crack of fresh jujube based on Matlab [J]. Hubei agricultural sciences， 2015， 54（6）： 1490?1492.

[9] 李运志，QIANG Zhang，陈弘毅，等.基于机器视觉的半干枣病害和裂纹识别研究[J].农机化研究，2016，38（8）：120?125.

LI Yunzhi， QIANG Zhang， CHEN Hongyi， et al. Detection of diseases and cracks of semi?dried dates based on machine vision [J]. Journal of agricultural mechanization research， 2016， 38（8）： 120?125.

[10] 任国贞，江涛.基于灰度共生矩阵的纹理提取方法研究[J].计算机应用与软件，2014，31（11）：190?192.

REN Guozhen， JIANG Tao. Study on GLCM?based texture extraction methods [J]. Computer applications and software， 2014， 31（11）： 190?192.

[11] 王剑平，张捷.小波变换在数字图像处理中的应用[J].现代电子技术，2011，34（1）：91?94.

WANG Jiangping， ZHANG Jie. Application of wavelet transform in digital image processing [J]. Modern electronics technique， 2011， 34（1）： 91?94.

[12] 刘丽，匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报，2009，14（4）：622?635.

LIU Li， KUANG Gangyao. Overview of image textural feature extraction methods [J]. Journal of image and graphics， 2009， 14（4）： 622?635.

[13] 贾世英，马姣婷.基于小波变换和灰度共生矩阵的轮胎花纹检索[J].计算机测量与控制，2016，24（6）：210?213.

JIA Shiying， MA Jiaoting. Tire pattern retrieval based on wavelet transform and gray level co?occurrence matrix [J]. Computer measurement & control， 2016， 24（6）： 210?213.

[14] 曹瑜，涂玲，毋立芳.身份认证中灰度共生矩阵和小波分析的活体人脸检测算法[J].信号处理，2014，30（7）：830?835.

CAO Yu， TU Ling， WU Lifang. Face liveness detection using gray level co?occurrence matrix and wavelets analysis in identity authentication [J]. Journal of signal processing， 2014， 30（7）： 830?835.

[15] VIDYA K S， NG E Y， ACHARYA U R， et al. Computer?aided diagnosis of myocardial infarction using ultrasound images with DWT， GLCM and HOS methods： a comparative study [J]. Computers in biology & medicine， 2015， 62： 86?93.