基于纹理特征与改进SVM算法的玉米田间杂草识别
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于纹理特征与改进SVM算法的玉米田间杂草识别范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：以玉米田间杂草图像为研究对象，对采集的杂草叶片图像进行预处理，对图像的多个纹理特征进行筛选，以支持向量机进行分类。针对传统分类器的不足，以组合核函数对其性能进行优化。仿真结果表明，构建优化的组合核函数能使分类器性能得到显著提升，且当组合核函数中径向基函数所占的权重为0.2、多项式核函数（二阶）所占的权重为0.8时识别率最高，达86.00%，可以满足杂草识别的需求。
关键词：玉米；杂草识别；纹理特征；组合核函数
中图分类号：TP391.41 文献标识码：A 文章编号：0439-8114（2014）13-3163-04
Identifying Corn Weed Based on Texture Features and Optimized svm
WANG Hong-yan1，L？B Ji-xing2
（1. Department of Basic Sciences， Hebei Finance University， Baoding 071051， Hebei，China；
2. College of Information Science & Technology， Agricultural University of Hebei， Baoding 071001， Hebei，China）
Abstract： Image preprocessing of corn field weed blade was used to extract texture characteristic. The support vector machine（SVM） was used for classification. Considering the shortcomings of the traditional classifier， the parameters were optimized via the composite kernel. The results of simulation showed that the new method improved the weed identification. The highest recognition rate of test samples was 86% when the weight of radial basis function was 0.8 and polynomial kernel function was 0.2.
Key words： corn； weed identification； texture feature； combination kernel function
玉米苗期的田间杂草有100余种，隶属于30科，常见的包括刺儿菜、藜、马塘、田旋花等，其中有20%左右直接影响玉米的产量与质量。在过去很长的一段时期，我国的除草方式多为人工除草，耗费了大量劳动力。近年来引入了除草剂进行除草，大规模的除草剂对环境带来比较严重的污染，且有些破坏是难以逆转的。随着图像处理和人工智能等技术的不断发展，借助图像处理与识别技术实现农田中除草剂的定向定量喷洒是目前的研究热点之一，其中怎样进行杂草的图像识别是最为关键的步骤。
当前已经开发出不少杂草识别的有效方法，这些方法往往结合作物中杂草的各类特征对其进行识别，包括颜色特征[1-4]、形状特征[5，6]、光谱特征[7-9]或者以上特征的组合等，而单独针对杂草纹理特征对杂草进行智能识别的研究目前比较少见。作物（尤其是叶片）的纹理特征能够记录作物在灰度特点以及颜色分布特征上的规律，因而也可以在玉米杂草图像识别中取得较好效果[10]。为此，以玉米作物杂草图像为研究对象，对采集的杂草叶片图像进行预处理，筛选杂草叶片的纹理特征，以支持向量机进行分类，为了实现更好的分类效果，以组合核函数对传统分类器性能进行优化。仿真结果证明对杂草的分类准确度可以满足需求。
1 材料与方法
1.1 图像采集
玉米作物的苗期同时也是大量杂草生长的关键期，因此进行图像采集的时间选取在玉米出现3～5片叶片的时候，在河北农业大学农作物实验教学基地采集刺儿菜、藜、马塘、田旋花等杂草叶片标本。在图像采集时需要考虑拍摄高度和像素等参数，相机高度过高会影响图像的清晰度，而过低则会增加图像处理成本。经过综合考虑，将拍摄高度定为70 cm，镜头垂直向下，像素为640×320。
1.2 图像预处理
预处理的目的是为了突出图像的特征，增强其中的有用信息，此研究中图像的预处理包括图像增强、灰度处理以及滤波处理。
1.2.1 图像增强 在图像增强方法的选取上，对常见的频率增强与空间增强进行对比，为了提升识别效率，减少运算量，选取效率更高的空间增强法[11]，对目标图像的每一个像素的灰度值进行变换，最终实现整体对比度的提升，具体算法如下：
g（i，j）=■×[f（i，j）-fa]+ga
其中，f（i，j））与g（i，j）分别表示输入、输出图像的灰度值；fa、fb分别是图像样本中线性变换区域的输入灰度最大值与最小值； ga、 gb分别是输出灰度最大值与最小值。通过空间增强发实现目标图像整体对比度的增加，为下一步的处理奠定基础。
1.2.2 灰度化处理 对图像纹理特征进行分析，并不涉及目标图像的颜色属性，仅涉及其亮度信息。为了减少颜色信息中的数据对图像处理效率的影响，在图像增强之后对其进行灰度化处理。当前的图像是RGB模式，通过3个步骤实现图像的灰度化：①分别提取目标图像RGB的具体值；②求出具体的灰度gray；③令R=B=G=gray，最终便实现了图像灰度化。
目前效果较好的灰度化处理有3类，分别是最大值法、平均法以及加权法。考虑到玉米田间杂草通常为绿色，且与周围环境（土地颜色）差别较大，因此最终选取加权法。gray=W1R+W2B+W3G，灰度以gray表示，W1、W2、W3则分别表示R、G、B分量的加权系数。根据文献[11]，当W1=-1，W2=2，W3=-1，即gray=-R+2B-G时，能够取得较满意的效果，因此将加权系数定为W1=-1，W2=2，W3=-1。
1.2.3 滤波处理 通过滤波来优化图像质量，滤波法一般包括邻域和中值两个类别。叶片边缘轮廓信息量很大，同样考虑到处理的效率和实时性，选取运算量相对较低的中值滤波[12]。中值滤波的主要原理是，将图像分为不同的窗口S，窗口里的所有像素进行大小排列，将中位灰度作为该窗口的灰度。具体方法是：
在目标图像中设置滤波窗口A，其中心坐标为（x，y）。通过以下方法对A进行滤波处理：
d（x，y）=■{c（x，y）}
滤波平滑处理之后的向量以d（x，y）表示，滤波窗口中的目标图像灰度序列以c（x，y）表示，Med为对灰度序列取中值，于是有：
d（x，y）=■{R（x，y）}■{G（x，y）}■{B（x，y）}
其中R（x，y）、G（x，y）、B（x，y）分别表示目标像素的红、绿、蓝通道。此处仅以刺儿菜标本图像为例，原图以及预处理后的图像如图1所示。
2 纹理特征的提取
利用灰度共生矩阵提取纹理特征。灰度共生矩阵的含义是从图像中某一个灰度为i的像素离开固定位置d=（Dx，Dy），并达到灰度值为j的可能性[13]。表示为Pd（i，j）（i，j=0，1，2，…，L-1）。式中，L是目标图像的灰度级别数，每一个像素灰度以i，j表示，不同位置的空间关系以d表示，通常选取0、π/4、π/2和3π/4方向[14]。
2.1 纹理特征的提取
选取以下的纹理特征：
1）P1：惯性矩，含义是目标区域中灰度值变化的和，此参数能够体现出目标的灰度变化水平，惯性矩的值愈大，则该目标图像就拥有愈细致的纹理。该参数表示为：
CON=■■（i-j）p（i，j，d，？兹）
2）P2：熵，体现出目标图像的信息量。图像所具备的纹理信息带有随机性，当灰度共生矩阵的全部元素呈现分散性分布的时候，纹理信息随机性较大，熵也较大。该参数表示为：
ENT=-■■p（i，j，d，？兹）lnp（i，j，d，？兹）
3）P3：角二阶矩，含义是矩阵中所含有的全部像素值平方之和，该特征可以体现出目标图像在灰度方面的纹理粗细与均匀度。若灰度分布均匀，则能量较大，反之能量较小；若纹理较粗糙，则能量较大，反之较小。该参数表示为：
ASM=■■p（i，j，d，？兹）2
4）P4：差异熵，以目标图像的灰度概率系统的信息量差异体现出目标图像信息量的大小，表示为：
DENT=■px-y（i）log{px-y（i）}
5）P5：同质性，同质性体现出目标图像的局部平滑，表示为：
f=■■pd（i，j）/（1+|i-j|）
6）P6：相关性，相关度体现出目标图像的灰度矩阵所有元素在图像的行方向以及列方向的相似度。目标图像的灰度共生矩阵值均匀相等的时候，相关度取较大值，灰度共生矩阵值相差很大则相关度取较小值。假若目标图像的水平纹理居多，则此方向的相关度取值会明显大于其余方向。该参数表示为：
COR=■■（i-j）p（i，j，d，？兹）-μxμy/σxσy
其中，
μx=■■p（i，j，d，？兹）
μy=■■p（i，j，d，？兹）
σx=■（j-μx）2■p（i，j，d，？兹）
σy=■（j-μy）2■p（i，j，d，？兹）
7）P7：和方差，表示为：
SVAR=■（i-SENT）2Px+y（i）
8）P8：极大概率值，表示为：
MAXP=■■max（P（i，j，d，θ））
9）P9：标准差，体现出目标图像在纹理灰度方面的变化，表示为：
δ=■
10）P10：差异性，表示为：
DISS=■■P（i，j，d，θ）|i-j|
11）P11：逆差分，表示为：
INVD=■■P（i，j，d，θ）/1+|i-j|
12）P12：标准逆差，假设目标图像的灰度级为N个，表示为：
IDMN=■■P（i，j，d，θ）/[1+（i-j）2/N2]
13）P13：和平均，表示为：
SAVE=■iPx+y（i）
14）P14：和熵，表示为：
SENT=-■Px+y（i）log{Px+y（i）}
15）P15：均值，体现出目标图像的平均灰度，表示为：
μy=■■P（i，j，d，θ）， μx=■■P（i，j，d，θ）
16）P16：方差，表示为：
σ2x=■（i-μx）2■P（i，j，d，θ），
σ2y=■（j-μy）2■P（i，j，d，θ）
2.2 纹理特征的约简
对以上的纹理特征进行简化，步骤为：
1）把经过预处理的目标图像从基于RGB的空间平移到基于HSV的空间，并对其H、S以及V分量进行分离。
2）为降低算法复杂度，对目标图像灰度级进行处理，压缩其至64。
3）将目标图像的相邻像素之间的距离设定为1，取θ=0、π/4、π/2、3π/4，分别对目标图像提取纹理特征值，并分别获取其4个角度的均方差和平均值，从而消除纹理特征值的方向性。
4）以15个杂草类别，每类10幅图像，共计150幅杂草图像作为样本，获取所有图像的纹理特征，对所获取的纹理特征集进行逐步判别分析。设定临界值为1.35[14]，对参数进行约简。结果如表1所示。
从表1可知，经过约简，一些作用不大的冗余特征被丢弃。对于H分量与S分量，均由最初的16个减少到11个，减少至68.8%，而V分量则减少到6个，减少至37.5%。由此可知，在杂草图像的HSV模型中，与纹理参数较为关联的是H分量与S分量，V分量的关联度最小。
此外，在H、S与V分量约简后纹理参数中，均含有P6（相关性）、P8（极大概率值）、P9（标准差）、P14（和熵）几个参数，说明在玉米苗期的田间杂草中，这几个参数与其纹理特征关联度较高。
3 杂草识别
考虑到作物和杂草的纹理参数多，需要的计算也较多，为增强实时性，选取专门针对 “二类模式”识别问题的支持向量机进行识别[15]。
3.1 数据预处理
引入Stprtool对玉米添加杂草的目标图像进行分类。首先对数据进行预处理，Stprtool的数据格式为…，拟对玉米苗期常见的15类杂草图像进行区分，因此将Stprtool的目标值设置为1～15共计15种结果。随后结合48个纹理特征经过约简之后的28个参数，作为代表目标图像纹理的28个特征向量。为了提升运算效率，避免由于部分特征参数过大或者过小对识别结果造成影响，对所有的数据进行归一化处理。
3.2 核函数的比较与选择
以MATLAB实现所有的算法。选取玉米苗期常见的15类杂草，每类的目标图像为10幅，共计150幅。以随机抽取的方式选取50%（75幅）的图像作为构建SVM的训练集，其余50%（75幅）作为测试集。为了观察支持向量机的识别精度，分别以不同的核函数进行测试并比较结果。选取的核函数有径向基函数、线性核函数和多项式核函数。表2为不同核函数的识别试验数据及对比。
由表2中数据可知，径向基函数识别率最高，达80.00%；其次是线性核函数和多项式核函数（二阶），识别率均为74.67%。高阶多项式核函数识别率则不太理想。分析其原因，主要是由于高阶多项式核函数使复杂度提升，导致“过学习”而影响了识别性能。
3.3 分类器的优化
考虑到每种核函数均有其优势，径向基函数属于局部核，所以其影响范畴局限于数据点周围，插值能力很强；而多项式核函数的优势则在于推广能力强。结合二者的优势对其进行组合，提升SVM的推广能力以及学习能力，增加对杂草图像的分类准确度[16，17]。基于以上的分析，构建优化的组合核函数如下：
K（x，y）=λ1（xy+1）q+λ2exp{-■}
其中，K（x，y）为核函数，x∈Rd，y∈[-1，1]为类别标识；（xy+1）q为径向基函数； exp{-■}为多项式核函数；λ1及λ2分别为径向基函数和多项式核函数（二阶）在组合核函数中所占的权重，且满足λ1+λ2=1。组合而成的核函数分别具备了较好的推广能力以及学习能力。选取不同的λ权重，识别试验数据及对比如表3所示。
由表3可知，λ1=0.2、λ2=0.8时识别率最高，达86.00%，该识别率也为不同核函数之间及不同权重组合之间的最高值。因此优化之后的分类器性能得到了较大程度的提升。经查证，识别错误的图片为将马塘误识别为玉米，经分析，可能存在的原因是两者纹理特征相近，在图像清晰度不足的情况下容易导致系统误判。为了进一步提升识别准确率，可以将纹理特征的识别结果与其他的特征相互组合，实现准确率更高的识别。
4 小结
结合玉米作物田间杂草的识别问题，提出了以纹理特征进行智能识别的方法，并提出了一种支持向量机分类器的优化方法。试验结果表明，优化之后的支持向量机对于玉米田间杂草纹理特征识别精度达到86.00%，能满足识别要求。试验结果有助于实现除草系统的自动化和智能化，并有利于减少除草剂喷洒量。
参考文献：
[1] EL-FAKI M S，ZHANG N，PETERSON D E.Factors affecting color based weed detection[J]. Transactions of the ASAE， 2000， 43（4）：1001-1009.
[2] TANG L，TIAN L，STEWARD B L.Color image segmentation with genetic algorithm for in-field weed sensing[J].Transactions of the ASAE，2000，43（4）：1019-1027.
[3] WOEBBECKE D M， MEYER G E，VON BARGEN K，et al. Color indices for weed identification under various soil，residual，and lighting conditions[J].Transactions of the ASAE，1995，38（1）：259-269.
[4] EL-FAKI M S，ZHANG N，PETERSON D E. Weed detection using color machine vision[J]. Transactions of the ASAE，2000， 43（6）：1969-1978.
[5] FRANZ E，GEBHARDT M R，UNKLESBAY K B. Shape description of completely visible and partially occluded leaves for identifying plants in digital images[J].Transactions of the ASAE，1991，34（2）：673-681.
[6] GUYER D E，MILES G E，SCHREIBER M M，et al. Machine vision and image processing for plant identification[J].Transactions of the ASAE，1986，29（6）：1500-1507.
[7] FRANZ E， GEBHARDT M R，UNKLESBAY K B. The use of local spectral properties of leaves as an aid for identifying weed seedlings in digital images[J]. Transactions of the ASAE，1991，34（2）：682-687.
[8] MEYER G E. Intensified fuzzy clusters for classifying plant， soil， and residue regions of interest from color images[J].Computers and Electronics in Agriculture，2004，42（3）：161-180.
[9] GOEL P K，PRASHER S O，PATEL R M，et al. Use ofairborne multi-spectral imagery for weed detection infield crops[J]. Transactions of the ASAE，2002，45（2）：443-449.
[10] 周 平，汪亚明，赵 匀.基于颜色分量运算与色域压缩的杂草实时检测方法[J].农业机械学报，2007，38（1）：116-119.
[11] TELLAECHE A， BURGOS-ARTIZZU X P，PAJARES G，et al. A vision-based method for weeds identification through the Bayesion decision theory[J]. Pattern Recognition，2008，41（2）：521-530.
[12] 刘立宏，胡可刚，刘立欣.目标检测中的快速中值滤波法[J].吉林大学学报（信息科学版），2004，22（3）：232-235.
[13] 李先锋，朱伟兴，孔令东，等.基于SVM和D―S证据理论的多特征融合杂草识别方法[J].农业机械学报，2011，42（11）：163，164-168.
[14] 范德耀.基于DSP的水稻杂草识别研究[D].杭州：浙江理工大学，2011.
[15] 邓乃扬，田英杰.数据挖掘中的新方法：支持向量机[M].北京：科学出版社，2004.
[16] 任 东，于海业，王纪华.基于线性组合核函数支持向量机的病害图像识别研究[J].农机化研究，2007（9）：41-43.
[17] 曲昆鹏. 基于支持向量机的杂草识别研究[D].哈尔滨：哈尔滨工程大学，2010.