1種基于全局對比度的害蟲收集方法

柳懿祥，汪杭軍，徐鐵平

（1. 浙江農林大學 信息工程學院，浙江 杭州 311300；2. 浙江農林大學 暨陽學院，浙江 諸暨 311800；3. 諸暨農業(yè)農村局，浙江 諸暨 311800）

現(xiàn)代農業(yè)和林業(yè)害蟲給糧食安全帶來嚴重威脅，每年產生巨大的經濟損失[1]。準確地監(jiān)測害蟲數(shù)量變化，預測害蟲爆發(fā)趨勢，可為害蟲管理行動提供可靠依據(jù)和正確管理方法[2-3]。近年來，出現(xiàn)了許多用于蟲害測報的新型害蟲誘殺設備及監(jiān)測系統(tǒng)，這些設備配有多種傳感器，可以上傳數(shù)據(jù)到用戶手機端，且可以定時對誘殺的害蟲拍攝然后識別計數(shù)[4-5]，節(jié)省了大量人力。害蟲誘殺設備及監(jiān)測系統(tǒng)進行蟲害測報的重要前提是如何準確分割害蟲，針對此問題，許多國內外學者對害蟲分割方法進行了研究。SOLIS-SáNCHEZ等[6]利用目標的幾何形態(tài)特征(偏心率、面積等)從誘蟲板上分割粉虱Aleyrodidae。NING等[7]提出交互式分割方法從復雜背景中分割害蟲。呂金娜[8]提出了基于LAB顏色空間的棉花Gossypiumspp.害蟲普適K聚類害蟲圖像分割方案，對典型棉花害蟲圖像進行分割。楊信廷等[9]提出了基于Prewitt、Canny邊緣檢測算子分割和支持向量機(SVM)的溫室粉虱和薊馬Thripidae誘蟲板的圖像識別算法。陳樹越等[10]提出改進的凹點檢測和精確分割點定位的方法，實現(xiàn)對黏連害蟲的分割。然而，上述方法大多用于單個害蟲情況，對于野外誘蟲裝置獲得圖像、害蟲產生輕微堆疊及顏色不一等問題還有待解決。害蟲的分割效果與設備的收集功能密不可分。李芝茹等[11]采用了追蹤式太陽能監(jiān)測裝置，在穩(wěn)定供能的同時也可升降采集不同高度的害蟲；張紅濤等[12]、張昊辰等[13]針對捕蟲誘集部分，設計了多種采集方法以及通道，來提升害蟲圖像質量。本研究針對害蟲收集裝置中的采集害蟲圖像分割精度的要求，根據(jù)害蟲面積與采樣盤面積的比例進行智能翻轉，針對翻轉功能需要克服的實際拍攝圖像光照不均勻，陰影干擾大，及害蟲種類顏色繁多等問題，提出了基于全局對比度的圖像分割方法，對裝置中的實際圖像進行分割處理，使其滿足采樣盤的智能翻轉要求。

1 害蟲收集方法

1.1 基于全局對比度的害蟲分割方法

害蟲的智能收集通過害蟲面積占比控制采樣盤翻轉完成，為了準確獲取此比例，需要對獲取的害蟲圖像有較高精度的分割。本研究結合基于直方圖對比度的顯著性檢測(HC)算法與閾值迭代算法，提出了滿足害蟲圖像精度的分割方法。整體方法流程如圖1所示。

圖1 方法流程圖Figure 1 Algorithm flow chart

為了減少多種顏色害蟲同時出現(xiàn)的頻率，首先將害蟲圖像分成150個同等大小的區(qū)域，每個區(qū)域大小約1只害蟲的面積。在分割區(qū)域操作的同時，計算顏色的出現(xiàn)頻率，高頻顏色替換低頻顏色，保證算法運行速度。在此基礎上通過HC算法檢測圖像中的淺色害蟲，結合閾值迭代算法分割背景顏色。得到的圖像淺色害蟲輪廓清晰，并避免了陰影的影響，但圖像中深色害蟲均未被分割，故將此前檢測出的淺色害蟲圖像中的像素點更新為黑色，加強深色害蟲與背景顏色的對比度。再根據(jù)直方圖計算顯著值完成對所有目標害蟲的檢測。顯著值的計算公式為：

式(1)中：a為每個像素的顏色值構成的矩陣；amax為a矩陣中所有值的最大值；amin為a矩陣中所有值的最小值；S為顯著值。

最后通過sigmoid函數(shù)對結果的圖像進行二值化計算得到最終的害蟲分割圖像，用此圖像可對害蟲面積比例進行計算，完成采樣盤翻轉的判定。公式為：

式(2)中：S為顯著值；為sigmoid函數(shù)。改進后的方法簡易且運行快速，效果顯著，可以更好地分割背景和害蟲，同時也能分割出深色害蟲清晰的輪廓。

1.2 HC 算法

在顯著性檢測算法中，HC算法運行速度較快，且可以保留顏色特征、有效地體現(xiàn)不同顏色的邊緣紋理。HC算法根據(jù)圖像的顏色直方圖分布，對顏色級數(shù)進行量化和平滑操作，最終計算每個像素的顏色與其他像素顏色的對比度定義為顯著值[14]。其計算公式為：

式(3)中：Ik為k點圖像顏色轉化為Lab顏色空間后的當前像素；Ii則是其余i點的每個像素；n是其余像素的個數(shù)；D為2個像素的歐式距離度量；S為顯著值。

在害蟲圖像中，會出現(xiàn)圖像顏色過多影響處理速度的問題。為了解決這個問題，采用了量化圖像顏色數(shù)據(jù)降低顏色數(shù)量的方法。對害蟲圖像壓縮，將具有相同顏色像素的組合在一起。公式為：

式(4)中：ci為i點當前像素Ik的顏色值；cj為其余j點的顏色值；n為顏色不同的像素數(shù)量；fj為j點像素顏色出現(xiàn)的頻率；D為顏色值間的歐式距離度量；S為顯著值。

由于自然圖像中的顏色種類只占全顏色空間的小部分，采取忽略出現(xiàn)頻率低的顏色值來進一步縮減顏色的數(shù)量，刪除的顏色值用保留下來的相近顏色值所代替。為了防止縮減顏色數(shù)量導致害蟲的輪廓細節(jié)被忽略，需保證選擇留下的高頻顏色在圖像中覆蓋的像素不少于95%。由于目的是完成對害蟲輪廓的分割，從而計算害蟲的面積，故此操作既不影響分割的精度，還成功提高了算法的運行效率。

由于在縮減顏色數(shù)量時，相近的顏色也許會被量化為不同的值，為了減少這類顏色對檢測害蟲區(qū)域時產生的噪聲，使用相近顏色的顯著值加權平均值代替原本的顯著值。其計算公式為：

式(5)中：S′為平滑顏色后的顯著值；S為原本的顯著值；T為要改善顏色c和m個最近的顏色ci之間的距離之和；D為要改善顏色c與最接近顏色ci的歐式距離度量。

接著獲取處理后圖像的顏色直方圖，計算1個像素與其余像素的歐式距離，求出所有距離之和，將此定義為顯著值。最后將像素的顏色值更新為求出的顯著值即處理完畢。

同時存在多種顏色害蟲時，單一使用HC算法存在無法提取深淺色害蟲的缺陷。原因是圖像中害蟲的種類以及顏色多樣，害蟲間的對比度過大，且存在一定的陰影及輕微重疊干擾。故本研究決定結合閾值迭代對害蟲圖像進行處理，以此優(yōu)化前景與背景之間的顏色差。

1.3 閾值迭代分割算法

利用閾值迭代分割算法解決了圖像各區(qū)域亮度不同等因素，可更好地分割圖像背景[15-16]。該算法可在不同區(qū)域采用不同的閾值進行分割，適合處理多種顏色害蟲混合的圖像，解決了害蟲陰影的干擾問題，完成了分割單一顏色背景的目的。

該算法主要通過迭代方式逼近最佳閾值，從而達到分割背景的目的，關鍵步驟在于找到最佳閾值。先將整幅圖像分成多張互相之間有50%重疊的子圖像，分別作出這些子圖像的直方圖。對這些子圖像的直方圖進行檢測，查看是否為雙峰，如果是雙峰，則進行閾值迭代法確定閾值，如果不是雙峰，就不進行處理。接著確定閾值，以此為依據(jù)劃分前景和背景。然后分出閾值的2邊數(shù)據(jù)為A和B部分。分別計算A和B部分的均值，然后再總的求A和B部分的均值即為新的閾值。設定迭代次數(shù)進行不斷尋找最佳閾值，用得到的閾值進行圖像的二值化。公式如下：

式(6)～(7)中：R(i, j)為圖像(i, j)像素點的灰度值；N(i, j)為(i, j)像素點的權重系數(shù)；TK為確定閾值；m為像素個數(shù)；R0與RG分別為目標和背景的平均灰度值。

2 結果與分析

2.1 圖像的獲取裝置

圖像獲取的步驟分為害蟲的誘殺收集和拍攝2步。害蟲的誘殺通過打開圖2的黑光燈引誘害蟲，害蟲飛至黑光燈邊上的電網時，被電死掉落到下方漏斗狀裝置內部，然后滑落到采樣盤上。攝像頭在LED燈點亮后進行拍攝，采集圖像大小為2 592像素×1 944像素。最后將拍攝的圖像傳送至控制系統(tǒng)內部進行圖像處理。

圖2 害蟲收集裝置示意圖Figure 2 Schematic diagram of pest collection device

2.2 不同底盤顏色的分割效果分析

本研究設備為Intel(R) Core(TM)i7-8750H CPU、16G 64位PC機和樹莓派官方500萬像素攝像頭，系統(tǒng)和軟件環(huán)境為Window10，Jupyter Notebook，Raspberry Pi3 B+。在實際裝置托盤上方20 cm處使用裝置內部的樹莓派攝像頭進行拍攝。研究樣本為5種害蟲在白底托盤和紅底托盤上的實際圖像。為了驗證本研究的可靠性與有效性，共選用100張實際拍攝圖像后運行算法，取平均值作為最后研究結果數(shù)據(jù)。因實際裝置的硬件性能所限制，且實際裝置對智能翻轉的圖像處理有一定的速度和精度需求，故排除與深度學習分割方法的對比。本研究選取了4種綜合處理效果較好的經典算法作為比較。

使用不同算法對實際攝像頭拍攝的圖片白底樣本進行分割。由圖3可見：本研究算法與實際比率的接近程度明顯高于其他算法。且在白底托盤中，本研究算法可以更好避免陰影的影響，分割出目標害蟲的輪廓。比較圖4和圖5可知：大津算法(OTSU)出現(xiàn)了錯誤分割陰影的結果，它將較多的陰影區(qū)域分割，將會導致害蟲比例嚴重誤判。而本研究算法較好改善了該問題，至于僅剩的陰影噪聲問題將通過改善拍攝條件彌補。

圖3 白底樣本分割效果對比Figure 3 Comparison of sample segmentation effects on white background

圖4 OTSU算法與本研究算法對陰影分割的比較Figure 4 Comparison of shadow segmentation between OTSU and research algorithm

白底樣本的分割結果(圖5)進一步表明：HC算法無法識別害蟲顏色與背景顏色對比度不高的害蟲，而本研究算法在改進其算法后，可以較清晰地分割出這些原本分割效果不佳的害蟲。

圖5 HC算法與本研究算法對害蟲細節(jié)分割的比較Figure 5 Comparison of HC algorithm and research algorithm on pest detail segmentation

綜合了白底樣本采樣盤易出現(xiàn)燈光照射以及陰影的干擾，且由于淺色害蟲與白色采樣盤背景對比度過于接近，更加不利于對害蟲的分割，故改進裝置的采樣盤為紅色。拍攝深色害蟲與淺色害蟲同時存在于采樣盤上時的圖像，作為紅底樣本，并使用不同算法對其進行分割處理。從圖6和圖7可見：其他算法主要完成了淺色害蟲的分割，但均無法分割出深色害蟲并計算害蟲面積。本研究算法則完成了深淺害蟲的同時分割，從圖7可清晰觀察到深色害蟲的翅膀及觸角等細節(jié)，證明本研究算法在多種顏色害蟲存在時分割結果更精確可靠。

圖6 紅底樣本分割效果對比Figure 6 Comparison of sample segmentation effects on red background

圖7 HC算法與本研究算法對深色害蟲分割的比較Figure 7 Comparison of HC algorithm and research algorithm on dark pest segmentation

2.3 分割效果評價分析

為了評價算法的分割圖像效果優(yōu)劣，本研究將采用平均分割時間、準確率和召回率對算法的分割結果進行衡量[17]。為了比較各算法的效率，將使其對每幅圖像進行多次分割，然后取平均處理時間來作最終評價。準確率(P)和召回率(R)的公式如下：

式(8)～(9)中：N為像素個數(shù)；Gn表示基準圖像第n個像素是否為分割目標像素；Sn表示分割圖像第n個像素是否為分割目標像素，值為0或1。本研究取權重系數(shù)為0.3，來防止由于顯著性檢測導致召回率過高的問題。準確率表示目標分割的準確性，召回率為檢測區(qū)域與基準圖像區(qū)域的比值，表示算法分割的完整性。使用選取的5種算法對樣本進行圖像處理，并且將人工分割的圖像作為基準圖像，得到3個評價指標(表1)。

由表1可知：本研究算法的準確率及召回率最高，其他算法易出現(xiàn)分割陰影等非目標輪廓，或分割不出深色害蟲。準確率相比其他4種算法均提高約13%。在召回率上，本研究算法提高了10%以上，最高達53%。準確率和召回率的提升，體現(xiàn)了本研究算法的精確性和可靠性。在分割速度方面，本研究算法高出水平集算法約3倍，且總耗時滿足裝置的實際需求。除水平集算法外，其他3種算法雖然分割時間短，但無法分割多種害蟲同時存在的圖像，故可以接受本研究算法小幅延長分割時間后，完成了更高要求的分割。

表1 準確率、召回率和分割速度對比Table 1 Comparison of accuracy recall, and segmentation speed

3 結論

本研究算法處理后得到的結果誤差控制在5%以內。即使在光照不穩(wěn)定和害蟲種類以及姿態(tài)復雜的環(huán)境下采集的圖像中，本研究算法也可以較精確避免輕微重疊和陰影的影響進行分割。在多種顏色害蟲同時存在時，本研究算法也可分割出幾乎接近實際害蟲的輪廓。因此，本研究算法簡單、高效且充分滿足分割精度和速度的需求，適宜于害蟲收集裝置內部使用，達到對害蟲比例進行準確計算的目的。