基于RGB颜色模型及图像二值化的红晕印鉴提取

基于特征选择的小麦籽粒品种识别研究∗冯继克1,郑颖1,李平1,李艳翠2,张自阳3,郭晓娟1(1.河南科技学院信息工程学院,河南新乡,453003;2.河南师范大学计算机与信息工程学院,河南新乡,453000;3.河南科技学院生命科技学院,河南新乡,453003)摘要:为有效地对小麦籽粒品种进行分类,判别影响小麦籽粒品种识别的特征,进行基于特征选择的小麦籽粒品种识别研究㊂首先采集农大3416-18㊁内乐288㊁衡水6632㊁百农419㊁洛麦28和新麦26六个品种的小麦籽粒图像18000张,对采集的图像进行预处理,提取小麦籽粒的颜色特征㊁形态特征和纹理特征三大类共28个特征值,并对特征进行相关性分析㊂然后分别构建不同特征融合模型以及数据降维和数据增强模型㊂最后进行试验分析,基于纹理+形态+颜色三个特征融合模型平均识别准确率为91.02%,其中基于纹理+形态+颜色特征模型的洛麦28识别率最高,达97.0%;经过线性判别分析,降维处理的小麦特征数据识别准确率达86.19%,模型训练时间仅0.87s ;基于数据增强后的平均识别准确率达94.26%㊂试验表明基于特征选择的小麦籽粒识别是可行的,有助于育种工作者对小麦籽粒识别做出更准确判断,具有一定的实际意义㊂关键词:小麦籽粒;特征选择;品种识别;特征融合;数据降维中图分类号:S 126:S 512㊀㊀文献标识码:A㊀㊀文章编号:20955553(2022)07011608冯继克,郑颖,李平,李艳翠,张自阳,郭晓娟.基于特征选择的小麦籽粒品种识别研究[J ].中国农机化学报,2022,43(7):116-123F e n g J i k e ,Z h e n g Y i n g ,L i P i n g ,L iY a n c u i ,Z h a n g Z i y a n g ,G u oX i a o ju a n .R e s e a r c ho n t h e i d e n t i f i c a t i o no fw h e a t g r a i n v a r i e t i e sb a s e do n f e a t u r e s e l e c t i o n [J ].J o u r n a l o fC h i n e s eA gr i c u l t u r a lM e c h a n i z a t i o n ,2022,43(7):116-123收稿日期:2021年7月6日㊀㊀修回日期:2022年5月9日∗基金项目:河南省科技攻关项目(212102110298㊁182102210048㊁222102210171㊁212102210431);河南省高等学校重点科研项目计划(20A 520013)第一作者:冯继克,男,1994年生,河南郏县人,硕士研究生;研究方向为农业信息化㊂E -m a i l :674513243@q q .c o m 通讯作者:李艳翠,女,1982年生,河南新乡人,博士,讲师;研究方向为农业信息化㊂E -m a i l :l i .y a n c u i @q q.c o m R e s e a r c ho n t h e i d e n t i f i c a t i o no fw h e a t gr a i n v a r i e t i e s b a s e d o n f e a t u r e s e l e c t i o n F e n g J i k e 1,Z h e n g Y i n g 1,L i P i n g 1,L i Y a n c u i 2,Z h a n g Z i y a n g 3,G u oX i a o ju a n 1(1.C o l l e g e o f I n f o r m a t i o nE n g i n e e r i n g ,H e n a n I n s t i t u t e o f S c i e n c e a n dT e c h n o l o g y ,X i n x i a n g ,453003,C h i n a ;2.C o l l e g e o f C o m p u t e r a n dI n f o r m a t i o nE n g i n e e r i n g ,H e n a nN o r m a lU n i v e r s i t y ,X i n x i a n g ,453000,C h i n a ;3.C o l l e g e o f L i f eS c i e n c e a n dT e c h n o l o g y ,H e n a n I n s t i t u t e o f S c i e n c e a n dT e c h n o l o g y ,X i n x i a n g ,453003,C h i n a )A b s t r a c t :I no r d e r t oe f f e c t i v e l y c l a s s i f y w h e a t g r a i nv a r i e t i e sa n di d e n t i f y th ec h a r a c t e r i s t i c st h a ta f f e c t t h e i d e n t i f i c a t i o no fw h e a t g r a i nv a r i e t i e s ,t h i s p a p e r r e s e a r c h t h e i d e n t i f i c a t i o n o fw h e a t g r a i n v a r i e t i e s b a s e d o n f e a t u r e s e l e c t i o n .F i r s t ,18000i m a g e s o fw h e a t g r a i n s f r o ms i xv a r i e t i e s o fN o n g d a 3416-18,N e i l e 288,H e n g s h u i 6632,B a i n o n g 419,L u o m a i 28,a n dX i n m a i 26w e r e c o l l e c t e d .A f t e r p r e p r o c e s s i n g t h e c o l l e c t e d i m a g e s ,a t o t a l o f 28f e a t u r ev a l u e sw e r ee x t r a c t e d i nt h r e ec a t e g o r i e so f c o l o r ,m o r p h o l o g y,a n d t e x t u r e f e a t u r e so fw h e a t g r a i n s ,a n dt h ec o r r e l a t i o na n a l y s i so f f e a t u r e sw a sc a r r i e do u t .T h e n ,d i f f e r e n t f e a t u r ef u s i o n m o d e l s ,f e a t u r e d a t ad i m e n s i o n a l i t y r e d u c t i o n m o d e l s ,a n dd a t ae n h a n c e m e n t m o d e l s w e r ec o n s t r u c t e d .F i n a l l y ,t h ee x p e r i m e n t a la n a l ys i s s h o w e d t h a t t h e a v e r a g e a c c u r a c y o f t h e t h r e e -f e a t u r e f u s i o nm o d e l b a s e d o n t e x t u r e+s h a pe+c o l o rw a s 91.02%.L u o m a i 28,b a s e d o n t h e t e x t u r e+s h a p e+c o l o r f e a t u r em o d e l ,w a s t h e h i g h e s t ,r e a c h i n g 97.0%.A f t e r d i m e n s i o n r e d u c t i o nb y L i n e a rD i s c r i m i n a n t A n a l y s i s (L D A ),t h e r e c o g n i t i o n a c c u r a c y o fw h e a t f e a t u r e d a t a r e c o g n i t i o nw a s 86.19%,a n d t h e t r a i n i n g t i m e o f t h em o d e l w a s o n l y0.87s .A f t e r d a t ae n h a n c e m e n t ,t h ea v e r a g e r e c o g n i t i o na c c u r a c y r e a c h e d94.26%.T h ee x pe r i m e n t ss h o w e dt h a t t h ew h e a t g r a i n r e c o g n i t i o nb a s e do nf e a t u r e s e l e c t i o nw a s f e a s i b l e ,w h i c hw a sh e l p f u l a n d p r a c t i c a l f o r b r e e d e r s t om a k em o r e a c c u r a t e j u dg m e n t s o n th ei d e n t i f i c a t i o no fw h e a t g r a i n s .K e yw o r d s :w h e a t g r a i n ;f e a t u r e s e l e c t i o n ;v a r i e t y r e c o g n i t i o n ;f e a t u r e f u s i o n ;d a t ad i m e n s i o n a l i t y r e d u c t i o n Copyright ©博看网. All Rights Reserved.0㊀引言小麦是我国重要粮食作物之一,培育优良品种对提高粮食产量有重要作用㊂籽粒是育种基础,提高籽粒识别准确率可有效提高育种效率㊂目前,国内外对小麦与类似谷物分类的识别研究主要通过数码相机㊁传感器㊁扫描仪㊁光谱仪等获取R G B图像或高光谱图像,通过对图像提取特征或直接使用图像构建神经网络模型进行识别,识别准确率大多能达90%以上[19]㊂基于特征的籽粒识别方法在小麦㊁水稻㊁玉米和苦荞等作物中均得到应用㊂在小麦籽粒品种识别方面,孟惜等[10]提取了小麦的23个特征参数,利用P S O算法优化网络后识别6个品种的小麦,平均识别准确率增加至94.3%㊂冯丽娟等[11]提出了利用稀疏表示的方法识别4个小麦品种,与B P神经网络方法比较,稀疏表示方法对于4个小麦品种识别准确率达到96.7%,比B P神经网络高2个百分点㊂何红霞[12]提取了8类小麦的颜色特征㊁形态特征和纹理特征共37个参数,使用粒子群算法对神经网络进行优化,分类准确率达96.32%,均方根误差0.443㊂刘飞[13]提取了小麦的4个形状特征和6个颜色特征,使用颜色和形状特征相结合,对3个品种㊁4个品种和5个品种的小麦籽粒识别准确率分别达95.6%,93.3%和89.3%㊂张强[14]使用图像处理软件提取了苦荞种子的28个特征参数,对11个品种的苦荞种子识别,取得较好的识别效果㊂冯晓星等[15]提取了5个品种稻谷的光谱信息和图像特征共27个参数,采用B P-A N N的分类效果较好㊂彭灿[16]对提取的玉米籽粒图像特征,通过线性相关性分析筛选参数,提高了系统识别效率㊂由于对图像提取特征进行籽粒识别的方法需要提取的特征较多,数据维度较大,很多研究者对特征进行融合㊁降维等处理以提高效率㊂李秀昊等[17]将提取的6个形状特征参数和15个颜色特征参数融合,采用S VM分类器对稻谷进行识别,识别准确率达99.5%㊂付晓鹏[18]采集了44个品种的大豆种粒图像并构建数据集,提取了大豆种粒图像的形状㊁H S I颜色以及纹理3类特征参数,并采用P C A对特征参数进行降维,采用L WK N C N算法识别6种大豆种粒图像,最高识别率为85.61%㊂李东[19]利用主成分分析方法对提取的4类水稻种子的10个自变量进行数据分析与降维处理,运用余弦相似度的方法对稻花香2号水稻进行最终鉴别,识别正确率为88%㊂黄琼等[20]利用贝叶斯分类器对经过L D A降维处理后的水稻种子进行识别,识别准确率高达99.4%㊂冯晓星等[15]对提取稻谷的27个特征参数进行P C A降维,使得稻谷识别更加高效㊂结合籽粒识别和专家人工分辨发现,小麦籽粒品种的识别准确率仅与少数重要的特征关系较大㊂为判别影响品种识别的重要特征参数和提高识别效率,本文进行基于特征选择的小麦籽粒品种识别㊂首先采集农大3416-18㊁内乐288㊁衡水6632㊁百农419㊁洛麦28和新麦26六个不同品种的小麦籽粒图像,经过预处理提取了小麦的颜色㊁纹理和形态共计28个特征参数㊂然后采用不同的分类器进行识别,构建不同的特征融合模型和对特征数据进行降维处理,并对图像进行数据增强㊂通过多个试验对比分析,筛选出影响小麦籽粒识别的重要特征,并确定适合小麦籽粒识别的模型,以达到快速并准确识别小麦籽粒品种的目的㊂1㊀试验材料与方法1.1㊀图像采集本文小麦籽粒样本均由河南科技学院生命科技学院提供,其获取时间为2020年9 10月㊂选用农大3416-18㊁内乐288㊁衡水6632㊁百农419㊁洛麦28和新麦26共6个品种的小麦种子作为试验对象,图1给出每个品种的图片样例㊂(a)农大3416-18㊀(b)内乐288(c)衡水6632㊀(d )百农419(e)洛麦28㊀(f)新麦26图1㊀6个品种的小麦籽粒图像示例F i g.1㊀I m a g e e x a m p l e s o f s i xw h e a t v a r i e t i e s为获取清晰准确的图片,本文使用体视显微镜拍摄小麦种子图片,拍摄时以黑色吸光绒布为背景, 体视显微镜 参数设置为放大倍数为1倍,2688ˑ1520的分辨率,自动白平衡(AW B)和宽动态平衡(WD R)选择关闭,L E D补光灯设置为中等,通过调整体视显微镜右侧焦螺旋对小麦种子聚焦,在室内自然光照和灯光条件下,完成小麦种子图片拍摄㊂为保证籽粒完整性,每个品种小麦籽粒挑选出颗粒饱满的种子1100粒㊂小麦籽粒图像采集考虑实际情况,图片保存为Copyright©博看网. All Rights Reserved.P N G 格式,图片大小为2688ˑ1520像素㊂拍摄采取单粒分角度拍摄,每粒小麦分别拍摄腹沟向上㊁腹沟朝前45ʎ和腹沟向下3个角度的3张图片,最后筛选出拍摄清晰㊁背景纯的1000粒小麦籽粒图像,共计18000张图片㊂分别将小麦籽粒图片分品种按角度进行存储㊂1.2㊀图像预处理本试验采集的小麦籽粒图像为R G B 图像,在实验室拍摄过程中,图像的获取容易受拍摄器材㊁拍摄背景及光照等因素影响,形成图像噪声,影响识别精度㊂因此,在特征提取之前需要对原始图像进行去背景㊁滤波降噪和二值化等处理,以降低图像噪声,如图2所示㊂(a )R G B 图像㊀(b)高斯滤波图像(c)二值化图像㊀(d)边缘图像图2㊀小麦籽粒预处理图像F i g .2㊀P r e p r o c e s s e d i m a ge o fw h e a t g r a i n ㊀㊀本文预处理过程及结果如下:原始图像经过去背景,如图2(a )所示;灰度处理,将R G B 图像经过灰度化得到小麦的灰度图像,采用高斯滤波方法对灰度图像增强,以达到降低噪声,保证边缘的效果,如图2(b)所示;图像二值化,图2(c )是对高斯滤波图像进行二值化处理后的图像;获取图像边缘,图2(d )的边缘图像用于提取小麦的形态特征㊂1.3㊀特征提取与分析根据拍摄角度,将小麦图片按腹沟向上㊁腹沟朝前45ʎ和腹沟向下分别提取形态特征㊁颜色特征和纹理特征3方面共计28个参数,不同品种㊁不同小麦籽粒之间有不同的参数值㊂将提取的特征按品种分角度保存成 .c s v文件㊂1.3.1㊀小麦籽粒形态特征提取小麦籽粒的形态特征是可以直接展现小麦外观的重要参数,本文选取面积A ㊁周长C ㊁长轴轴长L ㊁短轴轴长W ㊁离心率e 1㊁外接矩形面积S 1㊁惯性矩c o n ㊁圆形度C 1和矩形度R 1共9个特征参数㊂6个品种小麦平均形态特征参数如表1所示㊂可以看出,对比面积百农419明显区分于其他5个品种,并且不同品种小麦籽粒的其他形态特征参数均存在一定差异㊂因此,形态特征可用来识别不同小麦籽粒品种㊂表1㊀6个品种的小麦形态特征参数均值T a b .1㊀M e a nv a l u e s o fm o r p h o l o gi c a l f e a t u r e p a r a m e t e r s o f s i xw h e a t v a r i e t i e s 参数农大3416-18内乐288衡水6632百农419洛麦28新麦26A 9473.319887.697816.7510025.059863.938752.27C 645.27660.64604.14669.89680.93626.62L 245.36255.64240.96270.73265.36259.09W 130.94132.08117.94133.72134.97122.51e 10.8440.8550.8700.8680.8600.879S 132188.3733833.9628493.3336253.9336206.1531867.06c o n 27613022.829526947.220051715.732268283.534289657.524213676.9C 10.2940.2920.2730.2760.2720.274R 10.2870.2880.2700.2800.2690.2791.3.2㊀小麦籽粒颜色特征提取颜色特征同样是识别小麦籽粒品种信息的重要指标㊂本文提取了R G B 颜色模型的R ㊁G ㊁B 分量,但是R ㊁G ㊁B 分量受光照等因素影响较大,为降低客观因素带来的品种识别率误差㊂同时提取了H S V 模型中的色调H ㊁饱和度S 和亮度V ㊂颜色矩是一种有效表示颜色特征的方法,有一阶矩(即均值,m e a n )㊁二阶矩(即标准差,v a r i a n c e)和三阶矩(即斜度,s k e w n e s s )等,由于颜色信息主要分布于低阶矩中,所以本文提取了一阶矩㊁二阶矩和三阶矩用来表达小麦籽粒图像的颜色分布㊂6个品种小麦平均颜色特征参数如表2所示,由于受小麦本身色度及光照等影响,不同小麦之间的R ㊁G 和B 均存在差异,同时不同品种之间的H ㊁S 和V 及其分量也存在较大不同,因此颜色特征可以用来区分小麦品种㊂Copyright ©博看网. All Rights Reserved.表2㊀6个品种的小麦颜色特征参数均值T a b.2㊀M e a nv a l u e s o f c o l o r f e a t u r e p a r a m e t e r s o f s i xw h e a t v a r i e t i e s参数农大3416-18内乐288衡水6632百农419洛麦26新麦28 R2.975.124.652.682.102.21 G8.146.555.475.064.222.69 B10.586.975.776.114.882.85 H98.7591.0388.6098.4594.8093.26 S131.6155.5049.38103.37114.5758.44 V147.03142.74145.27158.59165.02164.94 H均值3.244.654.343.764.384.04 H标准差8.3913.8414.289.6611.2312.43 H斜度13.9923.7624.8016.3818.3921.85 S均值19.978.796.6717.5520.228.63 S标准差49.0724.3220.8841.1745.7024.20 S斜度65.6938.2034.9555.2060.1937.53 V均值22.3922.6419.6927.1527.8024.35 V标准差54.8954.3551.6262.0463.7460.25 V斜度72.3171.1269.8279.4482.1579.37 1.3.3㊀小麦籽粒纹理特征提取本文采用灰度共生矩阵的方法提取了纹理特征中的逆方差I DM㊁能量A S M㊁熵E N T和对比度C O N共4个特征参数㊂逆方差反应纹理的清晰和规则程度,值越大,纹理越清晰,规律性越强;能量是图像的灰度分布和纹理粗细的度量值;熵表示该超像素块的纹理复杂度;逆方差用来度量局部灰度相关性㊂6个品种小麦的平均纹理特征参数如表3所示㊂表3㊀6个品种的小麦纹理特征参数均值T a b.3㊀M e a nv a l u e s o f t e x t u r e f e a t u r e p a r a m e t e r s o fs i xw h e a t v a r i e t i e s参数农大3416-18内乐288衡水6632百农419洛麦26新麦28I DM0.720.710.750.690.700.73A S M0.0530.0430.0450.0540.0750.061 E N T0.860.890.790.940.970.85C O N0.9770.9800.9800.9760.9710.9761.3.4㊀特征相关性分析为分析提取到的特征之间的关联,本文采用相关系数的方法对特征参数进行相关性分析㊂结果如图3~图5所示,分别为形态㊁颜色和纹理3个特征相关性热力图,颜色刻度条越浅,说明两特征相关性越强,相关系数越接近1或-1,表明正/反线性关系越强,相关系数为0则表示两个变量间没有线性关系㊂由图3可知周长和矩形度,短轴轴长和离心率,离心率和惯性矩刻度条颜色较深,其之间负相关性较弱㊂矩形度和短轴轴长相关性为-0.035,相关性较小㊂外接矩形面积和惯性矩相关性为0.97,其正相关性最大㊂图3㊀形态特征相关性热力图F i g.3㊀M o r p h o l o g i c a l f e a t u r e c or r e l a t i o nh e a tm a p图4㊀颜色特征相关性热力图F i g.4㊀C o l o r f e a t u r e c o r r e l a t i o nh e a tm a pCopyright©博看网. All Rights Reserved.图5㊀纹理特征相关性热力图F i g.5㊀T e x t u r e f e a t u r e c o r r e l a t i o nh e a tm a p从图4可以看出,R㊁G和B与亮度均存在较大负相关性,说明R㊁G和B颜色分量越大,亮度就越高㊂饱和度和亮度与其分量之间均存在较大正相关㊂从图5可以看出,逆方差与熵之间存在较大负相关性,能量和熵存在较大正相关性㊂1.4㊀试验方法本试验用到了6个品种小麦籽粒特征数据,剔除个别无效数据,共保留17997组特征数据,将80%的小麦籽粒图像特征参数作为训练集,10%的特征参数作为验证集,剩余10%的特征参数作为测试集,将提取的小麦籽粒图像的颜色㊁形态和纹理3方面共28个特征参数,作为K近邻(K N N)㊁贝叶斯(B a y e s)㊁支持向量机(S VM)和随机森林(R a n d o m F o r e s t)的输入数据,实现小麦籽粒的品种识别㊂具体的操作流程如下㊂1)随机选取80%的特征参数作为训练集,10%的特征参数作为验证集,剩余10%的特征作为测试集㊂2)提取小麦图像的颜色㊁形态和纹理3方面共计28个特征参数㊂3)将28个特征参数进行[0,1]归一化处理,分别作为K近邻㊁贝叶斯㊁支持向量机和随机森林的输入数据㊂4)训练K近邻㊁贝叶斯㊁支持向量机和随机森林分类模型㊂5)采用训练好的模型对测试集进行测试,得到分类预测结果并作对比㊂1.4.1㊀构建不同特征融合模型为了验证不同特征对小麦籽粒品种识别的效果,本试验将提取的小麦种子图像的9个形态特征㊁4个纹理特征和15个颜色特征,以及两两特征和3个方面特征融合,构建7个特征融合模型,即形态特征模型㊁纹理特征模型㊁颜色特征模型㊁纹理+颜色特征模型㊁纹理+形态特征模型㊁形态+颜色特征模型和纹理+形态+颜色特征模型,并对不同特征模型进行识别结果比较㊂1.4.2㊀构建不同特征数据降维模型为提升小麦籽粒品种识别效率和判别影响识别准确率主要因素,采用机器学习软件包s k l e a r n库中S e l e c t K B e s t㊁P C A和L D A模型降维与原始数据集识别结果进行对比,对28个特征参数进行降维分析,分别选出前5个重要特征参数作为K N N分类器输入数据,以精确率㊁召回率和F1值等作评价指标,对降维数据结果进行分析对比㊂1.4.3㊀构建数据增强模型由于小麦籽粒图像采集过程中容易受光照㊁背景和拍摄仪器等影响,为提升识别精确度,提高模型的泛化能力,经过分析对比选取腹沟朝前45ʎ这一角度原始图像,采用p y t h o n中P I L的I m a g e E n h a n c e函数,对亮度㊁色度㊁对比度和锐度进行随机增强,数据增强的标准以不明显影响原始图像区分度为准,将原始数据扩充4倍,并提取对应特征参数,作为分类器输入参数,对识别结果进行分析㊂数据增强后图像如图6所示㊂(a)原始图像㊀(b)去背景图像(c)亮度增强㊀(d)色度增强(e)对比度增强㊀(f)锐度增强图6㊀数据增强前后图像F i g.6㊀I m a g e sb e f o r e a n da f t e r d a t a e n h a n c e m e n t2㊀试验结果与分析本文试验均用到了农大3416-18㊁内乐288㊁衡水6632㊁百农419㊁洛麦28和新麦26六个小麦籽粒品种特征数据,因受随机因子等因素影响,每次试验结果存在一定不同,故任选取5次试验结果平均值㊂表4为28个原始特征参数归一化处理后,在B a y e s㊁S VM㊁R a n d o m F o r e s t和K N N四个分类器上的识别结果,可以看出R a n d o m F o r e s t分类器训练时间最短,仅0.035s,远低于K N N分类器训练时间,但Copyright©博看网. All Rights Reserved.K N N分类器测试集识别准确率高达91.02%,高出B a y e s识别率18.12个百分点,高出S VM识别率5.85个百分点,高出R a n d o m F o r e s t识别率7.55个百分点㊂同时,以分类结果的准确率㊁精确率㊁召回率和F1值为评价指标,K N N模型均优于其他3类模型,因此在本文提取的特征数据上,K N N模型较其他3个模型更适用于小麦籽粒品种分类㊂表4㊀小麦籽粒原始数据集分类结果T a b.4㊀C l a s s i f i c a t i o n r e s u l t s o f t h e o r i g i n a l d a t a s e t o fw h e a t g r a i n s模型时间/s训练准确率/%测试集准确率/%精确率/%召回率/%F1/%B a y e s0.06673.2872.974.3672.9372.78 S VM1.52384.7485.1785.7485.0685.04 R a n d o mF o r e s t0.03586.4984.5684.7784.5784.53 K N N7.43194.0491.0291.2591.0491.19 2.1㊀基于不同特征融合的分类结果原始特征共有形态㊁颜色㊁纹理3类28个特征参数,本试验将3类特征进行组合构建了7组特征融合模型,利用上述分类效果较好的K N N模型对其进行分类识别,识别精确率结果如表5所示,其中平均识别率为单个特征模型的平均识别准确率㊂由表5可知,相比形态和纹理特征模型,在单个特征模型作为数据集用来识别时,颜色特征模型平均识别率达到89.13%,其中农大3416-18识别精确率达96.2%㊂在两个特征融合的识别率中,纹理+颜色特征模型平均识别率最高,达90.66%,高于纹理+形态特征模型34.52个百分点㊂纹理+形态+颜色三个特征融合模型平均识别率为91.02%,为7个特征融合模型识别准确率最高㊂在所有品种识别精确率中,基于纹理+形态+颜色特征模型的洛麦28识别精确率最高,达97.0%,基于纹理特征模型农大3416-18识别精确率最低,为26.0%,两者相差71个百分点㊂通过分析表5识别结果,可以看出基于不同特征融合的小麦籽粒品种识别中,纹理+形态+颜色特征模型平均识别率为91.02%,高于识别率最低的纹理特征模型47.88个百分点㊂与颜色特征融合的3个特征模型,平均识别率均达89%以上,远高于形态㊁纹理和纹理+形态特征融合模型的识别准确率㊂由此可见,颜色特征在识别结果中贡献度较大,鉴于个别特征参数的提取可能受拍摄条件㊁光照及拍摄仪器等外在因素影响,以下试验将对特征参数做降维处理与分析㊂表5㊀基于不同特征融合的小麦籽粒品种识别精确率T a b.5㊀R e c o g n i t i o n r e s u l t s o fw h e a t g r a i nv a r i e t i e sb a s e do n t h e f u s i o no f d i f f e r e n t c h a r a c t e r i s t i c s品种识别精确率/%形态纹理颜色纹理+颜色纹理+形态形态+颜色纹理+形态+颜色农大3416-1842.026.096.295.849.095.696.2内乐28836.642.679.282.450.682.683.0衡水663246.841.680.684.049.881.084.6百农41939.642.493.493.456.292.692.4洛麦2855.867.493.896.868.295.297.0新麦2654.250.692.292.668.692.894.4平均识别率44.9943.1489.1390.6656.1489.9891.022.2㊀基于特征降维的分类结果2.2.1㊀特征降维数据分析由于L D A降维最多降到类别数k-1,即5维,因此试验中降维模型均选取5维数据作对比㊂利用s k l e a r n.S e l e c t K B e s t函数选取了m o d e l. s c o r e s_得分最高的前5个重要特征,分别为饱和度(S)㊁饱和度的三阶矩(S斜度)㊁饱和度的二阶矩(S 标准差)㊁色调的三阶矩(H斜度)和饱和度一阶矩(S均值);经过P C A降维后,选取了贡献率最大前5个主成分,前5个主成分贡献率累计87.57%,占比分别为39.87%㊁19.57%㊁17.64%㊁5.7%和4.79%㊂如图7(a)所示,经P C A降维后的数据,受拍摄角度影响,洛麦28㊁衡水6632和新麦26等同样本内比较分散㊂衡水6632㊁百农419和农大3416-18样本之间分布距离较大,容易区分㊂其他品种之间既有分散又存在重合;经过L D A降维后,前5个判别因子累计贡献率将近100%,判别因子贡献率分别为55.14%㊁20.79%㊁12.74%㊁7.34%和3.99%㊂如图7(b)所示,不同样本之间重合度较大,农大3416-18㊁衡水6632和新麦26之间既有少部分重合,同时其他样本之间又较分散㊂Copyright©博看网. All Rights Reserved.(a )P C A 对特征降维(b )L D A 对特征降维图7㊀特征参数降维结果展示F i g .7㊀F e a t u r e p a r a m e t e r d i m e n s i o n a l i t y r e d u c t i o n r e s u l t d i s p l a y2.2.2㊀特征降维数据分类结果对比经过S e l e c t K B e s t ㊁P C A 和L D A 降维处理后,采用K N N 分类模型进行识别,如表6所示㊂表6㊀特征降维数据分类结果T a b .6㊀F e a t u r e r e d u c t i o nd a t a c l a s s i f i c a t i o n r e s u l t s模型时间/s训练准确率/%测试集准确率/%精确率/%召回率/%F 1/%A l l 7.43194.0491.0291.2591.0491.19S e l e c t -K B e s t 0.92881.9975.3875.475.3374.9P C A 0.86285.679.5679.5379.679.43L D A0.8789.9486.1986.2386.3386.1㊀㊀根据S e l e c t K B e s t 的m o d e l .s c o r e s _得分模型将原始28个特征降到5维,测试集识别准确率下降到75.38%,但识别效率提升㊂经过L D A 降维处理后的识别结果,训练时间仅为0.87s ,较原始数据训练时间大大降低,同时也优于其他两个降维数据的训练时间㊂就识别准确率来讲,L D A 方法测试集识别准确率为86.19%,高于S e l e c t K B e s t 方法10.81个百分点,高于P C A 方法6.63个百分点,但是就全部特征识别准确率下降了4.83个百分点㊂依据训练时间㊁准确率㊁精确率㊁召回率和F 1评价结果,说明L D A 降维模型具有一定的高效性和实用性㊂2.3㊀基于数据增强的分类结果2.3.1㊀不同角度小麦籽粒识别结果本文试验数据在拍摄时采用3个角度分别拍摄一个籽粒,本部分采用分角度试验来考察不同角度对小麦籽粒识别结果的影响㊂表7为腹沟向上㊁腹沟朝前45ʎ和腹沟朝下3个不同角度的识别结果,可以看出,腹沟朝前45ʎ在测试集识别准确率为91.83%,高于腹沟向上1.16个百分点,高于腹沟朝下1.43个百分点㊂同时,在测试集的精确率㊁召回率和F 1值3个评价指标上,腹沟朝前45ʎ均高于其他两个角度的,因此在接下来试验中选取腹沟朝前45ʎ这一角度的小麦籽粒图像作数据增强㊂表7㊀不同角度小麦籽粒分类结果T a b .7㊀C l a s s i f i c a t i o n r e s u l t s o fw h e a t g r a i n s f r o md i f fe r e n t a n gl e s 数据集时间/s训练准确率/%测试集准确率/%精确率/%召回率/%F 1/%腹沟向上1.23694.3490.6790.8090.6390.67腹沟朝前45ʎ1.15693.6791.8391.8091.6791.67腹沟朝下1.15593.5990.4090.5390.2089.932.3.2㊀原始数据与数据增强识别结果腹沟朝前45ʎ的小麦籽粒图像共抽取5999组特征数据,但原始数据有17997组㊂为避免数据过少,本部分采用图像增加方法进行试验,数据增强方法如1.4.3节所述㊂数据增强4倍后共抽取29995组特征数据,在K N N 模型分类结果如表8所示㊂表8㊀数据增强前后分类结果T a b .8㊀C l a s s i f i c a t i o n r e s u l t sb e f o r e a n da f t e r d a t a e n h a n c e m e n t数据集时间/s训练准确率/%测试集准确率/%精确率/%召回率/%F 1/%原始数据集7.43194.0491.0291.2591.0491.19腹沟朝前45ʎ1.15693.6791.8391.891.6791.67增强后数据集17.22296.6794.2694.394.1794.13㊀㊀从表8可以看出,随着数据量的增多,增强后的数Copyright ©博看网. All Rights Reserved.据集运算时间增加㊂在训练集识别上,增强后数据集识别准确率达96.67%,高于其他两个数据集识别准确率㊂测试集中增强后数据集识别准确率达94.26%,高于原始数据集3.24个百分点,高于腹沟朝前45ʎ单角度识别率2.43个百分点㊂增强后的数据集精确率㊁召回率和F1值均明显优于其他两类数据集㊂因此通过数据增强的方法对小麦籽粒品种识别准确率有一定提高㊂3㊀结论1)采集了6个市场推广面积比较广的小麦籽粒品种图像,每个品种分别采集1000粒,每粒分别采集腹沟向上㊁腹沟朝前45ʎ和腹沟朝下3张图像,每个品种采集了3000张图像,共计18000张,构建小麦籽粒图像数据库㊂提取小麦籽粒的颜色特征㊁形态特征和纹理特征共28个特征参数后,保留可用的17997组特征数据,用于小麦品种的识别㊂2)提取小麦籽粒的9个形态特征㊁15个颜色特征和4个纹理特征,构建了形态特征模型㊁纹理特征模型㊁颜色特征模型㊁纹理+颜色特征模型㊁纹理+形态特征模型㊁形态+颜色特征模型和纹理+形态+颜色特征模型7个特征模型,采用K N N分类器对不同特征模型进行识别结果比较,结果表明:基于纹理+形态+颜色特征模型,平均识别准确率为91.02%,高于其他特征融合模型,其中基于纹理+形态+颜色特征模型的洛麦28识别率最高,达97.0%㊂3)针对小麦籽粒品种识别容易受光照等外在因素的影响,对提取的28个特征参数进行降维处理与分析,利用S e l e c t K B e s t函数方法选取前5个重要特征,分别为饱和度(S)㊁饱和度的三阶矩(S斜度)㊁饱和度的二阶矩(S标准差)㊁色调的三阶矩(H斜度)和饱和度一阶矩(S 均值);采用L D A降维,前5个判别因子贡献率累计接近100%,测试集识别准确率达86.19%,模型训练时间0.87s,极大提升了小麦籽粒识别效率㊂4)选取腹沟朝前45ʎ小麦籽粒图像进行亮度㊁色度㊁对比度和锐度的随机增强,并对提取特征识别结果与原始3个角度和单角度识别结果分析对比,增强后数据集识别准确率达94.26%,高于原始数据集3.24个百分点,高于腹沟朝前45ʎ单角度识别率2.43个百分点㊂提升了小麦籽粒品种识别模型的泛化能力,同时一定程度提高了小麦籽粒品种识别效果㊂参㊀考㊀文㊀献[1]阳灵燕,张红燕,陈玉峰,等.机器学习在农作物品种识别中的应用研究进展[J].中国农学通报,2020,36(30): 158-164.[2]Z h o uQ,H u a n g W Q,T i a nX,e t a l.I d e n t i f i c a t i o no f t h e v a r i e t y o f m a i z e s e e d s b a s e d o n h y p e r s p e c t r a li m a g e s c o u p l e dw i t h c o n v o l u t i o n a l n e u r a l n e t w o r k s a n d s u b r e g i o n a l v o t i n g[J].J o u r n a l o f t h e S c i e n c e o f F o o d a n dA g r i c u l t u r e, 2021,101(11).[3]陈文根,李秀娟,吴兰.基于深度卷积网络的小麦品种识别研究[J].粮食储藏,2018,47(2):1-4,13. [4]赵献立,王志明.机器学习算法在农业机器视觉系统中的应用[J].江苏农业科学,2020,48(12):226-231. [5]张玉荣,陈赛赛,周显青,等.基于图像处理和神经网络的小麦不完善粒识别方法研究[J].粮油食品科技,2014,22 (3):59-63.[6]C h a t n u n t a w e c h I,T a n t i s a n t i s o m K,K h a n c h a i t i tP,e t a l.R i c eC l a s s i f i c a t i o n u s i n g h y p e r s p e c t r a l i m a g i n g a n dd e e p c o n v o l u t i o n a l n e u r a l n e t w o r k[J].a r X i v,2018(18):1-22.[7]F a b i y i S,H a i V,T a c h t a t z i sC,e t a l.V a r i e t a l c l a s s i f i c a t i o n o fr i c es e e d su s i n g R G B a n d h y p e r s p e c t r a li m a g e s[J].I E E E A c c e s s,2020,8:22493-22505.[8]Q i uZJ,C h e n J,Z h a oY Y,e t a l.V a r i e t y i d e n t i f i c a t i o no f s i n g l e r i c e s e e du s i n g h y p e r s p e c t r a l i m a g i n g c o m b i n e dw i t h c o n v o l u t i o n a l n e u r a l n e t w o r k[J].A p p l i e dS c i e n c e s,2018, 8(2):212-224.[9]J a v a n m a r d i S,A s h t i a n i S M,V e r b e e k F J,e t a l.C o m p u t e r-v i s i o nc l a s s i f i c a t i o no fc o r ns e e dv a r i e t i e su s i n g d e e p c o n v o l u t i o n a ln e u r a ln e t w o r k[J].J o u r n a lo fS t o r e d P r o d u c t sR e s e a r c h,2021,92.[10]孟惜,王克俭,韩宪忠.基于改进B P网络的小麦品种识别[J].贵州农业科学,2017,45(10):156-160. [11]冯丽娟,李秀娟,文成林.基于稀疏表示的小麦品种识别[J].江南大学学报(自然科学版),2015,14(6): 730-735.[12]何红霞.基于机器视觉的小麦种子品种分类模型研究[D].合肥:安徽农业大学,2018.[13]刘飞.基于形态和颜色特征的小麦籽粒分类识别[D].郑州:河南农业大学,2018.[14]张强.基于图像处理的苦荞品种判别[J].中国粮油学报, 2015,30(5):128-132.[15]冯晓星,许学.基于机器视觉的稻谷品种鉴别方法比较[J].电子技术与软件工程,2019(18):86-88. [16]彭灿.基于机器视觉的玉米水分和破损籽粒检测方法研究[D].长春:吉林大学,2019.[17]李秀昊,马旭,李泽华,等.基于特征融合和S V M的稻谷品种识别[J].中国农机化学报,2019,40(7):97-102.L iX i u h a o,M aX u,L i Z e h u a,e t a l.I d e n t i f i c a t i o no f r i c e v a r i e t y b a s e d o n m u l t i-f e a t u r e f u s i o n a n d S VM[J]. J o u r n a l o fC h i n e s eA g r i c u l t u r a lM e c h a n i z a t i o n,2019,40(7):97-102.[18]付晓鹏.基于计算机视觉的大豆品种识别技术的研究[D].哈尔滨:东北农业大学,2017.[19]李冬.基于图像的稻花香水稻种子鉴别方法的研究[D].大庆:黑龙江八一农垦大学,2018.[20]黄琼,杨红云,万颖.基于特征数据的水稻种子分类识别方法[J].江苏农业学报,2021,37(1):8-15.Copyright©博看网. All Rights Reserved.。

基于混合 RGB和 HSV 方法的人脸检测李枫【摘要】采用一种简单而强大的基于肤色的人脸检测技术，将基于RGB和基于HSV的色彩模型组合来进行肤色分割，以提高检测的准确率。

实验结果显示，本文描述的算法在识别一张人脸和多张人脸的情况下可以达到90％以上的准确率。

%Using a kind of simple and powerful face detection method , we split the color of face based on RGB and HSV to improve detectionaccuracy .The experimental results show that using this algorith can improve accu-racy on face recognition up to 90%.【期刊名称】《兰州工业学院学报》【年(卷),期】2013(000)005【总页数】4页(P25-28)【关键词】人脸检测;肤色分割和定位;RGB;HSV【作者】李枫【作者单位】太原警官职业学院基础部，山西太原 030032【正文语种】中文【中图分类】TP1810 引言人脸识别是当前计算机视觉一个很活跃的研究领域[1].人脸的定位和检测是很多的应用的基础，如视频监控，人机交互，人工智能，基于内容的图像检索，人脸识别和表情分析等.人脸检测原理实现比较简单，但是在实际操作中我们还应当考虑诸多因素的影响，例如图像中是一张脸还是几张脸，是正面还是侧面，还有复杂的表情影响等等，在某些因素的影响下甚至还有可能在一些没有人脸的区域中检测出人脸.面对这些问题有很多技术来解决，如基于模版匹配，人工神经网络[2]，脸部特征定位[3]，支持向量机[4]，模式识别.在人脸感知的多种算法中，每种算法在精度、速度、复杂性上都有自己的优点和缺点.在众多人脸检测的方法和技术中，基于皮肤色彩分类的方法是最简单的一种，相比其他方法有很多优势：色彩的处理是最快最高效的；在一定的光照条件下色彩的变化是很微小的.除了这些优势，基于皮肤色彩分类的技术也存在较明显的劣势，例如对强光照很敏感；一个人在相同光照的条件下如果使用不同相机可能反应出不同的颜色；不同的人肤色差异较大.本文中使用皮肤色彩分类技术在含有单张人脸或多张人脸的图像中实现检测和定位.目前存在很多的色彩模式如RGB，HSV，YCbCr，科学的选择色彩模式很重要，因为它可以直接影响检测的结果.本文采用RGB和HSV的合并方式，这种算法可以提高检测速度(平均检测时间在5 s)和准确率(超过90%).1 色彩分类技术近几年色彩分割技术已成功应用于基于图像内容的搜索.色彩分割是把图像细分为组成图像的对象或区域的一种概念，区域或对象就是要被分割出来的部分.现在只要能够定位出来人脸，就可以用提取的人脸进行图像编码、编辑、索引或为下一步的识别和表情研究打下基础.皮肤颜色是总的颜色空间的一部分，一个人的皮肤颜色主要依赖一些生物学特性(黑色素，色素沉着等)，所以我们的算法是根据脸部皮肤的颜色在图像中搜索相近颜色的像素.1.1 RGB的颜色模式RGB颜色模型是由3种颜色成分组成：红色、绿色和蓝色.这些颜色相结合的频谱分量相加，产生一个结果的颜色.用一个带有红绿蓝三色的3维立方体来描述RGB 模型，如图1.黑色是原点，白色相对黑色在立方体的另一端，他们之间的连线便是灰度由黑到白.每个24位彩色图形系统由3个颜色通道组成，每个通道占8位.RGB模型简化了计算机图形系统的设计，但该模型并不是所有应用程序的理想选择.例如在一个图像上，红色、蓝色、绿色的成分是高度相关的，这样就很难执行某些图像处理的算法.很多的处理技术，如直方图均衡化需要图像上的亮度分量，这在RGB颜色模型上很难提取.图1 RGB颜色空间立方体1.2 HSV的颜色模式RGB颜色模型的一个最主要的问题是不考虑颜色的亮度，可能在解决问题时产生不正确的信息.HSV提供的色彩信息包括色调(色彩深度)，饱和度(颜色的纯度)和强度(色彩亮度)，如图2所示.色调是指红色、蓝色和黄色的颜色，范围是0到360.当使用HSV的颜色模型时不需要知道产生特定颜色所需要蓝色和绿色的百分比，只需要调整色调就可以获得想要的颜色.饱和度是指颜色的纯度，调整的范围是0%～100%.强度是指颜色的亮度，可以降低颜色的色差，取值范围0%～100%.该色彩空间H和S可以提供必要的肤色信息，肤色像素的H和S分量应满足以下条件[5](为了方便计算把H值归一化处理)0<=H<=0.25;0.15<=S<=0.9.(1)很多应用程序需要用到HSV的色彩模型，计算机的机器视觉用HSV的色彩模型来识别不同物体的颜色.图像处理应用如直方图操作、亮度信息强度转换操作等是非常容易在HSV颜色空间中的图像上进行的.图2 HSV的颜色空间模型2 解决方法根据其他文献提到的在只有一张脸的情况下，无论是RBG还是HSV都可以做到很好的定位检测，如果在一张图片上有多张脸，这两种方法可能会产生错误的检测.本文的新算法合并了原有的RBG和HSV算法，新算法无论图像中包含一张脸或是多张脸都有较高的检测率.其具体步骤为：获得图片、用设定HSV模式提取皮肤颜色、把输出的图像转换成RGB然后再二值化、填补检测到的区域中的空洞、删除检测到的小区域、用Bwboundaries函数绘制轮廓、把检测到的区域用方框标识.2.1 获得图片选择载有人脸光照正常的照片作为测试图像.2.2 用HSV色彩模式提取类似皮肤颜色的区域在众多研究成果中有很多用于图像建模的色彩模型，但是我们一般只考虑3种(HSV,RGB,YCbCr).因为在RGB中同样的颜色不同亮度图片的(R,B,G)3个值都不同，所以用RGB模型来提取皮肤颜色区域没有优势，本文选用了HSV的色彩模型来处理图片的亮度.首先使用MATLAB函数中的rbg2hsv函数将RGB图像转换为HSV图像，然后提取HSV色彩模型的3个分量的值，这3个分量可以提供皮肤色彩的必须信息.V表示像素亮度，所以我们仅用H,S两个分量来表示皮肤的颜色.一般皮肤颜色需满足式(1)中的两个公式，即满足公式的像素将被认为是候选肤色区域，据此得到只包含候选肤色区域的图像.图3(a)是转换为HSV的图像，图3(b)是所有候选皮肤颜色的区域提取.图3 候选肤色区域的图像2.3把输出图像转换为RGB并进行二值化在得到候选的人脸区域后将该区域转变为RGB的色彩空间.如果这些像素的RGB值满足公式(2)[7]就将其视作皮肤，再将输出的图像二值化，皮肤颜色转化为白色,其他颜色转换为黑色，如图4.R>95,G>40,B>20,max{R,G,B}-min{R,G,B}>15,|R-G|>15,R>G,R>B.(2)图4 满足公式条件的二值化图像2.4 填补检测区域的空洞待检测区域中有很多小的空洞，可以利用MATLAB的imfill 函数来填补检测区域的空洞，如图5.图5 填补小洞2.5 删除相对较小的检测区域这个步骤是在人脸检测中最重要的.如前所述该算法是基于肤色的人脸检测技术，在执行相关函数后可以得到所有是肤色的区域作为候选区域.如果是类似于单人免冠照片的话我们可以轻松的定位人脸的区域，但是如果身体的其他部分暴露出来，该检测算法将会做出错误的判断.人脸包含的像素比手、胳膊等身体其他部位要多，因此我们可以用bwareaopen函数删除二值化图像中连续像素点小于P的部分以实现最终的人脸定位.本文中P设置为500.图6是处理过的图像.图6 删除小区域的图像2.6 用方框标识检测到的区域在准确定位后需要绘制一个围绕该区域的边界，可以使用MATLAB的bwboundaries函数绘制区域边界.在图7的检测结果中显示出了包含人脸的矩形边界.图7 检测结果3 实验结果我们已经通过MATLAB实现了基于混合RGB和HSV的算法.取包含有一张面孔和有多张面孔的100幅正常光照的人脸图像测试，经实验此算法的识别率可以达到单面孔95%和多面孔90%.HSV的算法在识别多面孔的图像中很难识别出全部的人脸，因此这种混合特征的方法比HSV的算法更有优势,多面孔识别结果如图8. 图8 两张人脸的识别结果该算法的另一优点是即使脸部不垂直于地平线而是和地平线有一定的夹角也能被顺利的识别出来.4 结语本文描述的人脸检测方法是基于皮肤颜色确定人脸区域，该算法对单面孔和多面孔图像有很高的识别率.本文算法的局限性是如果有过多的身体其他部位暴露，这个区域就可能被认为是脸部区域，因此在未来我们需要通过使用模板匹配或基于神经网络技术来解决这个问题.参考文献:[1] 林粤江.浅谈人机交互技术[J].黑龙江科技信息,2007(7):68-69.[2] 杨治明，王晓蓉，彭军，等. BP人工神经网络在图像分割中的应用[J].计算机科学,2007(3):234-236.[3] 林维训，潘纲，吴朝晖，等. 脸部特征定位方法[J].中国图像图形学报,2003(8):125-136.[4] 杨国林,冯乔生,张亚萍.基于肤色的人脸检测综述[J].软件，2013(3):7-10.[5] 田巍,庄镇泉.基于HSV色彩空间的自适应肤色检测[J].计算机工程与应用,2004(4):81-86.[6] 马永强,华宇宁.基于Labview/Matlab的人脸识别系统设计与实现[J].科技资讯,2007(17):15-17.[7] 杜鑫,王晅.基于RGB彩色空间中皮肤物理模型的人脸检测[J].计算机光盘软件与应用,2013(4):23-28.。

基于火焰尖角特征的火灾图像识别算法仇国庆;蒋天跃;冯汉青;涂乐飞【摘要】火焰尖角的变化是火灾火焰区别于常见光源最突出的特征，也是图像型火灾探测技术必然要考虑的因素之一。

而图像型火灾探测技术主要是对火灾图像数据的分析与处理，提取出火灾火焰的主要特征。

由于火焰尖角变化率和圆形度是早期火灾火焰的重要边缘特征，因此该算法是在对图像进行Sobel算子边缘检测和膨胀处理的基础上，通过相邻两行的像素比值和尖角与火焰面积比值来判定尖角，再根据图像相邻帧图片火焰尖角数目的变化率来确定是否为火灾。

实验结果表明，该算法可以有效地提高火焰的识别准确率，减少误判。

%The variation of flame sharp angles is the most prominent feature of fire flame which differentiates it from the common light source .Furthermore , it is also one of the factors to be necessarily considered in image fire detection technology .The technology of image fire detection is principally to analyse and process the fire image data and to extract the main characteristics of the fire flame .Since the variation rate of flame sharp angle and the roundness being taken are the major edge features in early fire flame , therefore the algorithm proposed in this paper is to carry out the edge detection with Sobel operator and the expansion processing .Based on that , it discriminates the sharp angle by the pixels ratio of two adjacent lines and the ratio of sharp angles and flame area and then determines whether there has the fire or not according to the variation rate of the numbers of the flame sharp angles in adjacent frame images .It's shown inexperimental result that the algorithm can efficiently improve the flame recognition accuracy and reduce the misjudgement .【期刊名称】《计算机应用与软件》【年(卷),期】2013(000)012【总页数】5页(P52-55,143)【关键词】火焰尖角;Sobel算子;膨胀处理;变化率【作者】仇国庆;蒋天跃;冯汉青;涂乐飞【作者单位】重庆邮电大学自动化学院重庆 400065;重庆邮电大学自动化学院重庆 400065;重庆邮电大学自动化学院重庆 400065;重庆邮电大学自动化学院重庆400065【正文语种】中文【中图分类】TP391火灾是一种常见的、危害性极大的灾害，尤其是随着我国经济的发展，出现了城市高楼林立的情况。

基于机器视觉系统的颜色识别徐春梅;王春耀;刘跃;刘金桥;闵磊【摘要】应用NI公司应用程序开发平台labVIEW,通过编写程序建立虚拟仪器系统并组建简单的外部硬件设备系统,实现了对图像的采集和处理,可以识别出不同颜色的物体,以及计算出该物体的面积,中心坐标等物理参数.我们可以利用这些参数作为下位机的控制信号,为后续物体的筛选和分级做好准备.经实验证明,采用该机器视觉技术是能准确实现番茄色选的,并得到番茄的物理参数,为后续系统开发研究提供了重要依据,也为机器视觉技术的广泛工程应用提供了重要理论支持.【期刊名称】《机械设计与制造》【年(卷),期】2011(000)008【总页数】2页(P257-258)【关键词】机器视觉;颜色识别;阈值;二值化【作者】徐春梅;王春耀;刘跃;刘金桥;闵磊【作者单位】新疆大学机械工程学院,乌鲁木齐830008;新疆大学机械工程学院,乌鲁木齐830008;新疆农业机械化研究所,乌鲁木齐830008;新疆大学机械工程学院,乌鲁木齐830008;新疆大学机械工程学院,乌鲁木齐830008【正文语种】中文【中图分类】TH16;TG1561 前言在现代自动化生产过程中，机器视觉系统广泛地用于各种工况监视、成品检验和质量控制等领域。

颜色识别是机器视觉中一个主要的应用，颜色识别是基于物体表面颜色特性差异，通过一定的算法来识别出不同的颜色，从而实现各种检测及控制。

本研究以番茄为研究对象，利用机器视觉硬件系统和编写颜色识别系统软件对番茄图像进行实时采集，利用成熟番茄和未成熟番茄所存在的颜色差异，应用图像学与计算机方面的知识，将不成熟的番茄识别出来。

2 颜色模型的选定研究采用HSL 颜色模型即六角形锥体的模型，如图1 所示。

HSL 颜色模型的重要特性[1]：（1）亮度分量与图像的彩色信息无关；（2）色调和饱和度与人们获得颜色的方式密切相关；这些特征使得HSL 颜色模型成为一个理想的研究图像处理运算法则的工具，这些法则基于人的视觉系统的一些颜色感觉特性。

Python中的图像特征提取与模式识别方法引言图像特征提取与模式识别是计算机视觉领域中的重要研究内容，通过对图像进行特征提取和模式识别，可以实现识别图像中的目标物体、检测和匹配图像中的模式等应用。

Python作为一种强大的编程语言，提供了丰富的库和工具，可以方便地进行图像特征提取与模式识别的研究和应用。

本文将介绍Python中常用的图像特征提取与模式识别方法，包括颜色特征提取、纹理特征提取、形状特征提取等内容。

一、颜色特征提取1. RGB颜色特征提取RGB颜色模型是一种常用的颜色表示方法，通过对图像中每个像素的红、绿、蓝三个通道进行分析，可以提取出图像的颜色特征。

在Python中，可以使用OpenCV库来实现RGB颜色特征提取，首先需要加载图像，并将图像转换为RGB模式，然后使用统计方法计算图像中各种颜色的分布情况。

2. HSV颜色特征提取HSV颜色模型将颜色的明度、饱和度和色调分为三个通道，与RGB颜色模型相比更加直观和可解释。

在Python中，可以使用skimage库来实现HSV颜色特征提取，通过计算图像中不同色调和饱和度的分布情况，可以得到图像的颜色特征。

二、纹理特征提取纹理特征是图像中重要的描述性特征，能够用来描述图像中的细节和结构。

常用的纹理特征提取方法包括灰度共生矩阵(GLCM)、局部二值模式(LBP)等。

1. 灰度共生矩阵(GLCM)灰度共生矩阵是一种描述图像纹理的统计方法，通过计算图像中不同灰度级别像素的空间分布关系，可以得到图像的纹理特征。

在Python中，可以使用skimage库来计算灰度共生矩阵，并通过计算一些统计量（如对比度、能量、熵等）来描述图像的纹理特征。

2. 局部二值模式(LBP)局部二值模式是一种描述图像纹理的局部特征算子，通过比较像素点与其邻域像素的灰度值，可以得到一个二进制编码，用来表示该像素的纹理特征。

在Python中，可以使用skimage库来计算局部二值模式，并通过计算直方图等方式来描述图像的纹理特征。

基于卷积神经网络的图像印章识别技术研究卷积神经网络（Convolutional Neural Network，CNN）是一种应用广泛的深度学习模型，在图像处理领域具有重要的应用价值。

图像印章是一种常见的视觉元素，广泛用于证件、合同等文件中。

而基于卷积神经网络的图像印章识别技术研究，旨在利用深度学习模型实现高效准确地识别印章图像。

本文将从印章识别的重要性、卷积神经网络的基本原理、印章图像预处理、训练与测试方法以及现有研究进展等方面进行探讨。

首先，我们来了解一下为什么图像印章识别技术如此重要。

在现实生活中，很多重要的文件都需要盖章来保证合法性和真实性，如公章、私章、签名等。

然而，传统的方式通过人工查验来鉴别印章的真伪耗时且容易产生人为错误。

因此，利用计算机科学和人工智能的技术手段来实现自动化的印章识别具有重要的现实意义。

通过训练卷积神经网络模型，可以在较短的时间内自动完成印章的识别任务，提高工作效率和准确性。

接下来，我们需要了解卷积神经网络的基本原理。

卷积神经网络是一种前馈神经网络的变体，其主要特点是提取图像中的局部特征，并通过卷积层、激活函数和池化层等组件进行图像的特征学习和分类。

在印章识别任务中，卷积神经网络可以通过学习印章的边缘、纹理和形状等特征来实现印章的自动识别。

为了提高印章识别的准确性，我们还需要进行印章图像的预处理。

首先，对印章图像进行二值化处理，将彩色图像转化为二值图像，便于后续处理。

接着，可以采用图像增强技术来改善印章图像的清晰度和对比度，使得印章的特征更加明显。

此外，在卷积神经网络中，受限于计算资源和模型复杂度的限制，通常需要对图像进行裁剪、缩放或旋转等操作，以获得更合适的输入尺寸。

在训练阶段，我们需要准备标注好的印章图像数据集。

由于印章的种类繁多，涉及各种大小、形状和样式，因此需要多样化的数据集来训练卷积神经网络模型。

通过将印章图像输入网络模型，并结合标签信息进行反向传播，可以不断优化卷积神经网络的参数，提高其在印章识别上的表现。

如何使⽤MATLAB对图⽚的RGB三种颜⾊进⾏提取matlab在图像处理⽅⾯，具有很强⼤的应⽤。

下⾯将分享如何使⽤matlab对图⽚的RGB三⾊进⾏提取并显⽰。

⼯具/原料电脑已注册的MATLAB⽅法/步骤1.⾸先通过函数对图⽚进⾏读取并显⽰。

image = imread('杯⼦.jpg');imshow(image)运⾏后图⽚如图。

2.接下来对红⾊分量进⾏提取并显⽰。

image = imread('杯⼦.jpg');imager = image(:,:,1);imshow(imager)3.接下来对绿⾊分量进⾏提取并显⽰。

image = imread('杯⼦.jpg');imageg = image(:,:,2);imshow(imageg)4.接下来对蓝⾊分量进⾏提取并显⽰。

image = imread('杯⼦.jpg');imageb = image(:,:,3);imshow(imageb)5.为了⽅便⽐较，采⽤sublpot函数将处理过的图⽚通过⼀个界⾯进⾏显⽰。

image = imread('杯⼦.jpg');imager = image(:,:,1);imageg = image(:,:,2);imageb = image(:,:,3);subplot(221);imshow(imager);title('r')subplot(222);imshow(imageg);title('g')subplot(223);imshow(imageb);title('b')subplot(224);imshow(image);6.同时，在图像处理后还可以将图像不同分量进⾏想加，代码如下：image = imread('杯⼦.jpg');imager = image(:,:,1);imageg = image(:,:,2);imageb = image(:,:,3);subplot(221);imshow(imager);title('r')subplot(222);imshow(imageg);title('g')subplot(223);imshow(imageb);title('b')subplot(224);imshow(imageg+imageb+imager);。

图像处理——灰度化、⼆值化、膨胀算法、腐蚀算法以及开运算和闭运算⼀、RGBRGB模式使⽤为图像中每个的RGB分量分配⼀个0~255范围内的强度值。

RGB仅仅使⽤三种颜⾊，R(red)、G(green)、B(blue)，就能够使它们依照不同的⽐例混合，在上呈现16777216(256 * 256 * 256)种颜⾊。

在电脑中，RGB的所谓“多少”就是指亮度，并使⽤整数来表⽰。

通常情况下，RGB各有256级亮度，⽤数字表⽰为从0、1、2...直到255。

⼆、ARGB⼀种，也就是⾊彩模式附加上Alpha（）通道，常见于32位的。

ARGB---Alpha,Red,Green,Blue.三、灰度化在RGB模型中，假设R=G=B时，则彩⾊表⽰⼀种灰度颜⾊，当中R=G=B的值叫灰度值，因此，灰度图像每⼀个像素仅仅需⼀个字节存放灰度值（⼜称强度值、亮度值），灰度范围为0-255。

⼀般有下⾯四种⽅法对彩⾊图像进⾏灰度化，详细⽅法參考： 四、⼆值化⼀幅图像包含⽬标物体、背景还有噪声，要想从多值的数字图像中直接提取出⽬标物体，最经常使⽤的⽅法就是设定⼀个全局的阈值T，⽤T 将图像的数据分成两部分：⼤于T的像素群和⼩于T的像素群。

将⼤于T的像素群的像素值设定为⽩⾊（或者⿊⾊），⼩于T的像素群的像素值设定为⿊⾊（或者⽩⾊）。

⽐⽅：计算每个像素的（R+G+B）/3，假设>127，则设置该像素为⽩⾊，即R=G=B=255；否则设置为⿊⾊，即R=G=B=0。

C#实现代码例如以下：public Bitmap binarization(){Bitmap bitImage = new Bitmap(pictureBox1.Image);//⼆值化pictureBox1中的图⽚Color c;int height = pictureBox1.Image.Height;int width = pictureBox1.Image.Width;for (int i = 0; i < height; i++){for (int j = 0; j < width; j++){c = bitImage.GetPixel(j,i);int r = c.R;int g = c.G;int b = c.B;if ((r + g + b) / 3 >= 127){bitImage.SetPixel(j, i, Color.FromArgb(255, 255, 255));}else{bitImage.SetPixel(j, i, Color.FromArgb(0,0,0));}}}return bitImage;}执⾏结果如图：左边为处理前，右边为⼆值化后效果。

58青岛大学学报（工程技术版）第34卷172.)0*刘文丽，杨国为，李长红.基于RGB颜色模型及图像二值化的红晕印鉴提取青岛大学学报：工程技术版&2016&31(4)：29-32.)1*张凯兵，章爱群，李春生.基于HSV空间颜色直方图的油菜叶片缺素诊断)*农业工程学报&2016&32(19)：179-187.)2*张铮，倪红霞，苑春苗&等.精通Matlab数字图像处理与识别［M*北京：人民邮电出版社，2018)3*张铮，倪红霞，薛桂香.数字图像处理与机器视觉-Visual C++与Matlab实现［M*北京：人民邮电出版社，2010.)4*Ojala T&Pietikainen M&Maenpaa T.Multiresolution gray scale and rotation invariant texture classification with local binary pattrerns［J*.IEEE Transactions On Pattern Analysis and Machine Intelligence,2002,24(7):971-987.)5*王昊鹏，李慧.基于局部二值模式和灰度共生矩阵的籽棉杂质分类识别)*农业工程学报&2015,31(3)：236-241.)6*周艳青，薛河儒，姜新华，等.基于LBP统计特征的低分辨率安全帽识别计算机系统应用&2015,24(7)：211-215.)7*王凯.基于图像的水稻田间飞虱分类方法研究［D*.浙江：浙江理工大学，2015.)8*叶!，陈蕾，庞作超，等.基于多尺度等价模式LBP的人脸表情识别)*计算机与数字工程&2016,44(1)：40-44.)9*刘伉伉，谢福&郭雪雪.基于BP神经网络的云计算入侵检测技术研究)*计算机与数字工程&2014,42(12)：2357-2361, 2391)0*王小川，史峰&郁磊，等.MATLAB神经网络43个案例分析［M*北京：北京航空航天大学出版社，2013.)1*马晨.融合LBP特征和运动特征的运动分类算法［D*济宁：曲阜师范大学&2015.)2*尤波，李忠杰，黄玲.基于改进型BP神经网络的手部动作识别智能系统学报&2018,13(5)：848-854.)3*顾金梅，吴雪梅，尤曾宇，等.基于BP神经网络的烟叶颜色自动分级研究)*中国农机化学报&2016,37(4)：110-114.Research on Fruit Recognition Algorithm Based onMulti-Color and Local TextureCHEN Xuexin,BU Qingkai(School of Electronic Information,Qingdao fniversity,Qingdao266071,China)Abstract:In order to improve the accuracy of recognition of fruit types,this paper proposes a fruit recognition algorithm based on multi-color feature and texture feature.Different kinds of fruit images are selected as exper­imental samples.By using the between-cluster variance method(Otsu)we get fruit image segmentation algo­rithm of target area&separate the target area and RGB(Red,Green,Blue)and HSV(Hue,Saturation&Val­ue)his t o gram analysis of color model&combining w i t h t h e charac t eristics of analysis&and use of color momen t algorithm for RGB model t o ex t r ac t t h e charac t eris t i c；Non-uniform quan t i z ation algor i t h m is used t o ext r ac t fea uresfrom HSV model.LocalBinaryPa erns(LBP)is henused oex rac Local ex urefea uresof he target region.The obtained color feature vectors and texture feature vectors are optimized and combined with BP neural network based on gradient descent algorithm to train and classify the test samples.At the same time, on the basis of the same test sample&the training and classification of a single feature vector are carried out.By comparing the simulation results with the algorithm results in this paper,it can be found that the classification recognitionrate(therecognitionrateis more than90%)ofthealgorithm schemeinthisstudyis moreaccu-rate,whichhascertainpracticalapplicationvalue.Key words:image processing；local binary mode；color space；neural network科技论文的定义科技论文是由科技工作者对其创造性研究成果进行理论分析和科学总结，并得以公开发表或通过答辩的科技写作文体’一篇完备的科技论文，应该按一定的格式书写，具有科学性、首创性和逻辑性；还应按一定的方式发表，即有效出版’。

基于改进颜色模型的图像边缘检测方法作者：王玲来源：《现代电子技术》2008年第18期摘要：边缘检测是图像处理和模式识别领域的基本课题，传统的边缘检测方法仅利用图像的亮度分量信息。

给出一种基于改进颜色模型中颜色距离的彩色图像边缘检测方法，通过实验，将文中给出的边缘检测算法与常用的边缘检测算子进行比较。

并对边缘灰度图像的阈值处理方法予以讨论，提出一种具有良好的自适应性的算法——极大值法，通过寻找局部极大值点定位边缘。

实验表明文中给出的算法在改进图像边缘检测效果上是有效的。

关键词：颜色模型;边缘检测;极大值法；模式识别中图分类号：TP391 文献标识码：B 文章编号：1004373X(2008)1816503Method of Image Edge Detection Based on Improved Color ModelWANG Ling(School of Communications,Shandong Normal University,Jinan,250014,China)Abstract：Edge detection is one of the fundamental topics in image processing and pattern recognition.Traditional edge detection methods are mostly based on gray images.This paper presents an edge detection method of color image based on improved colorspace.A comparison between this method and the most common edge detection algorithms is made by experiment.The paper discusses threshold techniques and gives an adaptive threshold algorithm of gray edge image.Some examples are given to demonstrate the effectiveness of the methods.Keywords：color model;edge detection;maximum method;pattern relognition1 引言图像的边缘是图像最基本也是最重要的特征之一。