基于Hu矩和Zernike矩的形态特征储粮害虫分类方法研究

摘要：在工程应用的背景下，为了提高储粮害虫的识别率并节约分类时间，该文研究了以形态特征为基础的以Hu矩和Zernike矩为具体分类依据的储粮害虫分类方法，以常见的9种粮虫为对象，通过主成分分析特征压缩和支持向量机分类器完成此次实验，最后的实验结果表明Hu矩和Zernike矩相结合提取的不变矩特征使整个实验得到较高的成功率。

关键词：储粮害虫分类；Hu矩；Zernike矩

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2014）34-8279-02

我国是世界上最大的粮食生产、储藏及消费大国，搞好粮食储藏是关系到国计民生的大事。《粮食行业“十二五”发展规划纲要》明确提出要增强粮食科技创新能力，实现对粮食霉菌、害虫等的实时检测。

储粮害虫的识别是粮食安全储藏的基础，利用图像识别的方法检测储粮害虫，具有准确度高、价格低廉、效率高、无污染、劳动量小、便于和粮库现有的计算机粮情检测系统相连接等优点，有助于粮库管理人员进行科学的决策以及时采取合理的防治措施，达到粮食保质、保量、保鲜的目的。该识别方法一般经过图像信息的预处理、特征的提取与优化及图像的识别和分类三大步骤。

本文应用了特定的实验设备且结合工程应用的实际对害虫的分类识别进行研究，由于粮虫为小目标运动着的对象，且多为棕褐色，颜色差异不大，因此本文采用Hu的七个不变距和Zernike矩[1]，结合6维的形态学特征，运用主成分分析进行降维，采用SVM对储粮害虫进行分类，成功率达到92%以上。

1 图像采集

本次实验背景为粮虫诱捕器先连接通道选择器，再与粮仓害虫仓外采集器连接，通过采集器中的CCD图像传感器直接对采集到的粮虫进行图像采集，采集到的图像具有像素不高、背景干净等特点，其中通道选择器中含有48个通道，即一次传输可以得到48张的粮虫图片。

2 图像预处理

对原始图像进行预处理[2]，是为了在储粮害虫的检测中更好的提取粮虫目标特征，对图像经过去噪、增强和分割等改善图像数据，为粮虫特征的提取做前续的一系列工作。

3 形状特征的提取

3.1 形态学特征及Hu矩特征提取

在数字图像的识别过程中，特征的形成即是对粮虫图像像素的灰度值经过统计和计算来产生的一组原始数据特征，该文应用到的形态学特征主要有面积、周长、欧拉数、方差、均值、偏心率以及Hu的七个不变矩[3]。

Hu不变矩不受平移、旋转以及大小比例改变的影响。但由于计算出的不变矩通常都处在很大的动态范围内，我们所感兴趣的只是矩的不变性，因此可对不变矩的计算结果先取绝对值再用对数变换压缩其动态范围后再取绝对值，以避免出现负的结果，便于直观的观察到矩的变化。

以图1拟谷盗的图像为例，分别计算出5组在原始、旋转、大小比例改变情况下的不变矩，如表1所示：

3.2 Zernike矩特征提取

4 特征压缩

主成分分析PCA（ Principal Component Analysis）[5]是一种常用的基于变量协方差矩阵对信息进行处理、压缩和抽取的有效方法。它可以将多个变量通过线性变换以选出较少的重要变量并尽可能多的反映原来变量所反映出的信息，同时去除数据的噪声和冗余，从而将原来复杂的数据进行降维。

本文主要利用PCA对23维（6维形态学特征+7个Hu不变矩+10维的Zernike矩）特征向量进行降维、优化处理，为下一步的识别分类做好准备，

5 SVM识别分类

首先，通过求解一个凸规划问题并寻找其最优解，由此计算出阈值，从而定义出最优线性超平面。然后通过非线性映射把非线性空间的样本点映射到了一个线性可分的特征空间，在该空间中可以实现对非线性样本点的分类，从而把线性不可分问题转化成了特定空间的线性可分问题。

6 实验结果和分析

结合工程应用，在包含有谷蠹、米象、拟谷盗、绿豆象、大谷盗、黑菌虫、锯谷盗、扁谷盗和长头谷盗这九种常见粮虫的模拟粮仓中，对五组（240）图像进行样本训练，四种实验方案及结果为：

方案一：仅采用6维形态学特征+6个Hu不变矩，消耗时间78.6342秒，分类成功率62.03%；

方案二：6维形态学特征+10维Zernike矩，消耗时间89.735秒，成功率85.74%；

方案三：6维形态学特征+6个Hu不变矩+10维Zernike矩，消耗时间98.0326秒，成功率91.57%；

方案四：经主成分分析处理后得到的前四个主成分分量，消耗时间69.5904秒，成功率92.62%。

综上，方案一用时较短，但分类成功率最低；方案四相较于方案三来说用时大大降低，说明利用PCA进行特征压缩后，分类用时大幅度减少；方案二较方案一来说分类成功率增长20%以上，说明Zernke矩在形态特征提取方面优于Hu矩；方案三分类成功率较高在90%以上，但相较于方案四来说用时较长且成功率比后者低。综上可知，方案四无论是在所需时间还是分类成功率上都表现出很大的优势。

7 结束语

本文在特定的工程背景下研究了基于Hu矩和Zernike矩的形态特征分类方法，提取9种常见储粮害虫的特征向量，经PCA进行特征压缩后获得主分量，结合 SVM实现了粮虫的分类。实验结果表明，Zernike矩由于可以任意构造高阶矩，较Hu矩在对目标识别分类方面有更大优越性。另外，抽取装置导致粮虫的残缺以及粮虫的避光性等复杂因素，会影响分类的结果，这也是下一步需要解决的问题。

参考文献：

[1] 商立群，杜亚娟.Hu矩和Zernike矩在图像识别中的应用[J].西安科技学院学报，2000，20（1）：53-56.

[2] 冈萨雷斯.数字图像处理[M].阮秋琦，译.2版.北京：电子工业出版社，2003.

[3] 黄泉龙.基于PCA的人脸识别研究[D]. 西安：西安电子科技大学，2012.