張涵笑 吳蘇 王苗苗

摘要 利用感知哈希算法，針對水稻不同生長發(fā)育期的特征，通過比較圖像相似度實現(xiàn)水稻生長發(fā)育期的自動識別。通過感知哈希算法提取每張待測圖片的哈希碼，并與已標注過發(fā)育期的圖庫中的水稻圖像哈希碼進行對比，找出相似度最高的哈希碼所代表的標簽，輸出水稻的移栽期、返青期、分蘗期、拔節(jié)期、孕穗期、抽穗期、乳熟期、成熟期共8個主要生長發(fā)育期，并針對該算法進行了魯棒性、敏感性和檢索準確性試驗。將自動識別的結(jié)果與氣象觀測站臺的人工觀測數(shù)據(jù)進行對比，結(jié)果表明識別誤差在4.00 d內(nèi)，平均誤差為2.69 d。

關(guān)鍵詞 水稻;感知哈希;發(fā)育期識別;圖像檢索

中圖分類號 TP391 ?文獻標識碼 A

文章編號 0517-6611（2020）10-0205-03

doi：10.3969/j.issn.0517-6611.2020.10.055

Abstract Using the perceptual hash algorithm，the characteristics of different growth stages of rice were compared，and the image similarity was compared to realize the automatic recognition of rice growth stages.The hash code of each image to be tested was extracted by the perceptual hash algorithm，and compared with the rice image hash code in the ?image database that had been marked for growth stages，the label represented by the hash code with the highest degree of recognition was found，and the identification was recognized. Eight major growth stages of transplanting，regreening，tillering，jointing，booting，heading，milking and maturity stages of rice were detected，and experiments on robustness，sensitivity and retrieval accuracy for the algorithm were carried out. Comparing the results of the automatic identification with the artificial observations of the meteorological observatory，the results showed that the recognition error was within 4.00 days，and the average error was 2.69 days.

Key words Rice;Perceptual hash;Recognition of the crop growing stages;Image retrieval

??

水稻的生長期觀測對水稻的生長管理十分重要，各個發(fā)育期的時間記錄能為農(nóng)業(yè)生產(chǎn)的安排實施[1]、長勢監(jiān)測[2]、信息管理[3]等方面提供重要依據(jù)。對于試驗田，傳統(tǒng)觀測通常采用人工每隔2 d進行田間觀測，普通農(nóng)田的觀測間隔則更長，通常采用人工經(jīng)驗和歷史時長進行觀測。人工方法費時費力、觀測效率低、投入成本大且觀測信息不及時[4]。精準農(nóng)業(yè)近些年發(fā)展迅速，實現(xiàn)農(nóng)作物發(fā)育期的自動觀測可以有效提高工作效率、增強觀測資料的客觀性、減少人為誤差、提高業(yè)務(wù)的時效性和針對性，對及時掌握作物生長狀況、開展農(nóng)事活動和進行現(xiàn)代化農(nóng)田管理具有重要的意義[5]。目前在精準農(nóng)業(yè)中對水稻發(fā)育期自動識別的方式主要有基于遙感數(shù)據(jù)的方法[6-7]和基于圖像處理的方法。在以往的基于圖像處理的算法中，通常將農(nóng)作物每個時期的生長發(fā)育特點體現(xiàn)在圖像特征上，通過對圖像特征的提取識別，實現(xiàn)發(fā)育期的判別[8-11]。然而此類方法存在多種弊端：①此類檢測算法通常依賴于之前圖像的信息，這有利于多張圖像的連續(xù)檢測，但對于隨機抽取的單張圖片檢測存在局限性;②由于硬件設(shè)備故障、斷電等原因會導致圖片的缺失，如果缺失的部分正好處于要識別發(fā)育期，則會導致該發(fā)育期檢測的推遲;③傳統(tǒng)的觀測特征未必會全部體現(xiàn)在圖像上，如根據(jù)《農(nóng)業(yè)氣象觀測規(guī)范》[12]，水稻返青期是指移栽后葉色轉(zhuǎn)青，心葉重新展開，用手提秧苗，有阻力已扎入泥中。以往的算法則采取使用歷史數(shù)據(jù)得出移栽期和分蘗期相隔的天數(shù)特征間接在時間閾值上判斷。

圖像檢索是一種通過輸入特征搜索相似圖像的技術(shù)，分為基于文本的檢索和基于內(nèi)容的檢索2種[13]?；趦?nèi)容的圖像檢索（Content based Image Retrieval，CBIR）是從圖像中提取特征信息，并與圖像數(shù)據(jù)庫中的圖像特征進行相似度比較從而找出相似圖像的技術(shù)[14-15]。圖像檢索常運用于計算機視覺和數(shù)字圖像處理等領(lǐng)域，直方圖匹配和感知哈希是常見的2種圖像檢索方法。感知哈希算法是1種以圖搜圖的圖像檢索算法，將圖像的特征轉(zhuǎn)化為二進制編碼，即生成圖像的指紋，并將待查詢圖像的指紋與圖像數(shù)據(jù)庫中的指紋進行比對，得到圖像數(shù)據(jù)庫中的相似圖像[16]。

鑒于此，筆者將水稻一個完整生長期的圖像指紋作為標準特征庫，并對圖片做發(fā)育期標注，將待查詢圖像的指紋與庫中比較輸出最小漢明距離的圖像標簽作為結(jié)果;同時對不同發(fā)育期的圖像做了魯棒性和敏感性實驗檢驗算法的可行性。

1 研究數(shù)據(jù)

廣西壯族自治區(qū)是我國水稻的主要產(chǎn)地之一，廣西的土壤、水資源、光照、溫度等條件適宜水稻的種植。廣西水稻目前為雙季稻，該研究所采用的數(shù)據(jù)來自廣西桂林雁山地區(qū)2018年4—7月的早稻圖像，含蓋移栽期、返青期、分蘗期、拔節(jié)期、孕穗期、抽穗期、乳熟期、成熟期共8個生長期，如圖1所示。圖像采集由相機每天拍攝4張圖片，分別在09：00、11：00、13：00、15：00進行拍攝，相機分辨率3 000×4 496。

2 研究方法

2.1 圖像檢索框架

基于內(nèi)容的圖像檢索技術(shù)分為2個主要內(nèi)容：圖像特征數(shù)據(jù)庫的建立和圖像查詢匹配過程[17]，具體流程如圖2所示。

數(shù)字圖像由像素值組成，像素值是圖像的基本特征，但是1幅圖像中像素數(shù)量過大和圖像內(nèi)容的細微改變會導致像素值的巨大變化，導致無法直接將像素值作為入庫的圖像特征。為了克服像素值特征的冗余性和魯棒性弱等問題，必須提取出既能代表圖像重要內(nèi)容信息又能減少儲存空間的特征信息。感知哈希算法是一種基于人類對外界事物認知的信息處理理論，能夠?qū)⑾嗨频母兄獌?nèi)容的數(shù)據(jù)集映射為一段獨特的數(shù)字編碼，即哈希碼[18]。哈希碼是一種較高效的特征量化方法，如將原圖像記為I，生成的哈希碼記為IHP，感知哈希函數(shù)記為PH，則PH∶I→IPH，IPH∈{0，1}，。IHP即是圖像的指紋，代表該圖像的特征信息。均值哈希碼的計算過程如下：①將圖像縮小成8×8的尺寸;②將圖像灰度化;③對64個像素求平均值;④將每個像素的灰度值與平均值做對比，大于平均值的賦值為1，否則為0，按順序構(gòu)成64位二進制數(shù)。

2.2 基于分塊DCT和PCA的圖像哈希算法設(shè)計?

認知心理學與人類視覺研究系統(tǒng)表明眼睛對色度信號的靈敏度是弱于亮度信號，亮度是圖像信號的主要特征[19]?；诨叶鹊木倒＿\算速度快，但易受均值影響，如果對圖像進行直方圖均衡則會對最終的哈希碼造成影響。本文的方法結(jié)合了圖像的空間域和頻率域并加入了顏色直方圖信息。利用離散余弦變換（Discrete Cosine Transform，DCT）對圖像進行處理，使用DCT低頻系數(shù)，具有較強的魯棒性，能夠得到比均值哈希更加健壯的哈希碼[20]。主成分分析（Principal Component Analysis，PCA）降維能夠剔除冗余信息，提高哈希值計算速度。算法的流程如下：

第1步：將圖像縮小為64×64的尺寸，再將縮小后的圖像劃分8×8的子塊大小。

第2步：將圖像像素映射到0～7，提取各子塊灰度直方圖特征，每子塊共8個值作為顏色特征。

第3步：將各分塊進行DCT變換，提取DC系數(shù)和前7個AC系數(shù)，每子塊共8個值作為各子塊的頻率域特征。

第4步：將1張圖像的64×16特征矩陣進行主成分分析降維，計算協(xié)方差，取前4個主成分向量作為特征向量。

第5步：計算上一步中特征矩陣的均值，大于平均值的賦值為1，否則為0，生成最終的哈希碼。

3 研究結(jié)果

3.1 魯棒性

在自然環(huán)境下，圖像可能受光照、水霧、設(shè)備位置等影響造成圖像亮度不均、局部模糊、和存在影子等問題，甚至因設(shè)備故障會造成圖像不完整的問題。在同一發(fā)育期的圖片中，分別計算圖像不完整、水面反光、色差、霧氣、影子5種圖像與正常圖像的哈希碼不同的位數(shù)占哈希碼總位長的比值，即誤碼率（圖3）。由圖3可知，對于反光，色差，霧氣的誤碼率在30%以下，穩(wěn)健性較好。含影子的的誤碼率為31.44%，圖像不完整的誤碼率為53.91%，誤差較大，這2種圖片在實際應(yīng)用中應(yīng)盡量避免使用，可做圖像完整度預(yù)警和避免產(chǎn)生影子的時間段進行拍照操作。

3.2 敏感性 分別計算了移栽期與其他7個發(fā)育期的誤碼率以及每個發(fā)育期與其他7個發(fā)育期的誤碼率均值，結(jié)果如圖4、5所示。不同圖像的誤碼率應(yīng)該接近50%，移栽期與其他時期的誤碼率在41%～49%。每個時期與其他時期的誤碼率均值在41%～49%，該算法對于不同時期的圖像具有良好的可辨別性。

3.3 檢索準確性?

用上述方法對2018年雁山地區(qū)的水稻圖片進行處理，圖像的拍攝日期作為標簽。然后得出水稻各個生長時期圖片的標簽。將算法自動識別的結(jié)果與雁山氣象臺站的人工觀測數(shù)據(jù)進行比較，計算出每個發(fā)育期內(nèi)圖片相差的日期的平均值作為結(jié)果。結(jié)果顯示，移栽、返青、分蘗、拔節(jié)、孕穗、抽穗、乳熟、成熟期圖片相差的日期分別為2.00、2.90、2.00、3.55、3.70、1.67、3.70、2.00 d。誤差均在4.00 d以內(nèi)，平均誤差為2.69 d，檢索準確率較高。

4 結(jié)論與討論

通常感知哈希包括以下性質(zhì)[21]：①魯棒性。感知上相同或者相似的圖像或者對于所有可能的可接受的干擾，哈希函數(shù)的輸出應(yīng)保持近似不變;②摘要性。指紋數(shù)據(jù)要簡短同時要包含圖像的主要信息;③敏感性。在感知上，不同內(nèi)容的圖像數(shù)據(jù)生成的哈希指紋應(yīng)當不同。對于圖像檢索來說，魯棒性和敏感性最重要，但是感知哈希的魯棒性和敏感性在理論上又是相互矛盾的。如果提高感知哈希的敏感性，則會降低感知哈希的魯棒性，同理提高感知哈希的魯棒性，則敏感性會降低。試驗結(jié)果可以看出，除去圖像不完整和影子問題，瑕疵圖像的誤碼率在30%以下，不同發(fā)育期之間的圖像的誤碼率在41%以上，可同時滿足魯棒性和敏感性的要求。

由于圖像檢索的輸出結(jié)果是發(fā)育期及發(fā)育期階段，所以只要錄入圖像標準庫的水稻生長期圖像完整，即使后期因采集設(shè)備故障導致關(guān)鍵發(fā)育期圖片缺失也能識別出發(fā)育期的階段。而且可以實現(xiàn)任意圖片發(fā)育期及階段的隨機判斷，不必依賴于先前圖片的信息。此外，該研究中采用的算法基于圖像的相似度判別，所以也可以推廣到其他作物的生長發(fā)育期識別中。

參考文獻

[1]FAGERIA N K.Optimal nitrogen fertilization timing for upland rice[C]//Proceedings of the 19th world congress of soil science： Soil solutions for a changing world.Brisbane：International Union of Soil Science，Australian Society of Soil Science，2010.

[2] 熊偉，楊婕，吳文斌，等.中國水稻生產(chǎn)對歷史氣候變化的敏感性和脆弱性[J].生態(tài)學報，2013，33（2）：509-518.

[3] TAKAI T，MASTUURA S，NISHIO T，et al.Rice yield potential is closely related to crop growth rate during late reproductive period[J].Field crops research，2006，96（2/3）：328-335.

[4] 蔣運志，陳宗行，馬新建，等.農(nóng)業(yè)氣象觀測中需注意的問題[J].現(xiàn)代農(nóng)業(yè)科技，2010（15）：338.

[5] GEGGERS R，ADAMCHUK V I.Precision agriculture and food security[J].Science，2010，327（5967）：828-831.

[6] 孫華生，黃敬峰，彭代亮.利用MODIS數(shù)據(jù)識別水稻關(guān)鍵生長發(fā)育期[J].遙感學報，2009，13（6）：1122-1137.

[7] 于成龍，劉丹，張志國.基于FY-3的黑龍江省水稻關(guān)鍵發(fā)育期識別[J].中國農(nóng)學通報，2014，30（9）：55-60.

[8] 劉永娟.基于計算機視覺技術(shù)的玉米發(fā)育期識別研究[D].無錫：江南大學，2017.

[9] 吳茜.基于圖像處理技術(shù)的棉花發(fā)育期自動觀測研究[D].武漢：華中科技大學，2013.

[10] 陸明.基于圖像識別技術(shù)的玉米生育期自動觀測研究[D].南京：南京信息工程大學，2011.

[11]余正泓.基于圖像的玉米發(fā)育期自動觀測技術(shù)研究[D].武漢：華中科技大學，2014.

[12] 國家氣象局.農(nóng)業(yè)氣象觀測規(guī)范[M].北京：氣象出版社，1993.

[13] 霍璐.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像檢索[J].計算機時代，2018（1）：63-65.

[14] 黃元元，何云峰.一種基于顏色特征的圖像檢索方法[J].中國圖象圖形學報，2006，11（12）：1768-1773，1889.

[15] 王向陽，蘆婷婷.一種魯棒的多特征彩色圖像檢索新方法[J].中國圖象圖形學報，2007，12（10）：1757-1760.

[16] DING K M，CHEN S P，MENG F.A novel perceptual hash algorithm for multispectral image authentication[J].Algorithms，2018，11（1）：1-14.

[17] 嚴靈毓.面向圖像檢索的感知哈希算法研究[D].武漢：華中科技大學，2014.

[18] 牛夏牧，焦玉華.感知哈希綜述[J].電子學報，2008，36（7）：1405-1411.

[19] JIE Z.A novel blockDCT and PCA based image perceptual hashing algorithm[J].International journal of computer science issues，2013，10（1）：1-7.

[20] 郭瑋.基于感知哈希的遙感圖像檢索方法研究[D].武漢：華中科技大學，2015.