陳松楠，劉陸民，張莉

　?。ㄐ抨栟r(nóng)林學(xué)院 信息工程學(xué)院，河南 信陽 464000）

　　摘要：通過分析現(xiàn)有的一些監(jiān)控模型和方法，針對如何快速、有效地對可能發(fā)生的疫情進行預(yù)警，提出了一種基于顏色特征的生豬口蹄疫監(jiān)測方法。實驗結(jié)果表明，該方法能夠?qū)⒋蟛糠只加锌谔阋叩纳i圖像篩選出來，篩選正確率約為98.69%，口蹄疫疫情的查全率約為88%。

　　關(guān)鍵詞：顏色特征;生豬口蹄疫;監(jiān)測方法;查全率

0引言

　　隨著生豬養(yǎng)殖的集成化和規(guī)?；?，一些疾病的爆發(fā)頻率也越來越高。當(dāng)前，我國生豬疫情的防治工作仍然非常艱巨，口蹄疫的防治尤其突出，該疫情的爆發(fā)不僅對畜牧業(yè)具有嚴(yán)重的危害，而且也對大眾的飲食安全產(chǎn)生了巨大的影響。因此，快速、簡便、準(zhǔn)確地做好該病的防控工作具有重要的意義［1］。

　　本文的研究是在廣東省東莞市動物衛(wèi)生監(jiān)督所的支持下開展的項目，利用遠(yuǎn)程視頻監(jiān)控系統(tǒng)對東莞市32個鎮(zhèn)的疫情檢疫進行全面監(jiān)控。 雖然該遠(yuǎn)程視頻監(jiān)控系統(tǒng)對動物檢疫人員的工作和動物疫情的爆發(fā)有很好的監(jiān)督和預(yù)防作用，但是該方法需要對數(shù)據(jù)存儲和查詢這一關(guān)鍵技術(shù)進行深入的了解和研究。本文希望在基于計算機視覺理論和數(shù)字圖像處理的基礎(chǔ)之上，利用生豬口蹄疫體表病變區(qū)域的顏色特征，提出一種自動監(jiān)測口蹄疫疫情的方法，從而能夠24小時對口蹄疫疫情進行實時監(jiān)控，對患有疑似疫情的生豬圖像進行自動篩選和報警，緩解工作人員的工作量和壓力，并對后續(xù)的生物學(xué)實驗或基因檢測提供源，提高生豬口蹄疫疫情的檢測效率。

1口蹄疫病變區(qū)域提取

　　生豬口蹄疫病情的臨床癥狀主要表現(xiàn)在：生豬的蹄底部或蹄冠部出現(xiàn)透明的小水泡，水泡的顏色由淡黃色逐漸變成粉紅色。當(dāng)水泡破裂后會在蹄部或者鼻部會形成鮮紅色的爛斑［2］。選擇合適的顏色空間對生豬口蹄部中的病變區(qū)域進行精確提取是本節(jié)研究的重點。

　　1.1Lab顏色空間的重新量化

　　設(shè)x、y、z分別為Lab顏色空間上L、a、b通道的任意值，將x的取值范圍量化到［w1,w2］,使得這一范圍外的所有x的值都賦值為0。量化公式如下：

　　由于a通道的取值范圍是［-128,127］,顏色由綠色向紅色漸變。針對生豬體表病變的特征,將一些不可能出現(xiàn)的顏色去掉，使得a通道上出現(xiàn)的顏色都是病變區(qū)域可能所表現(xiàn)出來的，所以本文將y的值量化到［λ1,λ2］范圍里，將這一范圍外的顏色都消除掉。量化公式如下：

　　同理，由于b通道的取值也是［-128,127］,顏色由藍(lán)色到黃色漸變。為了將一些不可能出現(xiàn)的顏色去掉，對b通道的值也進行了重新量化，將z的值縮小到范圍［δ1,δ2］,將這一范圍外的顏色也都消除掉。量化公式如下：

　　令w1=0，w2=70，λ1=0，λ2=127,δ1=-128，δ2=-5。以圖1(b)為樣本，分別進行圖像由RGB顏色空間到Lab顏色空間，再到重新量化的Lab顏色空間的轉(zhuǎn)換［34］。實驗結(jié)果如圖1所示。

　　1.2口蹄疫病變區(qū)域提取

　　在進行生豬口蹄疫病變區(qū)域的分割提取時，需要對生豬口蹄部圖像進行灰度化處理和二值化處理。首先，對圖1(c)進行L、a、b三個顏色通道的提取，從而將原來的彩色圖像分解成三個單通道的灰度圖，結(jié)果如圖2所示。

　　由于L通道僅僅表示圖像的亮度值，它的大小與光照強度有關(guān)，為了避免外界光照對病變區(qū)域分割造成影響，因此主要選取a、b兩個顏色通道來進行分析。在圖2中可以注意到，對于生豬口蹄疫的病變區(qū)域來說，a通道的圖像和b通道的圖像都能很好地將口蹄疫的病變區(qū)域突顯出來，其他顏色區(qū)域?qū)Σ∽儏^(qū)域的干擾也較小。通過比較可以發(fā)現(xiàn)，在視覺上a通道圖像中的病變區(qū)域比b通道圖像中的病變區(qū)域具有更高的強度值。所以本文選擇強度值比較高的a通道圖像來進行進行閾值分割，從而實現(xiàn)對生豬口蹄疫病變區(qū)域的精確提取。

　　下面以圖2(c)為樣本，來對生豬口蹄疫病變區(qū)域進行分割提取，在本實驗中設(shè)置分割閾值為［5］0.59。這樣生豬口鼻部圖像就被分割成2部分：一部分為生豬口蹄疫病變部分；一部分黑色背景部分。分割結(jié)果如圖3所示。

　　2口蹄疫區(qū)域的顏色特征提取

　　在前面已經(jīng)知道口蹄疫的臨床癥狀主要表現(xiàn)為鮮紅色的爛斑。從口蹄疫的臨床癥狀表現(xiàn)不難發(fā)現(xiàn)，顏色是口蹄疫圖像最顯著的特征之一。本文以RGB、HSV、LAB三種顏色模型為基礎(chǔ)，分別計算R、G、B、H、S、A、B 7個顏色通道的像素點的平均值、標(biāo)準(zhǔn)方差以及同一顏色模型中通道間的相關(guān)系數(shù)。

　　下面從東莞市動物衛(wèi)生監(jiān)督所提供的口蹄疫圖譜中選擇6張作為實驗樣本，如圖4所示。分別對這6張圖像進行口蹄疫的顏色特征提取，為了試驗操作上的方便，將圖像的大小轉(zhuǎn)化成300×300像素。

　　在RGB顏色模型中，分別計算上述6個樣本的R、G、B三個顏色通道的灰度平均值、灰度標(biāo)準(zhǔn)差、通道間的相關(guān)系數(shù)。同時也計算了R/G、R/B、G/B、R/(G+B)、G/(R+B)、B/(R+G)的值,由于它們的值較小，為了方便觀察，將其值都擴大了10倍，如圖5所示。

　　圖5RGB顏色模型中的口蹄疫顏色特征圖從圖5(a)中不難看出，除了第4個樣本的R、G、B通道的灰度值波動較大外，其余樣本的R、G、B通道的灰度值波動較小，而R/G、R/B、G/B、R/G+B、G/R+B、B/R+G的值基本呈線性，稍微有一點波動。在圖5(b)中，R通道的變化在［11,21］范圍內(nèi)，G通道的變化范圍基本在［11,23］內(nèi)。R/G、R/B、G/B、R/G+B和B/R+G基本在一個很小的范圍內(nèi)波動。在圖5(c)中，R通道和B通道間的相關(guān)系數(shù)波動較大，R通道和G通道間的相關(guān)系數(shù)在［0.82,0.96］范圍內(nèi)變化，G通道和B通道間的相關(guān)系數(shù)在［0.76,0.92］范圍變動，表現(xiàn)較為穩(wěn)定。

　　在HSV顏色模型中，由于V值受光照強度的影響較大，因此分別計算上述6個樣本的H、S兩個顏色通道的灰度平均值、灰度標(biāo)準(zhǔn)差及通道間的相關(guān)系數(shù)。同時也計算了H/S的值,由于它們的值較小，為了方便觀察，將它們的值都擴大了10倍，如圖6所示。

　　從圖6(a)可以看出，在HSV顏色模型中，H、S通道的平均灰度值波蕩較小，H的值在［0.13,0.51］范圍內(nèi)變動，S的值在［0.22,0.50］范圍內(nèi)變動。從圖6(b)可以看出H、S通道的灰度標(biāo)準(zhǔn)差基本呈現(xiàn)線性變化，基本無動蕩，特征穩(wěn)定性較好。圖6(c)中的H通道與S通道間的灰度相關(guān)系數(shù)變化范圍較大，穩(wěn)定性并不是很好。

　　在LAB顏色模型中，L值主要代表圖像的亮度，受光照的影響比較大。分別計算上述6個樣本的A、B兩個顏色通道的灰度平均值、灰度標(biāo)準(zhǔn)差、通道間的相關(guān)系數(shù)。同時也計算了A/B的值。由于其值較小，為了方便觀察，將A/B的值擴大了10倍，如圖7所示。

　　從圖7(a)可以發(fā)現(xiàn)A、B通道的灰度平均值波動比較小，A/B的值基本呈水平狀，所以這三個特征是比較穩(wěn)定的特征。圖(b)中，A、B通道的灰度標(biāo)準(zhǔn)差波動較大，而A/B的值變化較小，也是一個較穩(wěn)定的特征。圖(c)中A通道和B通道間灰度相關(guān)系數(shù)波動比較大，特征并不是很穩(wěn)定。

　　通過對以上三個顏色模型中的口蹄疫顏色特征進行比較分析發(fā)現(xiàn)，R、G、H、S、A、B、R/G、R/B、G/B、R/G+B、G/R+B、B/R+G、A/B的灰度均值，R、G、H、S、R/G、B、R/G、R/B、G/B、R/G+BG/R+B、B/R+G、A/B的灰度均值，R、G、H、S、R/G、R/B、R/(G+B)、G/(R+B)、B/(G+R)、A/B的灰度標(biāo)準(zhǔn)方差，R和G，R和B的灰度相關(guān)系數(shù)，都是比較穩(wěn)定的顏色特征,因此，把它們作為支持向量機的特征輸入是合適的。

3基于顏色特征的生豬口蹄疫實驗結(jié)果分析

　　為了準(zhǔn)確地對口蹄疫進行識別，本文采用了支持向量機方法。通過對樣本的5個較為穩(wěn)定的顏色特征進行訓(xùn)練，來對口蹄疫進行識別。

　　在利用支持向量機算法對口蹄疫疫情進行分類識別時，為了操作上的簡便，將口蹄疫疫情標(biāo)記為另一類，非口蹄疫疫情標(biāo)記為一類。為了求出一個最優(yōu)的超平面將口蹄疫疫情和非口蹄疫疫情這兩類樣本精確地分離開來，首先需要選擇一個較好的核函數(shù)將病變圖像的非線性的顏色特征數(shù)據(jù)集映射到高維空間中去，使得該顏色特征數(shù)據(jù)集成為一個線性可分的；然后在這個高維空間中求出一個最優(yōu)的分離平面將兩類樣本準(zhǔn)確地分離開來。由于利用顏色特征數(shù)據(jù)集訓(xùn)練的分類器對特征數(shù)據(jù)的分類結(jié)果往往會與真實的分類結(jié)果之間存在誤差，因此還需要設(shè)置一個誤差界，使得小于該誤差范圍的疫情樣本被歸類到口蹄疫疫情樣本中［6］。

　　本文在對口蹄疫疫情識別器進行設(shè)計時，選擇了12組已知的生豬疾病圖像作為支持向量機的訓(xùn)練樣本，在本實驗中，通過大量的數(shù)據(jù)分析和比較驗證，選擇C-SVM類型損失函數(shù)的參數(shù)值ξ為0.5，主要應(yīng)對分類過程中允許產(chǎn)生的誤差。核函數(shù)選擇徑向基核函數(shù)(RBF)，該函數(shù)的γ值設(shè)置為0.8。然后利用口蹄疫的樣本數(shù)據(jù)進行訓(xùn)練，對圖8所示的三幅患病圖像進行識別［78］。　　

　　利用訓(xùn)練好的分類器，對圖8中的患病圖像進行識別，實驗結(jié)果如表1所示，其中1表示口蹄疫，0表示非口蹄疫(本文是豬丹毒)。從實驗結(jié)果可以看出，利用支持向量機設(shè)計的分類器能夠?qū)斎氲牟∽兲卣鬟M行準(zhǔn)確的分類，算法結(jié)果與實際結(jié)果一致?！　?/p>

利用廣東省東莞市動物衛(wèi)生監(jiān)督所的遠(yuǎn)程監(jiān)控視頻采集了高埗、莞城、沙田等鎮(zhèn)的621張視頻圖像。其中于2013年6月份采集了300張，2013年7月份采集了321張，每一張圖像的大小為704×576，顏色空間為RGB類型。

　　通過本文的方法對采集的621張生豬圖像進行實驗檢測，有342張圖像在圖像分割階段就被篩選掉，篩選率約為55.07%。有264張圖像在特征識別階段被篩選掉，上述兩個階段的篩選率約為97.58%。最后監(jiān)測到15張疑似口蹄疫癥狀的圖片，其中6月份的樣本圖像中有5張被確定為口蹄疫病例，7月份的樣本圖像中2張被確定為口蹄疫病例，口蹄疫疫情的查全率約為 88%。

　　檢測的部分結(jié)果如圖9所示(本節(jié)只列出4張圖像的處理結(jié)果，黑色區(qū)域表示疑似病變的區(qū)域)。

4結(jié)論

　　動物檢疫部門的工作人員雖然很容易通過遠(yuǎn)程視頻監(jiān)控系統(tǒng)對各個生豬監(jiān)控點進行實時監(jiān)測，但是該方法的監(jiān)控效率仍然很低。本文提出一種基于顏色特征的生豬口蹄疫監(jiān)測方法，通過變換相應(yīng)的顏色空間、設(shè)定相應(yīng)的分割閾值和提取圖像的顏色特征來檢測是否存在疑似口蹄疫。試驗結(jié)果表明，該方法具有較高的篩選率和查全率，實時性好，有效地提高了監(jiān)控效率，具有一定的實用價值。

參考文獻

　?。?］ 陳軍, 王昌建, 張朝陽. 動物疫情預(yù)測方法的研究［J］. 中國動物檢疫, 2010, 27(12):7476.

　?。?］ 楊春華, 王強, 王毅,等. 豬口蹄疫的診斷及其綜合防控［J］. 畜牧與飼料科學(xué), 2009, 30(Z1):1217.

　?。?］ 龐曉敏, 閔子建, 闞江明. 基于HSI和LAB顏色空間的彩色圖像分割［J］. 廣西大學(xué)學(xué)報（自然科學(xué)版）, 2011, 36(6):976980.

　?。?］ 陳麗雪, 陳昭炯. 基于Lab空間的圖像檢索算法［J］. 計算機工程, 2008, 34(13):224226.

　　［5］ 王繼策, 王慧, 吳成茂. 基于全散度的CV模型閾值法［J］. 電子技術(shù)應(yīng)用, 2014, 40(11):139142.

　?。?］ 劉鍇, 戴平陽, 江曉蓮,等. 基于排序支持向量機的多特征融合目標(biāo)跟蹤算法［J］. 計算機工程, 2014，40(11):4245,55.

　　［7］ 陳錦青,韓延杰.基于改進遺傳算法的支持向量機預(yù)測模型研究［J］.微型機與應(yīng)用,2013,32(24):8284,90.

　?。?］ 婁洹熙,王力.基于支持向量機和遺傳算法的人臉識別研究［J］.微型機與應(yīng)用,2015,34(7):4951,59.