基于PCA-KNN的金线莲种类识别

柯程扬，刘丽桑，林赫，张荣升

(1.福建工程学院 电子电气与物理学院，福建 福州 350118；2.工业自动化福建省高校工程研究中心，福建 福州 350118；3.国网福建省供电有限公司霞浦县供电公司，福建 宁德 355100)

金线莲享有“药王”的美称，但对生长环境要求严格，自然状态下繁殖率较低。不同种类的金线莲叶片外形十分相像，不法商家以次充好、不良掺假，严重影响了金线莲的临床疗效。金线莲的品系鉴定通常依赖于化学分析方法，主要包括显微鉴定法、高效液相色谱法、DNA(deoxyribonucleic acid)分子鉴定法和近红外光谱检测技术等，然而这些方法需要人工鉴别，存在一定的主观性而且效率低下[1-2]。因此实现不同品系的金线莲高效、准确鉴别是亟待解决的问题。

随着计算机和图像处理技术的发展，近年来，机器视觉技术已被引入到中药材鉴别的各个环节。文献[3]在传统经验鉴别的基础上，采用宽长比、RGB(red-green-blue)值、图像处理软件等现代处理方法与技术，实现了对枸杞子规格与等级的快速划分。文献[4]则利用了药材横切面显微图像的灰度信息，构建灰度匹配模板，实现与尺度及方位无关的中药材样品图像的自动识别。文献[5]利用自适应图像分割算法实现了对中药有效区域内不同部位的分割。然而，当前直接基于叶片图像对中药材进行识别的研究很少，文献[6]基于机器视觉对金线莲品系进行了研究，将提取的特征直接用于分类模型构建，但其构建的集成分类模型参数多，模型训练过程复杂。

鉴于此，本课题基于图像特征对金线莲品系进行识别分析，通过特征的有效融合降低分类模型设计复杂度，利用基于主成分分析(principal component analysis，PCA)的K最近邻(K nearest neighbor，KNN)[7-9]算法和支持向量机(support vector machines，SVM)[10-12]算法进行分类。

1 叶片的图像预处理

本研究以红霞金线莲、尖叶金线莲、台湾金线莲为例分析3类金线莲的品系鉴别问题，算法的整体流程如图1所示。

图1 叶片图像识别整体流程图Fig.1 Overall flow chart of blade image recognition

由于在自然环境条件下拍摄的干扰信息较多，为改善关键部分的显示效果以便于图像后续处理，首先对图像进行预处理。以红霞金线莲为例，具体步骤如下：

步骤一：将彩色图像缩小至分辨率为800×800像素。使用均值滤波和灰度化处理，将彩色图像(RGB图像)转换为灰度图像，克服纹理提取时噪音及颜色的影响，如图2(a)所示。

步骤二：采用高斯滤波和二值化处理，即采用大津法(Otsu)来选取滤波阀值T，凸显轮廓，对图像空间频率进行强化，提高目标的对比度，减少图像的数据量，如图2(b)所示。

步骤三：对图像进行形态学处理，其中，闭运算消除叶片的内部孔洞，开运算去除叶柄影响，如图2(c)所示。

步骤四：对图像进行掩膜，使用滤光片、胶片等物体或多值图像遮挡图像，以提取结构特征，统计屏蔽区，获取感兴趣区的行为，如图2(d)所示。

图2 叶片预处理结果示例Fig.2 Examples of blade preprocessing results

其中，对图像滤波降噪，在步骤一至步骤二均有采用，其作用是在尽可能保留图像细节特征的条件下，对目标图像进行噪声抑制，这是图像预处理中不可或缺的操作。通过滤波技术淡化部分无用信息，从而改善实物目标与领域或背景之间的灰度反差。

2 叶片的图像特征提取与融合

2.1 纹理特征提取

纹理特征是图像的重要底层特征之一，本试验采用灰度共生矩阵(gray level co-occurrence matrix，GLCM)在统计基础上完成提取。如果两个像素灰度在空间位置上表现出了联合分布的特征，则将其视为GLCM矩阵中的元素。根据相邻像素点之间距离参数D的不同可以得到不同距离的灰度共生矩阵，通过计算水平方向[0,D]，右上角45°方向[-D,D]，竖直方向[-D,0]，左上角135°方向[-D,-D]获得灰度共生矩阵。当图像中的各像素灰度值比较接近时，GLCM存在较大的元素值。常用的GLCM矩阵特征指标包括：熵值、对比度、能量、自相关、逆差距等。本次试验提取16维数据，分别从水平方向、垂直方向、45°方向、135°方向等4个方向提取了关于能量Asm、对比度Con、逆差分矩Idm和熵值Ent数据。

(1)

(2)

(3)

(4)

式中，P(i,j)为归一化后的灰度共生矩阵的第i行第j列的值。

利用GLCM，可以求得起点像素灰度值是i，并在离开某固定位置的点时灰度值为j的概率。GLCM生成流程如下：

步骤一：假设点(x,y)位于某图像上，其灰度值为(c1,c2)；(x+a,y+b)为与该点存在距离或偏离的点。移动点(x,y)后，灰度值也会发生相应的变化。

步骤二：若将k视为灰度值级数，则存在k2种(c1,c2)组合；在图像范围内，对每种(c1,c2)出现的次数进行统计，并以方阵形式排列。

步骤三：归一化处理出现的总数，得出P(c1,c2)。在截取数值组合时，如果将差分值设为(a,b)，那么联合概率矩阵也会表现出众多差异。

通过对纹理特征进行提取后，得到GLCM数据，为120行16列矩阵。

2.2 颜色特征提取

HSV(hue-saturation-value)为使用者提供了直观的颜色描述方案，即颜色亮度、深度等颜色问题。其中，H为色调；S为饱和度；V为明度、色彩的亮度。HSV的诞生为颜色识别及机器视觉技术的发展提供了重要支持。HSV空间模型可以对色彩明度、饱和度、色调进行直观的描述，比RGB空间更具有表达力。

在HSV模型里，V分量与色彩无关，所以在提取颜色模型时，仅提取R、G、B、H、S共5个颜色分量。最后统计得到的颜色特征有15个(含一阶矩、二阶矩、三阶矩)。具体的计算公式如下：

(5)

(6)

(7)

式中,Ci1、Ci2、Ci3分别表示第i个颜色分量的一阶矩、二阶矩、三阶矩，Pij代表第i个颜色分量灰度值为j的像素点出现的概率。

通过对颜色特征进行提取后，得到HSV数据，为120行15列矩阵。

2.3 PCA特征降维

PCA是图像处理中经常用到的降维方法，它通过计算数据矩阵之间的协方差矩阵，得到协方差矩阵的特征向量；再选择特征值最大(协方差最大)的S个特征所对应的特征向量组成的矩阵；然后将数据矩阵转换到新的多维空间中，实现数据的降维操作，提高识别精度。

假设分析数据为N(n个特征)，则PCA整体计算流程为：

(1)对向量N进行中心化；

(2)计算N的协方差矩阵；

(3)计算协方差矩阵的特征值和特征向量；

(4)将原始特征数据投影到选取的特征向量上，得到降维后的S维特征，S为经验值。

图3为数据降维后的坐标图，由于整体数据量较大，所以只从不同类别金线莲中分别随机选取3组数据进行绘图。图3中，横坐标为降维后维度，纵坐标为在不同维度下、不同类别的金线莲数据量大小，1为红霞金线莲，2为尖叶金线莲，3为台湾金线莲。从图3可见，前3维数据的区别较大，其余5维数据重叠较严重，不便用于区分，从而不利于金线莲的识别。

图3 降维后坐标图Fig.3 Coordinate diagram after dimension reduction

通过表1我们可以清楚地得知，前5维数据已经占整体的99.61%。因此可以通过保留前5维数据，处理掉部分占比较小的干扰信息，这就能保留叶片提取特征的绝大部分信息，并且去除相似度极高的特征，从而很好地起到降低特征维度，提高结果的精确度的作用。

3 基于PCA-KNN的金线莲识别算法

KNN算法核心思想：如果一个样本在特征空间的最相似(最近临)的N个样本大部分属于某个类别，则该样本也属于这个类别。

对于KNN算法，首先构建一个训练样本集合X，并设定K的初值(先确定一个初始值，再进行调整，实现最优参数)；分类时，在训练样本集中选出与特征Z最接近的k个样本。

假设样本点x属于n维向量空间R，则采用欧式距离计算样本点之间的近邻关系。对于样本集合X，设第i个样本属于R。则样本xi与样本yi之间的欧式距离为：

(8)

若给定一个待分类样本xs，其中x1,x2,...，xk表示与xs距离最近的k个样本，假设离散目标函数为f，v表示类别标签。

(9)

图4 按距离匹配归类Fig.4 Classification by distance matching

综上，基于PCA的KNN算法基本步骤为：

步骤一：获取PCA降维后的数据，共9列数据，假设调用指令提取1到8列的特征数据，存储于jxl_data中，再次调用指令提取第0列的标签，存储于jxl_target中。

步骤二：获取金线莲的特征值、目标值。将上一步获取的特征数据jxl_data作为特征值，jxl_target作为目标值。

步骤三：将获取的特征值中52%(经验值)的数据作为测试集，其余作为训练集。

步骤四：建立特征方程，即对特征值进行标准化处理。其特点为：由于每个特征的大小和取值范围等不一样，从而导致每个特征的权重不一样，而实际上是一样的。通过对原始数据进行变换，把数据变换到均值为0，方差为1的范围内。这样每个特征值的权重都会变得一样，以便于计算机处理。

步骤五：将测试集送入算法训练，获取预测结果。

4 实验结果及分析

实验中，设定测试集大小为0.52(test_size = 0.52)，即52%的数据用作测试集，剩余数据用于训练，根据经验选取KNN算法的K值为1(n_neighbors = 1)，比较不同主成分数下模型的效果。实验中用到的部分金线莲叶子图像如图5所示。

图5 金线莲叶片图像Fig.5 Blade images of anoectochilus roxburghii

由表2可知，经过PCA降维后，选取主成分数为5作为KNN模型的输入时，该模型的识别率最高，达到98.4%。

为验证所提算法的有效性，本研究将其与KNN、SVM、PCA-SVM等算法对63幅待识别的金线莲叶子图进行识别，并将准确率作为分类结果评价指标。识别结果对比如表3所示。

表3 各方法识别结果

由表3数据可知，对于未降维的数据，KNN算法识别准确率为90.5%，这说明KNN算法对于庞大数据的处理能力欠佳，对于小量数据处理效果较好。SVM算法识别准确率为93.7%，经过PCA降维后的PCA-SVM算法识别准确率为96.8%，均低于本研究提出的PCA-KNN算法。

品系识别方面，利用PCA降维后的数据集并通过KNN算法实现了对金线莲的分类，即采用基于PCA的KNN算法进行金线莲品系识别更加精准，错分率为1.6%，准确率达98.4%。

5 结语

由于金线莲种类繁多且长相相近，人工识别耗时费力，而现有的方法对实验设备的条件要求高且具有局限性，为了能对品系进行方便准确地识别，本研究提出基于PCA-KNN的金线莲叶片识别方法。试验采集3种品系金线莲图像数据，对其进行预处理，进而提取得到31维金线莲的纹理、颜色特征数据；通过PCA进行特征降维，共提取累积贡献度达99.61%的5个主元，通过训练KNN分类器完成分类。实验表明，所提出的PCA-KNN算法能有效提高金线莲叶片识别准确率，较KNN、SVM、PCA-SVM等方法分别提高了7.9%、4.7%、1.6%。因此，本方法已能对金线莲叶片做出准确的识别，下一步工作将深度学习用于提取特征以及分类识别，进一步优化算法。