基于颜色特征的生猪口蹄疫监测方法研究

陈松楠，刘陆民，张　莉

(信阳农林学院 信息工程学院，河南 信阳 464000)



基于颜色特征的生猪口蹄疫监测方法研究

陈松楠，刘陆民，张莉

(信阳农林学院 信息工程学院，河南 信阳 464000)

摘要：通过分析现有的一些监控模型和方法，针对如何快速、有效地对可能发生的疫情进行预警，提出了一种基于颜色特征的生猪口蹄疫监测方法。实验结果表明，该方法能够将大部分患有口蹄疫的生猪图像筛选出来，筛选正确率约为98.69%，口蹄疫疫情的查全率约为88%。

关键词：颜色特征;生猪口蹄疫;监测方法;查全率

引用格式：陈松楠，刘陆民，张莉. 基于颜色特征的生猪口蹄疫监测方法研究[J].微型机与应用，2016,35(12)：42-45.

0引言

随着生猪养殖的集成化和规模化，一些疾病的爆发频率也越来越高。当前，我国生猪疫情的防治工作仍然非常艰巨，口蹄疫的防治尤其突出，该疫情的爆发不仅对畜牧业具有严重的危害，而且也对大众的饮食安全产生了巨大的影响。因此，快速、简便、准确地做好该病的防控工作具有重要的意义[1]。

本文的研究是在广东省东莞市动物卫生监督所的支持下开展的项目，利用远程视频监控系统对东莞市32个镇的疫情检疫进行全面监控。 虽然该远程视频监控系统对动物检疫人员的工作和动物疫情的爆发有很好的监督和预防作用，但是该方法需要对数据存储和查询这一关键技术进行深入的了解和研究。本文希望在基于计算机视觉理论和数字图像处理的基础之上，利用生猪口蹄疫体表病变区域的颜色特征，提出一种自动监测口蹄疫疫情的方法，从而能够24小时对口蹄疫疫情进行实时监控，对患有疑似疫情的生猪图像进行自动筛选和报警，缓解工作人员的工作量和压力，并对后续的生物学实验或基因检测提供源，提高生猪口蹄疫疫情的检测效率。

1口蹄疫病变区域提取

生猪口蹄疫病情的临床症状主要表现在：生猪的蹄底部或蹄冠部出现透明的小水泡，水泡的颜色由淡黄色逐渐变成粉红色。当水泡破裂后会在蹄部或者鼻部会形成鲜红色的烂斑[2]。选择合适的颜色空间对生猪口蹄部中的病变区域进行精确提取是本节研究的重点。

1.1Lab颜色空间的重新量化

设x、y、z分别为Lab颜色空间上L、a、b通道的任意值，将x的取值范围量化到[w1,w2],使得这一范围外的所有x的值都赋值为0。量化公式如下：

(1)

由于a通道的取值范围是[-128,127],颜色由绿色向红色渐变。针对生猪体表病变的特征,将一些不可能出现的颜色去掉，使得a通道上出现的颜色都是病变区域可能所表现出来的，所以本文将y的值量化到[λ1,λ2]范围里，将这一范围外的颜色都消除掉。量化公式如下：

(2)

同理，由于b通道的取值也是[-128,127],颜色由蓝色到黄色渐变。为了将一些不可能出现的颜色去掉，对b通道的值也进行了重新量化，将z的值缩小到范围[δ1,δ2],将这一范围外的颜色也都消除掉。量化公式如下：

(3)

令w1=0，w2=70，λ1=0，λ2=127,δ1=-128，δ2=-5。以图1(b)为样本，分别进行图像由RGB颜色空间到Lab颜色空间，再到重新量化的Lab颜色空间的转换[3-4]。实验结果如图1所示。

图1　三种颜色空间图像的实验对比

1.2口蹄疫病变区域提取

在进行生猪口蹄疫病变区域的分割提取时，需要对生猪口蹄部图像进行灰度化处理和二值化处理。首先，对图1(c)进行L、a、b三个颜色通道的提取，从而将原来的彩色图像分解成三个单通道的灰度图，结果如图2所示。

图2　图像的通道提取

由于L通道仅仅表示图像的亮度值，它的大小与光照强度有关，为了避免外界光照对病变区域分割造成影响，因此主要选取a、b两个颜色通道来进行分析。在图2中可以注意到，对于生猪口蹄疫的病变区域来说，a通道的图像和b通道的图像都能很好地将口蹄疫的病变区域突显出来，其他颜色区域对病变区域的干扰也较小。通过比较可以发现，在视觉上a通道图像中的病变区域比b通道图像中的病变区域具有更高的强度值。所以本文选择强度值比较高的a通道图像来进行进行阈值分割，从而实现对生猪口蹄疫病变区域的精确提取。

下面以图2(c)为样本，来对生猪口蹄疫病变区域进行分割提取，在本实验中设置分割阈值为[5]0.59。这样生猪口鼻部图像就被分割成2部分：一部分为生猪口蹄疫病变部分；一部分黑色背景部分。分割结果如图3所示。

图3　口蹄疫病变区域的提取

2口蹄疫区域的颜色特征提取

在前面已经知道口蹄疫的临床症状主要表现为鲜红色的烂斑。从口蹄疫的临床症状表现不难发现，颜色是口蹄疫图像最显着的特征之一。本文以RGB、HSV、LAB三种颜色模型为基础，分别计算R、G、B、H、S、A、B7个颜色通道的像素点的平均值、标准方差以及同一颜色模型中通道间的相关系数。

下面从东莞市动物卫生监督所提供的口蹄疫图谱中选择6张作为实验样本，如图4所示。分别对这6张图像进行口蹄疫的颜色特征提取，为了试验操作上的方便，将图像的大小转化成300×300像素。

图4　口蹄疫颜色特征提取样本

在RGB颜色模型中，分别计算上述6个样本的R、G、B三个颜色通道的灰度平均值、灰度标准差、通道间的相关系数。同时也计算了R/G、R/B、G/B、R/(G+B)、G/(R+B)、B/(R+G)的值,由于它们的值较小，为了方便观察，将其值都扩大了10倍，如图5所示。

图5　RGB颜色模型中的口蹄疫颜色特征图

从图5(a)中不难看出，除了第4个样本的R、G、B通道的灰度值波动较大外，其余样本的R、G、B通道的灰度值波动较小，而R/G、R/B、G/B、R/G+B、G/R+B、B/R+G的值基本呈线性，稍微有一点波动。在图5(b)中，R通道的变化在[11,21]范围内，G通道的变化范围基本在[11,23]内。R/G、R/B、G/B、R/G+B和B/R+G基本在一个很小的范围内波动。在图5(c)中，R通道和B通道间的相关系数波动较大，R通道和G通道间的相关系数在[0.82,0.96]范围内变化，G通道和B通道间的相关系数在[0.76,0.92]范围变动，表现较为稳定。

在HSV颜色模型中，由于V值受光照强度的影响较大，因此分别计算上述6个样本的H、S两个颜色通道的灰度平均值、灰度标准差及通道间的相关系数。同时也计算了H/S的值,由于它们的值较小，为了方便观察，将它们的值都扩大了10倍，如图6所示。

图6　HSV颜色模型中的口蹄疫颜色特征图

从图6(a)可以看出，在HSV颜色模型中，H、S通道的平均灰度值波荡较小，H的值在[0.13,0.51]范围内变动，S的值在[0.22,0.50]范围内变动。从图6(b)可以看出H、S通道的灰度标准差基本呈现线性变化，基本无动荡，特征稳定性较好。图6(c)中的H通道与S通道间的灰度相关系数变化范围较大，稳定性并不是很好。

在LAB颜色模型中，L值主要代表图像的亮度，受光照的影响比较大。分别计算上述6个样本的A、B两个颜色通道的灰度平均值、灰度标准差、通道间的相关系数。同时也计算了A/B的值。由于其值较小，为了方便观察，将A/B的值扩大了10倍，如图7所示。

图7　LAB颜色模型中的口蹄疫颜色特征图

从图7(a)可以发现A、B通道的灰度平均值波动比较小，A/B的值基本呈水平状，所以这三个特征是比较稳定的特征。图(b)中，A、B通道的灰度标准差波动较大，而A/B的值变化较小，也是一个较稳定的特征。图(c)中A通道和B通道间灰度相关系数波动比较大，特征并不是很稳定。

通过对以上三个颜色模型中的口蹄疫颜色特征进行比较分析发现，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的灰度标准方差，R和G，R和B的灰度相关系数，都是比较稳定的颜色特征,因此，把它们作为支持向量机的特征输入是合适的。

3基于颜色特征的生猪口蹄疫实验结果分析

为了准确地对口蹄疫进行识别，本文采用了支持向量机方法。通过对样本的5个较为稳定的颜色特征进行训练，来对口蹄疫进行识别。

在利用支持向量机算法对口蹄疫疫情进行分类识别时，为了操作上的简便，将口蹄疫疫情标记为另一类，非口蹄疫疫情标记为一类。为了求出一个最优的超平面将口蹄疫疫情和非口蹄疫疫情这两类样本精确地分离开来，首先需要选择一个较好的核函数将病变图像的非线性的颜色特征数据集映射到高维空间中去，使得该颜色特征数据集成为一个线性可分的；然后在这个高维空间中求出一个最优的分离平面将两类样本准确地分离开来。由于利用颜色特征数据集训练的分类器对特征数据的分类结果往往会与真实的分类结果之间存在误差，因此还需要设置一个误差界，使得小于该误差范围的疫情样本被归类到口蹄疫疫情样本中[6]。

本文在对口蹄疫疫情识别器进行设计时，选择了12组已知的生猪疾病图像作为支持向量机的训练样本，在本实验中，通过大量的数据分析和比较验证，选择C-SVM类型损失函数的参数值ξ为0.5，主要应对分类过程中允许产生的误差。核函数选择径向基核函数(RBF)，该函数的γ值设置为0.8。然后利用口蹄疫的样本数据进行训练，对图8所示的三幅患病图像进行识别[7-8]。

图8　猪患病图像样本

利用训练好的分类器，对图8中的患病图像进行识别，实验结果如表1所示，其中1表示口蹄疫，0表示非口蹄疫(本文是猪丹毒)。从实验结果可以看出，利用支持向量机设计的分类器能够对输入的病变特征进行准确的分类，算法结果与实际结果一致。

表1　口蹄疫分类结果

利用广东省东莞市动物卫生监督所的远程监控视频采集了高埗、莞城、沙田等镇的621张视频图像。其中于2013年6月份采集了300张，2013年7月份采集了321张，每一张图像的大小为704×576，颜色空间为RGB类型。

通过本文的方法对采集的621张生猪图像进行实验检测，有342张图像在图像分割阶段就被筛选掉，筛选率约为55.07%。有264张图像在特征识别阶段被筛选掉，上述两个阶段的筛选率约为97.58%。最后监测到15张疑似口蹄疫症状的图片，其中6月份的样本图像中有5张被确定为口蹄疫病例，7月份的样本图像中2张被确定为口蹄疫病例，口蹄疫疫情的查全率约为 88%。

检测的部分结果如图9所示(本节只列出4张图像的处理结果，黑色区域表示疑似病变的区域)。

图9　图像检测后的效果图

4结论

动物检疫部门的工作人员虽然很容易通过远程视频监控系统对各个生猪监控点进行实时监测，但是该方法的监控效率仍然很低。本文提出一种基于颜色特征的生猪口蹄疫监测方法，通过变换相应的颜色空间、设定相应的分割阈值和提取图像的颜色特征来检测是否存在疑似口蹄疫。试验结果表明，该方法具有较高的筛选率和查全率，实时性好，有效地提高了监控效率，具有一定的实用价值。

参考文献

[1] 陈军, 王昌建, 张朝阳. 动物疫情预测方法的研究[J]. 中国动物检疫, 2010, 27(12):74-76.

[2] 杨春华, 王强, 王毅,等. 猪口蹄疫的诊断及其综合防控[J]. 畜牧与饲料科学, 2009, 30(Z1):12-17.

[3] 庞晓敏, 闵子建, 阚江明. 基于HSI和LAB颜色空间的彩色图像分割[J]. 广西大学学报(自然科学版), 2011, 36(6):976-980.

[4] 陈丽雪, 陈昭炯. 基于Lab空间的图像检索算法[J]. 计算机工程, 2008, 34(13):224-226.

[5] 王继策, 王慧, 吴成茂. 基于全散度的C-V模型阈值法[J]. 电子技术应用, 2014, 40(11):139-142.

[6] 刘锴, 戴平阳, 江晓莲,等. 基于排序支持向量机的多特征融合目标跟踪算法[J]. 计算机工程, 2014，40(11):42-45,55.

[7] 陈锦青,韩延杰.基于改进遗传算法的支持向量机预测模型研究[J].微型机与应用,2013,32(24):82-84,90.

[8] 娄洹熙,王力.基于支持向量机和遗传算法的人脸识别研究[J].微型机与应用,2015,34(7):49-51,59.

中图分类号：TP391.4

文献标识码：A

DOI：10.19358/j.issn.1674- 7720.2016.12.014

(收稿日期：2016-02-27)

作者简介：

陈松楠(1988-),男，硕士，助教，主要研究方向：计算机视觉、图像处理。

刘陆民(1987-),男，硕士，助教，主要研究方向：软件工程。

张莉(1989-),男，硕士，助教，主要研究方向：模式识别。

Research on the monitoring technology of pig’s foot and mouth disease based on color feature

Chen Songnan,Liu Lumin,Zhang Li

(College of Information Engineering, Xinyang College of Agriculture and Forestry,Xinyang 464000,China)

Abstract:In this article,through analysis of some existing monitoring models and methods for quickly and effectively detecting the possibility of the pig’s foot and mouth disease, a monitoring method based on color feature is proposed. The experimental results show that the most of images of pig with foot and mouth disease can be screened by this method, the correct rate is about 98.69%,and the recall ratio is about 88%.

Key words:color features; pig’s foot and mouth disease; monitoring models; recall ratio