陳松楠，劉陸民，張莉

　?。ㄐ抨栟r林學院 信息工程學院，河南 信陽 464000）

　　摘要：通過分析現有的一些監控模型和方法，針對如何快速、有效地對可能發生的疫情進行預警，提出了一種基于顏色特征的生豬口蹄疫監測方法。實驗結果表明，該方法能夠將大部分患有口蹄疫的生豬圖像篩選出來，篩選正確率約為98.69%，口蹄疫疫情的查全率約為88%。

　　關鍵詞：顏色特征;生豬口蹄疫;監測方法;查全率

0引言

　　隨著生豬養殖的集成化和規?；?，一些疾病的爆發頻率也越來越高。當前，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，該疫情的爆發不僅對畜牧業具有嚴重的危害，而且也對大眾的飲食安全產生了巨大的影響。因此，快速、簡便、準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生監督所的支持下開展的項目，利用遠程視頻監控系統對東莞市32個鎮的疫情檢疫進行全面監控。 雖然該遠程視頻監控系統對動物檢疫人員的工作和動物疫情的爆發有很好的監督和預防作用，但是該方法需要對數據存儲和查詢這一關鍵技術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字圖像處理的基礎之上，利用生豬口蹄疫體表病變區域的顏色特征，提出一種自動監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，并對后續的生物學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口蹄疫病變區域提取

　　生豬口蹄疫病情的臨床癥狀主要表現在：生豬的蹄底部或蹄冠部出現透明的小水泡，水泡的顏色由淡黃色逐漸變成粉紅色。當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域進行精確提取是本節研究的重點。

　　1.1Lab顏色空間的重新量化

　　設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,將一些不可能出現的顏色去掉，使得a通道上出現的顏色都是病變區域可能所表現出來的，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］,顏色由藍色到黃色漸變。為了將一些不可能出現的顏色去掉，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顏色空間的轉換［34］。實驗結果如圖1所示。

　　1.2口蹄疫病變區域提取

　　在進行生豬口蹄疫病變區域的分割提取時，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，為了避免外界光照對病變區域分割造成影響，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域突顯出來，其他顏色區域對病變區域的干擾也較小。通過比較可以發現，在視覺上a通道圖像中的病變區域比b通道圖像中的病變區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，從而實現對生豬口蹄疫病變區域的精確提取。

　　下面以圖2(c)為樣本，來對生豬口蹄疫病變區域進行分割提取，在本實驗中設置分割閾值為［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。分割結果如圖3所示。

　　2口蹄疫區域的顏色特征提取

　　在前面已經知道口蹄疫的臨床癥狀主要表現為鮮紅色的爛斑。從口蹄疫的臨床癥狀表現不難發現，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，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、標準方差以及同一顏色模型中通道間的相關系數。

　　下面從東莞市動物衛生監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、灰度標準差、通道間的相關系數。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，G通道的變化范圍基本在［11,23］內。R/G、R/B、G/B、R/G+B和B/R+G基本在一個很小的范圍內波動。在圖5(c)中，R通道和B通道間的相關系數波動較大，R通道和G通道間的相關系數在［0.82,0.96］范圍內變化，G通道和B通道間的相關系數在［0.76,0.92］范圍變動，表現較為穩定。

　　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、灰度標準差及通道間的相關系數。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］范圍內變動，S的值在［0.22,0.50］范圍內變動。從圖6(b)可以看出H、S通道的灰度標準差基本呈現線性變化，基本無動蕩，特征穩定性較好。圖6(c)中的H通道與S通道間的灰度相關系數變化范圍較大，穩定性并不是很好。

　　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、灰度標準差、通道間的相關系數。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)可以發現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定的特征。圖(b)中，A、B通道的灰度標準差波動較大，而A/B的值變化較小，也是一個較穩定的特征。圖(c)中A通道和B通道間灰度相關系數波動比較大，特征并不是很穩定。

　　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現，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的灰度標準方差，R和G，R和B的灰度相關系數，都是比較穩定的顏色特征,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果分析

　　為了準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個較為穩定的顏色特征進行訓練，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，將口蹄疫疫情標記為另一類，非口蹄疫疫情標記為一類。為了求出一個最優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將病變圖像的非線性的顏色特征數據集映射到高維空間中去，使得該顏色特征數據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的分離平面將兩類樣本準確地分離開來。由于利用顏色特征數據集訓練的分類器對特征數據的分類結果往往會與真實的分類結果之間存在誤差，因此還需要設置一個誤差界，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練樣本，在本實驗中，通過大量的數據分析和比較驗證，選擇C-SVM類型損失函數的參數值ξ為0.5，主要應對分類過程中允許產生的誤差。核函數選擇徑向基核函數(RBF)，該函數的γ值設置為0.8。然后利用口蹄疫的樣本數據進行訓練，對圖8所示的三幅患病圖像進行識別［78］?！　?/p>

　　利用訓練好的分類器，對圖8中的患病圖像進行識別，實驗結果如表1所示，其中1表示口蹄疫，0表示非口蹄疫(本文是豬丹毒)。從實驗結果可以看出，利用支持向量機設計的分類器能夠對輸入的病變特征進行準確的分類，算法結果與實際結果一致?！　?/p>

利用廣東省東莞市動物衛生監督所的遠程監控視頻采集了高埗、莞城、沙田等鎮的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%。

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

4結論

　　動物檢疫部門的工作人員雖然很容易通過遠程視頻監控系統對各個生豬監控點進行實時監測，但是該方法的監控效率仍然很低。本文提出一種基于顏色特征的生豬口蹄疫監測方法，通過變換相應的顏色空間、設定相應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，有效地提高了監控效率，具有一定的實用價值。

參考文獻

　　［1］ 陳軍, 王昌建, 張朝陽. 動物疫情預測方法的研究［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, 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］. 廣西大學學報（自然科學版）, 2011, 36(6):976980.

　　［4］ 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.

　?。?］ 王繼策, 王慧, 吳成茂. 基于全散度的CV模型閾值法［J］. 電子技術應用, 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跟蹤算法［J］. 計算機工程, 2014，40(11):4245,55.

　?。?］ 陳錦青,韓延杰.基于改進遺傳算法的支持向量機預測模型研究［J］.微型機與應用,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］.微型機與應用,2015,34(7):4951,59.