赵 鑫 朱启兵 黄 敏

（江南大学,江苏 无锡 214122）

数字图像处理是一门利用计算机对图像进行分析和信息提取的学科，具有很强的理论性和实践性，也是物联网工程本科专业的一门重要课程。实验教学是数字图像处理这门课程中很重要的环节，有利于学生将理论知识与代码仿真结合起来，增进对基础理论的理解[1-2]。然而之前的课程实验教学大多采用验证性实验，通过编程仿真对图像几何变换、边缘检测、图像增强等基础原理进行验证，缺少综合性与创新性的案例项目[3-4]。

当前，国家推动创新驱动发展，以新技术、新业态、新模式、新产业为代表的新经济蓬勃发展。“新工科”概念的提出，旨在为满足未来新兴产业和新经济需要，培养和造就一批实践能力强、创新能力强、具备国际竞争力的高素质复合型工程技术人才[5-6]。数字图像处理课程的综合实验案例能够增强学生理论联系实际的能力，帮助学生在理解算法等基本知识点的同时，对图像分割、图像去噪、图像识别等实际问题的处理有更为深入的理解与掌握[7]。本文结合科研项目和农业信息化的实际生产需要，以“小麦种子品种识别”为例，构建一个综合型实验案例，以提高学生理论联系实际的能力。

1 实验案例设计的目标和任务

传统实验案例多是数字图像算法的验证，没有结合实际图像获取考虑算法的实际用途。学生对图像处理技术的实际作用以及如何全面应用这些技术缺乏相应的理论知识，因此在解决实际案例问题时不知道怎么操作[8]。由于数字图像处理与人工智能技术关系密切，目前的人工智能技术特别是机器学习和深度学习正在迅速发展，因此更需要实时地教给学生最新的技术，以实现人才培养与时代步伐的紧密结合[9]。要将实际应用案例融入实验教学中，从而更清晰地向学生展示相关领域的最新研究成果，促使学生参与实验的积极性得到明显提高，从而激发创新意识。

“小麦种子品种识别”实验案例的主要任务如下：

（1）结合课程教学目标设计实验方案，使得整个实验设计更贴近当前的工程实际应用，同时也更符合新工科卓越工程人才的培养需求。

（2）通过为学生营造实践情境，以实际案例分析引导学生去寻找和发现数字图像处理技术的实际需求，主动地去探索、发现问题，从中培养实践能力，获得解决现实问题的经验。

（3）将数字图像处理专业所涉及的多个学科（人工智能、模式识别等）有机结合在一起，融合多学科的理论与知识，使学生融会贯通地学习和应用各领域专业知识，从而提高创新能力。

（4）以团队合作的形式完成整个实验项目，引导学生在注重实验结果的同时，也能够注重对过程的计划与控制；在注重专业知识学习的同时，也能不断提升团队协作能力、项目管理能力、沟通表达能力等软技能，努力成为高素质复合型的新工科人才。

（5）通过对小麦种子的图像处理，运用图像分割、特征提取等方法识别出不同品种的小麦种子。

2 实验案例的内容

种子品种纯度是指种子在遗传特性方面一致性的程度。在农业生产中，纯度较高的种子更容易获得稳定的遗传性状，从而更利于控制农产品的品质。开发快速高效的种子品种检测方法对提高农业生产效率具有重要意义[10]。高光谱利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谱波段连续成像，在获得物理空间特征成像的同时，也获得了被测物体的光谱信息[11-12]。单一波段下的图像为灰度图像，实验基于图像处理框架，完成图像去噪、单粒种子分割，进而考虑波段之间的关联特性，通过设计特征提取和分类模型，得到较高的识别精度。

实验案例将小麦种子无损检测任务简化形成数字图像处理课程的实验任务目标，采用问题驱动的实验教学内容设计方案，依据理论课教学内容对实际项目进行分解，将应用的图像去噪、图像分割、图像特征提取算法形成实验模块。在所有实验教学结束之后，将相关实验课内容进行连接、合并和扩展，构成一个可以解决实际问题的基本框架。实验项目提供的数据来源于实验室，整个综合实验案例设计内容分为图像去噪、图像分割、特征提取、识别模型。

2.1 图像去噪

高光谱成像的基本原理为在一定波长范围内，根据光谱分辨率将一个个二维平面图像连续地组成三维数据，其中的二维平面是图像像素的x轴和y轴，第三维是波长信息λ，图像中每一点都含有该物质的光谱信息[13]。这个三维图像实际上是一个包含光谱图像数据的超立方体，结合了光谱信息与空间信息，如图1所示。由于采集环境的变化以及仪器自身的不稳定性，首先需要对高光谱图像进行去噪，提高信噪比，从而改善整体图像质量。由于不同波段的噪声强度往往是不同的，而且噪声在图像中通常是混合存在的，所以其噪声的特性和分布特征也不尽相同。为了让学生更直观了解去噪效果，实验案例中引入单一波段下的灰度图滤波和整体的数据立方体小波变换去噪，通过比较不同方法的去噪效果，加深学生对滤波器使用效果的理解。

图1 实验采集的小麦种子高光谱图像

2.2 图像分割

小麦种子样本分批次进行数据采集，每批次采集100粒小麦种子，为了后续的品种分类，需要对采集的高光谱图像进行分割，将图像上的单粒小麦区域从背景中分离出来。在单波段通道下的图像中，小麦区域和背景区域的亮度有所不同，所以阈值分割法是最直接有效的分割方法。但是，由于不同小麦种子对光子的吸收反射不同，而且线扫描光源的亮度不均匀，将会导致同一图像中的灰度分布不是均衡的。为了克服这一问题，可以采用自适应阈值分割算法将小麦种子从背景中分离出来，分割效果如图2所示。阈值分割的关键在于阈值选取，除了自适应阈值分割外，还可对图像进行处理，提高目标和背景的对比度，通过分析比较分割效果选用最优的方法。

图2 阈值分割后的小麦图像

2.3 特征提取

特征或信息提取是数字图像处理课程的主要教学目标之一。高光谱图像特征提取包括图像空间特征提取和光谱特征提取，是指对原始的光谱空间特征进行重新组合和优化，提取出最适应当前应用需求的新特征。小麦种子品种不同，其外观存在一定的差异，所以可以提取形状特征，包括轮廓特征、区域特征、图像的矩等。局部二值模式（Local Binary Pattern,LBP）是一种用来描述图像局部特征的算子，具有灰度不变性和旋转不变性等显著优点[14]，图3给出了单粒小麦的LBP特征。同时由于不同的内部组分，小麦种子的差异将极大表现在光谱分布上，因此提取有效的光谱信息能进一步提高分类模型精度。平均光谱是最为常见的光谱特征，如何对光谱特征进行重组和优化是这部分的研究重点，图4显示了不同品种小麦的平均光谱曲线，可以发现不同品种小麦光谱吸收峰位置相同，强度不同。

图3 单粒小麦的LBP特征

图4 不同品种小麦的平均光谱曲线

2.4 种子识别模型

基于上述提取的特征，运用模式识别与机器学习算法建立分类模型可实现小麦种子品种的准确识别。人工神经网络和支持向量机是机器学习中常用的分类器[15]，建立分类模型需要利用大量已知标签的样本对模型进行训练。因此，需要采集一定数量的不同品种小麦种子图像，通过上述提取的特征组合，训练不同分类器。卷积神经网络作为目前较为流行的深度学习模型之一，也可作为种子识别的分类器，鼓励进行多种方案尝试，并进行分析比较，掌握不同模型的原理方法。

3 实验要求

根据上述的实验内容设置如下实验要求：

（1）分组查阅资料，比较不同算法，制定实验方案。

（2）了解种子分类识别的过程，熟练掌握图像处理基本算法和原理。

（3）了解图像和光谱特征提取方法以及分类模型建立方法。

（3）编写调试程序实现整个算法流程，图像去噪能去除大部分噪声，图像分割能精确将单粒种子分离出来，达到分离率100%，提取有效特征能实现种子品种识别精度80%以上。

实验环境和条件要求如下：

（1）硬件环境。实验设备采用普通台式计算机或笔记本电脑，如果涉及深度学习算法，建议采用GPU显卡，由于数据量较大，建议机器内存32 G以上。

（2）软件环境。Window7以上操作系统，自行挑选编程语言，建议采用Python和MATLAB编程，可安装Python 3.6或MATLAB 2018a以上版本。如果涉及深度学习算法，建议采用“Anaconda+Pytorch”环境。

4 实验目的

通过实验进一步加深学生对图像处理的方法、原理的理解，学生利用所学知识自行设计流程框架，完成小麦种子品种检测和识别，锻炼了学生的文献查阅能力，使其了解不同类型（灰度、RGB、高光谱）图像的特点，熟悉并且掌握不同类型图片的图像去噪、分割、特征提取算法；学习并熟练运用MATLAB、Python等软件实现算法的编写；提高编程和解决问题的能力，将所学知识学以致用，进一步了解算法的实际作用。同时，引导学生通过技术的创新解决生产、生活中的具体问题，关注社会经济发展的现实需求，能将所学知识和实际生活联系起来，了解前沿技术与最新研究进展，拓宽学生的视野和提高学生解决问题的能力。

5 多元化考核模式

新工科建设要培养卓越工程人才，提高学生的工程意识和实践能力，培养学生的创新精神和工匠精神。因此，在对传统数字图像处理课程实验改革的同时，需要重新定义实验目标，综合实验的目标不应该只定位于知识体系，而应该定位于能力体系，需要对目标的实现有明确支撑，同时要以目标达成评价为基础开展考核，并进行反馈和持续改进。通过过程性与终结性考核相结合的多元化考核模式，可以实现对学生能力多维度、多层面的考查，引导学生在注重结果的同时，也能够注重对过程的计划与控制；在注重专业知识学习的同时，也能不断提升团队协作能力、项目管理能力、沟通表达能力等软技能，努力成为高素质复合型的新工科人才。

6 结语

数字图像处理课程的传统实验教学模式难以支撑新工科背景下工程教育认证指标点的问题，本文以实际项目“小麦种子品种识别”为蓝本设计实验案例，并将整个实验案例根据课程内容分解成多个阶段性实验模块，以保证整体实验的可行性和效果。通过数字图像处理、模式识别、机器学习等多学科相关技术的应用，学生不仅掌握了各交叉学科的专业理论知识，还锻炼了实践动手能力，能够适应新工科对于人才培养的新要求。