狄鵬慧,呂芳

（內(nèi)蒙古工業(yè)大學(xué)信息工程學(xué)院，內(nèi)蒙古呼和浩特,010000）

0 引言

向日葵病蟲(chóng)害的日益猖獗造成向日葵產(chǎn)量大幅度降低，因此如何快速準(zhǔn)確的識(shí)別向日葵病害成為亟待解決的問(wèn)題。

國(guó)外早在上世紀(jì)80 年代就開(kāi)始了對(duì)病害作物圖像進(jìn)行病害識(shí)別診斷的研究。

Yuataka Sasaki 等（1999）對(duì)黃瓜的炭疽病進(jìn)行了診斷研究，針對(duì)不同光學(xué)濾波和分光反射對(duì)病害識(shí)別的影響特點(diǎn)，采用遺傳算法對(duì)炭疽病進(jìn)行識(shí)別；并于2003 年利用遺傳算法對(duì)黃瓜病斑圖像的多個(gè)形狀特征參量進(jìn)行了優(yōu)選，最終找到了能夠準(zhǔn)確識(shí)別不同黃瓜病害的有效形狀特征參量。

Mohammad Sammany 等（2006）利用遺傳算法優(yōu)選出神經(jīng)網(wǎng)絡(luò)有關(guān)結(jié)構(gòu)和參數(shù)，并將其應(yīng)用到作物病害識(shí)別診斷研究，獲得良好識(shí)別效果。之后為減少輸入特征向量個(gè)數(shù)，提高運(yùn)算效率，加入了粗糙集技術(shù)，借此縮短了病害診斷時(shí)間。

Boese 等（2008）利用大葉藻病害葉片偽彩色圖像計(jì)算其病斑面積，通過(guò)大量實(shí)驗(yàn)表明，該方法極大提高了葉部多種病蟲(chóng)害的正確識(shí)別率。

相對(duì)于國(guó)外研究情況，國(guó)內(nèi)對(duì)基于圖像識(shí)別的作物病害的診斷識(shí)別方面的研究起步較晚，但也取得了一定成果。

毛罕平等（2001）主要通過(guò)提取番茄缺素葉片的顏色、紋理特征，建立了三叉樹(shù)模式識(shí)別框架，并在該框架基礎(chǔ)上加入模糊K近鄰法進(jìn)行缺素種類識(shí)別；之后他們又設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)技術(shù)的番茄缺素識(shí)別系統(tǒng)，正確識(shí)別率均在85%以上。

毛文華、陳紅等(2008)在彩色圖像HSI 顏色模型中，利用S和H 分量直方圖獲取分割閾值之后提取出病斑區(qū)域，發(fā)現(xiàn)不同病斑的顏色特征可作為區(qū)分不同病害的依據(jù)。

1 病害圖像采集、預(yù)處理

本研究圖像采集設(shè)備由一臺(tái)CCD 照相機(jī)和一個(gè)金屬攝影云臺(tái)三腳架組成，在田間自然光照條件下，采取自動(dòng)曝光模式，拍攝獲取向日葵生長(zhǎng)期葉部病害圖像，以JPG 格式傳入計(jì)算機(jī)。

自然條件下采集的向日葵葉部病害圖像，在采集傳輸過(guò)程中，會(huì)受到外界因素的影響造成圖像模糊、降質(zhì)，影響后續(xù)向日葵病害識(shí)別的準(zhǔn)確度。所以，在進(jìn)行后續(xù)病害診斷工作之前，首先要對(duì)圖像進(jìn)行增強(qiáng)處理以獲得易于向日葵病害識(shí)別的理想圖像。

2 向日葵葉部病害圖像特征提取

2.1 顏色特征提取

顏色是描述向日葵葉部病害最直接的視覺(jué)特征，顏色空間是采用某種數(shù)學(xué)方法來(lái)形象化表示顏色的，常見(jiàn)的顏色空間有RGB、HSI、XYZ 等。在農(nóng)作物病害圖像研究中主要采用RGB 和HSI 顏色模型，在自然環(huán)境下采集到的向日葵病害葉部圖像容易受光照等外界因素影響（即對(duì)亮度較敏感），而RGB 顏色模型各分量與亮度密切相關(guān)（即圖像亮度改變，R、G、B 三分量也隨之改變），由此可見(jiàn)，RGB 顏色空間并不能準(zhǔn)確表達(dá)病害圖像的顏色特征。與RGB 顏色模型相比，HSI 顏色模型更符合人的視覺(jué)特性，不僅可以避免光照和不同采集方法對(duì)病害樣本圖像的影響，而且可以有效地減少病害圖像顏色信息的丟失，更好的體現(xiàn)病斑的顏色特征，所以本研究將病害圖像從RGB 顏色空間轉(zhuǎn)換到HSI 顏色空間，轉(zhuǎn)換完成后，提取出HSI 模型的三個(gè)顏色分量作為區(qū)分不同向日葵葉部病斑顏色特征的主要研究對(duì)象。

HSI 顏色空間和RGB 顏色空間僅是同一物理量的兩種不同表示法，它們之間存在著某種轉(zhuǎn)換關(guān)系。若存在一幅RGB 格式的彩色圖像，將其轉(zhuǎn)換為HSI 格式圖像轉(zhuǎn)換公式如下所示:

此處

飽和度分量由下式給出：

最后強(qiáng)度分量為：

選取兩幅向日葵葉部銹病圖像進(jìn)行顏色特征參數(shù)比較，通過(guò)比較H、S、I 三個(gè)分量的均值分布圖，進(jìn)行H、S、I 三個(gè)顏色分量與向日葵銹病診斷的研究。經(jīng)查閱資料及反復(fù)試驗(yàn)確定由H 分量作為顏色特征參量標(biāo)準(zhǔn)，進(jìn)行相似度測(cè)定。

2.2 紋理特征提取

紋理特征描述主要有統(tǒng)計(jì)法和結(jié)構(gòu)法兩種方法。由于向日葵葉片紋理是在自然生存環(huán)境下形成的，其紋理在個(gè)別像素點(diǎn)上無(wú)規(guī)則可循，但在像素點(diǎn)聚集的某個(gè)區(qū)域內(nèi)會(huì)體現(xiàn)出規(guī)律性，這屬于準(zhǔn)規(guī)則紋理，不適合利用結(jié)構(gòu)的方法對(duì)其進(jìn)行描述。因此，本文利用灰度共生矩陣對(duì)向日葵葉部病斑紋理進(jìn)行研究分析，通過(guò)對(duì)比分析提取出最佳紋理特征參數(shù)作為向日葵葉部不同病害紋理識(shí)別的判別依據(jù)。

由于灰度共生矩陣不能直接用于描述圖像的紋理特征，所以采用矩陣狀況的統(tǒng)計(jì)量，常用的有以下幾種：

① 角二階矩（能量）：反映了圖像灰度分布均勻程度和紋理粗細(xì)度。

② 慣性矩（對(duì)比度）：反映圖像的清晰度和紋理溝紋深淺的程度。

圖2-2 各特征參數(shù)的均值與標(biāo)準(zhǔn)差

③ 相關(guān)性：反映圖像中的局部灰度相關(guān)性。

④ 熵是圖像具有的信息量的度量，表示灰度圖像中紋理的非均勻或復(fù)雜程度。

⑤ 局部均勻性（逆差距）：反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少。

由向日葵銹病圖像作為紋理特征參數(shù)的分析展示。研究分析病害分別在距離d=1 和角度分別為0o、45o、90o、135o時(shí)灰度共生矩陣的特征，并分別提取它們的角能量、對(duì)比度、相關(guān)性、熵、逆差距共20 個(gè)統(tǒng)計(jì)參量進(jìn)行實(shí)驗(yàn)研究分析。取其中一幅圖紋理特征參數(shù)如圖3-6 所示：

3 病害識(shí)別

運(yùn)用紋理特征的方法對(duì)其余十幅銹病葉片圖進(jìn)行參數(shù)分析，取值范圍如下：

確定含銹病葉片紋理各參數(shù)大致范圍，進(jìn)行識(shí)別。取10 幅向日葵葉部圖片，其中含向日葵銹病圖6 幅，經(jīng)識(shí)別，其中4 幅葉片圖含銹病，識(shí)別率達(dá)66.7%。雖然不是所有的銹病都能被正確地識(shí)別，還存在一定的誤差，但總體上可以較好的識(shí)別出病害葉片。

4 結(jié)術(shù)語(yǔ)

本研究結(jié)合向日葵葉部染病時(shí)病斑所呈現(xiàn)的顏色、紋理等生物特征，采用先進(jìn)的數(shù)字圖像處理技術(shù)對(duì)向日葵葉部病害進(jìn)行診斷識(shí)別；并以MATLAB 為平臺(tái)，實(shí)現(xiàn)向日葵葉部病害圖像預(yù)處理、病斑特征提取和病害診斷，最終對(duì)向日葵葉部銹病進(jìn)行識(shí)別。在研究過(guò)程中得出如下結(jié)論：

（1）向日葵葉部病害圖像預(yù)處理。本文經(jīng)過(guò)對(duì)鄰域?yàn)V波法、中值濾波法和矢量中值濾波法進(jìn)行比較分析之后，得出中值濾波法對(duì)圖像去噪效果較好，處理過(guò)程中很好的保留了病斑原始有用信息且圖像不模糊。葉部病斑分割時(shí)采用最大類間方差法自動(dòng)求取閾值對(duì)向日葵葉部病斑進(jìn)行分割。

（2）向日葵葉部病斑特征提取。利用病斑的顏色特征和紋理特征，經(jīng)過(guò)對(duì)多個(gè)特征描述進(jìn)行對(duì)比試驗(yàn)之后，選出6 個(gè)特征參量（11 個(gè)值）作為不同病害識(shí)別的依據(jù)。結(jié)果表明，選出的6 個(gè)特征參量能夠較好地表示向日葵葉部病斑的特點(diǎn)。

（3）向日葵葉部病害識(shí)別。通過(guò)顏色特征、紋理特征得出向日葵葉部是否含有銹病。

表3-1 向日葵葉部銹病各紋理特征參數(shù)取值范圍

[1] Yutaka SASAKI,Masato SUZUKI.Constructi on of the Automatic Diagnosis System of Plant Disease Using Genetic Programming Which Paid Its Attention to Variety[C].ASAE Meeting Presentation(paper No.031049),2003

[2] Sammany,M,Mohammed El-Beltagy. Optimizing Neural Networks Architecture and Parameters Using Genetic Algorithms for diagnosing Plant Diseases[A].Proceeding of and International Computer Engineering Conference[C],IEEE(Egypt section).2006

[3] Boese BL,Clinton PJ,Dennis D,Golden RC,Kim B.2008.Digital image analysis of Zostera marina leaf injury.Aquatic Botany,88:87-90

[4] 毛罕平,徐貴力,李萍萍.番茄缺素葉片的圖像特征提取和優(yōu)化選擇研究[J].農(nóng)業(yè)工程學(xué)報(bào).2002,2:10-21

[5] 毛文華, 鄭永軍, 苑嚴(yán)偉, 張小超. 基于色度和形態(tài)特征的蝗蟲(chóng)信息提取技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2008,39(9):104-107