李亞文 ,張 軍, 陳月星

(商洛學(xué)院 電子信息工程與電氣工程學(xué)院, 陜西 商洛 726000)

0 引言

計算機圖像分析技術(shù)應(yīng)用于植物病蟲害識別研究始于20世紀80年代中期[1]。穗波信雄(1989,1992)對缺素的茨菇葉片進行了室外圖像獲取，從病態(tài)葉部圖像中除去背景，針對正常葉部和病態(tài)葉部部分的色度直方圖展開了論述[2]。Rocha 等[3]從特征融合的思維來開展果蔬識別檢測研究，對比和差直方圖、顏色聚合向量、顏色直方圖等紋理、顏色特征在不同分類下的檢測效果，結(jié)果顯示使用這三類特征結(jié)合取得了很好的識別檢測結(jié)果。從20世紀90年代初開始，國內(nèi)一些農(nóng)業(yè)院校和科研所陸續(xù)將計算機圖像處理應(yīng)用于農(nóng)業(yè)研究中，崔艷麗等[4-5]2005年運用圖像處理對兩種黃瓜病進行了研究，胡春華等[6]2004年在RGB顏色空間以G/B，G/R統(tǒng)計特征為缺素黃瓜葉片的顏色特征，譚峰等[7]運用數(shù)字圖像處理技術(shù)與BP神經(jīng)網(wǎng)絡(luò)技術(shù)；王守志等[8]以玉米病葉片病斑圖像的特殊點，對葉部病斑分割，然后提取病害圖像的紋理特征與顏色特征進行識別檢測,識別精度為82.5%。筆者以提高植物病害檢測準確率為目標，針對植物葉部病害和植物葉部正常圖片展開相關(guān)研究。以蘋果葉枯病的植物病害和蘋果正常葉部圖片為例對其圖像分割、特征提取、病害識別等關(guān)鍵技術(shù)進行研究。重點利用K-means算法對原始圖像進行病斑分割技術(shù)、基于顏色特征提取的植物葉部病害的檢測與實現(xiàn)，以提高檢測率。

1 核K--means均值聚類算法

設(shè)數(shù)據(jù)集{X(1),X(2),X(3),…,X(M),其中X(i)∈RN,i=1,2,…,M。Mercer核函數(shù)K:RN×RN→R,根據(jù)Mercer定理存在映射N:RN→RF使得[9]：

K(X(i),(X(i))=N(X(i))TN(X(i))

(公式1)

(公式2)

(公式3)

式中：K——聚類數(shù)目；Nk——第K類的樣本數(shù)目；xj,xp——第K類Ck的第j個和第i個樣本

由(公式2)可以得到k-means聚類的目標函數(shù)J在高維核空間表示為：

(公式4)

核K-means聚類算法實質(zhì)[10]是在高維空間中，對誤差平方和準則找尋樣本的最優(yōu)聚類區(qū)分，使聚類目標函數(shù)J最小。由此可以知道核K-means聚類算法步驟為:

(1)確定聚類類別數(shù)目K(2≤ K≤ l))以及允許誤差Emax；

(2)在核空間中,確定開始的聚類中心(m1,m2,…,mk)；

(3)利用(公式2)計算所有樣本N(xi)與聚類中心的間隔，依據(jù)最近原則將樣本分配到對應(yīng)類中；

(4)重新計算聚類中心和J值：利用(公式3)重新計算聚類中心，并依據(jù)(公式4)計算JI+1值；

(5)計算誤差e=|JI-JI+1|；

(6)如果e≤ Emax,則結(jié)束；否則進行步驟(3)。

2 顏色特征

顏色特征描述圖像或圖像區(qū)域相對應(yīng)的場景表面特征的全局特征，而且它也是被用于圖像檢索中最為研究者所接受的視覺特征，主要原因是顏色通常與圖像所含對象或背景密切相關(guān)；比較其他視覺特征，圖像本身的尺寸，方向，角度對顏色特征影響較小，所以擁有很高的魯棒性。

(1)HSV顏色空間。HSV是一種將RGB顏色空間中的點表示為一個倒圓錐體中的方法[11]，如圖1所示是HSV顏色模型。HSV即色調(diào)(Hue)、飽和度(Saturation)、值(Value)。色相(H)是顏色的基本屬性，就是顏色的名稱，如紅色、黃色等。飽和度(S)是指顏色的純度，純度越高顏色越低，純度越低則越辨越變色，數(shù)值取0到100%。值(V)，取0到max(計算機中HSV取值范圍和存儲長度有關(guān)聯(lián))。HSV顏色空間可以用圓錐型來描述。圓錐頂部，V=0,H和S沒有定義，是黑色。圓錐的頂面中心處V=max，S=0，H無定義，是白色。

(2)顏色矩。顏色低階矩是一種有效的顏色特征[12]，該方法使用線性代數(shù)中矩的概念，用矩來表達圖像中的顏色分布。表示顏色分布的顏色一階矩(平均值)、顏色二階矩(方差)和顏色三階矩(斜度)。與顏色直方圖不同的是，使用顏色矩描述圖像顏色分布不需要量化圖像的特征[13]。因為每個像素都有三個顏色通道來表示顏色空間，因此圖像的顏色矩有9個分量來描述。顏色矩的前三階矩公式[14]：

(公式5)

(公式6)

(公式7)

其中，Pi,j表示彩色圖像第j個像素的第i個顏色分量，N表示圖像中的像素個數(shù)。

通過MATLAB2016a進行仿真，可以分別得到10張?zhí)O果正常葉部圖像的顏色特征即顏色的低階矩陣如表1所示，就HSV三通道分別對應(yīng)的顏色矩進行歸類整理，可得到蘋果正常葉部圖像的HSV顏色空間顏色矩值域范圍。

3 基于K-means植物葉部病害檢測過程

3.1 算法原理

基于K-means聚類植物葉部病害檢測與實現(xiàn)的原理如圖2所示。首先需獲取植物葉部正常圖像和病害圖像，對其進行圖中無關(guān)信息預(yù)處理，再運用K-means聚類分割算法對處理后的植物葉部病害圖像進行病斑分割，得到只含有病斑的圖像信息，轉(zhuǎn)換顏色空間分別提取植物葉部正常圖像和分割后的植物葉部病害圖像的顏色特征的顏色矩低階矩陣，最后，對獲取的大量病害圖片進行訓(xùn)練，以得到病害的檢測效率。由于受植物圖像數(shù)據(jù)庫的影響，在本研究中決定將葉部病害圖像的低階矩各參數(shù)和正常葉部圖像的低階矩陣各參數(shù)值域進行對比，從而實現(xiàn)檢測的目的。

筆者以蘋果葉部為研究對象，主要檢測識別了蘋果葉部的的葉枯病，利用圖像分割、顏色特征提取等方法實現(xiàn)了對也不病變是提高植物的病害識別準確率和效率，具體實現(xiàn)步驟：

(1)獲取蘋果葉枯病和蘋果正常的葉部圖像；

(2)對病害圖像的算法分割，利用K-means聚類算法分割病斑技術(shù)，得到分割后的病斑圖像；

(3)分別提取病斑圖像和正常葉片的顏色矩，如：一階矩(平均值A(chǔ)verage)、二階矩(方差Variance)、三階矩(斜度Skewness)；

(4)通過植物葉部病斑圖像特征參數(shù)與植物葉部正常圖像特征參數(shù)對比，實現(xiàn)病害診斷檢測。

3.2 圖像分割

該文采用蘋果葉部作為研究對象，如圖3所示為選取的10張?zhí)O果正常的葉片圖像，和圖4所示的10張?zhí)O果葉枯病葉片圖像作為病害研究對象。

通過使用k-means算法對原始圖像進行圖像分割，利用MATLAB2016a仿真分割結(jié)果，得到如圖5蘋果葉枯病K-means算法分割后的圖像。

3.3 顏色特征提取

通過MATLAB2016a進行仿真，可以分別得到蘋果10張正常葉部圖像的顏色特征即顏色的低階矩陣如表1所示，就HSV三通道分別對應(yīng)的顏色矩進行歸類整理，可得到蘋果正常葉部圖像的HSV顏色空間顏色矩值域范圍。如表2所示，蘋果10張正常葉部圖像HSV顏色空間顏色矩的各分類參數(shù)值域通過10張圖像數(shù)據(jù)的總結(jié)得出。

表1 蘋果10張正常葉部圖像的顏色矩

表2 蘋果正常葉部圖像的顏色矩值域

4 檢測結(jié)果

通過MATLAB2016a進行仿真，可以分別得到蘋果10張葉部病害圖像的顏色特征即顏色的低階矩陣如表3所示，就HSV三通道分別對應(yīng)的顏色矩與蘋果正常葉部的顏色矩各參數(shù)作對比。

通過蘋果葉枯病葉部病害的顏色矩與蘋果正常葉部顏色矩的參數(shù)對比表1和表3，10張病害圖像的對比結(jié)果為8張圖像的參數(shù)不相同，2張病害圖像部分參數(shù)不相同，由此可以計算出植物病害的檢測率為93.3%。

表3 蘋果病害葉部圖像的顏色矩

表4 蘋果病害檢測

通過上述實驗結(jié)果表明，8張植物病害圖像的顏色矩參數(shù)與植物正常圖像的顏色矩參數(shù)均不同，2張病害圖像部分顏色矩參數(shù)屬于正常蘋果圖像顏色矩參數(shù)范圍內(nèi)，這與了2張圖像的獲取和分割影響有關(guān)，檢測準確率較高。

5 結(jié)束語

主要研究了基于K-means的顏色特征提取的植物葉部病害檢測與實現(xiàn)，在Matlab中進行了仿真實現(xiàn)，實驗結(jié)果表明，有2張病害圖像部分顏色矩參數(shù)屬于正常蘋果圖像顏色矩參數(shù)范圍內(nèi)，檢測精度能達到93.3%，有個別顏色矩參數(shù)的檢測錯誤與與獲取的圖像有關(guān)，光照、角度、相機像素等影響相關(guān)顏色矩的特征提取參數(shù)，但總體實現(xiàn)了檢測的目標，且有較高的的檢測率。研究可以幫助果農(nóng)提前檢測植物葉部病害，以便盡快做出相應(yīng)的治療措施，保障植物的正常生長，增加經(jīng)濟收入。