基于作物病害葉片顏色的病斑提取方法

齊國紅　張?jiān)讫垺埱缜?/p>

摘要：作物病害是影響作物產(chǎn)量和質(zhì)量的重要因素，如何進(jìn)行病斑的準(zhǔn)確提取是后期病害識(shí)別的一個(gè)關(guān)鍵步驟。為了提高復(fù)雜環(huán)境下病斑提取的準(zhǔn)確率，提出一種基于葉片顏色的病斑提取方法，利用葉片正常部位和病害部位的顏色信息的不同，進(jìn)行基于支持向量機(jī)的分割處理，從而得到很好的分割效果，然后對(duì)得到的圖像進(jìn)行最大類間差法處理，完成病斑的提取。結(jié)果表明，該方法具有有效性。

關(guān)鍵詞：病斑提??；支持向量機(jī)（support vector machine，SVM；最大類間差法（OTSU

中圖分類號(hào)： TP3914；S126文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（201412-0434-03[HS][HT9SS]

收稿日期：2014-02-22

基金項(xiàng)目：河南省鄭州市科技攻關(guān)計(jì)劃（編號(hào)：131PPTGG426；鄭州大學(xué)校引進(jìn)人才項(xiàng)目（編號(hào)：2012YJRC01、2012YJRC02。

作者簡介：齊國紅（1987—，女，河南鄭州人，碩士研究生，研究方向?yàn)槟：Ｊ阶R(shí)別。E-mail：919728600@qqcom。

目前已經(jīng)存在很多種圖像分割方法，基于閾值[1]、直方圖、分水嶺[2-3]等。這些方法均是在圖像本身的相似性上進(jìn)行分割，在很多應(yīng)用領(lǐng)域獲得了成功。基于統(tǒng)計(jì)理論的有神經(jīng)網(wǎng)絡(luò)的圖像分割算法[4-5]和支持向量機(jī)的葡萄病害識(shí)別方法[6]。在復(fù)雜環(huán)境下進(jìn)行目標(biāo)提取相對(duì)比較困難，姚立健等根據(jù)茄子色差和色調(diào)的不同，用遺傳算法優(yōu)選出茄子的特征進(jìn)行分類，從而把茄子從復(fù)雜的根莖和光照下分割出來[7]。Camargo等在對(duì)香蕉葉黑斑病的研究中利用了直方圖閾值分割法，將病斑從背景中分割出來[8]。王紅君等在研究彩色圖像自動(dòng)分割問題的過程中，根據(jù)分水嶺與自動(dòng)種子區(qū)域生長相結(jié)合的算法，在復(fù)雜的背景下更完整地分割出目標(biāo)區(qū)域[9-10]。耿長興等用色度和紋理的特征來識(shí)別病害，研究了可見光光波段的黃瓜霜霉病的分割方法[11]。Deny等用自適應(yīng)一維SOM將目標(biāo)從復(fù)雜的環(huán)境中分割出來[12]。這些圖像分割方法均有自己適合的場(chǎng)合，不是對(duì)所有的圖像分割都有效，但這些已經(jīng)存在的病害圖像分割方法卻是我們進(jìn)一步研究圖像分割技術(shù)的基礎(chǔ)。筆者選取手機(jī)在正常大田環(huán)境下進(jìn)行黃瓜病害葉片拍攝，進(jìn)行待分割黃瓜病害葉片圖像的選取，對(duì)病斑部位和正常部位的顏色信息進(jìn)行采樣，得到病斑和正常部位的樣本，然后進(jìn)行不同核函數(shù)下的SVM訓(xùn)練，得到SVM分類模型，并用得到的SVM分類模型對(duì)待分割樣本進(jìn)行分割，選取分割效果好的核函數(shù)分割出來的病害圖像，進(jìn)行OTSU下病斑的提取，濾除背景信息的干擾，從而將病斑很好地提取出來。

1材料與方法

11黃瓜病害葉片圖像采集和顏色特征提取

在大田環(huán)境下進(jìn)行黃瓜病害葉片圖像的獲取，用手機(jī)進(jìn)行拍攝，手機(jī)設(shè)置為自動(dòng)調(diào)焦、關(guān)閉閃光燈、自動(dòng)白平衡模式。為了能夠檢驗(yàn)本算法在各種情況下的分割效果，進(jìn)行黃瓜病害葉片圖像的正面、側(cè)面以及陽光、陰影下的圖像拍攝。

黃瓜葉片的病斑部分和正常部位的顏色差異較大，正常部位的顏色呈現(xiàn)出健康綠色，病斑部位的顏色多呈現(xiàn)為類似黃色。在RGB顏色空間中，這兩部分最大的差異是紅色分量所占的比例不同，病斑部位所占的紅色比例最大。相對(duì)于HIS彩色模型中的色調(diào)、亮度和飽和度的指標(biāo)，RGB顏色空間能夠更加直接地反映出病斑部位和正常部位之間的差別。因此選用RGB顏色空間[13]進(jìn)行病斑部位和正常部位的顏色特征提取。

12病害圖像分割和提取算法

SVM已經(jīng)廣泛應(yīng)用于圖像分割[14]，在高維空間使用最大邊緣尋找線性分類面，利用Lagrange優(yōu)化方法，把求最優(yōu)分類面的問題轉(zhuǎn)化為二次函數(shù)尋優(yōu)問題，從而求得支持向量及相應(yīng)參數(shù)：

[J（]g（x=∑[DD（]tj=1[DD]yjαj[（xjT（x]+b。[J][JY]（1

式中：yj={+1，-1}表示樣本的類別，αj為Lagrange優(yōu)化的最優(yōu)解，b為分類閾值。

通常，僅有少部分αj不為0，這些不為0的αj對(duì)應(yīng)的樣本向量就是支持向量。用公式（1求分類樣本到最優(yōu)分類面的距離。SVM采用符號(hào)函數(shù)進(jìn)行分類決策：

[J（]f（x=sgn{g（x}=sgn{∑[DD（]ij=1[DD]yjαj[（xjT（x]+b}。[J][JY]（2

式中：sgn為符號(hào)函數(shù)，b為分割閾值。

令（xj，x=（xjT（x為內(nèi)積運(yùn)算，為核函數(shù)。常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)等。SVM的關(guān)鍵在于核函數(shù)的選擇，低維空間向量機(jī)較難劃分，通常將他們映射到高維空間來劃分，但會(huì)增加計(jì)算的復(fù)雜度，而應(yīng)用核函數(shù)可以巧妙地解決這個(gè)問題。只要選擇合適的核函數(shù)，就可以得到高維空間的分類函數(shù)。核函數(shù)的不同會(huì)導(dǎo)致分割效果的不同，在實(shí)際的分類過程中一般還需要加入C（懲罰參數(shù)來衡量對(duì)離群點(diǎn)的重視程度。

OTSU是利用圖像的灰度直方圖[1]，通過尋找圖像中目標(biāo)和背景2類間的方差最大值來動(dòng)態(tài)地確定圖像分割閾值。其原理為：

[J（]f（m=μ1（mυ1（m[μ2（m-υ2（m]2。[J][JY]（3

式中：μ1（m為目標(biāo)所含像素?cái)?shù)；υ1（m為背景所含像素?cái)?shù)；μ2（m是目標(biāo)平均灰度值；υ2（m是背景平均灰度值。

13提取方法和過程

SVM圖像分割算法利用支持向量機(jī)對(duì)圖像中的每一個(gè)像素進(jìn)行分類。首先提取黃瓜葉片的正常部位和病斑部位的RGB顏色信息[15]；然后用不同核函數(shù)和懲罰因子對(duì)樣本集進(jìn)行訓(xùn)練，選取分割效果好的核函數(shù)，獲得支持向量，再逐一提取像素中每個(gè)像素的信息，形成待分類樣本集；最后利用SVM對(duì)樣本集進(jìn)行分類，獲得分割后的圖像，進(jìn)行OTSU算法處理，得到病斑的圖像，完成對(duì)病斑圖像的提取。黃瓜病害葉片的病斑圖像提取步驟如下：（1大田環(huán)境下用手機(jī)拍攝黃瓜圖像，選取典型黃瓜病害葉片圖像，將黃瓜病害葉片圖像中的對(duì)象分為病斑部位和正常部位2類。在RGB顏色空間下，進(jìn)行一定量的病斑像素和背景像素點(diǎn)樣本采集。（2根據(jù)樣本像素的數(shù)據(jù)特征，進(jìn)行不同核函數(shù)下的SVM訓(xùn)練，得到2分類模型。（3用不同核函數(shù)下得到的分類模型進(jìn)行待分類樣本的分類，進(jìn)行分割效果的比較分析，選取分割效果好的核函數(shù)下的SVM圖像。（4對(duì)得到的SVM圖像進(jìn)行OTSU算法處理，濾除正常綠色背景信息的干擾。

2結(jié)果與分析

在RGB顏色空間下，從采集的黃瓜病害葉片圖像中各選擇20個(gè)代表正常部位和病斑部位的典型像素點(diǎn)，提取特征，生成訓(xùn)練集；將病害部位歸為一類，其他的歸為一類；用線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)進(jìn)行SVM模型的訓(xùn)練，得到不同的SVM模型；再逐一提取每個(gè)像素點(diǎn)的特征，產(chǎn)生樣本待分類樣本集；然后利用式（1求每一個(gè)像素點(diǎn)到對(duì)應(yīng)樣本超平面的距離；再利用式（2將每個(gè)像素點(diǎn)歸為不同的類完成對(duì)圖像的分割。經(jīng)過試驗(yàn)令懲罰因子C=10進(jìn)行分類器的訓(xùn)練，用不同核函數(shù)得到的SVM模型進(jìn)行待分割樣本的分割，其分割結(jié)果如圖1所示。

[F（W15][TPQGH1tif；S+3mm][F]

[JP2]圖1-A是待分割的黃瓜病害葉片圖像，圖1-B、圖1-C、圖1-D分別是線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)下的SVM分割圖像。圖1-B分割出來的病斑圖像的邊緣不完整，且病害葉片的很多病斑沒有完整地分割出來；與圖1-B相比，圖1-C分割出來的病斑圖像邊緣較完整，而且病害部位較準(zhǔn)確，不足之處在于非正常病斑圖像的分割。相比之下，圖1-D分割出來的病斑圖像完整且病斑形狀較為準(zhǔn)確，濾除旁邊正常葉片的干擾，更能體現(xiàn)黃瓜病斑圖像的形狀。為了進(jìn)一步說明徑向基核函數(shù)分割模型的效果，選取圖1-B、圖1-C、圖1-D的SVM圖像的灰度直方圖來加以說明（圖2。[FL]

[F（W11][TPQGH2tif][F]

[FL（22]圖2-A是線性核函數(shù)下進(jìn)行黃瓜病斑圖像分割結(jié)果的灰度直方圖，可以看到有2個(gè)明顯峰；圖2-B是多項(xiàng)式核函數(shù)下的灰度直方圖，存在多峰現(xiàn)象；圖2-C是徑向基核函數(shù)下的灰度直方圖，呈現(xiàn)出雙峰特性，灰度值分布均勻。

綜合圖1與圖2，選取徑向基核函數(shù)下分割出來的圖像進(jìn)行葉片病斑圖像的準(zhǔn)確提取。

徑向基核函數(shù)下的SVM分割后的圖像分為病斑部位和正常綠色部位2個(gè)部分，為了便于病斑圖像的準(zhǔn)確觀察和后期的病害識(shí)別，將SVM分割后的圖像中的正常綠色部位濾除掉。選用OTSU算法進(jìn)行正常綠色背景信息的濾除，其結(jié)果如圖3所示。

[F（W10][TPQGH3tif][F]

從圖3可以看出，經(jīng)過OTSU算法處理后的病斑圖像濾除了背景信息的干擾，病斑圖像被很好地提取了出來。

現(xiàn)有的作物病斑圖像分割方法一般根據(jù)病害葉片圖像的顏色、紋理、形狀特征來對(duì)病害圖像進(jìn)行分割，其方法具有一定的局限性。本研究的方法不用考慮病害葉片的光照以及陰影，只需要選取病害葉片圖像的RGB空間的顏色特征就可以將病斑圖像提取出來，具有很強(qiáng)的適用性。本研究病斑圖像提取方法和其他病斑圖像提取方法結(jié)果比較如圖4所示。

[F（W22][TPQGH4tif][F]

從圖4-B可以看出，基于OTSU的分割算法分割出來的病斑圖像受噪聲影響較多，分割出來的病斑圖像中存在很多由噪聲和細(xì)小紋理所導(dǎo)致的小斑點(diǎn)，且受葉片本身葉脈影響較嚴(yán)重，而這些小噪聲和紋理的影響對(duì)病斑圖像后期的處理和分析是不利的。而本研究中的SVM和OTSU相結(jié)合的算法很好地解決了這個(gè)問題，該方法直接提取病斑圖像和正常葉片圖像的RGB顏色特征，從而消除了光照、陰影等影響，能將病斑圖像很好地提取出來（圖4-C。研究結(jié)果表明，該方法能夠更加準(zhǔn)確地提取病斑圖像，說明了SVM和OTSU相結(jié)合的算法在作物病斑圖像提取方面的優(yōu)越性。

3結(jié)論

為了改善作物病斑圖像的分割效果，本研究提出了一種基于葉片顏色的病斑圖像提取方法。利用病斑圖像和正常葉片圖像的顏色信息的不同，采用SVM和OTSU相結(jié)合的算法能夠?qū)⒉“邎D像很好地提取出來，結(jié)果表明了該算法在病斑圖像提取方面的優(yōu)越性。該算法在RGB顏色空間下進(jìn)行樣本信息的選擇，且病斑部位和正常葉片的樣本像素點(diǎn)的選擇直接影響SVM訓(xùn)練模型，進(jìn)而影響病斑圖像的提取效果。如何精確地選取對(duì)病斑圖像分割有用的樣本信息，以便于后期的病害識(shí)別，是以后研究的重點(diǎn)。

[HS2][HT85H]參考文獻(xiàn)：[HT8SS][HJ18mm]

[1][（#]肖超云，朱偉興 基于Otsu準(zhǔn)則及圖像熵的閾值分割算法[J] 計(jì)算機(jī)工程，2007，33（14：188-189，209

[2]陳婷婷，程小平 采用模糊形態(tài)學(xué)和形態(tài)學(xué)分水嶺算法的圖像分割[J] 西南大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，30（3：142-145

[3]任玉剛，張建，李淼，等 基于分水嶺算法的作物病害葉片圖像分割方法[J] 計(jì)算機(jī)應(yīng)用，2012，32（3：752-755

[4]周長英 基于改進(jìn)的模糊BP神經(jīng)網(wǎng)絡(luò)圖像分割算法[J] 計(jì)算機(jī)仿真，2011，28（4：287-290

[5]Song ，Liu ，Su H，et al A research of maize disease image recognition of corn based on BP networks[C]// Third International Conference on Measuring Technology and Mechatronics Automation，2011

[6]田有文，李天來，李成華，等 基于支持向量機(jī)的葡萄病害圖像識(shí)別方法[J] 農(nóng)業(yè)工程學(xué)報(bào)，2007，23（6：175-180

[7]姚立健，丁為民，劉瓔瑛 基于MATLAB的茄子圖像分割方法[J] 江西農(nóng)業(yè)學(xué)報(bào)，2007，19（6：97-101

[8]Camargo A，Smith J S An image-processing based algorithm to automatically identify plant disease visual symptoms[J] Biosystems Engineering，2009，102（1：9-21

[9]王紅君，陳偉，趙輝，等 復(fù)雜背景下植物葉片的彩色圖像分割[J] 中國農(nóng)機(jī)化學(xué)報(bào)，2013，34（2：207-211

[10][（#]王佳男 采用基于區(qū)域的自動(dòng)種子區(qū)域生長法的彩色圖像分割方法[D] 長春：東北師范大學(xué)，2007

[11]耿長興，張俊雄，曹崢勇，等 基于色度和紋理的黃瓜霜霉病識(shí)別與特征提取[J] 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（3：170-174

[12]Hernández-Rabadán D L ，Guerrero J，Ramos-Quintana F Method for segmenting tomato plants in uncontrolled environment[J] Science Research，2012（4：599-606

[13]Phadikar S，Sil J Rice disease identification using pattern recognition techniques[C]//hulna，Bangladesh：Proceedings of 11th International Conference on Computer and Information Technology，2008：420-423

[14]宋凱，孫曉艷，紀(jì)建偉 基于支持向量機(jī)的玉米葉部病害識(shí)別[J] 農(nóng)業(yè)工程學(xué)報(bào)，2007，23（1：155-157

[15]Jayamala P，umar R Color feature extraction of tomato leaf diseases[J] International Journal of Ngineering Trends and Technology，2011，2（2：72-74[HJ][FL]