向日葵葉部病害圖像識別與處理

摘要：向日葵是我國北方重要的經(jīng)濟作物和油料作物。在國內(nèi)外都有很大的市場開發(fā)潛力。但日益嚴(yán)重的向日葵病害大大降低了向日葵的產(chǎn)量。所以，正確識別和防治葵花病害是個亟待解決的課題。過去的對向日葵病的識別技術(shù)主要依靠主體性、界限和曖昧感等宏觀特征。在現(xiàn)代農(nóng)業(yè)研究方面，發(fā)展模仿人的機器視覺能力、超越性能的向日葵病識別用的機器視覺技術(shù)和圖像識別技術(shù)系統(tǒng)已成為當(dāng)務(wù)之急。在論文中，筆者研究了一種繡球花的向日葵斑點病的機器視覺識別技術(shù)系統(tǒng)。首先，解說了自然光條件下收集的向日葵葉病圖像，診斷了向日葵葉病圖像?；趍atlab和gui工具箱，開發(fā)了基于圖像識別的向日葵葉診斷系統(tǒng)。經(jīng)過多次實驗，系統(tǒng)可以準(zhǔn)確識別三種向日葵病。

關(guān)鍵詞：向日葵葉部病害;病斑分割;特征提取;病害識別

1向日葵葉部病害圖像采集及預(yù)處理

1.1向日葵葉部病害圖像獲取

早期，新聞圖片大多由單色或彩色的膠卷照相機攝制。這個方法不僅保存了圖片，還存儲一張捕獲的圖像。目前，由于科技的發(fā)展，尤其是多媒體教學(xué)科技的發(fā)展，高清晰率數(shù)字?jǐn)z像機和數(shù)位攝影機也日益流行。和早期的攝像頭一樣，今天的數(shù)位攝影機更容易使用，便于攜帶，能夠進(jìn)行識別，并且還能夠轉(zhuǎn)化為可以由電腦直接管理的數(shù)字圖像，您還能夠利用設(shè)備的內(nèi)置硬件把錄制的圖片存儲在存儲卡中。這縮短了模數(shù)轉(zhuǎn)換步驟，減少了變換過程中產(chǎn)生的噪音。在記錄底片和照相等圖象信號的最初階段，會隨著時間的增長產(chǎn)生褪色和粘貼等劣化現(xiàn)象，無法保證原圖象品質(zhì)。

在本研究中，因為向日葵葉片病害的圖片拍攝是在田里完成的，因而所采用的圖片收集裝置必須符合田里作業(yè)的特殊要求。裝置的簡單方便性和便攜性及收集圖片的準(zhǔn)確度是必須考慮的關(guān)鍵因素。在該項研究中，人們還研制了一種利用CCD攝像機頭和金屬相機三腳架的植物圖像采集系統(tǒng)。在田間天然光線條件下，可以通過手動曝光模式錄制向日葵生長期葉片病害圖像，并以JPG格式傳送到電腦。向日葵葉片病害植物圖像采集系統(tǒng)，如圖1-1所顯示。

1.2向日葵葉部病害圖像預(yù)處理

圖像預(yù)處理技術(shù)，是指包含了照片切割、特點提煉、鑒別，以及后期圖象加工等的基本操作。其主要目的是為了消除圖象中的干擾信號，從而還原并保留有用信號，增強了有效信號的真實性和可測量性，這也是當(dāng)前圖像處理技術(shù)中存在的主要問題所在。雖然圖像處理算法有很多種，但目前還缺乏完善的疾病圖象分離方法。

影像的增強方式通常分為兩類：頻域處理和空域處理。由于對光學(xué)攝影系統(tǒng)和工作背景環(huán)境的影響是該系統(tǒng)圖像質(zhì)量下降的主因，所以在空域處理中采用圖象去噪方法也是很有效的。通過調(diào)節(jié)主圖象的灰度值，可以消除圖象中的介質(zhì)或高頻噪音。提高目標(biāo)像素對比度，能夠大幅提升目標(biāo)像素的視覺質(zhì)量。最常用的空間映像強化方式就是鄰域平均方式和中值濾波方式。通過應(yīng)用這二個影像增強技術(shù)，能夠預(yù)處理關(guān)于向日葵病的彩色畫面。圖一負(fù)二示出了關(guān)于向日葵病的彩色圖像預(yù)處理的基本框圖。

2向日葵葉部病害圖像的特征提取

2.1向日葵葉部病斑紋理特征提取

紋理引用對象表面上的重復(fù)本地模式和排列規(guī)則。圖像紋理特征對于理解、分析和識別圖像是重要的。與顏色的特性不同，紋理特征在描述多個像素組的表面特性的同時，作物疾病和不同疾病的病灶的正常和疾病區(qū)域的紋理特征在厚度和方向上完全不同。所以，在作物病害檢測和鑒定研究中，紋理性狀才能夠成為有效辨別不同病害的重要診斷條件。

特征描述主要包括兩種方法。結(jié)構(gòu)分析方法主要包括傅立葉譜分析和數(shù)學(xué)形態(tài)學(xué)。因為向日葵葉片的紋路是在天然的條件中產(chǎn)生的，所以這種圖像也具有遵循單個圖像的規(guī)律，而不符合描繪特定區(qū)域的規(guī)則性，在這種范圍內(nèi)，屬于準(zhǔn)規(guī)則紋理的圖像通常是使用結(jié)構(gòu)化方式描繪。在統(tǒng)計技術(shù)中，灰度級共起矩陣使用有條件概率來表示紋理特性。一些特性參數(shù)可以解釋紋理的厚度和形狀。如果病變結(jié)構(gòu)致密，則紋理細(xì)膩，如果病變結(jié)構(gòu)稀疏，則紋理較小。為了研究和分析向日葵葉的損傷紋理，采用灰度級共起矩陣通過比較分析提取最佳紋理特征參數(shù)，作為確定向日葵葉不同損傷的基準(zhǔn)。

2.2向日葵葉部病斑特征參數(shù)規(guī)定化

考慮到在后續(xù)的支持向量機識別中，疾病對象的識別和診斷是通過對預(yù)先采集的疾病樣本數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，然后建立分類器來實現(xiàn)的，樣本特征數(shù)據(jù)的高維不僅會增加樣本數(shù)據(jù)采集的難度，增加存儲空間的開銷，但也會引入噪聲，這會極大地影響分類器的性能。因此，本文遵循了特征提取的特點，如判別力強、可靠性高、獨立性好、數(shù)量少。同時，根據(jù)對上述色彩特性和紋理特點的觀察與計算，除本文去了無法確定、色彩關(guān)聯(lián)性較高的特征，并減少了特征參數(shù)的空間維度，最后選取了H分量的一階矩陣，H分量的二階矩陣、H分量的三階矩陣中的三種色彩特征參數(shù)，和距離為1（d=1）的灰度共生矩陣的九種色彩特性參數(shù)為：0°能力、0°關(guān)聯(lián)性、45°能力、45°關(guān)聯(lián)性、輸入90°相關(guān)性和135°能量作為疾病識別和診斷分類器的特征參數(shù)。

因為不同的顏色特征參數(shù)和紋理特征參數(shù)對應(yīng)著不同的物理要求，所得到的特征值的取值范圍也和物理含義有所不同，造成了它們間缺乏相似性。因此，為了消除每個參數(shù)的計算單元不同的問題，本研究首先在疾病模式識別之前對所有輸入的特征值進(jìn)行歸一化。數(shù)據(jù)歸一化公式如下：

g（x，y）=2×（f（x，y）-minf（x，y））/（max f（x，y）-min f（x，y） ）

其中f（x，y）是輸入特征原始數(shù)據(jù)矩陣，min f（x，y）是矩陣每行的最小值，Max f（x，y）是矩陣每行的最大值，G（x，y）是歸一化矩陣。通過公式（4-14）對每個特征值進(jìn)行歸一化后，特征值的范圍限制為[-1，1]。在疾病識別之前，訓(xùn)練集和測試集樣本的特征需要以同樣的方式進(jìn)行歸一化。

2.3結(jié)果分析

為了研究向日葵葉病的圖像識別，選取了330幅向日葵細(xì)菌斑病、黑斑病和山毛櫸病的圖像進(jìn)行樣本訓(xùn)練，包括70個訓(xùn)練樣本和3種病害早、中、晚期的40個樣本。下表顯示了1對1 SVM多類分類器的測試結(jié)果。FFB172F6-0DBC-4E40-A3C0-9717C74EB067

從實驗數(shù)據(jù)來看，本文設(shè)計的向日葵葉片識別系統(tǒng)在病害階段危機階段具有良好的識別效果，且系統(tǒng)在向日葵葉片病害發(fā)生中期的正確識別率高于初期和后期。造成識別錯誤的原因是危機初期各種病害的葉片特征不明確，后期葉片伴隨著葉枯、變黑和部分葉片脫落現(xiàn)象，這不利于病斑的分離。然而，提取的葉片病害在顏色和紋理特征上幾乎沒有差異，最終導(dǎo)致病害的錯誤識別。為了提高每個階段的疾病識別率，在特征提取中適當(dāng)增加樣本訓(xùn)練數(shù)，并引入其他有效特征，提取最佳特征作為疾病識別的輸入條件。

3基于支持向量機的向日葵葉部病害識別

3.1支持向量機

支持向量機（SVM）可以基于最小結(jié)構(gòu)經(jīng)營風(fēng)險的原則總結(jié)其主要思想。在線形可分的情形下，分析了支持向量機，而在線形不可分的情形下，通常利用支持向量機把線形不可分樣品轉(zhuǎn)化為線形可分樣品。而根據(jù)結(jié)構(gòu)風(fēng)險的最小理論研究，支撐向量機構(gòu)建立了特征空間的最佳分割超平面，并構(gòu)建了一種全局優(yōu)化學(xué)習(xí)器。同時，在某個樣本空間內(nèi)，構(gòu)成期望風(fēng)險達(dá)到了規(guī)定的最大。也就是說，支持向量機操作的終極目的便是按照結(jié)構(gòu)風(fēng)險最小的基本原理，構(gòu)造目標(biāo)函數(shù)并確定二種可以盡可能容易被識別的模型。支持向量機一般包括以下二類情況：線性可分離和非線性可分離。如果有線性函數(shù)來區(qū)分兩種類型的樣本，則這些樣本稱為線性可分樣本。另一方面，沒有線性函數(shù)來完全分離兩種類型的樣本。

3.2線性可分情況

在線性可分情況下，存在一個超平面將訓(xùn)練樣本完全區(qū)分開來，這個超平面可描述為：

（wb）=w.x+b=0

式中，w是n維權(quán)矢量，b為偏移量，“·”是點積。

將兩類樣本進(jìn)行準(zhǔn)確分類的前提就是要找到最優(yōu)分割超平面，此處可通過解式二次優(yōu)化問題來求得最優(yōu)超平面。

3.3核函數(shù)

支持向量機運算的關(guān)鍵在于核函數(shù)，采用不同的核函數(shù)將產(chǎn)生不同的支持向量機算法。通過引入核函數(shù)，很好的避免了高維特征空間中“維數(shù)災(zāi)難”問題的出現(xiàn)。核函數(shù)通常包括以下幾種：

線性核函數(shù)：K（x，y）=x? y

多項式核函數(shù)：K（x， y）=[（x - y）+1]，d =1，2，......

sigmoid核函數(shù)：K（x， y）= tanh[b（x· y）-c]

徑向基核函數(shù)：K（x， y）=exp（-γ‖x-y‖ ）

本研究將采用不同核函數(shù)的SVM進(jìn)行向日葵葉部病害分類測試，通過比較分析選出最適合于向日葵病害識別的核函數(shù)。

4結(jié)論

在這項研究中，我們結(jié)合了向日葵葉斑的顏色和結(jié)構(gòu)的生物學(xué)特性，利用先進(jìn)的數(shù)字圖像處理技術(shù)和模式識別方法構(gòu)建了向日葵葉的病害診斷系統(tǒng)。以matlab為平臺，利用圖形用戶界面（GUI）實現(xiàn)了預(yù)處理，疾病點分割，向日葵圖像的判別特征，疾病識別。最后，基于圖像識別設(shè)計和開發(fā)了向日葵葉的病害診斷和識別系統(tǒng)。在調(diào)查中，得出了以下結(jié)論：

（1）向日葵葉病害的預(yù)處理。通過對比和分析鄰近過濾器、中值濾波和向量中值濾波這二種標(biāo)量過濾器方式，向量中值濾波方式可以在計算時考慮圖像顏色分量的內(nèi)在關(guān)聯(lián)，并且對圖像縮放具有良好的效果。處理過程中，疾病點的原始有用信息保持良好，圖像也不模糊。在診斷郁金香之前，識別疾病和診斷疾病都不起作用。本文研究了RGB色彩空間中與正常和疾病圖像大不相同的G分量，并將從G分量導(dǎo)出的特征參數(shù)用作支持向量模式識別方法的特征輸入，以評估輸入圖像是正常葉片還是異常葉片?；叶裙采仃嚭椭С窒蛄繖C制可以用于準(zhǔn)確地評估異常刀片是否包括病害。

（2）瓜分向日葵葉損傷。在獲得預(yù)處理后的圖像后，在本作業(yè)中，首先使用自選擇閾值分割法粗略地分割向日葵葉中的病原菌，然后用兩種算法標(biāo)記融合區(qū)域和生長區(qū)域，將病斑分割。結(jié)果表明，這種粗分割或精密分割方法可以有效地分割病葉中的所有病斑。

（3）向日葵葉子病斑的分離。用色動量和灰度共生矩陣兩種方法提取了病斑點的顏色和紋理特性。在比較測試了幾個特征的記述后，最終選擇了9個特征參數(shù)作為不同疾病識別的依據(jù)。結(jié)果發(fā)現(xiàn)，優(yōu)化后的9個特征參數(shù)可以更好地表示向日葵葉的病害點的特征，在參數(shù)優(yōu)化后，去除對病害識別沒有貢獻(xiàn)的特征參數(shù)，縮短特征提取的作用時間，大大提高檢測效率。

參考文獻(xiàn)：

[1]越鮮梅.基于圖像識別的向日葵葉部病害診斷技術(shù)研究[D].內(nèi)蒙古工業(yè)大學(xué).

[2]李艷雪，呂芳.向日葵葉部病害圖像分割方法[J].計算機技術(shù)與發(fā)展，2019，29（5）：4.

[3]呂芳.基于圖像識別的向日葵葉部病害識別方法研究[J].中國科技成果，2018（15）：1.

[4]許慧，呂芳，越鮮梅，等.基于圖像識別的向日葵葉部病害診斷方法探究[J].電子測試，2014（S1）：3.

[5]任志海.基于圖像處理技術(shù)的向日葵葉片病害識別診斷.

[6]呂芳，狄鵬慧，許慧.基于支持向量機的向日葵葉部病害判斷方法：， CN105760880A[P].2016.

本文系河套學(xué)院科學(xué)技術(shù)研究項目“基于視頻傳感器的向日葵病害監(jiān)測識別研究（以巴彥淖爾市為例）”項目編號：HYZY202014階段成果之一。

作者簡介：

任志海（1973年7月），男，漢族，內(nèi)蒙古巴彥淖爾市，學(xué)歷：本科，工作單位：河套學(xué)院，職稱：講師，研究方向：電氣自動化、計算機。FFB172F6-0DBC-4E40-A3C0-9717C74EB067