番茄不同病害類型的圖像特征精準(zhǔn)識(shí)別仿真

趙子皓，楊再強(qiáng)

(南京信息工程大學(xué)氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心，江蘇 南京 210044)

1 引言

番茄是一種常見的蔬果，在全國各地普遍種植，其品質(zhì)與產(chǎn)量是人們最關(guān)心的問題。在番茄生長(zhǎng)過程中，受到環(huán)境、氣候等因素影響，會(huì)出現(xiàn)不同病癥，降低產(chǎn)量，造成經(jīng)濟(jì)損失。所以，番茄病害防治尤為重要。以往的防治工作通常憑借菜農(nóng)經(jīng)驗(yàn)進(jìn)行判斷，主觀性強(qiáng)且精度高，能起到病蟲害防治效果，但人工能力有限，檢測(cè)效率完全不能滿足實(shí)際需求，普適性較差，難以在短時(shí)間內(nèi)制定針對(duì)性強(qiáng)的防治措施，容易耽誤最佳防治時(shí)間。

為解決上述問題，有關(guān)學(xué)者紛紛將現(xiàn)代化技術(shù)應(yīng)用到番茄病害防治中。例如，胡志偉[1]等人研究一種注意力機(jī)制番茄病害識(shí)別算法。利用多層注意力模塊，分層提取病害分類信息；建立殘差模塊融合特征模型，引入數(shù)據(jù)擴(kuò)充技術(shù)完成番茄病害圖像識(shí)別。柴帥[2]等人利用遷移學(xué)習(xí)機(jī)制對(duì)番茄病蟲害進(jìn)行檢測(cè)。通過圖像預(yù)處理，增強(qiáng)圖像質(zhì)量，使用訓(xùn)練成熟的多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型提取病害特征，采用支持向量機(jī)分類病害特征，達(dá)到病害識(shí)別目的。

由于番茄不同病害類型表現(xiàn)出的特征具有相似性，導(dǎo)致以上方法識(shí)別精度較低。因此，本文利用構(gòu)造性核函數(shù)算法識(shí)別番茄病害圖像。該方法是神經(jīng)網(wǎng)絡(luò)[3]與支持向量機(jī)[4]的融合，可有效處理高維數(shù)據(jù)，最大特點(diǎn)是將數(shù)據(jù)映射到核空間內(nèi)，并在該空間使用覆蓋算法求解。因結(jié)合了全局最優(yōu)思想，使覆蓋鄰域減少，不但識(shí)別過程簡(jiǎn)單，得出的結(jié)果也更為精準(zhǔn)。

2 番茄病害圖像預(yù)處理

圖像預(yù)處理要求保證原有信息不發(fā)生改變，僅在視覺上改善畫質(zhì)，提高可識(shí)別性。圖像去噪是預(yù)處理的主要內(nèi)容，指將圖像干擾噪聲去除，增強(qiáng)信噪比。

2.1 均值濾波

均值濾波[5]是在像素空間域基礎(chǔ)上完成的，通過獲取像素點(diǎn)加權(quán)平均值來抑制圖像噪聲。將像素大小設(shè)置為M×N，圖像中心點(diǎn)表示為(x，y)，該點(diǎn)的周圍點(diǎn)叫做鄰域，計(jì)算(x，y)鄰域中全部點(diǎn)灰度值的平均值，并替換(x，y)點(diǎn)的初始像素值，表達(dá)式為

(1)

式中，x=0，1，…，M，y=0，1，…，N-1，S表示圖像內(nèi)全部點(diǎn)坐標(biāo)集合，M為全部坐標(biāo)點(diǎn)，f(x，y)描述初始圖像噪聲點(diǎn)，經(jīng)過平滑處理的噪聲點(diǎn)g(x，y)由式(1)得出。

2.2 開閉運(yùn)算

開、閉運(yùn)算是由腐蝕、膨脹運(yùn)算發(fā)展而來的，主要作用是去除孤立點(diǎn)，減少毛刺，抑制邊界模糊[6]。其中，開運(yùn)算過程為先腐蝕、后膨脹，表達(dá)式如下

X°B=(XΘB)⊕B

(2)

上述公式代表元素B對(duì)圖像X進(jìn)行計(jì)算，經(jīng)過計(jì)算后，結(jié)構(gòu)集合中的元素必須大于計(jì)算前。閉運(yùn)算表達(dá)式為

X·B=(X⊕B)ΘB

(3)

式(3)與式(2)具有對(duì)偶關(guān)系。

2.3 圖像分割

本文使用最大類間方差法分割圖像，該方法結(jié)合圖像灰度值，將圖像分割成背景、目標(biāo)兩個(gè)區(qū)域，更有利于圖像識(shí)別[7]。背景與目標(biāo)之間的灰度值類間方差決定二者誤判率，方差越大，二者差距越顯著。分割過程如下

設(shè)置目標(biāo)圖像灰度值，通常為0～(L-1)，假設(shè)圖像某點(diǎn)坐標(biāo)為(x，y)，其鄰域平均灰度值H(x，y)的計(jì)算公式如下

(4)

式中，B代表鄰域?qū)挾?，F(xiàn)(x，y)為圖像出現(xiàn)幾率。如果圖像像素表示為(M×N)，點(diǎn)(x，y)的概率密度[8]表示為

L(x，y)=F(x，y)/(M×N)，0

(5)

(6)

為方便理解，使用二維直方圖描述目標(biāo)與背景之間的關(guān)系，假設(shè)(S′，T)是直方圖中的閾值，A′與B′分別代表背景與噪聲，C與D分別表示邊緣部分與目標(biāo)，背景與目標(biāo)出現(xiàn)的幾率分別記作b0和m1[9]。

(7)

(8)

如果不考慮噪聲影響，b0+m1=1，目標(biāo)與背景的整體均值表達(dá)式為

(9)

因此，獲得目標(biāo)、背景之間的閾值表達(dá)式

Q=b0[(R0x-Zx)2+(R0y-Zy)2]

+m1[(R1x-Zy)2+(R1j-Zy)2]

=[b0(S′，T)Zx-Rx(S′，T)2+(b0(S′，T)Zy)-

Ry(S′，T)2]/[b0(S′，T)(1-b0)(S′，T)]

(10)

利用上述公式計(jì)算圖像中的全部像素點(diǎn)，即可實(shí)現(xiàn)目標(biāo)與背景分離。

3 基于構(gòu)造性核函數(shù)的病害圖像識(shí)別

3.1 病害特征提取

經(jīng)過圖像預(yù)處理后，畫質(zhì)得到增強(qiáng)，通過特征提取能獲得更多的病害特征。本文通過對(duì)番茄葉片顏色、形狀特征的提取，將其作為識(shí)別依據(jù)，提高識(shí)別精度。

3.1.1 顏色特征

與其它特征相比，顏色特征更加直觀，且對(duì)方向、形狀具有不敏感特點(diǎn)，僅需要將圖像顏色特征轉(zhuǎn)換為數(shù)值形式即可，本文利用直方圖完成顏色特征提取。通過直方圖形式描述不同顏色像素?cái)?shù)量占整體圖像像素總量大小。其中，直方圖橫軸表示顏色等級(jí)，縱軸則是顏色比例[10]。直方圖不但可以體現(xiàn)出顏色大小，還能表現(xiàn)出顏色種類等信息。

直方圖的構(gòu)建需選取恰當(dāng)?shù)念伾臻g，保證信息表達(dá)的完整性，RGB(紅、綠、藍(lán))為一種常用的描述方式，利用RGB空間提取顏色特征的模型可表示為

(11)

(12)

(13)

3.1.2 形狀特征

利用相關(guān)經(jīng)驗(yàn)，結(jié)合病斑形狀特征區(qū)分病害種類，再將先驗(yàn)知識(shí)變換為計(jì)算機(jī)可識(shí)別的語言，通過計(jì)算機(jī)給出病害判斷結(jié)果，這是現(xiàn)階段農(nóng)業(yè)領(lǐng)域發(fā)展的主要趨勢(shì)。番茄病害區(qū)和正常區(qū)域相比，病斑形狀較為明顯，針對(duì)圖像而言，形狀特點(diǎn)屬于物體本質(zhì)特征，不會(huì)受到旋轉(zhuǎn)、平移等操作影響。但是在檢測(cè)形狀特征時(shí)，由于形狀的局限性與相似性，會(huì)干擾視覺判斷結(jié)果。

本文將形狀特征分為輪廓特征與紋理特征兩種。前者是對(duì)目標(biāo)邊界進(jìn)行分析，后者則需仔細(xì)探究病斑區(qū)域紋理細(xì)節(jié)。

1)邊界特征提取

此方法描述目標(biāo)邊界特征，將獲得的結(jié)果當(dāng)作形狀特征參數(shù)。經(jīng)過Hough變換[11]，連接全局特征與目標(biāo)部分特征的邊界像素，構(gòu)成封閉區(qū)域；構(gòu)建邊界部分大小和方向的直方圖，根據(jù)該圖即可獲取邊界特征。

2)紋理特征提取

與邊界特征不同的是，紋理特征能反映目標(biāo)形狀以及更加深層的信息[12]。如果只依靠視覺，一些紋理特征無法提取。因此，需要通過計(jì)算機(jī)技術(shù)，處理圖像內(nèi)部灰度，再將處理后的信息變換為語言。紋理與色彩特征不同，它并不是在某個(gè)像素點(diǎn)的基礎(chǔ)上完成計(jì)算，而是針對(duì)多個(gè)像素點(diǎn)。即使紋理特征在旋轉(zhuǎn)等作用下不會(huì)發(fā)生改變，但易受光照等條件影響，改變分辨率，降低特征提取準(zhǔn)確性。

為避免上述現(xiàn)象發(fā)生，使用灰度級(jí)共生矩陣提取紋理特征。此矩陣表示一種概率，即灰度值為v的像素點(diǎn)在長(zhǎng)度是d′、方向是θ上生成灰度值是j的幾率，也可以當(dāng)作對(duì)圖像灰度值概率密度的預(yù)測(cè)，共生矩陣能夠最大程度體現(xiàn)像素點(diǎn)的紋理特征。本文結(jié)合矩陣對(duì)比度、相關(guān)性、能量等變量完成紋理特征提取。

已知某圖像X的像素為M×N，灰度級(jí)設(shè)置為G′級(jí)，則圖像共生矩陣表示為

P(x，y，d′，θ)=P(I(l，w))

=(l+d′cos(θ)，w+d′sin(θ)=y)

(14)

式中，I(l，w)表示像素點(diǎn)(l，w)的灰度，d′為點(diǎn)(x，y)存在的距離，θ屬于兩點(diǎn)之間夾角。如果P為G′×G′結(jié)構(gòu)的矩陣，此時(shí)d′與角度θ一經(jīng)確定，不同角度下的共生矩陣，即可結(jié)合兩點(diǎn)之間的距離和夾角計(jì)算得出。為方便矩陣計(jì)算，一般選取的夾角度數(shù)為θ={0°，45°，90°，135°}，因此有

(15)

最后，歸一化處理不同灰度共生矩陣即可實(shí)現(xiàn)紋理特征提取。

3.2 核空間內(nèi)番茄病害圖像識(shí)別實(shí)現(xiàn)

經(jīng)過圖像預(yù)處理和特征提取后，以提取的病害特征為依據(jù)，引入核函數(shù)，建立覆蓋領(lǐng)域，實(shí)現(xiàn)病害圖像識(shí)別。

若已知某圖像的輸入集合表示為K={(x1，y1)，(x2，y2)，…，(xp，yp)}，其中K代表n維空間中像素點(diǎn)集合，集合中樣本數(shù)量為p。將K分割成ζ個(gè)子集合，構(gòu)建三層網(wǎng)絡(luò)N*，令其符合如下要求：經(jīng)過該網(wǎng)絡(luò)后，屬于Ki′的點(diǎn)輸出值均為yi′，且yi′=(0，…，1，0，…，0)，即第i′個(gè)分量等于1，其它分量等于0。則利用構(gòu)造性核覆蓋算法識(shí)別病害圖像的過程如下：

任意選擇某核函數(shù)K(x，y)，做如下變換

T′：O→Z，x∈O，〈T′(x)，T′(y)〉=K(x，y)

(16)

整個(gè)轉(zhuǎn)換過程可描述為：在n維超平面O中，變換T′將O平面上的點(diǎn)映射在p核空間中，則核空間輸入集合表示為pT′，此種變換具有一一對(duì)應(yīng)特征。

在核空間中，設(shè)定輸出集合Y的前a個(gè)值都不同，經(jīng)過上述變換后，能夠計(jì)算出核空間內(nèi)的覆蓋Ci′，計(jì)算過程如下

步驟一：在樣本集合內(nèi)任意挑選一個(gè)xi′，確保xi′∈pT′，且同時(shí)滿足如下條件

(17)

(18)

(19)

(20)

結(jié)合xi′與di′建立覆蓋Ci′，此覆蓋中心是xi′，覆蓋半徑為di′。

步驟二：建立覆蓋后，刪除pT′中已經(jīng)被Ci′覆蓋的點(diǎn)，再從pT′內(nèi)選出一個(gè)覆蓋中心，經(jīng)過多次操作后，直到所有點(diǎn)均被刪除后，整個(gè)覆蓋領(lǐng)域建立，也就完成了對(duì)所有病害圖像的識(shí)別。該方法增加了求優(yōu)過程，且先從局部區(qū)域考慮覆蓋問題，由局部向整體延伸，保障了識(shí)別的全面性，提高了識(shí)別精度。

4 仿真數(shù)據(jù)分析與研究

仿真中，選取下述三種典型的番茄病害類型為識(shí)別目標(biāo)，病害特征描述如下。

1)白粉?。弘m然危害不高，但分布范圍廣。一般表現(xiàn)為在番茄葉片上生成細(xì)小粉斑，到后期會(huì)擴(kuò)展成白粉斑，且粉狀越來越密集，逐漸遍布整個(gè)葉片。

2)番茄疫?。翰『Τ跗谠谌~片上形成圓斑，逐漸發(fā)展為不規(guī)則病斑，由中心向外擴(kuò)散，當(dāng)空氣潮濕時(shí)還會(huì)出現(xiàn)黑霉。

3)黃化曲葉?。呵捌诎Y狀為葉片皺縮并伴有發(fā)黃現(xiàn)象，使植株發(fā)育矮小。該病害通常在開花結(jié)果時(shí)間段發(fā)病，到后期整個(gè)葉片都會(huì)發(fā)黃，且葉片卷曲，嚴(yán)重時(shí)還會(huì)出現(xiàn)腐爛癥狀。

本次實(shí)驗(yàn)共采集番茄病害葉片圖像700幅，其中，健康圖像100幅，白粉病、番茄疫病、黃化曲葉病各200幅。首先對(duì)本文方法、注意力機(jī)制算法、遷移學(xué)習(xí)機(jī)制三種算法的圖像預(yù)處理效果進(jìn)行對(duì)比。選取四幅不同類型番茄葉片圖像，預(yù)處理結(jié)果分別如圖1-4所示。

圖1 初始圖像效果

圖2 本文方法圖像預(yù)處理效果

圖3 注意力機(jī)制預(yù)處理效果

圖4 遷移學(xué)習(xí)機(jī)制算法處理效果

由圖1-4能夠看出，本文方法圖像預(yù)處理效果最好，圖像畫質(zhì)得到明顯改善。注意力機(jī)制算法雖然也得到了清晰的番茄葉片圖像，但葉片細(xì)節(jié)特征無法顯現(xiàn)；遷移學(xué)習(xí)機(jī)制對(duì)圖像邊緣部分處理不夠完善，且在部分圖像中還會(huì)遮擋葉片主要特征。本文之所以得到質(zhì)量較高的圖像是因?yàn)椋禐V波算法能夠有效去除圖像噪聲，再通過最大類間方差法實(shí)現(xiàn)背景分離，進(jìn)一步提高畫質(zhì)。

經(jīng)過圖像處理后，對(duì)這些圖像進(jìn)行病害識(shí)別，引入平均識(shí)別率指標(biāo)來驗(yàn)證三種算法識(shí)別性能，該指標(biāo)值越高，表明識(shí)別效果越好。計(jì)算公式如下

(21)

圖5 不同方法識(shí)別效果對(duì)比圖

分析識(shí)別結(jié)果可以發(fā)現(xiàn)，本文方法無論對(duì)于哪種病害圖片，識(shí)別率都在95%以上。而其它兩種對(duì)于白粉病的識(shí)別率較低，這是因?yàn)榘追鄄≡诔跗诎Y狀較輕，白點(diǎn)較小，如果圖像清晰度不夠難以識(shí)別出來。

本文方法預(yù)處理后的圖像信噪比高，從多方面完成特征提取，再加上構(gòu)造性核覆蓋算法添加了合適的核函數(shù)，實(shí)質(zhì)就是增加一次尋優(yōu)操作，使識(shí)別劃分邊界更加清晰，進(jìn)而提高識(shí)別效果。

5 結(jié)論

為提高番茄病害識(shí)別效果，構(gòu)建一種基于構(gòu)造性核函數(shù)的病害圖像識(shí)別方法。在識(shí)別開始之前，對(duì)圖像進(jìn)行去噪處理，提高信噪比，再通過多方位特征提取，獲取各類病害特征，最后在核空間內(nèi)完成圖像識(shí)別。仿真結(jié)果證明了該方法可以準(zhǔn)確識(shí)別出番茄各類病害，為病害治理提供依據(jù)。但本次實(shí)驗(yàn)樣本容量范圍小，獲取的結(jié)果還有待提升。在今后研究中挖掘更多病害樣本，針對(duì)大容量樣本開展實(shí)驗(yàn)，進(jìn)一步證明該方法在病害識(shí)別中的實(shí)用性。