溫室種植番茄葉片病蟲害多層特征提取仿真

趙子皓，楊再?gòu)?qiáng)

(南京信息工程大學(xué)應(yīng)用氣象學(xué)院，江蘇 南京 210044)

1 引言

我國(guó)是農(nóng)作物種植大國(guó)，番茄農(nóng)作物的種植產(chǎn)量需求非常高。因此，在其種植過(guò)程中需要盡量排除影響番茄生產(chǎn)量的因素[1]。我國(guó)的番茄作物分布十分廣泛，但其中病蟲害問(wèn)題是一直困擾莊稼質(zhì)量的一大毒瘤[2]，由于近些年的氣候問(wèn)題以及種植技術(shù)導(dǎo)致病蟲害問(wèn)題逐年加重，根據(jù)病蟲害記錄可知，目前全世界范圍內(nèi)共有200余種病蟲害，而針對(duì)我國(guó)而言的主要有20多種，且大多發(fā)生在植物葉片部位，致使果實(shí)生長(zhǎng)畸形或生產(chǎn)量降。為加強(qiáng)番茄的產(chǎn)量和質(zhì)量，需對(duì)番茄葉片病蟲害進(jìn)行防護(hù)，通過(guò)提取番茄葉片病蟲害的特征，實(shí)現(xiàn)番茄質(zhì)量檢測(cè)，是針對(duì)病蟲害最快捷，最有利的防護(hù)措施[3]。

在此背景下，相關(guān)領(lǐng)域的專家和學(xué)者也得到了一些研究成果。程玉勝[4]等人為提取出番茄葉片病蟲害的特征，將原始番茄葉片的標(biāo)記空間進(jìn)行合并，即通過(guò)核極限學(xué)習(xí)機(jī)自編碼器進(jìn)行融合，其優(yōu)點(diǎn)體現(xiàn)在可將希爾伯特-施密特范數(shù)作用發(fā)揮到最大，同時(shí)利用主成分分析保證圖像中的信息數(shù)據(jù)，在主成分分析和希爾伯特-施密特范數(shù)的加持下提取出番茄葉片病蟲害的特征，實(shí)現(xiàn)溫室番茄葉片病蟲害多層特征提取。楊鵬[5]等人在云計(jì)算平臺(tái)的基礎(chǔ)上添加MaxCompute圖像數(shù)據(jù)處理技術(shù)提取番茄葉片病蟲害的特征，首先根據(jù)時(shí)間序列數(shù)據(jù)生成數(shù)據(jù)的存儲(chǔ)方法，同時(shí)在并行化時(shí)間序列數(shù)據(jù)中排列出圖像數(shù)據(jù)熵，進(jìn)而完成番茄葉病蟲害的特征提取，實(shí)現(xiàn)溫室番茄葉片病蟲害多層特征提取。張青[6]等人首先利用閾值分割法提取出番茄葉片的周長(zhǎng)等相關(guān)參數(shù)，其次計(jì)算出番茄葉片病蟲害的低頻橢圓傅里葉系數(shù)，并將其視為番茄葉片病蟲害的特征參數(shù)，進(jìn)而實(shí)現(xiàn)溫室番茄葉片病蟲害多層特征提取。

上述三種方法在對(duì)番茄葉片病蟲害特征提取前均忽略了對(duì)圖像數(shù)據(jù)進(jìn)行灰度化以及圖像去噪的預(yù)處理，導(dǎo)致其中噪聲過(guò)多，影響圖像的清晰度，且其中的色彩等因素會(huì)直接影響最終的特征提取結(jié)果精度，導(dǎo)致以上三種方法存在特征提取效果差、去噪效果差以及特征提取性能差的問(wèn)題。

為了解決以上方法存在的問(wèn)題，提出溫室種植番茄葉片病蟲害多層特征提取方法。

2 番茄葉片病蟲害圖像預(yù)處理

2.1 圖像灰度處理

圖像中某點(diǎn)像素值中明暗變化的量化值即稱之為灰度值，溫室內(nèi)的番茄葉片由于光照等原因的干擾需要將其圖像進(jìn)行灰度變換處理，從而加強(qiáng)番茄葉片病蟲害特征提取的精度[7]。

根據(jù)RGB彩色模型的原理可知，當(dāng)色彩R=G=B時(shí)代表此時(shí)的色彩為黑白，將彩色轉(zhuǎn)變?yōu)楹诎准赐瓿蓤D像的灰度化處理，在數(shù)學(xué)函數(shù)映射的方法下將三維的帶有色彩的R、G、B映射成低維值，并將該值設(shè)置成番茄葉圖像的RGB分量，從而簡(jiǎn)化圖像。

計(jì)算圖像低維數(shù)值RGB分量的賦予通常利用加權(quán)平均法，首先排序圖像中的數(shù)值以及其重要性，并根據(jù)序列賦予其不同權(quán)重的分量，最后將圖像中的R、G、B中進(jìn)行加權(quán)平均處理，此時(shí)的分量表達(dá)式為

R=G=B=WGG+WRR+WBB

(1)

式中，WGG代表分量G的權(quán)重，WRR代表分量R的權(quán)重，WBB代表分量B的權(quán)重。

根據(jù)圖像的需要可選擇不同權(quán)重獲取敏感程度不同的灰度圖像，通常情況下WGG、WRR和WBB分別取值0.59、0.30和0.11，則番茄葉病蟲害圖像的灰度化圖像表達(dá)式為

Vgray=0.59G+0.30R+0.11B

(2)

式中，Vgray代表經(jīng)過(guò)灰度化處理后的溫室番茄葉片病蟲害圖像。

2.2 中值濾波處理

由于圖像在收集過(guò)程中因光照以及量化等影響產(chǎn)生大量噪聲，為保證圖像質(zhì)量，在特征提取前需去噪處理圖像[8]，圖像的濾波處理也是圖像的平滑處理過(guò)程，該技術(shù)主要是對(duì)圖像進(jìn)行去噪，通常情況下，空間域內(nèi)可利用鄰域的平均值完成降噪，噪聲的頻譜一般以高頻段的形式出現(xiàn)。因此，可利用低通濾波方式降噪，在降噪過(guò)程最困難的就是保證圖像的像素，中值濾波法[9]具有保證降噪質(zhì)量的同時(shí)確保圖像的清晰度的優(yōu)點(diǎn)，此濾波方法實(shí)質(zhì)上是非線性的信號(hào)處理技術(shù)，它利用排列統(tǒng)計(jì)理論抑制圖像的噪聲，在奇數(shù)點(diǎn)的滑動(dòng)窗口內(nèi)將帶有灰度值的中值視為定點(diǎn)的灰度值，在偶數(shù)點(diǎn)的滑動(dòng)窗口內(nèi)根據(jù)灰度值的大小提取出最中間數(shù)值將其視為中值。

在二維滑動(dòng)模板的基礎(chǔ)上將像素值根據(jù)從大到小的順序構(gòu)建出單調(diào)上升或單調(diào)下降的二維數(shù)據(jù)序列，其中經(jīng)過(guò)二維中值濾波處理后的圖像表達(dá)式為

g(x，y)=med{f(x-k，y-l)，(k，l∈W)}

(3)

其中，g(x，y)代表經(jīng)過(guò)中值濾波處理后的溫室番茄葉病蟲害圖像，f(x，y)代表原始溫室番茄葉病蟲害圖像，W代表二維模板。

3 番茄葉片病蟲害多層特征提取

為預(yù)防和控制病蟲害對(duì)番茄葉的影響，需要在種植過(guò)程中有效識(shí)別番茄葉的病蟲害，無(wú)論利用何種方法識(shí)別病蟲害，均要提取病蟲害的特征。分割圖像，并通過(guò)直方圖圖像分割方法提取出圖像背景，進(jìn)而得到有用信息，其次利用邊沿檢測(cè)分離出帶有病害的圖像以及正常的葉片圖像部分，最終提取出帶有病蟲害的葉片圖像部分，將其映射處理，以及分層處理，進(jìn)而得出番茄葉片病蟲害的特征。

3.1 圖像分割

圖像分割[10]就是將番茄葉片圖像分割出帶有信息的區(qū)域，即剔除掉無(wú)信息數(shù)據(jù)的背景圖像。當(dāng)待特征提取的番茄葉片的像素以及灰度值均在閾值內(nèi)，則賦予各級(jí)像素點(diǎn)相應(yīng)的灰度值。

假設(shè)番茄葉圖像為f(x，y)，f(x，y)中包含兩種灰度，其中一種為圖像的背景灰度，另一種為番茄葉片的灰度值，當(dāng)兩種灰度值之間的差別較大時(shí)，背景和番茄葉片的灰度直方圖均為雙峰狀態(tài)，為簡(jiǎn)便運(yùn)算，可將灰度直方圖內(nèi)波谷點(diǎn)的灰度視為門限閾值，并將其標(biāo)記為T，為保證背景和有效圖像數(shù)據(jù)的分離，可將圖像處理成二值圖像，其表達(dá)式為

(4)

式中，g(x，y)代表番茄葉片的二值圖像，HIGH代表番茄葉片圖像的最高灰度值，LOW代表番茄葉片圖像的最低灰度值。

(5)

式中，g(x，y)代表番茄葉片圖像背景的二值圖像，HIGH代表番茄葉片二值圖像背景的最高灰度值，LOW代表番茄葉片二值圖像背景的最低灰度值。

利用式(4)和式(5)即可分離出圖像的有效數(shù)據(jù)以及無(wú)用背景。

3.2 邊緣檢測(cè)

當(dāng)番茄葉片發(fā)生病蟲害時(shí)，灰度圖像中帶有病癥的區(qū)域與正常區(qū)域存在較大差異，具有病癥部位的表現(xiàn)是其分布大小形狀等均不相同，根據(jù)研究發(fā)現(xiàn)，植物病害的檢測(cè)利用邊緣檢測(cè)法[11]是最有效提取病蟲害形狀特征的方法，該方法對(duì)病蟲害的識(shí)別率遠(yuǎn)遠(yuǎn)高于其它方法。根據(jù)病蟲害葉片具有灰度值變化明顯的特性，可將微分添加到葉片變化部位的函數(shù)運(yùn)算中，進(jìn)而完成邊緣檢測(cè)。

3.2.1 一階微分

在一階微分中，通過(guò)大小向量以及方向向量替代病蟲害點(diǎn)的灰度斜度的一階微分大小，其中強(qiáng)度大小向量為G(x，y)，方向向量為(fx，fy)，且G(x，y)=(fx，fy)，則方向微分fy以及fx的數(shù)學(xué)圖像表達(dá)式分別為

(6)

式中，fx代表坐標(biāo)系x軸上的微分，fy代表坐標(biāo)系y軸上的微分。

求解出微分值后即可計(jì)算邊緣強(qiáng)度和方向，其表達(dá)式為

(7)

式中，G(x，y)代表邊緣的強(qiáng)度大小。

邊緣的方向即為向量(fx，fy)的方向。

3.2.2 二階微分

令二階微分為L(zhǎng)(x，y)，其本質(zhì)是完成一階微分后的進(jìn)一步微分，其目的就是細(xì)化邊緣強(qiáng)度大小的精度，則L(x，y)的表達(dá)式為

(8)

根據(jù)上述步驟即可完成所有病蟲害番茄葉片的邊緣檢測(cè)，將帶有病癥的番茄葉片與正常葉片區(qū)別開。

3.3 番茄葉片多層特征提取

為保證番茄葉片病蟲害識(shí)別率，采用無(wú)監(jiān)督深層子空間模型分層處理圖像，實(shí)現(xiàn)番茄葉的多層特征提取[12]。

特征提取最關(guān)鍵的步驟是學(xué)習(xí)映射矩陣處理番茄葉病蟲害部分，其中損失函數(shù)利用重構(gòu)誤差代替，生成的學(xué)習(xí)PCA濾波核表達(dá)式為

(9)

式中，L1代表第一層濾波器的個(gè)數(shù)，k1和k2均為濾波器大小，X代表樣本的協(xié)方差矩陣，T代表原始番茄葉片圖像，V代表濾波器。

則此時(shí)的PCA濾波器表達(dá)式為

(10)

利用上式選取出矩陣X內(nèi)前L1個(gè)番茄葉病蟲害特征，并通過(guò)該特征值的對(duì)應(yīng)特征向量構(gòu)成番茄葉片特征映射矩陣，進(jìn)而生成番茄葉片的卷積圖像，獲取第一層映射結(jié)果，所以得出此時(shí)的圖像層中含有L1個(gè)濾波核，即此層中帶有L1個(gè)輸出，其表達(dá)式為

(11)

將圖像轉(zhuǎn)化成卷積圖像，對(duì)圖像的邊緣進(jìn)行延拓，以確保經(jīng)過(guò)處理后的樣本圖像大小不發(fā)生變化。

根據(jù)以上原理得出第二層的輸入層為

(12)

其次將第二層的輸入數(shù)據(jù)均值處理后并對(duì)其進(jìn)行PCA分析處理，進(jìn)而生成第二層中PCA的卷積核，其表達(dá)式為

(13)

(14)

為進(jìn)一步細(xì)化番茄葉病蟲害特征，將輸出矩陣二值化處理后對(duì)其進(jìn)行哈希編碼處理，進(jìn)而增加特征間的差異，進(jìn)一步降低提取病癥番茄葉的難度，此時(shí)的輸出矩陣表達(dá)式為

(15)

式中，H代表類Heaviside階躍函數(shù)。

通過(guò)優(yōu)化后的輸出矩陣直方圖分塊處理番茄葉病蟲害特征，獲取最精確的番茄葉病蟲害特征，其表達(dá)式為

(16)

其中，fi代表樣本圖像i中番茄葉病蟲害的特征。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證溫室種植番茄葉片病蟲害多層特征提取方法的整體有效性，分別采用所提方法、文獻(xiàn)[4]方法和文獻(xiàn)[5]方法測(cè)試特征提取效果、去噪效果以及特征提取性能的測(cè)試，測(cè)試結(jié)果如下所示。

4.1 特征提取效果

選取某一帶有病蟲害的番茄葉，利用三種方法提取其特征，其結(jié)果如圖1所示。

圖1 三種方法的特征提取效果圖

該葉片的實(shí)際病蟲害效果圖如圖1(a)所示，所提方法得出的病蟲害結(jié)果與圖1(a)基本無(wú)差別，證明所提方法的有效性，文獻(xiàn)[4]方法得出的葉片病蟲害特征與實(shí)際特征圖相比，該方法不易提取出較小直徑的病蟲害部分，只能辨識(shí)并提取出直徑較大提取病蟲害，文獻(xiàn)[5]方法不僅不能辨識(shí)出較小直徑的病蟲害，且將部分正常葉片辨識(shí)為病蟲害，大大降低特征提取精度，影響最終病蟲害特征提取的效果，所提方法在提取特征前對(duì)番茄葉圖像進(jìn)行預(yù)處理，將圖像灰度化處理降低色彩對(duì)特征提取的影響程度，并去噪處理圖像，提高圖像的質(zhì)量，保證特征提取的精度，從而提高番茄葉片病蟲害特征提取效果。

4.2 去噪效果

溫室內(nèi)植物因光照等因素，生成的圖像內(nèi)噪聲含量較多，葉片病蟲害多為不規(guī)則圖形，且面積較小，帶有噪聲的圖像對(duì)病蟲害特征提取十分不利，因此在進(jìn)行葉片病蟲害特征提取前均會(huì)去噪處理圖像，圖像去噪的優(yōu)劣直接關(guān)系最終特征提取結(jié)果，隨機(jī)選取一種帶有病癥的溫室內(nèi)葉片圖像，通過(guò)三種方法完成圖像去噪。

根據(jù)圖2可知，原圖像中噪聲較大，導(dǎo)致病蟲害邊緣十分模糊，經(jīng)過(guò)三種去噪方法處理后的圖像的清晰度均有提升，其中所提方法的去噪結(jié)果最優(yōu)，其圖像十分清晰，其次為文獻(xiàn)[4]方法去噪后的圖像，去噪效果最差的是文獻(xiàn)[5]方法，經(jīng)過(guò)該方法去噪后的圖像的清晰度雖有所提高，但效果較差，其中病蟲害邊緣部分仍不能清晰的識(shí)別出，因此驗(yàn)證了所提方法的優(yōu)越性。

圖2 三種方法的圖像去噪效果

4.3 特征提取性能

葉片病蟲害特征提取不僅需要保證效率高，同時(shí)要保證特征提取的精度，即準(zhǔn)確率。

選取5組帶有病蟲害的葉片，利用三種方法提取其特征，對(duì)比三種方法的特征提取準(zhǔn)確率，結(jié)果如圖3所示，在每組實(shí)驗(yàn)數(shù)據(jù)下均是所提方法的精度最高，文獻(xiàn)[4]方法次之，文獻(xiàn)[5]方法的準(zhǔn)確率最低。

圖3 三種方法特征提取準(zhǔn)確率

圖4 三種方法特征提取所用時(shí)間

在同樣五組實(shí)驗(yàn)數(shù)據(jù)下對(duì)比三種方法提取特征所需的時(shí)間，經(jīng)實(shí)驗(yàn)結(jié)果顯示，特征提取效率最高的仍是所提方法，文獻(xiàn)[5]方法用時(shí)最長(zhǎng)，效率最低，文獻(xiàn)[4]方法次之。

綜上所述，所提方法是三種方法中提取葉片病蟲害特征效率最高，用時(shí)最短，準(zhǔn)確率最高的方法，因此證明所提方法的特征提取性能最優(yōu)。

5 結(jié)束語(yǔ)

影響農(nóng)作物最常見的因素即為病蟲害，其主要針對(duì)農(nóng)作物的葉片，利用人力去辨識(shí)病蟲害效率過(guò)低。本文提出溫室種植番茄葉片病蟲害多層特征提取方法，該方法首先完成圖像灰度化和去噪的預(yù)處理，其次將圖像分割并完成邊緣檢測(cè)，最后分層處理圖像，實(shí)現(xiàn)番茄葉片病蟲害特征提取，解決了特征提取效果差、去噪效果差以及特征提取性能差的問(wèn)題，提高病蟲害的識(shí)別率，降低病蟲害對(duì)農(nóng)作物的影響程度。