基于計(jì)算機(jī)視覺的植物黑腐病病斑分析

摘要:給出一種基于圖像處理和神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行植物黑腐病病斑分析的方法，即利用圖像處理技術(shù)提取病斑的幾何特征和顏色特征，其中幾何特征根據(jù)病斑形狀提取，并基于HSV空間提取病斑顏色矩結(jié)合紅綠顏色特征作為病斑的顏色特征，最后利用神經(jīng)網(wǎng)絡(luò)加以識別，從而判斷病斑所處的生長周期#65377;給出系統(tǒng)的總體設(shè)計(jì)和實(shí)現(xiàn)方案，研究結(jié)果表明，該系統(tǒng)獲得了較為理想的檢測效果#65377;這一思路為植物病害檢測和分析提供一種新的方法#65377;

關(guān)鍵詞:計(jì)算機(jī)視覺;神經(jīng)網(wǎng)絡(luò);病斑分析

中圖分類號:TP391.41

文獻(xiàn)標(biāo)識碼:A

1引言

基于計(jì)算機(jī)視覺的植物黑腐病病斑的檢測與分析的研究內(nèi)容和目標(biāo)是提取植物葉片及黑腐病病斑的特征，分類并確定病害程度#65377;十字花科蔬菜黑腐病(Xanthomonas campestris pv.campestris (Pammel) Dowson)俗稱“半邊癱”，是蔬菜生產(chǎn)重的主要病害之一[1]#65377;它是一種細(xì)菌引起的病害，癥狀是引起維管束壞死變黑#65377;細(xì)菌從葉緣入侵后，產(chǎn)生玉米粒大小的黃褐色壞死斑，再延葉脈蔓延，逐漸擴(kuò)大成“V”字形或長條形斑塊，周邊伴有黃色退綠暈帶#65377;進(jìn)入致病末期，葉緣形成火燒似的卷縮燒邊，致使大量外葉枯死#65377;因?yàn)橹参锊『Φ燃壟卸ǖ囊恍┨匦砸话愣伎梢杂刹杉瘶颖居^察測量獲得數(shù)據(jù)，即所選的性狀都是可以直接觀察到的，則相應(yīng)的數(shù)字化圖片上同樣可以獲得，所以我們利用計(jì)算機(jī)自動(dòng)#65380;高效#65380;精確的特點(diǎn)，提出了基于計(jì)算機(jī)視覺的植物黑腐病病斑分析的概念，并對黑腐病病斑危害程度的確定進(jìn)行了探索#65377;本文根據(jù)病斑的幾何及顏色特征進(jìn)行選擇，并用人工神經(jīng)網(wǎng)絡(luò)的方法加以識別#65377;

2病斑的幾何特征選擇

由于黑腐病進(jìn)入中后期后，病斑呈較為規(guī)則的“V”字形斑塊，所以可以選擇其幾何特征作為其等級判斷的依據(jù)#65377;通過多次試驗(yàn)，我們選擇了以下幾種較為具有代表性的幾何特征[2]:

2.1病斑區(qū)域與葉片區(qū)域的面積比p

式中，s為葉片面積，S為病斑面積，葉片和病斑區(qū)域面積可以通過掃描圖像，累加同一標(biāo)記區(qū)域中象素的個(gè)數(shù)來表示#65377;

2.2病斑區(qū)域的圓形度C

圓形度C描述的是病斑形狀接近圓形的程度，其計(jì)算公式為:式中，S表示的是病斑面積，L為病斑周長;C值的范圍是0~1，當(dāng)病斑區(qū)域?yàn)閳A形時(shí)周長最短，C=1，病斑區(qū)域越偏離圓形，則C值越小#65377;

2.3病斑區(qū)域長#65380;寬比E

E=min{寬度，高度}mɑx{寬度，高度}病斑區(qū)域越細(xì)長，E越小，當(dāng)病斑區(qū)域?yàn)閳A形時(shí)，E=1#65377;

2.4病斑形狀復(fù)雜性e

式中，L表示周長，S表示面積，用離散指數(shù)e來描述單位面積圖形的周長大小#65377;e越大，表示單位面積圖形周長越大，即圖形離散，為復(fù)雜圖形#65377;

2.5從重心到輪廓線的長度的平均變動(dòng)系數(shù)d

如果從病斑重心出發(fā)，每隔10°對病斑輪廓進(jìn)行掃描，設(shè)重心到輪廓的距離分別為 n，其中n=0°，10°，…，350°，則平均變動(dòng)系數(shù):

3病斑的顏色特征選擇

由于葉片的生長及病斑的蔓延存在很大的隨機(jī)性，所以單一依靠病斑的幾何特征無法對病斑做出準(zhǔn)確而有效的判斷#65377;鑒于此種情況，除幾何特征外，我們提取病斑的顏色特征結(jié)合上述幾何特征共同作為病斑的評判依據(jù)#65377;

3.1基于HSV空間的病斑顏色矩特征提取

為了處理彩色圖像，首先要選取合適的顏色空間#65377;由于常用的RGB三色空間中，兩點(diǎn)間的歐氏距離與顏色距離不成線性比例，也就是說顏色受亮度影響很大，RGB空間不具有進(jìn)行彩色圖像處理所要求的獨(dú)立性和均勻性指標(biāo)，所以我們在提取病斑顏色矩特征時(shí)采用了均勻性更好的HSV空間#65377;從RGB到HSV的轉(zhuǎn)換公式為[3]:

由于顏色信息集中在圖像顏色的低階矩中，我們主要對每種顏色分量的一階#65380;二階和三階矩 進(jìn)行統(tǒng)計(jì)#65377;這三個(gè)顏色矩的數(shù)學(xué)定義如下[4]:式中:pij是第j個(gè)象素的第i個(gè)顏色分量的值;N是象素?cái)?shù)量#65377;由于每幅圖像有3個(gè)顏色分量，每個(gè)顏色分量包括3個(gè)顏色矩，這樣就一共得到了9個(gè)特征向量#65377;

顏色矩的優(yōu)點(diǎn)是特征描述比較緊湊，缺點(diǎn)是低階顏色矩往往分辨率不夠，所以除此之外我們又提出了基于統(tǒng)計(jì)的病斑紅#65380;綠象素特征特提取的方法#65377;

3.2基于統(tǒng)計(jì)的病斑紅#65380;綠象素特征提取病菌對葉片的侵蝕實(shí)際上是一種破壞植物葉綠素的過程#65377;經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)，葉片致病后病斑部位與正常葉片相比，圖像G通道平均數(shù)值相對R通道大幅降低，由原先G>R轉(zhuǎn)變?yōu)镚

圖2正常葉片的R#65380;G#65380;B曲線圖3早期黃色病斑的R#65380;G#65380;B曲線圖4中后期褐色病斑的R#65380;G#65380;B曲線

基于此種情況，我們提取R通道和G通道的象素平均灰度值和的相 對關(guān)系參數(shù)X和L作為病斑特征#65377;其中N是象素個(gè)數(shù)，Ri和Gi分別是R通道和G通道第i個(gè)象素的灰度值，式中X描述病斑由黃色轉(zhuǎn)為褐色，R#65380;G通道數(shù)值均減小的過程，L則表征伴隨病情的加重，葉綠素的減少，G值相對R值變化的過程#65377;

4人工神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)

4.1神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)在本文中，我們利用bp算法進(jìn)行人工神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)[5]，借助MATLAB2006Ra及其所帶的神經(jīng)網(wǎng)絡(luò)工具箱系統(tǒng)進(jìn)行系統(tǒng)的實(shí)現(xiàn)#65377;最終采用3層神經(jīng)網(wǎng)絡(luò):16個(gè)輸入節(jié)點(diǎn)，分別為文中上述提取的16種特征;30個(gè)隱含層節(jié)點(diǎn);3個(gè)輸出節(jié)點(diǎn)，分別代表病斑處于致病的早期，中期和晚期#65377;

4.2取樣與神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

由于實(shí)驗(yàn)室培育的黑腐病發(fā)病周期一般為6天，我們在2006年4月3日~2006年4月8日間，在溫度為24~28℃，濕度為80%的廣西大學(xué)生命科學(xué)院溫室內(nèi)，每天隨機(jī)采取樣本40枚，共計(jì)采取樣本240枚#65377;將其掃描為圖片后，從中挑選出75張圖片作為訓(xùn)練樣本#65377;其中發(fā)病頭兩天的25張，作為早期;發(fā)病3~4天的圖片25張，作為中期;剩下25張作為末期#65377;經(jīng)過大量實(shí)驗(yàn)，我們將中間層的傳遞函數(shù)和輸出層的傳遞函數(shù)均設(shè)為S型的對數(shù)函數(shù)，即logsig/logsig，訓(xùn)練次數(shù)設(shè)為1000次，訓(xùn)練目標(biāo)誤差為0.001#65377;經(jīng)過736次后訓(xùn)練后，網(wǎng)絡(luò)收斂，目標(biāo)誤差達(dá)到要求#65377;

5實(shí)驗(yàn)結(jié)果

使用早期，中期，晚期圖片各20張為測試樣本(其中15張為新取樣本，5張為已使用過的學(xué)習(xí)樣本)對已學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，網(wǎng)絡(luò)輸出值大于等于0.85時(shí)算作1，當(dāng)輸出值小于等于0.15時(shí)算作0#65377;則表1為全部測試樣本的判別結(jié)果:

6結(jié)論與展望

應(yīng)用上述方案進(jìn)行識別實(shí)驗(yàn)，bp訓(xùn)練網(wǎng)絡(luò)全部收斂，而且收斂速度較快，15個(gè)學(xué)習(xí)樣本全部正確識別#65377;從上表中可以看出，病斑危害程度的平均識別率達(dá)到了90%，其中晚期病斑識別率較高，達(dá)到了95%#65377;中期識別率較低，為85%，這可能是由于某些病斑發(fā)展較快或較慢導(dǎo)致中期特征并不明顯，使得識別時(shí)出現(xiàn)偏差#65377;另外早期病斑的識別率偏低，這可能是由于有些早期病斑太小，感染初期病斑形狀很不規(guī)則，所以出現(xiàn)誤分#65377;如何在判別中增加早期病斑顏色判據(jù)的權(quán)重，增加晚期病斑形狀判別的權(quán)重，使得分類更加合理準(zhǔn)確，是下一步需要繼續(xù)思考的問題#65377;

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文。