水稻紋枯病圖像識別處理方法研究

袁　媛，陳　雷，吳　娜,2，李　淼

(1.中國科學(xué)院 合肥智能機械研究所，合肥　230031；2.中國科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院，合肥　230026)

?

水稻紋枯病圖像識別處理方法研究

袁媛1，陳雷1，吳娜1,2，李淼1

(1.中國科學(xué)院 合肥智能機械研究所，合肥230031；2.中國科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院，合肥230026)

摘要：為了實現(xiàn)水稻病害的自動檢測，設(shè)計并實現(xiàn)了一種基于支持向量機的水稻紋枯病識別方法。首先利用R分量和中值濾波進行圖像預(yù)處理，然后利用改進的圖切割方法進行病斑分割，再提取病斑的顏色和紋理特征，最后利用支持向量機方法對水稻紋枯病進行分類識別。結(jié)果表明：識別準確率達到95%，能夠滿足實際應(yīng)用的需求。本研究結(jié)果可以為水稻病害的自動識別提供參考依據(jù)。

關(guān)鍵詞：水稻紋枯病；圖像識別；病害診斷；支持向量機

0引言

水稻紋枯病是水稻發(fā)生最普遍的主要病害之一，在水稻整個生育期內(nèi)均可發(fā)生，對水稻產(chǎn)量影響很大。目前，農(nóng)民識別作物病害一般是通過自己的經(jīng)驗、參考病害類圖書、互聯(lián)網(wǎng)查詢或請教農(nóng)業(yè)技術(shù)人員/專家等方法。這些方法存在一些問題：農(nóng)民通過圖片比照或根據(jù)書本中的文字描述來識別作物病害，常會造成人為錯誤，難以準確、及時地對癥下藥；由于目前國內(nèi)各個地方的植保站規(guī)模不大，技術(shù)人員很難在作物的生育期內(nèi)定時上門給各個農(nóng)戶查看作物病情，容易造成病情的延誤。近些年來，隨著數(shù)字圖像處理技術(shù)的迅速發(fā)展、計算機視覺技術(shù)的廣泛應(yīng)用和各種模式識別技術(shù)的日趨成熟，采用圖像處理技術(shù)來分析作物病害，并準確給出病害類別，為作物病害的無損檢測、快速診斷提供了新的途徑和方法。尤其是隨著手機和移動通信技術(shù)的飛速發(fā)展，利用手機田間現(xiàn)場拍攝作物病害照片上傳到遠程服務(wù)器進行病害診斷將是一種快速、有效的病害診斷方法，具有廣闊的應(yīng)用前景。

支持向量機(Support Vector Machine，SVM)[1-2]由于在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，在農(nóng)業(yè)病蟲害分類識別中應(yīng)用很廣泛。田有文等人[3]針對霜霉病等10類常見的黃瓜病害進行研究，有效地提取了黃瓜病害的典型特征形成特征向量，運用支持向量機完成病害種類的識別。劉君等人[4]采用支持向量機方法對黃瓜、番茄等園藝作物葉部病害進行自動診斷與識別。余秀麗等人[5]設(shè)計并實現(xiàn)了一種基于SVM的小麥葉部常見病害識別方法。劉濤等人[6]基于支持向量機模型的分類方法對15種水稻病斑進行分類，平均準確率為92.67%。

本文主要針對水稻紋枯病病害圖像進行相關(guān)預(yù)處理、病斑部位分割及顏色和紋理特征提取，并利用支持向量機方法對水稻紋枯病進行識別。

1材料及圖像預(yù)處理

1.1圖像獲取及運行環(huán)境

使用佳能6D型數(shù)碼相機，在田間自然光照環(huán)境下，采用自動曝光模式獲取水稻紋枯病病害圖像，以JEPG格式進行存儲；然后，通過Photoshop CS軟件去除圖像中的復(fù)雜背景，僅留下圖像中的主要病葉部分；用MatLab自帶的Imresize函數(shù)壓縮圖片成900×600大小。

本文采用算法均在MatLab7.1和VC++6.0混合編程MEX環(huán)境下編程實現(xiàn)，試驗所用計算機的配置為：Intel Core Q6700 2.66GHz中央處理器、4G內(nèi)存、Windows XP操作系統(tǒng)。

1.2病斑圖像預(yù)處理

由于后續(xù)的病斑分割不涉及圖像的顏色信息，因此把彩色圖像轉(zhuǎn)換成灰度圖像后再進行分割處理，可以降低數(shù)據(jù)處理量，提高處理速度。為了較好地比較預(yù)處理結(jié)果，將原始彩色圖像全部轉(zhuǎn)成灰度圖像，使RGB模型中的R=G=B=Gray，即灰度化處理。本文提取水稻紋枯病病害圖像的紅色(R)、綠色(G)、藍色(B)分量，結(jié)果如圖1所示。

圖1　彩色圖像轉(zhuǎn)換成灰度圖像

由圖1可以看出：R分量得到的灰度圖像顏色太暗，G分量得到的灰度圖像顏色太淺，而B分量得到的灰度圖像中病斑部位與葉片正常部位的對比最為明顯，病斑邊緣比較清晰，便于后續(xù)處理。所以，本文采用B分量提取的灰度圖像。

實際采集的多數(shù)水稻紋枯病圖片存在噪聲和病斑邊緣模糊的特點，選用能夠突出邊緣細節(jié)的濾波器。因此，本文比較了空間域?qū)D像進行平滑處理的3種方法：均值濾波法、高斯濾波法、中值濾波法。試驗結(jié)果表明：中值濾波法效果最好。實際操作時，采用3×3模板的中值濾波可對圖像進行增強。

在水稻病害圖像分割過程中，嘗試了傳統(tǒng)的最大類間方差法(OTSU)[7]及改進的圖切割圖像分割算法[8]，發(fā)現(xiàn)后者算法的分割效果較好，如圖2所示。

圖2　圖像分割結(jié)果比較

2病斑特征提取及降維

2.1顏色特征提取

作物葉部受到病菌侵染時，多數(shù)會產(chǎn)生病斑，即對應(yīng)的受損區(qū)域不再是常規(guī)的葉片色。因此，顏色是病斑區(qū)別于正常葉片部位的重要外觀特征，通常進行病害診斷時把顏色作為識別的主要依據(jù)之一。水稻紋枯病又稱云紋病，苗期至穗期都可發(fā)病。其葉鞘染病在近水面處產(chǎn)生暗綠色水浸狀邊緣模糊小斑，后漸擴大呈橢圓形或云紋形，中部呈灰綠或灰褐色，濕度低時中部呈淡黃或灰白色，中部組織破壞呈半透明狀，邊緣暗褐。為了科學(xué)地測定、研究和描述水稻紋枯病病斑顏色，需建立顏色模型。本文采用常用的RGB系統(tǒng)和HIS系統(tǒng)來描述水稻紋枯病病害部位圖像的顏色特征，采用顏色矩方法來進行顏色特征表達，因為該方法能用它的矩表示圖像中的任何顏色分布。由于顏色分布信息主要集中在低階矩中，因此通常采用顏色的一階矩、二階矩和三階矩來表達圖像的顏色分布。

對給定的水稻紋枯病葉片圖像，提取病斑及無病部RGB值和HIS值進行對比試驗(見圖3和圖4)。試驗結(jié)果表明：每種病的病斑部位和正常部位的R、G、B值和H、I、S值都有明顯不同，并且每種病都有自己的特點。因此，顏色特征可以作為辨別病害種類的依據(jù)。在RGB系統(tǒng)中，藍色通道下病斑顯示最為清晰，轉(zhuǎn)換到HIS系統(tǒng)中，將RGB三體的灰度值轉(zhuǎn)換為色調(diào)值H，可以把顏色特征從三維降到一維，達到降低特征空間維數(shù)而又不丟掉顏色信息的目的。提取H色調(diào)值，又可以減少光照對圖像的影響，所以本文選取B和H通道下的一階矩、二階矩和三階矩6個顏色特征作為識別特征向量。

圖3　水稻紋枯病病斑與無病部R/G/B比較

圖4　水稻紋枯病病斑與無病部H/S/I比較

2.2紋理特征提取

針對作物病害圖像來說，葉片正常組織與病變部位的紋理在粗細、走向上都有很大差別，因此可以利用紋理特征進行病害識別。相比其它方法，灰度共生矩陣(Gray Level Co-occurrence Matrix，GLCM)特征能夠更好地突出圖像的紋理信息，大量應(yīng)用于將灰度值轉(zhuǎn)化為紋理信息[9]。因此，本文采用灰度共生矩陣特征進行紋理分析。

給定一幅灰度圖像f(x,y)，圖像大小為L×H，圖像灰度級為G，則圖像的灰度共生矩陣的元素可表示為P(i,j,d,θ)，即圖像中灰度值分別為i、j的像素對出現(xiàn)的個數(shù)，可定義為

P(i,j,d,θ)=#{[(x1,y2),(x2,y2)]∈

其中，P(i,j,d,θ)表示矩陣第i行j列元素，(i,j)∈G×G；d、θ分別表示像素對間的距離和角度；#(x)表示集合x中的元素個數(shù)；#(M×N)為圖像中像素對的總個數(shù)。

本文中構(gòu)造的紋理特征有能量特征、對比度特征和熵特征，具體如表1所示。

表1　紋理特征參數(shù)

3基于SVM的分類識別

3.1SVM介紹

SVM本身是一種有監(jiān)督的學(xué)習(xí)算法，在處理模式識別問題時能夠發(fā)揮自己的優(yōu)勢，如能夠解決小樣本、非線性和高維數(shù)問題，擁有全局最優(yōu)解，泛化性能強，無需先驗知識等，現(xiàn)多數(shù)應(yīng)用于模式識別、函數(shù)擬合等方面。由于受到季節(jié)和病害發(fā)生情況的影響，田間直接獲取的水稻紋枯病病害圖像的樣本數(shù)量相對較少(即小樣本問題)，同時該分類又是一個非線性模式識別問題，因此本文選用SVM分類器。這樣，既可以保證較高的識別率，又會盡量減少存儲空間和計算時間。

SVM的關(guān)鍵在于核函數(shù)，低維空間向量集通常難于劃分，解決的方法是將它們映射到高維空間；但這個辦法帶來的困難就是計算復(fù)雜度的增加，而核函數(shù)正好巧妙地解決了這個問題。也就是說，只要選用適當?shù)暮撕瘮?shù)，就可以得到高維空間的分類函數(shù)。采用不同的核函數(shù)將導(dǎo)致不同的SVM算法。針對非線性問題，SVM分類時常用的核函數(shù)如下：

1)多項式核函數(shù)為

k(x,y)=[s(x·y)+c]d

2)徑向基核函數(shù)為

(3)Sigmoid函數(shù)為

k(x,y)=tanh[s(x·y)+c]

其中，s、c、d、γ均是參數(shù)。

本文采用Lib-SVM[10]對提取的特征數(shù)據(jù)進行分類訓(xùn)練和測試。Lib-SVM是臺灣大學(xué)林智仁(Chih-Jen Lin)博士等開發(fā)的一套通用支持向量機軟件包，提供了多項式、徑向基、Sigmoid函數(shù)、線性4種常用的核函數(shù)，可以有效地解決多類分類問題。

采用本文設(shè)計的樣本進行訓(xùn)練，分類方法采用C-SVC，基于懲罰函數(shù)的SVM進行分類，核函數(shù)選用徑向基函數(shù)，通過使用Lib-SVM提供的grid.py模塊，自動確定懲罰因子和徑向基函數(shù)中g(shù)amma值的最佳參數(shù)，通過訓(xùn)練取得模型。

3.2結(jié)果分析

選擇50幅水稻紋枯病、50幅健康水稻作為訓(xùn)練樣本，另外各30幅作為測試樣本進行試驗。選擇徑向基核函數(shù)來訓(xùn)練分類器,以基于單一顏色特征參數(shù)的分類識別、基于單一紋理特征參數(shù)的分類識別及基于顏色+紋理組合特征參數(shù)的分類識別3種方式進行對比，識別結(jié)果如表2所示。

表2　試驗結(jié)果

4結(jié)論

1)對采集的水稻病害圖像進行處理，然后提取顏色和紋理特征，并利用支持向量機方法進行識別。結(jié)果表明：提出的顏色特征、紋理特征及兩者結(jié)合的方法對水稻紋枯病進行識別是有效的；利用SVM方法針對小樣本量的水稻紋枯病識別具有較好的效果。

2)對基于單一顏色特征參數(shù)的分類識別、基于單一紋理特征參數(shù)的分類識別及基于顏色+紋理組合特征參數(shù)的分類識別3種方法進行了對比，結(jié)果表明：基于顏色+紋理組合特征參數(shù)的分類識別準確率達到95%，比基于單一顏色特征參數(shù)的分類識別、基于單一紋理特征參數(shù)的分類識別效果好。

參考文獻：

[1]Vapink V N． The nature of statistical learning theory[M].Beijing:Tsinghua University Press，2000．

[2]Cristiaini N，Taylor J S． An introduction to support vector machines and other kernel-based learning methods[M].Beijing: Publishing House of Electronics Industry，2004．

[3]田有文，牛妍.支持向量機在黃瓜病害識別中的應(yīng)用研究[J].農(nóng)機化研究，2009，31(3)：36-39.

[4]劉君，王振中，李寶聚，等. 基于圖像處理的作物病害自動識別系統(tǒng)的研究[J].計算機工程與應(yīng)用，2012，48(13)：154-158.

[5]余秀麗，徐超，王丹丹，等．基于SVM 的小麥葉部病害識別方法研究[J].農(nóng)機化研究，2014，36(11)：151-155,159.

[6]劉濤，仲曉春，孫成明，等.基于計算機視覺的水稻葉部病害識別研究[J].中國農(nóng)業(yè)科學(xué)，2014，47(4)：664-674.

[7]Otsu N. A Threshold Selection Method from Gray Level Histogram[J].IEEE Trans on System Man and Cybernetics，1979，9(1)：62-66.

[8]吳娜，李淼，陳晟，等.基于融合多特征圖切割的作物病害圖像自動分割[J].農(nóng)業(yè)工程學(xué)報，2014，30(17)：212-219.

[9]柴阿麗. 基于計算機視覺和光譜分析技術(shù)的蔬菜葉部病害診斷研究[D].北京：中國農(nóng)業(yè)科學(xué)院，2011.

[10]朱愛紅，趙帥，毛民樑.基于LIB-SVM的項目文本自動分類系統(tǒng)研究[J].微計算機信息，2011，27(4)：13-15.

Abstract ID:1003-188X(2016)06-0084-EA

Recognition of Rice Sheath Blight Based on Image Procession

Yuan Yuan1， Chen Lei1， Wu Na1,2， Li Miao1

(1.Institute of Intelligent Machines, Chinese Academy of Sciences, Hefei 230031, China; 2.School of Information Science and Technology, University of Science and Technology of China, Hefei 230026, China)

Abstract：Recognition method of rice sheath blight based on SVM was presented for the purpose of achieving the automatic detection of the rice diseases. Firstly, R component and median filter are used for image pre-processing. Secondly, the improved graph cut method is used to segment the lesion. Thirdly, the color and texture features of lesions are extracted. Finally, the rice sheath blight are classified by support vector machine. The results show that the first two methods are more suitable for the evaluation of segmentation of crop disease images in the four methods. The results show that the recognition accuracy rate reaches 95%, which meet the needs of practical applications. The results of the paper lay a foundation for realization of the automatic diagnosis of rice diseases.

Key words：rice sheath blight; image recognition; disease diagnosis; Support Vector Machine

文章編號：1003-188X(2016)06-0084-04

中圖分類號：S431.11；TP391.41

文獻標識碼：A

作者簡介：袁媛(1981-)，女，安徽肥東人，助理研究員，博士，(E-mail)ahhfyy@gmail.com。通訊作者：李淼(1955-)，女，安徽廬江人，研究員，博士生導(dǎo)師，(E-mail)mli@iim.ac.cn。

基金項目：國家“863計劃”項目(2013AA102304)

收稿日期：2015-05-22