基于特征融合與局部判別映射的蘋果葉部病害識別方法

李 超，彭進業，張善文

（1.西北大學信息科學與技術學院，陜西 西安 710127；2. 西京學院信息工程學院，陜西 西安 710123）

基于特征融合與局部判別映射的蘋果葉部病害識別方法

李 超1，彭進業1，張善文2

（1.西北大學信息科學與技術學院，陜西 西安 710127；2. 西京學院信息工程學院，陜西 西安 710123）

針對利用植物病害葉片圖像特征識別病害類別的復雜性，提出一種基于特征融合與局部判別映射的植物葉部病害識別方法。首先，在中心對稱局部二值模式（CS-LBP）的基礎上，設計了一種自適應中心對稱局部二值模式（ACS-LBP），由此分割病害葉片的病斑圖像；然后提取并融合病斑圖像的紋理、形狀和顏色特征；再利用局部判別映射算法對融合特征進行維數約簡；最后利用支持向量機進行病害類別分類。在3種常見蘋果病害葉片圖像數據庫上進行病害識別驗證試驗，結果表明，該方法能夠有效識別蘋果葉部病害，平均識別率高達96%以上。

植物病害識別；特征融合；自適應中心對稱局部二值模式（ACS-LBP）；支持向量機（SVM）；改進局部判別映射（LDP）

多年來，我國植物病害主要依靠植保專家和農民目測及經驗進行識別。人工識別勞動強度大、效率低，且識別結果具有很強的主觀性，也不適用于大面積植物病害檢測和識別。隨著計算機軟硬件技術和圖像處理技術的不斷發展，出現了很多基于圖像處理的植物葉部病害自動識別方法［1-3］。Wang等［4］根據植物病害葉片圖像的特點，首先采用矢量中值濾波去除葡萄病害葉片圖像噪聲，然后提取其紋理特征和顏色特征，最后利用核函數K均值聚類方法識別病害。馬曉丹等［5］綜合運用計算機數字圖像處理技術與人工神經網絡（ANN）技術，建立了一個多層BP神經網絡，實現了大豆葉片病斑的自動識別。李乃祥等［6-7］通過計算機視覺技術采集不同區域的植物圖像，對植物病斑情況進行有效識別。胡祝華等［8］設計了一套農作物病害管理系統，通過該系統實現了農作物病蟲害的遠程數據采集、自動監控、智能檢測和遠程管理，從而可以精準分割和識別農作物生長過程中的葉部病斑和病害類別。病害葉片的病斑分割是病害識別方法的關鍵步驟，病斑分割效果的好壞直接影響病害的識別率［9-10］。由于病害葉片圖像的復雜性，使得很多學者都致力于病斑圖像分割和特征提取方法研究。從已有的文獻可以歸納出幾十種病斑分割方法和從一幅葉片圖像中能夠提取出上百種病害分類特征。目前還沒有比較普遍使用的分割方法，而且由于很多特征組成的特征向量是非線性數據，因此利用經典的主成分分析、小波分析、遺傳算法、粗糙集等特征選擇方法，很難選擇出少量對分類貢獻較大的特征。流形學習是目前非線性數據維數約簡的一種有效算法，已被成功應用于人臉識別［11-12］和植物物種識別中［13-14］。在以上文獻分析和局部二值模式［15-16］的基礎上，本研究提出一種基于特征融合與局部判別映射的蘋果葉部病害識別方法，并在3種常見蘋果病害葉片圖像數據庫上進行了驗證。

1 自適應中心對稱LBP

經典的LBP算法將鄰域作為處理單元，以任一像素為中心，將該像素的灰度值gc作為閾值，比較鄰域中像素的灰度值gi（i =0，1，2，…P）與gc：若gi＞ gc，則gi=1；否則gi=0。再進行加權求和，得到中心像素gc的LBP值：

由于LBP直方圖隨著半徑R的增大和鄰域像素點P的增加，直方圖的維數會顯著增高，計算量增大，因而降低后續識別算法的效率。CS-LBP能夠大幅度降低直方圖的維數［17］。本研究針對病害葉片圖像的復雜多樣性特點，在CS-LBP的基礎上，提出了一種自適應CS-LBP算法（ACS-LBP），對病害葉片圖像進行分割，并由此提取病斑圖像的紋理特征。該方法能夠根據圖像的特點，更加真實地反映病斑圖像中紋理細節。每個像素的ACSLBPP，R值為：

二維數據ACSLBPP，R（x，y）為分割出的病斑灰度圖像。λ由實驗估計，一般取值0.01。

2 病害葉片特征提取

不同類型病害使得植物病害葉片圖像的病斑顏色、紋理和形狀各不相同。因此，首先利用ACS-LBP分割每幅病害葉片圖像得到病斑圖像，然后提取病斑圖像的顏色、紋理和形狀

特征，組成特征向量，用于病害類別識別。

2.1 紋理特征

利用LBP算法能夠得到病斑圖像的具有旋轉不變性的紋理特征［17］。將分割出的每幅病斑圖像等劃分為8×8=64個子塊，分別計算每個子塊的直方圖，記為Vi（i=1，2，…64）。然后計算每個子塊的信息熵：式中，Pij為第i個子塊圖像中第j灰度級出現的概率，L為Vi的灰度級。

再對直方圖進行加權依次連接，得到原圖像的紋理加權特征向量V：

V=［a1V1，a2V2，…a64V64］

后續試驗中，ACS-LBP采用中心對稱圓形鄰域，半徑為1，鄰域數為8，因此，L=15，得到的紋理特征為8×8×15=960維。

2.2 形狀特征

葉片病斑圖像的縱橫軸比、矩形度、球狀性、圓形度、偏心率、周長凹凸比、面積凹凸比和形狀參數以及7個Hu不變矩參數共15個特征能夠描述病斑圖像的幾何特征，而且這些特征受病害變化較慢。將這些特征作為病害識別的形狀特征，依次分別表示為：

以上8個特征組成特征向量記為S。

Hu不變矩具有旋轉、平移和尺度不變性。選擇Hu不變矩作為病害分類特征，可以體現植物病斑圖像穩定的形狀特征。對ACS-LBP病斑圖像，提取7個不變矩參數，記為H=［1，2，…7］，計算公式略。

2.3 顏色特征

葉片癥狀的顏色特征是病害類型識別的重要特征。ACS-LBP病斑圖像為灰度圖像，將ACS-LBP病斑圖像轉換為二值化圖像，然后與病害葉片原圖像進行異或運算，得到彩色病斑圖像。提取該圖像的R、G、B顏色成分和H色調成分，再分別計算R、G、B和H的均值、方差、偏度、峰值、能量、熵共6×4=24個特征［18］，得到的特征向量記為C。

2.4 特征融合

由以上得到的特征組成一個特征向量：x =［V，S，H，C］

x的維數為960+15+24=999。可以看出，本研究得到的特征向量的維數過高，不利于分類器訓練和實際病害識別系統的實時性要求。本研究利用局部判別映射算法進行維數約簡。

3 局部判別映射算法

經典局部保持映射算法（LPP）是一種無監督流形學習算法［19］，沒有有效利用數據的類別信息。申中華等［20］在LPP的基礎上，提出了監督LPP算法（SLPP），該算法需要構建兩個鄰域圖，降低了算法的運行效果。本研究在LPP和SLPP的基礎上，提出一種局部判別映射算法（LDP），由此對病害葉片圖像特征進行維數約簡。

設C類n個高維樣本點X =［ x1，x2，…，xn］RD×n，由LDP算法對X約簡后的低維樣本點為Y =［ y1，y2，…，yn］∈Rd×n，即Y=ATX，

d＜＜D，A為映射矩陣，LDP算法的基本步驟描述如下：

（1）利用K-最近鄰準則構建近鄰關系圖G=（V，H），若任意兩個樣本點在G上是互近鄰的，則連接這兩點。任意兩點之間連線的權值定義為：

式中，yi=ATxi，A為映射矩陣。

式中，L為Laplacian矩陣，且L=M-W，W={Wij}，M為一個對角矩陣，其元素為W的行或列和，即Mii=∑jWij。

為求解最佳映射矩陣A：

映射矩陣A由最小特征值問題的d個最小特征值對應的特征向量ai（i =0，1，…d-1）組成。

LDP算法通過求解施加吸引力Wij的目標函數最小值來保證觀察空間中任意兩個同類近鄰樣本點xi和xj投影后在低維空間中對應的樣本點yi和yj也是最近鄰點。

對于任意一個高維樣本x，由映射矩陣A得到低維映射y為：

y = ATx

4 實證分析

為了表明本研究提出植物病害識別方法的有效性，在陜西楊凌蘋果園區蘋果的斑點落葉病、花葉病和銹病3種常見病害葉片圖像數據庫上進行病害識別實證分析。圖像處理軟件采用Matlab7.0。本研究利用ACS-LBP分割病害葉片圖像，提取分類特征，利用LDP約簡分類特征，利用SVM分類器分類識別病害。試驗中采用5折交叉驗證法進行病害識別，即將分割后的病斑圖像隨機劃分成5份，每次劃分的4份共144幅作為訓練樣本訓練SVM分類器；剩余1份共36幅作為測試樣本，用于測試算法的有

效性，共執行5次性能測試，在［0，1］范圍內調整a值，調整SVM的參數，在不同的約簡維數下進行病斑分類，記錄每次識別率的最大值。進行10次這樣的劃分，得到50個最大值，將其平均值作為算法的識別率。

4.1 數據采集

每種病害葉片選擇60幅共180幅圖像（圖1，封三），每幅圖像大小裁剪為768×512。由于利用智能手機或物聯網拍攝的蘋果彩色葉片圖像的病斑與正常葉片圖像之間一般存在對比度不明顯、邊緣模糊等現象以及有噪聲和光照等影響，因此，需要對數字化葉片圖像進行濾波、降噪、增強等預處理［2，9］。

4.2 試驗步驟

基于特征融合和LDP的植物病害識別方法主要步驟為：

（1）利用ACS-LBP對每幅病害葉片圖像進行分割，P=8，R=1，λ=0.01，得到二維數據ACSLBPP，R（x，y），即為分割出的病斑灰度圖像（圖2，封三）；

（2）將每幅病斑圖像劃分為8×8=64個子圖像，利用V=［a1V1，a2V2，…a64V64］ ，提取紋理特征V；

（3）提取每幅病斑圖像的形狀S和Hu不變矩特征H，再提取顏色特征C；然后組成特征向量x =［V，S，H，C］；

（4）利用訓練樣本構建鄰域圖；

（5）利用

計算任意兩點之間的權值，參數β =100［21］。

（7）由y = ATx ，映射待測試樣本到低維特征空間；

（8）利用SVM分類器預測測試樣本的標簽［22］。

4.3 結果與分析

為了驗證本研究病害識別方法ACS-LBP的有效性，對比了ACS-LBP方法與其他4種常用葉部病害識別方法〔包括基于核K聚類方法（KKC）［9］、基于Android平臺（Android）［22］、基于支持向量機（SVM）［23］和基于病斑形狀和神經網絡（SSNN）［24］的葉片病害識別方法〕的識別結果（表1）。上述5種方法均在相同的蘋果病害葉片圖像數據集上進行試驗，而且葉片圖像的預處理以及訓練子集和測試子集的劃分也相同，但各個方法特征提取和選擇的特征數目不同，采用的分類器也不同。從表1可以看出，ACS-LBP方法的識別率最高、識別時間最短。原因是ACS-LBP將病斑圖像進行分塊后，計算每個子塊的信息熵，并以此作為各個子塊的加權系數進行特征提取，考慮了中心像素與周圍像素的大小關系在紋理特征提取中的作用，得到的960維紋理特征能較好地描述粗細紋理特性。再融合病斑圖像的15形狀特征和24個顏色特征，共得到999維分類特征，與其他方法不同的是，沒有對999維特征進行特征提取，而是利用LDP方法進行維數約簡，在低維空間中進行病害葉片分類。

5 結論

本研究提出了一種基于特征融合和局部判別映射的病害識別方法。在該方法中，設計了一

種ACS-LBP病害葉片圖像分割和病斑圖像紋理特征提取方法，再融合了病斑圖像的形狀和顏色特征，再在LPP和SLPP算法的基礎上，提出了LDP方法，由此對病斑圖像的分類特征向量進行維數約簡，最后利用SVM進行病害識別。試驗結果表明，本研究所提出方法有效。該方法能夠應用于針對設施農業或大區域農場的病害遠程自動監控系統，為后續構建完整的病害監控、診斷和防治系統提供了理論基礎。下一步研究重點是將該方法應用于遠程植物葉部病害監控系統中，繼續深入拓展對病害葉片圖像的特征提取、精準識別與診斷系統研究。

表1 蘋果葉片病害識別結果

［1］ 田有文，李成華. 基于統計模式識別的植物病害彩色圖像分割方法［J］. 沈陽農業大學學報，2003，34（4）：301-304.

［2］ Anand H Kulkarni，Ashwin Patil R K. Applying image processing technique to detect plant diseases［J］. International Journal of Modern Engineering Research （IJMER），2012，2（5）：3661-3664.

［3］ Hiary H A，Ahmad S B，Reyalat M，et al. Fast and accurate detection and classification of plant diseases［J］. International Journal of Computer Applications，2011，17（1）：31-38.

［4］ Wang S，He D J，Li W，et al. Plant leaf disease recognition based on Kernel K-means Clustering Algorithm［J］. Transactions of the Chinese Society for Agricultural Machinery，2009，40（3）：152-155.

［5］ 馬曉丹，祁廣云. 基于神經網絡的大豆葉片病斑的識別與研究［J］. 黑龍江八一農墾大學學報，2006，18（2）：84-87.

［6］ 李乃祥，郭鵬，劉同海，等. 一種溫室蔬菜葉部病害圖像自動識別方法，CN103559511A［P］. 2014.

［7］ 李乃祥，郭鵬，王學利，等. 溫室病蟲害遠程智能識別與視頻診斷系統［J］. 中國科技成果，2015（4）：54.

［8］ 胡祝華，趙瑤池. 農業病蟲害智能視頻監控系統的構建和應用［J］. 中國農機化學報，2016（3）：186-190.

［9］ 虎曉紅，李炳軍，席磊. 基于多示例圖的小麥葉部病蟲害分割方法［J］. 農業工程學報，2012，28（13）：154-158.

［10］ 賴軍臣，湯秀娟，謝瑞芝，等. 基于G-MRF模型的玉米葉斑病害圖像的分割［J］. 中國農業科學，2010，43（7）：1363-1369.

［11］ Li B，Huang D S. Locally linear discriminant embedding：An efficient method for face recognition［J］. Pattern Recognition，2008，41（12）：3813-3821.

［12］ Zhang S W，Lei Y K，Dong T B，et al. Label propagation based supervised locality projection analysis for plant leaf classification［J］. Pattern Recognition，2013，46（7）：1891-1897.

［13］ Zhang S W，Lei Y K，Wu Y H. Semi-supervised locally discriminant projection for classification and recognition［J］. Knowl Based Syst，2011，24（2）：341-346.

［14］ Zhang S W，Lei Y K. Modified locally linear discriminant embedding for plant leaf recognition［J］. Neurocomputing，2011，74（14-15）：2284-2290.

［15］ Ojala T，Pietikainen M，Maenpaa T. Multiresolution grayscale and rotation invariant texture classification with local binary patterns［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

［16］ 付蓉，石美紅，徐步高. 基于自適應學習局部二值模式的織物疵點檢測算法［J］. 計算機集成制造系統，2010，16（9）：2009-2015.

［17］ 張潔玉，趙鴻萍，陳曙. 自適應閾值及加權局部二值模式的人臉識別［J］. 電子與信息學報，2014，36（6）：1327-1333.

［18］ 岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統計特征的黃瓜炭疽病和褐斑病的識別研究［J］. 園藝學報，2007，34（6）：1425- 1430.

［19］ He X，Niyogi P. Locality preserving projections［C］. Advances in Neural Information Processing Systems，Vancouver，Canada，2003：585-591.

［20］ 申中華，潘永惠，王士同. 有監督的局部保留投影降維算法［J］. 模式識別與人工智能，2008，21（2）：233-239.

［21］ Li B，Wang C，Huang D S. Supervised feature extraction based on orthogonal discriminant projection［J］. Neurocomputing，2009，73：191-196.

［22］ 王梅嘉，何東健，任嘉琛. 基于Android平臺的蘋果葉病害遠程識別系統［J］. 計算機工程與設計，2015，36（9）：2585-2590.

［23］ 張芳，王璐，付立思，等. 基于支持向量機的黃瓜葉部病害的識別研究［J］. 沈陽農業大學學報，2014（4）：457-462.

［24］ 賈建楠，吉海彥. 基于病斑形狀和神經網絡的黃瓜病害識別［J］. 農業工程學報，2013（S1）：115-121.

（責任編輯 崔建勛）

Apple leaf disease recognition based on feature fusion and local discriminant projection

LI Chao1，PENG Jin-ye1，ZHANG Shan-wen2
（1.Department of Information Science and Technology，Northwest University，Xi’an 710127，China；2. College of Information Engineering，Xijing University，Xi’an 710123，China）

As for the complexity of plant disease recognition by the disease leaf image，a plant disease recognition method was proposed based on feature fusion and local discriminant projection. First，based on the center symmetric local binary pattern（CS-LBP），an adaptive CS-LBP algorithm was proposed. The spot images were segmented by ACS-LBP. The texture，shape and color features were extracted from each spot image and fused，and then were reduced based on local discriminant projection （LDP）. Finally，the diseases were recognized by support vector machine（SVM）. The experiment results on a database of apple disease leaf images showed that the proposed method was effective for apple leaf disease recognition. The average recognition rate was more than 95%.

plant disease recognition；feature fusion；adaptive center symmetric local binary pattern （ACSLBP）；support vector machines （SVM）；local discriminant projection （LDP）

TP391

A

1004-874X（2016）10-0134-06

2016-07-30

國家自然科學基金 (61473237)；陜西省教育廳自然科學研究項目（2013JK887）

李超（1988-），男，在讀博士生，E-mail：378608637@qq.com

張善文（1965-），男，博士，教授，E-mail：wjdw716@163.com

李超，彭進業，張善文. 基于特征融合與局部判別映射的蘋果葉部病害識別方法［J］.廣東農業科學，2016，43（10）：134-139.

植物病害會影響植物的正常生長，要防治植物病害，首先要檢測病害，識別病害類型。葉片是植物中最豐富、占據部位最多、最方便觀察的部分。大部分植物染病后，病害癥狀往往表現

在葉部，使葉片的顏色、形狀、紋理發生變化，表現出萎縮、出現病斑、斑紋分布異常等癥狀，且不同類型病害和不同時期引起的葉部癥狀差異較大。因此，葉片癥狀是基層農林防護人員和農民診斷植物病害發生、判別病害類型及估計病害危害程度的重要依據。