玉米葉片病斑多光譜特征提取及識別方法

李妍++朱景福++羅文博++王孟博++高寒++于成江

摘要：為了更好地防治玉米病害，使用BP神經網絡、L-M算法優化的BP神經網絡和FCM聚類算法對玉米的3種葉片病斑圖像進行識別研究。利用圖像處理技術對采集的圖像進行預處理和閾值分割，提取3個顏色特征、9個紋理特征和7個形狀特征，通過LLE算法降維獲得6維的內在低維流形特征，使用3種算法對提取的特征參數進行識別。結果表明，從識別率和網絡訓練速度2個方面來看，L-M算法優化的BP神經網絡識別率高達98.67%，且訓練速度快，更適合作為玉米葉片病斑圖像的識別算法。

關鍵詞：玉米葉片病斑；圖像處理技術；LM算法；優化；神經網絡；特征；識別

中圖分類號： TP391.4文獻標志碼： A

文章編號：1002-1302（2017）09-0184-03

玉米是我國的主要糧食作物之一，在眾多影響玉米生產的因素中，病斑對玉米產量的影響日趨嚴重。玉米在我國種植范圍廣且種植面積大，防治玉米病害一直是困擾廣大農民的一項重要工作。玉米葉片病斑的種類多樣，本研究針對其中比較典型的矮花葉病、灰斑病和大斑病進行研究。隨著科技的進步和人工智能技術的發展，國內外專家和學者在農作物的病斑自動識別和診斷方面做了大量的工作[1]。其中，Guyer等提取了17個形狀特征對作物進行分類，建立了機器智能視覺系統[2]。Zhang等使用形狀分析和顏色分析2種方法對小麥地的小麥葉片和雜草進行識別[3]。Wang等在葉片重疊和雜質干擾的條件下使用自動標記的分水嶺算法對葉片圖像進行分割，然后對分割好的圖像進行模式識別[4]。目前的識別方法大多數都是提取顏色或形狀等特征，特征單一、數據量少且識別結果不理想。

本研究提出了一種把顏色特征、形狀特征、紋理特征和內在低維流行特征相結合，識別多種玉米葉片病斑特征的分類方法。首先對3種玉米葉片病斑圖像進行采集及預處理，然后提取顏色、形狀、紋理和內在低維流行等特征，最后使用BP神經網絡、L-M算法優化的BP神經網絡和FCM聚類算法對特征參數進行識別分類，取得了很好的識別結果。

1特征提取

1.1玉米病斑圖像采集及預處理

在黑龍江八一農墾大學的試驗田使用SONY DSC-W350D型號的相機在田間拍攝玉米病斑葉片的圖像，相機分辨率設置為640×480，共采集300幅玉米矮花葉病、大斑病和灰斑病的病斑葉片圖像。拍攝完成后，將圖像傳入實驗室的電腦，采用.jpg格式進行保存。為了減少計算量，在保證病斑完整和不影響后期識別效果的情況下，將圖像統一裁剪為131×86像素。由于拍攝時圖像受到了光照、灰塵等噪聲干擾，本研究首先對圖像銳化和中值濾波，消除噪聲的影響，然后進行閾值分割。

由于背景、葉片和病斑占據不同的灰度級，根據灰度級的差異采用3次分割，分別選擇病斑區域、葉片區域和背景區域，計算其顏色均值，根據顏色與病斑、背景、葉片的距離來確定圖像類別，如果是病斑類，就保留下來，其他就歸0。分割圖像如圖1所示。

1.2可視特征提取

特征提取是圖像識別的重要環節，提取的特征參數會嚴重影響后期的識別效果。根據這3種玉米葉片病斑的特點，本研究分別提取3個顏色特征、7個形狀特征、9個紋理特征以及6維內在低維流行特征。

1.2.1顏色特征

顏色特征是一種描述圖像對應的景物表面性質的全局特征，它不受圖像旋轉、平移變化和圖像尺度變化的影響，不同顏色模型的識別效果不同。本研究選用HSV顏色模型，將RGB顏色空間轉化成HSV空間消除拍攝時亮度的影響，轉換公式為

將HSV模型的3個分量完成非均勻量化，首先把H分量分成8份，S、V分量分別分成3份，然后使得3個分量擬合成Lb=9H+3S+V的一維特征值，計算L（其中0≤b≤71），顏色直方圖的每個bin[5]表示L值，再計算L內的像素數量生成72 bin直方圖并提取均值、方差、能量特征參數。

1.2.2形狀特征

在計算機視覺中，形狀特征是由景物與區域特點構成的影像特征，屬于影像的中間層特征。在圖像像素數目一定的前提下，無論圖像旋轉、平移還是改變圖像的尺寸，提取的圖像形狀特征參數都是不變的。本研究采用Hu矩[6]來提取圖像中目標區域的形狀特征參數，定義Hu不變矩是關于圖像區域的7個面積歸一化中心矩的函數，7個面積歸一化中心矩為{η11，η02，η20，η12，η21，η03，η30}，輸入二值化圖像，用零階中心矩對其余各階中心矩進行歸一化，得到圖像的歸一化中心矩，再利用二階和三階歸一化中心矩計算出圖像的7個不變矩。

1.2.3紋理特征

1973年，Haralick等提出在估計圖像的二階組合條件概率密度函數基礎上建立灰度共生矩陣的方法[7]。灰度共生矩陣是描述1對具有灰度值i和j出現概率的像素，它們在θ方向上相隔d像素距離，標記該元素為p（i，j|d，θ），圖像的灰度級決定它的階數[5，8]。本研究采取共生矩陣的計算方法來計算玉米葉片病斑圖像的能量、信息熵、慣性矩、相關性和局部穩定性等參數來表示圖像的紋理特征。

1.3內在低維特征

圖像的維數過高導致計算時處理速度太慢，因此需要對圖像進行降維。本試驗選擇非線性降維中LLE算法[9]提取圖像的內在低維流行特征，LLE算法是由Rowels等提出的一種非線性數據能在降維后保持原有的數據拓撲結構不變的降維技術，該算法可以挖掘出任意高維數據集的低維結構[10]。算法運算步驟：（1）計算出樣本近鄰點個數k；（2）計算出樣本點的局部重建權值矩陣W，定義重構誤差和局部協方差矩陣C，通過最小化得到：

（3）樣本點從高維空間映射到低維空間中，滿足如下映射條件：

輸出值由樣本點的局部重建權值矩陣和它的近鄰點個數決定。根據多次試驗發現，樣本的近鄰點個數為5且降到6維時，效果最佳。

2識別算法

2.1BP神經網絡

BP神經網絡是一種通過理論輸出值和實際輸出值的誤差來調整網絡權值的多層前饋神經網絡，名字源于使用向后傳播學習算法的網絡權值調整規則[11]。其機理是在神經網絡中，由于各層之間的連接權重可以借助誤差反傳算法進行計算，因此權重是神經網絡中最主要的參數。當一個神經網絡模型獲取到輸入和輸出變量之間的映射關系后，就能根據輸入變量預測輸出的結果[12-13]。BP神經網絡的計算過程為利用歷史數據集（xi，yi）m，其中xi表示輸入變量集，可由若干個不同屬性數據構成，yi作為相對應的輸出值，m表示訓練樣本的個數。將歷史數據xi與yi放入神經網絡模型中進行學習，可在輸入和輸出之間建立映射關系，其中xi表示輸入變量集，可由若干個不同屬性數據構成，yi作為相對應的輸出值，m表示訓練樣本的個數。

2.2L-M算法

L-M算法是梯度下降法與牛頓法的一種折中算法，結合了牛頓法的局部收斂性和梯度法的全局特性，有效地解決了神經網絡的收斂問題[14]。L-M優化算法不僅僅沿著負梯度方向迭代，同時能夠使誤差在惡化的方向搜索。L-M算法能夠在最速梯度下降法和牛頓法之間自動地調整網絡權值，有效地收斂網絡并提高網絡的收斂速度。其權值調整公式為：

式中：e表示誤差向量；J表示雅可比矩陣；_表示一個標量。在L-M算法的網絡權值的調整中，隨著_的增加，L-M算法接近于最速下降法，學習速率較小，而_為0時，L-M算法就變成了高斯-牛頓法之間的平滑調和。

2.3FCM聚類

FCM算法[15]是一種目前被廣泛應用的聚類算法。FCM算法的思想是將整個權重的均方差最小化，同一簇內的對象最為相似，不同的簇與簇相似度最小，FCM聚類算法的每個簇內的特征向量是一個0～1之間的模糊值。FCM算法的基本處理過程為：

（a）初始化隸屬度矩陣U，范圍為0～1之間的任意數；（b）計算聚類中心ci= ∑ umikxk∑ umik （i=1，2，…，c）的值，其中uik是元素i相對于類k的隸屬度；（c）計算價值函數Jm=∑mk=1∑ci=umik‖xk-ci‖2 的值，當它小于某個確定的閾值或它相對上次價值函數值的改變量小于某個閾值，則算法停止；（d）按照公式 u（t+1）ik=‖xk-c（t）ii‖-2/（m-1）∑cj=1‖xk-c（t）j‖-2/（m-1）計算新的矩陣U，返回步驟（b）。

3試驗與分析

3.13種算法對病斑分類識別

本研究提取了玉米病斑圖像的3個顏色特征、7個形狀特征、9個紋理特征以及6維內在低維流行特征，選擇其中2個或多個特征自由組合構成特征向量，使用BP神經網絡、L-M算法優化的BP神經網絡以及FCM聚類3種算法對特征向量進行識別。從每種病斑的100幅圖像中隨機抽取75幅圖像作為訓練樣本，其余25幅圖像作為測試樣本。訓練集共225幅圖像，測試集共75幅圖像。訓練集和測試集圖像如圖2、圖3所示。

通過Matlab神經網絡工具箱建立3層BP神經網絡模型，BP神經網絡和L-M優化算法的BP神經網絡算法以自由組合構成的特征向量作為網絡的輸入， 輸出的神經元個數為1個（輸出為1表示矮花葉病，輸出為2表示大斑病，輸出為3表示灰斑病），訓練次數設定為5 000次；FCM聚類算法對特征向量進行聚類分析，隨機初始化劃分矩陣，然后開始迭代，加權指數設置為2，聚合中心數目，即類別數設置為3，經過k輪迭代終止，收斂到一個極小值。

3.2識別結果與分析

采用上述算法對玉米葉片病斑圖像進行識別分類，得到的正識率如表1所示。由表1可知，L-M算法優化的BP神經網絡和BP神經網絡算法的識別率明顯高于FCM聚類算法。2種神經網絡算法對形狀、紋理和內在低維流行特征組合構成的特征向量識別率為98.67%，對顏色、形狀和內在低維流行特征組合構成的特征向量識別率為98.67%，對顏色、形狀、紋理和內在低維流行特征組合構成的特征向量識別率為98.67%。

雖然2種神經網絡算法的最好識別率相同，但是這2種算法的訓練性能卻有很大的差異。BP神經網絡沿局部改善的方向逐漸調整網絡權值，使算法的權值收斂到局部極小點，導致網絡訓練失敗；由于優化的目標函數較復雜，權值誤差改變小，使訓練過程幾乎停頓，導致BP神經網絡算法收斂速度慢。L-M算法優化的BP神經網絡在201步訓練后達到目標，收斂速度快；而BP神經網絡在5 000步訓練后也沒有達到目標。BP神經網絡與L-M算法優化的BP神經網絡相比，BP神經網絡訓練收斂速度慢，很難達到設定的目標，易陷入局部極小值，無法得到最優解。L-M算法優化的BP神經網絡訓練性能如圖4所示。

4結論

本試驗以玉米葉片病斑圖像為研究對象，提取了病斑的顏色、形狀、紋理和內在低維流行特征，采用BP神經網絡、L-M算法優化的BP神經網絡和FCM聚類算法對提取的特征向量進行識別，其中BP神經網絡和L-M算法優化的BP神經網絡正確識別率均高達98.67%，但從識別效果和網絡訓練性能2個方面來看，L-M算法優化的BP神經網絡不僅識別精度高，而且能夠根據當前誤差動態地調整學習速率，以加快其誤差收斂速度，并避免出現大幅度振蕩現象。L-M算法優化的BP神經網絡算法更適合作為識別算法應用于此類識別中，有利于后期進一步研究推廣，具有一定的實用性。

參考文獻：

[1]管澤鑫. 基于圖像的水稻病害識別方法研究[J]. 中國水稻科學，2010，24（5）：497-502.

[2]Guyer D E， Miles G E， Gaultney L D， et al. Application of machine vision to shape analysis in leaf and plant identification[J]. Transactions of the ASAE，1993，36（1）：163-171.

[3]Zhang N， Chaisattapagon C. Effective criteria for weed identification in wheat fields using machine vision[J]. Transactions of the ASAE，1995，38（3）：965-974.[4]Wang X F， Huang D S， Du J X， et al. Classification of plant leaf images with complicated background[J]. Applied Mathematics & Computation，2008，205（2）：916-926.

[5]Bradski G R， Kaehler A. Learning OpenCV computer vision with the OpenCV library[M]. California：OReilly Media，2008.

[6]岡薩雷斯. 數字圖像處理[M]. 2版. 阮秋琦，阮宇智，譯. 北京：電子工業出版社，2003.

[7]Haralick R，Shanmugan K，Dinstein I.Textural features for image classification[C]. System Man & Cybernetics IEEE Transactions on，1973，3：610-621.

[8]方如明，蔡健榮. 計算機圖像處理技術及其在農業工程中的應用[M]. 北京：清華大學出版社，1999.

[9]杜春. 基于改進局部切空間排列的流形學習算法[J]. 電子與信息學報，2014，36（2）：277-284.

[10]Rowels S T， Saul L K. Nonlinear dimensionality reduction by local linear embedding[J]. Science，2000，290（5500）：2319-2323.

[11]田華，石圣羽. 基于不變矩特征及BP神經網絡的圖像模式識別[J]. 河北大學學報（自然科學版），2008，28（2）：214-217.

[12]張雨濃，勞穩超，丁瑋翔，等. 基于ARIMA與WASDN加權組合的時間序列預測[J]. 計算機應用研究，2015（9）：2630-2633.

[13]Chen Y， Yi Z C. The BP artificial neural network model on expressway construction phase risk[J]. Systems Engineering Procedia，2012（4）：409-415.

[14]Lera G， Pinzolas M. Neighborhood based Levenberg-Marquardt algorithm for neural network training[J]. IEEE Transactions on Neural Networks，2002，13（5）：1200-1203.

[15]鈕永莉，陳水利. 模糊C均值算法的改進[J]. 模糊系統與數學，2004，18（9）：304-308.