基于自適應學習局部二值模式的蘋果葉部病斑分割與檢測

張善文， 彭進業， 李 超

蘋果是最常見的水果之一，果實球形、味甜、口感爽脆，且含有豐富的營養，是世界四大水果之冠。蘋果是一種低熱量食物，產熱量2 511.6 J/g。蘋果中營養成分可溶性大，易被人體吸收，故有“活水”之稱，其有利于溶解硫元素，使皮膚潤滑柔嫩。近年來，蘋果病害嚴重影響了蘋果的產量和質量，對蘋果造成危害的病害達20多種，其中有嚴重危害的病害10多種。蘋果病害比較嚴重的有蘋果樹腐爛病、白粉病、褐斑病和花葉病。目前，蘋果早期落葉病大面積發生，而且相當嚴重，秋季9月份落葉率80%以上，重者高達95%及以上，該病害對蘋果的產量、品質影響較大。由于環境遭到破壞，使得蘋果病害的發生種類繁多、癥狀復雜，具有流行速度快、危害情況嚴重、危害期長、損失大等顯著特點。人們通常在蘋果表面噴灑農藥防治病害，但該方式往往會造成蘋果農藥殘留超標、對周圍的環境造成一定的破壞，也容易錯過治理病害的最佳時機，不能達到徹底治理病害的目的。由于蘋果遭受病害時，一般在葉片表面出現異常的病斑顏色和病斑紋理，因此可以通過蘋果葉片顏色和紋理的變化來識別病害[1-2]。多年來，我國主要依靠果農和植保專家的經驗進行作物病害識別。該方法勞動強度大、效率低，檢測結果具有很強的主觀性，對蘋果病害的危害程度很難做出定量、正確地分析和判斷，也不適用于大面積蘋果病害檢測。近年來，出現了很多基于圖像處理的作物葉部病害檢測方法[3-6]。馬曉丹等綜合運用計算機數字圖像處理技術與人工神經網絡技術，建立了一個多層BP(back propagation，BP)神經網絡，實現了大豆葉片中病斑的自動識別與特征計算[7]。隨著計算機軟硬件和網絡技術的發展以及圖像處理、模式識別等技術的發展，開發快速、有效、可靠、實時的作物葉部病害遠程診斷、檢測系統成為可能[8-9]。通過物聯網技術設計作物病害識別系統，能夠實現植物病害的遠程報警，解決大田作物病害的防治問題，克服傳統智能識別方法中不能對區域進行計算機遠程智能控制的缺陷。該系統一般包含3個子系統：病害診斷專家系統、病害葉片圖像識別系統、病害專家會診系統[10-11]。目前，很多病害診斷、識別系統能夠利用圖像處理及分析系統對病害葉片圖像進行分析、處理，獲取作物病害葉片圖像的數字化特征值，建立作物病害的主要數字化特征庫；運用網絡、通信和物聯網技術能夠開發作物病害遠程自動診斷與識別軟件系統[12-14]。可以根據用戶提供的病害田間危害癥狀，利用系統推理機制進行病害智能診斷，提供病害的詳細特征和防治建議。隨著安卓智能手機以及3G、4G網絡在農村的普及，利用智能手機拍攝圖片上傳給信息中心進行遠程識別成為可能。農民可以將拍攝到的病害葉片數碼照片上傳到遠程識別系統，該系統依據圖像中記錄的病害葉片特征，對病害進行診斷識別[15]。康志亮等針對危害較為嚴重的蘋果斑點落葉病、銹病和花葉病，設計了一種基于安卓平臺的遠程作物病害識別系統框架以及手機和服務器間信息傳輸的病害識別系統[16]，該系統為指導果農進行科學防治提供了便捷途徑。

事實表明，蘋果葉部病害識別方法和系統的關鍵問題是病害葉片病斑的檢測。但由于病害葉片圖像及其病斑圖像的復雜多樣性，目前還沒有特別有效的檢測和處理方法。為了能夠檢測到病害葉片病斑，本研究提出一種基于自適應學習局部二值模式(adaptive learning local binary pattern，簡稱ALLBP)的蘋果病害葉片病斑檢測方法，該算法根據病斑圖像紋理結構特征，自適應地選擇中心對稱模式構建模式集，根據該模式集所提取的特征能夠準確地描述病斑的紋理特征。本研究中在蘋果病害葉片圖像數據庫上的試驗結果也表明了該方法的有效性。

1 相關研究基礎

局部二值模式(local binary pattern，簡稱LBP)[17-19]將鄰域作為處理單元，以中心像素的灰度值作為閾值，對比鄰域中像素的灰度與中心像素的灰度值，若鄰域像素的灰度值大于中心像素的灰度值，則該鄰域像素值為1，否則為0；再將鄰域像素轉換為一串0和1的二進制序列；最后將該二進制序列轉換為十進制數，作為中心像素的LBP灰度值(LBPP,R)，其公式如下：

(1)

為消除旋轉對LBP的影響，使用公式(2)得到旋轉不變的局部二值模式(rotation invariant local binary pattern，簡稱RILBP)[20-21]：

(2)

式中：Cir(X,i)為二進制序列X向右旋轉i(i=1，2，…，P-1)次；RILBPP,R為中心像素的RILBP值。

公式(2)表示一個標準LBPP,R算子旋轉P-1次后從中選擇最小的十進制值作為該點的LBP值。由公式(2)得到的RILBPP,R具有旋轉不變性。與LBP相比，RILBP的計算復雜程度沒有降低。為了降低LBP得到的特征維數，提高計算效率，有學者提出了均勻局部二值模式(uniform local binary pattern，簡稱ULBP)[22-23]。設U表示LBP算子中0～1之間的變化次數，若在1個LBP算子中0～1變化不超過2次，則稱其為均勻LBP，用鄰域中1出現的次數作為中心像素的ULBP值；否則，統一使用P+1作為中心像素的ULBP值。

針對經典LBP刻畫圖像的紋理過于精細且該紋理描述具有維數較高和占用空間大等問題，有學者在LBP算子的基礎上提出了中心對稱局部二值模式(center-symmetric local binary pattern，簡稱CS-LBP)，其公式如下：

(3)

與LBP和RILBP相比，CS-LBP算子編碼得到的二進制串長度變為LBP算子的一半，特征維數隨之降低，因此有效減少了存儲空間。LBP和CS-LBP的基本結構如圖1所示。

在實際應用中，為了保證均勻模式能夠對圖像紋理具有一定的代表性，增加了一個比較嚴格的條件，即均勻模式的發生概率必須占所有模式發生概率的90%以上。但蘋果病害葉片圖像的紋理特征多種多樣，對于包含有復雜形狀的病害葉片圖像，盡管這些形狀蘊含了主要紋理特征信息，但由于不滿足ULBP中的條件，所以都被統一歸入非均勻模式、不被考慮為病斑圖像的特征，因此這些模式所蘊含的紋理信息也隨之失去，這影響了病斑圖像的檢測效果。因此，ULBP不適合復雜病害葉片圖像紋理特征的描述。

亳文化譯介基于譯介學理論、功能翻譯理論等，突破傳統語碼轉換式的翻譯方法[5]，突出地域文化特色，領會把握其精神內涵，以異質文化的多元視角審視亳州地域文化，用最恰當的表達方式對其進行譯介與國際傳播，把亳文化和其它區域文化相結合、相比照，大力推進亳文化與世界文化的對接，從而提升亳文化的國際影響力，助推中國文化“走出去”戰略和“一帶一路”倡議的實施。

2 蘋果病害葉片的病斑檢測

原始LBP、ULBP和CS-LBP算法都是對整個圖像進行處理，沒有區別對待圖像中的不同區域。而實際病害葉片圖像中病斑分布在葉片中的不同區域。假設將病害葉片圖像劃分為若干個小區域，若有的區域病斑較為豐富，應該增強該區域，突出病斑圖像；而病斑細節較為稀少或沒有病斑的區域應忽略，這樣得到的特征更能反映病害葉片圖像病斑特征的變化情況。基于這個思想，針對病害葉片圖像的特點，在以上LBP及其改進算法的基礎上，提出一種自適應學習局部二值模式(adaptive learning local binary pattern，簡稱ALLBP)，并應用于病斑圖像分割中[21，23]。ALLBP的目的是尋找最優的特征模式集，進而估計中心像素值。

2.1 將原始彩色病害葉片圖像灰度化，再劃分為若干個子塊

針對病斑圖像的特點，利用圓形鄰域作為ALLBP的處理單元。如圖2所示，P=8、R=1，中心像素值為58，鄰域像素平均值為66.125。若取公式(3)中的閾值T=1，比較中心對稱像素對以及中心像素與鄰域像素平均值，得到1個二進制字符串01010，十進制為10，即中心像素值的ALLBP值為10。

2.2 閾值確定

在很多紋理特征提取方法中，公式(3)中閾值T選取為計算中心像素鄰域內所有像素點的平均值，將該平均值的t%設為閾值T，可以通過一系列試驗獲得參數t的最終值。本研究根據病害葉片圖像自身特點自適應選取公式(3)中的閾值T。設有M幅同類蘋果病害葉片圖像，將每幅圖像劃分為N個子塊，進行CS-LBP特征求和平均，得到該類病害葉片圖像的參考特征向量。

(4)

式中：Bij(k)為第i個訓練樣本中第j個子塊的CS-LBP算子；M為同類蘋果病害葉片圖像幅數；N為每幅圖像劃分的子塊數；k表示第k個像素。

蘋果病害葉片圖像經過計算得到參考特征A(k)和M×N個子塊的每個子塊特征的Bij(k)后，采用卡方檢驗法估計閾值，將Bij(k)與整幅葉片圖像的CS-LBP算子A(k)進行差異度比較：

(5)

式中：G是ALLBP特征所選擇的模式數。

T=max[K(i)](i=1，2，…，N)。

(6)

2.3 病斑區域圖像增強

由于選取自適應加權系數時，一般情況下，1幅病害葉片圖像中不同子塊包含的病斑信息量不同。病斑紋理豐富的區域包含的信息量較大，反之包含的信息量較小。若不加區分地對待不同的病害葉片圖像的不同區域，則會降低病斑圖像的分割效果，影響后續的病害識別率。信息熵反映圖像中信息量的大小，信息熵越大，表明紋理細節越豐富；反之，紋理細節越稀少。因此，通過信息熵可以增強區域病斑圖像。

設圖像分為N個子塊，則第i個子塊Vi的信息熵表示為

(7)

式中：pij表示第i個子塊圖像中第j個灰度級出現的概率；L表示Vi的灰度像素級。

子塊的信息熵越大，表示賦予它越大的權重，則第i個子塊的增強權重系數αi(i=1,2,…,N)定義為

(8)

第i個子塊的灰度值乘以αi，得到增強圖像。

2.4 病斑檢測

在病害葉片病斑檢測過程中，為提高檢測的準確率，將待檢測的葉片圖像分割成重疊的、大小相同的子塊。子塊移動的步長越小、重疊區域越多，葉片病斑檢測的準確率就越高，但計算時間也隨之增加。考慮到檢測精度和實時性的要求，本研究采用W/4作為移動步長，W為子塊的大小。假設D是當前葉片病斑圖像子塊的加權ALLBP值，再利用公式(5)計算D與A的差異度K，然后將K與閾值T進行比較：若K>T，則判定該子塊有病斑，將該區域設置為白色；否則沒有病斑，將該區域設置為黑色。

3 結果與分析

為了表明本研究提出的ALLBP方法的有效性，在陜西省楊凌市蘋果園區對蘋果的斑點落葉病、花葉病、銹病3種常見的病害葉片圖像進行病斑檢測試驗。每種病害各選擇10幅圖像，每幅圖像大小裁剪為768×512像素。處理結果見圖3和圖4。

為了檢測本研究中葉片病斑檢測算法的有效性，計算病斑的誤檢率：

(9)

式中：r為葉片病斑檢測錯誤率，r越低，檢測效果越好；Nall為圖像分割后互不重疊的子塊總數；Ef為將無葉片病斑子塊誤檢為有葉片病斑子塊的數量；Ed為將有葉片病斑子塊錯誤判斷為無病斑子塊的數量。

利用ALLBP在斑點落葉病、花葉病和銹病葉片的各10幅圖像上進行病斑檢測試驗。統計葉片病斑檢測算法的誤檢率，并與LBP、CS-LBP的檢測結果進行比較。表1為3類蘋果病害葉片檢測錯誤率平均值。從表1可以看出，本研究方法的病斑錯誤檢測率的平均值低于2.5%。

圖3-c、圖4-b和表1的結果表明，本研究方法的ALLBP取得了較好的檢測修改效果。

表1 3種蘋果葉片病斑檢測錯誤率

4 結論與討論

本研究提出了一種基于LBP及其改進算法的自適應學習CS-LBP的作物病害葉片的病斑檢測方法。該方法使用發生概率高的模式作為特征，從而保證了病斑檢查的準確性。該方法將病害葉片圖像分割為子塊并提取ALLBP后，尋找與參考向量最不相同的檢查差異值作為病斑閾值。試驗結果表明了ALLBP的有效性。該方法能夠應用于針對設施農業或大區域農場的作物病害遠程自動監控系統，為后續構建一個完整的病害監控、診斷和防治系統提供了理論基礎。在本研究基礎上，下一步工作的重點是將該方法應用于病斑特征提取中，繼續深入拓展，對病害的特征提取、精準識別與診斷系統展開研究。

[1]穆亞梅，馬國俊. 基于物聯網的蘋果樹病蟲防治專家系統的設計與應用[J]. 自動化與儀器儀表，2012，10(5)：89-90.

[2]王文山，柳平增，臧官勝. 基于物聯網的果園環境信息監測系統的設計[J]. 山東農業大學學報(自然科學版)，2012，43(2)：239-243.

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

[4]Bankar S，Dube A，Kadam P，et al. Plant disease detection techniques using canny edge detection & color histogram in image processing[J]. International Journal of Computer Science and Information Technologies，2014，52(2)：1165-1168.

[5]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.

[6]Zhang S W，Shang Y J，Wang L. Plant disease recognition based on plant leaf image[J]. Journal of Animal & Plant Sciences，2015，25(3)：42-45.

[7]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

[8]馬浚誠，李鑫星，溫皓杰，等. 面向葉類蔬菜病害識別的溫室監控視頻采集系統[J]. 農業機械學報，2015，46(3)：282-287.

[9]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.

[10]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，2016，37(3)：186-190.

[11]劉寶靜. 基于物聯網視覺的自動農業植物病斑遠程識別[J]. 科技通報，2013，29(4)：85-87.

[12]張佳銳. 基于物聯網的農業蟲害智能監控系統的設計與實現[D]. 長沙：湖南大學，2015.

[13]王 冬. 基于物聯網的智能農業監測系統的設計與實現[D]. 大連：大連理工大學，2013.

[14]胡 凱. 風景園林病蟲害防治物聯網智能處理系統的研究[D]. 南京：南京林業大學，2012.

[15]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.

[16]康志亮，許麗佳，王中成，等. 基于物聯網的智能農業監測系統：CN204740488U[P]. 2015.

[17]韓延彬，尹鍵芹，李金屏. 基于圖元旋轉不變性和相位統計信息的LBP算法在紋理分類中的研究[J]. 計算機學報，2011，34(3)：583-592.

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

[19]Guo Z H，Zhang L，Zhang D. Rotation invariant texture classification using LBP variance (LBPV) with global matching[J]. Pattern Recognition，2010，43(3)：706-719.

[20]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.

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

[22]李歡利，郭立紅，李小明. 基于統計特征中心對稱局部二值模式的虹膜識別[J]. 光學精密工程，2013，21(8)：2129-2136.

[23]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.