馬鈴薯典型病害圖像自適應(yīng)特征融合與快速識(shí)別

肖志云 劉 洪

(內(nèi)蒙古工業(yè)大學(xué)電力學(xué)院， 呼和浩特 010080)

引言

近幾年中國(guó)馬鈴薯種植面積逐年上升，馬鈴薯已成為重要的糧食兼用作物[1]。烏蘭察布市位于內(nèi)蒙古中部，馬鈴薯種植面積占全區(qū)40%左右，享有中國(guó)“薯都”之稱。然而，馬鈴薯生長(zhǎng)環(huán)境復(fù)雜多變，極易遭受病害的威脅。傳統(tǒng)馬鈴薯病害識(shí)別方法多靠人眼判斷，檢測(cè)范圍小，費(fèi)時(shí)費(fèi)力，效率低，難以及時(shí)處理與預(yù)防，導(dǎo)致馬鈴薯減產(chǎn)減量。及時(shí)準(zhǔn)確識(shí)別馬鈴薯病害，并采取相應(yīng)防治措施可有效減少馬鈴薯產(chǎn)量損失。

隨著計(jì)算機(jī)技術(shù)和農(nóng)業(yè)信息化發(fā)展，國(guó)內(nèi)外專家與學(xué)者運(yùn)用機(jī)器視覺(jué)技術(shù)，在農(nóng)作物病害識(shí)別方面進(jìn)行了大量研究[2-6]。PUJARI等[7]對(duì)辣椒、棉花和甘蔗等真菌病害彩色圖像，提取小波域特征，選擇PCA主分量特征[8]，并結(jié)合概率神經(jīng)網(wǎng)絡(luò)模型，識(shí)別率達(dá)86.48%。GULHANE等[9]提取棉花病葉綠色通道特征，通過(guò)PCA降維，KNN分類，取得了95%的識(shí)別率。翟志芬等[10]提取棉花病斑顏色、形狀、紋理等9個(gè)特征，采用樸素貝葉斯分類器，識(shí)別率為90%。濮永仙[11]提取煙草病斑的25個(gè)顏色、形狀、紋理特征，采用雙編碼遺傳算法[12]和支持向量機(jī)法降維到17，按照?qǐng)D像距離相似度分類，取得了較高識(shí)別率。夏永泉等提取小麥葉部病斑的8個(gè)紋理特征和6個(gè)顏色特征，采用SVM識(shí)別模型，獲得了95%的識(shí)別率。李超等[13]提取蘋果葉部病斑顏色、形狀、紋理特征，使用局部判別映射算法[14]進(jìn)行特征降維，并結(jié)合SVM，識(shí)別率較高。

綜上所述，大多研究是在實(shí)驗(yàn)室可控光條件下進(jìn)行的，對(duì)自然條件下的病害研究較少，多數(shù)研究的病害識(shí)別精度與速度不能兼顧。因此，本文將自然環(huán)境下采集的馬鈴薯病害圖像，通過(guò)K-means、Hough變換與超像素算法定位葉片，利用二維Otsu與形態(tài)學(xué)法分割病斑，提取124個(gè)顏色、形狀、紋理特征，選擇13個(gè)自適應(yīng)融合特征，進(jìn)行SVM病害識(shí)別，進(jìn)而提高馬鈴薯病害識(shí)別精度。

1 材料與方法

1.1 馬鈴薯典型病害類型

本文在自然環(huán)境條件下，固定鏡頭采集264幅馬鈴薯病害圖像，并對(duì)采集的圖像進(jìn)行處理，分辨率統(tǒng)一為200像素×220像素。馬鈴薯圖像中，病害類型有早疫病、晚疫病、病毒病，樣本數(shù)量分別為102、114、48，每類病斑有大有小，朝向、位置不同，形狀、顏色有差異，背景復(fù)雜度也不同，如圖1所示。3類病害中，早疫病常發(fā)生于葉內(nèi)、葉緣部位，形狀近似圓形，周圍輪紋同心，顏色呈現(xiàn)暗褐色，邊緣明顯；晚疫病常發(fā)生于葉尖、葉緣部位，呈現(xiàn)萎垂、卷縮姿態(tài)，質(zhì)脆易裂，顏色發(fā)黑發(fā)褐；病毒病常發(fā)生于葉脈、葉柄、葉莖等部位，病斑連接成壞死條斑，葉綠素分布不均，顏色呈濃淡黃綠相間。

圖1 馬鈴薯典型病害類型Fig.1 Types of potato typical diseases

1.2 馬鈴薯病害圖像分割

為快速、準(zhǔn)確提取病斑特征，增強(qiáng)病斑識(shí)別的有效性，需要最大限度地簡(jiǎn)化圖像數(shù)據(jù)，從復(fù)雜背景中分割出病斑區(qū)域。病斑圖像分割包括：葉片與背景分離；病斑分割。

1.2.1葉片與背景分離

首先，馬鈴薯病害圖像在采集過(guò)程中，通常會(huì)受到一定程度的噪聲干擾，選擇HSI顏色空間I通道進(jìn)行中值濾波，達(dá)到較好的清晰效果。利用Lab顏色空間a通道進(jìn)行K-means聚類[15]，得到圖像綠色區(qū)域。通過(guò)區(qū)域填充法與移除小對(duì)象算法，可填滿綠葉內(nèi)部病斑，消除與綠葉顏色相似的背景，形成含內(nèi)部病斑的綠葉圖像。然后，采用腐蝕算子提取綠葉邊界，根據(jù)Hough變換[16]定義

(1)

式中 (x0,y0)——圓心坐標(biāo)

(x,y)——邊界坐標(biāo)

θ——圓心角r——半徑

以每個(gè)邊界點(diǎn)為圓心、半徑r畫圓，選擇相交最多的前10個(gè)點(diǎn)作為潛在圓心，進(jìn)行葉片曲線擬合，最后結(jié)合超像素區(qū)域提取含病斑的完整葉片。其效果如圖2所示。

圖2 葉片與背景分離過(guò)程Fig.2 Process of blade and background separation

1.2.2病斑分割

根據(jù)葉片提取圖像，選擇Lab顏色空間a通道進(jìn)行二維Otsu法分割[17]，可有效抵抗干擾，正確分割，再經(jīng)過(guò)形態(tài)學(xué)處理，實(shí)現(xiàn)病斑完整分割，其結(jié)果如圖3所示。

圖3 馬鈴薯典型病害分割結(jié)果Fig.3 Results of potato typical diseases segmentation

由圖3可以看出，病斑分割還存在少量的欠分割與過(guò)分割情況，但病斑的大部分已經(jīng)分割出來(lái)，效果較好，可用于病斑的特征提取。

1.3 馬鈴薯病害圖像特征提取

1.3.1顏色特征提取

RGB顏色模型是一種通用的面向硬件的模型，其紅、綠、藍(lán)3種分量[18]可表達(dá)豐富的顏色信息，因此，提取病斑R、G、B的均值、方差、三階矩，共計(jì)9個(gè)顏色特征。 HSV顏色模型是人們從調(diào)色板或顏色輪中挑選出來(lái)的彩色模型之一，色調(diào)、飽和度、明度分別表達(dá)色澤、明暗、調(diào)色的顏色信息，故提取病斑H、S、V分量的均值、方差、三階矩，共計(jì)9個(gè)顏色特征。

1.3.2形狀特征提取

幾何區(qū)域描述符[19]度量病斑的幾何屬性，計(jì)算簡(jiǎn)單有效，本文提取病斑二值圖像的面積、周長(zhǎng)、緊湊度、矩形度、延伸率、離散度、區(qū)域密度，共計(jì)7個(gè)特征。中心矩描述了病斑形狀的平移不變性，本文提取3個(gè)二階矩、4個(gè)三階矩，共計(jì)7個(gè)中心矩。Hu不變矩描述了病斑形狀的平移、尺度、旋轉(zhuǎn)不變性，本文提取2個(gè)二階矩、5個(gè)三階矩，共計(jì)7個(gè)Hu矩。

1.3.3紋理特征提取

灰度共生矩陣是基于空間性質(zhì)的一種重要的紋理分析方法，本文提取0°、45°、90°、135°方向上能量、對(duì)比度、熵、相關(guān)性、逆差矩的均值與方差，共計(jì)40個(gè)特征。

小波變換的高低頻圖像低階矩是基于頻域性質(zhì)的一種重要的紋理提取方法，本文對(duì)病斑灰度圖像進(jìn)行3尺度分解，每尺度選擇低頻圖像以及水平、垂直、對(duì)角圖像的均值、方差、三階矩，共計(jì)36個(gè)特征。

小波分解的水平、垂直、對(duì)角子帶圖像具有相關(guān)性[20]，系數(shù)都近似服從高斯分布，建立三維變量的高斯概率空間

(2)

其中

x=(xh,xv,xd)

(3)

μ=(μh,μv,μd)

(4)

(5)

(6)

式中x、μ——3×1高頻子帶向量、均值向量

xh、xv、xd——水平、垂直、對(duì)角子帶分量

μh、μv、μd——水平、垂直、對(duì)角子帶均值

xs、μs——子帶變量、均值

Σ——3×3協(xié)方差矩陣

m、n——圖像高度、寬度

假設(shè)協(xié)方差特征值為λk，k∈(h,v,d)，則λk通過(guò)齊次線性方程組進(jìn)行求解

(Σ-λkI)y=0

(7)

式中I——3×3單位矩陣

y——3×1高頻子帶特征向量

利用小波變換，提取3尺度高頻圖像的協(xié)方差陣特征值以及以上3尺度9個(gè)低頻圖像低階矩，組合成18個(gè)高頻協(xié)方差陣特征值與低頻低階矩(HELM)特征。

通過(guò)以上特征提取，得到18個(gè)顏色特征，21個(gè)形狀特征，85個(gè)紋理特征，共計(jì)124個(gè)馬鈴薯病害特征，為病害特征融合奠定基礎(chǔ)。

1.4 馬鈴薯病害圖像自適應(yīng)特征融合

特征融合屬于特征選擇，其目的在于用少量的特征達(dá)到較高識(shí)別率[21]。傳統(tǒng)特征融合方法有人工方法與自適應(yīng)方法，人工方法耗時(shí)耗力，自適應(yīng)方法識(shí)別率較低。基于此，本文提出了一種基于PCA特征加權(quán)融合的自適應(yīng)算法。如圖4所示，首先根據(jù)提取的顏色、形狀、紋理特征自動(dòng)分塊，通過(guò)識(shí)別率與維度進(jìn)行特征塊選擇。然后按照PCA降維分量的貢獻(xiàn)、識(shí)別率、識(shí)別上升率，提取主分量。最后，基于主分量識(shí)別率，對(duì)顏色、形狀、紋理主分量加權(quán)，利用權(quán)值分配公式對(duì)每個(gè)分量加權(quán)，得到自適應(yīng)融合特征。

圖4 PCA特征加權(quán)融合算法流程圖Fig.4 Flow chart of PCA features weighted fusion algorithm

1.4.1特征塊選擇

根據(jù)病害提取的顏色特征(C)，自動(dòng)分為RGB特征塊(C1)、HSV特征塊(C2)。同樣，形狀特征(S)分為幾何量特征塊(S1)、中心矩特征塊(S2)、Hu矩特征塊(S3)。紋理特征(T)分為灰度共生矩陣特征塊(T1)、小波域高低頻低階矩塊(T2)、1層分解HELM塊(T31)、2層分解HELM塊(T32)、3層分解HELM塊(T33)。顏色、形狀、紋理特征塊進(jìn)行識(shí)別，分別選擇

(8)

其中

α∈((C1,C2),(S1,S2,S3),(T1,T2,T31,T32,T33))

式中δ——特征塊容忍度

R(α)、R(β)——特征塊、備選特征塊識(shí)別率

D(β)、D(χ)——備選特征塊、選擇特征塊維度

識(shí)別率較大、維度低的特征塊作為對(duì)應(yīng)的顏色、形狀、紋理特征塊，試驗(yàn)中δ取5%。

1.4.2PCA主分量提取

特征塊內(nèi)的特征之間通常具有相關(guān)性，進(jìn)行顏色、形狀、紋理特征PCA降維，有助于提高病斑圖像的識(shí)別效果。

假設(shè)降維前的特征為Xi(i=1,2,…,N)，N為降維前特征維數(shù)，降維后的特征為Yj(j=1,2,…,K)(K≤N)，K為降維后特征維數(shù)，則Xi可由Yj線性表示為

(9)

式中aNK——矩陣系數(shù)

根據(jù)PCA降維后顏色、形狀、紋理特征的不相關(guān)性，從K個(gè)Yj中選擇M個(gè)不相關(guān)的特征主分量，滿足

(10)

其中

(11)

式中C(M)、T——主分量貢獻(xiàn)、貢獻(xiàn)閾值

λt、λs——特征塊協(xié)方差矩陣特征值

R(M)——主分量識(shí)別率

R(t)——前t個(gè)主分量識(shí)別率

ε——主分量容忍度

R(r)——前r個(gè)主分量識(shí)別率

V(M)——主分量的識(shí)別上升速度

試驗(yàn)中，經(jīng)分析比較，T取90%、ε取5%時(shí)，可取得較好效果。

1.4.3加權(quán)融合

根據(jù)顏色、形狀、紋理主分量的識(shí)別率，計(jì)算其權(quán)值

(12)

式中w(η)——主分量權(quán)值

R(η)——主分量識(shí)別率

再利用權(quán)值分配公式，計(jì)算主分量中的分量權(quán)值

(13)

其中

(14)

式中d——權(quán)值步長(zhǎng)

通過(guò)顏色、形狀、紋理主分量加權(quán)，每個(gè)分量加權(quán)，得到自適應(yīng)融合特征，進(jìn)而用于馬鈴薯病害識(shí)別。

1.5 馬鈴薯病害圖像快速識(shí)別

SVM模式識(shí)別方法，采用不同的核函數(shù)完成不同特征下的權(quán)值快速學(xué)習(xí)，可以較好地解決小樣本、非線性、高維數(shù)的分類問(wèn)題，并且具有良好的推廣和泛化能力。

SVM分類器作為本文識(shí)別模型，其決策函數(shù)為

(15)

式中ω*、x——權(quán)值行向量、測(cè)試樣本特征向量

xi、yi——訓(xùn)練樣本特征向量、類標(biāo)簽

k(xi,x)——非線性核函數(shù)

SVM核函數(shù)中，徑向基核函數(shù)[22]沿徑向?qū)ΨQ，參數(shù)少于多項(xiàng)式核函數(shù)，正確率高于Sigmoid核函數(shù)，適用于樣本與類標(biāo)簽的非線性問(wèn)題，可作為本文識(shí)別模型的核函數(shù)。

2 試驗(yàn)結(jié)果與分析

本文對(duì)馬鈴薯早疫病、晚疫病、病毒病3類典型病害識(shí)別進(jìn)行仿真，所選軟件平臺(tái)為Matlab 2012、Windows 7；硬件平臺(tái)為計(jì)算機(jī)，其處理器為Intel(R)Core(TM)i3-3220(主頻為3.3 GHz)。試驗(yàn)采用交叉驗(yàn)證方式，按照1∶1比例隨機(jī)分配訓(xùn)練集與測(cè)試集，進(jìn)行20次SVM模式識(shí)別，求取平均識(shí)別率。SVM采用一對(duì)一投票策略，設(shè)置徑向基核函數(shù)參數(shù)σ=0.125，錯(cuò)誤代價(jià)系數(shù)C=32。

2.1 馬鈴薯病害圖像自適應(yīng)融合特征SVM識(shí)別結(jié)果

提取馬鈴薯典型病害圖像的顏色、形狀、紋理特征，采用本文圖像特征融合方法，可得到病斑自適應(yīng)特征。如表1所示，通過(guò)特征塊選擇，得到RGB顏色塊C1、幾何量形狀塊S1、1層HELM紋理塊T31。PCA主分量提取，分別得到C1、S1、T31的5、5、3個(gè)主分量，其識(shí)別率下降較少，但總的特征維度下降了9個(gè)，總的融合特征識(shí)別率由92.2%上升為93.6%。通過(guò)對(duì)13個(gè)主分量的加權(quán)融合，識(shí)別率為95.2%，進(jìn)一步提高了識(shí)別精度。

通過(guò)本文自適應(yīng)特征融合方法，選擇13個(gè)馬鈴薯病害加權(quán)主分量，并結(jié)合SVM分類器，具有一定的識(shí)別優(yōu)勢(shì)。

2.2 馬鈴薯病害圖像自適應(yīng)特征融合與識(shí)別比較試驗(yàn)

為驗(yàn)證本文自適應(yīng)特征融合算法的有效性，試驗(yàn)采用了PCA降維、特征排序選擇等自適應(yīng)特征融合方法，進(jìn)行SVM模式識(shí)別。PCA降維方法分直接降維與特征塊降維。PCA直接降維方法是將124個(gè)病害特征，分別降維到指定維度13以及最佳維度。最佳維度是指該數(shù)量的特征識(shí)別率最高。PCA特征塊降維方法是將顏色、形狀、紋理的特征塊選擇出來(lái)之后降維到指定維度13、最佳維度。特征排序選擇方法也分直接排序選擇與特征塊排序選擇。直接排序選擇方法是將124個(gè)特征進(jìn)行識(shí)別率從大到小排序，選擇前13個(gè)指定維度特征以及前最佳維度特征。特征塊排序選擇方法是將特征塊選擇出來(lái)，然后按識(shí)別率大小進(jìn)行22個(gè)特征排序，選擇前13個(gè)指定維度特征以及前最佳維度特征。其識(shí)別效果如表2所示。為驗(yàn)證本文識(shí)別算法的有效性，試驗(yàn)利用13個(gè)自適應(yīng)病害特征進(jìn)行人工神經(jīng)網(wǎng)絡(luò)(ANN)以及貝葉斯(Bayes)模式識(shí)別。ANN[23]網(wǎng)絡(luò)結(jié)構(gòu)為3層BP，13個(gè)輸入層節(jié)點(diǎn)，10個(gè)隱含層節(jié)點(diǎn)，3個(gè)輸出層節(jié)點(diǎn)，隱含層傳遞函數(shù)選擇Sigmoid型。Bayes[24]窗函數(shù)選擇高斯窗，寬度設(shè)置為0.1。其識(shí)別比較結(jié)果如表2所示。

從表2中可以看出，本文自適應(yīng)特征融合算法識(shí)別馬鈴薯早疫病、晚疫病、病毒病，平均識(shí)別率分別為94.3%、95.1%、97.5%，相比PCA直接降維、PCA特征塊降維、直接排序選擇、特征塊排序選擇方法，不僅特征維度相對(duì)較小，而且識(shí)別率相對(duì)較高，總體識(shí)別率提高了1.8個(gè)百分點(diǎn)以上。對(duì)于不同模式識(shí)別方法，ANN對(duì)病毒病、早疫病識(shí)別較高，Bayes對(duì)早疫病、晚疫病識(shí)別較高，而本文識(shí)別算法對(duì)3種病害的識(shí)別率都為94.3%以上，總體識(shí)別率為95.2%，比ANN提高了3.8個(gè)百分點(diǎn)，比Bayes提高了8.5個(gè)百分點(diǎn)。在運(yùn)行時(shí)間方面，本文識(shí)別算法為0.600 s，稍慢于Bayes的0.425 s，但比ANN的3.60 s縮短了3 s。

表1 馬鈴薯典型病害圖像自適應(yīng)融合特征SVM識(shí)別結(jié)果Tab.1 SVM recognition results of adaptive fusion features for potato typical disease images

表2 馬鈴薯典型病害自適應(yīng)特征融合與識(shí)別方法比較結(jié)果Tab.2 Comparison results of adaptive features fusion and recognition methods for potato typical disease

比較試驗(yàn)可以得出，本文自適應(yīng)特征融合算法結(jié)合SVM快速識(shí)別模型，識(shí)別率高，運(yùn)行時(shí)間短，可保證馬鈴薯典型病害圖像識(shí)別的有效性。

3 結(jié)論

(1)自然環(huán)境中的圖像經(jīng)中值濾波、K-means聚類、區(qū)域填充與移除小對(duì)象，得到含內(nèi)部病斑的葉片。利用Hough變換尋找葉緣潛在圓域，并結(jié)合超像素區(qū)域，得到完整葉片。通過(guò)二維Otsu法與形態(tài)學(xué)法分離出病斑區(qū)域，可為馬鈴薯病害圖像特征提取奠定基礎(chǔ)。

(2)提取病斑圖像的顏色、形狀、紋理特征，進(jìn)行PCA特征加權(quán)融合，得到13個(gè)互不相關(guān)的自適應(yīng)融合特征，可有效刻畫馬鈴薯典型病害。

(3)不同的自適應(yīng)融合算法進(jìn)行馬鈴薯早疫病、晚疫病、病毒病的SVM識(shí)別，本文自適應(yīng)特征融合算法相比PCA降維、特征排序選擇等傳統(tǒng)自適應(yīng)方法，平均識(shí)別率至少提高了1.8個(gè)百分點(diǎn)。

(4)13個(gè)自適應(yīng)融合特征采用不同的模式識(shí)別方法，本文識(shí)別算法平均識(shí)別率為95.2%，相比ANN、Bayes的平均識(shí)別率，分別提高了3.8個(gè)百分點(diǎn)和8.5個(gè)百分點(diǎn)。與此同時(shí)，本文識(shí)別算法運(yùn)行時(shí)間為0.600 s，稍高于Bayes的0.425 s，但比ANN的3.60 s縮短了3 s，優(yōu)勢(shì)明顯，可準(zhǔn)確、快速地識(shí)別馬鈴薯典型病害。

1 呂金慶，尚琴琴，楊穎，等．馬鈴薯殺秧機(jī)設(shè)計(jì)優(yōu)化與試驗(yàn)[J/OL]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(5)：106-114. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160515&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.05.015.

Lü Jinqing, SHANG Qinqin, YANG Ying, et al. Design optimization and experiment on potato haulm cutter[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(5): 106-114. (in Chinese)

2 ZHANG H, FRITTS J E, GOLDMAN S A. Image segmentation evaluation: a survey of unsupervised methods[J]. Computer Vision & Image Understanding, 2008, 110(2): 260-280.

3 陳麗，王蘭英．概率神經(jīng)網(wǎng)絡(luò)在玉米葉部病害識(shí)別中的應(yīng)用[J]．農(nóng)機(jī)化研究，2011，33(6)：145-148.

CHEN Li, WANG Lanying. Research on application of probability neural network in maize leaf disease identification[J]. Journal of Agricultural Mechanization Research, 2011, 33(6): 145-148. (in Chinese)

4 霍迎秋，唐晶磊，尹秀珍，等．基于壓縮感知理論的蘋果病害識(shí)別方法[J/OL]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(10)：227-232. http:∥www.j-csam.org/jcsam/ch/reader/ view_abstract.aspx?flag=1&file_no=20131036&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2013.10.036.

HUO Yingqiu, TANG Jinglei, YIN Xiuzhen, et al. Apple disease recognition based on compressive sensing[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(10): 227-232. (in Chinese)

5 田凱，張連寬，熊美東，等．基于葉片病斑特征的茄子褐紋病識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(增刊1)：184-189.

TIAN Kai, ZHANG Liankuan, XIONG Meidong, et al. Recognition of phomopsis vexans in solanum melongena based on leaf disease spot features[J].Transactions of the CSAE, 2016, 32(Supp.1): 184-189. (in Chinese)

6 梁琨，杜瑩瑩，盧偉，等．基于高光譜成像技術(shù)的小麥籽粒赤霉病識(shí)別[J/OL]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(2)：309-315. http:∥www.j-csam.org/jcsam/ch/reader/ view_abstract.aspx?flag=1&file_no=20160241&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2016.02.041.

LIANG Kun, DU Yingying, LU Wei, et al. Identification of fusarium head blight wheat based on hyperspectral imaging technology[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(2): 309-315. (in Chinese)

7 PUJARI J D, YAKKUNDIMATH R, BYADGI A S. Automatic fungal disease detection based on wavelet feature extraction and PCA analysis in commercial crops[J]. International Journal of Image Graphics & Signal Processing, 2013, 6(1): 24-31.

8 PECHENIZKIY M, PUURONEN S, TSYMBAL A. The impact of sample reduction on PCA-based feature extraction for supervised learning[C]∥ACM Symposium on Applied Computing, DBLP, 2006: 553-558.

9 GULHANE V A, KOLEKAR M H. Diagnosis of diseases on cotton leaves using principal component analysis classifier[C]∥2014 Annual IEEE India Conference, 2014: 1-5.

10 翟治芬，徐哲，周新群，等．基于樸素貝葉斯分類器的棉花盲椿象危害等級(jí)識(shí)別[J]．農(nóng)業(yè)工程學(xué)報(bào)，2015，31(1)：204-211．

ZHAI Zhifen, XU Zhe, ZHOU Xinqun, et al. Recognition of hazard grade for cotton blind stinkbug based on naive bayesian classifier[J].Transactions of the CSAE, 2015, 31(1): 204-211. (in Chinese)

11 濮永仙．基于病斑特征融合的煙草病害圖像檢索方法[J]．河南農(nóng)業(yè)科學(xué)，2015，44(2)：71-76．

PU Yongxian. Image searching method of tobacco disease based on disease spot feature fusion[J]. Journal of Henan Agricultural Sciences, 2015, 44(2): 71-76. (in Chinese)

12 CHEN D, CUI D W, WANG C X. Weighted fuzzy C-means clustering based on double coding genetic algorithm[C]∥International Conference on Intelligent Computing, ICIC 2006, Springer Berlin Heidelberg, 2006: 622-633.

13 李超，彭進(jìn)業(yè)，張善文．基于特征融合與局部判別映射的蘋果葉部病害識(shí)別方法[J]．廣東農(nóng)業(yè)科學(xué)，2016，43(10)：134-139．

LI Chao, PENG Jinye, ZHANG Shanwen. Apple leaf disease recognition based on feature fusion and local discriminant projection[J]. Guangdong Agricultural Sciences, 2016, 43(10): 134-139. (in Chinese)

14 LUO Y, ZHANG T, ZHANG Y. A novel fusion method of PCA and LDP for facial expression feature extraction[J]. Optik- International Journal for Light and Electron Optics, 2016, 127(2): 718-721.

15 霍迎秋，秦仁波，邢彩燕，等．基于CUDA的并行K-means聚類圖像分割算法優(yōu)化[J/OL]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(11)：47-53．http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20141108&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2014.11.008.

HUO Yingqiu, QIN Renbo, XING Caiyan, et al. CUDA-based parallel K-means clustering algorithm[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(11): 47-53. (in Chinese)

16 GOPALAKRISHNAN A, ALMAZROA A, RAAHEMIFAR K, et al. Optic disc segmentation using circular Hough transform and curve fitting[C]∥International Conference on Opto-Electronics and Applied Optics, IEEE, 2015: 1-4.

17 WANG H Y, PAN D L, XIA D S. A fast algorithm for two-dimensional Otsu adaptive threshold algorithm[J]. Journal of Image & Graphics, 2005, 33(9): 968-971.

18 YU X, LIU S, DONG W, et al. Image retrieval method based on fusion of edge features and RGB color component[J]. International Journal of Multimedia & Ubiquitous Engineering, 2014, 9(10): 243-250.

19 CHAKI J, PAREKH R, BHATTACHARYA S. Recognition of whole and deformed plant leaves using statistical shape features and neuro-fuzzy classifier[C]∥International Conference on Recent Trends in Information Systems, IEEE, 2015: 189-194.

20 ANBARJAFARI G, DEMIREL H. Image super resolution based on interpolation of wavelet domain high frequency subbands and the spatial domain input image[J]. ETRI Journal, 2010, 32(3): 390-394.

21 VALLIAMMAL N, GEETHALAKSHMI S N. Efficient feature fusion, selection and classification technique for plant leaf image retrieval system[C]∥International Conference on Computational Science, Engineering and Information Technology, ACM, 2012: 132-137.

22 ABDILLAH A A, SUWARNO. Diagnosis of diabetes using support vector machines with radial basis function kernels[J]. International Journal of Technology, 2016, 7(5): 849-858.

23 JIANG J. BP neural network algorithm optimized by genetic algorithm and its simulation[J]. International Journal of Computer Science Issues, 2013, 10(2): 516-520.

24 CARLIN B P, LOUIS T A. Bayes and empirical Bayes methods for data analysis[J]. Statistics and Computing, 1997, 7(2): 153-154.