基于K-means和特征提取的植物葉部病害檢測與實現

李亞文 ,張 軍, 陳月星

(商洛學院 電子信息工程與電氣工程學院, 陜西 商洛 726000)

0 引言

計算機圖像分析技術應用于植物病蟲害識別研究始于20世紀80年代中期[1]。穗波信雄(1989,1992)對缺素的茨菇葉片進行了室外圖像獲取，從病態葉部圖像中除去背景，針對正常葉部和病態葉部部分的色度直方圖展開了論述[2]。Rocha 等[3]從特征融合的思維來開展果蔬識別檢測研究，對比和差直方圖、顏色聚合向量、顏色直方圖等紋理、顏色特征在不同分類下的檢測效果，結果顯示使用這三類特征結合取得了很好的識別檢測結果。從20世紀90年代初開始，國內一些農業院校和科研所陸續將計算機圖像處理應用于農業研究中，崔艷麗等[4-5]2005年運用圖像處理對兩種黃瓜病進行了研究，胡春華等[6]2004年在RGB顏色空間以G/B，G/R統計特征為缺素黃瓜葉片的顏色特征，譚峰等[7]運用數字圖像處理技術與BP神經網絡技術；王守志等[8]以玉米病葉片病斑圖像的特殊點，對葉部病斑分割，然后提取病害圖像的紋理特征與顏色特征進行識別檢測,識別精度為82.5%。筆者以提高植物病害檢測準確率為目標，針對植物葉部病害和植物葉部正常圖片展開相關研究。以蘋果葉枯病的植物病害和蘋果正常葉部圖片為例對其圖像分割、特征提取、病害識別等關鍵技術進行研究。重點利用K-means算法對原始圖像進行病斑分割技術、基于顏色特征提取的植物葉部病害的檢測與實現，以提高檢測率。

1 核K--means均值聚類算法

設數據集{X(1),X(2),X(3),…,X(M),其中X(i)∈RN,i=1,2,…,M。Mercer核函數K:RN×RN→R,根據Mercer定理存在映射N:RN→RF使得[9]：

K(X(i),(X(i))=N(X(i))TN(X(i))

(公式1)

(公式2)

(公式3)

式中：K——聚類數目；Nk——第K類的樣本數目；xj,xp——第K類Ck的第j個和第i個樣本

由(公式2)可以得到k-means聚類的目標函數J在高維核空間表示為：

(公式4)

核K-means聚類算法實質[10]是在高維空間中，對誤差平方和準則找尋樣本的最優聚類區分，使聚類目標函數J最小。由此可以知道核K-means聚類算法步驟為:

(1)確定聚類類別數目K(2≤ K≤ l))以及允許誤差Emax；

(2)在核空間中,確定開始的聚類中心(m1,m2,…,mk)；

(3)利用(公式2)計算所有樣本N(xi)與聚類中心的間隔，依據最近原則將樣本分配到對應類中；

(4)重新計算聚類中心和J值：利用(公式3)重新計算聚類中心，并依據(公式4)計算JI+1值；

(5)計算誤差e=|JI-JI+1|；

(6)如果e≤ Emax,則結束；否則進行步驟(3)。

2 顏色特征

顏色特征描述圖像或圖像區域相對應的場景表面特征的全局特征，而且它也是被用于圖像檢索中最為研究者所接受的視覺特征，主要原因是顏色通常與圖像所含對象或背景密切相關；比較其他視覺特征，圖像本身的尺寸，方向，角度對顏色特征影響較小，所以擁有很高的魯棒性。

(1)HSV顏色空間。HSV是一種將RGB顏色空間中的點表示為一個倒圓錐體中的方法[11]，如圖1所示是HSV顏色模型。HSV即色調(Hue)、飽和度(Saturation)、值(Value)。色相(H)是顏色的基本屬性，就是顏色的名稱，如紅色、黃色等。飽和度(S)是指顏色的純度，純度越高顏色越低，純度越低則越辨越變色，數值取0到100%。值(V)，取0到max(計算機中HSV取值范圍和存儲長度有關聯)。HSV顏色空間可以用圓錐型來描述。圓錐頂部，V=0,H和S沒有定義，是黑色。圓錐的頂面中心處V=max，S=0，H無定義，是白色。

(2)顏色矩。顏色低階矩是一種有效的顏色特征[12]，該方法使用線性代數中矩的概念，用矩來表達圖像中的顏色分布。表示顏色分布的顏色一階矩(平均值)、顏色二階矩(方差)和顏色三階矩(斜度)。與顏色直方圖不同的是，使用顏色矩描述圖像顏色分布不需要量化圖像的特征[13]。因為每個像素都有三個顏色通道來表示顏色空間，因此圖像的顏色矩有9個分量來描述。顏色矩的前三階矩公式[14]：

(公式5)

(公式6)

(公式7)

其中，Pi,j表示彩色圖像第j個像素的第i個顏色分量，N表示圖像中的像素個數。

通過MATLAB2016a進行仿真，可以分別得到10張蘋果正常葉部圖像的顏色特征即顏色的低階矩陣如表1所示，就HSV三通道分別對應的顏色矩進行歸類整理，可得到蘋果正常葉部圖像的HSV顏色空間顏色矩值域范圍。

3 基于K-means植物葉部病害檢測過程

3.1 算法原理

基于K-means聚類植物葉部病害檢測與實現的原理如圖2所示。首先需獲取植物葉部正常圖像和病害圖像，對其進行圖中無關信息預處理，再運用K-means聚類分割算法對處理后的植物葉部病害圖像進行病斑分割，得到只含有病斑的圖像信息，轉換顏色空間分別提取植物葉部正常圖像和分割后的植物葉部病害圖像的顏色特征的顏色矩低階矩陣，最后，對獲取的大量病害圖片進行訓練，以得到病害的檢測效率。由于受植物圖像數據庫的影響，在本研究中決定將葉部病害圖像的低階矩各參數和正常葉部圖像的低階矩陣各參數值域進行對比，從而實現檢測的目的。

筆者以蘋果葉部為研究對象，主要檢測識別了蘋果葉部的的葉枯病，利用圖像分割、顏色特征提取等方法實現了對也不病變是提高植物的病害識別準確率和效率，具體實現步驟：

(1)獲取蘋果葉枯病和蘋果正常的葉部圖像；

(2)對病害圖像的算法分割，利用K-means聚類算法分割病斑技術，得到分割后的病斑圖像；

(3)分別提取病斑圖像和正常葉片的顏色矩，如：一階矩(平均值Average)、二階矩(方差Variance)、三階矩(斜度Skewness)；

(4)通過植物葉部病斑圖像特征參數與植物葉部正常圖像特征參數對比，實現病害診斷檢測。

3.2 圖像分割

該文采用蘋果葉部作為研究對象，如圖3所示為選取的10張蘋果正常的葉片圖像，和圖4所示的10張蘋果葉枯病葉片圖像作為病害研究對象。

通過使用k-means算法對原始圖像進行圖像分割，利用MATLAB2016a仿真分割結果，得到如圖5蘋果葉枯病K-means算法分割后的圖像。

3.3 顏色特征提取

通過MATLAB2016a進行仿真，可以分別得到蘋果10張正常葉部圖像的顏色特征即顏色的低階矩陣如表1所示，就HSV三通道分別對應的顏色矩進行歸類整理，可得到蘋果正常葉部圖像的HSV顏色空間顏色矩值域范圍。如表2所示，蘋果10張正常葉部圖像HSV顏色空間顏色矩的各分類參數值域通過10張圖像數據的總結得出。

表1 蘋果10張正常葉部圖像的顏色矩

表2 蘋果正常葉部圖像的顏色矩值域

4 檢測結果

通過MATLAB2016a進行仿真，可以分別得到蘋果10張葉部病害圖像的顏色特征即顏色的低階矩陣如表3所示，就HSV三通道分別對應的顏色矩與蘋果正常葉部的顏色矩各參數作對比。

通過蘋果葉枯病葉部病害的顏色矩與蘋果正常葉部顏色矩的參數對比表1和表3，10張病害圖像的對比結果為8張圖像的參數不相同，2張病害圖像部分參數不相同，由此可以計算出植物病害的檢測率為93.3%。

表3 蘋果病害葉部圖像的顏色矩

表4 蘋果病害檢測

通過上述實驗結果表明，8張植物病害圖像的顏色矩參數與植物正常圖像的顏色矩參數均不同，2張病害圖像部分顏色矩參數屬于正常蘋果圖像顏色矩參數范圍內，這與了2張圖像的獲取和分割影響有關，檢測準確率較高。

5 結束語

主要研究了基于K-means的顏色特征提取的植物葉部病害檢測與實現，在Matlab中進行了仿真實現，實驗結果表明，有2張病害圖像部分顏色矩參數屬于正常蘋果圖像顏色矩參數范圍內，檢測精度能達到93.3%，有個別顏色矩參數的檢測錯誤與與獲取的圖像有關，光照、角度、相機像素等影響相關顏色矩的特征提取參數，但總體實現了檢測的目標，且有較高的的檢測率。研究可以幫助果農提前檢測植物葉部病害，以便盡快做出相應的治療措施，保障植物的正常生長，增加經濟收入。