基于灰度關(guān)聯(lián)分析的蘋果病害識(shí)別方法研究

霍迎秋，唐晶磊，尹秀珍

（西北農(nóng)林科技大學(xué) 信息工程學(xué)院，陜西 楊凌 712100）

蘋果病害是危害蘋果生產(chǎn)的主要障礙之一，目前嚴(yán)重的蘋果病害有22種，其中葉部、果實(shí)病害各有6種，根部病害7種，枝干病害有3種，每年因病害給果農(nóng)造成損失巨大。

目前病害識(shí)別方法一般分為人工識(shí)別、依靠專家系統(tǒng)和基于圖像分析3類方法，其中前2類方法對(duì)果農(nóng)和專家的依賴性高，主觀性強(qiáng)，由于蘋果病害病斑癥狀復(fù)雜，特征不夠明顯，難以對(duì)病害作出科學(xué)、準(zhǔn)確的識(shí)別?；趫D像分析進(jìn)行病害檢測(cè)是一種有效方法，但研究對(duì)象一般為黃瓜、西紅柿、玉米、水稻等葉部常見(jiàn)病害圖像的識(shí)別。國(guó)內(nèi)外關(guān)于蘋果病害識(shí)別的文獻(xiàn)從2008年才開(kāi)始出現(xiàn)，且數(shù)量極少。但圖像分析的每個(gè)步驟，如分割、特征提取、分類識(shí)別等已有很多前人的成果可以借鑒[1－3]，表明基于圖像分析的蘋果果實(shí)病害識(shí)別是可行的。

隨著手機(jī)照相功能的普及，果農(nóng)用自己的手機(jī)將蘋果病害部位拍下來(lái)，用彩信方式發(fā)送變得極為簡(jiǎn)單。李宗儒等[4]對(duì)基于手機(jī)拍攝的5種常見(jiàn)蘋果葉部病害識(shí)別進(jìn)行了研究，平均正確識(shí)別率達(dá)到92.6%。為了實(shí)現(xiàn)遠(yuǎn)程服務(wù)中心對(duì)蘋果果實(shí)病害圖像進(jìn)行識(shí)別，本文重點(diǎn)研究自然場(chǎng)景下拍攝低分辨率蘋果果實(shí)病害圖像的自動(dòng)識(shí)別方法。

1 圖像采集及預(yù)處理

1.1 圖像采集

使用華為T5211手機(jī)，在陜西省楊凌區(qū)五泉鎮(zhèn)農(nóng)戶果園中，在晴天上午10：00～11：00的自然光照條件下，拍攝獲取蘋果果實(shí)病害圖像，圖像大小為320×240像素。為了便于后續(xù)處理，病害果實(shí)若被其他物體遮掩，則采用用手將病果托住的方法獲取圖像。

1.2 圖像預(yù)處理

圖像質(zhì)量的好壞直接影響分割及特征提取。在圖像采集過(guò)程中，由于受到采集設(shè)備、環(huán)境等的影響，圖像存在分辨率低、背景復(fù)雜、病斑邊緣模糊等特點(diǎn)。為了有效去除噪聲，較好地保留圖像的細(xì)節(jié)，并突出邊緣信息，本文在試驗(yàn)對(duì)比的基礎(chǔ)上，首先選用自適應(yīng)直方圖均衡化方法，擴(kuò)展圖像灰度范圍，對(duì)圖像進(jìn)行對(duì)比度增強(qiáng)，然后選用彩色圖像中值濾波方法，即在圖像的R、G、B通道上分別應(yīng)用中值濾波方法濾波后，再進(jìn)行通道融合，得到濾波后的彩色圖像，較好地抑制了圖像的噪聲，保留了圖像的邊緣信息。

1.3 圖像分割

圖像分割是圖像分析與模式識(shí)別中的重要環(huán)節(jié)，病斑分割的好壞直接影響后續(xù)特征提取與識(shí)別。由于本文研究對(duì)象是自然環(huán)境下拍攝的果實(shí)病害圖像，背景十分復(fù)雜，分辨率低，模糊不清晰，直接準(zhǔn)確地提取病斑區(qū)域十分困難。因此，本文采用改進(jìn)的水平集彩色圖像分割方法，即基于區(qū)域和邊緣的變分水平集彩色圖像分割方法。該方法充分利用了目標(biāo)圖像的區(qū)域信息和邊緣信息，并用歐氏距離代替了灰度加權(quán)值，使得彩色圖像的顏色空間信息得到充分利用，獲得了更加精確的顏色邊緣。同時(shí)，還考慮了各個(gè)彩色通道之間存在的關(guān)系，盡可能減少了各個(gè)通道里由于形狀信息的不同造成的失真，提高了分割的準(zhǔn)確率[5]，達(dá)到了將原始圖像中病斑直接分割出來(lái)的目的。3種病害原圖與病斑提取結(jié)果分別如圖1和圖2所示。

圖1 3種病害原圖

圖2 3種病害病斑分割結(jié)果

2 病斑有效特征提取

為對(duì)病斑圖像做分析和識(shí)別，必須對(duì)病斑的特征進(jìn)行分析。分類器的設(shè)計(jì)和性能在很大程度上依賴于特征的選擇和提取，也就是說(shuō)依賴于用來(lái)代表圖像信息的特征向量。本文在大量實(shí)驗(yàn)的基礎(chǔ)上，優(yōu)化選取8個(gè)紋理特征參數(shù)作為病害的有效識(shí)別特征。

目前，紋理特征提取與分析過(guò)程中最常用的是基于統(tǒng)計(jì)方法的灰度共生矩陣法[6]。共生矩陣反映了圖像灰度分布關(guān)于方向、局部鄰域和變化幅度的綜合信息。本文在試驗(yàn)的基礎(chǔ)上選取d＝1，θ＝0°、45°、90°、135°，灰度級(jí)為16。根據(jù)式（3）—（6），提取能量、熵、對(duì)比度、相關(guān)性的均值和標(biāo)準(zhǔn)差等8個(gè)參數(shù)作為紋理特征[7－8]。

2.1 能量（紋理的一致性）

式中：L為圖像的灰度級(jí)；i、j為2個(gè)不同元素的灰度值。當(dāng)p（i，j）中有少數(shù)值為大時(shí)，ASM的值也大。它表明特定的像素對(duì)較多時(shí)，一致性較好，反映了圖像灰度分布均勻程度和紋理粗細(xì)程度。

2.2 熵

熵是圖像信息量的量度，當(dāng)p（i，j）的值分布越均勻，則ENT的值越大，它描述了紋理均衡的逆性質(zhì)。

2.3 對(duì)比度（慣性矩）

慣性矩可理解為圖像的清晰度。粗紋理圖像，由于矩陣的數(shù)值集中在主對(duì)角線附近，相應(yīng)的CON值較小；反之，則CON值較大。

2.4 像素對(duì)灰度相關(guān)性

相關(guān)量是用來(lái)描述矩陣中行或列元素之間的相似程度。

經(jīng)大量隨機(jī)抽樣分析發(fā)現(xiàn)，輪紋病、炭疽病和新輪紋病3種蘋果病害的紋理特征區(qū)別明顯，所以本文將紋理特征作為病斑識(shí)別的主要特征。

3 基于灰度關(guān)聯(lián)分析的蘋果病害識(shí)別

灰度關(guān)聯(lián)分析是用關(guān)聯(lián)度大小來(lái)描述不同事物之間或不同因素間關(guān)聯(lián)程度的一種灰色系統(tǒng)理論的分析方法，它的基本思想是根據(jù)曲線的幾何形狀判斷不同事物之間的聯(lián)系，曲線的幾何形狀越接近，說(shuō)明相應(yīng)的聯(lián)系就越緊密，反之，則聯(lián)系不緊密[9]?；叶汝P(guān)聯(lián)分析方法對(duì)樣本的多少和樣本有無(wú)規(guī)律都同樣適用，而且灰度關(guān)聯(lián)度計(jì)算量小，能夠有效降低算法的時(shí)間復(fù)雜度和空間復(fù)雜度，并且量化結(jié)果與定性分析結(jié)果一致[10－11]。

本文利用灰度關(guān)聯(lián)分析，研究待識(shí)別病斑圖像與訓(xùn)練集中各樣本的相關(guān)性，以平均灰度關(guān)聯(lián)度表示待識(shí)別病斑圖像與訓(xùn)練集中各類病害的相似程度，確定測(cè)試病斑歸屬于哪類。

假定待識(shí)別病斑圖像特征為一個(gè)n維特征向量F0＝[f0（1），f0（2），…f0（n）]，訓(xùn)練集中有m個(gè)訓(xùn)練樣本，各類病害訓(xùn)練樣本均為1／m。每個(gè)訓(xùn)練樣本為一個(gè)n維特征向量，F(xiàn)i＝[fi（1），fi（2），…fi（n）]，i＝1，2，…m。

灰色關(guān)聯(lián)分析病害識(shí)別模型具體實(shí)現(xiàn)方法如下：

（1）對(duì)待識(shí)別病斑特征向量以及訓(xùn)練集中各個(gè)樣本特征向量進(jìn)行歸一化，以消除病斑圖像不同物理特征的量綱對(duì)分類識(shí)別的影響。模型采用級(jí)差變換實(shí)現(xiàn)特征向量的歸一化。歸一化之后的特征向量記為F′i＝[f′i（1），f′i（2），…f′i（n）]。

式中：mini＝min（f′i（k）），每個(gè)特征向量中的最小的元素。maxi＝max（f′i（k）），每個(gè)特征向量中的最大的元素。

（2）計(jì)算待識(shí)別病斑特征向量與訓(xùn)練集中每個(gè)特征向量的距離，記為Δi＝[Δi（1），Δi（2），…Δi（n）]（i＝1，2，…m），Δi（k）＝｜f′0（k）－f′i（k）｜（k＝1，2，…n）。組成距離序列矩陣Δ為：

（3）計(jì)算兩極差，即求距離序列矩陣Δ中的最大值和最小值，分別記為maxValue和minValue。

（4）計(jì)算待識(shí)別病斑特征向量F′0與訓(xùn)練集中每個(gè)樣本特征向量F′i的關(guān)聯(lián)系數(shù)εi（k）：

式中：ρ為分辨系數(shù)，取值范圍是[0，1]，本模型中ρ取值為0.5。依次計(jì)算待識(shí)別病斑特征向量F′0與訓(xùn)練集中每個(gè)樣本特征向量F′i的關(guān)聯(lián)系數(shù)εi（k），組成關(guān)聯(lián)系數(shù)矩陣ε。

（5）根據(jù)關(guān)聯(lián)系數(shù)矩陣計(jì)算待識(shí)別病斑特征向量與訓(xùn)練集中第i個(gè)樣本特征向量的灰色關(guān)聯(lián)度γi，γi是關(guān)聯(lián)系數(shù)矩陣ε的第i行元素的加權(quán)和。

（6）根據(jù)關(guān)聯(lián)度γi向量，計(jì)算待識(shí)別病斑與訓(xùn)練集中3種病斑，每個(gè)病斑類的關(guān)聯(lián)度Di。

式中：i為病斑類別號(hào)，選取最大關(guān)聯(lián)度Di，即表示待識(shí)別病斑與第i類病斑訓(xùn)練樣本關(guān)聯(lián)度最大?？梢哉J(rèn)為其病斑屬于第i類蘋果病害。

4 實(shí)驗(yàn)結(jié)果與分析

以輪紋病、炭疽病和新輪紋病等3種發(fā)病率較高的蘋果果實(shí)病害為研究對(duì)象，實(shí)驗(yàn)圖片共78張，每類病害各26張，分別選取30張、50張、60張圖片作為訓(xùn)練樣本，對(duì)應(yīng)各類剩余圖片作為測(cè)試樣本。采用灰度關(guān)聯(lián)分析進(jìn)行識(shí)別實(shí)驗(yàn)，識(shí)別結(jié)果如表1所示。

表1 灰色關(guān)聯(lián)分析識(shí)別結(jié)果

由表1可知，選取30個(gè)訓(xùn)練樣本、48個(gè)測(cè)試樣本時(shí)，平均正確識(shí)別率最高，達(dá)85.41%；個(gè)別病害，如新輪紋病，正確識(shí)別率也很高，達(dá)100%，但是炭疽病識(shí)別率較低，為75%。選取60個(gè)訓(xùn)練樣本、18個(gè)測(cè)試樣本時(shí)，由于測(cè)試樣本很少，平均正確識(shí)別率最低，為72.22%。選取48個(gè)訓(xùn)練樣本、30個(gè)測(cè)試樣本時(shí)，識(shí)別情況最好，平均正確識(shí)別率為80%，每個(gè)病害的識(shí)別率也為80%。實(shí)驗(yàn)結(jié)果表明，采用基于灰度關(guān)聯(lián)分析的病害識(shí)別模型，能夠?qū)μO果病害進(jìn)行有效識(shí)別。

5 結(jié)論

針對(duì)本研究的3種病害果實(shí)圖像特點(diǎn)，在大量實(shí)驗(yàn)的基礎(chǔ)上優(yōu)選8個(gè)紋理特征作為病害的有效識(shí)別特征；病害訓(xùn)練樣本選擇30、48和60，相應(yīng)的測(cè)試樣本分別為48、30和18，構(gòu)建基于灰度關(guān)聯(lián)分析的病害識(shí)別模型進(jìn)行訓(xùn)練識(shí)別，3種病害的平均正確識(shí)別率最高達(dá)到85.41%。

本文識(shí)別的結(jié)果接近人類病理專家的診斷精度，但識(shí)別率仍有待提高，今后將在病斑自動(dòng)提取和特征優(yōu)選方面作進(jìn)一步研究。

（References）

[1] 刁志華.大田小麥葉部病害智能診斷系統(tǒng)研究與應(yīng)用[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2010.

[2] 陳紅，吳謀成，熊利榮，等.霉變花生的計(jì)算機(jī)視覺(jué)識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（1）：110－113.

[3] 胡春華，李萍萍.計(jì)算機(jī)圖像處理在缺素葉片顏色特征識(shí)別方面的應(yīng)用[J].計(jì)算機(jī)測(cè)量與控制，2004，12（9）：859－862.

[4] 李宗儒，何東健.基于手機(jī)拍攝圖像分析的蘋果病害識(shí)別技術(shù)研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（13）：3051－3053.

[5] 石娜.基于snake和水平集的圖像分割方法的研究及應(yīng)用[D].長(zhǎng)春：吉林大學(xué)，2011.

[6] 馬帥營(yíng).基于灰度共生矩陣和BP神經(jīng)網(wǎng)絡(luò)集成的紋理圖像分類[J].大連民族學(xué)院學(xué)報(bào)，2009，11（3）：260－263.

[7] 田有文.基于紋理特征和支持向量機(jī)的葡萄病害的識(shí)別[J].儀器儀表學(xué)報(bào)，2005，26（8）：606－608.

[8] 王惠明，史萍.圖像紋理特征的提取方法[J].中國(guó)傳媒大學(xué)學(xué)報(bào)，2006，13（1）：49－52.

[9] 馬苗，譚永杰，何雪莉.基于灰色關(guān)聯(lián)分析的圖像置亂程度評(píng)價(jià)方法[J].計(jì)算機(jī)應(yīng)用研究，2009，26（4）：1595－1597.

[10] 趙韓，張彥，方艮海，等.灰色關(guān)聯(lián)分析方法在汽車零部件故障分析中的應(yīng)用[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2005，36（8）：125－128.

[11] 馬苗，鹿艷晶.基于灰色模糊熵的SAR圖像快速分割方法[J].計(jì)算機(jī)應(yīng)用研究，2009，26（10）：3968－3970.