基于區(qū)分矩陣的屬性約簡算法的作物病害識別方法

張會(huì)敏　張?jiān)讫垺埳莆摹〉?/p>

摘要：利用作物葉片癥狀進(jìn)行作物病害識別是植保中的一個(gè)重要研究內(nèi)容。提出了一種基于區(qū)分矩陣屬性約簡的黃瓜病害葉片圖像分割與病害識別方法。首先，利用最大類間方差法對黃瓜病害葉片圖像進(jìn)行病斑分割；其次，提取病斑圖像的36個(gè)分類特征；再次，利用基于區(qū)分矩陣的屬性約簡算法對36個(gè)特征進(jìn)行特征選擇；最后，利用最近鄰分類器進(jìn)行病害識別。在3種常見黃瓜病害葉片圖像數(shù)據(jù)庫上的試驗(yàn)結(jié)果表明，該方法是有效可行的，能夠?yàn)榛诓『θ~片的作物病害識別系統(tǒng)研究提供參考。

關(guān)鍵詞：粗糙集；圖像分割；最大類間方差法；病害識別；黃瓜葉片病斑

中圖分類號： TP391.41文獻(xiàn)標(biāo)志碼： A文章編號：1002-1302（2015）01-0387-03

收稿日期：2014-03-19

基金項(xiàng)目：河南省鄭州市科技攻關(guān)（編號：131PPTGG426）；安徽省自然科學(xué)基金（編號：1208085MF94、1208085MF98）；河南省科技攻關(guān)（編號：142102310518）；河南省教育廳科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目（編號：14B520064）。

通信作者：張會(huì)敏（1981—），女，河南漯河人，講師，研究方向?yàn)橛?jì)算機(jī)應(yīng)用技術(shù)。E-mail：zhangshanwen1965@163.com。作物病害嚴(yán)重影響我國農(nóng)業(yè)生產(chǎn)的產(chǎn)量和質(zhì)量。及時(shí)、快速地發(fā)現(xiàn)并識別農(nóng)作物病害對正確地采取相應(yīng)措施防治病害、減少病害帶來的損失具有重要意義。但由于實(shí)際病害葉片的形狀、紋理和顏色多種多樣，使得從葉片圖像中提取的病害分類特征也各種各樣，各種特征對病害識別的貢獻(xiàn)不同，因此需要進(jìn)行特征選擇[1]。粗糙集（rough sets，RS）是一種經(jīng)典的特征選擇方法，能夠直接從給定問題的描述集出發(fā)，通過不可分辨關(guān)系和等價(jià)關(guān)系類給出問題的近似域，從而得到該問題的內(nèi)在規(guī)律。多年來，RS已被成功應(yīng)用于人工智能、模式識別、智能控制、機(jī)器學(xué)習(xí)、信息處理、數(shù)據(jù)挖掘、醫(yī)療診斷、專家系統(tǒng)以及決策分析等領(lǐng)域[2-3]。屬性約簡是RS的一個(gè)重要應(yīng)用[4]，基于RS的屬性約簡是在保持信息系統(tǒng)分類或決策能力不變的前提下，通過對知識的化簡，導(dǎo)出分類問題的分類規(guī)則和決策?；趨^(qū)分矩陣的屬性約簡策略是建立在兩兩互異目標(biāo)上屬性集合的區(qū)分矩陣[5]。區(qū)分矩陣的元素代表能夠區(qū)分2個(gè)目標(biāo)的屬性組合。實(shí)際應(yīng)用中可以將區(qū)分矩陣中出現(xiàn)次數(shù)多少作為屬性重要性的判斷依據(jù)，即出現(xiàn)次數(shù)越多的屬性的重要性越大。本試驗(yàn)在研究作物病害葉片圖像分割的基礎(chǔ)上，將基于區(qū)分矩陣的屬性約簡策略應(yīng)用于病害葉片圖像分類特征選擇中，提出了一種有效的作物病害識別方法。

1作物病害葉片圖像特征提取

作物病害葉片病斑圖像分割是病害識別的一個(gè)重要步驟。最大類間方差（Otsu）閾值法因其分割精度高、適用范圍廣而成為廣泛采用的一種圖像閾值分割方法[6]，其原理是：將病害葉片圖像像素分為病斑和正常2類，再通過計(jì)算劃分出2類病害的類間方差值，若類間方差值小于某一給定值，合并初始劃分的2類。然后計(jì)算此時(shí)所有類的類間方差值和分離因素的F值，若F值大于某個(gè)給定值，則退出該算法；否則，就按順序在已存在的類中繼續(xù)對圖像分割。最后得到葉片病斑圖像。

由于實(shí)際得到的病害葉片圖像為RGB模式，該色彩模式對光照比較敏感，而HIS色彩模式能夠克服采集過程中光照對病害識別率的影響，因此在作物病害識別中須要將RGB轉(zhuǎn)換成HIS，HIS顏色模型反映了人的視覺對色彩的感覺[7-8]。由RGB轉(zhuǎn)換HIS的公式如下：

I=（R+G+B）/3

S=1-3（R+G+B）[min（R，G，B）]

H=θG≥B

θ-2πG

式中：θ=arccos[（R-G）+R-B]/2（R-G）2+（R-B）（G-B）。

在本試驗(yàn)中，利用Matlab中的Imread函數(shù)分別提取彩色葉片圖像中R、G、B 3個(gè)通道的圖像，再利用式（1）將其轉(zhuǎn)換為H、I、S模式。然后，采用Otsu閾值法分別將H、I、S圖像轉(zhuǎn)換為二值化圖像，以提取葉片病斑區(qū)域。不妨將得到的病斑二值化圖像仍記為H、I、S。

為了得到能區(qū)分作物病害的顏色特征值，分別計(jì)算病害葉片圖像R、G、B分量和分割后的病斑圖像的H、I、S分量的均值、方差、偏度、峰值、能量、熵，共6×6=36個(gè)統(tǒng)計(jì)特征參數(shù)[9]。計(jì)算公式如下：

p（b）=h（b）/s

b=∑b=1bp（b）

bk=1/δ3∑（b-b）3p（b）

δ2=∑b=1（b-b）2p（b）

bF=1/δ4∑b=1（b-b）4p（b）-3

bN=∑b=1[p（b）]2

bE=∑b=1p（b）lg[p（b）]。（2）

式中，p（b）為灰度級，h（b）為直方圖，s為圖像的面積，b為灰度均值，b為b的均值、bk為偏度，bF為峰值，bN為能量，bE為熵。

若直接把提取的36個(gè)病害圖像特征參數(shù)用于構(gòu)建病害識別模型，則識別效果的穩(wěn)定性較差，因?yàn)楦鱾€(gè)特征對識別結(jié)果的貢獻(xiàn)不同，有些特征甚至?xí)绊懽R別結(jié)果。因此，須要對得到的特征進(jìn)行選擇。筆者使用基于區(qū)分矩陣的屬性約簡方法對得到的36個(gè)特征進(jìn)行選擇。

2基于區(qū)分矩陣的屬性約簡方法

基于區(qū)分矩陣的屬性約簡方法基本思想：將屬性在區(qū)分矩陣中出現(xiàn)的次數(shù)作為目標(biāo)屬性的重要性判斷函數(shù)。計(jì)算各屬性的重要性判斷函數(shù)f，由此可以確定第1個(gè)重要屬性，此時(shí)重要屬性的判斷函數(shù)f值最大。在第1個(gè)重要屬性簡單求出后，進(jìn)一步快速簡單地求出后續(xù)的重要屬性。設(shè)決策表S的核值集合為Core，其屬性約簡過程如下：

輸入S的屬性約簡矩陣RM；輸出S的屬性約簡Redu；

（1）初始化，令Redu=Core，H=；

（2）令Q={RM（aj）|aj∈Redu或AFI（aj）=0}，則RM=RM-Q，B=A-Redu-H；

（3）對aj∈B，計(jì)算f（aj）=Max{ak}，（k=1，2，…，m），其中f（x）為屬性重要性判斷函數(shù)；

（4）Redu←Redu∪{aj}；

（5）對每個(gè)aj∈B，令H2（aj）∩RM（ak），H3（aj）=|H2（aj）|；

（6）對所有aj∈B，令RM（aj）←RM（aj）-H2（aj），f（aj）←f（aj）-H3（aj）；若f（ak）=0，則H1=∪{ak}；

（7）重復(fù)步驟（2）～（6），直到判斷函數(shù)AFI為零向量；

（8）輸出Redu 。Redu為信息表的一個(gè)屬性約簡。

3基于病害葉片的作物病害識別方法

由以上分析可得作物病害識別步驟如下：

（1）將采集到的每幅病害葉片圖像轉(zhuǎn)換為HIS模式；

（2）采用Otsu閾值法分別將葉片圖像的H、I、S分量進(jìn)行病斑分割，再轉(zhuǎn)換為二值化圖像，不妨還記為H、I、S；

（3）利用式（2）分別提取H、I、S的36個(gè)分類特征，得到一個(gè)特征向量，然后生成包括條件屬性集合和結(jié)論屬性集合的滿足粗糙集數(shù)據(jù)處理要求的二維關(guān)系規(guī)則表；

（4）將關(guān)系表中的每類特征屬性進(jìn)行歸一化和離散化處理；

（5）利用基于區(qū)分矩陣的屬性約簡方法對關(guān)系表進(jìn)行屬性約簡，依次消去可省略的屬性（列）和合并重復(fù)的對象（行），再對每一個(gè)對象進(jìn)行簡化，消去冗余的屬性值；

（6）根據(jù)一定的評選準(zhǔn)則選取有效識別規(guī)則的屬性簡化表，最終獲得優(yōu)選的最簡單判定規(guī)則；

（7）利用最近鄰分類器對植物病害進(jìn)行識別。該分類器的基本思路是計(jì)算待測試樣本與訓(xùn)練樣本之間的歐式距離的最小值，由此確定待識別測試樣本的類別。

4結(jié)果與分析

為了驗(yàn)證本研究提出的作物病害識別方法，采集溫室黃瓜常見的細(xì)菌性角斑病、黃瓜炭疽病和黃瓜褐斑病的病害葉片各100幅，其中50幅圖像作為訓(xùn)練集，其余50幅作為測試集。本研究所使用的病害樣本圖像均是在陜西楊凌農(nóng)業(yè)示范區(qū)科學(xué)園黃瓜溫室采集得到的，黃瓜品種為中農(nóng)26號。以白色為背景色，在自然光照的非強(qiáng)光條件下對自然發(fā)病的黃瓜葉片進(jìn)行圖像采集得到黃瓜病害葉片圖像。以Matlab 7.X軟件中自帶的圖像處理工具箱為圖像處理和分析平臺(tái)，計(jì)算以上特征參數(shù)，數(shù)據(jù)統(tǒng)計(jì)分析采用常用統(tǒng)計(jì)分析SAS軟件。

采用Otsu閾值法分別將病害葉片進(jìn)行病斑分割，分割定位待識別的黃瓜葉片病害部分病斑，利用式（2）提取病害葉片病斑的36個(gè)分類特征。圖1為3種黃瓜病害葉片圖像及對應(yīng)的分割病斑圖像的H分量。

首先將得到的36個(gè)特征進(jìn)行離散化，即把每個(gè)特征劃分成有限個(gè)區(qū)域，本試驗(yàn)中取5個(gè)區(qū)域，使得每個(gè)區(qū)域中對象的決策值相同。然后利用基于區(qū)分矩陣的屬性約簡方法對這36個(gè)特征進(jìn)行屬性約簡，得到6個(gè)重要的屬性，分別為病斑分量H的均值、方差、能量，病斑分量I的均值，病斑分量S的方差和能量。再將這6個(gè)屬性組成一個(gè)特征向量來表示這個(gè)樣本。最后利用最近鄰分類器對病害種類進(jìn)行分類，結(jié)果見表1。為了說明本研究所提出方法的有效性，表1中給出了基于全部36個(gè)特征和基于其他2種方法[10-11]的識別結(jié)果。由表1看出，本研究提出的方法的識別率最高，對黃瓜褐斑病的識別率高達(dá)94.26%，表明該方法用于黃瓜葉部病害圖像識別是有效可行的。

表1不同黃瓜病害識別方法的識別結(jié)果

方法識別率（%）36個(gè)特征識別法78.59文獻(xiàn)[10]82.88文獻(xiàn)[11]90.35本研究所提出的方法94.26

葉片圖像采集和識別試驗(yàn)結(jié)果顯示：（1）病害識別中并非特征越多越好，應(yīng)對識別特征進(jìn)行優(yōu)化組合或特征選擇；（2）即使同一病害樣本在不同成像環(huán)境下拍攝，圖像特征向量也會(huì)存在一定差異；（3）不同黃瓜品種、不同發(fā)病時(shí)期的病癥表現(xiàn)差異較大。這些差異應(yīng)與識別效果相結(jié)合，可以通過制定圖像的采集規(guī)范予以解決。

5結(jié)論

本研究利用最大類間方差法分割黃瓜病斑圖像，再提取病斑圖像的36個(gè)特征，然后利用粗糙集對36個(gè)特征進(jìn)行屬性約簡，得到6個(gè)重要特征，最后利用最近鄰分類器對病害進(jìn)行分類。該方法提取病斑具有操作簡單、分割效果好的特點(diǎn)。本試驗(yàn)結(jié)果表明該方法是有效可行的。由于病害葉片拍攝狀態(tài)和光照等環(huán)境因素對顏色特征存在影響，發(fā)病程度及病斑的典型性也可能對識別準(zhǔn)確率有影響，這些因素對拍攝照片中顏色特征的定量關(guān)系有待進(jìn)一步研究。對于某些顏色、形狀特征非常相似的其他黃瓜病癥，還應(yīng)進(jìn)一步提取病斑的顏色、形狀和紋理等特征，綜合考慮決定黃瓜病害癥狀的物理特征，以實(shí)現(xiàn)對病害的有效識別。

參考文獻(xiàn)：

[1]李旺，唐少先. 基于圖像處理的農(nóng)作物病害識別研究現(xiàn)狀[J]. 湖南農(nóng)機(jī)，2012，39（1）：176-178.

[2]Qian Y H，Liang J Y，Pedrycz W，et al. An efficient accelerator for attribute reduction from incomplete data in rough set framework[J]. Pattern Recognition，2011，44（8）：1658-1670.

[3]胡可云，陸玉昌，石純一. 粗糙集理論及其應(yīng)用進(jìn)展[J]. 清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2001，41（1）：64-68.

[4]樊持杰，陳麗敏，夏春艷. 基于RS的屬性約簡算法[J]. 微計(jì)算機(jī)信息，2010，26（2）：222-223.

[5]李智玲，胡彧. 一種改進(jìn)的區(qū)分矩陣屬性約簡算法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2008，17（10）：51-55.

[6]王祥科，鄭志強(qiáng). Otsu多閾值快速分割算法及其在彩色圖像中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用，2006，26（增刊1）：14-15.

[7]虎曉紅，李炳軍，席磊. 基于多示例圖的小麥葉部病害分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（13）：154-159.

[8]Tushar H J， Ravindra D B， Prashant G P. Crop disease detection using image segmentation[J]. World Journal of Science and Technology，2012，2（4）： 190-194.

[9]Revathi P，Revathi R. Knowledge discovery in diagnose of crop diseases using machine learning techniques[J]. International Journal of Engineering Science and Technology，2011，3（9）： 7187-7190.

[10]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統(tǒng)計(jì)特征的黃瓜炭疽病和褐斑病的識別研究[J]. 園藝學(xué)報(bào)，2007，34（6）：1425-1430.

[11]賈建楠，吉海彥. 基于病斑形狀和神經(jīng)網(wǎng)絡(luò)的黃瓜病害識別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（增刊1）：115-121.于翰林，盧澤民，朱詠莉. 基于嵌入式Web服務(wù)器的pH值檢測系統(tǒng)的設(shè)計(jì)[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（1）：390-393.endprint