水稻紋枯病圖像識(shí)別處理方法研究

袁　媛，陳　雷，吳　娜,2，李　淼

(1.中國(guó)科學(xué)院 合肥智能機(jī)械研究所，合肥　230031；2.中國(guó)科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院，合肥　230026)

?

水稻紋枯病圖像識(shí)別處理方法研究

袁媛1，陳雷1，吳娜1,2，李淼1

(1.中國(guó)科學(xué)院 合肥智能機(jī)械研究所，合肥230031；2.中國(guó)科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院，合肥230026)

摘要：為了實(shí)現(xiàn)水稻病害的自動(dòng)檢測(cè)，設(shè)計(jì)并實(shí)現(xiàn)了一種基于支持向量機(jī)的水稻紋枯病識(shí)別方法。首先利用R分量和中值濾波進(jìn)行圖像預(yù)處理，然后利用改進(jìn)的圖切割方法進(jìn)行病斑分割，再提取病斑的顏色和紋理特征，最后利用支持向量機(jī)方法對(duì)水稻紋枯病進(jìn)行分類識(shí)別。結(jié)果表明：識(shí)別準(zhǔn)確率達(dá)到95%，能夠滿足實(shí)際應(yīng)用的需求。本研究結(jié)果可以為水稻病害的自動(dòng)識(shí)別提供參考依據(jù)。

關(guān)鍵詞：水稻紋枯??；圖像識(shí)別；病害診斷；支持向量機(jī)

0引言

水稻紋枯病是水稻發(fā)生最普遍的主要病害之一，在水稻整個(gè)生育期內(nèi)均可發(fā)生，對(duì)水稻產(chǎn)量影響很大。目前，農(nóng)民識(shí)別作物病害一般是通過自己的經(jīng)驗(yàn)、參考病害類圖書、互聯(lián)網(wǎng)查詢或請(qǐng)教農(nóng)業(yè)技術(shù)人員/專家等方法。這些方法存在一些問題：農(nóng)民通過圖片比照或根據(jù)書本中的文字描述來識(shí)別作物病害，常會(huì)造成人為錯(cuò)誤，難以準(zhǔn)確、及時(shí)地對(duì)癥下藥；由于目前國(guó)內(nèi)各個(gè)地方的植保站規(guī)模不大，技術(shù)人員很難在作物的生育期內(nèi)定時(shí)上門給各個(gè)農(nóng)戶查看作物病情，容易造成病情的延誤。近些年來，隨著數(shù)字圖像處理技術(shù)的迅速發(fā)展、計(jì)算機(jī)視覺技術(shù)的廣泛應(yīng)用和各種模式識(shí)別技術(shù)的日趨成熟，采用圖像處理技術(shù)來分析作物病害，并準(zhǔn)確給出病害類別，為作物病害的無損檢測(cè)、快速診斷提供了新的途徑和方法。尤其是隨著手機(jī)和移動(dòng)通信技術(shù)的飛速發(fā)展，利用手機(jī)田間現(xiàn)場(chǎng)拍攝作物病害照片上傳到遠(yuǎn)程服務(wù)器進(jìn)行病害診斷將是一種快速、有效的病害診斷方法，具有廣闊的應(yīng)用前景。

支持向量機(jī)(Support Vector Machine，SVM)[1-2]由于在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，在農(nóng)業(yè)病蟲害分類識(shí)別中應(yīng)用很廣泛。田有文等人[3]針對(duì)霜霉病等10類常見的黃瓜病害進(jìn)行研究，有效地提取了黃瓜病害的典型特征形成特征向量，運(yùn)用支持向量機(jī)完成病害種類的識(shí)別。劉君等人[4]采用支持向量機(jī)方法對(duì)黃瓜、番茄等園藝作物葉部病害進(jìn)行自動(dòng)診斷與識(shí)別。余秀麗等人[5]設(shè)計(jì)并實(shí)現(xiàn)了一種基于SVM的小麥葉部常見病害識(shí)別方法。劉濤等人[6]基于支持向量機(jī)模型的分類方法對(duì)15種水稻病斑進(jìn)行分類，平均準(zhǔn)確率為92.67%。

本文主要針對(duì)水稻紋枯病病害圖像進(jìn)行相關(guān)預(yù)處理、病斑部位分割及顏色和紋理特征提取，并利用支持向量機(jī)方法對(duì)水稻紋枯病進(jìn)行識(shí)別。

1材料及圖像預(yù)處理

1.1圖像獲取及運(yùn)行環(huán)境

使用佳能6D型數(shù)碼相機(jī)，在田間自然光照環(huán)境下，采用自動(dòng)曝光模式獲取水稻紋枯病病害圖像，以JEPG格式進(jìn)行存儲(chǔ)；然后，通過Photoshop CS軟件去除圖像中的復(fù)雜背景，僅留下圖像中的主要病葉部分；用MatLab自帶的Imresize函數(shù)壓縮圖片成900×600大小。

本文采用算法均在MatLab7.1和VC++6.0混合編程MEX環(huán)境下編程實(shí)現(xiàn)，試驗(yàn)所用計(jì)算機(jī)的配置為：Intel Core Q6700 2.66GHz中央處理器、4G內(nèi)存、Windows XP操作系統(tǒng)。

1.2病斑圖像預(yù)處理

由于后續(xù)的病斑分割不涉及圖像的顏色信息，因此把彩色圖像轉(zhuǎn)換成灰度圖像后再進(jìn)行分割處理，可以降低數(shù)據(jù)處理量，提高處理速度。為了較好地比較預(yù)處理結(jié)果，將原始彩色圖像全部轉(zhuǎn)成灰度圖像，使RGB模型中的R=G=B=Gray，即灰度化處理。本文提取水稻紋枯病病害圖像的紅色(R)、綠色(G)、藍(lán)色(B)分量，結(jié)果如圖1所示。

圖1　彩色圖像轉(zhuǎn)換成灰度圖像

由圖1可以看出：R分量得到的灰度圖像顏色太暗，G分量得到的灰度圖像顏色太淺，而B分量得到的灰度圖像中病斑部位與葉片正常部位的對(duì)比最為明顯，病斑邊緣比較清晰，便于后續(xù)處理。所以，本文采用B分量提取的灰度圖像。

實(shí)際采集的多數(shù)水稻紋枯病圖片存在噪聲和病斑邊緣模糊的特點(diǎn)，選用能夠突出邊緣細(xì)節(jié)的濾波器。因此，本文比較了空間域?qū)D像進(jìn)行平滑處理的3種方法：均值濾波法、高斯濾波法、中值濾波法。試驗(yàn)結(jié)果表明：中值濾波法效果最好。實(shí)際操作時(shí)，采用3×3模板的中值濾波可對(duì)圖像進(jìn)行增強(qiáng)。

在水稻病害圖像分割過程中，嘗試了傳統(tǒng)的最大類間方差法(OTSU)[7]及改進(jìn)的圖切割圖像分割算法[8]，發(fā)現(xiàn)后者算法的分割效果較好，如圖2所示。

圖2　圖像分割結(jié)果比較

2病斑特征提取及降維

2.1顏色特征提取

作物葉部受到病菌侵染時(shí)，多數(shù)會(huì)產(chǎn)生病斑，即對(duì)應(yīng)的受損區(qū)域不再是常規(guī)的葉片色。因此，顏色是病斑區(qū)別于正常葉片部位的重要外觀特征，通常進(jìn)行病害診斷時(shí)把顏色作為識(shí)別的主要依據(jù)之一。水稻紋枯病又稱云紋病，苗期至穗期都可發(fā)病。其葉鞘染病在近水面處產(chǎn)生暗綠色水浸狀邊緣模糊小斑，后漸擴(kuò)大呈橢圓形或云紋形，中部呈灰綠或灰褐色，濕度低時(shí)中部呈淡黃或灰白色，中部組織破壞呈半透明狀，邊緣暗褐。為了科學(xué)地測(cè)定、研究和描述水稻紋枯病病斑顏色，需建立顏色模型。本文采用常用的RGB系統(tǒng)和HIS系統(tǒng)來描述水稻紋枯病病害部位圖像的顏色特征，采用顏色矩方法來進(jìn)行顏色特征表達(dá)，因?yàn)樵摲椒苡盟木乇硎緢D像中的任何顏色分布。由于顏色分布信息主要集中在低階矩中，因此通常采用顏色的一階矩、二階矩和三階矩來表達(dá)圖像的顏色分布。

對(duì)給定的水稻紋枯病葉片圖像，提取病斑及無病部RGB值和HIS值進(jìn)行對(duì)比試驗(yàn)(見圖3和圖4)。試驗(yàn)結(jié)果表明：每種病的病斑部位和正常部位的R、G、B值和H、I、S值都有明顯不同，并且每種病都有自己的特點(diǎn)。因此，顏色特征可以作為辨別病害種類的依據(jù)。在RGB系統(tǒng)中，藍(lán)色通道下病斑顯示最為清晰，轉(zhuǎn)換到HIS系統(tǒng)中，將RGB三體的灰度值轉(zhuǎn)換為色調(diào)值H，可以把顏色特征從三維降到一維，達(dá)到降低特征空間維數(shù)而又不丟掉顏色信息的目的。提取H色調(diào)值，又可以減少光照對(duì)圖像的影響，所以本文選取B和H通道下的一階矩、二階矩和三階矩6個(gè)顏色特征作為識(shí)別特征向量。

圖3　水稻紋枯病病斑與無病部R/G/B比較

圖4　水稻紋枯病病斑與無病部H/S/I比較

2.2紋理特征提取

針對(duì)作物病害圖像來說，葉片正常組織與病變部位的紋理在粗細(xì)、走向上都有很大差別，因此可以利用紋理特征進(jìn)行病害識(shí)別。相比其它方法，灰度共生矩陣(Gray Level Co-occurrence Matrix，GLCM)特征能夠更好地突出圖像的紋理信息，大量應(yīng)用于將灰度值轉(zhuǎn)化為紋理信息[9]。因此，本文采用灰度共生矩陣特征進(jìn)行紋理分析。

給定一幅灰度圖像f(x,y)，圖像大小為L(zhǎng)×H，圖像灰度級(jí)為G，則圖像的灰度共生矩陣的元素可表示為P(i,j,d,θ)，即圖像中灰度值分別為i、j的像素對(duì)出現(xiàn)的個(gè)數(shù)，可定義為

P(i,j,d,θ)=#{[(x1,y2),(x2,y2)]∈

其中，P(i,j,d,θ)表示矩陣第i行j列元素，(i,j)∈G×G；d、θ分別表示像素對(duì)間的距離和角度；#(x)表示集合x中的元素個(gè)數(shù)；#(M×N)為圖像中像素對(duì)的總個(gè)數(shù)。

本文中構(gòu)造的紋理特征有能量特征、對(duì)比度特征和熵特征，具體如表1所示。

表1　紋理特征參數(shù)

3基于SVM的分類識(shí)別

3.1SVM介紹

SVM本身是一種有監(jiān)督的學(xué)習(xí)算法，在處理模式識(shí)別問題時(shí)能夠發(fā)揮自己的優(yōu)勢(shì)，如能夠解決小樣本、非線性和高維數(shù)問題，擁有全局最優(yōu)解，泛化性能強(qiáng)，無需先驗(yàn)知識(shí)等，現(xiàn)多數(shù)應(yīng)用于模式識(shí)別、函數(shù)擬合等方面。由于受到季節(jié)和病害發(fā)生情況的影響，田間直接獲取的水稻紋枯病病害圖像的樣本數(shù)量相對(duì)較少(即小樣本問題)，同時(shí)該分類又是一個(gè)非線性模式識(shí)別問題，因此本文選用SVM分類器。這樣，既可以保證較高的識(shí)別率，又會(huì)盡量減少存儲(chǔ)空間和計(jì)算時(shí)間。

SVM的關(guān)鍵在于核函數(shù)，低維空間向量集通常難于劃分，解決的方法是將它們映射到高維空間；但這個(gè)辦法帶來的困難就是計(jì)算復(fù)雜度的增加，而核函數(shù)正好巧妙地解決了這個(gè)問題。也就是說，只要選用適當(dāng)?shù)暮撕瘮?shù)，就可以得到高維空間的分類函數(shù)。采用不同的核函數(shù)將導(dǎo)致不同的SVM算法。針對(duì)非線性問題，SVM分類時(shí)常用的核函數(shù)如下：

1)多項(xiàng)式核函數(shù)為

k(x,y)=[s(x·y)+c]d

2)徑向基核函數(shù)為

(3)Sigmoid函數(shù)為

k(x,y)=tanh[s(x·y)+c]

其中，s、c、d、γ均是參數(shù)。

本文采用Lib-SVM[10]對(duì)提取的特征數(shù)據(jù)進(jìn)行分類訓(xùn)練和測(cè)試。Lib-SVM是臺(tái)灣大學(xué)林智仁(Chih-Jen Lin)博士等開發(fā)的一套通用支持向量機(jī)軟件包，提供了多項(xiàng)式、徑向基、Sigmoid函數(shù)、線性4種常用的核函數(shù)，可以有效地解決多類分類問題。

采用本文設(shè)計(jì)的樣本進(jìn)行訓(xùn)練，分類方法采用C-SVC，基于懲罰函數(shù)的SVM進(jìn)行分類，核函數(shù)選用徑向基函數(shù)，通過使用Lib-SVM提供的grid.py模塊，自動(dòng)確定懲罰因子和徑向基函數(shù)中g(shù)amma值的最佳參數(shù)，通過訓(xùn)練取得模型。

3.2結(jié)果分析

選擇50幅水稻紋枯病、50幅健康水稻作為訓(xùn)練樣本，另外各30幅作為測(cè)試樣本進(jìn)行試驗(yàn)。選擇徑向基核函數(shù)來訓(xùn)練分類器,以基于單一顏色特征參數(shù)的分類識(shí)別、基于單一紋理特征參數(shù)的分類識(shí)別及基于顏色+紋理組合特征參數(shù)的分類識(shí)別3種方式進(jìn)行對(duì)比，識(shí)別結(jié)果如表2所示。

表2　試驗(yàn)結(jié)果

4結(jié)論

1)對(duì)采集的水稻病害圖像進(jìn)行處理，然后提取顏色和紋理特征，并利用支持向量機(jī)方法進(jìn)行識(shí)別。結(jié)果表明：提出的顏色特征、紋理特征及兩者結(jié)合的方法對(duì)水稻紋枯病進(jìn)行識(shí)別是有效的；利用SVM方法針對(duì)小樣本量的水稻紋枯病識(shí)別具有較好的效果。

2)對(duì)基于單一顏色特征參數(shù)的分類識(shí)別、基于單一紋理特征參數(shù)的分類識(shí)別及基于顏色+紋理組合特征參數(shù)的分類識(shí)別3種方法進(jìn)行了對(duì)比，結(jié)果表明：基于顏色+紋理組合特征參數(shù)的分類識(shí)別準(zhǔn)確率達(dá)到95%，比基于單一顏色特征參數(shù)的分類識(shí)別、基于單一紋理特征參數(shù)的分類識(shí)別效果好。

參考文獻(xiàn)：

[1]Vapink V N． The nature of statistical learning theory[M].Beijing:Tsinghua University Press，2000．

[2]Cristiaini N，Taylor J S． An introduction to support vector machines and other kernel-based learning methods[M].Beijing: Publishing House of Electronics Industry，2004．

[3]田有文，牛妍.支持向量機(jī)在黃瓜病害識(shí)別中的應(yīng)用研究[J].農(nóng)機(jī)化研究，2009，31(3)：36-39.

[4]劉君，王振中，李寶聚，等. 基于圖像處理的作物病害自動(dòng)識(shí)別系統(tǒng)的研究[J].計(jì)算機(jī)工程與應(yīng)用，2012，48(13)：154-158.

[5]余秀麗，徐超，王丹丹，等．基于SVM 的小麥葉部病害識(shí)別方法研究[J].農(nóng)機(jī)化研究，2014，36(11)：151-155,159.

[6]劉濤，仲曉春，孫成明，等.基于計(jì)算機(jī)視覺的水稻葉部病害識(shí)別研究[J].中國(guó)農(nóng)業(yè)科學(xué)，2014，47(4)：664-674.

[7]Otsu N. A Threshold Selection Method from Gray Level Histogram[J].IEEE Trans on System Man and Cybernetics，1979，9(1)：62-66.

[8]吳娜，李淼，陳晟，等.基于融合多特征圖切割的作物病害圖像自動(dòng)分割[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30(17)：212-219.

[9]柴阿麗. 基于計(jì)算機(jī)視覺和光譜分析技術(shù)的蔬菜葉部病害診斷研究[D].北京：中國(guó)農(nóng)業(yè)科學(xué)院，2011.

[10]朱愛紅，趙帥，毛民樑.基于LIB-SVM的項(xiàng)目文本自動(dòng)分類系統(tǒng)研究[J].微計(jì)算機(jī)信息，2011，27(4)：13-15.

Abstract ID:1003-188X(2016)06-0084-EA

Recognition of Rice Sheath Blight Based on Image Procession

Yuan Yuan1， Chen Lei1， Wu Na1,2， Li Miao1

(1.Institute of Intelligent Machines, Chinese Academy of Sciences, Hefei 230031, China; 2.School of Information Science and Technology, University of Science and Technology of China, Hefei 230026, China)

Abstract：Recognition method of rice sheath blight based on SVM was presented for the purpose of achieving the automatic detection of the rice diseases. Firstly, R component and median filter are used for image pre-processing. Secondly, the improved graph cut method is used to segment the lesion. Thirdly, the color and texture features of lesions are extracted. Finally, the rice sheath blight are classified by support vector machine. The results show that the first two methods are more suitable for the evaluation of segmentation of crop disease images in the four methods. The results show that the recognition accuracy rate reaches 95%, which meet the needs of practical applications. The results of the paper lay a foundation for realization of the automatic diagnosis of rice diseases.

Key words：rice sheath blight; image recognition; disease diagnosis; Support Vector Machine

文章編號(hào)：1003-188X(2016)06-0084-04

中圖分類號(hào)：S431.11；TP391.41

文獻(xiàn)標(biāo)識(shí)碼：A

作者簡(jiǎn)介：袁媛(1981-)，女，安徽肥東人，助理研究員，博士，(E-mail)ahhfyy@gmail.com。通訊作者：李淼(1955-)，女，安徽廬江人，研究員，博士生導(dǎo)師，(E-mail)mli@iim.ac.cn。

基金項(xiàng)目：國(guó)家“863計(jì)劃”項(xiàng)目(2013AA102304)

收稿日期：2015-05-22