基于圖像處理的農作物受害程度檢測方法

吉 濤,魏利勝,張平改

(安徽工程大學電氣工程學院,安徽蕪湖 241000)

?

基于圖像處理的農作物受害程度檢測方法

吉 濤,魏利勝?,張平改

(安徽工程大學電氣工程學院,安徽蕪湖 241000)

摘要:針對農作物葉片受害程度等級大小的問題,研究了一種圖像處理的方法,以測量出農作物葉片受害程度的比例大小．首先,通過對樣本葉片進行灰度化處理,并對圖像中復雜無關的背景進行剔除以獲取目標區(qū)域;在此基礎上,利用最大類間方差法對圖像進行分割,并統(tǒng)計分割后二值化圖像病斑區(qū)與非病斑區(qū)像素個數(shù),從而得出農作物受害程度比例以及相應的誤差分析;最后,利用多個實例驗證了該方法的有效性與可行性．

關 鍵 詞:農作物;圖像處理;受害程度;最大類間方差;誤差

隨著現(xiàn)代化農業(yè)的不斷發(fā)展,農作物病蟲害以及受害程度的檢測已成為圖像處理領域研究的熱點問題,國內外學者對其進行了大量的探索和研究,并取得了一定的研究成果．張水發(fā)[1]等結合Canny算子良好的邊緣提取能力和葉片局部顏色變化相對較小的特征,提出基于塊標記的葉片損傷區(qū)域分割方法,用于評價葉片損傷程度．葛婧[2]等利用圖像處理技術對玉米病害進行識別．張芳[3]等應用計算機圖像處理技術和支持向量機識別方法研究了黃瓜葉部病害的識別,以提高識別的準確性和效率．以5種不同的農作物為研究對象,利用圖像處理技術進行實驗性研究,利用實例來驗證所提出方法的有效性與可行性．

1 圖像的處理與病斑區(qū)計算

1．1 圖像預處理

實驗圖像來自百度,選取了5種不同農作物的病蟲害圖像,為減小圖像原始數(shù)據(jù)量將圖像灰度化處理．一般有3種處理方法:最大值法、算數(shù)平均值法及加權平均值法．最大值法處理后的圖像亮度偏高;算數(shù)平均值法處理后的圖像亮度較為平柔;加權平均值法處理后的圖像亮度符合人眼的實際感光特性．因此,為滿足實驗中圖片的清晰性與計算的準確性,采用加權平均值法進行圖像的灰度化處理．加權平均值法產生的灰度圖像最符合人眼的視覺感受,取α＝0．3,β＝0．59,γ＝0．11．

由于實驗中無關的背景區(qū)域會對二值化分割后黑白區(qū)域像素產生較大的影響,因而在獲取到灰度化的圖像之后,將其中不需要的背景部分進行剔除,從而提高計算正確率,達到實驗的目的[4]．具體采用的是Closed-form背景去除法．設每個前景顏色f和背景顏色b在每個像素點旁邊都是一個線性混合的小窗口,并建立含有α的二次成本函數(shù):

式中,c為顏色通道;ac和b是窗口中的常量．能量行函數(shù)表達式為:

這里L是一個N×N的矩陣,它的第(i,j)元素為:

式中,∑k為協(xié)方差矩陣;μk為顏色平均向量;I3為單位矩陣．最終:

此法親和力較好,去除背景時不會對目標區(qū)產生誤劃．

1．2 圖像分割

將預處理后的圖像分割并進行二值化處理,提取其中有效的信息并過濾無效的信息．實驗中采用最大類間方差法[5]．

步驟1 令原圖像有M個灰度級,ni為i所在的像素點,所以總像素點為:

步驟2 將圖像分為A和B兩部分,其中A區(qū)的灰度級為0到j,B區(qū)的灰度級為j＋1到M,可以求出A和B的概率分別為:

式中,j表示為灰度級;PA為A區(qū)的概率;PB為B區(qū)的概率,且兩者之和等于1．

步驟3 求A區(qū)和B區(qū)的均值期望與均方差:

式中,σ2A為A的類內方差;σ2B為B的類內方差．因此,兩類的類內方差之和與兩類的類間距離平方分別為:

式中,σ2W為兩類的類內方差之和;σ2V為兩類的類間距離平方．

步驟4 為評估灰度級程度,通過式(5)、式(6)、式(7)可以推導出灰度級類方差:

式中,σ2H為灰度級類方差;H為灰度級門限．

步驟5 結合上述步驟1～4中的公式可以推導出最佳的灰度級H?:

最大類間方差法分割后的葉片如圖1所示．圖像分割完成后對農作物蟲害區(qū)進行計算,首先計算分割后圖像(未填充)的面積大小,然后對分割后的圖像進行目標區(qū)域填充,蟲害區(qū)的填充如圖2所示．農作物葉片受害程度可以用對應的圖像像素點進行計算,其中M和N表示圖像的寬度像素和高度像素,隨后統(tǒng)計出最大類間方差法分割后二值化圖像中黑白像素點的個數(shù)．以圖1A和圖2A為例,x1所代表的為A中區(qū)域內所有白色像素的個數(shù)(包括目標葉片中的蟲害區(qū)),x2代表圖2A中所有白色像素個數(shù)．由于目標對象要求求出蟲害區(qū)受害程度的百分率,因此,將二值化圖像內蟲害區(qū)的部分用黑色像素進行填充,這里調用Matlab中二值化圖像中元素標記函數(shù)bwlabel來完成蟲害白色區(qū)域的填充．蟲害區(qū)域填充完畢之后,再次計算被填充后蟲害區(qū)域的白色像素,隨后統(tǒng)計填充后完整的葉片黑色像素,x3所代表的是圖2A中所有黑色像素個數(shù),因此,x1－x2所代表的即為病斑像素個數(shù)．最后就可以獲得葉片蟲害區(qū)受害程度的百分比為L＝(x1－x2)/x3×100%．

圖1 最大類間方差法分割后的圖像對比

1．3 誤差率

為了更加全面而準確地進行評價,利用分割算法得誤差率ER:

式中,GTi表示第i類的標準分割;Sgi表示第i類的實際分割結果;S表示分類總數(shù);⊕表示異或操作．誤差率表示誤分為病斑的點與非病斑的點與標準分割病斑點數(shù)的比率,比率越低精度越好．并結合采用最小顯著差數(shù)法來確定差異顯著性,計算出在顯著水平為α的最小顯著差數(shù)LSDα,任何兩個平均數(shù)的差數(shù)如其絕對值大于等于LSDα,則在α上水平顯著,反之則不顯著．tα可通過查表獲得,MSe為處理內均方可通過F檢驗里的公式求出．

不同的小寫字母表示在0．05水平上的差異顯著,誤差率如表1所示．由表1可以看出,對于有葉柄的

圖2 蟲害區(qū)的填充

作物在0．05水平上并不顯著,但對于一般的作物均能達到控制誤差的要求．

表1 誤差率

2 結果與分析

將5種不同農作物葉片的不同種類病蟲害作為研究對象,通過圖像的灰度化處理、無關背景量的去除、圖像分割、對農作物病蟲害區(qū)域像素的填充,最終計算出農作物葉片病蟲害程度的大?。畬嶒炗嬎憬Y果如表2～表6所示．由表2～表6可知,運用圖像處理能夠較為準確地計算出葉片受害程度的大小,番茄、辣椒、水稻、柑桔及玉米病害的平均受害程度分別為9．36%、3．174%、7．393%、3．723%、11．306%;實驗中缺失率即為圖像分割過程中未識別或者不能完全識別的蟲害區(qū),番茄、辣椒、水稻、柑桔及玉米病害區(qū)的缺失率分別0．767%、0．549%、0．922%、0．253%、0．902%,均能控制在較低的百分率．誤差率反映了不同樣本分割效果的差異性,實驗數(shù)據(jù)能夠較為準確地反映出農作物受害程度．但是從圖1分割后的結果來看,最大類間方差法分割對于葉柄的分割效果并不理想,會將其當作病斑區(qū)來處理,所以在算法優(yōu)化上需進一步改進．通過農作物受害程度的百分率可以有效地控制農藥劑量,減少農藥的大量浪費以及對環(huán)境造成的污染,為今后的農作物病蟲害質量檢測提供了一定的科學依據(jù)．

表2 番茄實驗計算結果

表3 辣椒實驗計算結果

表4 水稻實驗計算結果

表5 柑桔實驗計算結果

表6 玉米實驗計算結果

3 結論

對于農作物葉片受害程度等級大小的問題,研究了一種圖像處理的方法以測量出農作物葉片受害程度的大?。紫葘颖緢D像進行預處理,然后利用最大類間方差圖像分割算法獲取農作物葉片蟲害區(qū)及非蟲害區(qū)域,最后對分割后的蟲害區(qū)進行像素點填充,計算出農作物受害程度的百分率．方法適用于多種農作物病蟲害檢測,但是對于葉片上細小的病斑區(qū)不能有效準確地分割,需進一步改進和完善．

參考文獻:

[1] 張水發(fā),王開義,祖琴．基于塊標記的田間葉片損傷區(qū)域分割方法[J]．農業(yè)工程學報,2014,30(21):218-225．

[2] 葛婧,邵陸壽,丁克堅．玉米小斑病病害程度圖像檢測[J]．農業(yè)機械學報,2008,39(1):114-117．

[3] 張芳,王璐,付立思．基于支持向量機的黃瓜葉部病害的識別研究[J]．沈陽農業(yè)大學學報,2014,45(4):457-462．

[4] 刁智華,王歡,宋寅卯,等．復雜背景下棉花病葉害螨圖像螨圖像分割方法[J]．農業(yè)工程學報,2013,29(5):147-152．

[5] 陳金位,吳冰．二維直方圖重建和降維的Otsu閾值分割算法[J]．圖學學報,2015,36(4):570-575．

Detection method for damage level of crop based on image processing

JI Tao,WEI Li-sheng?,ZHANG Ping-gai
(College of Electrical Engineering,Anhui Polytechnic University,Wuhu 241000,China)

Abstract:Aiming at the problem of the damage level of crop,an image processing technology is used to measure the proportion of damage level in crop leaf diseases．First of all,by using image graying method to process the leaf samples,the complex background can be removed to obtain the independent regions．Based on this,by using the maximum variance between two classes analysis algorithm,the pixels from lesion area and non-lesion area can be counted in binary image．Then,the proportion of the damage level of crop is obtained for error analysis．At last,the results of multiple experiments verify the effectiveness and feasibility of the proposed method．

Key words:crop;image processing;damage level;maximum variance between two classes;error

中圖分類號:TP394．41

文獻標識碼:A

收稿日期:2015-10-26

基金項目:安徽省自然科學基金資助項目(1608085MF146)

作者簡介:吉 濤(1991-),男,安徽蕪湖人,碩士研究生．

通訊作者:魏利勝(1978-),男,安徽巢湖人,副教授,博士后．