基于自適應中心對稱局部二值模式的作物病害識別方法

王獻鋒，張善文，孔韋韋

（西京學院工程技術學院，陜西 西安　710123）

基于自適應中心對稱局部二值模式的作物病害識別方法

王獻鋒，張善文，孔韋韋

（西京學院工程技術學院，陜西 西安710123）

基于局部二值模式（LBP）算子在模式識別中直方圖維數(shù)高、判別能力差、具有冗余信息等缺點，針對作物病害葉片圖像的特點，提出一種自適應中心對稱局部二值模式（Adaptive Center-Symmetric Local Binary Patterns，ACSLBP）算法，并應用于作物病害識別。該算法能夠得到光照和旋轉不變性的紋理特征，利用模糊C均值聚類算法對病害葉片圖像進行分割，再將分割后的病斑圖像進行分塊，然后采用自適應閾值提取每個子塊的ACSLBP紋理直方圖，結合作物病害葉片圖像的顏色特征，利用最近鄰分類器識別作物病害。在黃瓜4種常見病害葉片圖像數(shù)據(jù)庫上進行試驗，平均識別率高達95%以上，表明該方法是有效可行的。

自適應對稱局部二值模式；病害葉片圖像分割；作物病害識別；最近鄰分類器

王獻鋒，張善文，孔韋韋.基于自適應中心對稱局部二值模式的作物病害識別方法［J］.廣東農(nóng)業(yè)科學，2016，43（9）：140-145.

近年來，隨著全球氣候逐漸變暖和不斷惡化，溫室作物的大規(guī)模種植和農(nóng)藥的過量使用，使得作物的生態(tài)環(huán)境不斷遭到改變和破壞，作物病害的發(fā)生呈現(xiàn)上升趨勢。我國作為農(nóng)業(yè)大國，為了提高作物產(chǎn)量和質(zhì)量，有效應對作物病害刻不容緩。及時、準確地檢測并識別作物病害，能夠采取有效措施防止病害發(fā)生。當作物受到病害侵襲后，其癥狀往往首先出現(xiàn)在葉片上，使得葉片的顏色、形狀和紋理發(fā)生變化，因此通過葉片可以觀測作物病害的發(fā)生和變化［1-2］。基于病害葉片的作物病害識別是一個重要的研究方向［3-4］。傳統(tǒng)的物病害檢測、識別方法主要依賴于農(nóng)業(yè)生產(chǎn)者和植保人員的經(jīng)驗，通過肉眼觀察，識別速度慢、主觀性強、誤判率高、實時性差，不適于大面積作物病害檢測。隨著計算機、圖像處理和模式識別技術的不斷提高，利用計算機進行作物病害的自動檢測和識別成為可能［5］。到目前為止，出現(xiàn)了很多作物病害自動識別方法和技術［6-8］，病害識別方法主要包括3個步驟：（1）利用k-均值聚類、Otsu和分水嶺等方法對病害葉片進行圖像分割，得到病斑圖像；（2）提取病斑圖像的顏色、紋理和形狀的特征，進行特征選擇和特征融合，組成特征向量或矩陣；（3）利用最近鄰分類器、支持向量機和神經(jīng)網(wǎng)絡等方法進行病害分類識別。汪京京等［9］闡述作物病蟲害識別的研究現(xiàn)狀和進展，并給出了一些展望；Hiary等［10］描述了一種能夠識別植物病變特征的圖像處理技術，該技術復雜度低，能夠應用于智能手機進行作物病害識別；賈建楠等［11］分析了邊緣檢測法和最大類間方差法分割葉片圖像的優(yōu)缺點，并提取病害葉片的10個形狀特征，對2種黃瓜病害進行識別，其正確識別率達到100%，表明利用病斑形狀特征和神經(jīng)網(wǎng)絡進行黃瓜細菌性角斑病和霜霉病識別的可行性；張善文等［12］提出了一種基于黃瓜葉片癥狀圖像處理的黃瓜病害識別方法，先分割黃瓜病害葉片病斑圖像，然后進行黃瓜病害葉片圖像識別特征提取，再對特征向量進行維數(shù)約簡，最后進行黃瓜病害識別；王獻鋒等［13］利用圖像處理和統(tǒng)計分析，提出了一種基于病害葉片圖像和環(huán)境信息的黃瓜病害類別識別方法；張芳等［14］在K-均值聚類算法和LOG算子的基礎上，提出一種基于超像素和形狀上下文的復雜背景下的黃瓜葉片圖像分割算法，建立了黃瓜葉片白粉病檢測器和黃瓜葉片霜霉病檢測器，再將黃瓜葉片病害檢測器分為兩部，第一部為病斑檢測器，第二部是根據(jù)病斑檢測器的結果來進一步判斷葉片是否患有某種病害；毋媛媛等［15］針對小麥葉部病害智能識別系統(tǒng)，提出了基于顏色、紋理和形狀特征的特征提取方法，原始特征43個，包括14個顏色特征、16個紋理特征和13個形狀特征，然后利用神經(jīng)網(wǎng)絡進行病害識別。

目前很多作物葉部病害識別方法都是通過分割病斑，提取其顏色、形狀、紋理特征參數(shù)，在一定程度上取得了較好的識別效果。但由于病害葉片圖像以及病斑圖像的復雜多樣性，使得很多病害識別方法還不能有效應用于作物病害識別系統(tǒng)。局部二值模式（Local Binary Pattern，LBP）及其改進算法是一類用來描述圖像局部紋理特征的算子，具有旋轉、光照和灰度不變性等優(yōu)點［16-17］，被廣泛應用于目標檢測、人臉識別、紋理分類、圖像匹配、生物和醫(yī)學圖像分析等領域［18-20］，但很少應用于病害葉片圖像處理。本研究在LBP和中心對稱LBP（CS-LBP）［21］的基礎上，提出一種自適應中心對稱LBP（ACSLBP）算法，并應用于作物病害識別。

1　局部二值模式（LBP）和自適應LBP

LBP將鄰域作為處理單元，以任意一個像素為中心，將該像素的灰度值gc作為閾值，比較鄰域中像素的灰度值gi（i =0，1…P）與中心像素的灰度，若鄰域像素的灰度大于中心像素的灰度，則該鄰域像素置為1，否則置0。由此得到二進制鄰域像素，再給第i個鄰域像素gi分配一個權重2i。將加權二進制鄰域像素的代數(shù)和作為中心像素的LBP算子：

本研究針對病害葉片圖像的復雜多樣性特點，在自適應LBP算法和CS-LBP算法的基礎上，提出一種自適應中心對稱LBP（ACSLBP）算法。該方法能夠根據(jù)圖像的特點，自適應選取閾值，能夠更加真實地反映圖像中紋理細節(jié)的變化特征。圖1為以P=8，R=1為區(qū)域大小進行局部自適應二值化的過程：對于某個像素gc，計算以此像素的中心的8鄰域像素g（i=0，1…，7）平均灰度值的百分比作為一個閾值，若鄰域gi的像素大于該閾值則設置gi=1；否則gi=0，這是ALBP的原理；若以像素gc為中心的兩個對稱像素點之差大于閾值則設置為1，反之為0，這是CS-LBP的原理。

2　基于自適應中心對稱LBP算法的紋理特征提取

圖1　LBP和CS-LBP算法的鄰域關系示意圖

自適應中心對稱LBP（ACSLBP）算法結合了自適應LBP算法和CS-LBP算法的優(yōu)點。基于ACSLBP算法提取圖像的紋理特征CSLBPP，R（P=8，R=1）的步驟如下：

第一步：圖像分塊。為了最大程度地真實反映病害葉片圖像的紋理特征，可以將病害葉片圖像劃分成m個子塊，若某些子塊的病斑圖像的紋理細節(jié)較為豐富，則賦予該子塊較大的權重，而紋理細節(jié)較為稀少的子塊賦予較小的權重。

第二步：在每個子塊中，計算每個像素的中心對稱CSLBP8，1：

第三步：紋理特征提取。

（1）計算每一子塊紋理圖像的直方圖向量Vi（i =0，1，…m）。

（2）計算每一子塊紋理圖像的信息熵。圖像的信息熵反映了圖像中信息量的大小，信息熵越大，表明紋理細節(jié)越豐富；反之，紋理細節(jié)越稀少。按照下式計算每一子塊紋理圖像的信息熵：

式中，Pij為第i個子塊紋理圖像中第j個灰度級出現(xiàn)的概率，L為Vi的灰度級。

（3）直方圖加權。將各個子塊的直方圖向量Vi進行加權連接后得到每幅原圖像的加權特征向量V：

式中，ai（i =1，2，…m）為第i個子塊的權重系數(shù)，

3　驗證試驗與分析

為了驗證本研究提出作物病害識別方法的有效性，利用4種常見的黃瓜病害（黑星病、褐斑病、灰霉病和紅粉?。┤~片圖像數(shù)據(jù)庫進行試驗。該數(shù)據(jù)庫來源于陜西楊凌農(nóng)業(yè)高新技術產(chǎn)業(yè)示范區(qū)，由分辨率1 200×1 600的佳能A640數(shù)碼相機拍攝，每種病害包含不同光照和不同角度的100幅葉片圖像，圖像采用Matlab7.0軟件進行處理。本研究結合病斑圖像的顏色特征和K-最近鄰（K=1）分類器，并采用5折交叉驗證法進行病害識別，其中，顏色特征包含病斑的R、G、B顏色成分和H色調(diào)的均值、方差、偏度、峰值、能量、熵共6個特征［22］。將所有預處理后的4種黃瓜病斑圖像隨機劃分成5份，每次劃分的4份共320幅作為訓練樣本訓練1-NN分類器，剩余1份共80幅作為測試樣本，用于測試算法的有效性，共執(zhí)行5次性能測試。由于試驗涉及到參數(shù)選擇，因此取每次試驗的最高識別率，則每次劃分可以得到5個最高識別結果，取平均值。劃分重復50次，計算5×50=250次結果的平均值，為最終的試驗結果。實驗過程如下：

（1）預處理。為了試驗方便，利用Matlab中的函數(shù)resize（）把每幅葉片圖像剪裁成大小為480×320，并以JPG格式存儲到圖像數(shù)據(jù)庫。然后利用模糊C均值聚類算法分割病斑圖像［23］。圖2（封三）為4種黃瓜病害葉片圖像樣本及其分割后的病斑圖像。

為提取加權紋理特征，將病斑圖像劃分成4×4=16個子塊（圖3，封三））。由于基于ACSLBP的紋理特征與顏色無關，因此首先將彩色病斑圖像轉換為灰度圖像，利用中值濾波和高斯濾波去掉噪聲點后，提取各子塊的CSLBP8，1，計算其直方圖（圖4），將所有各子塊的CSLBP8，1的直方圖進行加權，串聯(lián)構成加權紋理特征向量V。

圖4　黃瓜病斑圖像的CSLBP8，1及其對應的直方圖

為了能夠合適地獲取閾值中的參數(shù)λ，本研究利用加權紋理特征向量V進行一系列的對比試驗，觀察λ取0.01～0.10（步長為0.01）中的每個值時，對應的識別率的變化情況。圖5為隨著λ變化的病害識別率（沒有顏色特征）。由圖5可知，當λ=0.05時，識別率最高，因此后續(xù)試驗取λ=0.05。

（2）特征融合。將加權紋理特征與病斑圖像的6個顏色特征進行融合。

（3）病害識別。利用1-NN分類器進行病害類別識別。

圖5　不同調(diào)節(jié)參數(shù)λ對應的識別率

表1為4種黃瓜病害的識別結果。為了驗證本研究病害識別方法的有效性，表1給出了其他3種常用的作物病害識別方法的識別結果，包括基于病斑形狀和神經(jīng)網(wǎng)絡的黃瓜病害識別方法［11］、基于彩色圖像顏色統(tǒng)計特征的識別方法［22］和基于K-均值分割和神經(jīng)網(wǎng)絡的葉片病害識別方法［24］。這3種方法及其本研究提出的方法都是在相同的黃瓜病害葉片圖像數(shù)據(jù)集上進行試驗，而且葉片圖像的預處理以及訓練子集和測試子集劃分也相同，但各個方法特征提取和選擇的特征數(shù)目不同。從表1可以看出，ACSLBP的識別率最高，達95.427%。ACSLBP是將病斑圖像進行分塊后，計算每個子塊的信息熵，并以此作為各個子塊的加權系數(shù)，然后提取每個子塊的紋理特征后對各子塊進行加權串聯(lián)，再融合病斑圖像的6個顏色特征，最終能夠形成病害葉片的分類特征向量，取得了最高的識別率。ACSLBP除了對病斑圖像進行分塊、中心對稱和自適應加權處理外，還考慮了中心像素與周圍像素的大小關系在紋理特征提取中的作用，能較好地描述粗細紋理。

表1　4種黃瓜病害識別方法的識別率

4　結語

基于葉片圖像的作物病害識別方法研究具有重要意義，但由于葉片及其病斑圖像的復雜多變性，使得很多病害識別方法的識別率不能滿足實際需要。本研究在LBP和CS-LBP算法的基礎上，提出了一種基于ACSLBP的紋理特征提取算法。該方法首先對病害葉片圖像分塊，然后計算每個子塊的閾值，再采用ACSLBP特征譜的統(tǒng)計直方圖，提取每個子塊的加權紋理特征，結合病斑圖像的6個顏色特征，串聯(lián)成最終的特征，最后利用最近鄰分類器進行病害識別。在黃瓜病害葉片圖像數(shù)據(jù)庫上進行的試驗證明，本研究提出的病害識別方法具有更高的正確識別率。

［1］Revathi P，Hemalatha M. Cotton leaf spot diseases detection utilizing feature selection with skew divergence method［J］. International Journal of Scientific Engineering and Technology，2014，3（1）：22-30.

［2］Kiran R G，Ujwalla G. An overview of the research on plant leaves disease detection using image processing techniques［J］. IOSR Journal of Computer Engineering（IOSR-JCE），2014，16（1）：10-16.

［3］Elham O，Benyamin K，Shahaboddin S，et al. Potential of radial basis function-based support vector regression for apple disease detection［J］. Measurement，2014（55）：512-519.

［4］Zhang S W，Shang Y J，Wang L. Plant disease recognition based on plant leaf image［J］. Journal of Animal & Plant Sciences，2015，25（3）：42-45.

［5］Arivazhagan S，Newlin S R，Ananthi S，et al. Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features［J］. Agric Eng Int：CIGR Journal，2013（15）：211-217.

［6］Dheeb A B，Malik B，Sulieman B. A Framework for Detection and Classification of Plant Leaf and Stem Diseases［C］. International Conference on Signal and Image Processing，2012：113-118.

［7］Wang H G，Li G L，Ma Z H，et al. Image Recognition of Plant Diseases Based on Principal Component Analysis and Neural Networks［C］. 8th International Conference on Natural Computation，2012：246-251.

［8］Santanu P，Jaya S. Rice Disease Identification using Pattern Recognition Techniques［C］. International Conference on Computer and Information Technology，2008：420-423.

［9］汪京京，張武，劉連忠. 農(nóng)作物病蟲害圖像識別技術的研究綜述［J］. 計算機工程與科學，2014，36（7）：1363-1370.

［10］Hiary H A，Ahmad S B，Reyalat M，et al. Fast and accurate detection and classification of plant diseases［J］. International Journal of Computer Applications，2011，17（1）：31-38.

［11］賈建楠，吉海彥. 基于病斑形狀和神經(jīng)網(wǎng)絡的黃瓜病害識別［J］. 農(nóng)業(yè)工程學報，2013（S1）：115-121.

［12］張善文，黃文準，胡偉. 一種基于黃瓜葉片癥狀圖像處理的黃瓜病害識別方法［P］. CN 103593652 A，2014.

［13］王獻鋒，張善文，王震，等. 基于葉片圖像和環(huán)境信息的黃瓜病害識別方法［J］. 農(nóng)業(yè)工程學報，2014（14）：148-153.

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

［15］毋媛媛，李清波，刁智華. 小麥葉部病害彩色圖像特征提取研究［J］. 農(nóng)機化研究，2015，37（10）：79-82.

［16］Guo Z H，Zhang L，Zhang D. Rotation invariant texture classification using LBP variance（LBPV）with global matching［J］. Pattern Recognition，2010，43（3）：706-719.

［17］Ojala T，Pietikainen M，Maenpaa T. Multiresolution grayscale and rotation invariant texture classification with local binary patterns［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

［18］徐杜功，丁召，劉橋. 基于稀疏表達和改進的LBP算子的人臉表情識別［J］. 計算機應用與軟件，2013，30（4）：246-248.

［19］韓延彬，尹鍵芹，李金屏. 基于圖元旋轉不變性和相位統(tǒng)計信息的LBP算法在紋理分類中的研究［J］. 計算機學報，2011，34（3）：583-592.

［20］胡敏，許艷俠，王曉華，等. 自適應加權完全局部二值模式的表情識別［J］. 中國圖象圖形學報，2013，18（10）：1279-1284.

［21］張潔玉，趙鴻萍，陳曙. 自適應閾值及加權局部二值模式的人臉識別［J］. 電子與信息學報，2014，36（6）：1327-1333.

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

［23］毛罕平，張艷誠，胡波. 基于模糊C均值聚類的作物病害葉片圖像分割方法研究［J］. 農(nóng)業(yè)工程學報，2008，24（9）：136-140.

［24］Dheeb A B，Malik B，Sulieman B A. Detection and classification of leaf diseases using K-means-based segmentation and neuralnetworks-based classification［J］. Information Technology Journal，2011，10：267-275.

（責任編輯 鄒移光）

Adaptive center-symmetric local binary patterns for crop disease recognition

WANG Xian-feng，ZHANG Shan-wen，KONG Wei-wei
（College of Engineering and Technology，Xijing University，Xi’an 710123，China）

The local binary pattern （LBP） based pattern recognition method has high histogram dimension，poor discriminate ability and redundant information. According to the features of crop disease image，to accurately describe the texture structure of crop disease leaf image，an adaptive center-symmetric local binary patterns （ACSLBP）algorithm was proposed for crop disease recognition. The invariance texture features of illumination and rotation were extracted by the algorithm. Firstly，every disease leaf image was segmented using the fussy means-clustering algorithm. Secondly，the segmented spot image was divided into several sub-images and their corresponding ACSLBP texture histogram features were extracted respectively based on the adaptive threshold. Finally，combining the 6 color features of spot image，the crop diseases were recognized by nearest neighbor classifier. The experiments on leaf image database of four common cucumber diseases were implemented. The average correct recognition rate was above 95%. The experimental results verified that the proposed method was effective and feasible.

adaptive center-symmetric local binary patterns （ACSLBP）；disease leaf image segmentation；crop disease recognition；nearest neighbor classifier

TP391.413；S431

A

1004-874X（2016）09-0140-06

2016-06-15

國家自然科學基金（61473237）；陜西省自然科學基礎研究計劃項目（2014JM2-6096）

王獻鋒（1965-），男，碩士，副教授，E-mail：wjdw716@163.com