寒地水稻稻瘟病顯微圖像分類方法研究

郭慶陽，譚 峰

（黑龍江八一農(nóng)墾大學(xué)信息與電氣工程學(xué)院，黑龍江大慶 163319）

0 引言

水稻一直是我國(guó)乃至全世界人民賴以為生的重要糧食作物，穩(wěn)定水稻量產(chǎn)對(duì)國(guó)家糧食安全有著不言而喻的意義。有關(guān)統(tǒng)計(jì)表明，亞洲為全世界提供了大部分的稻米［1］，但很多因素會(huì)導(dǎo)致水稻減產(chǎn)，比如病蟲害的侵襲。由于氣候、耕作方式、選取的品種不適合種植環(huán)境以及不合理用藥等因素。近年來，我國(guó)多地區(qū)出現(xiàn)了水稻病害面積逐步增大、病害種類逐步增多等情況。稻瘟病孢子用肉眼難以觀察，會(huì)隨著空氣以及雨水傳播到水稻的各部位造成稻瘟病，水稻病稻瘟病會(huì)直接導(dǎo)致水稻減產(chǎn)，帶來慘重的經(jīng)濟(jì)損失［2］。因此，及時(shí)判斷出水稻各部位上是否有稻瘟病孢子尤為重要。

在植物病害識(shí)別領(lǐng)域，目前都采用圖像處理與機(jī)器學(xué)習(xí)或深度學(xué)習(xí)相結(jié)合的方法進(jìn)行病害識(shí)別。馬超等［3］使用水稻病害圖像的HOG 特征結(jié)合支持向量機(jī)對(duì)水稻5 種病害進(jìn)行識(shí)別，并對(duì)水稻葉片上病斑位置進(jìn)行定位；張乃夫等［4］使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)玉米以及馬鈴薯等5 種病害進(jìn)行識(shí)別，并研究采用兩種池化方式對(duì)準(zhǔn)確率的影響；陳悅寧等［5］使用NAGSA-BP 算法對(duì)水稻3 種病害進(jìn)行分類研究，提取病害圖像的顏色特征、形狀特征、紋理特征，識(shí)別準(zhǔn)確率高達(dá)90%以上。

上述研究針對(duì)的都是植物葉片上的病害，此時(shí)植物已經(jīng)發(fā)病并且極有可能造成減產(chǎn)，目前對(duì)于水稻稻瘟病孢子圖像的分類研究還較少。因此，在發(fā)病前及時(shí)預(yù)防稻瘟病具有重要研究意義。

1 實(shí)驗(yàn)材料與方法

1.1 材料

實(shí)驗(yàn)用的稻瘟病孢子玻片（見圖1）在2020 年12 月5日獲取，來源于黑龍江八一農(nóng)墾大學(xué)農(nóng)學(xué)院，玻片數(shù)量為5片，使用美佳朗光學(xué)顯微鏡進(jìn)行觀察，使用mipro 顯微圖像采集軟件進(jìn)行圖像采集。

Fig.1 Glass slide of rice blast spores圖1 稻瘟病孢子玻片

1.2 實(shí)驗(yàn)方法

在采集圖片的實(shí)驗(yàn)中，首先調(diào)節(jié)光圈，能看到白亮的視野后調(diào)節(jié)粗準(zhǔn)焦螺旋，直至看到模糊的稻瘟病孢子后調(diào)節(jié)細(xì)準(zhǔn)焦螺旋，調(diào)節(jié)到能看到清晰的稻瘟病孢子圖像后就可以采集圖像，然后移動(dòng)玻片就可以看到不同的稻瘟病孢子。本研究采用40 倍物鏡及500 萬像素的電子目鏡進(jìn)行觀察，使用mipro 圖像采集軟件進(jìn)行圖像單幀拍攝，每張圖像大小為2 592×1 944。本實(shí)驗(yàn)使用Python 的Opencv 模塊以及skimage 模塊進(jìn)行圖像預(yù)處理及特征提取，使用Python的NumPy模塊進(jìn)行數(shù)據(jù)處理。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 稻瘟病孢子顯微圖片采集

對(duì)采集的稻瘟病孢子進(jìn)行剪裁，剪裁的正樣本圖片為336 張，負(fù)樣本圖片為294 張，每個(gè)圖像大小剪裁成240×280，因?yàn)殒咦哟笮〔煌搱D像尺寸可以保證能將稻瘟病孢子都完整地覆蓋。稻瘟病分生孢子呈鴨梨形，成熟的稻瘟病孢子基部是鈍的圓形并且有一個(gè)小突起，頂端是尖的，有兩個(gè)橫膈膜，如圖2 所示。負(fù)樣本采集的是氣泡等一些雜質(zhì)，如圖3所示。

Fig.2 Image of rice blast spores圖2 稻瘟病孢子圖像

Fig.3 Negative sample image圖3 負(fù)樣本圖像

2.2 稻瘟病孢子顯微圖像預(yù)處理

在稻瘟病孢子圖像采集過程中，由于玻片及采集設(shè)備的影響，采集到的圖片會(huì)有一些噪聲及干擾，將影響之后的特征提取，因此需要對(duì)圖像進(jìn)行去噪，為提高識(shí)別率，需要用到灰度化、二值圖像等其他預(yù)處理方法。

2.2.1 圖像灰度化

圖像灰度化指將彩色圖像3 個(gè)通道變?yōu)橐粋€(gè)通道，這樣像素點(diǎn)顏色就變?yōu)榛疑?］。本文采用加權(quán)平均法進(jìn)行圖像灰度化（見圖4），采用加權(quán)平均能夠在最大程度上保留圖像原有信息，將r、g、b 根據(jù)不同的權(quán)重進(jìn)行加權(quán)平均，如式（1）所示。

其中，b、g、r 為每個(gè)通道的像素值，Gray 為灰度化之后的像素值。

Fig.4 Grayscale image圖4 灰度化圖像

2.2.2 中值濾波

中值濾波的原理是：規(guī)定大小為A×A 的窗口在圖像上進(jìn)行滑動(dòng)，然后將這些像素點(diǎn)按值大小排序，之后用第（1+A2）/2 的像素值代替中心的像素值，A 為正整數(shù)，一般取值為3、5、7、9［7］。本實(shí)驗(yàn)采用3×3 的窗口，采用峰值信噪比（PSNR）衡量濾波效果［8］，如圖5 所示。峰值信噪比定義為：

其中，MSE 代表稻瘟病孢子原圖像與中值濾波后圖像之間的均方誤差。MAXI代表稻瘟病顯微圖像中像素點(diǎn)顏色的最大數(shù)值為255。通過公式計(jì)算出的峰值信噪比為40.16，說明有較好的濾波效果且未失真，保留了圖像原有信息。因此，中值濾波適用于對(duì)稻瘟病孢子顯微圖像進(jìn)行去噪。

Fig.5 Median filtered image圖5 中值濾波后的圖像

2.2.3 圖像分割

圖像分割的主要思想是根據(jù)前景和背景像素點(diǎn)的差異將前景提取出來，大津算法由于其操作簡(jiǎn)單而被廣泛應(yīng)用于圖像分割。本研究采用大津算法進(jìn)行圖像二值化，大津算法會(huì)根據(jù)稻瘟病孢子與背景像素點(diǎn)的差異進(jìn)行自動(dòng)閾值選取，主要思想是使得圖像前景像素和背景像素類方差最大，這樣避免了傳統(tǒng)二值化方法需要手動(dòng)設(shè)置閾值的問題?？梢钥闯觯褂么蠼蛩惴ǘ祷蟮膱D像可以有效地保留稻瘟病孢子的完整輪廓，如圖6 所示。灰度圖像中前景和背景像素點(diǎn)的灰度值之間會(huì)有一定差異，因而可以用類方差的大小描述前景和背景之間的不同，一旦錯(cuò)分，類間方差就會(huì)變小。當(dāng)前景和背景之間誤分的像素點(diǎn)最少時(shí)，類間方差最大［9］。假設(shè)圖像的分辨率是a×b，根據(jù)像素點(diǎn)可以分為兩類，第一類為前景，第二類為背景，w0 表示第一部分的像素與a×b 個(gè)像素的比值，u0 表示第一部分像素值的總和與第一部分像素點(diǎn)總數(shù)的比值，w1 表示第二部分的像素與a×b 個(gè)像素的比值，u1 表示第二部分像素值的總和與第二部分像素點(diǎn)總數(shù)的比值，u 表示a×b 個(gè)像素值的和與a×b 的比值，g 代表類間方差。再將圖像中所有的像素點(diǎn)與閾值T 進(jìn)行逐一比較，結(jié)果分為3 種：第1 種是閾值比像素點(diǎn)的值大，總數(shù)記為n0；第2 種是閾值比像素點(diǎn)的值小，總數(shù)記為n1；第3 種情況是相等，則可以加到n0或n1里。用公式表示為：

將T 的值從0～255 范圍內(nèi)依次代入，可以算出使g 最大時(shí)的分割閾值T。

Fig.6 Image segmented by OTSU圖6 大津算法分割后的圖像

2.3 稻瘟病孢子特征提取

2.3.1 形狀特征提取

對(duì)二值化圖像使用Canny邊緣檢測(cè)能夠更好地實(shí)現(xiàn)對(duì)稻瘟病孢子輪廓的邊緣提取，Canny 相比于其他邊緣檢測(cè)算法具有更好的去噪能力及更高的精度［10］。通過輪廓檢測(cè)進(jìn)行形狀特征提取，可提取橢圓度、最小外接矩形長(zhǎng)寬比、周長(zhǎng)、面積作為稻瘟病孢子輪廓的形狀特征，如圖7、圖8 所示。面積為稻瘟病孢子最外層輪廓所包含像素點(diǎn)的個(gè)數(shù)，周長(zhǎng)為稻瘟病孢子最外層輪廓像素點(diǎn)的個(gè)數(shù)。本文采用Opencv 中的minAreaRec 函數(shù)求解最小外接矩形，其主要原理是先求輪廓點(diǎn)集的凸包，然后求凸包的最小外接矩形，稻瘟病孢子最小外接橢圓是根據(jù)頂點(diǎn)坐標(biāo)繪制，本研究使用fitEllipse 函數(shù)求取頂點(diǎn)坐標(biāo)［11］：

式（10）中，B［0］、B［1］、B［2］、B［3］代表4 個(gè)頂點(diǎn)坐標(biāo)，A（B［m］，B［n］）表示B［m］和B［n］之間的距離，S 表示稻瘟病孢子最小外接橢圓的面積。

橢圓度計(jì)算公式為：

式（11）中，N 為橢圓度，Z 為稻瘟病孢子的面積，A、B分別表示稻瘟病孢子最小外接橢圓的長(zhǎng)軸及短軸。

Fig.8 Minimum circumscribed ellipse and minimum circumscribed rectangle圖8 最小外接橢圓與最小外接矩形

2.3.2 紋理特征提取

紋理特征也可以作為圖像分類的主要依據(jù)，紋理特征的數(shù)據(jù)代表前景像素的分布情況以及前景與背景的關(guān)系等一系列重要信息。目前，圖像處理中大多數(shù)使用兩種方法提取紋理特征：第1 種是灰度共生矩陣，也叫作GLCM；第2 種是局部二值模式，也稱為L(zhǎng)BP。本研究采用這兩種方法提取稻瘟病孢子圖像的紋理特征。

灰度共生矩陣能夠準(zhǔn)確地反映出灰度圖像中各像素點(diǎn)之間的相關(guān)性，灰度共生矩陣P(i，j|d，θ)（i，j=0，1，2，…L-1) 表示灰度級(jí)別為L(zhǎng) 的灰度圖像中，角度為θ，間距為d的灰度值為i、j的兩個(gè)像素出現(xiàn)的次數(shù)［12］，可以用如下6個(gè)參數(shù)描述灰度共生矩陣：

（1）角二階矩（ASM）。角二階矩可以用來表示稻瘟病孢子紋理粗細(xì)水平以及衡量圖像灰度分布均勻水平，可用公式表示為：

（2）對(duì)比度（Contrast）。對(duì)比度可以用來反映圖像清晰水平及紋理深淺水平，可以用公式表示為：

（3）相關(guān)性（Correlation）。相關(guān)性可以用來表示圖像局部的相關(guān)水平，可用公式表示為：

式中，μx、uy表示行方向與列方向上的均值，σx、σy表示行方向與列方向上的方差。

（4）相異性（Dissimilarity）。相異性可以由權(quán)重隨矩陣元素和對(duì)角線距離的線性增長(zhǎng)方式得到，可用公式表示為：

（5）同質(zhì)性（Homogeneity）。同質(zhì)性原理與相異性相反，其以指數(shù)形式減小?？捎霉奖硎緸椋?/p>

（6）能量（Energy）。能量表示圖像紋理的灰度變化穩(wěn)定程度，當(dāng)圖像中的紋理比較穩(wěn)定并且有規(guī)則地變化，則代表能量值大?？捎霉奖硎緸椋?/p>

本研究設(shè)置θ為4 個(gè)角度，分別為0。、45。、90。、135。，距離d=1，取4 個(gè)方向參數(shù)的平均值，這樣就形成了6 個(gè)灰度共生矩陣的特征值。

LBP 作為一種較好的圖像局部紋理特征提取算法，主要原理是通過設(shè)置半徑及采樣點(diǎn)得到一個(gè)鄰域，再根據(jù)像素值的大小對(duì)中心點(diǎn)和鄰域點(diǎn)做減法，加入結(jié)果大于0，則該鄰域點(diǎn)的像素值置為0，如果差值小于0，則該鄰域點(diǎn)的像素值置為1，這樣就可以用二進(jìn)制數(shù)代表圖像的紋理特征［13］，經(jīng)過不斷改進(jìn)，Ojala 等［14］于2002 年提出旋轉(zhuǎn)不變的統(tǒng)一模式，解決了之前LBP 容易缺少方向信息和維數(shù)過高由此引發(fā)的計(jì)算量過大等問題。本研究采用LBP 的旋轉(zhuǎn)不變的統(tǒng)一模式獲取紋理特征［15］。

式（18）中，U(LBPP，R)代表0變?yōu)?的次數(shù)，若U(LBPP，R)≤2為統(tǒng)一模式局部二值模式，則：

式（19）中，gi、gp表示鄰域內(nèi)第i個(gè)和第p個(gè)像素點(diǎn)的灰度值，gc表示所設(shè)置的鄰域中心像素點(diǎn)的灰度值，P 為采樣點(diǎn)數(shù)，R 為半徑。

本研究所采用的模式具有穩(wěn)定的旋轉(zhuǎn)不變性及灰度不變性，設(shè)定R=3、P=8，總共輸出10 個(gè)特征值，維數(shù)低，可以降低模型訓(xùn)練時(shí)間。

部分稻瘟病孢子顯微圖像特征如表1 所示。由于各特征值之間的量綱不同，本研究對(duì)稻瘟病孢子圖像特征值進(jìn)行數(shù)據(jù)預(yù)處理所采用的方法是Z-Score 標(biāo)準(zhǔn)化。該方法能夠使數(shù)據(jù)縮放到同樣的范圍，可以減少不同量綱的數(shù)據(jù)對(duì)訓(xùn)練模型的影響［16］。

Table 1 Microscopic image characteristics of some rice blast spores表1 部分稻瘟病孢子顯微圖像特征

2.4 基于支持向量機(jī)的稻瘟病顯微圖像分類方法

支持向量機(jī)是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)經(jīng)典算法［17-18］，對(duì)于小樣本分類問題依然有著很高的準(zhǔn)確率［19］，支持向量機(jī)的主要思想為找到最合適的超平面，在符合分類精度的情況下，讓該超平面和樣本之間的間距最大。假設(shè)有一組樣本集為(xi，yi)的樣本數(shù)據(jù)，分類函數(shù)可以表示為：

其中，b*表示分類閾值，表示拉格朗日乘子，sgn()表示符號(hào)函數(shù)。

如果不存在將正負(fù)樣本嚴(yán)格劃分開的超平面，可以增加松弛項(xiàng)ξ（ξ≥0）及懲罰系數(shù)C，還可以使用核函數(shù)將數(shù)據(jù)映射在高維空間，然后在高維空間找到一個(gè)超平面分割正負(fù)樣本，這樣就使低維線性不可分問題變成了高維線性可分問題［20］。在SVM 中經(jīng)常使用以下核函數(shù)：

線性核函數(shù)（Linear）：

徑向基核函數(shù)（RBF）：

多項(xiàng)式核函數(shù)（POLY）：

多層感知機(jī)核函數(shù)（Sigmoid）：

本研究設(shè)定的訓(xùn)練集與測(cè)試集比例為3∶1，每個(gè)樣本具有20個(gè)特征值，通過多次對(duì)比驗(yàn)證，結(jié)果如表2所示。

可以看出，在稻瘟病孢子顯微圖像訓(xùn)練樣本不多的情況下，使用SVM 進(jìn)行分類具有較高的識(shí)別準(zhǔn)確率。同時(shí)，也可以看出使用徑向基核函數(shù)的識(shí)別準(zhǔn)確率最高為98.7%，因此可以選擇徑向基核函數(shù)用于稻瘟病孢子顯微圖像分類。

Table 2 Comparison of recognition accuracy of different kernel functions表2 不同核函數(shù)識(shí)別準(zhǔn)確率對(duì)比

3 結(jié)語

本文使用數(shù)字圖像處理技術(shù)及SVM 實(shí)現(xiàn)了對(duì)稻瘟病孢子顯微圖像的分類研究，結(jié)果表明，使用大津算法的圖像二值化可以有效分割出稻瘟病孢子，中值濾波可以減小周圍噪點(diǎn)對(duì)之后特征提取所帶來的影響。稻瘟病孢子輪廓的形狀特征及紋理特征可以較好地表現(xiàn)出稻瘟病孢子顯微圖像的本質(zhì)特征，SVM 對(duì)于小樣本分類問題有著較好的穩(wěn)定性及較高的準(zhǔn)確率。但是，本文只對(duì)北方寒地水稻稻瘟病孢子顯微圖像進(jìn)行了研究，由于不同地區(qū)的水稻稻瘟病孢子在形態(tài)上有些差異，后續(xù)可對(duì)其他地區(qū)水稻稻瘟病孢子圖像作分類研究。