鄧?yán)^忠，李 敏，袁之報(bào)，黃華盛，王 張

（1.華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣州 510642；2.海南出入境檢驗(yàn)檢疫局熱帶植物隔離檢疫中心，?？?570311；3.海南出入境檢驗(yàn)檢疫局檢驗(yàn)檢疫技術(shù)中心，海口 570311）

小麥腥黑穗病是毀滅性的檢疫對(duì)象，一般發(fā)病田塊小麥可減產(chǎn)10%～20%，嚴(yán)重的減產(chǎn)50%以上，甚至絕收[1]。小麥印度腥，小麥矮腥和小麥網(wǎng)腥三種黑穗病常?；烊脒M(jìn)口小麥原糧中，而且它們的冬孢子形態(tài)特征比較相似[2]，給檢疫造成困難。目前，國(guó)內(nèi)主要通過(guò)顯微鏡觀察，依據(jù)病原菌的冬孢子形態(tài)學(xué)特征、自發(fā)熒光顯微學(xué)特征和萌發(fā)生理學(xué)特征來(lái)對(duì)其進(jìn)行鑒定，其準(zhǔn)確程度與分析人員的經(jīng)驗(yàn)有關(guān)，難以保證檢測(cè)的穩(wěn)定性和客觀性，效率也較低。

為了避免和減少人為因素的影響，發(fā)展自動(dòng)化程度較高的病害檢疫和分類(lèi)系統(tǒng)，利用圖像處理技術(shù)分析小麥腥黑穗病害圖像，并進(jìn)而判斷病害類(lèi)別很有必要。目前在國(guó)內(nèi)，基于圖像識(shí)別的小麥腥黑穗病害的檢疫和分類(lèi)研究鮮有報(bào)道，但是已經(jīng)有相關(guān)的一些其他病害的識(shí)別研究。

Sasaki等采用遺傳算法，從分光反射特性和形狀特性的角度，建立了識(shí)別參數(shù)，對(duì)黃瓜炭疽病進(jìn)行診斷[3]。Chesmore等從給定的病害圖像中自動(dòng)定位孢子，并提取其周長(zhǎng)、表面積、突起數(shù)及突起的大小、最大（?。┌霃胶蛨A形度等相關(guān)參數(shù)，進(jìn)行了小麥印度腥黑穗?。═illetia indica）孢子和黑麥草腥黑穗病菌（Tilletia walkeri）孢子的分類(lèi)[4]。陳兵旗等通過(guò)小波變換和紋理計(jì)算強(qiáng)調(diào)小麥葉片病害位置，以待測(cè)病害圖像和庫(kù)存病害圖像間顏色特征差值最小為原則，檢索出庫(kù)存病害圖像[5]。本文在總結(jié)國(guó)內(nèi)外病害識(shí)別相關(guān)研究的基礎(chǔ)上，利用Visual C++開(kāi)發(fā)基于圖像識(shí)別的小麥腥黑穗病害診斷系統(tǒng)，系統(tǒng)綜合研究小麥腥黑穗病害的多種圖像處理方法，提取其顏色、形狀和紋理特征，分析有利于病害識(shí)別的核心特征，并研究了基于神經(jīng)網(wǎng)絡(luò)的分類(lèi)算法。

2 小麥腥黑穗病害圖像處理

用于識(shí)別的小麥腥黑穗病害圖像是通過(guò)顯微圖像采集設(shè)備獲取的，分辨率為2 048×1 536 pixel，JPEG格式的圖像。圖像處理是提取特征前的重要步驟，目的是將圖像中的病害區(qū)域分割出來(lái)。

2.1 圖像預(yù)處理

圖像在獲取過(guò)程中，會(huì)受到不同噪聲源的影響，包括圖像采集設(shè)備和圖像傳輸過(guò)程中產(chǎn)生的隨機(jī)噪聲。上述噪聲使原本均勻或連續(xù)變換的圖像像素值發(fā)生突變，產(chǎn)生虛假的輪廓邊緣，淹沒(méi)圖像特征。因此在進(jìn)行圖像分析前應(yīng)該抑制和消除噪聲，并進(jìn)行圖像增強(qiáng)以突出圖像中的病害特征，擴(kuò)大圖像中不同對(duì)象特征間的差別。

綜合考慮處理效果和耗用時(shí)間，本文選用中值濾波法濾除噪聲，并通過(guò)梯度銳化突出病害區(qū)域。

2.2 圖像分割

圖像分割是后續(xù)對(duì)小麥腥黑穗病進(jìn)行定量分析的前提。顯微圖像普遍存在以下幾個(gè)特點(diǎn)：背景亮度不均勻造成灰度變化復(fù)雜；病害核邊界復(fù)雜且不規(guī)則；載玻片殘留雜質(zhì)；切片制作時(shí)的刀口或抓痕；細(xì)胞重疊或粘連。這些特點(diǎn)都給病害的分割帶來(lái)了困難，簡(jiǎn)單的閾值選取方法很難取得最佳的閾值。本文分析了閾值分割、區(qū)域生長(zhǎng)法、基于灰度圖的K均值聚類(lèi)法[6]和基于彩色圖像的K均值聚類(lèi)法等4種圖像分割方法。

基于彩色的K均值聚類(lèi)法以病害彩色圖像B分量為聚類(lèi)對(duì)象，以R、G、B三分量值之和不變?yōu)榈K止條件，利用K均值聚類(lèi)的方法分割病害圖像，使類(lèi)內(nèi)像素均值的距離和取得局部極小值。對(duì)矮腥病害圖像的各種分割效果的對(duì)比見(jiàn)圖1。從圖中可以看出，基于彩色圖像的K均值聚類(lèi)分割法能更完整地分割出病害區(qū)域。

圖1 矮腥病害圖像分割效果Fig.1 Segmentation of Tilletia controversa Kuhn

為了有效分析病害區(qū)域的圖像特征，需要將單個(gè)病害區(qū)域（以下簡(jiǎn)稱(chēng)單核）從整幅病害圖像中提取出來(lái)。如果圖像病害區(qū)域與背景的亮度或顏色對(duì)比度明顯，則采用區(qū)域標(biāo)記的方法很容易自動(dòng)分離出單核；如果對(duì)比度不明顯，為達(dá)到精確分割，可通過(guò)人機(jī)交互的方式在分割圖像中確定單核的外接矩形，根據(jù)其外接矩形的位置，再采用圖像的邏輯運(yùn)算，就可從原彩色圖像中提取出單核的圖像。本系統(tǒng)設(shè)計(jì)了自動(dòng)與人機(jī)交互兩種方式來(lái)提取單核圖像。圖2是提取的單核圖像。

圖2 提取的單核圖像Fig.2 Extracted mononuclear images

3 小麥腥黑穗病害圖像的特征提取

小麥的網(wǎng)腥、印度腥及矮腥等三種腥黑穗病的病害圖像在顏色、形狀及紋理等三方面都有差異。為全面考察這些特征差異，本系統(tǒng)可提取病害圖像的18個(gè)顏色特征、17個(gè)形狀特征和6個(gè)紋理特征，以便在以后通過(guò)逐步積累的豐富的樣本量，對(duì)各種特征進(jìn)行綜合分析，選擇其中的典型特征，更好描述各類(lèi)病害間的差異。獲取標(biāo)準(zhǔn)病害圖像的特征參數(shù)后，就可利用SQL Server 2005建立病害特征數(shù)據(jù)庫(kù)或進(jìn)行分類(lèi)識(shí)別。

3.1 顏色特征提取

顏色直方圖對(duì)于描繪病害區(qū)域顏色的全局分布比較有效，但它只能反映一個(gè)直觀的區(qū)間概念，并不能將顏色直方圖反映的顏色分布區(qū)間直接作為區(qū)分三類(lèi)病害的依據(jù)。為了將顏色分量進(jìn)行量化，通過(guò)分析，本系統(tǒng)提取顏色分量的顏色矩作為顏色特征用于病害分類(lèi)的分析。

由于顏色分布信息主要集中在圖像顏色的低三階矩中，本系統(tǒng)主要對(duì)R、G、B和H、S、I六種顏色分量的一階、二階和三階矩進(jìn)行統(tǒng)計(jì)。

3.2 形狀特征提取

三種病害在形狀上也存在差異，網(wǎng)腥呈球形或近球形，直徑13.2～21.5 μm，印度腥呈球形、近球形或卵形，大小為25～40 μm，矮腥呈球形或扁球形，直徑約15.5～17.0 μm[7]。所以其形狀也可作為病害識(shí)別的特征。

形狀特征與圖像灰度值無(wú)關(guān)，因此先對(duì)圖像進(jìn)行二值化利于后續(xù)計(jì)算。本系統(tǒng)計(jì)算并分析了長(zhǎng)軸與短軸、等價(jià)橢圓長(zhǎng)軸與短軸、面積、周長(zhǎng)、長(zhǎng)短軸之比、緊湊性、離心率、形狀復(fù)雜度[8]和七個(gè)不變矩[9]共17個(gè)形狀特征。

3.3 紋理特征提取

紋理特征不依賴(lài)于顏色或亮度，反映了圖像上的局部不規(guī)則性和宏觀上的規(guī)律特性。本系統(tǒng)基于灰度共生矩陣[10]來(lái)計(jì)算紋理特征。

作為紋理分析的特征量，往往不是直接應(yīng)用計(jì)算的灰度共生矩陣，而是在灰度共生矩陣的基礎(chǔ)上提取紋理特征。通過(guò)試驗(yàn)統(tǒng)計(jì)，角二階矩、熵、局部平穩(wěn)、慣性矩、相關(guān)和方差六種紋理特征中[11]，三類(lèi)病害只在慣性矩的取值區(qū)間上重疊較少。

慣性矩反映了圖像的清晰度和紋理溝紋深淺的程度，可用下式描述：

其中，CON代表慣性矩，i和j表示圖像灰度層。

通過(guò)計(jì)算比較，選定距離d為1，方向θ為0°。

3.4 特征選擇

根據(jù)數(shù)理統(tǒng)計(jì)原則，依據(jù)不同類(lèi)間特征不相交或相交很少的方法選取出用于分類(lèi)的特征。基于以上原則，在分析了從圖像病害區(qū)域提取的上述特征數(shù)據(jù)后，本系統(tǒng)選擇了長(zhǎng)軸、短軸、等價(jià)橢圓短軸、面積、周長(zhǎng)和慣性矩6個(gè)有代表性的特征作為模式識(shí)別的特征參數(shù)。

4 分類(lèi)識(shí)別與試驗(yàn)

特征識(shí)別就是根據(jù)研究對(duì)象的特征或?qū)傩?，通過(guò)一定的分析算法確定待識(shí)別對(duì)象的類(lèi)別。

本文以Visual C++為開(kāi)發(fā)平臺(tái)，結(jié)合IMAQ Vision圖像函數(shù)庫(kù)及Microsoft SQL Server 2005數(shù)據(jù)庫(kù)開(kāi)發(fā)了一個(gè)小麥腥黑穗病害分類(lèi)診斷系統(tǒng)，利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)完成對(duì)病害的診斷和分類(lèi)。本文使用的BP神經(jīng)網(wǎng)絡(luò)為3層結(jié)構(gòu)，輸入層為6個(gè)神經(jīng)元，代表歸一化的經(jīng)過(guò)特征選擇后的6個(gè)特征向量，隱含層有10個(gè)神經(jīng)元，輸出層是針對(duì)三類(lèi)病害的分類(lèi)結(jié)果，即只有一個(gè)輸出。為了更好的實(shí)現(xiàn)病害的分類(lèi)，研究對(duì)目標(biāo)期望輸出采用8421碼進(jìn)行編碼。即輸出層的維數(shù)為4。傳遞函數(shù)選用雙曲正切函數(shù)。相似性函數(shù)是用函數(shù)的方法來(lái)表征兩向量相似的程度。系統(tǒng)采用夾角余弦法計(jì)算待測(cè)病害樣本和三類(lèi)標(biāo)準(zhǔn)樣本輸出向量的相似度，用其表示輸出結(jié)果。

夾角余弦用來(lái)度量?jī)山M向量之間夾角的大小，亦稱(chēng)為相和系數(shù)，取值越大表明兩向量夾角越小，兩者越相近。其計(jì)算公式為：

其中，x，y是用于度量的向量，n表示向量的維數(shù)，i=1，2，…，n。

本文采用上述技術(shù)，對(duì)包括小麥矮腥黑穗病、小麥網(wǎng)腥黑穗病及小麥印度腥黑穗病共41個(gè)單個(gè)樣本病害圖像進(jìn)行了分類(lèi)診斷的初步試驗(yàn)，其中15個(gè)作為訓(xùn)練樣本集，另外26個(gè)樣本集輸入BP網(wǎng)絡(luò)進(jìn)行測(cè)試。

測(cè)試結(jié)果如表1所示?？梢钥闯?，對(duì)三類(lèi)病害的平均正確識(shí)別率可以達(dá)到88.5%，且有一定的準(zhǔn)確性；對(duì)印度腥、矮腥分別有1個(gè)和2個(gè)樣本不能正確識(shí)別，原因在于：訓(xùn)練樣本太少，由此提取的各類(lèi)特征數(shù)據(jù)典型性不足；不能識(shí)別的測(cè)試樣本圖像不夠清晰，因而提取的特征數(shù)據(jù)被削弱。

表1 三類(lèi)病害分類(lèi)診斷結(jié)果Table 1 Diagnosis of three diseases

5 結(jié) 論

本文以Visual C++為主要開(kāi)發(fā)平臺(tái)，開(kāi)發(fā)了一個(gè)基于圖像識(shí)別的小麥腥黑穗病害診斷系統(tǒng)。系統(tǒng)選擇了適于對(duì)小麥腥黑穗病害圖像進(jìn)行圖像濾波和增強(qiáng)的算法；采用圖像分割算法并結(jié)合人機(jī)交互提取了單核圖像；在計(jì)算和分析了病害的顏色、形狀和紋理等共41個(gè)特征參數(shù)后，根據(jù)較大的特征差異更能區(qū)分不同病害的原則，選取了6個(gè)具有代表性的特征值,并將特征參數(shù)值存儲(chǔ)在SQL Server 2005數(shù)據(jù)庫(kù)中，最后利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)病害的識(shí)別和分類(lèi)。

利用已知的41個(gè)小麥腥黑穗病害圖像樣本進(jìn)行了分類(lèi)診斷試驗(yàn)，結(jié)果表明，對(duì)26個(gè)測(cè)試樣本的正確識(shí)別率達(dá)到了88.5%，說(shuō)明采用圖像識(shí)別技術(shù)進(jìn)行小麥腥黑穗病診斷的方法具有可行性。通過(guò)今后增加數(shù)據(jù)庫(kù)中的訓(xùn)練樣本量，提取更加典型的特征，將會(huì)進(jìn)一步提供識(shí)別的準(zhǔn)確性。本系統(tǒng)可應(yīng)用于對(duì)小麥腥黑穗病害進(jìn)行自動(dòng)檢疫和分類(lèi)，也可應(yīng)用于其它類(lèi)似的植物病害的檢測(cè)或診斷。

[1]新農(nóng)網(wǎng).小麥腥黑穗病防治技巧[OL].新農(nóng)網(wǎng).(2010－04－10).http://www.zgny.com.cn/ifm/tech/2010－4－10/101504.shtml.

[2]梁再群,郭翼奮,朱穎初,等.根據(jù)統(tǒng)計(jì)分析冬孢子形態(tài)特性區(qū)分小麥矮腥黑穗病和網(wǎng)腥黑穗病的方法[J].植物保護(hù)學(xué)報(bào),1982,9(4):243－250.

[3]Sasaki Y,Okamoto T.Automatic diagnosis of plant diseaserecognition between healthy and diseased leaf[J].Journal of Japanese Society of Agricultural Machinery,1999,61(2):119－126.

[4]Chesmore D,Bernard T,Inman A J,et al.Image analysis for the identification of the quarantine pest Tilletia indica[J].EPPO Bulletin,2003,33(3):495－499.

[5]陳兵旗,郭學(xué)梅,李曉華.基于圖像處理的小麥病害診斷算法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(12):190－195.

[6]劉豪,潘中良.電路板圖像分割的K均值聚類(lèi)算法研究[J].自動(dòng)化與信息工程,2009(2):1－3.

[7]劉惜若.黑粉均與黑粉病[M].北京:農(nóng)業(yè)出版社,1984.

[8]于新文,沈佐銳,高靈旺,等.昆蟲(chóng)圖像幾何形狀特征的提取技術(shù)研究[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào),2003,8(3):47－50.

[9]Hu M K.Visual pattern recognition by moment invariants[J].IRE Transactions on Information Theory,1962,8(2):179－187.

[10]Haralick R M,Shanmugam K,Dinstein I.Texture features for image classification[J].IEEE Transactions on Systems Management and Cybertics,1973,3(6):610－621.

[11]高士忠.基于灰度共生矩陣的織物紋理分析[J].計(jì)算機(jī)工程與設(shè)計(jì),2008,29(16):4385－4388.