劉麗娟　劉仲鵬

摘要：引入圖像預(yù)處理及模式識(shí)別技術(shù)，實(shí)現(xiàn)北方旱育稀植水稻葉部病害圖像的預(yù)處理。結(jié)合水稻葉部圖像的特征，對(duì)傳統(tǒng)的算法進(jìn)行調(diào)整或改進(jìn)優(yōu)化：以改進(jìn)系數(shù)的方法對(duì)圖像進(jìn)行灰度化處理；通過(guò)直方圖均衡化提升圖像的對(duì)比度；以改進(jìn)矢量中值濾波算法保護(hù)圖像邊緣，濾除圖像噪聲；以優(yōu)化的均值聚類算法進(jìn)行圖像分割，獲得水稻病斑圖像的主要特征，從而實(shí)現(xiàn)了對(duì)目標(biāo)圖像的去噪、增強(qiáng)，為病害進(jìn)一步的智能化識(shí)別與處理打下良好的基礎(chǔ)。

關(guān)鍵詞：旱育稀植水稻；病害圖像預(yù)處理；圖像識(shí)別

中圖分類號(hào)： S126文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2014）01-0092-03

收稿日期：2013-06-01

基金項(xiàng)目：河北省保定市科學(xué)技術(shù)研究與發(fā)展指導(dǎo)計(jì)劃（編號(hào)：12ZN021）。

作者簡(jiǎn)介：劉麗娟（1980—），女，河北保定人，碩士，講師，主要研究方向?yàn)榫_農(nóng)業(yè)。E-mail：llj_nd@163.com。水稻作物的旱育稀植技術(shù)是適用于北方地區(qū)氣候與環(huán)境特點(diǎn)的寒地栽培模式。水稻病害對(duì)其產(chǎn)量、品質(zhì)和農(nóng)戶的經(jīng)濟(jì)收益影響極大[1]。在水稻的幾種常見(jiàn)高發(fā)病害中，表現(xiàn)出的病征各有不同，但通常都會(huì)在其葉片部位以病斑的形式表現(xiàn)出來(lái)。由于寒地水稻種植區(qū)域廣泛，專家與技術(shù)人員配置相對(duì)不足，因此種植農(nóng)戶往往以肉眼觀察和經(jīng)驗(yàn)推斷的方法判別病癥，難以精準(zhǔn)識(shí)別病害種類，勞動(dòng)強(qiáng)度大，主觀因素多，效率不高[2-3]。隨著信息技術(shù)尤其是圖像處理的發(fā)展，引入圖像技術(shù)對(duì)農(nóng)作物病害進(jìn)行自動(dòng)處理、識(shí)別，從而提取與分析病害作物的形狀、大小、顏色、紋理等特征，進(jìn)而科學(xué)、合理地治理病害，是當(dāng)前研究的熱點(diǎn)之一。本研究引入圖像預(yù)處理及模式識(shí)別技術(shù)，以水稻紋枯病為例，實(shí)現(xiàn)北方旱育稀植水稻葉部病害圖像的預(yù)處理。結(jié)合水稻葉部圖像的特征，以改進(jìn)的方法對(duì)其進(jìn)行灰度化處理；通過(guò)直方圖均衡化提升圖像的對(duì)比度；以改進(jìn)的矢量中值濾波法保護(hù)圖像邊緣，濾除圖像噪聲；以優(yōu)化的均值聚類算法進(jìn)行圖像分割，減小了計(jì)算率，降低了復(fù)雜度，獲得水稻病斑圖像的主要特征，從而實(shí)現(xiàn)了對(duì)目標(biāo)圖像的去噪、增強(qiáng)，為病害進(jìn)一步的智能化識(shí)別與處理打下良好的基礎(chǔ)，并有助于作物的智能化精準(zhǔn)施藥。

1旱育稀植水稻病害圖像的獲取

研究所需的旱育稀植水稻病害葉片采集時(shí)間為2012年8月，采集地點(diǎn)為河北農(nóng)業(yè)大學(xué)農(nóng)作物及育種基地，經(jīng)養(yǎng)殖項(xiàng)目負(fù)責(zé)人及專家鑒定具體病種（水稻紋枯?。楸ＷC圖像后續(xù)處理成功，采用相同的方式對(duì)采集葉片進(jìn)行拍攝。使用索尼A558倍光學(xué)變焦CCD彩色數(shù)據(jù)數(shù)碼相機(jī)，相機(jī)位于葉片上方30 cm，室內(nèi)人工光照，圖像格式設(shè)置為320×240的24位真彩圖，確保顏色及特征清晰，將圖像輸入計(jì)算機(jī)，以JPG格式保存。

2旱育稀植水稻病害圖像預(yù)處理

2.1基于改進(jìn)自選擇算法的灰度預(yù)處理

通常的顏色體系可以分為純黑白、彩色以及灰度色。采集到的旱育稀植水稻病害葉片原始圖像屬于24位真彩色圖像，數(shù)據(jù)量偏大，因此圖像處理時(shí)的計(jì)算量也偏大，計(jì)算速度與圖像處理的效率受到一定影響。通常的做法是：首先將原始圖像轉(zhuǎn)換為8位灰度圖像[1]，轉(zhuǎn)換之后的圖像僅保留灰度信息，對(duì)病害圖像預(yù)處理已足夠，灰度預(yù)處理的過(guò)程就是將彩色圖像中還有亮度與色度的RGB模式經(jīng)過(guò)轉(zhuǎn)換，變成灰度色，從而降低數(shù)據(jù)量。

一般的灰度化處理僅是簡(jiǎn)單地將真彩圖像變換為具有不同灰度級(jí)別的灰度圖。為了使灰度圖更加契合于彩圖本身的顏色和亮度特征，不少研究提出了改進(jìn)的灰度化算法。例如針對(duì)顏色特征的HLS算法[4]，針對(duì)用戶需求的自選擇算法[5]等。結(jié)合水稻紋枯病的顏色特征，為了更突出病斑區(qū)域，本研究引入自選擇算法?？紤]到病斑圖像的R分量最高，是反映病斑區(qū)域的主要分量，而病斑圖像的G、B分量則為次要元素，體現(xiàn)的是葉片以及圖像背景，因此將R分量確定為病斑區(qū)域的突出色，將其權(quán)重放大；同時(shí)將G、B分量的權(quán)重減小。灰度化算法如下：

灰度=crR+cgG+cbB

其中：cr≥1，cg≤0，cb≤0，cr+cg+cb=1

這里，以自選擇的方式將R的值設(shè)置為大于1，即顯著增強(qiáng)了病斑葉片中的R分量，同時(shí)將G分量與B分量的值設(shè)置為負(fù)值，即在一定程度上削弱了病斑葉片中的G、B分量，從而實(shí)現(xiàn)了凸顯病斑圖像特征的目的。經(jīng)過(guò)多次重復(fù)試驗(yàn)，確定R=1.6，G=-0.25，B=-0.15。經(jīng)過(guò)灰度預(yù)處理流程之后的圖像，病斑部分與健康部分的對(duì)比有了明顯的改善。

2.2直方圖均衡化預(yù)處理

對(duì)水稻病害葉片病害圖像進(jìn)行直方圖均衡的思路，是對(duì)圖像中像素?cái)?shù)少的單元進(jìn)行壓縮，像素多的則進(jìn)行拓展，從而盡量使像素灰度值的動(dòng)態(tài)范圍擴(kuò)大，以“點(diǎn)運(yùn)算”的方式，使圖像在其任意一個(gè)灰度級(jí)別都分布一樣的像素?cái)?shù)目，形成處理后的輸出圖像，最終使圖像對(duì)比度得到改善。一幅圖像的直方圖能夠反映出該圖像中所含的所有灰度級(jí)別，以及該灰度級(jí)別像素?cái)?shù)目之間的統(tǒng)計(jì)特征。通過(guò)直方圖均衡化的處理方法，能夠顯著改善圖像的對(duì)比度與亮度，使其細(xì)節(jié)清晰，增強(qiáng)圖像整體對(duì)比度。

設(shè)經(jīng)過(guò)上一步灰度預(yù)處理的圖像上任意一點(diǎn)坐標(biāo)為（x，y），該點(diǎn)的灰度值是f；而經(jīng)過(guò)直方圖均衡化處理之后的新圖像灰度值為h，則可將均衡化視為圖像上坐標(biāo)為（x，y）的點(diǎn)f到h的映射過(guò)程。設(shè)灰度共L個(gè)級(jí)別，定義h為兩點(diǎn)之間的映射函數(shù)，表示為：

h=EQ（f）

則h函數(shù)應(yīng)滿足以下條件[6]：（1）在區(qū)域0≤f≤L-1中，h函數(shù)為遞增函數(shù)；（2）如果0≤f≤L-1，則應(yīng)有0≤h≤L-1。

為滿足以上條件，此處引入累積分布函數(shù)作為兩點(diǎn)之間的映射函數(shù)，即有：

h=EQ（f）=∑k1j=0nj1n（k=0，1，2，…，L-1）

其中，所采集的病害圖樣中像素總和以n表示，灰度級(jí)為當(dāng)前值的像素之和以nj表示，灰度共L個(gè)級(jí)別。

根據(jù)以上的映射方法，即可結(jié)合原始采集病斑葉片圖像灰度，通過(guò)映射算法取得均衡化之后的灰度值。具體做法是：首先根據(jù)灰度化之后的原始葉部病害圖像求得其灰度直方圖的分布狀況，并得到其統(tǒng)計(jì)結(jié)果；在此基礎(chǔ)上以累積分布函數(shù)作為映射函數(shù)，實(shí)現(xiàn)圖像的直方圖均衡預(yù)處理。圖1所示為直方圖均衡預(yù)處理前后的對(duì)比。

由圖1可知，均衡化后在病害圖像灰度值范圍內(nèi)均有直方圖存在。在直方圖均衡化處理前，灰度值中低灰度含量比較高，而處理后各灰度比例分配變得均衡，因此圖像質(zhì)量得到顯著改善，對(duì)比度提高，輪廓細(xì)節(jié)清楚，病斑邊界清晰。

2.3基于改進(jìn)矢量算法的快速中值濾波預(yù)處理

為了彌補(bǔ)直方圖均衡處理的不足，在均衡化之后還需對(duì)圖像進(jìn)行中值濾波。直方圖均衡化處理之后的圖像亮度往往

比較高，并且出現(xiàn)了一些偽邊緣，影響了對(duì)葉片的病害識(shí)別。本研究選取的是基于矢量中值濾波的方法，通過(guò)非線性濾波技術(shù)，保護(hù)目標(biāo)圖像邊緣，濾除圖像噪聲。

矢量中值濾波的處理方法優(yōu)勢(shì)在于精度很高，但傳統(tǒng)的算法涉及到過(guò)多的運(yùn)算量，在系統(tǒng)分析的實(shí)時(shí)性方面表現(xiàn)不能盡如人意[7]。本研究以改進(jìn)的快速矢量算法實(shí)現(xiàn)中值濾波，對(duì)于運(yùn)算區(qū)域之內(nèi)的數(shù)據(jù)僅考慮某一時(shí)刻移入的數(shù)據(jù)與移出的數(shù)據(jù)，較好地降低了由于傳統(tǒng)矢量中值濾波的排序而導(dǎo)致的大量運(yùn)算，改進(jìn)的算法具體為：

（1）矢量Vi若位于滑動(dòng)窗內(nèi)，則以如下的方式確定該矢量的2范數(shù)：

Si=‖vi‖=（∑m1j=1|rj|2）1/2，i=1，2，…，n

上式中，Vi的每一個(gè)分量以rj表示；Vi的所有分量的數(shù)目以m表示。

（2）設(shè)中心像素為Vc，其矢量的2范數(shù)為Sc，將待處理集合里的成員進(jìn)行歸類，歸類標(biāo)準(zhǔn)為各個(gè)成員的2范數(shù)小于、大于和等于Sc的2范數(shù)，記2范數(shù)小于Sc的成員個(gè)數(shù)為n1，2范數(shù)等于Sc的成員個(gè)數(shù)為n2。假若這2組個(gè)數(shù)均不大于閾值th，則該窗口的中值濾波終止。如果不滿足小于或等于閾值th，則轉(zhuǎn)下一步。

（3）對(duì)矢量Vi的2范數(shù)排序，可得序列S（S（1）≤S（2）≤…≤S（N）），只取位于序列中部的子序列，成員數(shù)目為t個(gè)，將與其關(guān)聯(lián)的Vi擇出，構(gòu)建新集合T。

（4）對(duì)屬于新集合的全部矢量，求得其分量的加權(quán)平均，從而構(gòu)建出由加權(quán)平均所組成的矢量Vwa=（r1，r2，…，rm）。

（5）計(jì)算此矢量Vwa=（r1，r2，…，rm）與新集合T里所有成員的距離，將其中的p個(gè)較小值構(gòu)建集合R。

（6）以矢量中值濾波算法處理集合R，保留處理的結(jié)果，本滑動(dòng)窗濾波完畢。

（7）通過(guò)增減數(shù)據(jù)開(kāi)始下一窗口的濾波操作。

對(duì)于以上步驟中t、p等參數(shù)的取值，考慮到參數(shù)t的作用是簡(jiǎn)化運(yùn)算，增強(qiáng)系統(tǒng)分析的實(shí)時(shí)性，如果t值過(guò)小則難以達(dá)到預(yù)期效果。結(jié)合已有的一些研究成果，在3×3窗口，本研究將其值取為6；參數(shù)p的作用為降低噪聲，結(jié)合已有的一些研究成果，在3×3窗口，將其值取為4。經(jīng)過(guò)反復(fù)試驗(yàn)，t、p等參數(shù)的取值可以滿足處理需求。經(jīng)過(guò)中值濾波處理之后，葉片病害圖像的邊緣依舊清晰，噪聲污染也得到了有效的去除。

2.4基于改進(jìn)FCM的圖像分割

對(duì)于作物病害的圖像分割，不少研究成果均引入了模糊理論。標(biāo)準(zhǔn)模糊聚類分割算法是一種較為常用的方法，但是這種方法涉及到較為大量的運(yùn)算，當(dāng)作物病害圖像樣本數(shù)目較多時(shí)效率明顯降低。文獻(xiàn)[8]提出一種改進(jìn)的快速模糊聚類分割算法，通過(guò)圖像的灰度級(jí)來(lái)取代復(fù)雜度較高的圖像數(shù)據(jù)，使算法效率得到較為顯著的提升。本研究在圖像分割階段引入這種方法，定義目標(biāo)函數(shù)為[9]：

Jm（U，V）=∑L-11k=0∑C1i=1（μik）m（dik）2h（k）

其中，μik的含義是待處理圖像中像素k對(duì)第i個(gè)均值聚類隸屬的程度；d的含義是像素k與第i個(gè)均值聚類之間的有效距離；h（k）的含義是待處理圖像中像素灰度為k的個(gè)數(shù)，引入h（k）可以通過(guò)圖像的灰度級(jí)來(lái)取代圖像數(shù)據(jù)樣本，降低計(jì)算復(fù)雜度與計(jì)算量。以下式計(jì)算待處理圖像樣本的c個(gè)聚類中心：

vi=∑L-11k=0（μik）mh（k）k1∑L-11k=0（μik）mh（k）（i=1，2，…，c）

迭代過(guò)程為：

（1）獲取待處理圖像樣本的灰度級(jí)（k=0，1，2，…，L-1），對(duì)各類參數(shù)進(jìn)行初始化，迭代次數(shù)以r表示，確定聚類中心的數(shù)目；

（2）計(jì)算待處理圖像樣本的c個(gè)聚類中心；

（3）以計(jì)算出的聚類中心去刷新模糊分類矩陣，得到新的分類矩陣；

（4）如果新的分類矩陣與原矩陣之差小于某個(gè)預(yù)先設(shè)定閾值ε，則迭代結(jié)束，否則r值增1，回到（2）。

迭代結(jié)束之后，把圖像的每一個(gè)灰度級(jí)別以其隸屬度為標(biāo)準(zhǔn)進(jìn)行歸類，將歸類之后的灰度級(jí)與像素進(jìn)行關(guān)聯(lián)，從而得到分割圖像?？芍獙?duì)于灰度級(jí)為L(zhǎng)的圖像樣本，傳統(tǒng)的聚類方法數(shù)據(jù)量為樣本所含的像素?cái)?shù)目，而優(yōu)化的方法則使其減少到L，提升了處理效率。

結(jié)合文獻(xiàn)[8]與文獻(xiàn)[10]選取聚類算法中參數(shù)m與ε、c的值，將m取值為3，c取值為2，ε取值為0.1。分別以傳統(tǒng)的標(biāo)準(zhǔn)模糊聚類分割算法與改進(jìn)算法對(duì)相同圖像進(jìn)行處理，選取迭代次數(shù)、首次迭代時(shí)間以及最優(yōu)值Jm進(jìn)行比較，結(jié)果如表1所示。

由表1的比較數(shù)據(jù)得出，在最優(yōu)值和迭代次數(shù)一致的前提下，改進(jìn)聚類分割算法的首次迭代時(shí)間顯著低于傳統(tǒng)算法，可以證明基于改進(jìn)算法的FCM在提升圖像分割效率方面的

有效性。圖2所示為已改進(jìn)算法的FCM分割之后的效果。

至此，水稻葉片病斑已被完整分割，可以為后續(xù)的水稻病

3小結(jié)

本研究基于圖像處理技術(shù)和模式識(shí)別技術(shù)，以水稻紋枯病為例，對(duì)采集到的病害圖像引入灰度預(yù)處理、直方圖均衡化和中值濾波，并結(jié)合水稻病害圖像的具體特征對(duì)以上方法進(jìn)行了調(diào)整或者優(yōu)化，為病害進(jìn)一步的智能化識(shí)別打下良好的基礎(chǔ)。

參考文獻(xiàn)：

[1]劉立波，周國(guó)民. 基于多層感知神經(jīng)網(wǎng)絡(luò)的水稻葉瘟病識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（增刊）：213-217.

[2]許志剛. 普通植物病理學(xué)[M]. 北京：中國(guó)農(nóng)業(yè)出版社，2002：236-237.

[3]劉立波. 基于圖像的水稻葉部病害診斷技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)科學(xué)院研究生院，2010.

[4]劉興，劉慶祥. 一種彩色圖像轉(zhuǎn)換為灰度圖像的算法[J]. 現(xiàn)代電子技術(shù)，2007，6（6）：134-135，138.

[5]張建德，邵定宏. 改進(jìn)的基于彩色空間距離的圖像灰度化算法[J]. 機(jī)械與電子，2008（1）：63-65.

[6]Toews M D，Pearson T C，Campbell J F. Imaging and automated detection of Sitophilus oryzae （Coleoptera：Curculionidae） pupae in hard red winter wheat[J]. Journal of Economic Entomology，2006，99（2）：583-592.

[7]毛文華. 基于機(jī)器視覺(jué)的田間雜草識(shí)別技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué)，2004：1-94.

[8]葉秀清，顧偉康，肖強(qiáng). 快速模糊圖像分割算法[J]. 模式識(shí)別與人工智能，2006，9（1）：66-70.

[9]徐月芳. 基于遺傳模糊C-均值聚類算法的圖像分割[J]. 西北工業(yè)大學(xué)學(xué)報(bào)，2002，30（4）：549-553.

[10]高新波，裴繼紅，謝維信. 模糊C-均值聚類算法中加權(quán)指數(shù)的研究[J]. 電子學(xué)報(bào)，2010，28（4）：80-83.魯海菊，董梅，崔同敏，等. 從枇杷內(nèi)生真菌中篩選抗枇杷根腐病菌的活性菌株[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：95-97.

根據(jù)以上的映射方法，即可結(jié)合原始采集病斑葉片圖像灰度，通過(guò)映射算法取得均衡化之后的灰度值。具體做法是：首先根據(jù)灰度化之后的原始葉部病害圖像求得其灰度直方圖的分布狀況，并得到其統(tǒng)計(jì)結(jié)果；在此基礎(chǔ)上以累積分布函數(shù)作為映射函數(shù)，實(shí)現(xiàn)圖像的直方圖均衡預(yù)處理。圖1所示為直方圖均衡預(yù)處理前后的對(duì)比。

由圖1可知，均衡化后在病害圖像灰度值范圍內(nèi)均有直方圖存在。在直方圖均衡化處理前，灰度值中低灰度含量比較高，而處理后各灰度比例分配變得均衡，因此圖像質(zhì)量得到顯著改善，對(duì)比度提高，輪廓細(xì)節(jié)清楚，病斑邊界清晰。

2.3基于改進(jìn)矢量算法的快速中值濾波預(yù)處理

為了彌補(bǔ)直方圖均衡處理的不足，在均衡化之后還需對(duì)圖像進(jìn)行中值濾波。直方圖均衡化處理之后的圖像亮度往往

比較高，并且出現(xiàn)了一些偽邊緣，影響了對(duì)葉片的病害識(shí)別。本研究選取的是基于矢量中值濾波的方法，通過(guò)非線性濾波技術(shù)，保護(hù)目標(biāo)圖像邊緣，濾除圖像噪聲。

矢量中值濾波的處理方法優(yōu)勢(shì)在于精度很高，但傳統(tǒng)的算法涉及到過(guò)多的運(yùn)算量，在系統(tǒng)分析的實(shí)時(shí)性方面表現(xiàn)不能盡如人意[7]。本研究以改進(jìn)的快速矢量算法實(shí)現(xiàn)中值濾波，對(duì)于運(yùn)算區(qū)域之內(nèi)的數(shù)據(jù)僅考慮某一時(shí)刻移入的數(shù)據(jù)與移出的數(shù)據(jù)，較好地降低了由于傳統(tǒng)矢量中值濾波的排序而導(dǎo)致的大量運(yùn)算，改進(jìn)的算法具體為：

（1）矢量Vi若位于滑動(dòng)窗內(nèi)，則以如下的方式確定該矢量的2范數(shù)：

Si=‖vi‖=（∑m1j=1|rj|2）1/2，i=1，2，…，n

上式中，Vi的每一個(gè)分量以rj表示；Vi的所有分量的數(shù)目以m表示。

（2）設(shè)中心像素為Vc，其矢量的2范數(shù)為Sc，將待處理集合里的成員進(jìn)行歸類，歸類標(biāo)準(zhǔn)為各個(gè)成員的2范數(shù)小于、大于和等于Sc的2范數(shù)，記2范數(shù)小于Sc的成員個(gè)數(shù)為n1，2范數(shù)等于Sc的成員個(gè)數(shù)為n2。假若這2組個(gè)數(shù)均不大于閾值th，則該窗口的中值濾波終止。如果不滿足小于或等于閾值th，則轉(zhuǎn)下一步。

（3）對(duì)矢量Vi的2范數(shù)排序，可得序列S（S（1）≤S（2）≤…≤S（N）），只取位于序列中部的子序列，成員數(shù)目為t個(gè)，將與其關(guān)聯(lián)的Vi擇出，構(gòu)建新集合T。

（4）對(duì)屬于新集合的全部矢量，求得其分量的加權(quán)平均，從而構(gòu)建出由加權(quán)平均所組成的矢量Vwa=（r1，r2，…，rm）。

（5）計(jì)算此矢量Vwa=（r1，r2，…，rm）與新集合T里所有成員的距離，將其中的p個(gè)較小值構(gòu)建集合R。

（6）以矢量中值濾波算法處理集合R，保留處理的結(jié)果，本滑動(dòng)窗濾波完畢。

（7）通過(guò)增減數(shù)據(jù)開(kāi)始下一窗口的濾波操作。

對(duì)于以上步驟中t、p等參數(shù)的取值，考慮到參數(shù)t的作用是簡(jiǎn)化運(yùn)算，增強(qiáng)系統(tǒng)分析的實(shí)時(shí)性，如果t值過(guò)小則難以達(dá)到預(yù)期效果。結(jié)合已有的一些研究成果，在3×3窗口，本研究將其值取為6；參數(shù)p的作用為降低噪聲，結(jié)合已有的一些研究成果，在3×3窗口，將其值取為4。經(jīng)過(guò)反復(fù)試驗(yàn)，t、p等參數(shù)的取值可以滿足處理需求。經(jīng)過(guò)中值濾波處理之后，葉片病害圖像的邊緣依舊清晰，噪聲污染也得到了有效的去除。

2.4基于改進(jìn)FCM的圖像分割

對(duì)于作物病害的圖像分割，不少研究成果均引入了模糊理論。標(biāo)準(zhǔn)模糊聚類分割算法是一種較為常用的方法，但是這種方法涉及到較為大量的運(yùn)算，當(dāng)作物病害圖像樣本數(shù)目較多時(shí)效率明顯降低。文獻(xiàn)[8]提出一種改進(jìn)的快速模糊聚類分割算法，通過(guò)圖像的灰度級(jí)來(lái)取代復(fù)雜度較高的圖像數(shù)據(jù)，使算法效率得到較為顯著的提升。本研究在圖像分割階段引入這種方法，定義目標(biāo)函數(shù)為[9]：

Jm（U，V）=∑L-11k=0∑C1i=1（μik）m（dik）2h（k）

其中，μik的含義是待處理圖像中像素k對(duì)第i個(gè)均值聚類隸屬的程度；d的含義是像素k與第i個(gè)均值聚類之間的有效距離；h（k）的含義是待處理圖像中像素灰度為k的個(gè)數(shù)，引入h（k）可以通過(guò)圖像的灰度級(jí)來(lái)取代圖像數(shù)據(jù)樣本，降低計(jì)算復(fù)雜度與計(jì)算量。以下式計(jì)算待處理圖像樣本的c個(gè)聚類中心：

vi=∑L-11k=0（μik）mh（k）k1∑L-11k=0（μik）mh（k）（i=1，2，…，c）

迭代過(guò)程為：

（1）獲取待處理圖像樣本的灰度級(jí)（k=0，1，2，…，L-1），對(duì)各類參數(shù)進(jìn)行初始化，迭代次數(shù)以r表示，確定聚類中心的數(shù)目；

（2）計(jì)算待處理圖像樣本的c個(gè)聚類中心；

（3）以計(jì)算出的聚類中心去刷新模糊分類矩陣，得到新的分類矩陣；

（4）如果新的分類矩陣與原矩陣之差小于某個(gè)預(yù)先設(shè)定閾值ε，則迭代結(jié)束，否則r值增1，回到（2）。

迭代結(jié)束之后，把圖像的每一個(gè)灰度級(jí)別以其隸屬度為標(biāo)準(zhǔn)進(jìn)行歸類，將歸類之后的灰度級(jí)與像素進(jìn)行關(guān)聯(lián)，從而得到分割圖像?？芍獙?duì)于灰度級(jí)為L(zhǎng)的圖像樣本，傳統(tǒng)的聚類方法數(shù)據(jù)量為樣本所含的像素?cái)?shù)目，而優(yōu)化的方法則使其減少到L，提升了處理效率。

結(jié)合文獻(xiàn)[8]與文獻(xiàn)[10]選取聚類算法中參數(shù)m與ε、c的值，將m取值為3，c取值為2，ε取值為0.1。分別以傳統(tǒng)的標(biāo)準(zhǔn)模糊聚類分割算法與改進(jìn)算法對(duì)相同圖像進(jìn)行處理，選取迭代次數(shù)、首次迭代時(shí)間以及最優(yōu)值Jm進(jìn)行比較，結(jié)果如表1所示。

由表1的比較數(shù)據(jù)得出，在最優(yōu)值和迭代次數(shù)一致的前提下，改進(jìn)聚類分割算法的首次迭代時(shí)間顯著低于傳統(tǒng)算法，可以證明基于改進(jìn)算法的FCM在提升圖像分割效率方面的

有效性。圖2所示為已改進(jìn)算法的FCM分割之后的效果。

至此，水稻葉片病斑已被完整分割，可以為后續(xù)的水稻病

3小結(jié)

本研究基于圖像處理技術(shù)和模式識(shí)別技術(shù)，以水稻紋枯病為例，對(duì)采集到的病害圖像引入灰度預(yù)處理、直方圖均衡化和中值濾波，并結(jié)合水稻病害圖像的具體特征對(duì)以上方法進(jìn)行了調(diào)整或者優(yōu)化，為病害進(jìn)一步的智能化識(shí)別打下良好的基礎(chǔ)。

參考文獻(xiàn)：

[1]劉立波，周國(guó)民. 基于多層感知神經(jīng)網(wǎng)絡(luò)的水稻葉瘟病識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（增刊）：213-217.

[2]許志剛. 普通植物病理學(xué)[M]. 北京：中國(guó)農(nóng)業(yè)出版社，2002：236-237.

[3]劉立波. 基于圖像的水稻葉部病害診斷技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)科學(xué)院研究生院，2010.

[4]劉興，劉慶祥. 一種彩色圖像轉(zhuǎn)換為灰度圖像的算法[J]. 現(xiàn)代電子技術(shù)，2007，6（6）：134-135，138.

[5]張建德，邵定宏. 改進(jìn)的基于彩色空間距離的圖像灰度化算法[J]. 機(jī)械與電子，2008（1）：63-65.

[6]Toews M D，Pearson T C，Campbell J F. Imaging and automated detection of Sitophilus oryzae （Coleoptera：Curculionidae） pupae in hard red winter wheat[J]. Journal of Economic Entomology，2006，99（2）：583-592.

[7]毛文華. 基于機(jī)器視覺(jué)的田間雜草識(shí)別技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué)，2004：1-94.

[8]葉秀清，顧偉康，肖強(qiáng). 快速模糊圖像分割算法[J]. 模式識(shí)別與人工智能，2006，9（1）：66-70.

[9]徐月芳. 基于遺傳模糊C-均值聚類算法的圖像分割[J]. 西北工業(yè)大學(xué)學(xué)報(bào)，2002，30（4）：549-553.

[10]高新波，裴繼紅，謝維信. 模糊C-均值聚類算法中加權(quán)指數(shù)的研究[J]. 電子學(xué)報(bào)，2010，28（4）：80-83.魯海菊，董梅，崔同敏，等. 從枇杷內(nèi)生真菌中篩選抗枇杷根腐病菌的活性菌株[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：95-97.

根據(jù)以上的映射方法，即可結(jié)合原始采集病斑葉片圖像灰度，通過(guò)映射算法取得均衡化之后的灰度值。具體做法是：首先根據(jù)灰度化之后的原始葉部病害圖像求得其灰度直方圖的分布狀況，并得到其統(tǒng)計(jì)結(jié)果；在此基礎(chǔ)上以累積分布函數(shù)作為映射函數(shù)，實(shí)現(xiàn)圖像的直方圖均衡預(yù)處理。圖1所示為直方圖均衡預(yù)處理前后的對(duì)比。

由圖1可知，均衡化后在病害圖像灰度值范圍內(nèi)均有直方圖存在。在直方圖均衡化處理前，灰度值中低灰度含量比較高，而處理后各灰度比例分配變得均衡，因此圖像質(zhì)量得到顯著改善，對(duì)比度提高，輪廓細(xì)節(jié)清楚，病斑邊界清晰。

2.3基于改進(jìn)矢量算法的快速中值濾波預(yù)處理

為了彌補(bǔ)直方圖均衡處理的不足，在均衡化之后還需對(duì)圖像進(jìn)行中值濾波。直方圖均衡化處理之后的圖像亮度往往

比較高，并且出現(xiàn)了一些偽邊緣，影響了對(duì)葉片的病害識(shí)別。本研究選取的是基于矢量中值濾波的方法，通過(guò)非線性濾波技術(shù)，保護(hù)目標(biāo)圖像邊緣，濾除圖像噪聲。

矢量中值濾波的處理方法優(yōu)勢(shì)在于精度很高，但傳統(tǒng)的算法涉及到過(guò)多的運(yùn)算量，在系統(tǒng)分析的實(shí)時(shí)性方面表現(xiàn)不能盡如人意[7]。本研究以改進(jìn)的快速矢量算法實(shí)現(xiàn)中值濾波，對(duì)于運(yùn)算區(qū)域之內(nèi)的數(shù)據(jù)僅考慮某一時(shí)刻移入的數(shù)據(jù)與移出的數(shù)據(jù)，較好地降低了由于傳統(tǒng)矢量中值濾波的排序而導(dǎo)致的大量運(yùn)算，改進(jìn)的算法具體為：

（1）矢量Vi若位于滑動(dòng)窗內(nèi)，則以如下的方式確定該矢量的2范數(shù)：

Si=‖vi‖=（∑m1j=1|rj|2）1/2，i=1，2，…，n

上式中，Vi的每一個(gè)分量以rj表示；Vi的所有分量的數(shù)目以m表示。

（2）設(shè)中心像素為Vc，其矢量的2范數(shù)為Sc，將待處理集合里的成員進(jìn)行歸類，歸類標(biāo)準(zhǔn)為各個(gè)成員的2范數(shù)小于、大于和等于Sc的2范數(shù)，記2范數(shù)小于Sc的成員個(gè)數(shù)為n1，2范數(shù)等于Sc的成員個(gè)數(shù)為n2。假若這2組個(gè)數(shù)均不大于閾值th，則該窗口的中值濾波終止。如果不滿足小于或等于閾值th，則轉(zhuǎn)下一步。

（3）對(duì)矢量Vi的2范數(shù)排序，可得序列S（S（1）≤S（2）≤…≤S（N）），只取位于序列中部的子序列，成員數(shù)目為t個(gè)，將與其關(guān)聯(lián)的Vi擇出，構(gòu)建新集合T。

（4）對(duì)屬于新集合的全部矢量，求得其分量的加權(quán)平均，從而構(gòu)建出由加權(quán)平均所組成的矢量Vwa=（r1，r2，…，rm）。

（5）計(jì)算此矢量Vwa=（r1，r2，…，rm）與新集合T里所有成員的距離，將其中的p個(gè)較小值構(gòu)建集合R。

（6）以矢量中值濾波算法處理集合R，保留處理的結(jié)果，本滑動(dòng)窗濾波完畢。

（7）通過(guò)增減數(shù)據(jù)開(kāi)始下一窗口的濾波操作。

對(duì)于以上步驟中t、p等參數(shù)的取值，考慮到參數(shù)t的作用是簡(jiǎn)化運(yùn)算，增強(qiáng)系統(tǒng)分析的實(shí)時(shí)性，如果t值過(guò)小則難以達(dá)到預(yù)期效果。結(jié)合已有的一些研究成果，在3×3窗口，本研究將其值取為6；參數(shù)p的作用為降低噪聲，結(jié)合已有的一些研究成果，在3×3窗口，將其值取為4。經(jīng)過(guò)反復(fù)試驗(yàn)，t、p等參數(shù)的取值可以滿足處理需求。經(jīng)過(guò)中值濾波處理之后，葉片病害圖像的邊緣依舊清晰，噪聲污染也得到了有效的去除。

2.4基于改進(jìn)FCM的圖像分割

對(duì)于作物病害的圖像分割，不少研究成果均引入了模糊理論。標(biāo)準(zhǔn)模糊聚類分割算法是一種較為常用的方法，但是這種方法涉及到較為大量的運(yùn)算，當(dāng)作物病害圖像樣本數(shù)目較多時(shí)效率明顯降低。文獻(xiàn)[8]提出一種改進(jìn)的快速模糊聚類分割算法，通過(guò)圖像的灰度級(jí)來(lái)取代復(fù)雜度較高的圖像數(shù)據(jù)，使算法效率得到較為顯著的提升。本研究在圖像分割階段引入這種方法，定義目標(biāo)函數(shù)為[9]：

Jm（U，V）=∑L-11k=0∑C1i=1（μik）m（dik）2h（k）

其中，μik的含義是待處理圖像中像素k對(duì)第i個(gè)均值聚類隸屬的程度；d的含義是像素k與第i個(gè)均值聚類之間的有效距離；h（k）的含義是待處理圖像中像素灰度為k的個(gè)數(shù)，引入h（k）可以通過(guò)圖像的灰度級(jí)來(lái)取代圖像數(shù)據(jù)樣本，降低計(jì)算復(fù)雜度與計(jì)算量。以下式計(jì)算待處理圖像樣本的c個(gè)聚類中心：

vi=∑L-11k=0（μik）mh（k）k1∑L-11k=0（μik）mh（k）（i=1，2，…，c）

迭代過(guò)程為：

（1）獲取待處理圖像樣本的灰度級(jí)（k=0，1，2，…，L-1），對(duì)各類參數(shù)進(jìn)行初始化，迭代次數(shù)以r表示，確定聚類中心的數(shù)目；

（2）計(jì)算待處理圖像樣本的c個(gè)聚類中心；

（3）以計(jì)算出的聚類中心去刷新模糊分類矩陣，得到新的分類矩陣；

（4）如果新的分類矩陣與原矩陣之差小于某個(gè)預(yù)先設(shè)定閾值ε，則迭代結(jié)束，否則r值增1，回到（2）。

迭代結(jié)束之后，把圖像的每一個(gè)灰度級(jí)別以其隸屬度為標(biāo)準(zhǔn)進(jìn)行歸類，將歸類之后的灰度級(jí)與像素進(jìn)行關(guān)聯(lián)，從而得到分割圖像。可知對(duì)于灰度級(jí)為L(zhǎng)的圖像樣本，傳統(tǒng)的聚類方法數(shù)據(jù)量為樣本所含的像素?cái)?shù)目，而優(yōu)化的方法則使其減少到L，提升了處理效率。

結(jié)合文獻(xiàn)[8]與文獻(xiàn)[10]選取聚類算法中參數(shù)m與ε、c的值，將m取值為3，c取值為2，ε取值為0.1。分別以傳統(tǒng)的標(biāo)準(zhǔn)模糊聚類分割算法與改進(jìn)算法對(duì)相同圖像進(jìn)行處理，選取迭代次數(shù)、首次迭代時(shí)間以及最優(yōu)值Jm進(jìn)行比較，結(jié)果如表1所示。

由表1的比較數(shù)據(jù)得出，在最優(yōu)值和迭代次數(shù)一致的前提下，改進(jìn)聚類分割算法的首次迭代時(shí)間顯著低于傳統(tǒng)算法，可以證明基于改進(jìn)算法的FCM在提升圖像分割效率方面的

有效性。圖2所示為已改進(jìn)算法的FCM分割之后的效果。

至此，水稻葉片病斑已被完整分割，可以為后續(xù)的水稻病

3小結(jié)

本研究基于圖像處理技術(shù)和模式識(shí)別技術(shù)，以水稻紋枯病為例，對(duì)采集到的病害圖像引入灰度預(yù)處理、直方圖均衡化和中值濾波，并結(jié)合水稻病害圖像的具體特征對(duì)以上方法進(jìn)行了調(diào)整或者優(yōu)化，為病害進(jìn)一步的智能化識(shí)別打下良好的基礎(chǔ)。

參考文獻(xiàn)：

[1]劉立波，周國(guó)民. 基于多層感知神經(jīng)網(wǎng)絡(luò)的水稻葉瘟病識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（增刊）：213-217.

[2]許志剛. 普通植物病理學(xué)[M]. 北京：中國(guó)農(nóng)業(yè)出版社，2002：236-237.

[3]劉立波. 基于圖像的水稻葉部病害診斷技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)科學(xué)院研究生院，2010.

[4]劉興，劉慶祥. 一種彩色圖像轉(zhuǎn)換為灰度圖像的算法[J]. 現(xiàn)代電子技術(shù)，2007，6（6）：134-135，138.

[5]張建德，邵定宏. 改進(jìn)的基于彩色空間距離的圖像灰度化算法[J]. 機(jī)械與電子，2008（1）：63-65.

[6]Toews M D，Pearson T C，Campbell J F. Imaging and automated detection of Sitophilus oryzae （Coleoptera：Curculionidae） pupae in hard red winter wheat[J]. Journal of Economic Entomology，2006，99（2）：583-592.

[7]毛文華. 基于機(jī)器視覺(jué)的田間雜草識(shí)別技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué)，2004：1-94.

[8]葉秀清，顧偉康，肖強(qiáng). 快速模糊圖像分割算法[J]. 模式識(shí)別與人工智能，2006，9（1）：66-70.

[9]徐月芳. 基于遺傳模糊C-均值聚類算法的圖像分割[J]. 西北工業(yè)大學(xué)學(xué)報(bào)，2002，30（4）：549-553.

[10]高新波，裴繼紅，謝維信. 模糊C-均值聚類算法中加權(quán)指數(shù)的研究[J]. 電子學(xué)報(bào)，2010，28（4）：80-83.魯海菊，董梅，崔同敏，等. 從枇杷內(nèi)生真菌中篩選抗枇杷根腐病菌的活性菌株[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（1）：95-97.