摘要：為實現計算機診斷煙草病害，提出了依據病害圖像的特征，運用實數編碼遺傳算法優(yōu)化特征和支持向量機識別病害的方法來診斷病害。通過對病害圖像增強處理、彩色病斑分割、病斑特征提取，構建了實數編碼遺傳算法選擇有效特征與支持向量機識別病害的模型。該模型通過實數編碼遺傳算法將權重較高的前n個特征值xi乘以對應權重wi作為支持向量機的輸入向量，將分類精度作為遺傳算法的適應度，對個體進行了評估，實現了在獲得有效特征的同時提高支持向量機的識別精度。試驗結果表明，經過訓練的模型具有較好的煙草病害識別能力。

關鍵詞：病斑特征；煙草病害；支持向量機；CIE L*a*b*模型；實數編碼遺傳算法

中圖分類號： S126；TP391.41文獻標志碼： A文章編號：1002-1302（2015）09-0435-04

隨著計算機技術的發(fā)展和農業(yè)信息化的迫切需求，國內外學者嘗試利用計算機圖像處理技術和模式識別技術對作物病害進行自動定量的識別，已在水稻、小麥、黃瓜、蔬菜[1-5]等的病害識別上取得了一定的成績。常用的模式識別工具有貝葉斯決策、神經網絡、模糊集法等。常用模式識別工具是以無限多樣本訓練為前提的，但在實際診斷中對于某一類病害，通常不具有大量的病害樣本。支持向量機（SVM）[6]是一種新的模式識別方法，它在處理非線性、小樣本等問題上具有特定的優(yōu)勢，在生物信息、醫(yī)學等領域已得到了成功應用。已有學者開始利用支持向量機對葡萄、黃瓜、小麥等的病害進行識別[2-3]，取得了一定成績。因作物種類繁多，同一類作物也會有多種病害發(fā)生，且病害特征呈現多樣化、復雜化，所以至今還沒有一種通用的病害識別方法，需針對不同的作物病害分別進行研究。在煙草生長期內有多種病害發(fā)生，每年造成的損失很大[7]，病害防治是確保煙草產量和質量的關鍵技術之一。目前，煙草病害的識別主要通過人為判斷，或通過書本、互聯網、數據庫等提供的煙草病害圖片比對診斷，這對于非專業(yè)人員，往往會引起人為的誤判，從而難以對癥下藥，造成煙葉質量下降。

本研究提出依據病害圖像的病斑特征，構建實數編碼遺傳算法獲取有效特征和支持向量機識別病害的模型以診斷煙草病害。以赤星病、野火病等4種常見又容易混淆的煙草病害圖像診斷為例，通過分割彩色病斑、提取病斑特征，將提取的特征輸入實數編碼遺傳算法優(yōu)化特征和支持向量機識別病害的模型，特征通過模型，獲得對應的權重，將前n個權重較高的特征向量值xi乘以對應的權重wi，即xi=wi·xi作為支持向量機的輸入向量，支持向量機的分類精度作為遺傳算法的適應度對個體進行評估，以在去除冗余特征的同時提高支持向量機的識別精度。試驗表明，實數編碼遺傳算法選擇病害特征比采用二進制編碼及雙編碼具有更好的識別率和優(yōu)勢，構建的模型能很好地識別煙草病害，可為病害的科學防治和危害程度評價提供依據。

1材料和方法

1.1病害圖像采集與硬件參數

本研究中所采集的圖像來源于云南德宏潞西，在田間自然光照下，用Nikon D80數碼相機（焦距18～20 mm，最大光圈f/3.5～f/5.6），采集4種煙草病害（野火病、炭疽病、赤星病、蛙眼?。?00幅，以“jpg”格式存儲在電腦中。

利用Intel（R） Pentium（R）CPU G3220@3.0GHZ處理器，內存4 G，硬盤500 G，在Windows 2007系統(tǒng)環(huán)境下用Matlab2009a軟件編程實現圖像增強、病斑分割、特征提取、特征篩選、病害識別等操作。

1.2研究方法

1.2.1圖像預處理和病斑分割（1）圖像預處理。為減少計算量和外界帶來的干擾，在不損害病斑完整性的前提下，根據病斑所在的位置將圖像由原來的3 872×2 592像素統(tǒng)一裁剪為800×600像素。由于圖像是在田間自然條件下采集，難免會受采集設備、環(huán)境等因素影響，往往使采集到的圖像含有噪聲，若直接進行圖像分割和特征提取，會給識別造成誤差。為此本研究首先利用3×3矩形窗口對原圖像進行中值濾波[8]，以削弱或去除噪聲，使病斑輪廓與細節(jié)更加清晰，利于后期病斑的分割和處理。

（2）顏色空間選擇。在眾多顏色模型中，因CIE L*a*b*模型符合人的視覺特征[9]，與光線及設備無關，并且處理速度與RGB模型同樣快，比CMYK模型快，還是一種均勻的彩色空間，適合于彩色圖像的編輯和分析，所以本研究采用了CIE L*a*b*模型。從RGB空間到L*a*b*空間的轉化，采用D65白點，其中Xn=0.950 456，Yn=1，Zn=1.088 754。

（3）彩色病斑分割。煙草病害圖像由病斑區(qū)域和正常區(qū)域組成，而病斑區(qū)域與正常區(qū)域之間有明顯的突變，即邊緣，所以本研究的病斑分割，采用基于支持向量機與多特征選擇的彩色病斑邊緣檢測方法分割[10]。通過在CIE L*a*b*顏色空間，計算圖像亮度和色度通道的方差、均值差、最大梯度，以及位置像素對比度及均值色差作為特征向量，實現支持向量機對病斑邊緣的識別，對識別出的病斑邊緣，統(tǒng)計近似圓形且半徑大于一定值的二值化區(qū)域，將區(qū)域內的所有像素賦值為“1”，再與原圖進行“與”運算，從而獲得病害圖像的彩色病斑。這樣分割既可以減少病害圖像處理的信息量，又能描述病斑的形態(tài)特征，是進一步識別病害的基礎。圖1是采用上述方法對赤星病、蛙眼病和野火病圖像分割的效果圖。

1.2.2病斑區(qū)域特征提?。?）顏色特征提取。顏色是區(qū)分各種不同病害的重要特征，而顏色模型的選擇會影響到病害識別效果。由于病害圖像是在自然光照下拍的，為了消除亮度影響，采用顏色矩來描述顏色特征[11]，因顏色信息主要集中在低階，所以本研究在CIE L*a*b*顏色空間，提取L、a、b 3個分量的一階矩σ和二階矩σ2，共6個特征向量，其公式如下：

病斑數：E。主要用來計算病害圖片上某種病害的病斑個數。endprint

病斑面積與病斑數比值：R=SE。該參數是單個病斑的面積度量，主要用于區(qū)分大病斑和小病斑。

1.3基于實數編碼遺傳算法選取病斑特征與支持向量機識別病害的模型設計

（1）模型介紹。支持向量機（support vector machine，簡稱SVM）[13-15]是Vapnik等于1995年根據統(tǒng)計學理論中結構風險最小化原則提出的一種模式識別方法。它在解決小樣本、非線性及高維模式識別問題中表現出許多特有的優(yōu)勢。由于徑向基（RBF）核函數的計算復雜度不隨參數的變化而變化，且在全部參數空間滿足Mercer條件，是SVM方法中最常用的核函數，因此本研究選擇徑向基核函數，其數學表達式為：K（x，y）=exp（-γ│x-y│2），其中x為輸入特征值，y為特征值x對應的結果，γ為徑向基核函數參數（γ>0）。

遺傳算法（GA）是美國Holland教授于1975年提出的，是一種全局優(yōu)化的隨機搜索算法，特別適用于處理傳統(tǒng)搜索方法難以解決的復雜和非線性問題[16-17]。遺傳算法的思想源于生物遺傳學和適者生存的自然規(guī)律，從一個隨機產生的解群體出發(fā)，借助選擇、交叉、變異等操作，依據適應度函數對個體的評價，使每一代中相對好的解替代前一代相對差的解，最終逼近全局最優(yōu)解。將GA和SVM結合的目標是在去除冗余特征的同時，提高病害的識別精度。

（2）操作步驟。①編碼。遺傳特征選擇的目標是去除冗余特征，選擇最優(yōu)特征子集，使得分類精度最大化。常用的編碼方式是二進制編碼，1表示選中，0表示未選中。本研究為了既得到特征子集，又能得到特征對應的權重，采用了實數編碼方式。②初始群體。設特征個數為m，則實數編碼的初始群體M（0）={Ci}，（i=1，2，…，N），其中 Ci=wik，k=1，2，…，m。M（0）中的第1個染色體的每個基因都等于“1”，表示所有特征的權重都相同。其余（N-1）個初始染色體基因隨機產生[0，1]之間的實數，表示隨機生成（N-1）個特征加權子集。③選擇適應度函數。適應度函數是針對需要解決的具體問題而設定的，目的是提高煙草病害的分類精度，所以采用支持向量機的分類精度對個體適應度進行評估。適應度函數 F=accuracy，其中accuracy為SVM分類器的分類精度。④遺傳操作。a. 選擇操作。將染色體按適應值從大到小順序排列，適應值最大的染色體直接進入下一代，剩余染色體根據選擇概率Ps按輪盤賭選擇機制進行選擇。b. 交叉操作。實數編碼GA中的交叉操作常采用最大-最小-算術交叉方法和雙點交叉。雙點交叉操作的具體過程是：首先，將所有的父代個體進行兩兩組合，得到C2N個個體對；然后，就每對組合隨機產生1個[0，1]之間的隨機數 P，如果 P>Pc（Pc為交叉概率），則確定該組合將進行交叉操作，否則確定該組合將不進行交叉操作；最后，產生2個隨機整數 a、d（0

wk=wk+μ（1-（1-tM）β），γ=0

wk+μ（1-（1-tM）β），γ=1。（7）

式中：t為迭代次數，是∈[0，1]間的隨機數；M 是最大遺傳代數；γ為1或0的隨機數；β是突變參數。這種突變方法與遺傳代數相關，使得在進化初期，突變的范圍相對較大，而隨著進化的推進，突變范圍逐漸減小，對進化起著微調作用。

⑤終止條件。終止條件采用最大進化代數或相鄰進化代數最優(yōu)個體適應值相對誤差小于 0.001 相結合。分析新個體是否滿足終止條件，若不滿足返回第③步；若滿足則終止。

⑥染色體解碼。迭代結束后，將具有最高適應度的個體作為優(yōu)選結果，選出n個權重較大的項對應的特征為選中的特征，將這些特征挑選出來得到的特征集合就是選擇的最優(yōu)特征子集。

2結果與分析

2.1試驗參數選定

以煙草生長中常見也最容易混淆的野火病、炭疽病、赤星病、蛙眼病4種主要病害為例。選擇效果較好的子圖300幅，其中以每種病害45幅（共180幅）做分類訓練，以每種病害30幅（共120幅）做測試。根據上述方法，提取了顏色、紋理、形態(tài)共23個特征。分類器選用SVM的一對一投票策略實現煙草多種病害識別。共訓練k（k-1）/2（k為類別數，取4）個二值分類器，在分類時采用了打分策略，分別用訓練過程得到的k（k-1）/2個分類器進行測試，每個結果為1分，累計各類別得分，選擇得分最高的為測試類別。試驗參數為：（1）采用SVM中徑向基核函數K（x，y）=exp（-γ│x-y│2）作為核函數，經多次試驗其參數C=50、γ=0.125效果較好，輸出采用十進制編碼輸出：0代表正常，1代表野火病，2代表炭疽病，3代表赤星病，4代表蛙眼病，共5個輸出。（2）遺傳算法的染色體長度m=23，群體大小P=20，交叉概率P01=0.9，變異概率P02=0.05，交叉因子γ=0.6，突變參數β=0.6，最大迭代次數G=400。（3）在Matlab2009a環(huán)境編程實現遺傳算法（GA）和SVM算法，其中編寫的SVM函數有：①MultiSVMtruct=MultiSVMTtrain（TrainData，nSamPerclass，nclass，C，γ），其中TrainData為訓練數據，nSamPerclass記錄每類的樣本數，nclass為類別數；②Class=MultiSVMClassify（TestData，MultiSVMtruct），其中TestData為測試樣本集，MultiSVMtruct 為多類SVM的訓練結果。

從提取的23個煙草病斑特征中選取對病害識別貢獻高的n個特征子集。遺傳操作結束后，用n個對應特征向量值乘以特征權重Wi∈[0，1]，即Xi=Wi·Xi作為支持向量機的輸入向量，其特征數與對應的分類精度如圖2 所示。從圖2看出，當特征數為15時，分類精度最高，其特征項分別為：顏色A={σL，σa，σb，σa2，σb2}，紋理B={ mean f1，sqrt f1，sqrt f2，mean f3，mean f4，mean f5}，形態(tài)C={S，Ct，St，E，R}，對應權重分別為：0.325、0.531、0.774、0.452、0.631、0.168、0.280、0.564、0.198、0.202、0.147、0.471、0.612、0.432、0.271、0.741。

2.2識別結果

表1是幾種算法的對照。從表1可得出：本研究算法與沒有采用遺傳特征選擇相比，在特征向量只有原來的92%的情況下，精度卻提高了14.5百分點；與采用二進制編碼遺傳算法優(yōu)化特征相比，其識別精度高出4百分點；與采用雙編碼遺傳算法[18]（同時采用實數編碼和二進制編碼）優(yōu)化特征相比，識別精度高出0.70百分點；本研究算法獲取的特征數是16，二進制編碼遺傳算法的為18，雙編碼遺傳算法的為17。表1幾種算法的病害識別精度對照

遺傳算法方式支持向量數正確識別率（%）野火病赤星病蛙眼病炭疽病平均沒有采用遺傳選擇778689828084.25二進制編碼遺傳選擇679397949594.75雙編碼遺傳選擇7497100979898.05實數編碼遺傳選擇7198100989998.75

由上述得出本研究算法在獲得有效特征的同時獲取了特征的權重，并降低了時間及空間復雜度。

3討論

以煙草4種常見病害（野火病、赤星病、蛙眼病、炭疽?。┎“邎D像為研究對象，應用實數編碼遺傳算法可以去除冗余特征，還能獲得對識別病害貢獻多少的權重，并用支持向量機對4種病害進行識別，結果表明利用基于支持向量機與多特征選擇的彩色病斑邊緣檢測方法能有效提取出4種病害的病斑。

在病害特征優(yōu)化和識別精度方面，用同樣的樣本和模型訓練方法，分別用提取的全部特征直接用支持向量機識別，其平均識別精度為84.25%；用二進制遺傳算法優(yōu)化特征和支持向量機識別病害，優(yōu)化后特征數減為18個，平均識別精度為94.75%；用雙編碼遺傳算法優(yōu)化特征和支持向量機識別，優(yōu)化后特征數減為17個，平均識別精度為98.05%；用本研究的方法，實數編碼遺傳算法優(yōu)化特征和支持向量機識別病害，優(yōu)化后的特征數減為15個，平均識別精度為98.75%，從而得出本研究的方法除了能提高識別精度外，還能降低時間和空間復雜度。

本研究的方法可以實現煙草野火病、赤星病、蛙眼病、炭疽病的計算機自動識別，并且可以應用到其他農作物的病害識別中。但是本研究還僅針對煙草4種常見典型病害的葉部危害特征進行研究，這對于實際應用還不夠，因為在整個煙草生長期，在不同階段根、莖、葉等都會染病，且各個部位的病害表征不盡相同；農業(yè)與化工污染也可能對煙株造成損害形成類似病斑的斑點，所以還需逐步增加病害和受害種類的研究。此外，支持向量機和遺傳算法作為一種有監(jiān)督的模式識別方法，在特征向量和參數的選擇研究上仍然是下一步需加強的工作。參考文獻：

[1]管澤鑫，唐健，楊保軍，等. 基于圖像的水稻病害識別方法研究[J]. 中國水稻科學，2010，24（5）：497-502.

[2]李冠林，馬占鴻，王海光. 基于支持向量機的小麥條銹病和葉銹病圖像識別[J]. 中國農業(yè)大學學報，2012，17（2）：72-79.

[3]田有文，李天來，李成華，等. 基于支持向量機的葡萄病害圖像識別方法[J]. 農業(yè)工程學報，2007，23（6）：175-180.

[4]蔡清，何東健. 基于圖像分析的蔬菜食葉害蟲識別技術[J]. 計算機應用，2010，30（7）：1870-1872.

[5]李冉，趙天忠，張亞非，等. 基于遺傳特征選擇和支持向量機的圖像標注[J]. 計算機工程與應用，2009，45（6）：180-183.

[6]Rough Z. Sets and intelligent data analysis[J]. Information Sciences，2002，147（1/4）：1-12.

[7]陳永德，覃春華. 煙草常見病害的田間診斷[J]. 湖南農業(yè)科學，2010（18）：20-22.

[8]張錚，王艷平，薛桂香. 數字圖像處理與機器視覺——Visual C++與Matlab實現[M]. 北京：人民郵電出版社，2010：156-162.

[9]Koschan A M. 彩色數字圖像處理[M]. 北京：清華大學出版社，2010：124-162.

[10]濮永仙. 基于支持向量機與多特征選擇的農作物彩色病斑邊緣檢測[J]. 計算機系統(tǒng)應用，2014（9）：118-123.

[11]Lindgreen R，Herschberg I. On the validity of the Bell-LaPadula model[J]. Computer & Security，1994，13：317-338.

[12]Haralick R M，Shanmugam K，Dinstein I. Textual features for image classification[J]. IEEE Trans Syst Man Cybernet，1973，3（6）：610-621.

[13]Mazzoni D，Garay M J，Davies R，et al. An operational MISR pixel classifier using support vector machines[J]. Remote Sensing of Environment，2007，107（1/2）：149-158.

[14]Burges C C. A totorial on support vector machines for pattern recognition[J]. Data Mining and Knowledge Discovery，1998，2（2）：121-169.

[15]Steve R G. Support vector machines for classification and regression[R]. Southampton：University of Southampton，1998：1-28.

[16]Oh I S，Lee J S，Moon B R. Hybrid genetic algorithms for featureselection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26（11）：1424-1437.

[17]Hamdani T M，Alimi A M，Karray F. Distributed genetic algorithm with Bi-coded chromosomes and a new evaluation function for features selection[C]//Evolutionary Computation，2006. CEC 2006. IEEE Congress on，2006：581-588.

[18]濮永仙，余翠蘭. 基于雙編碼遺傳算法的支持向量機作物病害圖像識別方法[J]. 貴州農業(yè)科學，2013，41（7）：187-190，194.endprint