路陽，衣淑娟，張勇，安杏杏，邵曉光

（1.黑龍江八一農(nóng)墾大學(xué)，大慶 163319；2.東北石油大學(xué)）

基于PCA和Whitening算法的水稻病害圖像預(yù)處理研究

路陽1，衣淑娟1，張勇2，安杏杏2，邵曉光2

（1.黑龍江八一農(nóng)墾大學(xué)，大慶 163319；2.東北石油大學(xué)）

水稻病害圖像預(yù)處理在使用機器視覺技術(shù)對水稻病害智能診斷識別中至關(guān)重要。預(yù)處理效果直接影響水稻病害識別準(zhǔn)確率。提出一種新的基于PCA和Whitening融合算法的水稻病害圖像預(yù)處理方法。實驗獲取了水稻病害彩色圖像和灰度圖像的訓(xùn)練樣本和測試樣本，對獲取的樣本應(yīng)用PCA降維，然后對降維后的樣本隨機取樣，應(yīng)用Whitening算法得到了相應(yīng)的訓(xùn)練特征和測試特征。實驗表明，該融合算法增強了預(yù)處理后的水稻病害圖像樣本對光照及亮度的魯棒性，可有效提高病害識別準(zhǔn)確率。

PCA；Whitening；水稻病害；圖像預(yù)處理

深度學(xué)習(xí)是機器學(xué)習(xí)領(lǐng)域的研究熱點，由Hinton等人2006年提出。目的就是要建立模擬人腦分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，要求能夠模仿人腦的機制來解釋圖像、聲音、文本數(shù)據(jù)等，是基于人工神經(jīng)網(wǎng)絡(luò)的模式識別進一步拓展。Yann LeCun、Yoshua Bengio和Geoffrey Hinton三位在深度學(xué)習(xí)領(lǐng)域最有影響力的科學(xué)家2015年5月在Nature雜志上發(fā)表的Deep learning文章，對深度學(xué)習(xí)的基本原理和核心優(yōu)勢進行了綜述，指出深度學(xué)習(xí)正在取得重大進展，解決了人工智能界很多年沒有進展的問題，將來深度學(xué)習(xí)會取得更多成功[1]。1998年11月，Yann LeCun等人設(shè)計的LeNet-5卷積神經(jīng)網(wǎng)絡(luò)在MNIST手寫數(shù)據(jù)庫上取得巨大的成功[2]。2016年3月，谷歌公司開發(fā)的人工智能機器人AlphaGo依靠深度學(xué)習(xí)技術(shù)4∶1擊敗韓國棋手李世石，再次證明了深度學(xué)習(xí)能力的強大。

深度學(xué)習(xí)在人工智能訓(xùn)練、建模和應(yīng)用方面取得了巨大的突破，未來的應(yīng)用與發(fā)展令人矚目?；谏疃葘W(xué)習(xí)在模式識別方面取得的巨大成功，在水稻病害智能診斷與識別領(lǐng)域引入深度學(xué)習(xí)是可行的。譚文學(xué)，趙春江等在2014年11月設(shè)計了彈性動量深度學(xué)習(xí)卷積網(wǎng)絡(luò)識別果蔬果體病理圖像，識別率達到98.2%，取得較好的效果[3]?；谏疃葘W(xué)習(xí)的水稻病害識別診斷技術(shù)就是對水稻病害圖像進行深層學(xué)習(xí)，從中獲取更有效的病斑特征用于辨別病害，在模式識別、計算機視覺和機器學(xué)習(xí)、農(nóng)業(yè)工程領(lǐng)域有著重要應(yīng)用[4-7]。

在基于深度學(xué)習(xí)的機器學(xué)習(xí)系統(tǒng)中要達到較高的識別率，原始圖像數(shù)據(jù)的采集、數(shù)據(jù)的標(biāo)注、圖像特征提取等數(shù)據(jù)預(yù)處理操作至關(guān)重要，決定著機器學(xué)習(xí)系統(tǒng)能否成功。深度學(xué)習(xí)用于水稻病害識別診斷能否成功關(guān)鍵在于有效的特征提取。而特征提取算法中，數(shù)據(jù)的歸一化、數(shù)據(jù)的白化等預(yù)處理操作影響著算法的好壞。由于采集的彩色水稻病害圖像在計算機處理過程以矩陣形式表示，數(shù)據(jù)龐大，必須降維，否則會導(dǎo)致計算機學(xué)習(xí)效率低下，甚至內(nèi)存溢出。在人臉識別、故障診斷等模式識別領(lǐng)域，使用主成分分析（Principal component analysis，PCA）進行數(shù)據(jù)降維和使用白化（Whitening）算法取得很大的成功[8-11]。

基于以上分析，應(yīng)用PCA算法對水稻病害圖像降維，隨機提取出圖像的片（patch），之后對圖像的片采用白化算法提取病斑特征，為深度學(xué)習(xí)用于病害診斷算法性能提高打下堅實的基礎(chǔ)。給出了PCA分析、Whitening分析等數(shù)據(jù)預(yù)處理操作的基本原理、實驗過程及相應(yīng)結(jié)論。

1 PCA分析

PCA區(qū)別于一般的圖像預(yù)處理方法，在提取圖像特征的過程中，考慮的是圖像整體結(jié)構(gòu)，隨機提取出圖像的片，而不用考慮圖像的像素。在深度學(xué)習(xí)中，PCA能極大提升無監(jiān)督特征學(xué)習(xí)速度，從而能提高圖像的識別效果?；驹硎牵菏紫雀鶕?jù)要求解的實際問題提取圖像特征，然后選擇合適的協(xié)方差矩陣，通過坐標(biāo)變換，將樣本數(shù)據(jù)映射到新的坐標(biāo)系下，在新的特征空間中，表示原樣本只需找到原樣本的一組最大線性無關(guān)組的特征值對應(yīng)的空間坐標(biāo)即可，從而實現(xiàn)降維。如果一個彩色水稻病害圖像為128×128，提取的RGB三個通道的顏色特征就有128×128×3這么多，針對1024×1024的圖像，直接提取的特征就會達到幾十萬，所以不降維的話，那么后面的訓(xùn)練和分類都會非常困難。

在深度學(xué)習(xí)中，由于采集的病害圖像都是自然圖像，該原始圖像不能滿足我們的訓(xùn)練需要，考慮到計算機內(nèi)存大小、模型訓(xùn)練速度等因素，必須對這些自然圖像進行PCA分析。同時因為自然圖像具有穩(wěn)定性，即圖像中某個部分的統(tǒng)計特征和其他部位的特征相似，因此學(xué)習(xí)到的某個部位的特征也同樣適用于其他部位。PCA分析最主要目的是去除圖像數(shù)據(jù)間的相關(guān)性。在對水稻病害圖像進行PCA分析之前，需要對病害圖像進行數(shù)據(jù)歸一化預(yù)處理操作。在歸一化過程中，對每個特征維，都減掉圖像本身的平均值，然后將這些不同維的數(shù)據(jù)除以每維的最大值，從而歸一化到[0,1]范圍。PCA算法描述如圖1所示：

圖1 PCA降維算法流程圖Fig.1 PCA dimension reduction algorithm flow chart

算法關(guān)鍵步驟：

2 Whitening分析

數(shù)據(jù)的白化是在數(shù)據(jù)歸一化之后進行。很多深度學(xué)習(xí)算法性能提高都要依賴于數(shù)據(jù)的白化。在對數(shù)據(jù)進行白化前要先對數(shù)據(jù)進行特征標(biāo)準(zhǔn)化，Whitening的目的是去掉數(shù)據(jù)之間的相關(guān)聯(lián)度，是很多算法進行預(yù)處理的步驟。當(dāng)訓(xùn)練圖像樣本數(shù)據(jù)時，由于圖像中相鄰像素值有一定的關(guān)聯(lián)，因此采用Whitening操作把多余的相關(guān)冗余信息消除。

算法關(guān)鍵步驟：

令圖像數(shù)據(jù)x經(jīng)過PCA降維后為矩陣z，x（i）∈Rn代表為隨機抽取的16×16的圖像塊的亮度值，對每幅圖像進行零均值化操作：

指圖像塊x（i）的平均亮度值。

由于z中每個圖像塊的每一維相互獨立，因此將z中的每個圖像塊的每一維都除以標(biāo)準(zhǔn)差得到每一維的方差即可，公式為：

3 水稻病害圖像預(yù)處理實驗

水稻病害圖像預(yù)處理實驗過程主要包括水稻病害圖像數(shù)據(jù)庫的建立、圖像尺度歸一化、PCA和Whitening等幾個過程。具體流程見圖2。

圖2 水稻病害圖像預(yù)處理流程圖Fig.2 Rice disease image preprocessing flow chart

3.1 水稻病害圖像庫的建立

在自然光照條件下，使用佳能EOS 5D Mark III數(shù)碼相機獲取北方寒地水稻常見10種病害，包括白葉枯病、稻曲病、稻瘟病、惡苗病、褐斑病、胡麻斑病、立枯病、青枯病、紋枯病及葉鞘腐敗病。這些水稻病害圖片針對水稻生長前期、中期及晚期分別采集，每種病害采集10幅圖像，共采集100幅圖像，其中50幅用來訓(xùn)練，50幅用來測試，每幅圖像采用jpg格式存儲。

3.2 圖像尺度歸一化

由于用照相機采集的水稻病害圖像在自然光照條件下進行，受光照影響較大，為了去除光照亮度對圖像的影響，需要對圖像進行歸一化處理。通過尺度歸一化預(yù)處理，對原始病害圖像光照不均進行補償，使得待識別的水稻病害圖像遵循相似的分布。常用的歸一化有樣本尺度歸一化，逐樣本的均值相減，特征的標(biāo)準(zhǔn)化3種。由于逐樣本的均值相減主要針對灰度圖像，這里主要采用樣本尺度歸一化和特征標(biāo)準(zhǔn)化預(yù)處理。實驗中將圖片尺度歸一化到96×96大小，且將每張圖片變成一個列向量，多個圖片樣本構(gòu)成一個矩陣。將訓(xùn)練和測試圖片分成2部分，且每部分包含了RGB顏色圖，灰度圖2種。尺度歸一化為96×96像素的水稻稻瘟病圖像集如圖3所示：

圖3 尺度歸一化為96×96像素的水稻稻瘟病圖像集Fig.3 The scale normalized to 96×96 image set of rice blast

3.3 特征提取

為了用提取出來的部分圖像來訓(xùn)練深度學(xué)習(xí)某種模型，隨機提取出局部patch（10×10大?。颖?，然后對這些patch樣本進行Whitening操作。從給定的多張自然圖片中隨機提取出大小為10×10的patches圖片如圖4所示。

圖4 隨機提取出的10×10大小的patches圖像Fig.4 The stochastic extracted 10×10 patches of rice blast image

使用sparse-autoencoder方法訓(xùn)練上述樣本，學(xué)習(xí)到的特征如圖5所示。

3.4 水稻病害識別對比分析

對水稻病害圖像數(shù)據(jù)庫中的10種常見病害，使用傳統(tǒng)的數(shù)字圖像處理方法提取了病斑的邊緣特征、紋理特征和顏色特征，使用經(jīng)典的softmax分類器對病害識別，實驗結(jié)果見表1。從表中數(shù)據(jù)可以看出，應(yīng)用文中提出的PCA-Whitening算法提取到的特征對水稻病害識別具有更高的識別準(zhǔn)確率。

圖5 學(xué)習(xí)到的特征Fig.5 The feature of learning

表1 四種不同特征提取算法識別率對比（%）Table 1 Comparison of recognition rate of four different feature extraction algorithms

4 結(jié)論

建立了北方寒地水稻10種常見病害的圖像數(shù)據(jù)庫，提出一種基于PCA和Whitening融合算法的水稻病害圖像預(yù)處理方法。通過實驗獲取了水稻病害彩色圖像和灰度圖像的訓(xùn)練樣本和測試樣本，對獲取的樣本進行隨機取樣，并應(yīng)用PCA和白化算法得到了樣本相應(yīng)的訓(xùn)練特征和測試特征。實驗結(jié)果表明，相比傳統(tǒng)的邊緣特征、紋理特征和顏色特征，使用提出的預(yù)處理算法學(xué)習(xí)到的特征對水稻病害進行識別確實提高了水稻病害診斷的正確率。

［1］ Yann Lecun.Yoshua Bengio and Geoffrey Hinton［J］.Nature，2015，521：436-444.

［2］ LeCun Y，Bottou L，Bengio Y，et al.Gradient-based learning applied to document recognition［J］.Proceedings of the IEEE，1998，86（11）：2278-2324.

［3］ 譚文學(xué)，趙春江，吳華瑞，等.基于彈性動量深度學(xué)習(xí)的果體病理圖像識別［J］.農(nóng)業(yè)機械學(xué)報，2015，46（1）：20-25.

［4］ 周燕，張亞玲，王丹，等.黑龍江省稻瘟病菌對主栽水稻品種的致病力分析［J］.黑龍江八一農(nóng)墾大學(xué)學(xué)報，2015，27（2）：23-26.

［5］ 馬寧，孟志軍，王培，等.農(nóng)作物病蟲害預(yù)報方法研究綜述［J］.黑龍江八一農(nóng)墾大學(xué)學(xué)報，2016，28（1）：15-18.

［6］ Sidong Liu，Weidong Cai，Sonia Pujol，et al.Early Diagnosis of ALZHEIMER’s Disease with Deep Learning［J］.IEEE 11th International Symposium on Biomedical Imaging（ISBI），2014，20：1015-1018.

［7］ 馮雷，高吉興，何勇，等.波譜成像技術(shù)在作物病害信息早期檢測中的研究進展［J］.農(nóng)業(yè)機械學(xué)報，2013，44（9）：169-176.

［8］ M Kirby，L Sirovich.Application of the Karhunen-Loeve procedure for the characterization of human faces［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，1990，12（1）：103-108.

［9］ 李彥璇，王蓉.基于Gabor小波特征提取的PCA人臉識別方法［J］.電腦知識與技術(shù)，2015，11（32）：138-141.

［10］ 高東，吳重光，張貝克，等.基于PCA和SDG的傳感器故障診斷方法研究及應(yīng)用［J］.系統(tǒng)仿真學(xué)報，2011，23（3）：567-573.

［11］ 陳素根，尹賀峰.基于白化PCA圖像重構(gòu)的特征補償人臉識別新方法［J］.計算機應(yīng)用研究，2015，32（9）：2853-2856.

Research of Rice Disease Image Preprocessing Based on PCA and Whitening Algorithm

Lu Yang1，Yi Shujuan1，Zhang Yong2，An Xingxing2，Shao Xiaoguang2
（1.Heilongjiang Bayi Agricultural University，Daqing 163319；2.Northeast Petroleum University）

Rice disease image preprocessing played very important role in the intelligent diagnosis and identification of rice diseases by using machine vision technology.Preprocessing results directly affected the accuracy of rice disease identification.A new image preprocessing method for rice diseases based on PCA and Whitening fusion algorithm was proposed.The color images and gray images of the training samples and test samples of rice disease were obtained，and the PCA dimension reduction algorithm was used to the obtained samples.Then sampling stochastic to the dimension reduction samples.After that，the Whitening algorithm was applied to the stochastic samples.Finally，the corresponding training features data and testing features data were obtained.Experiments showed that the fusion algorithm could enhance the robustness of the sample to the illumination and brightness，and improve the recognition accuracy rate of the disease effectively.

PCA；Whitening；rice disease；image preprocessing

TP391.41

A

1002-2090（2017）02-0097-05

10.3969/j.issn.1002-2090.2017.02.019

2016-06-30

黑龍江省杰出青年科學(xué)基金（JC2015016）；黑龍江省自然科學(xué)基金面上項目（F201428）；黑龍江省農(nóng)墾總局重點科技計劃項目（HNK125B-04-03）；中國博士后科學(xué)基金面上項目（2016M591560）；黑龍江省政府博士后資助經(jīng)費（LBHZ15185）；黑龍江省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（201610223040）；東北石油大學(xué)研究生創(chuàng)新科研項目（YJSCX2016-026NEPU）；大慶市指導(dǎo)性科技計劃項目（zd-2016-011）。

路陽（1976-），男，副教授，東北石油大學(xué)畢業(yè)，現(xiàn)主要從事模式識別與機器學(xué)習(xí)方面的研究工作。

衣淑娟，女，教授，博士研究生導(dǎo)師，E-mail：yishujuan_2005@126.com。