張云龍　袁浩　張晴晴

摘要：識別蘋果病害是一個重要的研究課題，該研究成果對大面積蘋果病害監(jiān)測具有重要意義。針對蘋果常見的3種葉部病害，提出一種基于顏色特征和差直方圖的蘋果葉部病害識別方法。首先采用改進(jìn)的mean-shift圖像分割算法分割病害葉片圖像的病斑，然后計算病斑的顏色特征和差直方圖作為病害的分類特征。該特征不僅反映病斑圖像的灰度統(tǒng)計信息，還反映病斑圖像的空間特征和灰度的漸變度，而且對病斑圖像的光照、平移、旋轉(zhuǎn)具有不變性。最后利用支持向量機識別病害類型。在3種常見蘋果葉部病害葉片圖像數(shù)據(jù)庫上的試驗結(jié)果表明，該方法能夠有效識別蘋果常見的葉部病害，平均識別率高達(dá)96%以上。該方法為蘋果病害的智能診斷系統(tǒng)提供了技術(shù)支撐。

關(guān)鍵詞：蘋果；病害識別；病害葉片；特征提??；顏色特征和差直方圖

中圖分類號： TP391.41文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2017）14-0171-04

蘋果種植和生產(chǎn)是我國陜西省農(nóng)村經(jīng)濟(jì)發(fā)展的六大支柱性產(chǎn)業(yè)之一。然而病害卻嚴(yán)重影響蘋果產(chǎn)量和質(zhì)量，制約其發(fā)展，目前已知的蘋果病害有100多種[1-4]。其中，葉部病害中較為嚴(yán)重的有褐斑病、黑星病和銹病等。特別是黑星病，是世界各蘋果產(chǎn)區(qū)的重要病害之一，造成落葉、落果、果實開裂畸形等危害[1]。該病曾經(jīng)于1997年在陜西省興平市、禮泉縣、楊陵、旬邑縣等地發(fā)生過。近年來，陜西省紅富士蘋果早期落葉病也曾大面積發(fā)生，而且相當(dāng)嚴(yán)重，秋季（9月份）落葉發(fā)生80%以上，重者高達(dá)95%以上，該病害對蘋果產(chǎn)量、品質(zhì)影響很大。因此，蘋果病害的密切監(jiān)測、控制與管理，對蘋果種植至關(guān)重要。防治蘋果病害，首先必須知道病害的類型。大量調(diào)查表明[5-7]，大部分植物病害首先表現(xiàn)在葉部出現(xiàn)癥狀，而且不同病害引起的葉部癥狀不同，所以利用蘋果病害葉片可以判斷蘋果病害的類型[1]。利用現(xiàn)代圖像采集技術(shù)、處理方法對植物葉部病害進(jìn)行診斷和識別是目前的一個研究方向[8-10]。譚峰等綜合運用計算機數(shù)字圖像處理技術(shù)與人工神經(jīng)網(wǎng)絡(luò)技術(shù)，計算葉片色度值，建立一個多層BP（back propagation）神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了對大豆葉片中病斑的自動識別[11]?；陬伾狈綀D的方法計算簡單，該方法對圖像的平移和旋轉(zhuǎn)具有不變性，但顏色直方圖是顏色的全局統(tǒng)計信息，沒有反映顏色的空間分布信息。為了較全面地描述圖像的顏色、空間和紋理等方面的性質(zhì)，人們提出了很多改進(jìn)方法[12-13]，如在顏色直方圖中增加空間信息[13-15]。顏色相關(guān)是將像素分類成相關(guān)或不相關(guān)，以相關(guān)和不相關(guān)的像素顏色直方圖作為分類特征[12]；顏色相關(guān)圖法是以同一顏色或不同顏色間按照不同距離在圖像中的分布作為分類特征[13]；環(huán)形直方圖法是對每一個顏色值，計算其質(zhì)心，再以質(zhì)心為圓心，按不同的半徑作圓，將圓分成圓環(huán)，以各個圓環(huán)內(nèi)的像素的顏色直方圖作為分類特征[14]。Rocha等從特征融合的角度進(jìn)行果蔬識別研究，比較了和差直方圖、顏色聚合向量、外點/內(nèi)點顏色直方圖等紋理、顏色特征在不同分類器下的識別效果，結(jié)果表明利用這3類特征進(jìn)行融合取得了最好的識別結(jié)果[15-17]。但所采用的紋理特征不能較好地表述果蔬紋理的差異性，而且對光照較為敏感。Shebiah等利用HSV（hue，saturation，value）顏色空間中的H（色調(diào)）和S（飽和度）統(tǒng)計直方圖作為顏色特征，將小波域中的自相關(guān)矩陣作為紋理特征進(jìn)行果蔬識別，同時利用植物病害葉片的紋理特征進(jìn)行病害識別[18-19]。Zhang等采用RGB（red，gree，blue）顏色直方圖、形狀特征作為識別特征，采用多核支持向量機識別果蔬產(chǎn)品[20]，該方法雖然取得了較好的識別效果，但多核學(xué)習(xí)訓(xùn)練時間較長。Wang等根據(jù)玉米病害葉片圖像的特點，利用K-均值聚類方法進(jìn)行葉片病斑分割，然后提取病斑圖像的紋理特征與顏色特征進(jìn)行病害識別，識別精度為82.5%[21]。Prasad等提出了一種基于Gabor小波變換的作物病害識別方法[22]。葉片病斑圖像的紋理特征主要包括局部紋理和全局紋理信息。局部紋理信息可以通過圖像像素灰度及其周圍像素灰度分布表示，而全局紋理信息則是局部紋理信息的不同程度的重復(fù)。由圖像的直方圖提取圖像的紋理特征具有較強的魯棒性和適應(yīng)性，該方法簡單、易于實現(xiàn)。和差直方圖繼承了直方圖的優(yōu)點，利用和差直方圖可以提取病害葉片圖像的一系列特征[23-25]。本研究基于病害葉片圖像的顏色和差直方圖特征，提出一種蘋果葉部病害識別方法，并在3種蘋果病害葉片數(shù)據(jù)庫上進(jìn)行了試驗驗證。

1病害葉片圖像特征提取

1.1病斑顏色特征提取

RGB和HSI（hue，saturation，intensity）是常用的顏色模型。其中，HSI模型可由RGB色彩空間轉(zhuǎn)換得到。該模型依據(jù)人類視覺的特點，把圖像以色度、色飽和度、亮度3個分量分別表示，可以從最接近人類視覺的角度來描述圖像。岑喆鑫等提取黃瓜病害葉片圖像的顏色R、G成分和色調(diào)H的均值以及B成分的能量4個特征MR、MG、MH、EB進(jìn)行病害識別，取得了較高的識別率[26]，本研究將這4個特征作為蘋果病害識別的顏色特征。

1.2和差直方圖特征提取

由于蘋果病害葉片及其病斑的顏色、紋理、形狀的復(fù)雜多樣性，導(dǎo)致不能直接利用葉片或病斑圖像進(jìn)行病害識別，須要提取病害的很多分類特征，利用不同的特征進(jìn)行病害識別，由此得到了很多病害識別方法[8，11，18-19]。各種方法各有利弊，筆者目前還沒有歸納出最優(yōu)的病害識別特征集。

和差直方圖描述一幅葉片圖像中一定方向、一定距離上相鄰灰度之間和與差的概率分布信息[13，23-25]，具有魯棒性和適應(yīng)性強的優(yōu)點。下面介紹從和差直方圖中提取一系列分類特征的步驟。

2蘋果葉部病害識別

蘋果葉部病害的識別步驟可歸納為：葉片圖像采集與數(shù)據(jù)庫建設(shè)、圖像預(yù)處理（包括圖像增強和病斑區(qū)域分割等）、特征提取、分類與識別。

2.1圖像采集與數(shù)據(jù)庫建設(shè)

利用數(shù)碼相機采集蘋果病害葉片圖像，建設(shè)葉片圖像數(shù)據(jù)庫。葉片圖像數(shù)據(jù)庫的多樣性決定了識別算法的魯棒性。選擇3種蘋果常見病害（斑點落葉病、花葉病和銹?。┤~片圖像，各60張（圖1）。

2.2圖像預(yù)處理

在進(jìn)行病害特征提取前，須將病斑從葉片圖像中分離出來。本研究利用mean-shift方法分割病斑。Mean-shift算法尋找模態(tài)點，即密度最大的像素點。分割步驟歸納為（1）模點搜索與圖像平滑。模點搜索是為了找到每個數(shù)據(jù)點所屬類的中心，以中心的顏色代替該像素的顏色，從而平滑圖像。（2）模點聚類與合并相似區(qū)域。由于模點搜索得到的模點較多，且很多模點挨得很近，若將每個模點都作為一類，則分割類別太多，容易產(chǎn)生過分割現(xiàn)象，所以要將相似區(qū)域進(jìn)行合并。模點聚類后所得到的分割區(qū)域中，有些區(qū)域所包含的像素點太少，再次合并這些小區(qū)域。（3）合并小區(qū)域。由于不同的像素點最終會收斂到不同的峰值所屬的類，所以這些點就形成了一類，由此得到完整的病斑圖像（圖2）。其中，圖2-b為分割的彩色病斑圖像；圖2-c為圖2-b的灰度圖像；圖2-d為病斑的HSI圖像。

2.3特征提取

首先提取病斑圖像的4個顏色特征，然后提取7個基于和差直方圖的特征。病斑灰度和差直方圖是根據(jù)像素之間的和與差來統(tǒng)計的，其中能量、熵和一致性特征均能反映圖像灰度的概率分布；均值特征能反映圖像的灰度平均值；方差特征能反映灰度的離散性；對比度特征能反映圖像的清晰度；相關(guān)性特征能反映和差直方圖在行列上的相似度。結(jié)果表明，這11個特征較好地反映了病害葉片圖像的病斑特征，能用于病害類別識別。在計算直方圖的過程中，由于像素與像素之間的相對位置可用（d1，d2）表示，d1、d2分別表示像素在行、列上的間隔，為了計算簡單，所以一般取d1=d2=d，即在式（2）中，取k=l=d。若考慮某一像素與其周圍8個鄰域像素，它們之間的距離都為d。從圖3中可以看出，關(guān)于中心點兩兩中心對稱，所以在計算時只需計算相應(yīng)的4個方向，即{（0，d），（d，d），（d，0），（d，-d）}的和差直方圖，在試驗中取 d=4。

2.4病害分類識別

經(jīng)過特征值提取，從每個病斑圖像中提取出11個特征MR，MG，MH，EB，Eng，…，Cor，組成一個特征向量。再將所有的特征向量劃分為訓(xùn)練集和測試集。訓(xùn)練集向量和測試集向量進(jìn)行匹配，設(shè)2幅待匹配的特征向量分別簡單標(biāo)記為X=[x1，x2，…，x11]，Y=[y1，y2，…，y11]。計算每一個測試集向量Y與訓(xùn)練集中所有向量X的歐氏距離Dxy：

Y與訓(xùn)練集中向量X之間距離的最小值對應(yīng)的X的類別即為Y的類別；x、y分別表示上面得到的特征MR，MG，MH，EB，Eng，…，Cor。

3結(jié)果與分析

首先從原始蘋果圖像的3種葉部病害（圖1）中分割出病斑區(qū)域的彩色圖像（圖2-b），然后將彩色病斑圖像轉(zhuǎn)換成灰度圖像（圖2-c）和HSI圖像（圖2-d）。從每幅病斑圖像中提取11個特征，組成一個特征向量。病害識別試驗采用3折交叉驗證法進(jìn)行，即將所有特征向量隨機劃分成3份，每次將其中的2份，共120幅作為訓(xùn)練集，用于構(gòu)建病害識別模型；另一份共60幅作為測試集，用于檢驗算法的有效性。最后根據(jù)式（14）確定測試向量的類別，重復(fù)3次，計算3次識別結(jié)果的平均值。再重復(fù)上述試驗50次，計算病害正確識別率的平均值。只利用和差直方圖特征與本研究提出的作物病害識別方法的識別結(jié)果詳見表1。為了驗證本研究病害識別方法的有效性，在表1中還同時列出了其他4種常用方法的識別率。在表1中，最后3種方法均采用基于歐氏距離的匹配方法識別，所有方法的識別結(jié)果都是3×50=150次試驗的識別率的平均值。

由表1可知，本研究提出的作物病害識別方法的識別率最高。其中，斑點落葉病、花葉病、銹病3種病害的識別率分別為94.83%、99.10%、95.64%。由圖1可以看出，花葉病與其他2種病害葉片差異很大，所以識別率很高。很多斑點落葉病和銹病葉片圖像之間差異很小，所以很容易誤判。

4結(jié)論

本研究提出一種基于病害葉片的顏色特征與和差直方圖的蘋果病害識別方法，識別率高達(dá)96%以上。結(jié)果表明，利用計算機視覺技術(shù)可以實現(xiàn)對蘋果病害識別，為開發(fā)具有實用價值的植物病害自動診斷和病害監(jiān)測系統(tǒng)提供了一定的理論基礎(chǔ)和實用技術(shù)。但由于影響蘋果病斑形成的因素有很多，各種病害在不同的發(fā)病時期又可能出現(xiàn)不同的癥狀，如何利用計算機視覺技術(shù)建立全面有效的作物病害識別方法以及如何驗證該方法在實際復(fù)雜背景下對多種蘋果病害識別的魯棒性是我們下一步研究的重點。

參考文獻(xiàn)：

[1]姜猛，王軍，王志軍. 蘋果樹病蟲害決策支持系統(tǒng)研究與集成[J]. 山東農(nóng)業(yè)科學(xué)，2015，47（6）：129-133.

[2]劉書華，王愛茹，鄺樸生，等. 面向果園的蘋果梨病蟲害防治決策支持系統(tǒng)[J]. 植物保護(hù)學(xué)報，2000，27（4）：302-306.

[3]李宗儒，何東健. 基于手機拍攝圖像分析的蘋果病害識別技術(shù)研究[J]. 計算機工程與設(shè)計，2010，31（13）：3051-3053.

[4]霍迎秋，唐晶磊，尹秀珍. 基于灰度關(guān)聯(lián)分析的蘋果病害識別方法研究[J]. 實驗技術(shù)與管理，2013，30（1）：49-51.

[5]刁智華. 大田小麥葉部病害智能診斷系統(tǒng)研究與應(yīng)用[D]. 合肥：中國科學(xué)技術(shù)大學(xué)，2010.

[6]Gavhale K R，Gawande U. An overview of the research on plant leaves disease detection using image processing techniques[J]. IOSR Journal of Computer Engineering，2014，16（1）：10-16.

[7]Kulkarni A H，Ashwin P R K. Applying image processing technique to detect plant diseases[J]. International Journal of Modern Engineering Research，2012，2（5）：3661-3664.

[8]尚怡君，張善文，張云龍. 基于植物葉片圖像的植物病害檢測方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（4）：340-342.

[9]趙蕓. 基于高光譜和圖像處理技術(shù)的油菜病蟲害早期監(jiān)測方法和機理研究[D]. 杭州：浙江大學(xué)，2013.

[10]Sasaki Y，Okamoto T，Imou K，et al. Automatic diagnosis of plant disease：recognition between healthy and diseased leaf[J]. Journal of the Japanese Society of Agricultural Machinery，1999，61（2）：119-126.

[11]譚峰，馬曉丹. 基于葉片的植物病害識別方法[J]. 農(nóng)機化研究，2009，31（6）：41-43.

[12]李永芳. 基于顏色相關(guān)圖和紋理矩的圖像檢索[J]. 計算機應(yīng)用與軟件，2011，28（10）：38-42.

[13]陳勇平，郭文靜，王正. 基于顏色直方圖的木材單板圖像檢索技術(shù)研究[J]. 南京林業(yè)大學(xué)學(xué)報（自然科學(xué)版），2015，39（5）：129-134.

[14]田小忱，楊東，杜春華. 綜合顏色和Contourlet直方圖的圖像檢索方法[J]. 計算機工程，2010，36（1）：224-226.

[15]Rocha A，Hauagge D C，Wainer J，et al. Automatic produce classification from images using color，texture and appearance cues[C]. 21st Brazilian Symposium on Computer Graphics and Image Processing，2008：3-10.

[16]Rocah A，Hauagge D C，Wainer J，et al. Automatic fruit and vegetable classification from images[J]. Computers and Electronics in Agriculture，2010，70（1）：96-104.

[17]Faria F A，dos Santos J A，Rocha A，et al. Automatic classifier fusion for produce recognition[C].25th SIBGRAPI Conference on Graphics，Patterns and Images，Brazil：Ouro Preto，2012：252-259.

[18]Shebiah R N. Fruit recognition using color and texture features[J]. Journal of Emerging Trends in Computing and Information Sciences，2010，1（2）：90-94.

[19]Selvaraj A，Shebiah N，Ananthi S，et al. Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features[J]. Agricultural Engineering International，2013，15（1）：211-217.

[20]Zhang Y，Wu L. Classification of fruits using computer vision and a multiclass support vector machine[J]. Sensors，2012，12（9）：12489-12505.

[21]Wang S Z，He D J，Li W，et al. Plant leaf disease recognition based on kernel K-means clustering algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery，2009，40（3）：152-155.

[22]Prasad S，Kumar P， Hazra R，et al. Plant leaf disease detection using gabor wavelet transform[C].International Conference on Swarm，Evolutionary，and Memetic Computing，2012：372-379.

[23]姚金鑄，符耀慶，王正勇，等. 基于顏色特征和紋理特征的巖屑巖性識別[J]. 四川大學(xué)學(xué)報（自然科學(xué)版），2014，51（2）：313-318.

[24]Unser M. Sum and difference histograms for texture classification[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8（1）：118-125.

[25]Rocha A，Hauagge D C，Wainer J，et al. Automatic fruit and vegetable classification from images[J]. Computers and Electronics in Agriculture，2010，70（1）：96-104.

[26]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統(tǒng)計特征的黃瓜炭疽病和褐斑病的識別研究[J]. 園藝學(xué)報，2007，34（6）：1425-1430.

[27]Bashish D A，Braik M，Baniahmad S. Detection and classification of leaf diseases using K-means-based segmentation and neural-networks-based classification[J]. Information Technology Journal，2011，10（2）：267-275.

[28]謝澤奇，張會敏，張善文，等. 基于顏色特征和屬性約簡的黃瓜病害識別方法[J]. 江蘇農(nóng)業(yè)學(xué)報，2015，31（3）：526-530.

[29]賈建楠，吉海彥. 基于病斑形狀和神經(jīng)網(wǎng)絡(luò)的黃瓜病害識別[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（增刊1）：115-121.