陳珠琳 王雪峰

(中國林業(yè)科學(xué)研究院資源信息研究所，北京，100091)

檀香樹干受咖啡豹蠹蛾危害區(qū)域的分割與分類1)

陳珠琳 王雪峰

(中國林業(yè)科學(xué)研究院資源信息研究所，北京，100091)

為了實(shí)現(xiàn)海南省北部縣市檀香受咖啡豹蠹蛾(ZeuzeracoffeaeNietner)蟲害的自動(dòng)識(shí)別，使用林內(nèi)傳感器傳回的圖像信息，提出一種空域與頻域相結(jié)合的背景去除方法，并提取出蟲害區(qū)域與健康區(qū)域。該方法首先提取出檀香樹的前景部分，使用2G-B-R因子去除枝葉及邊緣，在L*a*b*系統(tǒng)中選擇合適的通道，使用Otus法和形態(tài)學(xué)運(yùn)算剔除排泄物區(qū)域，并成功分割出蟲害和健康區(qū)域。通過2種區(qū)域的圖像在紋理方面表現(xiàn)出的不同，提取篩選出3種受外界因素影響比較小的特征，并在此基礎(chǔ)上利用差異擴(kuò)大法提出了“多紋理特征”的概念。使用Logistic二分類法對(duì)提取出的紋理特征及其組合、多紋理特征及其組合、主成分分析后的特征進(jìn)行分類并分析，結(jié)果證明通過擴(kuò)大差異得到的多紋理特征分類效果要好于單紋理特征，且使用“熵值均值-相關(guān)性均值”得到的分類精度最高，并使用系統(tǒng)聚類以及K-means聚類方法驗(yàn)證得到相同的結(jié)論，證明了所提方法的科學(xué)性。

檀香；圖形分割；圖像分類；健康診斷；灰度共生矩陣

檀香(SantalumalbumL.)是珍貴樹種，其木質(zhì)均勻細(xì)膩，又有獨(dú)特的芳香，在制香方面歷來被奉為珍品。近年來，由于檀香極高的經(jīng)濟(jì)價(jià)值和藥用價(jià)值，在華南等地被大量栽植。檀香是一種半寄生常綠喬木[1]，而且在氣溫或者環(huán)境不宜等情況下，檀香易受到危害根部的苗立枯病(RhizoctoniasolaniKuhn)、根腐病(PhytophthoracinnamomiRonds)以及危害葉片的葉灰斑病(CercosporasojinaHara)、白粉病(ErysiphegraminisD.)、桑寄生粉蝶(PierisrapaeL.)、金龜子(AliassotumpauperBurmeisten)和危害莖干的咖啡豹蠹蛾(ZeuzeracoffeaeNietner)的危害，其中咖啡豹蠹蛾蟲害最為常見，并且破壞性極大，羽化時(shí)間不一，給防治帶來了很大的困難，嚴(yán)重影響檀香的生長[2]。初孵幼蟲在檀香幼嫩枝條上危害，隨蟲齡的增長，食量加大，幼蟲不斷轉(zhuǎn)移，蛀蝕粗枝和主干[3]。因此，實(shí)時(shí)監(jiān)測檀香健康狀態(tài)并及時(shí)采取相應(yīng)措施是關(guān)系到檀香經(jīng)營成敗的重要手段。目前主要使用的病蟲害識(shí)別方法效率低，利用計(jì)算機(jī)視覺技術(shù)對(duì)病蟲害進(jìn)行識(shí)別，具有無損、快速、實(shí)時(shí)等特點(diǎn)，可以及時(shí)采取相應(yīng)的補(bǔ)救措施，大大提高經(jīng)濟(jì)效益[4]。

計(jì)算機(jī)視覺技術(shù)在農(nóng)業(yè)病蟲害診斷方面有著廣泛的應(yīng)用[5-9]。在早期的研究中，學(xué)者們僅針對(duì)單一的特征進(jìn)行研究，例如顏色特征和紋理特征，結(jié)果并不是特別理想。Y. Sasaki et al.[10]利用計(jì)算機(jī)視覺技術(shù)，采用遺傳算法，對(duì)黃瓜(CucumissativusLinn.)的炭疽病(Colletotrichumfructicola)進(jìn)行自動(dòng)診斷和識(shí)別，由于沒有充分利用病斑的顏色特征和紋理特征，最終對(duì)病害的識(shí)別效果不理想。Camargoa[11]對(duì)采集的RGB病害圖像進(jìn)行了顏色系統(tǒng)轉(zhuǎn)換，在不同顏色系統(tǒng)中提取到了病斑圖像的顏色特征，利用局部優(yōu)化閾值法對(duì)病斑進(jìn)行了分割，雖然精度得到了提高，但畢竟單一特征分類分割能力有限，沒有得到太大的突破。

顏色、紋理、形態(tài)相結(jié)合的提取方法是近年來的研究趨勢[12]。張建華等[13]利用徑向基支持向量機(jī)識(shí)別棉花蟲害，首先在空域中進(jìn)行病斑分割，然后分別提取病斑的顏色、形狀和紋理特征作為輸入向量，得到88.1%的分類正確率。田有文等[14]采用支持向量機(jī)進(jìn)行葡萄病害的識(shí)別，提取了紋理、形狀和顏色特征，結(jié)果表明支持向量機(jī)方法比神經(jīng)網(wǎng)絡(luò)方法識(shí)別性能好。管澤鑫等[15]提取水稻病害圖像的形態(tài)、紋理、顏色特征參數(shù)，提出利用逐步判別分析法分類特征參數(shù)并利用貝葉斯判別法進(jìn)行分類識(shí)別，識(shí)別率高達(dá)97.2%。

雖然通過紋理、顏色圖像特征相結(jié)合的方法可以提高分類正確率，但大部分研究針對(duì)溫室種植的植物或大棚種植的作物，并且圖像獲取方式是由人工獲取，失去了圖像自動(dòng)獲取判別的意義，在田間試驗(yàn)成功率達(dá)不到之前的精度。上述方法不適用于檀香經(jīng)營過程中的病蟲害監(jiān)測。本研究使用由放置在林內(nèi)的傳感器傳回的圖像信息，提出一種空域與頻域相結(jié)合的背景去除方法，并提取出蟲害區(qū)域與健康區(qū)域。根據(jù)其在紋理方面表現(xiàn)出的不同，提出并使用了多紋理特征，利用Logistic二分類進(jìn)行分類，并使用系統(tǒng)聚類與K-means聚類方法驗(yàn)證所提方法的科學(xué)性。

1 材料與方法

1.1 研究區(qū)域概況與數(shù)據(jù)獲取

試驗(yàn)數(shù)據(jù)采集于海南省北部縣市栽植檀香的不同林內(nèi)(19°36′～20°3′N、109°12′～111°2′E)。檀香林齡5～12 a，寄主植物包括三角梅(BougainvilleaspectabilisWilld.)、降香黃檀(DalbergiaodoriferaT. Chen)等。咖啡豹蠹蛾幼蟲對(duì)檀香樹干的危害極大，導(dǎo)致樹干脫皮以及在心材內(nèi)蛀成蟲道，極大地降低了檀香的實(shí)用價(jià)值，所以選擇對(duì)檀香樹干蟲害區(qū)域進(jìn)行分割研究。原野服務(wù)器布設(shè)在林中，每臺(tái)原野服務(wù)器由空氣溫度傳感器、空氣濕度傳感器、土壤溫度傳感器以及無線局域網(wǎng)模型等組成，從06:00—18:00，每小時(shí)獲取一次圖像，并實(shí)時(shí)傳輸?shù)椒?wù)器。拍攝時(shí)采用定焦鏡頭并使用大光圈，圖像大小為1024像素×768像素。所用算法均在Matlab 2012a軟件中實(shí)現(xiàn)，軟件運(yùn)行環(huán)境是配置為i5-6300HQ 2.30GHz CPU、8G內(nèi)存、1T硬盤的計(jì)算機(jī)。

為盡可能減少外界條件變化對(duì)分析結(jié)果的影響，在研究方法上，選取了對(duì)光亮度和位置具有不變性、對(duì)描述認(rèn)為具有尺度不變性的特征量進(jìn)行分析。以研究區(qū)域內(nèi)獲取的60張?zhí)聪銟涓蓤D像作為樣本圖像數(shù)據(jù)，設(shè)計(jì)算法進(jìn)行圖像分割，將健康部分與蟲害部分區(qū)分開。對(duì)每張圖像的2個(gè)部分各截取2張大小為64像素×64像素的圖像樣本，共獲得研究區(qū)域內(nèi)健康圖像與蟲害圖像各120張。

1.2 圖像特征分析與選取

通過對(duì)大量圖像測試，最終選出能量值、熵值、對(duì)比度、相關(guān)性4種不受光照、位置和尺度影響的紋理特征作為進(jìn)一步研究的參數(shù)。

(1)能量值。

能量值是灰度共生矩陣元素值的平方和，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。

(2)熵值。

熵值是圖像所具有信息量的度量，紋理信息也屬于圖像的信息，它表示了圖像紋理的非均勻程度或復(fù)雜程度。

(3)對(duì)比度。

對(duì)比度是灰度共生矩陣主對(duì)角線附近的對(duì)比度矩，它反映了圖像的清晰度和紋理溝紋深淺程度。

(4)相關(guān)性。

其中：

式中:Pδ(i,j)為灰度共生矩陣的元素；i,j分別為矩陣元素的行元素、列元素；k為圖像的灰度級(jí)。

相關(guān)性度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關(guān)性大小反映了圖像中局部灰度相關(guān)性。

1.3 紋理特征值計(jì)算方法

首先對(duì)圖像作預(yù)處理，再將圖像壓縮到16級(jí)后進(jìn)行灰度共生矩陣特征值的計(jì)算。步長選擇1，方向?yàn)?°、45°、90°和135°，最后求4個(gè)方向的均值和方差組成8維特征向量。

1.4 Logistic二分類法

Logistic模型法針對(duì)定性的因變量進(jìn)行分析，常應(yīng)用于二分類。其回歸模型的基本形式為

式中：β0、β1、β2、…、βk為類似于多元線性回歸模型中的回歸系數(shù)。在實(shí)際應(yīng)用的過程中，常常不是直接對(duì)P進(jìn)行回歸，而是變形為ln[π/(1-π)]=β0+β1x1+…+βkxk，其中0lt;πl(wèi)t;1。最后再由π和P的映射關(guān)系進(jìn)行反射得到P的值。

2 結(jié)果與分析

2.1 復(fù)雜背景下檀香樹干圖像分割

目前圖像分割常利用顏色特征的不同組合，例如2G-R-B、2R-G-B、1.4R-G-B等[16-19]。但這些研究均局限在空域范圍內(nèi)，而頻域則揭示了圖像在信號(hào)方面的不同，同樣也可以用于分割。

試驗(yàn)首先使用高斯高通濾波結(jié)合Otus法與形態(tài)學(xué)運(yùn)算完成檀香樹干分割，再通過L*a*b*系統(tǒng)完成蟲害區(qū)域與健康區(qū)域的分割。CIEL*a*b*顏色模型常用來描述人眼可見的所有顏色的最完備的色彩模型，色彩空間比RGB空間大，它是一種均勻的色彩空間，且不受光照變化的影響，適合分析在野外自動(dòng)獲取的圖像。從圖1a可見，蟲害區(qū)顯示為紅色，而a*分量表示洋紅色到綠色的范圍，有利于上述2部分的分割，所以將該部分統(tǒng)稱為蟲害區(qū)并進(jìn)行分割。分割出的蟲害區(qū)域有一部分屬于咖啡豹蠹蛾排泄出的糞便，不在文中所研究的分類對(duì)象之內(nèi)，需要將其分割處理。與受損區(qū)相比，排泄物區(qū)域的亮度偏暗，所以使用L*通道進(jìn)行上述算法流程將其清除。

a.原圖;b.高斯高通濾波后圖像;c.形態(tài)學(xué)處理后二值圖;d.初步分割結(jié)果;e.檀香樹干分割結(jié)果;f.蟲害區(qū)分割結(jié)果I;g.蟲害區(qū)分割結(jié)果II。

算法步驟：

(1)對(duì)原圖進(jìn)行高斯高通濾波處理(σ=40)(圖1b)；

(2)對(duì)步驟(1)得到的圖像進(jìn)行Otus法分割后，使用disk為5的結(jié)構(gòu)元素分別進(jìn)行5次膨脹與腐蝕(圖1c)；

(3)將步驟(2)得到的圖像與原圖做掩膜，使用超G因子(2G-R-B)和大津法將圖中綠色植物去除，得到檀香樹干分割結(jié)果(圖1e)；

(4)對(duì)步驟(3)得到的圖像轉(zhuǎn)換至L*a*b*通道，并對(duì)a*通道進(jìn)行顯示，Otus法完成閾值分割后，使用disk為3的結(jié)構(gòu)元素進(jìn)行3次膨脹和腐蝕運(yùn)算；

(5)對(duì)步驟(4)得到的圖像轉(zhuǎn)換至L*通道進(jìn)行顯示，重復(fù)步驟(4)中的閾值分割與形態(tài)學(xué)運(yùn)算，并與原圖進(jìn)行掩膜，最終分割結(jié)果見圖1 g。

2.2 紋理特征值比較與確定

2.2.1 紋理特征主成分分析

利用主成分分析方法對(duì)各紋理特征的權(quán)重做分析，結(jié)果表明，1～8號(hào)主成分累積貢獻(xiàn)率分別為0.598 2、0.753 9、0.850 2、0.910 6、0.958 2、0.989 4、0.999 7、1.000 0。其中，前4個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到91.06%。由于因子載荷量的絕對(duì)值大小代表著變量對(duì)結(jié)果影響的大小，通過計(jì)算各個(gè)紋理特征在不同主成分的因子載荷量絕對(duì)值之和，得到各紋理特征對(duì)結(jié)果的影響作用由大到小依次為熵值均值(1.778 2)、相關(guān)性均值(1.729 3)、能量均值(1.722 8)、熵值方差(1.692 8)、對(duì)比度方差(1.663 2)、能量方差(1.597 6)、對(duì)比度均值(1.370 3)和相關(guān)性方差(1.237 8)。

2.2.2 單紋理特征

為討論各個(gè)紋理特征對(duì)圖像的區(qū)分情況，將計(jì)算出的紋理特征數(shù)值用散點(diǎn)圖形式表示，觀察2種紋理特征值的分布(圖2)。由圖2可見，圖像紋理特征在熵值均值、熵值方差、對(duì)比度均值、對(duì)比度方差和相關(guān)性均值區(qū)分度較明顯。結(jié)合各個(gè)紋理特征的因子載荷量與可區(qū)分程度，試驗(yàn)選擇熵值均值、熵值方差和相關(guān)性均值作為研究的紋理特征。

a.能量均值分布;b.能量方差分布;c.熵值均值分布;d.熵值方差分布;e.對(duì)比度均值分布;f.對(duì)比度方差分布;g.相關(guān)性均值分布;h.相關(guān)性方差分布。

圖2檀香健康樹干和蟲害樹干的不同單紋理特征值分布

2.3 Logistic分類

使用Logistic模型法時(shí)，所使用的樣本總數(shù)為240張，訓(xùn)練樣本120張，其中健康圖像與蟲害圖像比例為1∶1，定義其分類類別。其中模型形式為

試驗(yàn)首先驗(yàn)證差異擴(kuò)大后的多紋理特征與單紋理特征分類效果的差別。

2.3.1 單紋理特征分類

由表1可見，僅使用一種單紋理特征進(jìn)行分類時(shí)，熵值均值的分類效果最佳。但多個(gè)單紋理特征參與分類不同程度上提高了分類效果。同時(shí)，試驗(yàn)結(jié)果說明，并不是參與分類的紋理特征越多越好，熵值均值與相關(guān)性均值的組合形式可以提高分類正確率，而熵值方差的加入反而降低分類精度。

2.3.2 多紋理特征分類

在使用相同紋理信息的情況下，多紋理特征的分類精度要高于單紋理特征。利用熵值均值與相關(guān)性均值，多紋理特征分類精度提高了2.09%，其他2種情況也分別提高了7.92%與0.84%。這說明利用擴(kuò)大差異的方法可以有效地提高分類正確率(表1)。

表1 檀香健康/蟲害樹干圖像紋理特征分類精度

2.3.3 主成分分析后的紋理特征數(shù)據(jù)分類

為了驗(yàn)證所選擇紋理特征的科學(xué)性以及其他無關(guān)紋理特征對(duì)分類精度的影響，試驗(yàn)對(duì)提取出的主成分分析后的數(shù)據(jù)進(jìn)行聚類分析，與最佳單紋理特征、最佳多紋理特征作比較。由于受個(gè)別分類效果不理想的紋理特征影響，使用提取出的前4主成分紋理特征進(jìn)行分類，效果低于其他2種組合。這證明了有必要在分類前對(duì)紋理特征進(jìn)行分析與篩選，既可降低計(jì)算量，又可提高分類效果(表2)。

表2 前4主成分與最佳單/多紋理特征分類精度比較

2.3.4 不同分類方法下的精度驗(yàn)證

為了驗(yàn)證文中提出方法的科學(xué)性，使用不同的分類方法對(duì)篩選前后的數(shù)據(jù)進(jìn)行分類，結(jié)果見表3。由表3所示，不同分類方法下，使用主成分分析得到的分類精度均低于篩選后得到的精度。同時(shí)，擴(kuò)大差異后的多紋理特征分類效果最好，從而驗(yàn)證了本研究所提方法的科學(xué)性。

表3 系統(tǒng)聚類與K-means聚類對(duì)提出方法的驗(yàn)證結(jié)果

3 結(jié)論

本研究對(duì)受咖啡豹蠹蛾危害的檀香樹干區(qū)域進(jìn)行了分割與分類研究。首先將檀香樹干在復(fù)雜的背景中分割出來，并進(jìn)一步進(jìn)行區(qū)域分割。根據(jù)健康檀香樹干圖像與受咖啡豹蠹蛾危害后的樹干圖像在紋理方面表現(xiàn)出的不同，利用灰度共生矩陣提取8種紋理特征，通過各特征的散點(diǎn)圖分布與因子載荷量篩選出3種單紋理特征，并在此基礎(chǔ)上利用擴(kuò)大差異的方法構(gòu)造出2種多紋理特征，利用Logistic二分類法進(jìn)行分類，并與使用主成分分析后的數(shù)據(jù)獲取的分類精度比較分析，得到以下結(jié)論：

(1)復(fù)雜背景下的檀香樹干以及區(qū)域分割，可以通過高斯濾波結(jié)合大津法以及形態(tài)學(xué)運(yùn)算得到初始分割結(jié)果，運(yùn)用2G-B-R因子去除殘余的綠色植物，得到圖像中的樹干部分。分別在L*a*b*系統(tǒng)中的a*通道和L*通道使用大津法求得最佳閾值，利用形態(tài)學(xué)運(yùn)算將排泄物區(qū)域圖像剔除，并將蟲害區(qū)域與健康區(qū)域分割開。

(2)使用Logistic二分類時(shí)，單紋理特征中使用熵值均值與相關(guān)性均值進(jìn)行分類，精度最高；在使用相同紋理特征數(shù)據(jù)情況下，通過擴(kuò)大差異得到的多紋理特征分類效果要好于單紋理特征，且使用“熵值均值-相關(guān)性均值”得到的分類精度最高。

(3)使用主成分分析后的數(shù)據(jù)進(jìn)行分類均不能達(dá)到篩選后的單紋理與多紋理特征分類的效果，這也說明了特征篩選的重要性。

(4)使用系統(tǒng)聚類與K-means聚類方法得到了與Logistic二分類法相同的結(jié)論，證明了本文所提方法的科學(xué)性。

本研究對(duì)海南省東北健康和受到咖啡豹蠹蛾危害的檀香樹干的紋理特征變換進(jìn)行了研究，得到了一些便于計(jì)算機(jī)自動(dòng)識(shí)別的結(jié)論，但是這些結(jié)論是否也適用于其他地區(qū)，有待于作進(jìn)一步的分析測試。

[1] 唐黎標(biāo).檀香樹探秘[J].云南林業(yè),2010(4):49.

[2] 吳智仁.檀香重要害蟲咖啡木蠹蛾防治方法[J].福建農(nóng)業(yè),2012(5):23.

[3] 高澤正,伍有聲,董祖林,等.檀香主要害蟲的生活習(xí)性與防治[J].中藥材,2004,27(8):549-551.

[4] 鄒修國.基于計(jì)算機(jī)視覺的農(nóng)作物病蟲害識(shí)別研究現(xiàn)狀[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2011,20(6)：238-242.

[5] YANG C C, PRASHER S O, LANDRY L A, et al. A vegetation localization algorithm for precision farming[J]. Biosystems Engineering,2002,81(2):137-146.

[6] XU G, ZHANG F, SHAH S G, et al. Use of leaf color images to identify nitrogen and potassium deficient tomatoes[J]. Pattern Recognition Letters,2011,32(11):1584-1590.

[7] PéREZ A J, LPEZ F, BENLLOEH J V, et al. Colour and shape analysis techniques for weed detection in cereal fields[J]. Computers and Electronics in Agriculture,2000,25(3):197-212.

[8] 劉小川,艾矯燕,唐紀(jì)良,等.基于自適應(yīng)模糊閾值的植物黑腐病葉片病斑的分割[J].中國圖象圖形學(xué)報(bào),2009,14(7):1334-1340.

[9] WOEBBECKE D M, MEYER G E, VON BARGEN K, et al. Color indices for weed identification under various soil, residue and lighting conditions[J]. Transactions of the ASAE,1995,38(1):259-269.

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

[11] CAMARGO A, SMITH J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering,2009,102(1):9-21.

[12] 汪京京,張武,劉連忠,等.農(nóng)作物病蟲害圖像識(shí)別技術(shù)的研究綜述[J].計(jì)算機(jī)工程與科學(xué),2014,36(7):1363-1370.

[13] 張建華,冀榮華,袁雪,等.基于徑向基支持向量機(jī)的棉花蟲害識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(8):178-183.

[14] 田有文,李天來,李成華,等.基于支持向量機(jī)的葡萄病害圖像識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2007,23(6):175-180.

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

[16] 趙進(jìn)輝,羅錫文,周志艷.基于顏色與形狀特征的甘蔗病害圖像分割方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2008,39(3):100-103,133.

[17] BURGOS-ARTIZZU X P, RIBEIRO A, GUIJARRO M, et al. Real-time image processing for crop/weed discrimination in maize fields[J]. Computers and Electronics in Agriculture,2011,75(2):337-346.

[18] AITKENHEAD M J, DALGETTY I A, MULLINS C E, et al. Weed and crop discrimination using image analysis and artificial intelligence methods[J]. Computers and Electronics in Agriculture,2003,39(3):157-171.

[19] 陳佳娟,紀(jì)壽文,李娟,等.采用計(jì)算機(jī)視覺進(jìn)行棉花蟲害程度的自動(dòng)測定[J].農(nóng)業(yè)工程學(xué)報(bào),2001,17(2):157-160.

SegmentationandClassificationofCoffeeLeopardMothAttackedAreainSandalwoodTrunk//

Chen Zhulin, Wang Xuefeng

(Chinese Research Institute of Forestry, Beijing 100091, P. R. China)//

Sandalwood; Image segmentation; Image classification; Health diagnosis; Gray Level Co-occurrence Matrix

1)中央級(jí)科研院所基本科研業(yè)務(wù)費(fèi)專項(xiàng)項(xiàng)目(CAFYBB2014MA006)。

陳珠琳，女，1994年7月生，中國林業(yè)科學(xué)研究院資源信息研究所，碩士研究生。E-mail：825511059@qq.com。

王雪峰，中國林業(yè)科學(xué)研究院資源信息研究所，研究員。E-mail：xuefeng@ifrit.ac.cn。

2017年6月4日。

責(zé)任編輯：程 紅。

S763.42

Journal of Northeast Forestry University，2017,45(11)：94-98,103.

To discuss image understanding about the case of coffee leopard moth pest on sandalwood in north of Hainan, we proposed a classification method by using images obtained in sensors which put in the forest. We used combined spatial and frequency-domain information to segment trunk from complex background, and used 2G-B-R to clear branches, leaves and bright edges in the foreground. After the trunk extraction was completed, we selected the best channel of L*a*b*system and combined the Otus method and mathematical morphology to segment regions successfully. Three kinds of texture features, which were less affected by external factors, were extracted and the concept of multi-texture features is proposed by means of different expansion method. We used the logistic model classification to classify and analyze the extracted texture features and their combinations, multi texture features and their combinations, principal component analysis. The “entropy mean-correlation mean” had the highest classification accuracy, and the same result was obtained by system clustering and the K-means clustering method.