刁智華　魏玉泉　刁春迎　毋媛媛　錢曉亮　劉玉翠

摘要：精準(zhǔn)識別作物病害的前提是準(zhǔn)確地提取病害特征值，針對現(xiàn)有研究主要側(cè)重于增加特征參量個數(shù)來提高病害識別率。以小麥白粉病為例，充分考慮形狀描述子的平移及旋轉(zhuǎn)不變性，在原有矩形度、伸長度等特征值的基礎(chǔ)上重新構(gòu)造病斑的圓形度、曲率等特征描述參數(shù)作為特征值，進(jìn)行單個病斑參數(shù)的提取試驗，并對獲得的參數(shù)進(jìn)行對比分析，以選出描述病斑形狀的最優(yōu)參數(shù)及其數(shù)值范圍。結(jié)果表明，選用的特征參數(shù)值中圓形度C2、矩形度、伸長度及曲率具有較小的分散性，能精確有效地表征病斑的形狀特征，顯著提高病斑描述的精確性；并求取相關(guān)特征參數(shù)值的大致取值范圍，增加人們對白粉病的認(rèn)識，為小麥白粉病的自動識別提供數(shù)據(jù)基礎(chǔ)。

關(guān)鍵詞：小麥白粉??；形狀特征參數(shù)；精確性；數(shù)值范圍；圖像識別；圓形度；曲率；伸長度；矩形度

中圖分類號： TP39141文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2017）21-0229-03

收稿日期：2016-05-26

基金項目：國家自然科學(xué)基金（編號：61501407）；河南省科技廳科技攻關(guān)項目（編號：162102110118）；河南省高等學(xué)校重點科研項目（編號：15A413006）；鄭州輕工業(yè)學(xué)院研究生科技創(chuàng)新基金（編號：2015028）。

作者簡介：刁智華（1982—），男，河南夏邑人，博士，副教授，主要從事圖像處理及模式識別相關(guān)研究。E-mail：diaozhua@163com。

隨著圖像處理技術(shù)的發(fā)展和計算機(jī)運算速度的提高，很大程度上降低了圖像處理技術(shù)的使用要求；同時因為圖像檢測技術(shù)快速、準(zhǔn)確、無損傷等特點，克服了傳統(tǒng)人工識別的費事費力及病害識別不及時的缺點，得到了農(nóng)業(yè)領(lǐng)域研究者們的重視，促進(jìn)了農(nóng)作物病害識別由人工識別轉(zhuǎn)向借助機(jī)器視覺的自動識別。在病害識別過程中，病斑的形狀、紋理和顏色是人們參考的3個重要指標(biāo)，其中形狀特征比其他2種特征有更好的特征表現(xiàn)力，且特征選擇的好壞直接影響識別結(jié)果的好壞1]。相關(guān)領(lǐng)域的研究者們在病害識別的過程中對病斑的形狀特征做了不少研究，刁智華將不變矩理論引入形狀特征提取中，定義了7個Hu不變矩，并求其數(shù)值作為病害識別的參考2]；王美麗等在識別小麥葉部病害時在形狀特征上選取病斑的面積、周長、矩形度、圓形度和偏心率為幾何特征參數(shù)，對條銹病、葉銹病和桿銹病進(jìn)行分類識別3]；田凱等在茄子褐紋病識別中選取圓形度、矩形度、偏心率、形狀復(fù)雜度和7個Hu不變矩等11個形狀特征結(jié)合紋理和顏色使樣本的識別率達(dá)到90%4]；邵慶等以小麥條銹病為研究對象，在獲取的小麥病害葉片圖像中選取并計算病斑的面積、周長、矩形度、圓形度和縱橫軸比5個特征量來作為病斑形狀的描述和采集5]；岑喆鑫在研究黃瓜的病斑識別中選用4項相對幾何特征形狀復(fù)雜性程度、偏心率、圓形性、形狀參數(shù)，用于識別病斑6]；胡秋霞在蘋果病害病斑的識別中提取形狀的寬長比、離散度、矩形度和伸長率4個特征結(jié)合紋理和顏色特征，從而取得了較高的病斑識別率7]。

綜合學(xué)者們的研究，通過多種參數(shù)的結(jié)合，也達(dá)到了較高的病害識別率。但研究層面仍以增加變量個數(shù)來提高識別率，對提高單個特征參數(shù)的精確度、優(yōu)化特征量及建立病害特征識別標(biāo)準(zhǔn)數(shù)據(jù)庫的研究還不是很充分。因此，本研究以小麥白粉病單個病斑為對象，以提高單個特征參數(shù)的精確性為目的，選取具有旋轉(zhuǎn)和平移不變性的特征參量重新描述病斑的形狀特征，找出最優(yōu)病害特征量及其精確數(shù)值范圍，為小麥白粉病的自動精確診斷提供數(shù)據(jù)基礎(chǔ)。

1小麥病害葉片圖像獲取及圖像處理

11小麥病害葉片圖像采集

本研究的地點為河南農(nóng)業(yè)大學(xué)科教園區(qū)的小麥白粉病試驗田區(qū)，在病害發(fā)生的全程中不對其采取任何防治措施，保證白粉病害的自然發(fā)生與生長。在大田環(huán)境下，通過使用數(shù)碼相機(jī)拍攝靜態(tài)圖片的方法采集小麥白粉病病害部位圖像。為保證病斑提取的準(zhǔn)確性，減少其他不確定噪聲的影響，以處于成形期的單個病斑為研究目標(biāo)。鏡頭采用微距鏡頭，以保證采集到的圖像能夠清晰地展現(xiàn)小麥白粉病的細(xì)節(jié)，確保圖像能精確反映病斑形狀，準(zhǔn)確提取特征值。由于大田環(huán)境下背景較復(fù)雜，為了簡化背景處理，用紅色背景布襯于病害葉片的下部，采集的原始圖像如圖1所示，最后利用自己編寫的圖像處理程序進(jìn)行圖像特征值的提取。

12小麥病害葉片圖像預(yù)處理

考慮到本研究的對象是白粉病的形狀特征值，對圖像的顏色沒有要求，紋理細(xì)節(jié)要求也較低。為減少圖像處理的計算量、提高程序運行速度，以二值圖像為圖像特征值提取的目標(biāo)圖像。

首先將圖像采集裝置采集到的24位真彩色圖像轉(zhuǎn)換為8位灰度圖像，圖像灰度化過程中考慮到背景的紅色和葉片及病斑的顏色特征，根據(jù)與病害程度的相關(guān)性，確定R、G、B參數(shù)的權(quán)重值。本研究中設(shè)計了一種基于藍(lán)色分量值的反向灰度化算法對圖像進(jìn)行灰度化，具體算法實現(xiàn)為

JZ（]gray=JB（{]255-B（R+G+B+）3>180255其他JB）]。JZ）]JY]（1）

式中：R、G、B分別為原圖像中單個像素的R、G、B值；gray為灰度化后的像素灰度值。

利用該算法對原圖像進(jìn)行灰度化后的灰度圖像見圖2，圖2中較好地去除了背景和葉片的顏色，使得原色接近白色的病斑能以較小的灰度值呈現(xiàn)。該算法以簡單的運算步驟得到了較好的提取效果，節(jié)省了計算時間，也為后續(xù)的病斑特征值計算作了較好的病斑提取。

從圖2可知，經(jīng)過灰度化后的圖像中仍存在不少噪聲，圖像呈現(xiàn)以病斑和葉部邊緣為較小灰度值的特點，噪聲點的灰度值略大于病斑點的特點，因此須要加入濾波步驟以消除噪聲點。本試驗采用利用最大類間方差閾值濾波的方法進(jìn)行噪聲的消除：對于一幅圖像F，計算其灰度圖像的自動閾值（簡稱Otsu閾值）T，用T將所有像素分為≥T和

JZ（]F（x）=JB（{]HL（2]0x

經(jīng)過閾值處理后的圖像F見圖3，圖像較好地實現(xiàn)了噪聲的消除，同時也變成了一幅二值化后的圖像。從圖3中可以看出，在二值化后的圖像中往往會存在葉部邊緣的輪廓，這是因為葉片在生長過程中，葉部邊緣并不是和葉片一樣的綠色，而是常呈現(xiàn)一種接近黃白色的顏色，這種顏色和病斑的顏色很相似，這種區(qū)域在人類視覺的觀察下并不明顯，但是在微距照片中會很明顯。因此，在以精確保留病斑形狀為目的的處理過程中會留下葉片邊緣這一特點。鑒于病斑處于2條邊界線內(nèi)部，本試驗采取依次進(jìn)行上下邊界線掃面的方法去除邊界點，而保留病斑區(qū)域。處理后的圖像見圖4，即為預(yù)處理后獲得的目標(biāo)圖像。

2小麥病害葉片圖像形狀特征選擇及提取

由于人們在拍攝圖片時會因為拍攝角度、位置和距離的變化而引起獲得的圖像中同一形狀特征參數(shù)的變化，從而會嚴(yán)重地影響后續(xù)特征識別的準(zhǔn)確性。如果選取的形狀特征能夠滿足對平移、旋轉(zhuǎn)的不變性要求，就可以很大程度上克服因拍攝位置而引起的特征參數(shù)的改變這一缺點。在圖像特征的提取中要求生成的特征應(yīng)能具體地描述物體的某一特點。在病害的識別中，病斑的面積和周長是常用的參數(shù)，但是此類絕對參數(shù)在病斑的不同生長時期及拍攝焦距、角度的不同都會呈現(xiàn)較大的差異性，對病害種類的區(qū)分雖有一定的貢獻(xiàn)度，但對單種病害的識別貢獻(xiàn)度較小。因此，本試驗充分考慮了參數(shù)特征的平移、旋轉(zhuǎn)不變性并結(jié)合參數(shù)的相對量選取了以下4個參數(shù)進(jìn)行特征值的提取與分析。

21小麥病害葉片圖像圓形度（簡稱C）

從大量的小麥白粉病圖像中可以得知，病斑形狀基本都接近橢圓，個別會出現(xiàn)非常接近圓形的斑點，少數(shù)也會呈現(xiàn)長條狀，總的形狀特征可以用橢圓的性質(zhì)特征來描述。因此，當(dāng)形狀接近圓時，圓形度就是一個非常有用的特征，它可以刻畫一個形狀接近圓的程度，它是一個平移旋轉(zhuǎn)和伸縮不變量，又是一個非矢量的數(shù)值。本試驗選用一種在病害識別中常用的圓形度定義方式，并重新定義3種新的圓形度指標(biāo)進(jìn)行白粉病圓形度特征的提取：

（1）圓形描述的是病斑形狀接近圓形的程度，在病害識別中使用頻率最高的一種定義方式為

C1=SX（]4πsL2SX）]。JZ）]JY]（3）

式中：s為病斑區(qū)域的面積（常以像素個數(shù)計算，本研究中也用此方法）；L為病斑的周長，周長采用病斑區(qū)域相鄰邊界點的歐氏距離和來計算；C1值的范圍是0～1，在相同面積條件下，當(dāng)病斑區(qū)域為圓形時周長最短，其圓形度C1=1，病斑形狀越偏離圓則C1值越小。

（2）面積與平均距離平方比值也是圓形度的度量指標(biāo)，其定義如下

C2=SX（]A（dTX-5]）2SX）]=SX（]AN2（∑DD（]Nt=1DD）]xi）2SX）]=SX（]N3（∑DD（]Nt=1DD）]xi）2SX）]；JZ）]JY]（4）

dTX-5]=SX（]1NSX）]∑DD（]Ni=1DD）]xi。JZ）]JY]（5）

式中：A、N分別為目標(biāo)區(qū)域的面積與像素數(shù)；xi為第i個像素點到與其最近的邊界像素點的距離；dTX-5]為邊界上的點到目標(biāo)區(qū)域內(nèi)部某點的平均距離。

（3）用區(qū)域R的所有邊界點定義的特征量C3，即

C3=SX（]μRδRSX）]。JZ）]JY]（6）

式中：μR為從區(qū)域中心到邊界點的平均距離；δR為從區(qū)域中心到邊界點距離的均方差。

在二值化圖像中，若圖像病斑對應(yīng)的像素位置坐標(biāo)為（xi，yi）（i=0，1，2，…，M-1；j=0，1，2，…，N-1），那么形狀質(zhì)心位置坐標(biāo)為

JB（]xTX-5]=SX（]1MNSX）]∑DD（]M-1i=0DD）]∑DD（]N-1J=0DD）]xiyTX-5]=SX（]1MNSX）]∑DD（]M-1i=0DD）] ∑DD（]N-1J=0DD）]yiJB）]]。JZ）]JY]（7）

式中：M、N分別為病斑圖像區(qū)域橫向、縱向的最大像素個數(shù)；μR及δR計算公式分別如下

μR=SX（]1MNSX）]∑DD（]M-1i=0DD）] ∑DD（]N-1j=0DD）]‖（xi，yj）-（xTX-5]，yTX-5]）‖；JZ）]JY]（8）

δR=SX（]1MNSX）]∑DD（]M-1i=0DD）]∑DD（]N-1j=0DD）]‖（xi，yj）-（xTX-5]，yTX-5]）‖-μR]2。JZ）]JY]（9）

22小麥病害葉片圖像病斑的扁度（伸長度，簡稱D）

扁度可以用區(qū)域的最長弦與其垂直方向上的最長弦之比來度量，也可以用最小面積區(qū)域的外接矩形的長和寬之比來度量：

D=SX（]max{亮度}max{寬度}SX）]。JZ）]JY]（10）

病斑區(qū)域越細(xì)長，D越小，當(dāng)病斑區(qū)域為圓形時，D=1。

23小麥病害葉片圖像的矩形度（簡稱E）

圖像短形度是物體的面積與最小外接矩形的面積比值，反映一個物體對其外接矩形的充滿成度。

E=SX（]sASX）]。JZ）]JY]（11）

式中：s表示病斑區(qū)域的面積（本研究采用的也是病斑區(qū)域的像素個數(shù)）；A表示最小外接矩形的面積。

24小麥病害葉片圖像曲率F

曲率標(biāo)量描述子是邊界中對角相鄰的像素對數(shù)與正四鄰域相鄰的像素對數(shù)的比率。比值越大邊界越圓滑，比值越小邊界越平直。

F=SX（]mnSX）]。JZ）]JY]（12）

式中：m為病斑區(qū)域邊界上相鄰2個像素間為對角時的像素對數(shù)；n為病斑區(qū)域邊界上相鄰2個像素為上下或左右時的像素對數(shù)。

3結(jié)果與分析

試驗中選取20幅單個病斑的圖像，利用本試驗所述的圖像處理算法進(jìn)行圖像的預(yù)處理，最后按照本研究中定義的特征參數(shù)進(jìn)行參數(shù)值的提取與測量，隨機(jī)選擇6組數(shù)據(jù)（表1）。并對20組樣本的特征值分別求取均值和標(biāo)準(zhǔn)差，為了衡量不同特征值間的優(yōu)良性，求取各個特征值的變異系數(shù)（其值為標(biāo)準(zhǔn)差與均值的比值），統(tǒng)計結(jié)果如表2所示。

依據(jù)表2中的數(shù)據(jù)，從3種圓形度的定義方式所得的數(shù)值中可以看出，以面積與平均距離平方的比值作為度量指標(biāo)的C2具有最小的變異系數(shù)，說明其分散性在3個中最小。伸長度、矩形度和曲率也具有較小的變異系數(shù)。因此本研究選取圓形度C2、伸長度、矩形度及曲率作為小麥白粉病的形狀特征能夠較好地描述白粉病病斑的形狀參數(shù)。觀察表1的統(tǒng)計數(shù)據(jù)，可以得到圓形度的大小范圍為64962 5～93496 6，伸長度的大小范圍為2028 5～2769 2，矩形度的大小范圍為0615 6～0718 4，曲率的取值范圍為0392 1～0589 2。這4個特征值的取值范圍也較小，數(shù)據(jù)比較穩(wěn)定。

4結(jié)論與討論

本研究利用圖像處理技術(shù)，在VC++平臺下開發(fā)出小麥白粉病病斑形狀特征參數(shù)提取的MFC程序。在考慮形狀特征旋轉(zhuǎn)和平移不變性的基礎(chǔ)上，選取定義了6個特征參數(shù)，并對參數(shù)的特征值進(jìn)行精確的提取與分析。分析結(jié)果表明，在常用的3個圓形度指標(biāo)中以面積與平均距離平方比值作為度量指標(biāo)的C2較其他2種定義方式具有更小的分散性，結(jié)合伸長度、矩形度和曲率能較好地表現(xiàn)小麥白粉病的形狀特征。特征參數(shù)精確數(shù)值的提取也為人們對小麥白粉病形狀的認(rèn)識提供了數(shù)據(jù)參考，為自動識別提供了精確的數(shù)據(jù)基礎(chǔ)，為農(nóng)作物病害診斷信息特征數(shù)據(jù)庫地建立和實現(xiàn)奠定了基礎(chǔ)，優(yōu)化了特征參數(shù)，促進(jìn)了小麥白粉病的自動識別。

參考文獻(xiàn)：

1]ZK（#]Jhuria M，Kumar A，Borse R Image processing for smart farming：detection of disease and fruit gradingC]Image Information Processing （ICIIP），2013 IEEE Second International Conference on 2013：521-526

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

3]王美麗，牛曉靜，張宏鳴，等 小麥葉部常見病害特征提取及識別技術(shù)研究J] 計算機(jī)工程與應(yīng)用，2014，50（7）：154-157

4]田凱，張連寬，熊美東，等 基于葉片病斑特征的茄子褐紋病識別方法J] 農(nóng)業(yè)工程學(xué)報，2016，32（增刊1）：184-189

5]邵慶，張楠，路陽 小麥病害圖像識別處理及形狀特征提取研究J] 農(nóng)機(jī)化研究，2014，35（8）：35-42

6]岑喆鑫 基于計算機(jī)視覺技術(shù)的黃瓜葉部病害自動診斷研究D] 北京：中國農(nóng)業(yè)科學(xué)院，2008

7]胡秋霞 基于圖像分析的植物葉部病害識別方法研究D] 陜西：西北農(nóng)林科技大學(xué)，2013