李藝嘉 朱 洋 劉鵬 張亮

[摘要]本文選取谷子常見的谷瘟病、銹病作為研究對象，以Matlb為研究平臺，通過多種分割方法對比，選取最好的分割效果圖。提取其顏色、形態(tài)、紋理特征，可以有效實現(xiàn)對谷子谷瘟病、銹病的區(qū)分。

[關(guān)鍵詞]谷子病害;特征提取;病害分割;支持向量機(jī)

谷子作為我國北方重要的旱地糧食作物，不管從食物本身的營養(yǎng)價值，還是膳食結(jié)構(gòu)調(diào)整都有著重要的作用。隨著科技的發(fā)展，雜交谷子在不斷更新?lián)Q代，產(chǎn)量在不斷提高的同時病蟲害問題也接踵而至…。谷子銹病是真菌性疾病，其病發(fā)季節(jié)一般在高溫多雨的8月上、中旬，發(fā)病率在20%左右，高溫多濕條件下，谷子減產(chǎn)量可達(dá)到40%[2];谷瘟病發(fā)病部位較為廣泛，從葉部白上而下侵染到穗部，谷瘟病病理特征與銹病都呈真菌性，發(fā)病季節(jié)多在高溫多雨的夏初季節(jié)，平均發(fā)病率約為20%左右，如若不加強管理，會造成谷子的大面積減產(chǎn)。所以，病害的有效識別對病害防治以及盡早治療都具有重要作用。

隨著汁算機(jī)技術(shù)的不斷發(fā)展，圖像識別技術(shù)逐漸在農(nóng)業(yè)病害方面大放異彩。師韻等[3]提取一種二維空間學(xué)習(xí)的識別方法，有效地完成了對3種蘋果病害的識別。喻勇等[4]以煙葉的野火病和赤星病為對象，采用一種標(biāo)準(zhǔn)特征庫的模糊識別方法。師韻等151采用一種主分量分析的降維方法，搭建BP神經(jīng)網(wǎng)絡(luò)，3種病害的平均識別率均達(dá)到94%以上。朱景福等[6]采用3種降維方法對玉米病害特征分量進(jìn)行降維，對比分析LLE降維方法效果最佳，有效識別率達(dá)到99.5%。

1 圖像拍攝及預(yù)處理

病害拍攝時間處于7月下旬，此時高溫多雨，正處于病害滋生的高發(fā)季節(jié)。谷子銹病主要發(fā)病部位在葉部，其主要特點為兩面不均勻生長紅褐色病斑，其形狀呈現(xiàn)橢圓狀[7]。谷瘟病病斑特點呈現(xiàn)分層結(jié)構(gòu)，中間呈灰白色，病斑邊緣部分呈褐色，且病斑整體形狀為橢圓形，谷瘟病圖像見圖1，銹病病斑圖像見圖2。拍攝時搭建白色底板，便于葉子病斑背景單一。經(jīng)過中值濾波進(jìn)行相關(guān)預(yù)處理，用于處理圖片拍攝過程中存在的噪音問題，很好地保留了圖片原有的邊緣性。

2病斑分割

病害分割是圖像處理的關(guān)鍵步驟，其目的在于把病斑提取出來，把不需要的部分（綠葉部分）剔除。根據(jù)圖像其灰度部分呈現(xiàn)的特性不同一般有以下分類：一種是基于灰度閾值的分割方法，需要搜索全局閾值進(jìn)行分割，灰度直方圖可作為判別其是否實用的標(biāo)準(zhǔn)，常見的分割方法有大律法（ OSTU）、迭代分割;另一種是基于區(qū)域的分割方法，常見的分割方法為區(qū)域生長法，種子點的選取是其特性之一[8]。

2.1 大律法

大律法也稱最大類間方差法，Matlab中使用Graythresh函數(shù)尋找最佳閾值。其實現(xiàn)過程如下：

（1）通過使用灰度圖像直方圖來統(tǒng)計像素點的數(shù)量，隨后對直方圖進(jìn)行歸一化處理，找出能把圖像簡單分類的灰度閾值，從而實現(xiàn)把圖像分為前景和背景的目的。通過統(tǒng)計前景有關(guān)像素的平均灰度值μ0，進(jìn)行歸一化操作后，前景所占全圖面積的百分比為ω0。;背景平均灰度值μ1，，背景所占全圖面積ω1，。

（2）計算其類間方差：

（3）不斷進(jìn)行迭代，直到求得最大T值，作為最大類間方差的全局閾值。谷瘟病大律法分割二值見圖3，銹病大律法分割二值見圖4。谷瘟病病斑有兩部分，Ostu分割方法僅提取了部分病斑，有一部分病斑未被提取出來，谷子銹病病斑部分完全沒有被分割開來[9]。

2.2迭代分割

迭代分割與最大類間方差法類似，其實現(xiàn)過程如下：

（1）求得灰度直方圖，基于逼近的思想，根據(jù)直方圖先選擇一個最初的閾值To。

（2）根據(jù)To，將圖像分為G1和G2，并隨即求得其平均灰度值m1、m2，計算出新的閾值T1：

Tl=（mo+m1）÷2

（3）不斷進(jìn)行迭代計算，直到平均灰度值mi、m）不再發(fā)生變化，即得到最佳閾值T。迭代分割在Lab空間中提取a通道分割的谷瘟病彩色病斑見圖5，二值圖像見圖6;迭代分割在Lab空間中提取a通道提取的彩色圖像見圖7，二值圖像見圖8。從迭代分割的結(jié)果來看，雖然病斑被很好地分隔開，但是其邊緣部分分割效果不佳，銹病分割效果較為良好，與原圖對比，相關(guān)病斑部分都被分割開來[10]。

2.3 區(qū)域生長法

區(qū)域生長法是一種基于區(qū)域分割的算法，其最終目的是將具有相近灰度值的大小的像素點合并起來，形成一塊塊各白區(qū)域的過程。其實現(xiàn)過程如下：

（1）根據(jù)圖像特性選擇合適種子點。選取方法一種是根據(jù)病害的灰度圖像，基于像素灰度值的大小，選擇種子點;另一種是采用人工交互式的方法來實現(xiàn)。

（2）遵循其分割算法的生長規(guī)則，依據(jù)梯度特征的角度方向進(jìn)而確定其區(qū)域生長的運動方向。實現(xiàn)過程：針對不同像素點對其進(jìn)行標(biāo)記操作，標(biāo)記的像素點對應(yīng)不同的灰度值大小。流程步驟：確定一個種子點，種子點往灰度值相近的像素點進(jìn)行移動，隨即得到其區(qū)域生長方向，直到最終像素區(qū)域內(nèi)中不存在種子點隨即停止生長。區(qū)域生長法在RGB空間下谷瘟病區(qū)域分割彩色病斑見圖9，谷瘟病區(qū)域分割二值圖像見圖10，銹病區(qū)域分割彩色病斑見圖11，銹病區(qū)域分割二值圖像見圖12。從區(qū)域生長法分割效果圖來看，谷瘟病、銹病分割效果都相對較好。

3 特征提取及SVM識別

通過對以上幾種分割算法的對比和分析，區(qū)域生長法的分割質(zhì)量相對較高，根據(jù)病斑呈現(xiàn)特性，對其進(jìn)行特征選擇。顏色特征部分提取RGB三階顏色矩，形態(tài)特征提取偏心率、寬長比等特征;紋理特征采用基于灰度共生矩陣的提取方法，提取能量、對比度、逆差距、二階矩。特征類型共計18個特征，將特征參數(shù)導(dǎo)入支持向量機(jī)（ SVM）進(jìn)行分類識別。

SVM適用于小樣本的類別分類，SVM根據(jù)線性方程為判別依據(jù)，其目的為將存在大量樣本數(shù)據(jù)的空間中劃分出超平面。線性方程如下： WTX+b=0

（3） 式中：x為數(shù)據(jù)維度;W為垂直方向的法向量;h為超平面與原點間的距離大小。谷瘟病、銹病各選擇50張圖片作為訓(xùn)練集、20張圖片作為測試集，交叉識別驗證，識別結(jié)果見圖13。

4 結(jié)論

本文針對谷子的谷瘟病、銹病，進(jìn)行圖像采集與病害識別，研究結(jié)果表明，谷瘟病的識別率為90%，銹病的識別率為100%，平均識別率為95%，能有效將谷瘟病、銹病進(jìn)行區(qū)分。

參考文獻(xiàn)

[1]張文英.谷子主要病害及其防治措施[J].現(xiàn)代農(nóng)業(yè)科技，2013（2）：141-142

[2]鮑守禮.谷子銹病發(fā)生規(guī)律及特點初探[J].雜糧作物，2002 （2）：108-109.

[3]師韻，黃文準(zhǔn)，張善文.基于二維子空[J]的蘋果病害識別方法 [J]計算機(jī)工程與應(yīng)用，2017 （22）：180-184.

[4]喻勇，張云偉，王靜，等.基于計算機(jī)視覺的煙葉病害識別研究[J].計算機(jī)工程與應(yīng)用，2015 （20）：167-171.

[5]師韻，王旭啟，張善文，基于主分量分析的蘋果葉部3種常見 病害識別方法[J].江蘇農(nóng)業(yè)科學(xué)，2016 （9）：337-340.

[6]朱景福，李雪，玉米葉片病害彩色圖像識別的降維和聚類方法 [J]江蘇農(nóng)業(yè)科學(xué)，2016 （7）：350-354.

[7]丁菊梅谷子的主要病害及其防治技術(shù)[J]，農(nóng)業(yè)技術(shù)與裝備，2013（1）：68-70.

[8]莫國良.儲糧害蟲的防治技術(shù)研究[J]糧食科技與經(jīng)濟(jì)，2 018（6）：106-107。

[9]牛沖，牛昱光，李寒，等，基于圖像灰度直方圖特征的草莓病蟲害識別[J]江蘇農(nóng)業(yè)科學(xué)，2017 （4）：169-172.

[10]劉維春，黃抱鴻.谷蟲凈綜合防治儲糧害蟲試驗報告[J].糧食科技與經(jīng)濟(jì)，1996 （1）：9-11.