王燕妮，賀 莉

(西安建筑科技大學(xué) 信息與控制工程學(xué)院，西安 710055)

0 引言

在中國，臨潼是最大規(guī)模的石榴生產(chǎn)基地。目前，臨潼區(qū)石榴栽植面積達(dá)10萬畝，年產(chǎn)鮮果8萬噸，從事石榴生產(chǎn)銷售的企業(yè)、專業(yè)合作社有30余家，石榴產(chǎn)業(yè)年產(chǎn)值達(dá)5億元以上[1]。石榴是臨潼重要的水果作物，由于石榴的病害，約有10～30%的作物損失。因此，需要在開始階段確定疾病，并向農(nóng)民提出解決辦法，以便可以避免最大損害，從而提高產(chǎn)量。

植物的疾病大多是在它們的葉子、果實和植物的莖上，石榴由于果腐病、炭疽病、枯萎病和褐斑病等葉病而遭受巨大損失。在農(nóng)業(yè)領(lǐng)域，對葉類疾病的早期檢測是主要的挑戰(zhàn)。農(nóng)民一般用肉眼觀察來判斷疾病，但這種方法有時可能會造成誤判，而且在很多時候，農(nóng)民還需要召集專家來檢測同樣的疾病，在大農(nóng)場中，如果采取這種檢測方式是很費時的。利用數(shù)字圖像處理技術(shù)，在工業(yè)檢驗、醫(yī)學(xué)成像、遙感、農(nóng)業(yè)加工等不同領(lǐng)域發(fā)現(xiàn)了大量的應(yīng)用。

對于各種農(nóng)業(yè)應(yīng)用中的分析，數(shù)字圖像處理技術(shù)已經(jīng)被建立為一種有效的方法，如植物識別、土壤質(zhì)量估計以及在農(nóng)業(yè)領(lǐng)域中作物產(chǎn)量的估算等。數(shù)字圖像處理技術(shù)在農(nóng)業(yè)中的應(yīng)用之一是對植物病害的檢測。

病害類型可分為細(xì)菌、病毒、真菌等，在中國發(fā)現(xiàn)的石榴葉病害主要有交鏈孢屬和炭疽病[2]。文章重點研究了應(yīng)用圖像處理技術(shù)對交鏈孢屬、炭疽病和健康葉片進(jìn)行識別和分類，介紹了如何實現(xiàn)石榴葉片疾病的自動檢測。該研究為石榴葉病的檢測和分類提供了快速、準(zhǔn)確、成本低廉的方法。

在農(nóng)業(yè)應(yīng)用中，許多學(xué)者利用數(shù)字圖像處理技術(shù)對植物葉片病害的檢測進(jìn)行了大量的研究。由于不同植物的病害癥狀表現(xiàn)大不相同，每種疾病都有自己獨特的特點，僅僅依靠傳統(tǒng)的病理知識和歷史經(jīng)驗可能會誤判病期，所以對葉子上的疾病的視覺識別不太準(zhǔn)確，需要有更多的經(jīng)驗和知識。

植物病害自動檢測在農(nóng)業(yè)領(lǐng)域具有優(yōu)勢，因此是一個重要的研究課題。在處理較復(fù)雜的圖像背景時，張芳[3]運用了一種超像素和形狀上下文結(jié)合的分割算法使黃瓜病葉圖像的背景部分與目標(biāo)區(qū)域成功分離，達(dá)到了預(yù)期效果。在Tobias Baum，Udo Seiffert[4]等人的大麥分割斑塊實驗中，預(yù)處理使用二值化進(jìn)行圖像增強，然后使用Sobel邊緣檢測算子分割并最終分離葉斑。Al-Hiary H，Bani-Ahmad S[5]等，首先識別大多數(shù)綠色像素，然后根據(jù)Otsu方法計算的特定閾值對這些像素進(jìn)行屏蔽，最后完全去除紅色、綠色和藍(lán)色零值像素和受感染集群邊界上的像素。張武、黃帥[6]等人首先使用K-means聚類分割算法去除圖像背景，然后使用Otsu閾值法和面積閾值法等各種算法，對小麥植株圖像進(jìn)行多次分割，最終很好地分割出了帶有病斑的小麥圖像。Prasad，Shitala[7]等人提出了一種新的高效、魯棒的移動視覺系統(tǒng)，用于移動設(shè)備中的無監(jiān)督葉子圖像分割，開發(fā)了一種基于紋理的植物葉片圖像分割聚類算法和一種像素聚類方法。尚怡君[8]等人在3種玉米病害葉片圖像數(shù)據(jù)庫上通過實驗對比了主成分分析技術(shù)(PCA)+概率神經(jīng)網(wǎng)絡(luò)(PNN)、神經(jīng)網(wǎng)絡(luò)(ANN)與貝葉斯方法，實驗結(jié)果表明，采用監(jiān)督局部保持映射(DLPP)算法與最近鄰分類器相結(jié)合識別植物病害，識別精度達(dá)到85.5%。

1 系統(tǒng)算法實現(xiàn)

1.1 系統(tǒng)結(jié)構(gòu)

植物病斑檢測過程分為圖像處理和機器學(xué)習(xí)兩部分。首先，需要獲取實驗數(shù)據(jù)圖像，然后進(jìn)一步處理這些數(shù)據(jù)。最后，機器學(xué)習(xí)模型基于圖像特征對疾病進(jìn)行分類。圖像處理技術(shù)的總體流程包括圖像采集、圖像預(yù)處理、圖像分割和圖像特征提取。機器學(xué)習(xí)包括特征選擇和分類，植物葉片病斑識別技術(shù)如圖1所示。

圖1 系統(tǒng)方框圖

具體算法步驟如下：

1)首先將采集到的彩色葉片圖像進(jìn)行裁剪，保留圖像的病斑部分和綠葉正常部分，并將圖像大小統(tǒng)一到275×183的尺寸；

2)對裁剪后的圖像使用高斯濾波進(jìn)行去噪，并使用直方圖均衡化增強病斑圖像細(xì)節(jié)；

3)采用基于權(quán)重的改進(jìn)距離公式，根據(jù)k均值(k-means)算法重新計算聚類中心，以確定各部分所屬類別；

4)基于顏色矩提取HSI顏色空間3個通道的顏色特征，利用灰度共生矩提取圖像的9個紋理特征；

5)將得到的特征參數(shù)輸入到線性支持向量機中進(jìn)行分類識別。

計算機的視覺和圖像處理技術(shù)具有很強的客觀性和及時性，將計算機視覺技術(shù)應(yīng)用于果農(nóng)業(yè)的發(fā)展研究中，依靠高科技創(chuàng)新技術(shù)來帶動果農(nóng)業(yè)發(fā)展并提高經(jīng)濟作物產(chǎn)量，是一項很有現(xiàn)實意義的課題。

1.2 圖像獲取

圖像識別首先需要獲取實驗數(shù)據(jù)，這一步的主要任務(wù)是利用相關(guān)電子設(shè)備或通過其他途徑將所需要的實驗?zāi)繕?biāo)采集下來，當(dāng)把采集到的圖像輸入計算機時，圖像的模擬信號轉(zhuǎn)換為數(shù)字信號。圖像采集過程的合理性將直接影響圖像的質(zhì)量和后續(xù)圖像處理的效果。

在本研究中，石榴葉圖像來自AI challenger農(nóng)作物病害檢測競賽中的plant village數(shù)據(jù)集，圖片格式保存為 JPG格式，用于訓(xùn)練和測試。收集到的圖像包括交鏈孢屬、炭疽病和健康葉片。

1.3 預(yù)處理

獲取到的植物葉片上可能會出現(xiàn)灰塵、露珠、昆蟲糞便，這些被認(rèn)為是圖像噪聲，為了避免這些噪聲影響后續(xù)分割病斑的效果，一般情況下，需要對采集到的原始圖像進(jìn)行預(yù)處理。此外，捕捉到的圖像可能會出現(xiàn)一些水滴和陰影效應(yīng)的失真，這將會在分割和特征提取階段造成問題，因此，可以使用不同的去噪濾波器來衰減或消除這種失真的影響。

在這個步驟中，首先調(diào)整圖像大小到275×183的尺寸，然后進(jìn)行高斯濾波以去除圖像中的噪聲，最后對病害圖像進(jìn)行增強。預(yù)處理既消除了背景噪聲，又抑制了不想要的失真，提高了圖像質(zhì)量。

2 算法描述

2.1 K-means算法

在圖像分割中，是將給定的圖像分割成與某些特征有關(guān)的均勻區(qū)域。分割的目的則是為了將圖像進(jìn)行簡化表示，并將其轉(zhuǎn)換為更有意義且更易于分析的內(nèi)容。聚類是將大型數(shù)據(jù)集分組為小集合或相似數(shù)據(jù)段的一種方法。本次研究中，采用K均值聚類算法將預(yù)處理后的圖像分割成三簇，如圖4所示。所述簇包含葉的患病部分，正常綠葉部分和背景區(qū)域。

k-means算法應(yīng)用于植物病害圖像分割的優(yōu)點[9]和k-means算法過程如下所示。

1)K-means算法的優(yōu)點：

(1)聚類是一種無監(jiān)督學(xué)習(xí)的方法，可以將一些沒有標(biāo)簽的數(shù)據(jù)劃分成若干類，算法原理簡單，收斂速度快，能夠很好地區(qū)分圖像區(qū)域間存在較大差異的圖像。

(2)適用于球類型分布的數(shù)據(jù)。由于石榴葉出現(xiàn)的病斑大多呈現(xiàn)橢圓斑狀，所以利用K-means聚類算法分割具有很好的效果。

(3)需要調(diào)節(jié)的參數(shù)只有簇數(shù)K，當(dāng)選取合適的初始聚類中心后，僅僅依據(jù)圖像的顏色信息就可以對圖像進(jìn)行聚類，具有很強的魯棒性。

2)K-means算法過程：

(1)將數(shù)據(jù)集劃分為K個簇數(shù)，并將數(shù)據(jù)點隨機分配給聚類。

(2)對于每個數(shù)據(jù)點，采用近鄰思想將其劃分到最近鄰所在的簇中，本文給出的改進(jìn)算法通過權(quán)重來計算距離，從而界定是否屬于一類，任意兩個數(shù)據(jù)點(x1,y1)，(x2,y2)的歐式距離為：

(1)

改進(jìn)的距離公式為：

(2)

其中:Si是聚類中心i所屬的類別中數(shù)據(jù)的個數(shù)，S是所有數(shù)據(jù)的個數(shù)。

(3)如果數(shù)據(jù)點最靠近它自己的群集，則將其放在它所在的位置。

(4)如果數(shù)據(jù)點不是最接近其自己的群集，則將其轉(zhuǎn)移到附近的集群中。

(5)重復(fù)所有步驟，直到所有的數(shù)據(jù)點滿足條件為止。

(6)若集群趨于穩(wěn)定，聚類過程停止。

算法偽代碼：

輸入：數(shù)據(jù)集S={x1,x2,…,xn}；

聚類簇數(shù)K；

過程：

從S中隨機選擇K個數(shù)據(jù)作為初始向量{α1,α2,…αk}

Repeat

令Cj=φ(1≤j≤k)

fori=1,2,…,ndo

利用權(quán)重計算數(shù)據(jù)xi與各向量αj的距離：

根據(jù)最近鄰原則確定xi的簇標(biāo)記：υi=argmindij

將數(shù)據(jù)xi劃分到相應(yīng)的簇：Cυi=Cvi∪{xi}

end for

Forj=1,2,…,k

Ifαj′≠αjthen

將此時的均值向量αj更新為αj′

else

保持此時的均值向量不變

end if

end for

Until 此時均值向量均未更新

輸出：簇劃分C={C1,C2,…,Ck}

其中，S為數(shù)據(jù)集，C為聚類所得簇。

2.2 特征提取

特征提取用于提取可用于確定給定樣本的重要性的信息，圖像分析的特征提取方面?zhèn)戎赜谧R別圖像中的固有特性或存在對象的特征，一般情況下，這些特征可以用來描述對象。圖像特征的主要類型是形狀、顏色和紋理，這些特征主要用于圖像處理技術(shù)[10]。

在該系統(tǒng)中，顏色是圖像的一個重要的特征，因為它可以從病葉中區(qū)分出不屬于正常葉片顏色的區(qū)域，紋理特征指出顏色圖案如何在圖像中分布。因此，顏色特征和紋理特征都被提取出來，以獲得更好的精度。以下步驟用于計算給定圖像的顏色特征：

1)首先將RGB圖像轉(zhuǎn)換為HSI顏色空間。

2)將圖像細(xì)分為3×3塊。

3)使用以下公式計算九個塊中每個塊的平均顏色：

(3)

其中:xi是像素強度，N是像素總數(shù)。

將計算出的平均值作為其中的一個顏色特征。

4)對于每個塊，使用以下公式計算方差：

(4)

所計算的方差具有測量可變性的能力。

5)計算H/S/I各塊的偏度:

(5)

利用偏度來判斷圖像表面分布的對稱情況。

這樣每個區(qū)塊將有3+3+3=9種顏色特征。

然后采用病斑圖像的9種紋理特征：對比度，能量，最大概率，均勻度，逆差分矩，差異方差，對角線方差，熵，相關(guān)性[11]。計算公式如表1所示。

表1 紋理特征的數(shù)學(xué)公式

2.3 分類識別

分類是分析圖像特征的各種屬性并將其分類為各種聲明類的過程。在植物病害的分類中，利用分類技術(shù)根據(jù)圖像提取的特征對疾病進(jìn)行分類，從而檢測葉片病害類型。分類處理是將給定的輸入模式與一個不同的類相關(guān)聯(lián)，不同的分類模型包括支持向量機，神經(jīng)網(wǎng)絡(luò)，最近鄰分類器和基于規(guī)則的分類器。該系統(tǒng)采用線性支持向量機( Linear Support Vector Machine，簡稱LSVM)對葉病進(jìn)行分類。

支持向量機是一種二元分類器，它使用一個超平面，稱為兩類之間的決策邊界。支持向量機的主要目的是實現(xiàn)超平面和類邊界之間的最大距離，以避免將向量錯誤劃分為其他類。這個超平面將劃分為一個包含標(biāo)記為+1的目標(biāo)訓(xùn)練向量的類，另一類包含標(biāo)記為-1的訓(xùn)練向量。

使用此標(biāo)記的訓(xùn)練向量，SVM優(yōu)化器找到一個超平面ωTx+b=0，在超平面的上方定義y=1，在超平面下方定義y=-1，然后將使兩個類中的分離邊緣最大化，如圖2所示。

圖2 支持向量機模型

分類通常涉及兩個階段，分別為訓(xùn)練和測試。首先使用特征值及其相應(yīng)目標(biāo)值訓(xùn)練分類器，然后使用這個經(jīng)過訓(xùn)練的分類器對測試圖像進(jìn)行分類。

3 實驗結(jié)果分析

本研究共使用了750幅石榴葉片圖像，包括病害圖像和健康圖像，其中600幅為病害圖像，150幅為健康葉片圖像。

圖像處理第一步是預(yù)處理，圖3顯示出原始圖像和增強圖像。

圖3 原始圖像和增強圖像

然后使用k-means聚類將濾波后的圖像分割為3個簇，最后提取所有3個分割圖像的顏色和紋理特征。圖4顯示出了使用k-means聚類形成的3個簇。

圖4 使用k-means分類結(jié)果

實驗結(jié)果顯示，使用改進(jìn)的k-means聚類算法成功地將圖像聚為三類，由炭疽病和交鏈孢屬原始彩色圖像可以直觀看出，聚類1為葉片背景區(qū)域，聚類2為病斑區(qū)域，聚類3為葉片正常綠色區(qū)域，分割出的交鏈孢屬病斑和炭疽病病斑圖像均完整清晰。圖5為使用標(biāo)記符控制的分水嶺變換分割結(jié)果，從圖中可以看出，石榴葉的交鏈孢屬病斑圖像分割結(jié)果較好，但是炭疽病病斑圖像的右側(cè)區(qū)域分割效果不佳。

圖5 使用標(biāo)記符控制的分水嶺變換分割結(jié)果

本文對單葉圖像的3個分割部分分別計算了9個顏色特征和9個紋理特征。因此，單葉圖像的特征值總數(shù)變?yōu)?9+9)×3=54。這些特征值統(tǒng)稱為特征向量，給出了經(jīng)過訓(xùn)練的支持向量機分類器，該分類器根據(jù)特征值將輸入的石榴葉圖像分為交鏈孢屬、炭疽病和健康葉片三類。

圖3所示的圖像是石榴的交鏈孢屬病斑，SVM將其分類成交鏈孢屬類，并將此結(jié)果呈現(xiàn)到如圖6中所示的消息框中。

圖6 消息框顯示出的分類結(jié)果

支持向量機分類器的總體性能概括為表2，圖7為支持向量機性能分析。從圖7可以看出，支持向量機對石榴葉片病斑的分類效果顯著。

圖7 支持向量機性能分析

表2 SVM分類結(jié)果

(6)

4 結(jié)束語

該系統(tǒng)使用調(diào)整大小、高斯濾波和增強對圖像進(jìn)行預(yù)處理。為了分割病葉面積，采用K均值聚類技術(shù)對圖像進(jìn)行分割，然后利用顏色和紋理特征進(jìn)行特征提取。最后，利用支持向量機分類技術(shù)對葉片病害類型進(jìn)行檢測。實驗中考慮了三類石榴葉片，即交鏈孢屬病斑、炭疽病病斑和健康葉片。實驗結(jié)果顯示，該系統(tǒng)對交鏈孢屬、炭疽病和健康葉片的平均準(zhǔn)確率為89.55%。今后的研究將重點放在以下幾點：

1)利用融合分類技術(shù)，開發(fā)出多種算法的組合，提高分類過程的檢出率。

2)在檢測疾病的基礎(chǔ)上，根據(jù)病害面積，向種植石榴的農(nóng)民提供適當(dāng)?shù)臍⒕鷦┗旌衔铮员闼麄冊谵r(nóng)場中進(jìn)一步使用。

3)在嵌入式系統(tǒng)的幫助下，設(shè)計一套自動噴施殺菌劑混合物的自動化系統(tǒng)，實現(xiàn)使用噴霧機構(gòu)自動噴霧。