苗晟，董建娥，鐘麗輝，謝裕睿

（西南林業(yè)大學(xué)大數(shù)據(jù)與智能工程學(xué)院，昆明 650224）

0 引言

傳統(tǒng)的植物病害診斷受限于個(gè)人經(jīng)驗(yàn)和主觀意識(shí)，實(shí)時(shí)性差，效率低且容易誤判。隨著精準(zhǔn)農(nóng)業(yè)需求的增長(zhǎng)和計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，許多研究者采用圖像處理技術(shù)對(duì)植物病害圖像進(jìn)行識(shí)別分類(lèi)，取得了不錯(cuò)的效果[1]。對(duì)植物病害圖像處理的文獻(xiàn)較多，但是近年來(lái)針對(duì)蟲(chóng)害的識(shí)別文獻(xiàn)相對(duì)較少，主要體現(xiàn)在：首先是病蟲(chóng)體型較小且形態(tài)不一，晝伏夜出，隱蔽性極強(qiáng)，導(dǎo)致單一算法識(shí)別效果不佳；其次是復(fù)雜環(huán)境下是否能夠準(zhǔn)確地分割病蟲(chóng)害區(qū)域是后續(xù)識(shí)別的關(guān)鍵因素，這也是行業(yè)內(nèi)公認(rèn)的難點(diǎn)[2]。

針對(duì)蟲(chóng)害復(fù)雜區(qū)域分割和定位的困難，本文研究在傳統(tǒng)分水嶺和K-means聚類(lèi)分割基礎(chǔ)上增加蟲(chóng)害色彩先驗(yàn)信息[3]，在LAB空間中對(duì)細(xì)小蟲(chóng)害區(qū)域分割，再通過(guò)SIFT特征點(diǎn)匹配對(duì)蚜蟲(chóng)病害圖像進(jìn)行檢測(cè)。

1 LAB特征空間的病斑分割

1.1 蚜蟲(chóng)病害特點(diǎn)

蚜蟲(chóng)（俗稱(chēng)膩蟲(chóng)）是全世界農(nóng)林業(yè)中最具破壞性的害蟲(chóng)之一，其特點(diǎn)是繁殖快、傳播廣，對(duì)植物的危害主要是吸食植物葉汁、傳播病毒，造成花、葉、芽的畸形。蚜蟲(chóng)病害的圖像識(shí)別難點(diǎn)在于蚜蟲(chóng)體型較小，其蟲(chóng)卵只有1至10毫米，且種類(lèi)較多，目前已知的蚜蟲(chóng)種類(lèi)有十個(gè)大類(lèi)，多達(dá)4700種[4]。

常見(jiàn)的不同植物上的蚜蟲(chóng)病害如圖1所示，病蟲(chóng)斑區(qū)域可能是相互不連通的獨(dú)立區(qū)域，不同蚜蟲(chóng)種類(lèi)有其相對(duì)獨(dú)特的色彩，和葉面背景形成一個(gè)對(duì)比。以不同蚜蟲(chóng)的色彩信息作為先驗(yàn)信息，設(shè)置適當(dāng)閾值分離病斑和葉面背景，通常首先采用分水嶺算法分割病斑，再采用K-means算法進(jìn)一步聚類(lèi)。

1.2 基于分水嶺和K-means 算法的圖像分割

在分水嶺算法中，首先將圖片轉(zhuǎn)換為灰度圖，在高度為h的一個(gè)極小區(qū)M（minimum）中，將二維灰度圖像定義為一連通區(qū)域，由高度值為h的點(diǎn)構(gòu)成，從該區(qū)域任一點(diǎn)出發(fā)到達(dá)某一像素點(diǎn)（高度低于h），其路徑中至少存在一點(diǎn)高度大于h。

圖1 常見(jiàn)的蚜蟲(chóng)蟲(chóng)卵和幼蟲(chóng)病害圖片

集水盆地C（M）與極小區(qū)M相關(guān)聯(lián)，其特點(diǎn)為：假設(shè)一滴水落到某點(diǎn)P上，由于重力作用，該水滴將沿一條最快下降路徑下滑并最終到達(dá)極小區(qū)M。通過(guò)對(duì)M的分割，達(dá)到整副圖像的分割[5]。

K-means聚類(lèi)算法是最常見(jiàn)的無(wú)監(jiān)督學(xué)習(xí)算法，在一組數(shù)據(jù)集中隨機(jī)選取k個(gè)點(diǎn)作為質(zhì)心，將其余的點(diǎn)歸為離其最近的質(zhì)心一簇。分別計(jì)算被劃分的k個(gè)簇的質(zhì)心（均值），以新的質(zhì)心為依據(jù)，重新聚類(lèi)并再次計(jì)算各簇質(zhì)心，直到質(zhì)心不再改變，即分類(lèi)完成[6]。

如果只采用常規(guī)的分水嶺分割和K-means聚類(lèi)，難以達(dá)到滿(mǎn)意的效果，因此需要在這個(gè)基礎(chǔ)上在LAB色彩空間中進(jìn)行進(jìn)一步的精細(xì)劃分。

1.3 LAB 特征空間的轉(zhuǎn)換及色彩分類(lèi)

相對(duì)于圖像處理的RGB色彩空間，Lab色彩空間中色域更大，因此圖像處理中一般先將圖像從RGB色彩空間轉(zhuǎn)換至Lab色彩空間。

鑒于蚜蟲(chóng)病斑細(xì)小且顏色與背景相近，為了區(qū)別不同種類(lèi)的蚜蟲(chóng)，需要結(jié)合其自身顏色，從細(xì)微的色彩空間中尋找差異[7]。例如草蚜呈黃綠色，其和綠色背景葉片上的區(qū)別主要就在于黃色特征的提取，因此對(duì)該種類(lèi)病蟲(chóng)的檢測(cè)需要在色彩空間中通過(guò)適當(dāng)?shù)拈撝祵?duì)黃色分量進(jìn)行提取，而在葉面中背景一般為綠色，因此黃色和綠色色差就是辨識(shí)的關(guān)鍵，在LAB色彩空間中，綠色和黃色色彩向量過(guò)渡圖示如圖2（a）所示。

圖2 草芽色彩在Lab空間中的示意圖

在圖2（b）中，設(shè)待分析圖像中對(duì)應(yīng)a分量色彩向量為，a分量里面綠色分量是負(fù)值，b分量的色彩向量為B→，亮度分量L對(duì)應(yīng)的向量為L(zhǎng)→，則黃綠色差向量為：

通過(guò)對(duì)色差向量設(shè)置適當(dāng)?shù)拈撝?，?duì)葉面中黃綠色差向量D?進(jìn)行分割，達(dá)到抑制綠色分量、提高黃色分量亮度的目的，這樣可以顯著提取含黃色分離成分較多的病斑區(qū)域。閾值的設(shè)置依靠經(jīng)驗(yàn)值，也可以看作是一個(gè)先驗(yàn)信息，一般需要大量蟲(chóng)害本身的色彩和葉面的圖片對(duì)比度得出。

2 SIFT特征提取匹配

對(duì)于較為細(xì)小區(qū)域的識(shí)別，尺度不變特征轉(zhuǎn)換（Scale-Invariant Feature Transform，SIFT）[8]是一種比較理想的選擇，一般在計(jì)算機(jī)視覺(jué)算法中用來(lái)偵測(cè)與描述影像的局部性特征，在圖像識(shí)別多個(gè)領(lǐng)域進(jìn)取得了良好的效果。本文提取特征過(guò)程如下：

（1）圖像模糊算法

SIFT算法在不同的尺度空間中尋找關(guān)鍵點(diǎn)，采用高斯模糊實(shí)現(xiàn)尺度空間的獲取，唯一線性變換核即為高斯卷積核。高斯模糊作為一種圖像濾波器，使用正態(tài)分布（高斯函數(shù)）來(lái)計(jì)算對(duì)應(yīng)的模糊模板，并用該模板與原圖像進(jìn)行卷積運(yùn)算，達(dá)到模糊圖像的效果[9]。N維空間正態(tài)分布方程為：

其中，σ是標(biāo)準(zhǔn)方差，該值越大，平滑度越高，導(dǎo)致圖像越模糊。r為模糊半徑，如果在二維空間中用橫縱坐標(biāo)替代該公式，其生成的曲面等高線是從中心開(kāi)始呈正態(tài)分布的同心圓：

根據(jù)σ值得到高斯模板矩陣的值，并與原圖像做卷積運(yùn)算，即可實(shí)現(xiàn)原圖像的平滑（高斯模糊）效果。將模板矩陣歸一化處理，確保其中的元素均在[0,1]之間。例如5×5的高斯模板如下所示：

得到不同尺度下的高斯核函數(shù)，就可以計(jì)算二維圖像I(x,y)不同尺度下的表示，其中G(x,y,σ)是尺度可變高斯核函數(shù)，而σ是尺度參數(shù)。

（2）關(guān)鍵點(diǎn)的定位

得到不同尺度空間的圖像后，將中間層的點(diǎn)和周?chē)邢噜忺c(diǎn)進(jìn)行比較，尋找差值較大或者較小的點(diǎn)，同時(shí)去除邊緣不穩(wěn)定的響應(yīng)點(diǎn)和對(duì)比度較小的特征點(diǎn)，提高抗噪聲能力，增強(qiáng)匹配穩(wěn)定性。

（3）關(guān)鍵點(diǎn)方向分配和局部圖像描述

首先選取關(guān)鍵點(diǎn)周?chē)?6×16的圖像區(qū)域，從中計(jì)算4×4的描述區(qū)域，即八個(gè)方向的描述序列，可以產(chǎn)生128維的特征描述向量，這個(gè)向量就是關(guān)鍵點(diǎn)特征。

（4）SIFT特征匹配

兩幅圖像采用上述算法分別得到SIFT特征向量后，用關(guān)鍵點(diǎn)的特征向量進(jìn)行匹配，匹配方式一般用歐氏距離法，本文中采用歸一化交叉相關(guān)系數(shù)（Normal?ization Cross Correlation，NCC）[10]來(lái)進(jìn)行相關(guān)性計(jì)算。假設(shè)有兩個(gè)矩陣，A∈Rm×n,B∈Rm×n，它們的 NCC 系數(shù)計(jì)算如下：

NCC計(jì)算得到一個(gè)相關(guān)度系數(shù)，該值越接近1則表示相關(guān)度越大，越接近0則相關(guān)度越小。

3 實(shí)驗(yàn)分析

對(duì)蟲(chóng)害圖片的識(shí)別難點(diǎn)在于定位病蟲(chóng)位置。如果分割病害區(qū)域的位置過(guò)小，則容易造成匹配點(diǎn)過(guò)少，無(wú)法檢測(cè)到大量的病蟲(chóng)區(qū)域；如果分割區(qū)域過(guò)大，背景去除不干凈而帶有大量葉面信息，導(dǎo)致匹配點(diǎn)過(guò)多，造成過(guò)檢測(cè)，因此葉面病害區(qū)域和背景的分離很重要[11]。為了測(cè)試對(duì)比本文算法具體效果，首先采用幾種傳統(tǒng)圖像邊緣檢測(cè)分割的算法對(duì)蚜蟲(chóng)圖片進(jìn)行分割和提取，分割結(jié)果如圖3所示。

在圖 3 中，圖 3（a）是原始圖片；圖 3（b）是對(duì)應(yīng)的灰度圖片；圖 3（c）和（d）分別對(duì)應(yīng)的 Robert算子[12]和Sobel算子[13]的分割結(jié)果，這兩種算子分割對(duì)邊緣平滑的力度較大，因此分割區(qū)域過(guò)??；圖 3（e）和（f）是 Pre?witt算子[14]和Canny算子[15]的分割結(jié)果，這兩種算子分割的區(qū)域大，尤其是葉面紋路和徑脈留存較多，使得后續(xù)識(shí)別受葉脈干擾較明顯。

本文在分水嶺分割的基礎(chǔ)上，加入LAB色彩空間向量信息進(jìn)行病害區(qū)域的提取和分離，效果如圖4所示。

圖3 幾種常見(jiàn)算子對(duì)蚜蟲(chóng)病斑區(qū)域分割對(duì)比圖

圖4 基于葉面信息的蚜蟲(chóng)病害區(qū)域提取

圖4（a）為原始圖片，圖4（b）是基于分水嶺算法的葉面部分與背景分離后的圖片，圖4（c）是基于LAB色彩空間的蚜蟲(chóng)病害區(qū)域特征提取模板，圖4（d）是基于該模板提取的蚜蟲(chóng)病害區(qū)域圖片。

從圖4（d）中可以看出，經(jīng)過(guò)在LAB分水嶺分割基礎(chǔ)上增加LAB色彩空間中的閾值分割，蚜蟲(chóng)病斑區(qū)域得到了較好的分割，便于后續(xù)特征點(diǎn)匹配。

在草芽特征點(diǎn)匹配中，采用SIFT特征點(diǎn)對(duì)進(jìn)行匹配，圖5給出了兩組匹配示意圖。

圖5 草蚜模板和待識(shí)別圖片SIFT特征匹配圖

在圖5（a）中，模板和待匹配圖片匹配了17對(duì)特征點(diǎn)，在圖5（b）中匹配了28對(duì)特征點(diǎn)。本文中不同算子提取的模板參數(shù)對(duì)比結(jié)果如表1所示。

表1 不同算子提取的模板參數(shù)對(duì)比

特征點(diǎn)的匹配不是越多越好，因?yàn)樾枰獙?duì)病蟲(chóng)的匹配，而不是對(duì)葉面的匹配，為了測(cè)試匹配及不同分割算子提取的模板的識(shí)別效果，采集56幅蚜蟲(chóng)病害圖和124幅正常葉面圖進(jìn)行匹配，如果匹配的特征點(diǎn)多于10對(duì)就認(rèn)為是病害圖片，不同分割算子提取的模板匹配識(shí)別結(jié)果如表2所示。

4 結(jié)語(yǔ)

本文在傳統(tǒng)分割算法的基礎(chǔ)上結(jié)合SIFT特征點(diǎn)匹配對(duì)蚜蟲(chóng)病害圖像進(jìn)行檢測(cè)，該方法能做到對(duì)旋轉(zhuǎn)、亮度變化、尺度縮放保持不變，對(duì)噪聲、視角變化、仿射變換也有一定程度的穩(wěn)定性，有助于快速查找、實(shí)時(shí)匹配，具有可擴(kuò)展性。

盡管本文提出的算法在蚜蟲(chóng)病害識(shí)別上出現(xiàn)了較好的效果，但仍然有所不足，主要是蚜蟲(chóng)病害圖片數(shù)據(jù)量較少，結(jié)論存在局限性，因此需要更多不同種類(lèi)的蚜蟲(chóng)病害圖片進(jìn)行更加廣泛的測(cè)試。