郭慶陽(yáng)，譚 峰

（黑龍江八一農(nóng)墾大學(xué)信息與電氣工程學(xué)院，黑龍江大慶 163319）

0 引言

水稻一直是我國(guó)乃至全世界人民賴以為生的重要糧食作物，穩(wěn)定水稻量產(chǎn)對(duì)國(guó)家糧食安全有著不言而喻的意義。有關(guān)統(tǒng)計(jì)表明，亞洲為全世界提供了大部分的稻米［1］，但很多因素會(huì)導(dǎo)致水稻減產(chǎn)，比如病蟲害的侵襲。由于氣候、耕作方式、選取的品種不適合種植環(huán)境以及不合理用藥等因素。近年來(lái)，我國(guó)多地區(qū)出現(xiàn)了水稻病害面積逐步增大、病害種類逐步增多等情況。稻瘟病孢子用肉眼難以觀察，會(huì)隨著空氣以及雨水傳播到水稻的各部位造成稻瘟病，水稻病稻瘟病會(huì)直接導(dǎo)致水稻減產(chǎn)，帶來(lái)慘重的經(jīng)濟(jì)損失［2］。因此，及時(shí)判斷出水稻各部位上是否有稻瘟病孢子尤為重要。

在植物病害識(shí)別領(lǐng)域，目前都采用圖像處理與機(jī)器學(xué)習(xí)或深度學(xué)習(xí)相結(jié)合的方法進(jìn)行病害識(shí)別。馬超等［3］使用水稻病害圖像的HOG 特征結(jié)合支持向量機(jī)對(duì)水稻5 種病害進(jìn)行識(shí)別，并對(duì)水稻葉片上病斑位置進(jìn)行定位；張乃夫等［4］使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)玉米以及馬鈴薯等5 種病害進(jìn)行識(shí)別，并研究采用兩種池化方式對(duì)準(zhǔn)確率的影響；陳悅寧等［5］使用NAGSA-BP 算法對(duì)水稻3 種病害進(jìn)行分類研究，提取病害圖像的顏色特征、形狀特征、紋理特征，識(shí)別準(zhǔn)確率高達(dá)90%以上。

上述研究針對(duì)的都是植物葉片上的病害，此時(shí)植物已經(jīng)發(fā)病并且極有可能造成減產(chǎn)，目前對(duì)于水稻稻瘟病孢子圖像的分類研究還較少。因此，在發(fā)病前及時(shí)預(yù)防稻瘟病具有重要研究意義。

1 實(shí)驗(yàn)材料與方法

1.1 材料

實(shí)驗(yàn)用的稻瘟病孢子玻片（見圖1）在2020 年12 月5日獲取，來(lái)源于黑龍江八一農(nóng)墾大學(xué)農(nóng)學(xué)院，玻片數(shù)量為5片，使用美佳朗光學(xué)顯微鏡進(jìn)行觀察，使用mipro 顯微圖像采集軟件進(jìn)行圖像采集。

Fig.1 Glass slide of rice blast spores圖1 稻瘟病孢子玻片

1.2 實(shí)驗(yàn)方法

在采集圖片的實(shí)驗(yàn)中，首先調(diào)節(jié)光圈，能看到白亮的視野后調(diào)節(jié)粗準(zhǔn)焦螺旋，直至看到模糊的稻瘟病孢子后調(diào)節(jié)細(xì)準(zhǔn)焦螺旋，調(diào)節(jié)到能看到清晰的稻瘟病孢子圖像后就可以采集圖像，然后移動(dòng)玻片就可以看到不同的稻瘟病孢子。本研究采用40 倍物鏡及500 萬(wàn)像素的電子目鏡進(jìn)行觀察，使用mipro 圖像采集軟件進(jìn)行圖像單幀拍攝，每張圖像大小為2 592×1 944。本實(shí)驗(yàn)使用Python 的Opencv 模塊以及skimage 模塊進(jìn)行圖像預(yù)處理及特征提取，使用Python的NumPy模塊進(jìn)行數(shù)據(jù)處理。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 稻瘟病孢子顯微圖片采集

對(duì)采集的稻瘟病孢子進(jìn)行剪裁，剪裁的正樣本圖片為336 張，負(fù)樣本圖片為294 張，每個(gè)圖像大小剪裁成240×280，因?yàn)殒咦哟笮〔煌?，該圖像尺寸可以保證能將稻瘟病孢子都完整地覆蓋。稻瘟病分生孢子呈鴨梨形，成熟的稻瘟病孢子基部是鈍的圓形并且有一個(gè)小突起，頂端是尖的，有兩個(gè)橫膈膜，如圖2 所示。負(fù)樣本采集的是氣泡等一些雜質(zhì)，如圖3所示。

Fig.2 Image of rice blast spores圖2 稻瘟病孢子圖像

Fig.3 Negative sample image圖3 負(fù)樣本圖像

2.2 稻瘟病孢子顯微圖像預(yù)處理

在稻瘟病孢子圖像采集過(guò)程中，由于玻片及采集設(shè)備的影響，采集到的圖片會(huì)有一些噪聲及干擾，將影響之后的特征提取，因此需要對(duì)圖像進(jìn)行去噪，為提高識(shí)別率，需要用到灰度化、二值圖像等其他預(yù)處理方法。

2.2.1 圖像灰度化

圖像灰度化指將彩色圖像3 個(gè)通道變?yōu)橐粋€(gè)通道，這樣像素點(diǎn)顏色就變?yōu)榛疑?］。本文采用加權(quán)平均法進(jìn)行圖像灰度化（見圖4），采用加權(quán)平均能夠在最大程度上保留圖像原有信息，將r、g、b 根據(jù)不同的權(quán)重進(jìn)行加權(quán)平均，如式（1）所示。

其中，b、g、r 為每個(gè)通道的像素值，Gray 為灰度化之后的像素值。

Fig.4 Grayscale image圖4 灰度化圖像

2.2.2 中值濾波

中值濾波的原理是：規(guī)定大小為A×A 的窗口在圖像上進(jìn)行滑動(dòng)，然后將這些像素點(diǎn)按值大小排序，之后用第（1+A2）/2 的像素值代替中心的像素值，A 為正整數(shù)，一般取值為3、5、7、9［7］。本實(shí)驗(yàn)采用3×3 的窗口，采用峰值信噪比（PSNR）衡量濾波效果［8］，如圖5 所示。峰值信噪比定義為：

其中，MSE 代表稻瘟病孢子原圖像與中值濾波后圖像之間的均方誤差。MAXI代表稻瘟病顯微圖像中像素點(diǎn)顏色的最大數(shù)值為255。通過(guò)公式計(jì)算出的峰值信噪比為40.16，說(shuō)明有較好的濾波效果且未失真，保留了圖像原有信息。因此，中值濾波適用于對(duì)稻瘟病孢子顯微圖像進(jìn)行去噪。

Fig.5 Median filtered image圖5 中值濾波后的圖像

2.2.3 圖像分割

圖像分割的主要思想是根據(jù)前景和背景像素點(diǎn)的差異將前景提取出來(lái)，大津算法由于其操作簡(jiǎn)單而被廣泛應(yīng)用于圖像分割。本研究采用大津算法進(jìn)行圖像二值化，大津算法會(huì)根據(jù)稻瘟病孢子與背景像素點(diǎn)的差異進(jìn)行自動(dòng)閾值選取，主要思想是使得圖像前景像素和背景像素類方差最大，這樣避免了傳統(tǒng)二值化方法需要手動(dòng)設(shè)置閾值的問題?？梢钥闯?，使用大津算法二值化后的圖像可以有效地保留稻瘟病孢子的完整輪廓，如圖6 所示。灰度圖像中前景和背景像素點(diǎn)的灰度值之間會(huì)有一定差異，因而可以用類方差的大小描述前景和背景之間的不同，一旦錯(cuò)分，類間方差就會(huì)變小。當(dāng)前景和背景之間誤分的像素點(diǎn)最少時(shí)，類間方差最大［9］。假設(shè)圖像的分辨率是a×b，根據(jù)像素點(diǎn)可以分為兩類，第一類為前景，第二類為背景，w0 表示第一部分的像素與a×b 個(gè)像素的比值，u0 表示第一部分像素值的總和與第一部分像素點(diǎn)總數(shù)的比值，w1 表示第二部分的像素與a×b 個(gè)像素的比值，u1 表示第二部分像素值的總和與第二部分像素點(diǎn)總數(shù)的比值，u 表示a×b 個(gè)像素值的和與a×b 的比值，g 代表類間方差。再將圖像中所有的像素點(diǎn)與閾值T 進(jìn)行逐一比較，結(jié)果分為3 種：第1 種是閾值比像素點(diǎn)的值大，總數(shù)記為n0；第2 種是閾值比像素點(diǎn)的值小，總數(shù)記為n1；第3 種情況是相等，則可以加到n0或n1里。用公式表示為：

將T 的值從0～255 范圍內(nèi)依次代入，可以算出使g 最大時(shí)的分割閾值T。

Fig.6 Image segmented by OTSU圖6 大津算法分割后的圖像

2.3 稻瘟病孢子特征提取

2.3.1 形狀特征提取

對(duì)二值化圖像使用Canny邊緣檢測(cè)能夠更好地實(shí)現(xiàn)對(duì)稻瘟病孢子輪廓的邊緣提取，Canny 相比于其他邊緣檢測(cè)算法具有更好的去噪能力及更高的精度［10］。通過(guò)輪廓檢測(cè)進(jìn)行形狀特征提取，可提取橢圓度、最小外接矩形長(zhǎng)寬比、周長(zhǎng)、面積作為稻瘟病孢子輪廓的形狀特征，如圖7、圖8 所示。面積為稻瘟病孢子最外層輪廓所包含像素點(diǎn)的個(gè)數(shù)，周長(zhǎng)為稻瘟病孢子最外層輪廓像素點(diǎn)的個(gè)數(shù)。本文采用Opencv 中的minAreaRec 函數(shù)求解最小外接矩形，其主要原理是先求輪廓點(diǎn)集的凸包，然后求凸包的最小外接矩形，稻瘟病孢子最小外接橢圓是根據(jù)頂點(diǎn)坐標(biāo)繪制，本研究使用fitEllipse 函數(shù)求取頂點(diǎn)坐標(biāo)［11］：

式（10）中，B［0］、B［1］、B［2］、B［3］代表4 個(gè)頂點(diǎn)坐標(biāo)，A（B［m］，B［n］）表示B［m］和B［n］之間的距離，S 表示稻瘟病孢子最小外接橢圓的面積。

橢圓度計(jì)算公式為：

式（11）中，N 為橢圓度，Z 為稻瘟病孢子的面積，A、B分別表示稻瘟病孢子最小外接橢圓的長(zhǎng)軸及短軸。

Fig.8 Minimum circumscribed ellipse and minimum circumscribed rectangle圖8 最小外接橢圓與最小外接矩形

2.3.2 紋理特征提取

紋理特征也可以作為圖像分類的主要依據(jù)，紋理特征的數(shù)據(jù)代表前景像素的分布情況以及前景與背景的關(guān)系等一系列重要信息。目前，圖像處理中大多數(shù)使用兩種方法提取紋理特征：第1 種是灰度共生矩陣，也叫作GLCM；第2 種是局部二值模式，也稱為L(zhǎng)BP。本研究采用這兩種方法提取稻瘟病孢子圖像的紋理特征。

灰度共生矩陣能夠準(zhǔn)確地反映出灰度圖像中各像素點(diǎn)之間的相關(guān)性，灰度共生矩陣P(i，j|d，θ)（i，j=0，1，2，…L-1) 表示灰度級(jí)別為L(zhǎng) 的灰度圖像中，角度為θ，間距為d的灰度值為i、j的兩個(gè)像素出現(xiàn)的次數(shù)［12］，可以用如下6個(gè)參數(shù)描述灰度共生矩陣：

（1）角二階矩（ASM）。角二階矩可以用來(lái)表示稻瘟病孢子紋理粗細(xì)水平以及衡量圖像灰度分布均勻水平，可用公式表示為：

（2）對(duì)比度（Contrast）。對(duì)比度可以用來(lái)反映圖像清晰水平及紋理深淺水平，可以用公式表示為：

（3）相關(guān)性（Correlation）。相關(guān)性可以用來(lái)表示圖像局部的相關(guān)水平，可用公式表示為：

式中，μx、uy表示行方向與列方向上的均值，σx、σy表示行方向與列方向上的方差。

（4）相異性（Dissimilarity）。相異性可以由權(quán)重隨矩陣元素和對(duì)角線距離的線性增長(zhǎng)方式得到，可用公式表示為：

（5）同質(zhì)性（Homogeneity）。同質(zhì)性原理與相異性相反，其以指數(shù)形式減小?？捎霉奖硎緸椋?/p>

（6）能量（Energy）。能量表示圖像紋理的灰度變化穩(wěn)定程度，當(dāng)圖像中的紋理比較穩(wěn)定并且有規(guī)則地變化，則代表能量值大。可用公式表示為：

本研究設(shè)置θ為4 個(gè)角度，分別為0。、45。、90。、135。，距離d=1，取4 個(gè)方向參數(shù)的平均值，這樣就形成了6 個(gè)灰度共生矩陣的特征值。

LBP 作為一種較好的圖像局部紋理特征提取算法，主要原理是通過(guò)設(shè)置半徑及采樣點(diǎn)得到一個(gè)鄰域，再根據(jù)像素值的大小對(duì)中心點(diǎn)和鄰域點(diǎn)做減法，加入結(jié)果大于0，則該鄰域點(diǎn)的像素值置為0，如果差值小于0，則該鄰域點(diǎn)的像素值置為1，這樣就可以用二進(jìn)制數(shù)代表圖像的紋理特征［13］，經(jīng)過(guò)不斷改進(jìn)，Ojala 等［14］于2002 年提出旋轉(zhuǎn)不變的統(tǒng)一模式，解決了之前LBP 容易缺少方向信息和維數(shù)過(guò)高由此引發(fā)的計(jì)算量過(guò)大等問題。本研究采用LBP 的旋轉(zhuǎn)不變的統(tǒng)一模式獲取紋理特征［15］。

式（18）中，U(LBPP，R)代表0變?yōu)?的次數(shù)，若U(LBPP，R)≤2為統(tǒng)一模式局部二值模式，則：

式（19）中，gi、gp表示鄰域內(nèi)第i個(gè)和第p個(gè)像素點(diǎn)的灰度值，gc表示所設(shè)置的鄰域中心像素點(diǎn)的灰度值，P 為采樣點(diǎn)數(shù)，R 為半徑。

本研究所采用的模式具有穩(wěn)定的旋轉(zhuǎn)不變性及灰度不變性，設(shè)定R=3、P=8，總共輸出10 個(gè)特征值，維數(shù)低，可以降低模型訓(xùn)練時(shí)間。

部分稻瘟病孢子顯微圖像特征如表1 所示。由于各特征值之間的量綱不同，本研究對(duì)稻瘟病孢子圖像特征值進(jìn)行數(shù)據(jù)預(yù)處理所采用的方法是Z-Score 標(biāo)準(zhǔn)化。該方法能夠使數(shù)據(jù)縮放到同樣的范圍，可以減少不同量綱的數(shù)據(jù)對(duì)訓(xùn)練模型的影響［16］。

Table 1 Microscopic image characteristics of some rice blast spores表1 部分稻瘟病孢子顯微圖像特征

2.4 基于支持向量機(jī)的稻瘟病顯微圖像分類方法

支持向量機(jī)是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)經(jīng)典算法［17-18］，對(duì)于小樣本分類問題依然有著很高的準(zhǔn)確率［19］，支持向量機(jī)的主要思想為找到最合適的超平面，在符合分類精度的情況下，讓該超平面和樣本之間的間距最大。假設(shè)有一組樣本集為(xi，yi)的樣本數(shù)據(jù)，分類函數(shù)可以表示為：

其中，b*表示分類閾值，表示拉格朗日乘子，sgn()表示符號(hào)函數(shù)。

如果不存在將正負(fù)樣本嚴(yán)格劃分開的超平面，可以增加松弛項(xiàng)ξ（ξ≥0）及懲罰系數(shù)C，還可以使用核函數(shù)將數(shù)據(jù)映射在高維空間，然后在高維空間找到一個(gè)超平面分割正負(fù)樣本，這樣就使低維線性不可分問題變成了高維線性可分問題［20］。在SVM 中經(jīng)常使用以下核函數(shù)：

線性核函數(shù)（Linear）：

徑向基核函數(shù)（RBF）：

多項(xiàng)式核函數(shù)（POLY）：

多層感知機(jī)核函數(shù)（Sigmoid）：

本研究設(shè)定的訓(xùn)練集與測(cè)試集比例為3∶1，每個(gè)樣本具有20個(gè)特征值，通過(guò)多次對(duì)比驗(yàn)證，結(jié)果如表2所示。

可以看出，在稻瘟病孢子顯微圖像訓(xùn)練樣本不多的情況下，使用SVM 進(jìn)行分類具有較高的識(shí)別準(zhǔn)確率。同時(shí)，也可以看出使用徑向基核函數(shù)的識(shí)別準(zhǔn)確率最高為98.7%，因此可以選擇徑向基核函數(shù)用于稻瘟病孢子顯微圖像分類。

Table 2 Comparison of recognition accuracy of different kernel functions表2 不同核函數(shù)識(shí)別準(zhǔn)確率對(duì)比

3 結(jié)語(yǔ)

本文使用數(shù)字圖像處理技術(shù)及SVM 實(shí)現(xiàn)了對(duì)稻瘟病孢子顯微圖像的分類研究，結(jié)果表明，使用大津算法的圖像二值化可以有效分割出稻瘟病孢子，中值濾波可以減小周圍噪點(diǎn)對(duì)之后特征提取所帶來(lái)的影響。稻瘟病孢子輪廓的形狀特征及紋理特征可以較好地表現(xiàn)出稻瘟病孢子顯微圖像的本質(zhì)特征，SVM 對(duì)于小樣本分類問題有著較好的穩(wěn)定性及較高的準(zhǔn)確率。但是，本文只對(duì)北方寒地水稻稻瘟病孢子顯微圖像進(jìn)行了研究，由于不同地區(qū)的水稻稻瘟病孢子在形態(tài)上有些差異，后續(xù)可對(duì)其他地區(qū)水稻稻瘟病孢子圖像作分類研究。