基于計算機視覺的植物黑腐病病斑分析

摘要:給出一種基于圖像處理和神經網絡技術進行植物黑腐病病斑分析的方法，即利用圖像處理技術提取病斑的幾何特征和顏色特征，其中幾何特征根據病斑形狀提取，并基于HSV空間提取病斑顏色矩結合紅綠顏色特征作為病斑的顏色特征，最后利用神經網絡加以識別，從而判斷病斑所處的生長周期#65377;給出系統的總體設計和實現方案，研究結果表明，該系統獲得了較為理想的檢測效果#65377;這一思路為植物病害檢測和分析提供一種新的方法#65377;

關鍵詞:計算機視覺;神經網絡;病斑分析

中圖分類號:TP391.41

文獻標識碼:A

1引言

基于計算機視覺的植物黑腐病病斑的檢測與分析的研究內容和目標是提取植物葉片及黑腐病病斑的特征，分類并確定病害程度#65377;十字花科蔬菜黑腐病(Xanthomonas campestris pv.campestris (Pammel) Dowson)俗稱“半邊癱”，是蔬菜生產重的主要病害之一[1]#65377;它是一種細菌引起的病害，癥狀是引起維管束壞死變黑#65377;細菌從葉緣入侵后，產生玉米粒大小的黃褐色壞死斑，再延葉脈蔓延，逐漸擴大成“V”字形或長條形斑塊，周邊伴有黃色退綠暈帶#65377;進入致病末期，葉緣形成火燒似的卷縮燒邊，致使大量外葉枯死#65377;因為植物病害等級判定的一些特性一般都可以由采集樣本觀察測量獲得數據，即所選的性狀都是可以直接觀察到的，則相應的數字化圖片上同樣可以獲得，所以我們利用計算機自動#65380;高效#65380;精確的特點，提出了基于計算機視覺的植物黑腐病病斑分析的概念，并對黑腐病病斑危害程度的確定進行了探索#65377;本文根據病斑的幾何及顏色特征進行選擇，并用人工神經網絡的方法加以識別#65377;

2病斑的幾何特征選擇

由于黑腐病進入中后期后，病斑呈較為規則的“V”字形斑塊，所以可以選擇其幾何特征作為其等級判斷的依據#65377;通過多次試驗，我們選擇了以下幾種較為具有代表性的幾何特征[2]:

2.1病斑區域與葉片區域的面積比p

式中，s為葉片面積，S為病斑面積，葉片和病斑區域面積可以通過掃描圖像，累加同一標記區域中象素的個數來表示#65377;

2.2病斑區域的圓形度C

圓形度C描述的是病斑形狀接近圓形的程度，其計算公式為:式中，S表示的是病斑面積，L為病斑周長;C值的范圍是0~1，當病斑區域為圓形時周長最短，C=1，病斑區域越偏離圓形，則C值越小#65377;

2.3病斑區域長#65380;寬比E

E=min{寬度，高度}mɑx{寬度，高度}病斑區域越細長，E越小，當病斑區域為圓形時，E=1#65377;

2.4病斑形狀復雜性e

式中，L表示周長，S表示面積，用離散指數e來描述單位面積圖形的周長大小#65377;e越大，表示單位面積圖形周長越大，即圖形離散，為復雜圖形#65377;

2.5從重心到輪廓線的長度的平均變動系數d

如果從病斑重心出發，每隔10°對病斑輪廓進行掃描，設重心到輪廓的距離分別為 n，其中n=0°，10°，…，350°，則平均變動系數:

3病斑的顏色特征選擇

由于葉片的生長及病斑的蔓延存在很大的隨機性，所以單一依靠病斑的幾何特征無法對病斑做出準確而有效的判斷#65377;鑒于此種情況，除幾何特征外，我們提取病斑的顏色特征結合上述幾何特征共同作為病斑的評判依據#65377;

3.1基于HSV空間的病斑顏色矩特征提取

為了處理彩色圖像，首先要選取合適的顏色空間#65377;由于常用的RGB三色空間中，兩點間的歐氏距離與顏色距離不成線性比例，也就是說顏色受亮度影響很大，RGB空間不具有進行彩色圖像處理所要求的獨立性和均勻性指標，所以我們在提取病斑顏色矩特征時采用了均勻性更好的HSV空間#65377;從RGB到HSV的轉換公式為[3]:

由于顏色信息集中在圖像顏色的低階矩中，我們主要對每種顏色分量的一階#65380;二階和三階矩 進行統計#65377;這三個顏色矩的數學定義如下[4]:式中:pij是第j個象素的第i個顏色分量的值;N是象素數量#65377;由于每幅圖像有3個顏色分量，每個顏色分量包括3個顏色矩，這樣就一共得到了9個特征向量#65377;

顏色矩的優點是特征描述比較緊湊，缺點是低階顏色矩往往分辨率不夠，所以除此之外我們又提出了基于統計的病斑紅#65380;綠象素特征特提取的方法#65377;

3.2基于統計的病斑紅#65380;綠象素特征提取病菌對葉片的侵蝕實際上是一種破壞植物葉綠素的過程#65377;經過實驗發現，葉片致病后病斑部位與正常葉片相比，圖像G通道平均數值相對R通道大幅降低，由原先G>R轉變為G

圖2正常葉片的R#65380;G#65380;B曲線圖3早期黃色病斑的R#65380;G#65380;B曲線圖4中后期褐色病斑的R#65380;G#65380;B曲線

基于此種情況，我們提取R通道和G通道的象素平均灰度值和的相 對關系參數X和L作為病斑特征#65377;其中N是象素個數，Ri和Gi分別是R通道和G通道第i個象素的灰度值，式中X描述病斑由黃色轉為褐色，R#65380;G通道數值均減小的過程，L則表征伴隨病情的加重，葉綠素的減少，G值相對R值變化的過程#65377;

4人工神經網絡分類器設計

4.1神經網絡的結構在本文中，我們利用bp算法進行人工神經網絡分類器的設計[5]，借助MATLAB2006Ra及其所帶的神經網絡工具箱系統進行系統的實現#65377;最終采用3層神經網絡:16個輸入節點，分別為文中上述提取的16種特征;30個隱含層節點;3個輸出節點，分別代表病斑處于致病的早期，中期和晚期#65377;

4.2取樣與神經網絡的訓練

由于實驗室培育的黑腐病發病周期一般為6天，我們在2006年4月3日~2006年4月8日間，在溫度為24~28℃，濕度為80%的廣西大學生命科學院溫室內，每天隨機采取樣本40枚，共計采取樣本240枚#65377;將其掃描為圖片后，從中挑選出75張圖片作為訓練樣本#65377;其中發病頭兩天的25張，作為早期;發病3~4天的圖片25張，作為中期;剩下25張作為末期#65377;經過大量實驗，我們將中間層的傳遞函數和輸出層的傳遞函數均設為S型的對數函數，即logsig/logsig，訓練次數設為1000次，訓練目標誤差為0.001#65377;經過736次后訓練后，網絡收斂，目標誤差達到要求#65377;

5實驗結果

使用早期，中期，晚期圖片各20張為測試樣本(其中15張為新取樣本，5張為已使用過的學習樣本)對已學習好的神經網絡進行測試，網絡輸出值大于等于0.85時算作1，當輸出值小于等于0.15時算作0#65377;則表1為全部測試樣本的判別結果:

6結論與展望

應用上述方案進行識別實驗，bp訓練網絡全部收斂，而且收斂速度較快，15個學習樣本全部正確識別#65377;從上表中可以看出，病斑危害程度的平均識別率達到了90%，其中晚期病斑識別率較高，達到了95%#65377;中期識別率較低，為85%，這可能是由于某些病斑發展較快或較慢導致中期特征并不明顯，使得識別時出現偏差#65377;另外早期病斑的識別率偏低，這可能是由于有些早期病斑太小，感染初期病斑形狀很不規則，所以出現誤分#65377;如何在判別中增加早期病斑顏色判據的權重，增加晚期病斑形狀判別的權重，使得分類更加合理準確，是下一步需要繼續思考的問題#65377;

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。