基于灰度關聯(lián)分析的蘋果病害識別方法研究

霍迎秋，唐晶磊，尹秀珍

（西北農林科技大學 信息工程學院，陜西 楊凌 712100）

蘋果病害是危害蘋果生產的主要障礙之一，目前嚴重的蘋果病害有22種，其中葉部、果實病害各有6種，根部病害7種，枝干病害有3種，每年因病害給果農造成損失巨大。

目前病害識別方法一般分為人工識別、依靠專家系統(tǒng)和基于圖像分析3類方法，其中前2類方法對果農和專家的依賴性高，主觀性強，由于蘋果病害病斑癥狀復雜，特征不夠明顯，難以對病害作出科學、準確的識別。基于圖像分析進行病害檢測是一種有效方法，但研究對象一般為黃瓜、西紅柿、玉米、水稻等葉部常見病害圖像的識別。國內外關于蘋果病害識別的文獻從2008年才開始出現，且數量極少。但圖像分析的每個步驟，如分割、特征提取、分類識別等已有很多前人的成果可以借鑒[1－3]，表明基于圖像分析的蘋果果實病害識別是可行的。

隨著手機照相功能的普及，果農用自己的手機將蘋果病害部位拍下來，用彩信方式發(fā)送變得極為簡單。李宗儒等[4]對基于手機拍攝的5種常見蘋果葉部病害識別進行了研究，平均正確識別率達到92.6%。為了實現遠程服務中心對蘋果果實病害圖像進行識別，本文重點研究自然場景下拍攝低分辨率蘋果果實病害圖像的自動識別方法。

1 圖像采集及預處理

1.1 圖像采集

使用華為T5211手機，在陜西省楊凌區(qū)五泉鎮(zhèn)農戶果園中，在晴天上午10：00～11：00的自然光照條件下，拍攝獲取蘋果果實病害圖像，圖像大小為320×240像素。為了便于后續(xù)處理，病害果實若被其他物體遮掩，則采用用手將病果托住的方法獲取圖像。

1.2 圖像預處理

圖像質量的好壞直接影響分割及特征提取。在圖像采集過程中，由于受到采集設備、環(huán)境等的影響，圖像存在分辨率低、背景復雜、病斑邊緣模糊等特點。為了有效去除噪聲，較好地保留圖像的細節(jié)，并突出邊緣信息，本文在試驗對比的基礎上，首先選用自適應直方圖均衡化方法，擴展圖像灰度范圍，對圖像進行對比度增強，然后選用彩色圖像中值濾波方法，即在圖像的R、G、B通道上分別應用中值濾波方法濾波后，再進行通道融合，得到濾波后的彩色圖像，較好地抑制了圖像的噪聲，保留了圖像的邊緣信息。

1.3 圖像分割

圖像分割是圖像分析與模式識別中的重要環(huán)節(jié)，病斑分割的好壞直接影響后續(xù)特征提取與識別。由于本文研究對象是自然環(huán)境下拍攝的果實病害圖像，背景十分復雜，分辨率低，模糊不清晰，直接準確地提取病斑區(qū)域十分困難。因此，本文采用改進的水平集彩色圖像分割方法，即基于區(qū)域和邊緣的變分水平集彩色圖像分割方法。該方法充分利用了目標圖像的區(qū)域信息和邊緣信息，并用歐氏距離代替了灰度加權值，使得彩色圖像的顏色空間信息得到充分利用，獲得了更加精確的顏色邊緣。同時，還考慮了各個彩色通道之間存在的關系，盡可能減少了各個通道里由于形狀信息的不同造成的失真，提高了分割的準確率[5]，達到了將原始圖像中病斑直接分割出來的目的。3種病害原圖與病斑提取結果分別如圖1和圖2所示。

圖1 3種病害原圖

圖2 3種病害病斑分割結果

2 病斑有效特征提取

為對病斑圖像做分析和識別，必須對病斑的特征進行分析。分類器的設計和性能在很大程度上依賴于特征的選擇和提取，也就是說依賴于用來代表圖像信息的特征向量。本文在大量實驗的基礎上，優(yōu)化選取8個紋理特征參數作為病害的有效識別特征。

目前，紋理特征提取與分析過程中最常用的是基于統(tǒng)計方法的灰度共生矩陣法[6]。共生矩陣反映了圖像灰度分布關于方向、局部鄰域和變化幅度的綜合信息。本文在試驗的基礎上選取d＝1，θ＝0°、45°、90°、135°，灰度級為16。根據式（3）—（6），提取能量、熵、對比度、相關性的均值和標準差等8個參數作為紋理特征[7－8]。

2.1 能量（紋理的一致性）

式中：L為圖像的灰度級；i、j為2個不同元素的灰度值。當p（i，j）中有少數值為大時，ASM的值也大。它表明特定的像素對較多時，一致性較好，反映了圖像灰度分布均勻程度和紋理粗細程度。

2.2 熵

熵是圖像信息量的量度，當p（i，j）的值分布越均勻，則ENT的值越大，它描述了紋理均衡的逆性質。

2.3 對比度（慣性矩）

慣性矩可理解為圖像的清晰度。粗紋理圖像，由于矩陣的數值集中在主對角線附近，相應的CON值較小；反之，則CON值較大。

2.4 像素對灰度相關性

相關量是用來描述矩陣中行或列元素之間的相似程度。

經大量隨機抽樣分析發(fā)現，輪紋病、炭疽病和新輪紋病3種蘋果病害的紋理特征區(qū)別明顯，所以本文將紋理特征作為病斑識別的主要特征。

3 基于灰度關聯(lián)分析的蘋果病害識別

灰度關聯(lián)分析是用關聯(lián)度大小來描述不同事物之間或不同因素間關聯(lián)程度的一種灰色系統(tǒng)理論的分析方法，它的基本思想是根據曲線的幾何形狀判斷不同事物之間的聯(lián)系，曲線的幾何形狀越接近，說明相應的聯(lián)系就越緊密，反之，則聯(lián)系不緊密[9]。灰度關聯(lián)分析方法對樣本的多少和樣本有無規(guī)律都同樣適用，而且灰度關聯(lián)度計算量小，能夠有效降低算法的時間復雜度和空間復雜度，并且量化結果與定性分析結果一致[10－11]。

本文利用灰度關聯(lián)分析，研究待識別病斑圖像與訓練集中各樣本的相關性，以平均灰度關聯(lián)度表示待識別病斑圖像與訓練集中各類病害的相似程度，確定測試病斑歸屬于哪類。

假定待識別病斑圖像特征為一個n維特征向量F0＝[f0（1），f0（2），…f0（n）]，訓練集中有m個訓練樣本，各類病害訓練樣本均為1／m。每個訓練樣本為一個n維特征向量，Fi＝[fi（1），fi（2），…fi（n）]，i＝1，2，…m。

灰色關聯(lián)分析病害識別模型具體實現方法如下：

（1）對待識別病斑特征向量以及訓練集中各個樣本特征向量進行歸一化，以消除病斑圖像不同物理特征的量綱對分類識別的影響。模型采用級差變換實現特征向量的歸一化。歸一化之后的特征向量記為F′i＝[f′i（1），f′i（2），…f′i（n）]。

式中：mini＝min（f′i（k）），每個特征向量中的最小的元素。maxi＝max（f′i（k）），每個特征向量中的最大的元素。

（2）計算待識別病斑特征向量與訓練集中每個特征向量的距離，記為Δi＝[Δi（1），Δi（2），…Δi（n）]（i＝1，2，…m），Δi（k）＝｜f′0（k）－f′i（k）｜（k＝1，2，…n）。組成距離序列矩陣Δ為：

（3）計算兩極差，即求距離序列矩陣Δ中的最大值和最小值，分別記為maxValue和minValue。

（4）計算待識別病斑特征向量F′0與訓練集中每個樣本特征向量F′i的關聯(lián)系數εi（k）：

式中：ρ為分辨系數，取值范圍是[0，1]，本模型中ρ取值為0.5。依次計算待識別病斑特征向量F′0與訓練集中每個樣本特征向量F′i的關聯(lián)系數εi（k），組成關聯(lián)系數矩陣ε。

（5）根據關聯(lián)系數矩陣計算待識別病斑特征向量與訓練集中第i個樣本特征向量的灰色關聯(lián)度γi，γi是關聯(lián)系數矩陣ε的第i行元素的加權和。

（6）根據關聯(lián)度γi向量，計算待識別病斑與訓練集中3種病斑，每個病斑類的關聯(lián)度Di。

式中：i為病斑類別號，選取最大關聯(lián)度Di，即表示待識別病斑與第i類病斑訓練樣本關聯(lián)度最大。可以認為其病斑屬于第i類蘋果病害。

4 實驗結果與分析

以輪紋病、炭疽病和新輪紋病等3種發(fā)病率較高的蘋果果實病害為研究對象，實驗圖片共78張，每類病害各26張，分別選取30張、50張、60張圖片作為訓練樣本，對應各類剩余圖片作為測試樣本。采用灰度關聯(lián)分析進行識別實驗，識別結果如表1所示。

表1 灰色關聯(lián)分析識別結果

由表1可知，選取30個訓練樣本、48個測試樣本時，平均正確識別率最高，達85.41%；個別病害，如新輪紋病，正確識別率也很高，達100%，但是炭疽病識別率較低，為75%。選取60個訓練樣本、18個測試樣本時，由于測試樣本很少，平均正確識別率最低，為72.22%。選取48個訓練樣本、30個測試樣本時，識別情況最好，平均正確識別率為80%，每個病害的識別率也為80%。實驗結果表明，采用基于灰度關聯(lián)分析的病害識別模型，能夠對蘋果病害進行有效識別。

5 結論

針對本研究的3種病害果實圖像特點，在大量實驗的基礎上優(yōu)選8個紋理特征作為病害的有效識別特征；病害訓練樣本選擇30、48和60，相應的測試樣本分別為48、30和18，構建基于灰度關聯(lián)分析的病害識別模型進行訓練識別，3種病害的平均正確識別率最高達到85.41%。

本文識別的結果接近人類病理專家的診斷精度，但識別率仍有待提高，今后將在病斑自動提取和特征優(yōu)選方面作進一步研究。

（References）

[1] 刁志華.大田小麥葉部病害智能診斷系統(tǒng)研究與應用[D].合肥：中國科學技術大學，2010.

[2] 陳紅，吳謀成，熊利榮，等.霉變花生的計算機視覺識別[J].農業(yè)機械學報，2008，39（1）：110－113.

[3] 胡春華，李萍萍.計算機圖像處理在缺素葉片顏色特征識別方面的應用[J].計算機測量與控制，2004，12（9）：859－862.

[4] 李宗儒，何東健.基于手機拍攝圖像分析的蘋果病害識別技術研究[J].計算機工程與設計，2010，31（13）：3051－3053.

[5] 石娜.基于snake和水平集的圖像分割方法的研究及應用[D].長春：吉林大學，2011.

[6] 馬帥營.基于灰度共生矩陣和BP神經網絡集成的紋理圖像分類[J].大連民族學院學報，2009，11（3）：260－263.

[7] 田有文.基于紋理特征和支持向量機的葡萄病害的識別[J].儀器儀表學報，2005，26（8）：606－608.

[8] 王惠明，史萍.圖像紋理特征的提取方法[J].中國傳媒大學學報，2006，13（1）：49－52.

[9] 馬苗，譚永杰，何雪莉.基于灰色關聯(lián)分析的圖像置亂程度評價方法[J].計算機應用研究，2009，26（4）：1595－1597.

[10] 趙韓，張彥，方艮海，等.灰色關聯(lián)分析方法在汽車零部件故障分析中的應用[J].農業(yè)機械學報，2005，36（8）：125－128.

[11] 馬苗，鹿艷晶.基于灰色模糊熵的SAR圖像快速分割方法[J].計算機應用研究，2009，26（10）：3968－3970.