基于SVM的高粱葉片病斑圖像自動分割提取方法研究

白文斌 白帆 賀文文 王偉仁 程彥俊 劉璋

摘要：為實現高粱葉片病斑的自動化無損監測，利用支持向量機(SVM)技術對高粱葉片病斑圖像進行自動分割提取研究。結果表明，通過選取RGB、HIS和Lab 3種顏色空間的顏色特征值可以消除對作物病斑拍照時產生的光照、亮度等影響。在MATLAB軟件環境下調用LIBSVM軟件對病斑圖片中的病斑圖像像素點和背景圖像像素點建立支持向量機分類模型，可以實現對病斑的高效分割和高質量提取。分割提取效果與人眼識別的病斑圖像高度吻合。如果利用大量采集的病斑圖像進行模型訓練，就可以真正實現完全自動化的病斑分割、提取和判別。因此，該研究對建立完全自動化的作物病斑圖像識別系統意義重大。

關鍵詞：支持向量機；LIBSVM；高粱；病害；圖像分割；自動識別

中圖分類號：S431文獻標志碼：A論文編號：2013-0892

0引言

高粱[Sorghum bicolor (Linn.) Moench]屬于禾本科(Gramineae)高粱族(Andropogoneae)高粱屬(Sorghum)，是世界上最古老的禾谷類作物之一[1]。在高粱的生長過程中會受到各種因素的影響，病害是影響其產量的主要限制因子之一。近年來，高粱病害有逐年加重的趨勢，病害嚴重影響高粱的產量和品質，一般使高粱減產20%~30%，嚴重時可導致絕產。所以高粱病害的準確識別和及時的智能化防治成為一個亟待解決的問題。在作物病害防治過程中，及時發現并進行科學防治是關鍵[2]。如何利用計算機視覺技術進行作物葉部病害的定位觀測采集圖像[3]，通過科學算法進行圖像的解析、判別是重要的研究內容。在病害圖像獲取方面，李嬌嬌等[4]、溫長潔等[5]對玉米葉部病斑圖像智能處理算法進行了研究，認為病害圖像的拍攝質量影響病害特征的提取。在RGB色彩子空間上采用蜂群算法優化神經網絡能對玉米常見病害彩色圖像進行優化分割，提取出病害侵害的結果。張茂明等[6]對蟲害圖像背景進行了差分處理，分析出兩幅圖像之間的差異，判斷出是不是相同圖像在不同光照下的結果。馬彥平等[7]對玉米葉部病害特征進行了提取與識別，認為提取的葉片病害信息越多越全面，病害識別效果就越好。熊俊濤[8]對植物病斑進行了分割，認為閾值分割中的閾值選取對圖像分割的影響較大。翟乃強[9]利用顏色信息對圖像進行了分割研究，認為利用顏色進行邊緣提取所得到的圖像比灰度圖下使用相同算法保留下更多邊緣信息，為科學進行病害邊緣分割提供了一種方法。牛力聰等[10]利用MATLAB軟件對礫石顆粒圓形度進行了計算，結論是與手工算法相比，提高了工作效率和準確度。筆者借鑒前人的研究方法，前期對獲取的高粱葉部病害圖像采用MATLAB軟件進行了病斑部位的自動分割和提取，發現應用支持向量機并結合多種顏色空間參數可以有效分割和提取葉片病斑圖像，理論上對后期自動識別是極其有利的。因此，筆者采用支持向量機技術[11]對高粱葉部病斑進行完全自動化圖像分割和提取方法的研究，以期找到一種有效的完全自動和無人為干預的高粱葉部病害病斑圖像的自動分割和提取方法，為后續開發高粱葉病病害自動識別系統奠定重要的基礎。同時，其也為在別的作物上進行病害識別提供了新的思路借鑒。

1SVM圖像分割基本原理

1.1SVM簡介

支持向量機(Support Vector Machine，SVM)是Vapnik等[12]在多年研究統計學理論基礎上提出的一種用于解決線性不可分這樣的分類問題的理論。支持向量機的基本思想是：定義最優線性超平面，并把尋找最優線性超平面的算法歸結為求解一個凸規劃問題。進而基于Mercer核展開定理，通過構造一個非線性映射φ，把樣本空間映射到一個高維乃至無窮維的特征空間，使之在特征空間中可以應用線性學習機的方法解決樣本空間中的高度非線性分類和回歸等問題[13]。

支持向量機方法是一種具有嚴密理論基礎的計算機學習的新方法，它已經成為計算機學習、模式識別、計算智能、預測預報等領域的熱點技術，在國內外受到廣泛關注。

1.2LIBSVM簡介

研究中使用LIBSVM來實現SVM建模和分類。LIBSVM是臺灣大學林智仁等開發設計的一個簡單、易于使用和快速有效的SVM模式識別與回歸的軟件包[14]。不但提供了編譯好的可在Windows系列系統的執行文件，還提供了源代碼，方便改進、修改以及在其他操作系統上應用；該軟件對SVM所涉及的參數調節相對比較少，提供了很多的默認參數，利用這些默認參數可以解決很多問題；并提供了交互檢驗(Cross Validation)的功能。該軟件包可在http://www.csie.ntu.edu.tw/~cjlin/免費獲得。該軟件可以解決C-SVM、ν-SVM、ε-SVR和ν-SVR等問題，包括基于一對一算法的多類模式識別問題[15]。

1.3C-支持向量分類

研究中使用LIBSVM軟件中的C-SVC方法。C-SVC所使用的公式[16]如下：

假設給定訓練向量組xi∈Rn，i=1,…,l，且分屬于兩類，和一個向量y∈Rl使得滿足yi∈{1,-1}，那么C-SVC就是來解決如下原始問題的：

subject to,

它的對偶問題就是：

subject to，

其中，e是完全由1組成的向量，C≥0是上界，Q是l×l的正半定矩陣，Qij=yiyjK(xi,xj)，且K(xi,xj)=φ(xi)Tφ(xj)是核。在這里，訓練向量xi通過函數φ被映射到一個更高的（可能是無窮的）維空間中。這里的決策函數是：

1.4使用LIBSVM軟件進行圖像分割和提取的方法

應用SVM進行圖像分割的實質是要對目標圖像像素點和背景圖像像素點進行準確分類。因此，首先需要選取代表目標圖像和背景圖像的像素點顏色值作為特征值，然后利用LIBSVM訓練分類模型，然后用訓練好的模型對待分割圖像的所有像素點進行分類，最后把模型認為的背景圖像像素點顏色值設置為黑色就實現了目標圖像的分割和提取。技術路線可以概括為：圖像獲取→圖像預處理→選取特征值→訓練SVM分類模型→測試分割和提取效果。

2圖像分析

2.1圖像獲取

試驗供試圖片為使用CANON IXUS 860 CCD數碼相機于2010年5月—2013年11月在山西省晉中市榆次區修文鎮高粱種植基地拍攝，且盡量保證鏡頭垂直向下，圖像大小為640×480像素，格式為JPG。為獲取清晰的病害并消除大田中其他復雜背景的影響，要求須將高粱葉片平整的鋪在一塊藍色（單色）紙板上面進行拍攝。圖1所示為原始拍到的高粱大斑病葉片圖像。

2.2圖像預處理

拍攝到的圖像如果除了藍色背景還有別的背景，像圖1所示那樣在圖像的左邊有田間土壤的背景，這時需要在圖像處理類軟件（如Windows自帶的畫圖軟件或photoshop軟件）中對圖像進行截取，只保留有藍色背景和葉片的圖像作為待處理的圖像。圖2所示為截取后的待分割和提取圖像。

2.3選取特征值

顏色是物體外在特征最直觀的表現方式之一。早期的圖像處理主要是利用灰度圖像來表征物體，灰度圖像又稱單色圖像，每個象素只用一個字節來表示，在實際應用過程中通常又將其轉化為黑白二值圖像進行處理。隨著硬件技術與圖像處理技術的發展，用于計算機處理、分類識別的顏色空間模型由單色模型發展到RGB、HSI、CMYK和LAB等模型[17]，而在圖像處理中常用的是RGB、HSI和LAB顏色空間模型。RGB顏色模型是一種基礎彩色模型，其值分別是圖像紅、綠、藍的亮度值，通過混合RGB 3個通道的數值來產生其他顏色。HSI模型是人眼根據顏色的色調(H)、飽和度(S)和強度(I)對顏色進行區分、編號的顏色模型，它符合人眼對色彩的感覺規律并且能將圖像的色彩信息與亮度信息分開，而且分開的各分量相互獨立，因此，在HSI顏色空間可以大大簡化圖像分析和處理的工作量。在圖像處理和計算機視覺中大量算法都可以在HSI顏色空間中方便使用。LAB是由國際照明委員會(CIE)提出的，用來描述人眼可見的所有顏色的最完備的色彩模型。其中3個基本坐標中，L表示照度，相當于亮度，A表示從紅色至綠色的范圍，B表示從藍色至黃色的范圍。使用LAB顏色空間時，光亮度、色調和飽和度都能夠獨立調整，因此，在不改變整個圖像或者亮度的情況下，可以改變整個圖像的顏色。HSI與LAB顏色空間都可以由RGB基礎彩色空間計算推導出來[18]。

為了消除亮度等對像素點顏色值的影響，筆者采用上述3種顏色空間RGB、HIS和LAB，分別提取單個像素點的RGB紅色分量R、綠色分量G、藍色分量B，HIS顏色空間色調H、亮度I、飽和度S，LAB顏色空間亮度L、A顏色、B顏色共9個顏色特征值作為區分目標圖像和背景圖像像素點的特征值。

2.4訓練SVM模型

要訓練模型，先要采集目標圖像和背景圖像的像素點樣本。筆者通過MATLAB軟件編制程序來實現樣本像素點的采集，如圖3所示。然后計算每個像素點對應的9個顏色特征值，并保存為一個m×9的矩陣，m表示像素點個數。

從80張圖像中共采集目標圖像和背景圖像的像素點樣本各1820個，得到2個矩陣，維度都是1820×9，一個是變量名為mbyb的目標圖像特征值矩陣，另一個是變量名為bjyb的背景圖像特征值矩陣。然后構建對應的分類結果向量，用1代表目標圖像，0代表背景圖像，那么就可以構建出變量名為mblabel所有值為1的1820×1的列向量和變量名為bjlabel所有值為0的1820×1的列向量。然后用這些數據來訓練SVM分類模型。MATLAB程序核心代碼如下：

TrainData=[bjyb;qjyb]；%組成輸入特征數據，維度為3640×9

TrainLabel=[bjlabel;mblabel]；%組成輸出類別標簽數據，維度為3640×1

glbhfgModel=libsvmtrain(TrainLabel,TrainData,'-t 1 -d 1');%訓練模型

上述訓練模型代碼語句中的參數'-t 1 -d 1'代表選擇的核函數類型為多項式，核函數中的degree設置為1，默認使用C-SVC方法。

2.5測試分割和提取效果

將圖2所有像素點的顏色特征值矩陣輸入建立好的glbhfgModel模型中，即可算出每個像素點的類別標簽。主要用到的matlab核心代碼為：

TestLabel=libsvmpredict(zeros(length(TestData),1),TestData, glbhfgModel)

上述代碼中TestData代表圖像所有像素點的顏色特征值矩陣，TestLabel為計算輸出的類別標簽向量。

然后將標記為0的像素點RGB顏色值設為(0,0,0)，即可得到想要的病斑圖像，如圖4所示。

通過上述方法，用建立好的SVM模型對10幅圖像進行自動分割和提取，結果如圖5所示。

從圖5可以看出，選用3種顏色空間共9個顏色特征值來對目標圖像和背景圖像像素點分類，可以有效消除光照、亮度等影響，利用支持向量機進行分割和提取病斑，與人眼識別的病斑圖像高度吻合，說明這種方法非常可行有效。

3結論與討論

病斑圖像的分割和提取是高粱病害自動識別工作在獲取圖像后的第一步，對病害準確及時的識別有非常重要的意義。筆者通過選取3種顏色空間的顏色特征值來消除光照、亮度等拍照時的影響，在MATLAB軟件環境下，用LIBSVM軟件對原始圖像中的病斑圖像像素點和背景圖像像素點建立支持向量機分類模型，從而實現對病害圖像中病斑的分割和提取，分割提取效果與人眼識別的病斑圖像高度吻合。且在模型建立好后，對圖像進行簡單的預處理后，就可以做到真正的自動分割和提取，不需要人為再判斷或設置參數，因此不失為一種操作簡便，效果明顯的病斑圖像自動分割提取方法。

雖然圖像分割方法很多，常用的有閾值法[19]、區域分割[20]、邊緣檢測[21]等，但均無法實現全自動，中間或多或少都需要人的判斷或參數設置，特別是在多幅圖像灰度、形態變化較大的時候，更是沒有一種通用的方法可以實現對多個圖像的分割。而筆者提出的基于SVM，采用顏色特征值的病斑圖像分割方法，只需要簡單的前處理，即可實現全自動無人值守的病斑圖像分割和提取。而且分割提取速度快、效果顯著，與人眼識別的病斑圖像高度吻合。完全自動化的圖像分割和提取是圖像自動識別系統的重要前提，因此筆者研究的完全自動化圖像分割和提取方法，有別于傳統的作物葉部病害解析、識別技術，對建設作物病斑的自動識別信息系統具有重要意義。本方法要求對葉部病斑的采集時，圖像采集框內除了病斑和葉片部位外，不能有別的背景。如果圖像中存在非單色和葉片顏色的背景顏色時，分割效果將會受到很大影響。因此，筆者下一步將進一步研究基于田間復雜背景下的目標圖像自動分割提取方法。

參考文獻

[1] 盧慶善.高粱學[M].北京:中國農業出版社,1999:25-26.

[2] 馬德貴,邵陸壽,葛婧,等.水稻稻瘟病及水稻紋枯病病害程度圖像檢測[J].中國農學通報,2008,24(9):485-489.

[3] 胡煉,羅錫文,曾山,等.基于機器視覺的株間機械除草裝置的作物識別與定位方法[J].農業工程學報,2013,29(10):12-18.

[4] 李嬌嬌.玉米葉部病斑圖像智能處理算法的研究與實現[D].北京:北京郵電大學,2010:43-48.

[5] 溫長潔,王生生,于合龍,等.基于改進蜂群算法優化神經網絡的玉米病害圖像分割[J].農業工程學報,2013,29(13):142-149.

[6] 張茂明.粘著式信息素誘捕器捕獲小菜蛾試驗及圖像識別系統的研究[J].中國農學通報,2010,26(23):291-294.

[7] 馬彥平,白由路,高祥照,等.基于數字圖像的玉米葉面積測量方法研究[J].中國農學通報,2009,25(22):329-334.

[8] 熊俊濤,鄒湘軍,王紅軍,等.基于Retinex圖像增強的不同光照條件下的成熟荔枝識別[J].農業工程學報,2013,29(12):170-178.

[9] 翟乃強.應用顏色信息的圖像分割研究[J].電子設計工程,2012(1):181-183.

[10] 牛立聰,孫香花,左曉寶.基于Matlab圖像處理的砂石顆粒圓形度計算方法[J].混凝土,2012(1):10-12.

[11] 陳政文,匡逢春,張學文.基于支持向量機的花生苗期抗旱指標篩選[J].中國農學通報,2013,29(15):31-36.

[12] 吳學明,張懷清,林輝,等.基于支持向量機的北京市濕地變化預測研究[J].中國農學通報,2012,28(14):280-284.

[13] 李俊,陳振德.基于數字圖像的番茄黃化曲葉病毒病色彩分析研究[J].中國農學通報,2013,29(31):96-100.

[14] 朱培根,梅衛江,石秀鋒等. 基于LibSVM代用燃料有效功率增量預測方法的研究[J]. 石河子大學學報:自然科學版,2012(5):31-36.

[15] 宋振偉,文新亞,張志鵬,等.基于數字圖像技術的冬小麥不同施氮和灌溉處理顏色特征分析[J].中國農學通報,2010,26(14):350-355.

[16] 張治中,林智仁.LIBSVM：一種支持向量機的程序庫[EB/OL]. http://www.csie.ntu.edu.tw/~cjlin/papers/libsvm.pdf,2013-03-04.

[17] 田杰,胡秋霞,馬孝義,等.基于高斯分布改進C-V模型的植物病斑彩色圖像分割[J].農業工程學報,2013,29(16):166-173.

[18] 管澤鑫,姚青,楊保軍,等.數字圖像處理技術在農作物病蟲草識別中的應用[J].中國農業科學,2009,42(7):2349-2358.

[19] 陸秀明,黃慶,孫雪晨,等.圖像處理技術估測水稻葉面積指數的研究[J].中國農學通報,2011,27(03):65-68.

[20] 王靜,張云偉.一種煙葉病害的圖像增強處理方法[J].中國農學通報,2011,27(6):469-472.

[21] 趙靜,韓甜甜,張鮮鮮,等.應用數碼圖像技術對梨樹葉片營養診斷的初探[J].中國農學通報,2011,27(13):272-276.