基于作物病害葉片顏色的病斑提取方法

齊國紅　張云龍　張晴晴

摘要：作物病害是影響作物產量和質量的重要因素，如何進行病斑的準確提取是后期病害識別的一個關鍵步驟。為了提高復雜環境下病斑提取的準確率，提出一種基于葉片顏色的病斑提取方法，利用葉片正常部位和病害部位的顏色信息的不同，進行基于支持向量機的分割處理，從而得到很好的分割效果，然后對得到的圖像進行最大類間差法處理，完成病斑的提取。結果表明，該方法具有有效性。

關鍵詞：病斑提取；支持向量機（support vector machine，SVM；最大類間差法（OTSU

中圖分類號： TP3914；S126文獻標志碼： A

文章編號：1002-1302（201412-0434-03[HS][HT9SS]

收稿日期：2014-02-22

基金項目：河南省鄭州市科技攻關計劃（編號：131PPTGG426；鄭州大學校引進人才項目（編號：2012YJRC01、2012YJRC02。

作者簡介：齊國紅（1987—，女，河南鄭州人，碩士研究生，研究方向為模糊模式識別。E-mail：919728600@qqcom。

目前已經存在很多種圖像分割方法，基于閾值[1]、直方圖、分水嶺[2-3]等。這些方法均是在圖像本身的相似性上進行分割，在很多應用領域獲得了成功。基于統計理論的有神經網絡的圖像分割算法[4-5]和支持向量機的葡萄病害識別方法[6]。在復雜環境下進行目標提取相對比較困難，姚立健等根據茄子色差和色調的不同，用遺傳算法優選出茄子的特征進行分類，從而把茄子從復雜的根莖和光照下分割出來[7]。Camargo等在對香蕉葉黑斑病的研究中利用了直方圖閾值分割法，將病斑從背景中分割出來[8]。王紅君等在研究彩色圖像自動分割問題的過程中，根據分水嶺與自動種子區域生長相結合的算法，在復雜的背景下更完整地分割出目標區域[9-10]。耿長興等用色度和紋理的特征來識別病害，研究了可見光光波段的黃瓜霜霉病的分割方法[11]。Deny等用自適應一維SOM將目標從復雜的環境中分割出來[12]。這些圖像分割方法均有自己適合的場合，不是對所有的圖像分割都有效，但這些已經存在的病害圖像分割方法卻是我們進一步研究圖像分割技術的基礎。筆者選取手機在正常大田環境下進行黃瓜病害葉片拍攝，進行待分割黃瓜病害葉片圖像的選取，對病斑部位和正常部位的顏色信息進行采樣，得到病斑和正常部位的樣本，然后進行不同核函數下的SVM訓練，得到SVM分類模型，并用得到的SVM分類模型對待分割樣本進行分割，選取分割效果好的核函數分割出來的病害圖像，進行OTSU下病斑的提取，濾除背景信息的干擾，從而將病斑很好地提取出來。

1材料與方法

11黃瓜病害葉片圖像采集和顏色特征提取

在大田環境下進行黃瓜病害葉片圖像的獲取，用手機進行拍攝，手機設置為自動調焦、關閉閃光燈、自動白平衡模式。為了能夠檢驗本算法在各種情況下的分割效果，進行黃瓜病害葉片圖像的正面、側面以及陽光、陰影下的圖像拍攝。

黃瓜葉片的病斑部分和正常部位的顏色差異較大，正常部位的顏色呈現出健康綠色，病斑部位的顏色多呈現為類似黃色。在RGB顏色空間中，這兩部分最大的差異是紅色分量所占的比例不同，病斑部位所占的紅色比例最大。相對于HIS彩色模型中的色調、亮度和飽和度的指標，RGB顏色空間能夠更加直接地反映出病斑部位和正常部位之間的差別。因此選用RGB顏色空間[13]進行病斑部位和正常部位的顏色特征提取。

12病害圖像分割和提取算法

SVM已經廣泛應用于圖像分割[14]，在高維空間使用最大邊緣尋找線性分類面，利用Lagrange優化方法，把求最優分類面的問題轉化為二次函數尋優問題，從而求得支持向量及相應參數：

[J（]g（x=∑[DD（]tj=1[DD]yjαj[（xjT（x]+b。[J][JY]（1

式中：yj={+1，-1}表示樣本的類別，αj為Lagrange優化的最優解，b為分類閾值。

通常，僅有少部分αj不為0，這些不為0的αj對應的樣本向量就是支持向量。用公式（1求分類樣本到最優分類面的距離。SVM采用符號函數進行分類決策：

[J（]f（x=sgn{g（x}=sgn{∑[DD（]ij=1[DD]yjαj[（xjT（x]+b}。[J][JY]（2

式中：sgn為符號函數，b為分割閾值。

令（xj，x=（xjT（x為內積運算，為核函數。常用的核函數有線性核函數、多項式核函數、徑向基核函數等。SVM的關鍵在于核函數的選擇，低維空間向量機較難劃分，通常將他們映射到高維空間來劃分，但會增加計算的復雜度，而應用核函數可以巧妙地解決這個問題。只要選擇合適的核函數，就可以得到高維空間的分類函數。核函數的不同會導致分割效果的不同，在實際的分類過程中一般還需要加入C（懲罰參數來衡量對離群點的重視程度。

OTSU是利用圖像的灰度直方圖[1]，通過尋找圖像中目標和背景2類間的方差最大值來動態地確定圖像分割閾值。其原理為：

[J（]f（m=μ1（mυ1（m[μ2（m-υ2（m]2。[J][JY]（3

式中：μ1（m為目標所含像素數；υ1（m為背景所含像素數；μ2（m是目標平均灰度值；υ2（m是背景平均灰度值。

13提取方法和過程

SVM圖像分割算法利用支持向量機對圖像中的每一個像素進行分類。首先提取黃瓜葉片的正常部位和病斑部位的RGB顏色信息[15]；然后用不同核函數和懲罰因子對樣本集進行訓練，選取分割效果好的核函數，獲得支持向量，再逐一提取像素中每個像素的信息，形成待分類樣本集；最后利用SVM對樣本集進行分類，獲得分割后的圖像，進行OTSU算法處理，得到病斑的圖像，完成對病斑圖像的提取。黃瓜病害葉片的病斑圖像提取步驟如下：（1大田環境下用手機拍攝黃瓜圖像，選取典型黃瓜病害葉片圖像，將黃瓜病害葉片圖像中的對象分為病斑部位和正常部位2類。在RGB顏色空間下，進行一定量的病斑像素和背景像素點樣本采集。（2根據樣本像素的數據特征，進行不同核函數下的SVM訓練，得到2分類模型。（3用不同核函數下得到的分類模型進行待分類樣本的分類，進行分割效果的比較分析，選取分割效果好的核函數下的SVM圖像。（4對得到的SVM圖像進行OTSU算法處理，濾除正常綠色背景信息的干擾。

2結果與分析

在RGB顏色空間下，從采集的黃瓜病害葉片圖像中各選擇20個代表正常部位和病斑部位的典型像素點，提取特征，生成訓練集；將病害部位歸為一類，其他的歸為一類；用線性核函數、多項式核函數、徑向基核函數進行SVM模型的訓練，得到不同的SVM模型；再逐一提取每個像素點的特征，產生樣本待分類樣本集；然后利用式（1求每一個像素點到對應樣本超平面的距離；再利用式（2將每個像素點歸為不同的類完成對圖像的分割。經過試驗令懲罰因子C=10進行分類器的訓練，用不同核函數得到的SVM模型進行待分割樣本的分割，其分割結果如圖1所示。

[F（W15][TPQGH1tif；S+3mm][F]

[JP2]圖1-A是待分割的黃瓜病害葉片圖像，圖1-B、圖1-C、圖1-D分別是線性核函數、多項式核函數、徑向基核函數下的SVM分割圖像。圖1-B分割出來的病斑圖像的邊緣不完整，且病害葉片的很多病斑沒有完整地分割出來；與圖1-B相比，圖1-C分割出來的病斑圖像邊緣較完整，而且病害部位較準確，不足之處在于非正常病斑圖像的分割。相比之下，圖1-D分割出來的病斑圖像完整且病斑形狀較為準確，濾除旁邊正常葉片的干擾，更能體現黃瓜病斑圖像的形狀。為了進一步說明徑向基核函數分割模型的效果，選取圖1-B、圖1-C、圖1-D的SVM圖像的灰度直方圖來加以說明（圖2。[FL]

[F（W11][TPQGH2tif][F]

[FL（22]圖2-A是線性核函數下進行黃瓜病斑圖像分割結果的灰度直方圖，可以看到有2個明顯峰；圖2-B是多項式核函數下的灰度直方圖，存在多峰現象；圖2-C是徑向基核函數下的灰度直方圖，呈現出雙峰特性，灰度值分布均勻。

綜合圖1與圖2，選取徑向基核函數下分割出來的圖像進行葉片病斑圖像的準確提取。

徑向基核函數下的SVM分割后的圖像分為病斑部位和正常綠色部位2個部分，為了便于病斑圖像的準確觀察和后期的病害識別，將SVM分割后的圖像中的正常綠色部位濾除掉。選用OTSU算法進行正常綠色背景信息的濾除，其結果如圖3所示。

[F（W10][TPQGH3tif][F]

從圖3可以看出，經過OTSU算法處理后的病斑圖像濾除了背景信息的干擾，病斑圖像被很好地提取了出來。

現有的作物病斑圖像分割方法一般根據病害葉片圖像的顏色、紋理、形狀特征來對病害圖像進行分割，其方法具有一定的局限性。本研究的方法不用考慮病害葉片的光照以及陰影，只需要選取病害葉片圖像的RGB空間的顏色特征就可以將病斑圖像提取出來，具有很強的適用性。本研究病斑圖像提取方法和其他病斑圖像提取方法結果比較如圖4所示。

[F（W22][TPQGH4tif][F]

從圖4-B可以看出，基于OTSU的分割算法分割出來的病斑圖像受噪聲影響較多，分割出來的病斑圖像中存在很多由噪聲和細小紋理所導致的小斑點，且受葉片本身葉脈影響較嚴重，而這些小噪聲和紋理的影響對病斑圖像后期的處理和分析是不利的。而本研究中的SVM和OTSU相結合的算法很好地解決了這個問題，該方法直接提取病斑圖像和正常葉片圖像的RGB顏色特征，從而消除了光照、陰影等影響，能將病斑圖像很好地提取出來（圖4-C。研究結果表明，該方法能夠更加準確地提取病斑圖像，說明了SVM和OTSU相結合的算法在作物病斑圖像提取方面的優越性。

3結論

為了改善作物病斑圖像的分割效果，本研究提出了一種基于葉片顏色的病斑圖像提取方法。利用病斑圖像和正常葉片圖像的顏色信息的不同，采用SVM和OTSU相結合的算法能夠將病斑圖像很好地提取出來，結果表明了該算法在病斑圖像提取方面的優越性。該算法在RGB顏色空間下進行樣本信息的選擇，且病斑部位和正常葉片的樣本像素點的選擇直接影響SVM訓練模型，進而影響病斑圖像的提取效果。如何精確地選取對病斑圖像分割有用的樣本信息，以便于后期的病害識別，是以后研究的重點。

[HS2][HT85H]參考文獻：[HT8SS][HJ18mm]

[1][（#]肖超云，朱偉興 基于Otsu準則及圖像熵的閾值分割算法[J] 計算機工程，2007，33（14：188-189，209

[2]陳婷婷，程小平 采用模糊形態學和形態學分水嶺算法的圖像分割[J] 西南大學學報：自然科學版，2008，30（3：142-145

[3]任玉剛，張建，李淼，等 基于分水嶺算法的作物病害葉片圖像分割方法[J] 計算機應用，2012，32（3：752-755

[4]周長英 基于改進的模糊BP神經網絡圖像分割算法[J] 計算機仿真，2011，28（4：287-290

[5]Song ，Liu ，Su H，et al A research of maize disease image recognition of corn based on BP networks[C]// Third International Conference on Measuring Technology and Mechatronics Automation，2011

[6]田有文，李天來，李成華，等 基于支持向量機的葡萄病害圖像識別方法[J] 農業工程學報，2007，23（6：175-180

[7]姚立健，丁為民，劉瓔瑛 基于MATLAB的茄子圖像分割方法[J] 江西農業學報，2007，19（6：97-101

[8]Camargo A，Smith J S An image-processing based algorithm to automatically identify plant disease visual symptoms[J] Biosystems Engineering，2009，102（1：9-21

[9]王紅君，陳偉，趙輝，等 復雜背景下植物葉片的彩色圖像分割[J] 中國農機化學報，2013，34（2：207-211

[10][（#]王佳男 采用基于區域的自動種子區域生長法的彩色圖像分割方法[D] 長春：東北師范大學，2007

[11]耿長興，張俊雄，曹崢勇，等 基于色度和紋理的黃瓜霜霉病識別與特征提取[J] 農業機械學報，2011，42（3：170-174

[12]Hernández-Rabadán D L ，Guerrero J，Ramos-Quintana F Method for segmenting tomato plants in uncontrolled environment[J] Science Research，2012（4：599-606

[13]Phadikar S，Sil J Rice disease identification using pattern recognition techniques[C]//hulna，Bangladesh：Proceedings of 11th International Conference on Computer and Information Technology，2008：420-423

[14]宋凱，孫曉艷，紀建偉 基于支持向量機的玉米葉部病害識別[J] 農業工程學報，2007，23（1：155-157

[15]Jayamala P，umar R Color feature extraction of tomato leaf diseases[J] International Journal of Ngineering Trends and Technology，2011，2（2：72-74[HJ][FL]