基于圖像識別的向日葵葉部銹病診斷探究

狄鵬慧,呂芳

（內蒙古工業大學信息工程學院，內蒙古呼和浩特,010000）

0 引言

向日葵病蟲害的日益猖獗造成向日葵產量大幅度降低，因此如何快速準確的識別向日葵病害成為亟待解決的問題。

國外早在上世紀80 年代就開始了對病害作物圖像進行病害識別診斷的研究。

Yuataka Sasaki 等（1999）對黃瓜的炭疽病進行了診斷研究，針對不同光學濾波和分光反射對病害識別的影響特點，采用遺傳算法對炭疽病進行識別；并于2003 年利用遺傳算法對黃瓜病斑圖像的多個形狀特征參量進行了優選，最終找到了能夠準確識別不同黃瓜病害的有效形狀特征參量。

Mohammad Sammany 等（2006）利用遺傳算法優選出神經網絡有關結構和參數，并將其應用到作物病害識別診斷研究，獲得良好識別效果。之后為減少輸入特征向量個數，提高運算效率，加入了粗糙集技術，借此縮短了病害診斷時間。

Boese 等（2008）利用大葉藻病害葉片偽彩色圖像計算其病斑面積，通過大量實驗表明，該方法極大提高了葉部多種病蟲害的正確識別率。

相對于國外研究情況，國內對基于圖像識別的作物病害的診斷識別方面的研究起步較晚，但也取得了一定成果。

毛罕平等（2001）主要通過提取番茄缺素葉片的顏色、紋理特征，建立了三叉樹模式識別框架，并在該框架基礎上加入模糊K近鄰法進行缺素種類識別；之后他們又設計了基于神經網絡技術的番茄缺素識別系統，正確識別率均在85%以上。

毛文華、陳紅等(2008)在彩色圖像HSI 顏色模型中，利用S和H 分量直方圖獲取分割閾值之后提取出病斑區域，發現不同病斑的顏色特征可作為區分不同病害的依據。

1 病害圖像采集、預處理

本研究圖像采集設備由一臺CCD 照相機和一個金屬攝影云臺三腳架組成，在田間自然光照條件下，采取自動曝光模式，拍攝獲取向日葵生長期葉部病害圖像，以JPG 格式傳入計算機。

自然條件下采集的向日葵葉部病害圖像，在采集傳輸過程中，會受到外界因素的影響造成圖像模糊、降質，影響后續向日葵病害識別的準確度。所以，在進行后續病害診斷工作之前，首先要對圖像進行增強處理以獲得易于向日葵病害識別的理想圖像。

2 向日葵葉部病害圖像特征提取

2.1 顏色特征提取

顏色是描述向日葵葉部病害最直接的視覺特征，顏色空間是采用某種數學方法來形象化表示顏色的，常見的顏色空間有RGB、HSI、XYZ 等。在農作物病害圖像研究中主要采用RGB 和HSI 顏色模型，在自然環境下采集到的向日葵病害葉部圖像容易受光照等外界因素影響（即對亮度較敏感），而RGB 顏色模型各分量與亮度密切相關（即圖像亮度改變，R、G、B 三分量也隨之改變），由此可見，RGB 顏色空間并不能準確表達病害圖像的顏色特征。與RGB 顏色模型相比，HSI 顏色模型更符合人的視覺特性，不僅可以避免光照和不同采集方法對病害樣本圖像的影響，而且可以有效地減少病害圖像顏色信息的丟失，更好的體現病斑的顏色特征，所以本研究將病害圖像從RGB 顏色空間轉換到HSI 顏色空間，轉換完成后，提取出HSI 模型的三個顏色分量作為區分不同向日葵葉部病斑顏色特征的主要研究對象。

HSI 顏色空間和RGB 顏色空間僅是同一物理量的兩種不同表示法，它們之間存在著某種轉換關系。若存在一幅RGB 格式的彩色圖像，將其轉換為HSI 格式圖像轉換公式如下所示:

此處

飽和度分量由下式給出：

最后強度分量為：

選取兩幅向日葵葉部銹病圖像進行顏色特征參數比較，通過比較H、S、I 三個分量的均值分布圖，進行H、S、I 三個顏色分量與向日葵銹病診斷的研究。經查閱資料及反復試驗確定由H 分量作為顏色特征參量標準，進行相似度測定。

2.2 紋理特征提取

紋理特征描述主要有統計法和結構法兩種方法。由于向日葵葉片紋理是在自然生存環境下形成的，其紋理在個別像素點上無規則可循，但在像素點聚集的某個區域內會體現出規律性，這屬于準規則紋理，不適合利用結構的方法對其進行描述。因此，本文利用灰度共生矩陣對向日葵葉部病斑紋理進行研究分析，通過對比分析提取出最佳紋理特征參數作為向日葵葉部不同病害紋理識別的判別依據。

由于灰度共生矩陣不能直接用于描述圖像的紋理特征，所以采用矩陣狀況的統計量，常用的有以下幾種：

① 角二階矩（能量）：反映了圖像灰度分布均勻程度和紋理粗細度。

② 慣性矩（對比度）：反映圖像的清晰度和紋理溝紋深淺的程度。

圖2-2 各特征參數的均值與標準差

③ 相關性：反映圖像中的局部灰度相關性。

④ 熵是圖像具有的信息量的度量，表示灰度圖像中紋理的非均勻或復雜程度。

⑤ 局部均勻性（逆差距）：反映圖像紋理的同質性，度量圖像紋理局部變化的多少。

由向日葵銹病圖像作為紋理特征參數的分析展示。研究分析病害分別在距離d=1 和角度分別為0o、45o、90o、135o時灰度共生矩陣的特征，并分別提取它們的角能量、對比度、相關性、熵、逆差距共20 個統計參量進行實驗研究分析。取其中一幅圖紋理特征參數如圖3-6 所示：

3 病害識別

運用紋理特征的方法對其余十幅銹病葉片圖進行參數分析，取值范圍如下：

確定含銹病葉片紋理各參數大致范圍，進行識別。取10 幅向日葵葉部圖片，其中含向日葵銹病圖6 幅，經識別，其中4 幅葉片圖含銹病，識別率達66.7%。雖然不是所有的銹病都能被正確地識別，還存在一定的誤差，但總體上可以較好的識別出病害葉片。

4 結術語

本研究結合向日葵葉部染病時病斑所呈現的顏色、紋理等生物特征，采用先進的數字圖像處理技術對向日葵葉部病害進行診斷識別；并以MATLAB 為平臺，實現向日葵葉部病害圖像預處理、病斑特征提取和病害診斷，最終對向日葵葉部銹病進行識別。在研究過程中得出如下結論：

（1）向日葵葉部病害圖像預處理。本文經過對鄰域濾波法、中值濾波法和矢量中值濾波法進行比較分析之后，得出中值濾波法對圖像去噪效果較好，處理過程中很好的保留了病斑原始有用信息且圖像不模糊。葉部病斑分割時采用最大類間方差法自動求取閾值對向日葵葉部病斑進行分割。

（2）向日葵葉部病斑特征提取。利用病斑的顏色特征和紋理特征，經過對多個特征描述進行對比試驗之后，選出6 個特征參量（11 個值）作為不同病害識別的依據。結果表明，選出的6 個特征參量能夠較好地表示向日葵葉部病斑的特點。

（3）向日葵葉部病害識別。通過顏色特征、紋理特征得出向日葵葉部是否含有銹病。

表3-1 向日葵葉部銹病各紋理特征參數取值范圍

[1] Yutaka SASAKI,Masato SUZUKI.Constructi on of the Automatic Diagnosis System of Plant Disease Using Genetic Programming Which Paid Its Attention to Variety[C].ASAE Meeting Presentation(paper No.031049),2003

[2] Sammany,M,Mohammed El-Beltagy. Optimizing Neural Networks Architecture and Parameters Using Genetic Algorithms for diagnosing Plant Diseases[A].Proceeding of and International Computer Engineering Conference[C],IEEE(Egypt section).2006

[3] Boese BL,Clinton PJ,Dennis D,Golden RC,Kim B.2008.Digital image analysis of Zostera marina leaf injury.Aquatic Botany,88:87-90

[4] 毛罕平,徐貴力,李萍萍.番茄缺素葉片的圖像特征提取和優化選擇研究[J].農業工程學報.2002,2:10-21

[5] 毛文華, 鄭永軍, 苑嚴偉, 張小超. 基于色度和形態特征的蝗蟲信息提取技術[J]. 農業機械學報,2008,39(9):104-107