基于顏色特征和屬性約簡的黃瓜病害識別方法

基于顏色特征和屬性約簡的黃瓜病害識別方法

謝澤奇,張會敏,張善文,張云龍

(鄭州大學西亞斯國際學院，河南鄭州451150)

摘要：為了減少黃瓜葉部病害給農業生產帶來的損失，提高病害的識別率和精度，提出了一種基于顏色特征和屬性約簡算法的黃瓜病害葉片分割與識別方法。該方法首先利用最大類間方差(Otsu)閾值法對黃瓜病害葉片圖像進行病斑分割；其次提取病斑圖像的36個分類特征，再利用基于區分矩陣的屬性約簡算法進行特征選擇；最后利用最近鄰分類器進行病害識別。該方法在5種常見黃瓜病害葉片圖像數據庫上進行了病害識別試驗，結果表明，識別率高達 94.8%。說明，該方法對作物病害葉片圖像識別是有效可行的。

關鍵詞：顏色特征；屬性約簡；病斑分割；病害識別

doi:10.3969/j.issn.1000-4440.2015.03.010

收稿日期：2014-11-19

基金項目：國家自然科學基金項目(61272333)；河南省科技廳科技攻關項目(142102310518、142400410853、142300410309)；河南省教育廳科學技術研究重點項目(14B520064、15A520100)；鄭州大學西亞斯國際學院校級科研項目(2014KYYB23)

作者簡介：謝澤奇(1981-),男,河南鎮平人,碩士，講師，研究方向為計算機應用、圖像處理。(E-mail)xzq0413@163.com

通訊作者：張會敏,(E-mail)zhm0413@163.com

中圖分類號：TP391

文獻標識碼：A

文章編號：1000-4440(2015)03-0526-05

Abstract：To reduce the loss caused by cucumber leaf disease, and improve disease recognition rate and accuracy, a leaf image segmentation and disease recognition method for cucumber was proposed based on color feature and attribute reduction algorithm. Firstly, the Otsu algorithm was applied to segment the cucumber diseased leaf image. Secondly, 36 diagnostic characters of disease lesion were extracted, and selected by using attribute reduction algorithm based on discernibility matrix. Finally, the crop diseases were recognized using the nearest neighbor classifier. As an effective and feasible approach for crop disease recognition, this method could recognize as high as 94.8% of five cucumber diseases.

Cucumber disease recognition based on color feature and attribute reduction

XIE Ze-qi,ZHANG Hui-min,ZHANG Shan-wen,ZHANG Yun-long

(SIASInternationalUniversity,ZhengzhouUniversity,Zhengzhou451150,China)

Key words：color feature;attribute reduction;image segmentation;disease recognition

黃瓜病害對其產量和質量帶來了巨大損失，如何利用計算機圖像處理技術在黃瓜種植期間實現病害及時檢測識別和自動防治在農業物聯網技術研究領域具有重要意義。由于實際病害葉片形狀、紋理和顏色的多樣性，使得葉片圖像中提取的病害分類特征也各種各樣，因此，需要進行特征選擇。粗糙集(Rough sets, RS)是一種經典特征選擇方法，能直接從給定問題的描述集出發，通過不可分辨關系和等價關系給出問題的近似域，從而得到該問題的內在規律。多年來，RS已成功應用于人工智能、模式識別、信息處理以及決策分析等領域[2-3]。屬性約簡是RS的一個重要應用。基于RS的屬性約簡是在保持信息系統分類或決策能力不變的前提下，通過知識化簡導出分類問題的分類規則和決策。基于區分矩陣的屬性約簡策略是建立在兩兩互異目標上屬性集合的區分矩陣。區分矩陣的元素代表能夠區分兩個目標的屬性組合。實際應用中可以將區分矩陣中出現次數多少作為屬性重要性的判斷依據，即出現次數多的屬性重要性越大。

近年來，國內外專家學者對基于作物葉片的病害識別進行了廣泛研究。耿長興等分析黃瓜病害圖像信息的分布特征，通過線性運算實現病害目標與復雜環境背景快速有效的分離；田有文等利用黃瓜葉片的紋理特征向量結合支持向量機(Support vecter machines, SVM)分類方法對黃瓜的霜霉病、白粉病進行識別；張芳等利用顏色、形狀、紋理等典型特征參數結合支持向量機的方法對黃瓜葉部病害進行自動識別。上述作物病害識別方法和系統都在某一方面取得了較好效果，但由于作物病害種類和病害葉片圖像的多樣性，使得僅利用病害葉片顏色、紋理和形狀等進行病害識別的魯棒性不高。本試驗在研究作物病害葉片圖像分割的基礎上，將基于區分矩陣的屬性約簡策略應用于黃瓜病害葉片圖像分類特征選擇中，提出了一種有效的黃瓜葉片病害識別算法。該算法首先利用最大類間方差法對黃瓜葉片圖像進行病斑分割；然后提取病斑圖像的36個分類特征；再利用基于區分矩陣的屬性約簡算法對36個特征進行特征選擇；最后用最近鄰分類器進行病害識別，為其他作物病害識別與防治提供參考。

1材料與方法

1.1　材料

本試驗所使用的病害樣本圖像均是在陜西楊凌農業示范區科學園黃瓜溫室中自然光照的非強光條件下采集得到黃瓜病害葉片圖像，黃瓜品種為中農26號。

1.2　方法

1.2.1作物葉片病斑圖像特征提取黃瓜葉片病斑圖像的有效分割是黃瓜病害識別的前提條件[9-10]。其中，最大類間方差(Otsu)閾值法因其分割精度高、適用范圍廣等優點成為目前廣泛采用的一種圖像閾值分割方法[11]。該方法的工作原理是將病斑葉片圖像像素分為病斑和正常兩類，計算出兩類病害的類間方差值，若類間方差值小于某一給定值，合并初始劃分的兩類；然后計算此時所有類的類間方差值和分離因素F值。若F值大于某個給定值，退出該算法；否則，就按順序在已有類中繼續圖像分割，最后得到葉片病斑圖像。本試驗算法采用Otsu閾值法分別將葉片圖像的H、I、S分量進行病斑分割，再轉換為二值化圖像，分別提取H、I、S的36個分類特征，得到一個特征向量，然后生成包括條件屬性集合和結論屬性集合、滿足粗糙集數據處理要求的二維關系規則表。

由于實際得到的病害葉片圖像為紅綠藍(RGB)模式，該色彩模式對光照較敏感，而色飽和強度(HIS)顏色模型反映了人的視覺對色彩的感覺[12]，能克服采集過程中光照對病害識別率的影響，可將RGB模式轉換HIS模式。其轉換公式如下：

(1)

為了得到能區分作物病害的顏色特征值，分別計算病害葉片圖像R、G、B分量和分割后病斑圖像的H、I、S分量的均值、方差、偏度、峰值、能量、熵共6×6=36個統計特征參數[13]。計算公式如下：

(2)

1.2.2屬性約簡算法進行特征選擇若直接把提取的36個病害圖像特征參數用于構建病害識別模型，識別效果的穩定性較差。因為各個特征對識別結果的貢獻不同，有些特征甚至影響識別結果。因此，需要對得到的特征進行選擇。其中，基于區分矩陣的屬性約簡方法可有效對特征屬性進行約簡[14]，其基本思想是將屬性在區分矩陣中出現次數作為目標屬性的重要性判斷函數。計算各屬性的重要性判斷函數f，由此可確定第一個重要屬性，此時重要屬性的判斷函數f值最大。在第一個重要屬性簡單求出后，進一步快速簡單地求出后續重要屬性。設決策表S的核值集合為Core，其屬性約簡過程如下：

輸入：S的屬性約簡矩陣RM；輸出：S的屬性約簡Redu。

①初始化，令Redu=Core,H=?；

②令Q={RM(aj)|aj∈Redu或AFI(aj)=0}，則RM=RM-Q，B=A-Redu-H；

③對aj∈B，計算f(aj)=max{ak},(k=1,2,…,m)，其中f(x)為屬性重要性判斷函數；

④Redu←Redu∪{aj};

⑤對每個aj∈B，令H2(aj)=RM(aj)∩RM(ak),H3(aj)=|H2(aj)|；

⑥對所有aj∈B，令RM(aj)←RM(aj)-H2(aj),f(aj)←f(aj)-H3(aj);若f(ak)=0,則H1=∪{ak};

⑦重復步驟②～⑥，直到判斷函數AFI為零向量；

⑧輸出Redu。Redu為信息表的一個屬性約簡。

本算法使用基于區分矩陣的屬性約簡方法對得到的36個特征進行選擇。該方法是先將關系表中的每類特征屬性進行歸一化和離散化處理；然后利用基于區分矩陣的屬性約簡方法對關系表進行屬性約簡，依次消去可省略的屬性(列)和合并重復的對象(行)，再對每一個對象進行簡化，消去冗余的屬性值；最后根據一定的評選準則選取有效識別規則的屬性簡化表，最終獲得優選的最簡單判定規則。

1.2.3最近鄰分類器進行病斑識別最近鄰分類的思想是：若待識別模式與樣本Wi之間的距離最小，而且xk∈Wi,則判定x屬于Wi類[15]。將x與Wi類之間的距離定義為：

Di(x)=||x-xk||,xk∈WiIH

(3)

則最近鄰分類方法的決策規則為：

若Di(x)≤Dj(x),i=1,2,L,C；j=1,2,L,C；i≠j，則x∈Wi。

由于本算法只針對于黃瓜葉片病斑中最常見的5種病斑進行識別，因此，定義D1、D2、D3、D4、D5分別表示待識別葉片病斑特征與細菌性角斑病、炭疽病、霜霉病、白粉病和白粉虱病5類病斑之間的距離。

1.3　數據統計分析

為了驗證本試驗方法的有效性，采集溫室黃瓜葉片最常見的細菌性角斑病、炭疽病、霜霉病、白粉病和白粉虱病的5種病斑葉片各100幅，其中50幅圖像作為訓練集，其余50幅圖像作為測試集。然后在Windows XP系統中利用Matlab7.1軟件中自帶的圖像處理工具箱為圖像處理和分析平臺，計算以上特征參數，數據分析采用統計分析軟件SAS V9.2。

2結果與分析

2.1　病斑分割

采用Otsu閾值法分別將病害葉片進行病斑分割，分割定位待識別的黃瓜葉片病害部分病斑，利用式(2)提取病害葉片病斑的36個分類特征。其中，5種黃瓜病害葉片及對應分割病斑圖像的H、I、S分量如圖1所示，最左邊圖像為5種病害葉片病斑原始圖像，右邊二值圖像為5種病斑葉片對應的分割結果，依次為H、I、S分量。5種病斑圖像采用Otsu閾值法自動得到二值化圖像的熵值、分割閾值和運行時間如表1所示。

a：細菌性角斑病；b：霜霉病；c：炭疽病；d：白粉病；e：白粉虱病。 圖1　5種黃瓜病害葉片分割 Fig.1　Leaf image segmentation of five kinds of cucumber diseases

2.2　病斑識別

將得到的36個特征進行離散化，即把每個特征劃分成有限區域(試驗中為5個區域)，使每個區域中對象的決策值相同。利用基于區分矩陣的屬性約簡方法對36個特征進行屬性約簡，得到6個重要屬性，分別為病斑分量H的均值、方差、能量，分量I的均值，分量S的方差和能量。再將這6個屬性組成一個特征向量來表示這個樣本。最后利用最近鄰分類器對病害種類進行分類，識別結果見表2，其中，每種病斑50幅圖像用于測試，表2給出了基于全部36個特征和基于其他2種方法[16-17]的識別結果。可以看出, 若只利用全部36個特征進行病害識別，其識別率僅為79.2%，原因為36個特征中存在的一些冗余特征影響病害的識別率。與文獻中其他算法相比，本研究提出的方法識別率最高，對于黃瓜最常見的病斑識別率可達到94.8%，其中對白粉虱病的識別率最高可達98.0%，原因為白粉虱病的分割效果較好，特征較明顯，對細菌性角斑病識別率達到92.0%，表明該方法用于黃瓜葉部各種常見病害圖像識別是有效可行的。

試驗過程還發現，病斑分割與識別方法對于黃瓜病害中等程度的識別率略高于重度病害和輕度病害。

表15種黃瓜病害葉片分割結果參數

Table 1Segmentation result of five kinds of cucumber diseased leaves

參 數 細菌性角斑病霜霉病炭疽病白粉病白粉虱病二值化圖像熵值0.97570.97570.96520.92400.9642分割閾值148156181131149運行時間(s)1.48451.59402.26501.39571.1720

表2黃瓜病害葉片的識別結果

Table 2Recognition rates of cucumber diseased leaves

病 害 識別率(%)36特征識別法文獻?方法文獻?方法本研究算法細菌性角斑病78.090.086.092.0炭疽病82.084.080.094.0霜霉病76.086.084.094.0白粉病76.082.078.096.0白粉虱病84.086.082.098.0總計79.285.682.094.8

從黃瓜葉片圖像采集和識別中可得出以下結論：(1)36特征識別率低于本文算法采用的約簡后的6特征識別法，因此，病害識別中并非特征越多越好，應對識別特征進行優化組合或特征選擇；(2)關于采集的病斑葉片圖像提取特征，同一病害樣本在不同成像環境下拍攝，圖像特征向量存在一定差異；(3)不同黃瓜品種、不同發病時期的病癥表現差異較大。這些差異對病斑識別結果的影響可以通過制定圖像的采集規范有效解決。

3討論

本研究在結合顏色特征和屬性約簡算法的基礎上，提出了一種黃瓜葉片病害識別算法。該算法利用最大類間方差閾值法對作物葉片病斑進行圖像分割，然后提取病斑圖像的36個特征，再利用粗糙集對提取特征進行屬性約簡，得到了6個重要代表特征。最后利用最近鄰分類器對病害進行分類。結果表明該方法具有較好的有效性和可行性。由于病害葉片拍攝狀態和光照等環境因素對顏色特征存在影響，發病程度及病斑的典型性可能對識別準確率也有影響，所以對拍攝照片中顏色特征的定量關系有待進一步研究。對于某些顏色、形狀特征非常相似的其他黃瓜病癥，還應進一步提取病斑的顏色、形狀和紋理等特征，以實現對病害的有效識別。

參考文獻:

[1]郭鵬,李乃祥.黃瓜病害圖像自動分割方法研究.農機化研究,2014,36(8):10-13,18.

[2]王國胤,姚一豫,于洪.粗糙集理論與應用研究綜述.計算機學報,2009,32(7):1229-1246.

[3]陳昊,楊俊安,莊鎮泉.變精度粗糙集的屬性核和最小屬性約簡算法.計算機學報,2012,35(5):1011-1017.

[4]楊傳健,葛浩,汪志圣.基于粗糙集的屬性約簡方法研究綜述.計算機應用研究,2012,29(1):16-20.

[5]馬翔,張繼福,楊海峰.基于區分矩陣的啟發式屬性約簡算法.計算機應用,2010,30(8):1999-2002,2037.

[6]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.農業機械學報,2011,42(3):170-174.

[7]田有文,李天來,張琳,等.高光譜圖像技術診斷溫室黃瓜病害的方法.農業工程學報,2010,26(5):202-206.

[8]張芳,王璐,付立思,等.基于支持向量機的黃瓜葉部病害的識別研究.沈陽農業大學學報,2014,45(4):457-462.

[9]袁媛,李淼,陳晟,等.復雜背景黃瓜葉部病害圖像分割方法.農業機械學報,2013,44(10):233-237.

[10]張芳,王璐,付立思,等.復雜背景下黃瓜病害葉片的分割方法研究.浙江農業學報,2014,26(5):1346-1355.

[11]鄒小林,馮國燦.融合視覺模型和最大類間方差的閾值分割算法.計算機應用,2013,33(3):670-673,837.

[12]溫長吉,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.農業工程學報,2013,29(13):142-149.

[13]REVATHI P, REVATHI R. Knowledge discovery in diagnose of crop diseases using machine learning techniques . International Journal of Engineering Science and Technology, 2011, 3(9):7187-7190.

[14]呂躍進,翁世洲,何朝麗.基于布爾區分矩陣與關聯規則挖掘的屬性約簡算法.計算機應用與軟件,2012,29(10):40-43,116.

[15]王衛東,鄭宇杰,楊靜宇,等.一種基于預分類的高效最近鄰分類器算法.計算機科學,2007,2(34):198-200.

[16]賈建楠,吉海彥.基于病斑形狀和神經網絡的黃瓜病害識別.農業工程學報,2013,29(4):115-121.

[17]岑喆鑫,李寶聚,石延霞,等.基于彩色圖像顏色統計特征的黃瓜炭疽病和褐斑病的識別研究.園藝學報, 2007,34(6):1425-1430.

(責任編輯：袁偉)

劉飛，楊春艷，謝建新. 傅里葉變換紅外光譜結合判別分析法診斷蠶豆病蟲害[J].江蘇農業學報，2015，31(3)：531-537.