基于SVM的植物病斑區(qū)域分割

摘 要：利用計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行植物病斑快速分割，具有分割精度高，分割速度快的特點(diǎn)?；赽p神經(jīng)網(wǎng)絡(luò)的植物病斑分割方法，具有需要大量的訓(xùn)練樣本的缺點(diǎn)。文章采用SVM方法進(jìn)行植物病斑分割，該方法能夠在小樣本上，取得與bp神經(jīng)網(wǎng)絡(luò)相當(dāng)?shù)男Ч?/p>

關(guān)鍵詞：SVM；植物病斑區(qū)域分割；方法

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2017）36-0004-02

引言

農(nóng)作物病害，直接影響到農(nóng)作物產(chǎn)量和質(zhì)量。農(nóng)民不是病害專家，一旦病害發(fā)生，農(nóng)民自己不能對(duì)病害的種類作出準(zhǔn)確判斷。農(nóng)業(yè)專家沒(méi)有時(shí)間和精力隨時(shí)對(duì)每一個(gè)農(nóng)民進(jìn)行指導(dǎo)。農(nóng)民只能自己主觀的判斷，經(jīng)常發(fā)生誤判，造成經(jīng)濟(jì)損失，過(guò)多的使用農(nóng)藥，還會(huì)造成不必要的環(huán)境污染。植物病害的癥狀最先表現(xiàn)在植物的葉子，觀察植物的葉子是植物病害診斷的重要方式。計(jì)算機(jī)視覺(jué)技術(shù)飛速發(fā)展，將計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用到植物病害診斷將提高病害診斷的精度和效率。常用的圖像分割技術(shù)包括：基于閾值的分割方法，基于區(qū)域的分割方法，基于邊緣的分割方法以及基于特定理論的分割方法[1]。由于病斑圖像的非線性和不確定性，傳統(tǒng)的基于閾值的植物病斑分割方法，不能很好的分割植物病斑區(qū)域[2]?；赽p神經(jīng)網(wǎng)絡(luò)的植物病斑分割方法具有需要大量的訓(xùn)練樣本的缺點(diǎn)。本文采用SVM方法分割植物病斑圖像。SVM方法對(duì)小樣本非線性分類問(wèn)題表現(xiàn)優(yōu)異。

1 SVM簡(jiǎn)介

SVM是Support Vector Machine的英文縮寫，中文稱作支持向量機(jī)。美國(guó)科學(xué)家Corinna Cortes和Vapnik于1995年提出了支持向量機(jī)的概念[3]。SVM能夠很好地解決小樣本問(wèn)題、非線性及高維模式分割問(wèn)題[4]。bp神經(jīng)網(wǎng)絡(luò)具有很多參數(shù)，訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)需要大量訓(xùn)練樣本。采集樣本數(shù)據(jù)，需要投入大量的時(shí)間和成本。所以本文采用SVM方法進(jìn)行植物病斑區(qū)域分割。支持向量機(jī)的理論基礎(chǔ)是統(tǒng)計(jì)學(xué)習(xí)理論，更精確的說(shuō)，支持向量機(jī)是結(jié)構(gòu)風(fēng)險(xiǎn)最小化的近似實(shí)現(xiàn)[1]。支持向量機(jī)具有以下優(yōu)點(diǎn)[1]：通用性：能夠在很廣的各種函數(shù)集中構(gòu)造函數(shù)；魯棒性：不需要微調(diào)；有效性：在解決實(shí)際問(wèn)題中總是屬于最好的方法之一；計(jì)算簡(jiǎn)單：方法的實(shí)現(xiàn)只需要利用簡(jiǎn)單的優(yōu)化技術(shù)；理論上完善：基于VC維推廣性理論的框架；支持向量機(jī)的體系結(jié)構(gòu)如圖1所示。

圖1中，K為核函數(shù)，X是輸入樣本特征，Y是輸出樣本分類。常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)、兩層感知器核函數(shù)等。支持向量機(jī)既可以用于分類問(wèn)題，又可以用于回歸問(wèn)題，本文主要采用SVM解決二分類問(wèn)題。二分類SVM的model如下：

2 支持向量機(jī)植物病斑分割

2.1 LIBSVM工具箱

LIBSVM工具箱是臺(tái)灣大學(xué)林智仁教授開發(fā)的一個(gè)軟件包，提供免費(fèi)下載。LIBSVM支持Python，R，Matlab，Perl，Ruby等編程語(yǔ)言。

SVM模型需要確定很多超參數(shù)，例如：核函數(shù)類型。確定這些超參數(shù)沒(méi)有特別有效的辦法，只能憑借經(jīng)驗(yàn)不斷的嘗試。LIBSVM工具箱最大的優(yōu)點(diǎn)是使用默認(rèn)的參數(shù)就能取得很好的實(shí)驗(yàn)效果，節(jié)省工作量。

LIBSVM的工具箱函數(shù)包括訓(xùn)練函數(shù)和預(yù)測(cè)函數(shù)[1]：

訓(xùn)練函數(shù)：model=svmtrain（train_label， train_data， options）；

train_data是訓(xùn)練集數(shù)據(jù)，數(shù)據(jù)類型為double；train_label是訓(xùn)練集標(biāo)簽，數(shù)據(jù)類型為double；options是可選參數(shù)；model是訓(xùn)練得到的模型。

預(yù)測(cè)函數(shù)：[predict_label，accuracy/mse，dec_value]=svmpredict（test_label， test_data， model）

test_data是測(cè)試集數(shù)據(jù)，數(shù)據(jù)類型為double；test_label是測(cè)試集標(biāo)簽，數(shù)據(jù)類型為double； predict_label為預(yù)測(cè)結(jié)果；accuracy/mse分類準(zhǔn)確率；dec_value決策值。

2.2 選擇顏色空間

光學(xué)傳感器采集的植物葉片圖片容易受光照強(qiáng)度影響，不同的光照條件下，圖片差異巨大。選取不同的顏色空間作為樣本的特征，分類效果差別巨大。常用的顏色空間包括：RGB顏色空間模型、CMY顏色空間模型、HSV顏色空間模型和YUV顏色空間模型等[5]。

（1）RGB顏色空間。RGB顏色空間由三個(gè)要素組成，分別為紅色Red、綠色Green和藍(lán)色Blue。RGB顏色空間的示意圖如圖2所示。同一個(gè)物體，不同的光照條件下，在圖像上的顯示是不同的，RGB三個(gè)值都發(fā)生變化，所以RGB值就不能作為特征用于圖像分割。（2）HSV顏色空間。HSV顏色空間由三個(gè)要素組成，分別為色調(diào)、飽和度和亮度。HSV顏色空間的示意圖如圖3所示。亮度V指色彩的明亮程度。飽和度S指色彩中包含白光的程度。色調(diào)H指物體的顏色。HSV比RGB包含更多的信息。HSV是從人類的視覺(jué)角度設(shè)計(jì)的一種顏色空間。HSV顏色空間三個(gè)分量是相互獨(dú)立的，可以分別處理。HSV顏色空間符合人眼的視覺(jué)規(guī)律。人眼中兩種顏色的距離與HSV空間中兩種顏色的距離成正比，即色調(diào)H值的差。HSV顏色空間的三個(gè)屬性相互獨(dú)立，比RGB顏色空開更適合作為分類特征。顏色發(fā)生變化時(shí)HSV顏色空間中，只有H值改變。因此，本文采用HSV顏色空間，選取樣本圖片中每個(gè)像素點(diǎn)的HSV值作為樣本的特征點(diǎn)。（3）RGB空間到HSV空間的轉(zhuǎn)換。圖像傳感器采集到的圖像數(shù)據(jù)格式為RGB，需要轉(zhuǎn)換為HSV格式作為樣本特征。RGB轉(zhuǎn)HSV的公式為公式6、公式7和公式8。

2.3 實(shí)驗(yàn)

本文采集了六片葉子，其中三片為正常樹葉，另外三片為病斑樹葉。將這六片葉子截取10×10的圖片作為訓(xùn)練樣本，如圖4所示。其中1-3號(hào)為正常葉片取樣圖像，4-6號(hào)為病斑取樣圖像。圖4中葉子的每個(gè)像素點(diǎn)作為一個(gè)樣本點(diǎn)，訓(xùn)練樣本大小為600，其中300個(gè)是正例樣本，另外300個(gè)反例樣本，每個(gè)像素點(diǎn)的HSV三個(gè)值作為樣本的三個(gè)特征值。圖5為兩片具有病斑的植物葉子。利用訓(xùn)練函數(shù)訓(xùn)練好的SVM模型，對(duì)圖5進(jìn)行病斑分割，分割結(jié)果如圖6所示?？梢钥闯隼肧VM模型進(jìn)行植物病斑分割具有很好的效果。

3結(jié)束語(yǔ)

本文采用SVM方法替代bp神經(jīng)網(wǎng)絡(luò)方法進(jìn)行植物病斑區(qū)域分割。bp神經(jīng)網(wǎng)絡(luò)參數(shù)眾多，訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)需要大量的訓(xùn)練樣本。SVM使用少量樣本就能達(dá)到bp神經(jīng)網(wǎng)絡(luò)同樣的效果。采用SVM進(jìn)行植物病斑區(qū)域分割，魯棒性更高，計(jì)算量更小。

參考文獻(xiàn)：

[1]王小川.MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M]//北京航空航天大學(xué)出版社，2013.

[2]李海鵬.基于bp神經(jīng)網(wǎng)絡(luò)的植物病斑區(qū)域識(shí)別[J].科技創(chuàng)新與應(yīng)用，2016（03）：38.

[3]薛志東，王燕，李利軍.SVM圖像分割方法的研究[J].微計(jì)算機(jī)信息，2007，23（24）：306-308.

[4]陳來(lái)榮，冀榮華，徐宇.基于支持向量機(jī)的車牌字符識(shí)別[J].公路交通科技，2006，23（5）：126-129.

[5]李海鵬.基于ARM的類人足球機(jī)器人視覺(jué)研究[D].秦皇島：燕山大學(xué)，2013.endprint