基于SVM的植物病斑區域分割

摘 要：利用計算機視覺技術進行植物病斑快速分割，具有分割精度高，分割速度快的特點。基于bp神經網絡的植物病斑分割方法，具有需要大量的訓練樣本的缺點。文章采用SVM方法進行植物病斑分割，該方法能夠在小樣本上，取得與bp神經網絡相當的效果。

關鍵詞：SVM；植物病斑區域分割；方法

中圖分類號：TP391.41 文獻標志碼：A 文章編號：2095-2945（2017）36-0004-02

引言

農作物病害，直接影響到農作物產量和質量。農民不是病害專家，一旦病害發生，農民自己不能對病害的種類作出準確判斷。農業專家沒有時間和精力隨時對每一個農民進行指導。農民只能自己主觀的判斷，經常發生誤判，造成經濟損失，過多的使用農藥，還會造成不必要的環境污染。植物病害的癥狀最先表現在植物的葉子，觀察植物的葉子是植物病害診斷的重要方式。計算機視覺技術飛速發展，將計算機視覺技術應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包括：基于閾值的分割方法，基于區域的分割方法，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域[2]。基于bp神經網絡的植物病斑分割方法具有需要大量的訓練樣本的缺點。本文采用SVM方法分割植物病斑圖像。SVM方法對小樣本非線性分類問題表現優異。

1 SVM簡介

SVM是Support Vector Machine的英文縮寫，中文稱作支持向量機。美國科學家Corinna Cortes和Vapnik于1995年提出了支持向量機的概念[3]。SVM能夠很好地解決小樣本問題、非線性及高維模式分割問題[4]。bp神經網絡具有很多參數，訓練bp神經網絡需要大量訓練樣本。采集樣本數據，需要投入大量的時間和成本。所以本文采用SVM方法進行植物病斑區域分割。支持向量機的理論基礎是統計學習理論，更精確的說，支持向量機是結構風險最小化的近似實現[1]。支持向量機具有以下優點[1]：通用性：能夠在很廣的各種函數集中構造函數；魯棒性：不需要微調；有效性：在解決實際問題中總是屬于最好的方法之一；計算簡單：方法的實現只需要利用簡單的優化技術；理論上完善：基于VC維推廣性理論的框架；支持向量機的體系結構如圖1所示。

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

2 支持向量機植物病斑分割

2.1 LIBSVM工具箱

LIBSVM工具箱是臺灣大學林智仁教授開發的一個軟件包，提供免費下載。LIBSVM支持Python，R，Matlab，Perl，Ruby等編程語言。

SVM模型需要確定很多超參數，例如：核函數類型。確定這些超參數沒有特別有效的辦法，只能憑借經驗不斷的嘗試。LIBSVM工具箱最大的優點是使用默認的參數就能取得很好的實驗效果，節省工作量。

LIBSVM的工具箱函數包括訓練函數和預測函數[1]：

訓練函數：model=svmtrain（train_label， train_data， options）；

train_data是訓練集數據，數據類型為double；train_label是訓練集標簽，數據類型為double；options是可選參數；model是訓練得到的模型。

預測函數：[predict_label，accuracy/mse，dec_value]=svmpredict（test_label， test_data， model）

test_data是測試集數據，數據類型為double；test_label是測試集標簽，數據類型為double； predict_label為預測結果；accuracy/mse分類準確率；dec_value決策值。

2.2 選擇顏色空間

光學傳感器采集的植物葉片圖片容易受光照強度影響，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顏色空間由三個要素組成，分別為紅色Red、綠色Green和藍色Blue。RGB顏色空間的示意圖如圖2所示。同一個物體，不同的光照條件下，在圖像上的顯示是不同的，RGB三個值都發生變化，所以RGB值就不能作為特征用于圖像分割。（2）HSV顏色空間。HSV顏色空間由三個要素組成，分別為色調、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是從人類的視覺角度設計的一種顏色空間。HSV顏色空間三個分量是相互獨立的，可以分別處理。HSV顏色空間符合人眼的視覺規律。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H值的差。HSV顏色空間的三個屬性相互獨立，比RGB顏色空開更適合作為分類特征。顏色發生變化時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像素點的HSV值作為樣本的特征點。（3）RGB空間到HSV空間的轉換。圖像傳感器采集到的圖像數據格式為RGB，需要轉換為HSV格式作為樣本特征。RGB轉HSV的公式為公式6、公式7和公式8。

2.3 實驗

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的圖片作為訓練樣本，如圖4所示。其中1-3號為正常葉片取樣圖像，4-6號為病斑取樣圖像。圖4中葉子的每個像素點作為一個樣本點，訓練樣本大小為600，其中300個是正例樣本，另外300個反例樣本，每個像素點的HSV三個值作為樣本的三個特征值。圖5為兩片具有病斑的植物葉子。利用訓練函數訓練好的SVM模型，對圖5進行病斑分割，分割結果如圖6所示。可以看出利用SVM模型進行植物病斑分割具有很好的效果。

3結束語

本文采用SVM方法替代bp神經網絡方法進行植物病斑區域分割。bp神經網絡參數眾多，訓練bp神經網絡需要大量的訓練樣本。SVM使用少量樣本就能達到bp神經網絡同樣的效果。采用SVM進行植物病斑區域分割，魯棒性更高，計算量更小。

參考文獻：

[1]王小川.MATLAB神經網絡43個案例分析[M]//北京航空航天大學出版社，2013.

[2]李海鵬.基于bp神經網絡的植物病斑區域識別[J].科技創新與應用，2016（03）：38.

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

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

[5]李海鵬.基于ARM的類人足球機器人視覺研究[D].秦皇島：燕山大學，2013.endprint