基于計算機視覺的水稻病害診斷

韓尚君

（寶雞市渭濱中學，陜西寶雞，721000）

0 引言

當今國內農民素質普遍不高，所以對于田間病害的判斷力和解決能力并不是很好，加上我國對于基層農建科研人員的投入不高，導致其人才年年流失，所以，我認為及時的推廣計算機技術和將其與水稻病害的診斷和防治結合還是一個重要的研究話題。

當前把數字圖像處理技術和農產品相關研究已經結合研究的課題有：種子質量的檢測、農作物病蟲害判斷、農作物生產品質判斷，其中本課題研究的是關于農作物病害判斷的課題，現在有許多作物以及被涉及過，如：玉米、小麥、甘蔗、黃瓜等，也出現了一些優秀的研究結果：例如楊紅珍等人在2008年對昆蟲圖像進行基于顏色和形狀上的特征提取，然后通過特殊方法進行分類，準確率高達96%，朱登勝等人同在2008年提出一種基于多光譜算法的雜草新算法，準確率達91%，為田間識別雜草提出了新的思路。但是水稻方面卻很少有人涉及課題。

所以依據上文，本研究順應的計算機技術與圖像技術發展的應用要求，也使得現代農業自動化有了新血液，發展精準的檢測技術，既可以讓農民更加精準的施用農藥，減少其成本的浪費和對作物質量的影響，也可以提高效率，減少人力的流失。同時也彌補了現代農業中農民素質上不足所帶來的不利部分，使得非專業人員可以在沒有專業人員輔導的情況下，可以快速處理田間的病害情況，降低生產中病害造成的損失。同時保護了環境，提高了土壤的優質性，從而增長了土地的利用率，符合我國可持續發展戰略的基本要求。也間接的提高了蔬菜的生產質量，符合我國的食品安全和綠色食品的要求。也為后續的研究提供的一些啟迪，其意義深刻。

1 正文

1.1 圖像濾波處理

因為所有的檢測圖像都是從田間的自然環境下采集的，所以難免會受到雨水、殘渣、風力的影響，有可能也會因為拍攝的角度而影響，產生噪聲，圖像的穩定性并不可以保障。所以，獲取拍攝后圖像的第一個流程就是進行圖像的濾波處理，盡量去降低噪聲對圖像產生的影響，避免影響到后期識別。

圖像的噪聲可以像聲音噪聲那樣理解為“妨礙人們識別圖像接收和理解的因素”，在圖像處理時，圖像的采集和傳輸都會產生噪聲特征，但其實噪聲并不只是我們感官上的模糊和撕裂，而是在圖像處理過程之中才可以發現的。其中，我們在處理噪聲的時候，通常是以空間域和濾波器為基礎的，其中空間域的處理可以以以下公式定義：

其中的(x,y)是對領域中需處理一點f的定義，而T就是把f(x,y)變為g(x,y)的操作，用語言解釋就是這樣的：建立一個濾波器的模型，然后把需要處理的點f(x,y)放在其中點，然后讓濾波器進行一個方向性的濾波處理。常用的濾波器有兩種分類：線性和非線性，其中有兩種較為適合本研究的方法：加權均值濾波器（線性）和中值濾波器（非線性），其中的加權均值濾波器就是把包含在濾波器鄰域內的像素的平均值在乘以中間需要平滑的像素點的權重數，其可以減小圖像灰度的“尖銳“變化，減小噪聲，但容易造成邊緣模糊的問題，而中值濾波器，就是用像素的鄰域內排列后的中間值代替該像素，所以這種濾波器可以在去除噪聲的同時，較好的保留邊緣的銳度，這一點是優于均值濾波器的，并且還可以的有效去除脈沖噪聲，可以更加清晰的保圖像的細節，方便之后的診斷，所以本研究優先選擇中值濾波器。

1.2 圖像銳化

圖像銳化技術分為兩種：一是在空間域上的代數運算和點運算，高通濾波則是對于頻率域的一種圖像增強技術，而其中的高通濾波恰恰可以在中值處理之后處理其造成的葉片邊緣模糊問題，濾去低頻率的部分，突出圖像中的葉片邊緣。其原理就是把圖像由空間域轉化為頻率域，完成處理之后再把圖像由頻率域轉化回空間域，從而完成圖像的處理。對于圖像來說，其病害邊緣輪廓部分就是高頻部分，變化較快，因此我們可以采用高通濾波器來進行圖像銳化，使邊緣更加突出，具體步驟如下：

(1)：輸入圖像f(x,y)（此時圖像為空間域）；

(2)：進行傅里葉變換使其由空間域形式變為頻率域形式；

(3)：用高通濾波器進行處理；

(4)：反傅里葉變換使其由頻率域形式變回空間域形式；

(5)：得到新的增強后圖像g(x,y)。

對于新圖像而言，高通濾波解決掉是去噪造成的模糊問題，而且可以突出物體的邊緣，增加圖像的層次，突出需要檢測的東西，進一步處理圖像，為下面的研究步驟做鋪墊。

1.3 圖像分割

圖像分割的基本概念就是把圖像中具有特殊涵義的不同區域分開來，這些區域是互不相交的，每個區域都滿足特定區域的一致性。后文的特征提取就是非常依賴圖像分割的處理的，本文中運用的是圖像分割技術中的最優閾值分割法。

最優閾值分割法的基礎原理就是把在一個物體上的像素歸為統一，進行標記，以清晰的展示圖像的每一部分，在實驗中。更加明確了需要研究的病害部分，為下面最后的研究提供一個深刻的基礎。

本文中取最優閾值的方法是最大類間方差法，具體原理推導如下：首先把圖像分為兩個區域，需要研究的區域和背景區域，然后分別算出其兩個區域內平均的灰度值，再算出所有像素點的灰度平均值，最后利用方差公式把三者進行計算，計算出的方差就是最優閾值。

進行完最優閾值的選取之后，再使用二值法對圖像進行處理，具體過程如下：把圖像中所有像素點中大于我們取得的最閾值的灰度值全部變為255(白)，小于其的全部變為0(黑)，這樣就完成了我們對圖像需要研究部分和背景的分割，使得圖像更加簡化且易分析。

1.4 特征提取

顏色特征提取：顏色特征是一種直觀而明顯的圖像特征，對圖像本身的拍攝角度要求不高，所以在各個圖像處理應用較多。而顏色模型中有兩種在本研究中使用，一種為RGB顏色模型，一種為HSI顏色模型，H、S、I分別代表色度、飽和度和亮度。HSI模型和RGB模型相比，HSI模型更符合人眼對色彩的識別并且分辨圖像其中的信息，所以我們對于顏色特征提取的研究方法如下：

首先把RGB模型轉化為HSI模型，然后對其進行向顏色直方圖的轉換（顏色直方圖可以表示顏色在圖像中的分布情況），然后再通過對顏色直方圖的識別進行對圖像顏色上的區分。

形態特征提取：我們對于一個圖像的形態特征的定義就是對于一條封閉線形成的圖形形態特點，所以恰巧可以彌補顏色特征提取的不確定性，而對于水稻病害來說，不同的病害具有不同的形態，也就是存在一定的差異性，而二值化后的圖像一般占用空間小，形態特征清晰，極大的減少了數據量，從而減少了計算量也就是減少了計算機反應時間，所以通常對于形態特征的數據處理都是基于二值化圖像進行的，而在上一步的圖像分割中，我們已經把普通圖像處理為二值化圖形，而二值化后圖像的形態特征在本研究中靠這幾個特點來進行區別：

(1)矩形度：矩形度的定義為物體的面積與物體最小外接矩形的面積之比。在進行圖像拍攝時，通常會因為拍攝角度不同所以影響面積大小，從而不可與其他圖像進行單純的面積比對，而矩形度就不會存在這個問題，它是一個不受此影響的比值，所以，其對圖像大小以及拍攝方向的要求并不嚴苛，可以較好的用來描述病害的斑點的形態特征。

(2)緊湊度：緊湊度是關于一個物體邊緣的平滑程度的量，其與面積也有一定相似，邊長并不可直接作為比較依據，而需用緊湊度來表示，緊湊度的定義式可以寫為：

緊湊度=1-4π×圖像面積÷圖像周長的平方此式可以由關于圓的公式推得，緊湊度越接近0，這個圖像越接近圓形，其邊緣越平滑，四周越均勻，并且緊湊度與旋轉或縮放基本無關，所以緊湊度也是一個很好的描述病害特征的值。

進行完這兩個特征值的計算之后，再與幾種病害的大約值進行比對，這樣就可以縮小病害的范圍，再把前面的顏色特征與各個病害的顏色特征值的大約范圍對比，也可以縮小范圍，最后，再把兩個范圍進行重合取交集，就可以得到最后分析的病害種類。

2 創新點/裝置功能

本研究的創新點在于：

(1)把圖像處理技術與水稻病害的檢測而鏈接，使農業與科技緊密聯合，讓農民們的生活更加貼近自動化的現代社會，為農民省心省力省錢。

(2)將數字圖像處理應用在農業領域，順應的當前精準農業和科學務農的發展潮流，同時為以后智能農業的發展提供數據支持。

(3)在特征提取時使用了形狀和顏色分別考慮，比對結果的方法，使此研究所實現的裝置在實際運用時測量更加的精準。

(4)在研究實現的裝置中會把每一次的檢測數據上傳云端，并接受使用反饋，可以進行一個大數據分析，以此來改進檢測方案，增加裝置的用戶體驗。