基于GLCM 紋理特征提取的黃瓜葉部病害檢測算法研究

李亞文，劉愛軍，陳 垚

（商洛學院電子信息工程與電氣工程學院/商洛市智慧農業與技術應用研究中心，陜西 商洛 726000）

大多數患病植物的癥狀均會在植物的葉片上表現出來，導致植物的內在以及外部均發生改變［1］，例如，植物病害葉片的顏色發黃或變為黃褐色，葉子的紋理結構和形狀發生變化［1，2］。所以，通過提取圖像的形狀、顏色及紋理等特征，就可以檢測出植物病害的情況。1996 年 Ahmad 等［3］通過彩色圖像信息的變化得出玉米葉片在缺氮和缺水情況下色彩特征微變，把它作為決定是否施用氮肥和灌溉的一個標準。2005 年程鵬飛［4］利用灰度共生矩陣來展現病害紋理特征，把葉片的能量、慣性矩、熵、均勻性等作為其統計特征。2007 年鄭世茶等［5］提出了基于形態特征棉花病害葉片的識別，提取的特征參數包括孔洞個數和面積、葉片面積、細化長度、腐蝕次數，把它們的比值作為植物病害識別的依據，最終得到不同的識別率。王玉德等［6］將紋理特征和顏色特征有效組合在一起，進行圖像分割研究。本研究以檢測植物葉部病害為研究目標，以黃瓜葉部炭疽病圖像為研究對象，利用K-means 聚類算法進行圖像閾值分割，并利用灰度共生矩陣提取紋理特征參數，分析植物葉部病害情況。

1 紋理特征

1.1 紋理特征

紋理特征是一種全局特征，它描述了圖像或圖像區域所對應景物的表面性質，常具有旋轉不變性，并且對噪聲有較強抵抗能力的特點［7］。基于統計方法中的灰度共生矩陣，獲取相關紋理特征參數，是一種高效的方法，其主要參數包括4 個：能量均值、熵均值、對比度均值和相關均值。通過提取預處理的植物葉部病害圖像的紋理特征，將提取的病害圖像紋理特征作為檢測算法的訓練樣本，通過多次的樣本訓練，將訓練后的檢測算法用于檢測剩余未用于訓練的樣本，得出植物病害的檢測結果。

1.2 K-means 圖像分割算法思想

K-means 算法是一種基于區分的經典聚類算法［8］。K-means 算法的基本思想是：以空間中k個點為中心進行聚類，對最近的對象進行分類。通過重復的方法，每個組的中心值都被更新了一次，直到得到最好的結果［9］。

K-means 算法接受k參數，隨后將先輸入的n個數據劃為k個類，以便所獲得的聚類滿足，同一聚類中的數據相似度越高，不同聚類中的對象相似度就會越小。聚類相似度是依據各聚類中數據的均值所獲得一個“中心對象”（引力中心）來進行計算的。

用表達式表示，假設簇劃分為（C1，C2，…，Ck），則目標是最小化平方誤差E，

其中，μi是Ci的均值向量，也稱為質心，表達式為

K-means 算法分為3 個步驟：

①為即將聚類的點找到聚類中心；②計算每個點到聚類中心的距離，將每個點聚類到離該點最近的聚類中去；③計算每個聚類中所有點的坐標平均值，并將這個值作為新的聚類中心。

反復執行②、③，直到聚類中心不再進行大規模移動或者聚類的次數達到要求為止。

2 基于GLCM 的紋理特征提取

2.1 灰度共生矩陣

灰度共生矩陣法（GLCM，Gray-level co-occurrence matrix）是通過計算經過灰度化的灰度圖像中的像素點灰度，得到一個灰度共生矩陣，然后通過計算該矩陣，便能得到一部分特征值［10］。灰度共生矩陣的定義是像素對的聯合概率分布，這個矩陣是一個對稱矩陣。它能反映圖像的灰度在相鄰的方向、間隔上的變化幅度等綜合信息，并可以反映相同灰度級的像素之間位置分布特征，這是計算圖像紋理特征的基礎。

在圖像中任意取一點(x,y)及偏離它的一點(x+a,y+b)（其中，a、b為整數），人為定義構成點對。設該點對的灰度值為(f1,f2)，再令點(x,y)在整幅圖像上移動，則會得到不同的(f1,f2)值。設圖像的最大灰度級為L，則f1與f2的組合共有L×L種。對于整幅圖像，統計出每一種(f1,f2)值出現的次數，然后排列成一個方陣，再用(f1,f2)出現的總次數將其歸一化為出現的概率P(f1,f2)，由此產生的矩陣為灰度共生矩陣。θ方向上的間隔為d的灰度共生矩陣實際上是θ方向間隔為d的灰度變化量的聯合概率分布。

灰度共生矩陣理論的研究人員用灰度共生矩陣提出了14 種特征值，但因為共生矩陣的計算量非常大［11］，因此為了簡便，本研究采用4 個有代表性且常用的紋理特征。

能量是共生矩陣內元素的平方和，表明目標圖像灰度的分布是否均勻、程度如何以及紋理粗細程度。

對比度表示矩陣內的值如何分布，表明目標圖像的清晰程度和紋理的深淺程度。

3）相關度：

相關度表示灰度共生矩陣內的元素相似程度。

熵表示目標圖像的紋理隨機性。灰度共生矩陣的所有特征數據取得最大值，說明圖像紋理分布均勻；如果取得最小值，說明圖像紋理分布不均勻。求出該灰度共生矩陣各個方向的特征值后，再對這些特征值進行均值和方差的計算，這樣處理可以消除方向分量對紋理特征的影響。

2.2 特征提取步驟

基于GLCM 算法提取植物病害圖像紋理特征主要包括4 個步驟：①獲取目標圖像與預處理；②利用K-means 進行病害圖像的閾值分割，數據訓練；③通過GLCM 算法提取圖像病害紋理特征；④分析紋理特征參數，判斷植物病害情況。

采樣目標樣本后進行圖像的預處理，包括去噪、分割和灰度化等，再分別進行基于GLCM 的紋理特征提取，最后進行紋理特征檢測，并進行總結分析。如圖1 是基于紋理特征的植物病害檢測流程。

圖1 基于紋理特征的植物病害檢測流程

3 基于紋理特征提取的黃瓜葉部病害檢測

3.1 紋理特征提取的仿真實現

1）目標圖像獲取與去噪。試驗以黃瓜葉部病害炭疽病為例，仿真試驗環境在MATLAB2017b 中進行。通過前期采集篩選得到9 張較合格的黃瓜葉部圖片。圖2 為9 張待檢測的黃瓜葉部樣本圖像，圖3為去噪后的9 張黃瓜炭疽病樣本。

圖2 黃瓜葉部樣本圖像

圖3 去噪后黃瓜炭疽病樣本

2）圖像分割。基于K-means 聚類植物葉部病害檢測與實現的原理如圖4 所示。首先需獲取植物葉部正常圖像和病害圖像，對其進行圖中無關信息預處理；再運用K-means 聚類分割算法對處理后的植物葉部病害圖像進行病斑分割，得到只含有病斑的圖像信息；轉換顏色空間，分別提取植物葉部正常圖像和分割后的植物葉部病害圖像顏色特征的顏色矩低階矩陣；最后對獲取的大量病害圖片進行訓練，以得到病害的檢測效率。由于受植物圖像數據庫的影響，本研究決定將葉部病害圖像的低階矩各參數和正常葉部圖像的低階矩陣各參數值域進行對比，從而實現檢測的目的。

圖4 算法檢測與實現原理

基于K-means 的分割方法是從x個數據中選擇出y個數據對象作為初始的聚類中心；沒有選擇的剩余數據就會根據各自與這些確定的初始聚類中心相似的程度，將自己分配到最相似的類別中，然后計算每個聚類中數據的平均值，以上過程會重復數次，直到聚類效果達到最佳。一般使用均方差作為標準測度。目標圖像經過分割就可以將無病害區域和病害區域區分開來。圖5 為分割后黃瓜炭疽病葉片無病害區域圖像，圖6 為分割后黃瓜炭疽病葉片病害區域圖像；圖7為灰度化后的黃瓜炭疽病葉片無病害區域，圖8為灰度化后的黃瓜炭疽病葉片病害區域。

圖5 分割后黃瓜炭疽病葉片無病害區域

圖6 分割后黃瓜炭疽病葉片病害區域

圖7 灰度化后的黃瓜炭疽病葉片無病害區域

圖8 灰度化后的黃瓜炭疽病葉片病害區域

3.2 紋理特征參數提取

表1 為分割后的9 張植物葉部無病害區域圖像的紋理特征。表2 為分割后的9 張植物葉部病害區域圖像的紋理特征。

表1 植物葉部無病害區域紋理特征

表2 植物葉部病害區域紋理特征

4 仿真結果與分析

1）根據提取的紋理特征中能量均值數據，統計了無病害區域能量均值和病害區域能量均值的范圍（表3）。由表3 可知，無病害區域圖像的能量均值范圍為0.370 013～0.574 460，病害區域圖像的能量均值范圍為0.421 948～0.601 150。相比之下病害區域能量更大，而能量大、圖像紋理變化比較穩定，說明病害區域的面積比無病害區域的面積小，符合狀態。

表3 無病害區域與病害區域能量均值范圍

2）根據提取的紋理特征中熵均值數據，統計了無病害區域熵均值和病害區域熵均值的范圍（表4）。由表4 可知，無病害區域圖像熵均值范圍為1.081 558～1.694 984，病害區域圖像熵均值范圍為0.750 277～1.349 141。相比之下病害區域熵更小，而熵越小、圖像越簡單，說明病害區域因為面積小，復雜程度低，符合狀態。

表4 無病害區域與病害區域熵均值范圍

3）根據提取的紋理特征中對比度均值數據，統計了無病害區域對比度均值和病害區域對比度均值的范圍（表5）。由表5 可知，無病害區域圖像的對比度均值為1.068 083～2.251 364，病害區域圖像的對比度均值為0.829 632～1.403 083。相比之下病害區域的對比度更小，說明病害區域的溝紋淺，更模糊，符合狀態。

表5 無病害區域與病害區域對比度均值范圍

4）根據提取的紋理特征中相關均值數據，統計了無病害區域相關均值和病害區域相關均值的范圍（表6）。由表6 可知，無病害區域的相關均值為0.020 952～0.029 294，病害區域的相關均值為0.017 890～0.024 268。相比之下病害區域的相關更小，說明病害區域因為病害病斑的影響，矩陣元素值不均勻，符合狀態。

表6 無病害區域與病害區域相關均值范圍

5 結論

本研究分析了基于紋理特征的黃瓜葉部病害檢測算法。以黃瓜炭疽病為例，選取了9 張黃瓜葉片圖像，進行預處理和圖像閾值分割，再基于GLCM 算法提取圖像病害紋理特征，包括能量均值、熵均值、對比度均值和相關均值等4 種參數；并根據參數訓練的無病區域和病害區域范圍，判斷黃瓜葉部是否有炭疽病。結果表明，該4 組參數能準確地分析黃瓜葉部病害情況且算法效率高，魯棒性較好，為農業植物保護和植物病蟲害研究提供了技術支持。