番茄不同病害類型的圖像特征精準識別仿真

趙子皓，楊再強

(南京信息工程大學氣象災害預報預警與評估協同創新中心，江蘇 南京 210044)

1 引言

番茄是一種常見的蔬果，在全國各地普遍種植，其品質與產量是人們最關心的問題。在番茄生長過程中，受到環境、氣候等因素影響，會出現不同病癥，降低產量，造成經濟損失。所以，番茄病害防治尤為重要。以往的防治工作通常憑借菜農經驗進行判斷，主觀性強且精度高，能起到病蟲害防治效果，但人工能力有限，檢測效率完全不能滿足實際需求，普適性較差，難以在短時間內制定針對性強的防治措施，容易耽誤最佳防治時間。

為解決上述問題，有關學者紛紛將現代化技術應用到番茄病害防治中。例如，胡志偉[1]等人研究一種注意力機制番茄病害識別算法。利用多層注意力模塊，分層提取病害分類信息；建立殘差模塊融合特征模型，引入數據擴充技術完成番茄病害圖像識別。柴帥[2]等人利用遷移學習機制對番茄病蟲害進行檢測。通過圖像預處理，增強圖像質量，使用訓練成熟的多結構卷積神經網絡模型提取病害特征，采用支持向量機分類病害特征，達到病害識別目的。

由于番茄不同病害類型表現出的特征具有相似性，導致以上方法識別精度較低。因此，本文利用構造性核函數算法識別番茄病害圖像。該方法是神經網絡[3]與支持向量機[4]的融合，可有效處理高維數據，最大特點是將數據映射到核空間內，并在該空間使用覆蓋算法求解。因結合了全局最優思想，使覆蓋鄰域減少，不但識別過程簡單，得出的結果也更為精準。

2 番茄病害圖像預處理

圖像預處理要求保證原有信息不發生改變，僅在視覺上改善畫質，提高可識別性。圖像去噪是預處理的主要內容，指將圖像干擾噪聲去除，增強信噪比。

2.1 均值濾波

均值濾波[5]是在像素空間域基礎上完成的，通過獲取像素點加權平均值來抑制圖像噪聲。將像素大小設置為M×N，圖像中心點表示為(x，y)，該點的周圍點叫做鄰域，計算(x，y)鄰域中全部點灰度值的平均值，并替換(x，y)點的初始像素值，表達式為

(1)

式中，x=0，1，…，M，y=0，1，…，N-1，S表示圖像內全部點坐標集合，M為全部坐標點，f(x，y)描述初始圖像噪聲點，經過平滑處理的噪聲點g(x，y)由式(1)得出。

2.2 開閉運算

開、閉運算是由腐蝕、膨脹運算發展而來的，主要作用是去除孤立點，減少毛刺，抑制邊界模糊[6]。其中，開運算過程為先腐蝕、后膨脹，表達式如下

X°B=(XΘB)⊕B

(2)

上述公式代表元素B對圖像X進行計算，經過計算后，結構集合中的元素必須大于計算前。閉運算表達式為

X·B=(X⊕B)ΘB

(3)

式(3)與式(2)具有對偶關系。

2.3 圖像分割

本文使用最大類間方差法分割圖像，該方法結合圖像灰度值，將圖像分割成背景、目標兩個區域，更有利于圖像識別[7]。背景與目標之間的灰度值類間方差決定二者誤判率，方差越大，二者差距越顯著。分割過程如下

設置目標圖像灰度值，通常為0～(L-1)，假設圖像某點坐標為(x，y)，其鄰域平均灰度值H(x，y)的計算公式如下

(4)

式中，B代表鄰域寬度，F(x，y)為圖像出現幾率。如果圖像像素表示為(M×N)，點(x，y)的概率密度[8]表示為

L(x，y)=F(x，y)/(M×N)，0

(5)

(6)

為方便理解，使用二維直方圖描述目標與背景之間的關系，假設(S′，T)是直方圖中的閾值，A′與B′分別代表背景與噪聲，C與D分別表示邊緣部分與目標，背景與目標出現的幾率分別記作b0和m1[9]。

(7)

(8)

如果不考慮噪聲影響，b0+m1=1，目標與背景的整體均值表達式為

(9)

因此，獲得目標、背景之間的閾值表達式

Q=b0[(R0x-Zx)2+(R0y-Zy)2]

+m1[(R1x-Zy)2+(R1j-Zy)2]

=[b0(S′，T)Zx-Rx(S′，T)2+(b0(S′，T)Zy)-

Ry(S′，T)2]/[b0(S′，T)(1-b0)(S′，T)]

(10)

利用上述公式計算圖像中的全部像素點，即可實現目標與背景分離。

3 基于構造性核函數的病害圖像識別

3.1 病害特征提取

經過圖像預處理后，畫質得到增強，通過特征提取能獲得更多的病害特征。本文通過對番茄葉片顏色、形狀特征的提取，將其作為識別依據，提高識別精度。

3.1.1 顏色特征

與其它特征相比，顏色特征更加直觀，且對方向、形狀具有不敏感特點，僅需要將圖像顏色特征轉換為數值形式即可，本文利用直方圖完成顏色特征提取。通過直方圖形式描述不同顏色像素數量占整體圖像像素總量大小。其中，直方圖橫軸表示顏色等級，縱軸則是顏色比例[10]。直方圖不但可以體現出顏色大小，還能表現出顏色種類等信息。

直方圖的構建需選取恰當的顏色空間，保證信息表達的完整性，RGB(紅、綠、藍)為一種常用的描述方式，利用RGB空間提取顏色特征的模型可表示為

(11)

(12)

(13)

3.1.2 形狀特征

利用相關經驗，結合病斑形狀特征區分病害種類，再將先驗知識變換為計算機可識別的語言，通過計算機給出病害判斷結果，這是現階段農業領域發展的主要趨勢。番茄病害區和正常區域相比，病斑形狀較為明顯，針對圖像而言，形狀特點屬于物體本質特征，不會受到旋轉、平移等操作影響。但是在檢測形狀特征時，由于形狀的局限性與相似性，會干擾視覺判斷結果。

本文將形狀特征分為輪廓特征與紋理特征兩種。前者是對目標邊界進行分析，后者則需仔細探究病斑區域紋理細節。

1)邊界特征提取

此方法描述目標邊界特征，將獲得的結果當作形狀特征參數。經過Hough變換[11]，連接全局特征與目標部分特征的邊界像素，構成封閉區域；構建邊界部分大小和方向的直方圖，根據該圖即可獲取邊界特征。

2)紋理特征提取

與邊界特征不同的是，紋理特征能反映目標形狀以及更加深層的信息[12]。如果只依靠視覺，一些紋理特征無法提取。因此，需要通過計算機技術，處理圖像內部灰度，再將處理后的信息變換為語言。紋理與色彩特征不同，它并不是在某個像素點的基礎上完成計算，而是針對多個像素點。即使紋理特征在旋轉等作用下不會發生改變，但易受光照等條件影響，改變分辨率，降低特征提取準確性。

為避免上述現象發生，使用灰度級共生矩陣提取紋理特征。此矩陣表示一種概率，即灰度值為v的像素點在長度是d′、方向是θ上生成灰度值是j的幾率，也可以當作對圖像灰度值概率密度的預測，共生矩陣能夠最大程度體現像素點的紋理特征。本文結合矩陣對比度、相關性、能量等變量完成紋理特征提取。

已知某圖像X的像素為M×N，灰度級設置為G′級，則圖像共生矩陣表示為

P(x，y，d′，θ)=P(I(l，w))

=(l+d′cos(θ)，w+d′sin(θ)=y)

(14)

式中，I(l，w)表示像素點(l，w)的灰度，d′為點(x，y)存在的距離，θ屬于兩點之間夾角。如果P為G′×G′結構的矩陣，此時d′與角度θ一經確定，不同角度下的共生矩陣，即可結合兩點之間的距離和夾角計算得出。為方便矩陣計算，一般選取的夾角度數為θ={0°，45°，90°，135°}，因此有

(15)

最后，歸一化處理不同灰度共生矩陣即可實現紋理特征提取。

3.2 核空間內番茄病害圖像識別實現

經過圖像預處理和特征提取后，以提取的病害特征為依據，引入核函數，建立覆蓋領域，實現病害圖像識別。

若已知某圖像的輸入集合表示為K={(x1，y1)，(x2，y2)，…，(xp，yp)}，其中K代表n維空間中像素點集合，集合中樣本數量為p。將K分割成ζ個子集合，構建三層網絡N*，令其符合如下要求：經過該網絡后，屬于Ki′的點輸出值均為yi′，且yi′=(0，…，1，0，…，0)，即第i′個分量等于1，其它分量等于0。則利用構造性核覆蓋算法識別病害圖像的過程如下：

任意選擇某核函數K(x，y)，做如下變換

T′：O→Z，x∈O，〈T′(x)，T′(y)〉=K(x，y)

(16)

整個轉換過程可描述為：在n維超平面O中，變換T′將O平面上的點映射在p核空間中，則核空間輸入集合表示為pT′，此種變換具有一一對應特征。

在核空間中，設定輸出集合Y的前a個值都不同，經過上述變換后，能夠計算出核空間內的覆蓋Ci′，計算過程如下

步驟一：在樣本集合內任意挑選一個xi′，確保xi′∈pT′，且同時滿足如下條件

(17)

(18)

(19)

(20)

結合xi′與di′建立覆蓋Ci′，此覆蓋中心是xi′，覆蓋半徑為di′。

步驟二：建立覆蓋后，刪除pT′中已經被Ci′覆蓋的點，再從pT′內選出一個覆蓋中心，經過多次操作后，直到所有點均被刪除后，整個覆蓋領域建立，也就完成了對所有病害圖像的識別。該方法增加了求優過程，且先從局部區域考慮覆蓋問題，由局部向整體延伸，保障了識別的全面性，提高了識別精度。

4 仿真數據分析與研究

仿真中，選取下述三種典型的番茄病害類型為識別目標，病害特征描述如下。

1)白粉病：雖然危害不高，但分布范圍廣。一般表現為在番茄葉片上生成細小粉斑，到后期會擴展成白粉斑，且粉狀越來越密集，逐漸遍布整個葉片。

2)番茄疫病：病害初期在葉片上形成圓斑，逐漸發展為不規則病斑，由中心向外擴散，當空氣潮濕時還會出現黑霉。

3)黃化曲葉病：前期癥狀為葉片皺縮并伴有發黃現象，使植株發育矮小。該病害通常在開花結果時間段發病，到后期整個葉片都會發黃，且葉片卷曲，嚴重時還會出現腐爛癥狀。

本次實驗共采集番茄病害葉片圖像700幅，其中，健康圖像100幅，白粉病、番茄疫病、黃化曲葉病各200幅。首先對本文方法、注意力機制算法、遷移學習機制三種算法的圖像預處理效果進行對比。選取四幅不同類型番茄葉片圖像，預處理結果分別如圖1-4所示。

圖1 初始圖像效果

圖2 本文方法圖像預處理效果

圖3 注意力機制預處理效果

圖4 遷移學習機制算法處理效果

由圖1-4能夠看出，本文方法圖像預處理效果最好，圖像畫質得到明顯改善。注意力機制算法雖然也得到了清晰的番茄葉片圖像，但葉片細節特征無法顯現；遷移學習機制對圖像邊緣部分處理不夠完善，且在部分圖像中還會遮擋葉片主要特征。本文之所以得到質量較高的圖像是因為，均值濾波算法能夠有效去除圖像噪聲，再通過最大類間方差法實現背景分離，進一步提高畫質。

經過圖像處理后，對這些圖像進行病害識別，引入平均識別率指標來驗證三種算法識別性能，該指標值越高，表明識別效果越好。計算公式如下

(21)

圖5 不同方法識別效果對比圖

分析識別結果可以發現，本文方法無論對于哪種病害圖片，識別率都在95%以上。而其它兩種對于白粉病的識別率較低，這是因為白粉病在初期癥狀較輕，白點較小，如果圖像清晰度不夠難以識別出來。

本文方法預處理后的圖像信噪比高，從多方面完成特征提取，再加上構造性核覆蓋算法添加了合適的核函數，實質就是增加一次尋優操作，使識別劃分邊界更加清晰，進而提高識別效果。

5 結論

為提高番茄病害識別效果，構建一種基于構造性核函數的病害圖像識別方法。在識別開始之前，對圖像進行去噪處理，提高信噪比，再通過多方位特征提取，獲取各類病害特征，最后在核空間內完成圖像識別。仿真結果證明了該方法可以準確識別出番茄各類病害，為病害治理提供依據。但本次實驗樣本容量范圍小，獲取的結果還有待提升。在今后研究中挖掘更多病害樣本，針對大容量樣本開展實驗，進一步證明該方法在病害識別中的實用性。