溫室種植番茄葉片病蟲害多層特征提取仿真

趙子皓，楊再強

(南京信息工程大學應用氣象學院，江蘇 南京 210044)

1 引言

我國是農作物種植大國，番茄農作物的種植產量需求非常高。因此，在其種植過程中需要盡量排除影響番茄生產量的因素[1]。我國的番茄作物分布十分廣泛，但其中病蟲害問題是一直困擾莊稼質量的一大毒瘤[2]，由于近些年的氣候問題以及種植技術導致病蟲害問題逐年加重，根據病蟲害記錄可知，目前全世界范圍內共有200余種病蟲害，而針對我國而言的主要有20多種，且大多發生在植物葉片部位，致使果實生長畸形或生產量降。為加強番茄的產量和質量，需對番茄葉片病蟲害進行防護，通過提取番茄葉片病蟲害的特征，實現番茄質量檢測，是針對病蟲害最快捷，最有利的防護措施[3]。

在此背景下，相關領域的專家和學者也得到了一些研究成果。程玉勝[4]等人為提取出番茄葉片病蟲害的特征，將原始番茄葉片的標記空間進行合并，即通過核極限學習機自編碼器進行融合，其優點體現在可將希爾伯特-施密特范數作用發揮到最大，同時利用主成分分析保證圖像中的信息數據，在主成分分析和希爾伯特-施密特范數的加持下提取出番茄葉片病蟲害的特征，實現溫室番茄葉片病蟲害多層特征提取。楊鵬[5]等人在云計算平臺的基礎上添加MaxCompute圖像數據處理技術提取番茄葉片病蟲害的特征，首先根據時間序列數據生成數據的存儲方法，同時在并行化時間序列數據中排列出圖像數據熵，進而完成番茄葉病蟲害的特征提取，實現溫室番茄葉片病蟲害多層特征提取。張青[6]等人首先利用閾值分割法提取出番茄葉片的周長等相關參數，其次計算出番茄葉片病蟲害的低頻橢圓傅里葉系數，并將其視為番茄葉片病蟲害的特征參數，進而實現溫室番茄葉片病蟲害多層特征提取。

上述三種方法在對番茄葉片病蟲害特征提取前均忽略了對圖像數據進行灰度化以及圖像去噪的預處理，導致其中噪聲過多，影響圖像的清晰度，且其中的色彩等因素會直接影響最終的特征提取結果精度，導致以上三種方法存在特征提取效果差、去噪效果差以及特征提取性能差的問題。

為了解決以上方法存在的問題，提出溫室種植番茄葉片病蟲害多層特征提取方法。

2 番茄葉片病蟲害圖像預處理

2.1 圖像灰度處理

圖像中某點像素值中明暗變化的量化值即稱之為灰度值，溫室內的番茄葉片由于光照等原因的干擾需要將其圖像進行灰度變換處理，從而加強番茄葉片病蟲害特征提取的精度[7]。

根據RGB彩色模型的原理可知，當色彩R=G=B時代表此時的色彩為黑白，將彩色轉變為黑白即完成圖像的灰度化處理，在數學函數映射的方法下將三維的帶有色彩的R、G、B映射成低維值，并將該值設置成番茄葉圖像的RGB分量，從而簡化圖像。

計算圖像低維數值RGB分量的賦予通常利用加權平均法，首先排序圖像中的數值以及其重要性，并根據序列賦予其不同權重的分量，最后將圖像中的R、G、B中進行加權平均處理，此時的分量表達式為

R=G=B=WGG+WRR+WBB

(1)

式中，WGG代表分量G的權重，WRR代表分量R的權重，WBB代表分量B的權重。

根據圖像的需要可選擇不同權重獲取敏感程度不同的灰度圖像，通常情況下WGG、WRR和WBB分別取值0.59、0.30和0.11，則番茄葉病蟲害圖像的灰度化圖像表達式為

Vgray=0.59G+0.30R+0.11B

(2)

式中，Vgray代表經過灰度化處理后的溫室番茄葉片病蟲害圖像。

2.2 中值濾波處理

由于圖像在收集過程中因光照以及量化等影響產生大量噪聲，為保證圖像質量，在特征提取前需去噪處理圖像[8]，圖像的濾波處理也是圖像的平滑處理過程，該技術主要是對圖像進行去噪，通常情況下，空間域內可利用鄰域的平均值完成降噪，噪聲的頻譜一般以高頻段的形式出現。因此，可利用低通濾波方式降噪，在降噪過程最困難的就是保證圖像的像素，中值濾波法[9]具有保證降噪質量的同時確保圖像的清晰度的優點，此濾波方法實質上是非線性的信號處理技術，它利用排列統計理論抑制圖像的噪聲，在奇數點的滑動窗口內將帶有灰度值的中值視為定點的灰度值，在偶數點的滑動窗口內根據灰度值的大小提取出最中間數值將其視為中值。

在二維滑動模板的基礎上將像素值根據從大到小的順序構建出單調上升或單調下降的二維數據序列，其中經過二維中值濾波處理后的圖像表達式為

g(x，y)=med{f(x-k，y-l)，(k，l∈W)}

(3)

其中，g(x，y)代表經過中值濾波處理后的溫室番茄葉病蟲害圖像，f(x，y)代表原始溫室番茄葉病蟲害圖像，W代表二維模板。

3 番茄葉片病蟲害多層特征提取

為預防和控制病蟲害對番茄葉的影響，需要在種植過程中有效識別番茄葉的病蟲害，無論利用何種方法識別病蟲害，均要提取病蟲害的特征。分割圖像，并通過直方圖圖像分割方法提取出圖像背景，進而得到有用信息，其次利用邊沿檢測分離出帶有病害的圖像以及正常的葉片圖像部分，最終提取出帶有病蟲害的葉片圖像部分，將其映射處理，以及分層處理，進而得出番茄葉片病蟲害的特征。

3.1 圖像分割

圖像分割[10]就是將番茄葉片圖像分割出帶有信息的區域，即剔除掉無信息數據的背景圖像。當待特征提取的番茄葉片的像素以及灰度值均在閾值內，則賦予各級像素點相應的灰度值。

假設番茄葉圖像為f(x，y)，f(x，y)中包含兩種灰度，其中一種為圖像的背景灰度，另一種為番茄葉片的灰度值，當兩種灰度值之間的差別較大時，背景和番茄葉片的灰度直方圖均為雙峰狀態，為簡便運算，可將灰度直方圖內波谷點的灰度視為門限閾值，并將其標記為T，為保證背景和有效圖像數據的分離，可將圖像處理成二值圖像，其表達式為

(4)

式中，g(x，y)代表番茄葉片的二值圖像，HIGH代表番茄葉片圖像的最高灰度值，LOW代表番茄葉片圖像的最低灰度值。

(5)

式中，g(x，y)代表番茄葉片圖像背景的二值圖像，HIGH代表番茄葉片二值圖像背景的最高灰度值，LOW代表番茄葉片二值圖像背景的最低灰度值。

利用式(4)和式(5)即可分離出圖像的有效數據以及無用背景。

3.2 邊緣檢測

當番茄葉片發生病蟲害時，灰度圖像中帶有病癥的區域與正常區域存在較大差異，具有病癥部位的表現是其分布大小形狀等均不相同，根據研究發現，植物病害的檢測利用邊緣檢測法[11]是最有效提取病蟲害形狀特征的方法，該方法對病蟲害的識別率遠遠高于其它方法。根據病蟲害葉片具有灰度值變化明顯的特性，可將微分添加到葉片變化部位的函數運算中，進而完成邊緣檢測。

3.2.1 一階微分

在一階微分中，通過大小向量以及方向向量替代病蟲害點的灰度斜度的一階微分大小，其中強度大小向量為G(x，y)，方向向量為(fx，fy)，且G(x，y)=(fx，fy)，則方向微分fy以及fx的數學圖像表達式分別為

(6)

式中，fx代表坐標系x軸上的微分，fy代表坐標系y軸上的微分。

求解出微分值后即可計算邊緣強度和方向，其表達式為

(7)

式中，G(x，y)代表邊緣的強度大小。

邊緣的方向即為向量(fx，fy)的方向。

3.2.2 二階微分

令二階微分為L(x，y)，其本質是完成一階微分后的進一步微分，其目的就是細化邊緣強度大小的精度，則L(x，y)的表達式為

(8)

根據上述步驟即可完成所有病蟲害番茄葉片的邊緣檢測，將帶有病癥的番茄葉片與正常葉片區別開。

3.3 番茄葉片多層特征提取

為保證番茄葉片病蟲害識別率，采用無監督深層子空間模型分層處理圖像，實現番茄葉的多層特征提取[12]。

特征提取最關鍵的步驟是學習映射矩陣處理番茄葉病蟲害部分，其中損失函數利用重構誤差代替，生成的學習PCA濾波核表達式為

(9)

式中，L1代表第一層濾波器的個數，k1和k2均為濾波器大小，X代表樣本的協方差矩陣，T代表原始番茄葉片圖像，V代表濾波器。

則此時的PCA濾波器表達式為

(10)

利用上式選取出矩陣X內前L1個番茄葉病蟲害特征，并通過該特征值的對應特征向量構成番茄葉片特征映射矩陣，進而生成番茄葉片的卷積圖像，獲取第一層映射結果，所以得出此時的圖像層中含有L1個濾波核，即此層中帶有L1個輸出，其表達式為

(11)

將圖像轉化成卷積圖像，對圖像的邊緣進行延拓，以確保經過處理后的樣本圖像大小不發生變化。

根據以上原理得出第二層的輸入層為

(12)

其次將第二層的輸入數據均值處理后并對其進行PCA分析處理，進而生成第二層中PCA的卷積核，其表達式為

(13)

(14)

為進一步細化番茄葉病蟲害特征，將輸出矩陣二值化處理后對其進行哈希編碼處理，進而增加特征間的差異，進一步降低提取病癥番茄葉的難度，此時的輸出矩陣表達式為

(15)

式中，H代表類Heaviside階躍函數。

通過優化后的輸出矩陣直方圖分塊處理番茄葉病蟲害特征，獲取最精確的番茄葉病蟲害特征，其表達式為

(16)

其中，fi代表樣本圖像i中番茄葉病蟲害的特征。

4 實驗結果與分析

為了驗證溫室種植番茄葉片病蟲害多層特征提取方法的整體有效性，分別采用所提方法、文獻[4]方法和文獻[5]方法測試特征提取效果、去噪效果以及特征提取性能的測試，測試結果如下所示。

4.1 特征提取效果

選取某一帶有病蟲害的番茄葉，利用三種方法提取其特征，其結果如圖1所示。

圖1 三種方法的特征提取效果圖

該葉片的實際病蟲害效果圖如圖1(a)所示，所提方法得出的病蟲害結果與圖1(a)基本無差別，證明所提方法的有效性，文獻[4]方法得出的葉片病蟲害特征與實際特征圖相比，該方法不易提取出較小直徑的病蟲害部分，只能辨識并提取出直徑較大提取病蟲害，文獻[5]方法不僅不能辨識出較小直徑的病蟲害，且將部分正常葉片辨識為病蟲害，大大降低特征提取精度，影響最終病蟲害特征提取的效果，所提方法在提取特征前對番茄葉圖像進行預處理，將圖像灰度化處理降低色彩對特征提取的影響程度，并去噪處理圖像，提高圖像的質量，保證特征提取的精度，從而提高番茄葉片病蟲害特征提取效果。

4.2 去噪效果

溫室內植物因光照等因素，生成的圖像內噪聲含量較多，葉片病蟲害多為不規則圖形，且面積較小，帶有噪聲的圖像對病蟲害特征提取十分不利，因此在進行葉片病蟲害特征提取前均會去噪處理圖像，圖像去噪的優劣直接關系最終特征提取結果，隨機選取一種帶有病癥的溫室內葉片圖像，通過三種方法完成圖像去噪。

根據圖2可知，原圖像中噪聲較大，導致病蟲害邊緣十分模糊，經過三種去噪方法處理后的圖像的清晰度均有提升，其中所提方法的去噪結果最優，其圖像十分清晰，其次為文獻[4]方法去噪后的圖像，去噪效果最差的是文獻[5]方法，經過該方法去噪后的圖像的清晰度雖有所提高，但效果較差，其中病蟲害邊緣部分仍不能清晰的識別出，因此驗證了所提方法的優越性。

圖2 三種方法的圖像去噪效果

4.3 特征提取性能

葉片病蟲害特征提取不僅需要保證效率高，同時要保證特征提取的精度，即準確率。

選取5組帶有病蟲害的葉片，利用三種方法提取其特征，對比三種方法的特征提取準確率，結果如圖3所示，在每組實驗數據下均是所提方法的精度最高，文獻[4]方法次之，文獻[5]方法的準確率最低。

圖3 三種方法特征提取準確率

圖4 三種方法特征提取所用時間

在同樣五組實驗數據下對比三種方法提取特征所需的時間，經實驗結果顯示，特征提取效率最高的仍是所提方法，文獻[5]方法用時最長，效率最低，文獻[4]方法次之。

綜上所述，所提方法是三種方法中提取葉片病蟲害特征效率最高，用時最短，準確率最高的方法，因此證明所提方法的特征提取性能最優。

5 結束語

影響農作物最常見的因素即為病蟲害，其主要針對農作物的葉片，利用人力去辨識病蟲害效率過低。本文提出溫室種植番茄葉片病蟲害多層特征提取方法，該方法首先完成圖像灰度化和去噪的預處理，其次將圖像分割并完成邊緣檢測，最后分層處理圖像，實現番茄葉片病蟲害特征提取，解決了特征提取效果差、去噪效果差以及特征提取性能差的問題，提高病蟲害的識別率，降低病蟲害對農作物的影響程度。