水稻纹枯病图像识别处理方法研究

袁　媛，陈　雷，吴　娜,2，李　淼

(1.中国科学院 合肥智能机械研究所，合肥　230031；2.中国科学技术大学 信息科学技术学院，合肥　230026)



水稻纹枯病图像识别处理方法研究

袁媛1，陈雷1，吴娜1,2，李淼1

(1.中国科学院 合肥智能机械研究所，合肥230031；2.中国科学技术大学 信息科学技术学院，合肥230026)

摘要：为了实现水稻病害的自动检测，设计并实现了一种基于支持向量机的水稻纹枯病识别方法。首先利用R分量和中值滤波进行图像预处理，然后利用改进的图切割方法进行病斑分割，再提取病斑的颜色和纹理特征，最后利用支持向量机方法对水稻纹枯病进行分类识别。结果表明：识别准确率达到95%，能够满足实际应用的需求。本研究结果可以为水稻病害的自动识别提供参考依据。

关键词：水稻纹枯病；图像识别；病害诊断；支持向量机

0引言

水稻纹枯病是水稻发生最普遍的主要病害之一，在水稻整个生育期内均可发生，对水稻产量影响很大。目前，农民识别作物病害一般是通过自己的经验、参考病害类图书、互联网查询或请教农业技术人员/专家等方法。这些方法存在一些问题：农民通过图片比照或根据书本中的文字描述来识别作物病害，常会造成人为错误，难以准确、及时地对症下药；由于目前国内各个地方的植保站规模不大，技术人员很难在作物的生育期内定时上门给各个农户查看作物病情，容易造成病情的延误。近些年来，随着数字图像处理技术的迅速发展、计算机视觉技术的广泛应用和各种模式识别技术的日趋成熟，采用图像处理技术来分析作物病害，并准确给出病害类别，为作物病害的无损检测、快速诊断提供了新的途径和方法。尤其是随着手机和移动通信技术的飞速发展，利用手机田间现场拍摄作物病害照片上传到远程服务器进行病害诊断将是一种快速、有效的病害诊断方法，具有广阔的应用前景。

支持向量机(Support Vector Machine，SVM)[1-2]由于在解决小样本、非线性及高维模式识别中表现出许多特有的优势，在农业病虫害分类识别中应用很广泛。田有文等人[3]针对霜霉病等10类常见的黄瓜病害进行研究，有效地提取了黄瓜病害的典型特征形成特征向量，运用支持向量机完成病害种类的识别。刘君等人[4]采用支持向量机方法对黄瓜、番茄等园艺作物叶部病害进行自动诊断与识别。余秀丽等人[5]设计并实现了一种基于SVM的小麦叶部常见病害识别方法。刘涛等人[6]基于支持向量机模型的分类方法对15种水稻病斑进行分类，平均准确率为92.67%。

本文主要针对水稻纹枯病病害图像进行相关预处理、病斑部位分割及颜色和纹理特征提取，并利用支持向量机方法对水稻纹枯病进行识别。

1材料及图像预处理

1.1图像获取及运行环境

使用佳能6D型数码相机，在田间自然光照环境下，采用自动曝光模式获取水稻纹枯病病害图像，以JEPG格式进行存储；然后，通过Photoshop CS软件去除图像中的复杂背景，仅留下图像中的主要病叶部分；用MatLab自带的Imresize函数压缩图片成900×600大小。

本文采用算法均在MatLab7.1和VC++6.0混合编程MEX环境下编程实现，试验所用计算机的配置为：Intel Core Q6700 2.66GHz中央处理器、4G内存、Windows XP操作系统。

1.2病斑图像预处理

由于后续的病斑分割不涉及图像的颜色信息，因此把彩色图像转换成灰度图像后再进行分割处理，可以降低数据处理量，提高处理速度。为了较好地比较预处理结果，将原始彩色图像全部转成灰度图像，使RGB模型中的R=G=B=Gray，即灰度化处理。本文提取水稻纹枯病病害图像的红色(R)、绿色(G)、蓝色(B)分量，结果如图1所示。

图1　彩色图像转换成灰度图像

由图1可以看出：R分量得到的灰度图像颜色太暗，G分量得到的灰度图像颜色太浅，而B分量得到的灰度图像中病斑部位与叶片正常部位的对比最为明显，病斑边缘比较清晰，便于后续处理。所以，本文采用B分量提取的灰度图像。

实际采集的多数水稻纹枯病图片存在噪声和病斑边缘模糊的特点，选用能够突出边缘细节的滤波器。因此，本文比较了空间域对图像进行平滑处理的3种方法：均值滤波法、高斯滤波法、中值滤波法。试验结果表明：中值滤波法效果最好。实际操作时，采用3×3模板的中值滤波可对图像进行增强。

在水稻病害图像分割过程中，尝试了传统的最大类间方差法(OTSU)[7]及改进的图切割图像分割算法[8]，发现后者算法的分割效果较好，如图2所示。

图2　图像分割结果比较

2病斑特征提取及降维

2.1颜色特征提取

作物叶部受到病菌侵染时，多数会产生病斑，即对应的受损区域不再是常规的叶片色。因此，颜色是病斑区别于正常叶片部位的重要外观特征，通常进行病害诊断时把颜色作为识别的主要依据之一。水稻纹枯病又称云纹病，苗期至穗期都可发病。其叶鞘染病在近水面处产生暗绿色水浸状边缘模糊小斑，后渐扩大呈椭圆形或云纹形，中部呈灰绿或灰褐色，湿度低时中部呈淡黄或灰白色，中部组织破坏呈半透明状，边缘暗褐。为了科学地测定、研究和描述水稻纹枯病病斑颜色，需建立颜色模型。本文采用常用的RGB系统和HIS系统来描述水稻纹枯病病害部位图像的颜色特征，采用颜色矩方法来进行颜色特征表达，因为该方法能用它的矩表示图像中的任何颜色分布。由于颜色分布信息主要集中在低阶矩中，因此通常采用颜色的一阶矩、二阶矩和三阶矩来表达图像的颜色分布。

对给定的水稻纹枯病叶片图像，提取病斑及无病部RGB值和HIS值进行对比试验(见图3和图4)。试验结果表明：每种病的病斑部位和正常部位的R、G、B值和H、I、S值都有明显不同，并且每种病都有自己的特点。因此，颜色特征可以作为辨别病害种类的依据。在RGB系统中，蓝色通道下病斑显示最为清晰，转换到HIS系统中，将RGB三体的灰度值转换为色调值H，可以把颜色特征从三维降到一维，达到降低特征空间维数而又不丢掉颜色信息的目的。提取H色调值，又可以减少光照对图像的影响，所以本文选取B和H通道下的一阶矩、二阶矩和三阶矩6个颜色特征作为识别特征向量。

图3　水稻纹枯病病斑与无病部R/G/B比较

图4　水稻纹枯病病斑与无病部H/S/I比较

2.2纹理特征提取

针对作物病害图像来说，叶片正常组织与病变部位的纹理在粗细、走向上都有很大差别，因此可以利用纹理特征进行病害识别。相比其它方法，灰度共生矩阵(Gray Level Co-occurrence Matrix，GLCM)特征能够更好地突出图像的纹理信息，大量应用于将灰度值转化为纹理信息[9]。因此，本文采用灰度共生矩阵特征进行纹理分析。

给定一幅灰度图像f(x,y)，图像大小为L×H，图像灰度级为G，则图像的灰度共生矩阵的元素可表示为P(i,j,d,θ)，即图像中灰度值分别为i、j的像素对出现的个数，可定义为

P(i,j,d,θ)=#{[(x1,y2),(x2,y2)]∈

其中，P(i,j,d,θ)表示矩阵第i行j列元素，(i,j)∈G×G；d、θ分别表示像素对间的距离和角度；#(x)表示集合x中的元素个数；#(M×N)为图像中像素对的总个数。

本文中构造的纹理特征有能量特征、对比度特征和熵特征，具体如表1所示。

表1　纹理特征参数

3基于SVM的分类识别

3.1SVM介绍

SVM本身是一种有监督的学习算法，在处理模式识别问题时能够发挥自己的优势，如能够解决小样本、非线性和高维数问题，拥有全局最优解，泛化性能强，无需先验知识等，现多数应用于模式识别、函数拟合等方面。由于受到季节和病害发生情况的影响，田间直接获取的水稻纹枯病病害图像的样本数量相对较少(即小样本问题)，同时该分类又是一个非线性模式识别问题，因此本文选用SVM分类器。这样，既可以保证较高的识别率，又会尽量减少存储空间和计算时间。

SVM的关键在于核函数，低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间；但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，就可以得到高维空间的分类函数。采用不同的核函数将导致不同的SVM算法。针对非线性问题，SVM分类时常用的核函数如下：

1)多项式核函数为

k(x,y)=[s(x·y)+c]d

2)径向基核函数为

(3)Sigmoid函数为

k(x,y)=tanh[s(x·y)+c]

其中，s、c、d、γ均是参数。

本文采用Lib-SVM[10]对提取的特征数据进行分类训练和测试。Lib-SVM是台湾大学林智仁(Chih-Jen Lin)博士等开发的一套通用支持向量机软件包，提供了多项式、径向基、Sigmoid函数、线性4种常用的核函数，可以有效地解决多类分类问题。

采用本文设计的样本进行训练，分类方法采用C-SVC，基于惩罚函数的SVM进行分类，核函数选用径向基函数，通过使用Lib-SVM提供的grid.py模块，自动确定惩罚因子和径向基函数中gamma值的最佳参数，通过训练取得模型。

3.2结果分析

选择50幅水稻纹枯病、50幅健康水稻作为训练样本，另外各30幅作为测试样本进行试验。选择径向基核函数来训练分类器,以基于单一颜色特征参数的分类识别、基于单一纹理特征参数的分类识别及基于颜色+纹理组合特征参数的分类识别3种方式进行对比，识别结果如表2所示。

表2　试验结果

4结论

1)对采集的水稻病害图像进行处理，然后提取颜色和纹理特征，并利用支持向量机方法进行识别。结果表明：提出的颜色特征、纹理特征及两者结合的方法对水稻纹枯病进行识别是有效的；利用SVM方法针对小样本量的水稻纹枯病识别具有较好的效果。

2)对基于单一颜色特征参数的分类识别、基于单一纹理特征参数的分类识别及基于颜色+纹理组合特征参数的分类识别3种方法进行了对比，结果表明：基于颜色+纹理组合特征参数的分类识别准确率达到95%，比基于单一颜色特征参数的分类识别、基于单一纹理特征参数的分类识别效果好。

参考文献：

[1]Vapink V N． The nature of statistical learning theory[M].Beijing:Tsinghua University Press，2000．

[2]Cristiaini N，Taylor J S． An introduction to support vector machines and other kernel-based learning methods[M].Beijing: Publishing House of Electronics Industry，2004．

[3]田有文，牛妍.支持向量机在黄瓜病害识别中的应用研究[J].农机化研究，2009，31(3)：36-39.

[4]刘君，王振中，李宝聚，等. 基于图像处理的作物病害自动识别系统的研究[J].计算机工程与应用，2012，48(13)：154-158.

[5]余秀丽，徐超，王丹丹，等．基于SVM 的小麦叶部病害识别方法研究[J].农机化研究，2014，36(11)：151-155,159.

[6]刘涛，仲晓春，孙成明，等.基于计算机视觉的水稻叶部病害识别研究[J].中国农业科学，2014，47(4)：664-674.

[7]Otsu N. A Threshold Selection Method from Gray Level Histogram[J].IEEE Trans on System Man and Cybernetics，1979，9(1)：62-66.

[8]吴娜，李淼，陈晟，等.基于融合多特征图切割的作物病害图像自动分割[J].农业工程学报，2014，30(17)：212-219.

[9]柴阿丽. 基于计算机视觉和光谱分析技术的蔬菜叶部病害诊断研究[D].北京：中国农业科学院，2011.

[10]朱爱红，赵帅，毛民樑.基于LIB-SVM的项目文本自动分类系统研究[J].微计算机信息，2011，27(4)：13-15.

Abstract ID:1003-188X(2016)06-0084-EA

Recognition of Rice Sheath Blight Based on Image Procession

Yuan Yuan1， Chen Lei1， Wu Na1,2， Li Miao1

(1.Institute of Intelligent Machines, Chinese Academy of Sciences, Hefei 230031, China; 2.School of Information Science and Technology, University of Science and Technology of China, Hefei 230026, China)

Abstract：Recognition method of rice sheath blight based on SVM was presented for the purpose of achieving the automatic detection of the rice diseases. Firstly, R component and median filter are used for image pre-processing. Secondly, the improved graph cut method is used to segment the lesion. Thirdly, the color and texture features of lesions are extracted. Finally, the rice sheath blight are classified by support vector machine. The results show that the first two methods are more suitable for the evaluation of segmentation of crop disease images in the four methods. The results show that the recognition accuracy rate reaches 95%, which meet the needs of practical applications. The results of the paper lay a foundation for realization of the automatic diagnosis of rice diseases.

Key words：rice sheath blight; image recognition; disease diagnosis; Support Vector Machine

文章编号：1003-188X(2016)06-0084-04

中图分类号：S431.11；TP391.41

文献标识码：A

作者简介：袁媛(1981-)，女，安徽肥东人，助理研究员，博士，(E-mail)ahhfyy@gmail.com。通讯作者：李淼(1955-)，女，安徽庐江人，研究员，博士生导师，(E-mail)mli@iim.ac.cn。

基金项目：国家“863计划”项目(2013AA102304)

收稿日期：2015-05-22