玉米是我國的重要糧食作物，具有耐寒、耐旱、耐貧瘠等特性，在各地均有種植。玉米在生長(zhǎng)發(fā)育過程中，常常因各種因素而染上病害，在許多玉米種植地區(qū)，對(duì)于病害的識(shí)別和診斷往往是通過聘請(qǐng)專家進(jìn)行診斷或者是由專家開展講座，農(nóng)民學(xué)習(xí)之后自己識(shí)別病癥，這種傳統(tǒng)的方法費(fèi)時(shí)費(fèi)力，而且往往造成誤判。隨著圖像識(shí)別技術(shù)[1]朝著更加實(shí)時(shí)、快速、準(zhǔn)確的方向發(fā)展，將其應(yīng)用在農(nóng)作物病害識(shí)別方面有重大研究意義。

　　在病害識(shí)別研究中，特征量提取和分類器識(shí)別是影響識(shí)別率的關(guān)鍵因素。張開興等采用圖像處理技術(shù)和BP神經(jīng)網(wǎng)絡(luò)識(shí)別玉米病害，將提取的顏色和形狀特征量輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，能有效識(shí)別玉米病害[2]。胡敏等采用核主成分分析法對(duì)黃瓜病害的顏色和紋理特征進(jìn)行融合，提高病害識(shí)別精度[3]。張善文等提出一種基于局部判別映射的方法對(duì)分割后的病斑圖像進(jìn)行特征量提取和維數(shù)約簡(jiǎn)，再利用最近鄰分類器進(jìn)行識(shí)別[4]。魏麗冉等采用徑向基核函數(shù)訓(xùn)練支持向量機(jī)[5]，對(duì)植物葉部病害識(shí)別率高達(dá)89.5%。玉米病害識(shí)別中常常提取顏色、形狀、紋理[6]等特征來表示玉米病害特征，之后將提取到的幾組特征經(jīng)過恰當(dāng)?shù)慕M合，將組合后的特征輸入到分類器進(jìn)行識(shí)別。本文采用典型相關(guān)分析方法[7]對(duì)提取的顏色、形狀、紋理特征進(jìn)行約簡(jiǎn)融合，最后將融合后的特征采用支持向量機(jī)進(jìn)行分類識(shí)別。

　　1、 圖像預(yù)處理

　　本文以玉米大斑病、小斑病、灰斑病、銹病4種病害圖像為研究對(duì)象，通過智能手機(jī)拍攝，將其裁剪為390×390像素，以JPG格式保存，其中玉米大斑病、小斑病、灰斑病和銹病等4種玉米病害各100幅，選用其中各類病害的60幅作為訓(xùn)練樣本，40幅作為測(cè)試樣本。

　　采用非線性濾波器對(duì)圖像進(jìn)行濾波處理后，需要將病害圖像中病斑區(qū)域與葉片正常部分分割，為接下來的特征信息提取做準(zhǔn)備。圖1為4種玉米病害，分別為小斑病、大斑病、銹病、灰斑病，采用一種基于Lab顏色空間的K?means均值聚類算法[8]對(duì)玉米病斑圖像進(jìn)行分割，分割結(jié)果如圖2所示。

　　2 、特征提取

　　特征提取是病害識(shí)別中的關(guān)鍵步驟，其目的是約簡(jiǎn)特征量，避免冗余，并且提供精簡(jiǎn)有效的信息。本研究中提取顏色、形狀、紋理特征用于玉米病害的識(shí)別。

　　1)顏色特征。玉米感染病害后顏色[9]會(huì)發(fā)生變化，因此可以選擇顏色信息作為識(shí)別病害的特征量。RGB顏色空間易受光照影響且顏色通道高度相關(guān)，本文選擇在HSV顏色空間提取特征，分別提取H,S,V各通道的一階矩、二階矩、三階矩共9個(gè)顏色特征量。

　　2)紋理特征。LBP[10]用來描述圖像的局部紋理，它將圖像的中心像素點(diǎn)與臨近像素點(diǎn)比較，大于中心像素點(diǎn)定義為1，否則為0，中心像素點(diǎn)的值可以表示為二進(jìn)制形式�？紤]到計(jì)算量問題，用LBP均勻模式對(duì)傳統(tǒng)LBP模式進(jìn)行降維，模式種類由原來的2p降到p·(p-1)+2維，若采用3×3鄰域進(jìn)行采樣，則p值為8，二進(jìn)制模式種類為58種，再加上其余類別1種，共59種，采用LBP提取的紋理特征為1×59維。

　　3)形狀特征。玉米病害種類不同，其病斑形狀也不同，例如玉米大斑病多呈長(zhǎng)紡錘形或梭形，長(zhǎng)5～10 cm，寬1 cm左右;銹病多以圓形為主，個(gè)體較小，一般為1～2 mm。因此，形狀特征可作為區(qū)分玉米病害種類的特征量之一。本文通過選取面積、周長(zhǎng)、矩形度、伸長(zhǎng)度、似球度這5種特征量對(duì)玉米病斑進(jìn)行形狀描述。

　　3 、典型相關(guān)分析融合

　　典型相關(guān)分析(CCA)是一種經(jīng)典的多元統(tǒng)計(jì)方法，自提出以來不斷被推廣發(fā)展、深入研究，現(xiàn)已廣泛應(yīng)用于人臉識(shí)別[11]、圖像檢索[12]等方面。典型相關(guān)分析的目的是通過最大化2個(gè)視圖數(shù)據(jù)之間的相關(guān)性尋找2個(gè)投影矩陣用于降維處理。假設(shè)2組隨機(jī)向量用X=[x1,x2,?,xn]∈Rp×n和Y=[y1,y2,?,yn]∈Rq×n表示，其中X和Y是向量空間，x和y是向量空間中的隨機(jī)向量，最終目的是在X和Y中找到一對(duì)投影方向wx和wy，使得x*i=wxx和y*i=wyy最大相關(guān)。其中，xi*和yi*是第1對(duì)典型變量，之后再找出第2對(duì)典型變量x2*和y2*，且第2對(duì)典型變量與第1對(duì)典型變量互不相關(guān)，依次提取典型變量，直至x和y的相關(guān)性特征提取完畢。CCA的目標(biāo)函數(shù)如下：

　　式中：Sxx=XXT,Syy=YYT分別是X和Y的自協(xié)方差矩陣;Sxy=XYT是矩陣X和Y互協(xié)方差矩陣。

　　從式(1)中可以推導(dǎo)出，對(duì)于任意標(biāo)度典型相關(guān)系數(shù)wx和wy是不變的。然后，來自同一數(shù)據(jù)集的典型相關(guān)系數(shù)可以被壓縮為歸一化單位方差，在約束條件下，典型相關(guān)分析可以等效表示為帶有以下約束條件的優(yōu)化問題：

　　式(2)可以通過拉格朗日算法轉(zhuǎn)化為求解廣義特征值問題：

　　式中：Sxy=Syx;λ代表特征值。

　　通過求解式(3)的廣義特征值問題，可以得到一對(duì)投影方向wx和wy，依次求解可以得到一組成對(duì)的投影向量，可表示為Wx=(wx1,wx2,?,wxp),Wy=(wy1,wy2,?,wyq)，則X和Y之間的典型變量可以用下式表示：

　　則求得的典型變量可通過以下策略融合：

　　4、 圖像識(shí)別

　　4.1、 SVM分類識(shí)別

　　SVM理論[13?14]是由Vapnik等提出的用于解決數(shù)據(jù)分類問題的機(jī)器學(xué)習(xí)方法，主要是通過尋找一個(gè)最優(yōu)分類超平面，既能保證分類精度，還能使超平面兩側(cè)數(shù)據(jù)的空白間隔最大。本文的分類識(shí)別過程可分為以下步驟：

　　1)對(duì)預(yù)處理后的圖像進(jìn)行特征提取融合;

　　2)選擇合適的核函數(shù)進(jìn)行變換，將融合后的特征信息作為輸入量轉(zhuǎn)換到高維空間;

　　3)在高維空間尋找最優(yōu)分類超平面，完成樣本的訓(xùn)練，構(gòu)造學(xué)習(xí)機(jī);

　　4)將測(cè)試集數(shù)據(jù)輸入到學(xué)習(xí)機(jī)，進(jìn)行分類識(shí)別。

　　4.2 、實(shí)驗(yàn)結(jié)果與分析

　　提取病斑區(qū)域的顏色、形狀、紋理等特征，采取典型相關(guān)分析將顏色和紋理特征融合后再與形狀特征進(jìn)行優(yōu)化融合，最后通過支持向量機(jī)進(jìn)行分類識(shí)別。實(shí)驗(yàn)流程如圖3所示。

　　實(shí)驗(yàn)將采集的玉米病斑圖像中240幅作為訓(xùn)練樣本，160幅作為測(cè)試樣本，由SVM進(jìn)行分類識(shí)別，選用RBF核函數(shù)訓(xùn)練支持向量機(jī)，交叉驗(yàn)證方法尋找最佳的c g參數(shù)。圖4為基于CCA特征融合的SVM混淆矩陣。

　　由實(shí)驗(yàn)結(jié)果可知，本文方法對(duì)玉米大斑病、小斑病、灰斑病、銹病的識(shí)別準(zhǔn)確率分別為92.5%,92.5%,92.5%,95.0%，平均準(zhǔn)確率可達(dá)到93.1%，達(dá)到預(yù)期識(shí)別效果。但是也存在一些誤識(shí)別現(xiàn)象，如：玉米灰斑病后期病斑連成一片，形狀特征接近大斑病且顏色區(qū)分度不高，容易被誤分為大斑病;玉米小斑病初期為褐色小斑點(diǎn)，易與銹病混淆，后期發(fā)展成為褐色橢圓病斑，易與灰斑病混淆，造成誤分現(xiàn)象;而玉米銹病在顏色和形狀特征中都與其他三種有明顯區(qū)別，識(shí)別率較高。采用本文方法與單一特征量識(shí)別、三種特征量串聯(lián)識(shí)別進(jìn)行對(duì)比，結(jié)果如表1所示。

　　表1中：Z1,Z2,Z3分別代表顏色、紋理、形狀特征類型參數(shù);Z1+Z2+Z3代表將這三種特征串聯(lián)組合，CCA表示三種特征經(jīng)過典型相關(guān)分析約簡(jiǎn)融合。從表1可得：采用單特征量對(duì)病害進(jìn)行識(shí)別，準(zhǔn)確率較低，大多維持在70%左右;將三種特征串聯(lián)融合之后，識(shí)別率得到提高，平均識(shí)別率為84.38%;采用典型相關(guān)分析特征融合方法對(duì)玉米病害進(jìn)行識(shí)別，識(shí)別率可達(dá)到93.1%，尤其是銹病識(shí)別率更是達(dá)到95%，有效提高了識(shí)別準(zhǔn)確率。

　　5、 結(jié)論

　　本文對(duì)玉米病害識(shí)別進(jìn)行研究，將預(yù)處理之后的病斑圖像進(jìn)行特征提取，包括顏色、形狀、紋理等特征。利用典型相關(guān)分析對(duì)提取到的特征進(jìn)行特征融合，最后使用支持向量機(jī)進(jìn)行分類識(shí)別，玉米病害平均識(shí)別率高達(dá)93.1%。實(shí)驗(yàn)結(jié)果表明，本文方法可有效識(shí)別玉米病斑種類。提取的特征變量在一定程度上會(huì)有重疊，增加了計(jì)算難度和計(jì)算時(shí)間，而采用典型相關(guān)分析約簡(jiǎn)融合，用較少的互不相關(guān)的特征量代替原有特征量的大部分信息，可去除冗余，簡(jiǎn)化計(jì)算量。

　　參考文獻(xiàn)

　　[1]汪京京，張武，劉連忠,等農(nóng)作物病蟲害圖像識(shí)別技術(shù)的研究綜述[J].計(jì)算機(jī)工程與科學(xué), 2014,36(7):1363-1370.

　　[2]張開興，呂高龍，賈浩,等.基于圖像處理和BP神經(jīng)網(wǎng)絡(luò)的玉米葉部病害識(shí)別[J]中國農(nóng)機(jī)化學(xué)報(bào), 2019 ,40(8):122-126.

　　《圖像處理的玉米病害識(shí)別研究》來源：《現(xiàn)代電子技術(shù)》，作者：龔瑞昆 劉佳

轉(zhuǎn)載請(qǐng)注明來自：http://www.jinnzone.com/zuowushengchanglw/73819.html