狄鹏慧,吕芳

（内蒙古工业大学信息工程学院，内蒙古呼和浩特,010000）

0 引言

向日葵病虫害的日益猖獗造成向日葵产量大幅度降低，因此如何快速准确的识别向日葵病害成为亟待解决的问题。

国外早在上世纪80 年代就开始了对病害作物图像进行病害识别诊断的研究。

Yuataka Sasaki 等（1999）对黄瓜的炭疽病进行了诊断研究，针对不同光学滤波和分光反射对病害识别的影响特点，采用遗传算法对炭疽病进行识别；并于2003 年利用遗传算法对黄瓜病斑图像的多个形状特征参量进行了优选，最终找到了能够准确识别不同黄瓜病害的有效形状特征参量。

Mohammad Sammany 等（2006）利用遗传算法优选出神经网络有关结构和参数，并将其应用到作物病害识别诊断研究，获得良好识别效果。之后为减少输入特征向量个数，提高运算效率，加入了粗糙集技术，借此缩短了病害诊断时间。

Boese 等（2008）利用大叶藻病害叶片伪彩色图像计算其病斑面积，通过大量实验表明，该方法极大提高了叶部多种病虫害的正确识别率。

相对于国外研究情况，国内对基于图像识别的作物病害的诊断识别方面的研究起步较晚，但也取得了一定成果。

毛罕平等（2001）主要通过提取番茄缺素叶片的颜色、纹理特征，建立了三叉树模式识别框架，并在该框架基础上加入模糊K近邻法进行缺素种类识别；之后他们又设计了基于神经网络技术的番茄缺素识别系统，正确识别率均在85%以上。

毛文华、陈红等(2008)在彩色图像HSI 颜色模型中，利用S和H 分量直方图获取分割阈值之后提取出病斑区域，发现不同病斑的颜色特征可作为区分不同病害的依据。

1 病害图像采集、预处理

本研究图像采集设备由一台CCD 照相机和一个金属摄影云台三脚架组成，在田间自然光照条件下，采取自动曝光模式，拍摄获取向日葵生长期叶部病害图像，以JPG 格式传入计算机。

自然条件下采集的向日葵叶部病害图像，在采集传输过程中，会受到外界因素的影响造成图像模糊、降质，影响后续向日葵病害识别的准确度。所以，在进行后续病害诊断工作之前，首先要对图像进行增强处理以获得易于向日葵病害识别的理想图像。

2 向日葵叶部病害图像特征提取

2.1 颜色特征提取

颜色是描述向日葵叶部病害最直接的视觉特征，颜色空间是采用某种数学方法来形象化表示颜色的，常见的颜色空间有RGB、HSI、XYZ 等。在农作物病害图像研究中主要采用RGB 和HSI 颜色模型，在自然环境下采集到的向日葵病害叶部图像容易受光照等外界因素影响（即对亮度较敏感），而RGB 颜色模型各分量与亮度密切相关（即图像亮度改变，R、G、B 三分量也随之改变），由此可见，RGB 颜色空间并不能准确表达病害图像的颜色特征。与RGB 颜色模型相比，HSI 颜色模型更符合人的视觉特性，不仅可以避免光照和不同采集方法对病害样本图像的影响，而且可以有效地减少病害图像颜色信息的丢失，更好的体现病斑的颜色特征，所以本研究将病害图像从RGB 颜色空间转换到HSI 颜色空间，转换完成后，提取出HSI 模型的三个颜色分量作为区分不同向日葵叶部病斑颜色特征的主要研究对象。

HSI 颜色空间和RGB 颜色空间仅是同一物理量的两种不同表示法，它们之间存在着某种转换关系。若存在一幅RGB 格式的彩色图像，将其转换为HSI 格式图像转换公式如下所示:

此处

饱和度分量由下式给出：

最后强度分量为：

选取两幅向日葵叶部锈病图像进行颜色特征参数比较，通过比较H、S、I 三个分量的均值分布图，进行H、S、I 三个颜色分量与向日葵锈病诊断的研究。经查阅资料及反复试验确定由H 分量作为颜色特征参量标准，进行相似度测定。

2.2 纹理特征提取

纹理特征描述主要有统计法和结构法两种方法。由于向日葵叶片纹理是在自然生存环境下形成的，其纹理在个别像素点上无规则可循，但在像素点聚集的某个区域内会体现出规律性，这属于准规则纹理，不适合利用结构的方法对其进行描述。因此，本文利用灰度共生矩阵对向日葵叶部病斑纹理进行研究分析，通过对比分析提取出最佳纹理特征参数作为向日葵叶部不同病害纹理识别的判别依据。

由于灰度共生矩阵不能直接用于描述图像的纹理特征，所以采用矩阵状况的统计量，常用的有以下几种：

① 角二阶矩（能量）：反映了图像灰度分布均匀程度和纹理粗细度。

② 惯性矩（对比度）：反映图像的清晰度和纹理沟纹深浅的程度。

图2-2 各特征参数的均值与标准差

③ 相关性：反映图像中的局部灰度相关性。

④ 熵是图像具有的信息量的度量，表示灰度图像中纹理的非均匀或复杂程度。

⑤ 局部均匀性（逆差距）：反映图像纹理的同质性，度量图像纹理局部变化的多少。

由向日葵锈病图像作为纹理特征参数的分析展示。研究分析病害分别在距离d=1 和角度分别为0o、45o、90o、135o时灰度共生矩阵的特征，并分别提取它们的角能量、对比度、相关性、熵、逆差距共20 个统计参量进行实验研究分析。取其中一幅图纹理特征参数如图3-6 所示：

3 病害识别

运用纹理特征的方法对其余十幅锈病叶片图进行参数分析，取值范围如下：

确定含锈病叶片纹理各参数大致范围，进行识别。取10 幅向日葵叶部图片，其中含向日葵锈病图6 幅，经识别，其中4 幅叶片图含锈病，识别率达66.7%。虽然不是所有的锈病都能被正确地识别，还存在一定的误差，但总体上可以较好的识别出病害叶片。

4 结术语

本研究结合向日葵叶部染病时病斑所呈现的颜色、纹理等生物特征，采用先进的数字图像处理技术对向日葵叶部病害进行诊断识别；并以MATLAB 为平台，实现向日葵叶部病害图像预处理、病斑特征提取和病害诊断，最终对向日葵叶部锈病进行识别。在研究过程中得出如下结论：

（1）向日葵叶部病害图像预处理。本文经过对邻域滤波法、中值滤波法和矢量中值滤波法进行比较分析之后，得出中值滤波法对图像去噪效果较好，处理过程中很好的保留了病斑原始有用信息且图像不模糊。叶部病斑分割时采用最大类间方差法自动求取阈值对向日葵叶部病斑进行分割。

（2）向日葵叶部病斑特征提取。利用病斑的颜色特征和纹理特征，经过对多个特征描述进行对比试验之后，选出6 个特征参量（11 个值）作为不同病害识别的依据。结果表明，选出的6 个特征参量能够较好地表示向日葵叶部病斑的特点。

（3）向日葵叶部病害识别。通过颜色特征、纹理特征得出向日葵叶部是否含有锈病。

表3-1 向日葵叶部锈病各纹理特征参数取值范围

[1] Yutaka SASAKI,Masato SUZUKI.Constructi on of the Automatic Diagnosis System of Plant Disease Using Genetic Programming Which Paid Its Attention to Variety[C].ASAE Meeting Presentation(paper No.031049),2003

[2] Sammany,M,Mohammed El-Beltagy. Optimizing Neural Networks Architecture and Parameters Using Genetic Algorithms for diagnosing Plant Diseases[A].Proceeding of and International Computer Engineering Conference[C],IEEE(Egypt section).2006

[3] Boese BL,Clinton PJ,Dennis D,Golden RC,Kim B.2008.Digital image analysis of Zostera marina leaf injury.Aquatic Botany,88:87-90

[4] 毛罕平,徐贵力,李萍萍.番茄缺素叶片的图像特征提取和优化选择研究[J].农业工程学报.2002,2:10-21

[5] 毛文华, 郑永军, 苑严伟, 张小超. 基于色度和形态特征的蝗虫信息提取技术[J]. 农业机械学报,2008,39(9):104-107