邓继忠，李 敏，袁之报，黄华盛，王 张

（1.华南农业大学工程学院，广州 510642；2.海南出入境检验检疫局热带植物隔离检疫中心，海口 570311；3.海南出入境检验检疫局检验检疫技术中心，海口 570311）

小麦腥黑穗病是毁灭性的检疫对象，一般发病田块小麦可减产10%～20%，严重的减产50%以上，甚至绝收[1]。小麦印度腥，小麦矮腥和小麦网腥三种黑穗病常常混入进口小麦原粮中，而且它们的冬孢子形态特征比较相似[2]，给检疫造成困难。目前，国内主要通过显微镜观察，依据病原菌的冬孢子形态学特征、自发荧光显微学特征和萌发生理学特征来对其进行鉴定，其准确程度与分析人员的经验有关，难以保证检测的稳定性和客观性，效率也较低。

为了避免和减少人为因素的影响，发展自动化程度较高的病害检疫和分类系统，利用图像处理技术分析小麦腥黑穗病害图像，并进而判断病害类别很有必要。目前在国内，基于图像识别的小麦腥黑穗病害的检疫和分类研究鲜有报道，但是已经有相关的一些其他病害的识别研究。

Sasaki等采用遗传算法，从分光反射特性和形状特性的角度，建立了识别参数，对黄瓜炭疽病进行诊断[3]。Chesmore等从给定的病害图像中自动定位孢子，并提取其周长、表面积、突起数及突起的大小、最大（小）半径和圆形度等相关参数，进行了小麦印度腥黑穗病（Tilletia indica）孢子和黑麦草腥黑穗病菌（Tilletia walkeri）孢子的分类[4]。陈兵旗等通过小波变换和纹理计算强调小麦叶片病害位置，以待测病害图像和库存病害图像间颜色特征差值最小为原则，检索出库存病害图像[5]。本文在总结国内外病害识别相关研究的基础上，利用Visual C++开发基于图像识别的小麦腥黑穗病害诊断系统，系统综合研究小麦腥黑穗病害的多种图像处理方法，提取其颜色、形状和纹理特征，分析有利于病害识别的核心特征，并研究了基于神经网络的分类算法。

2 小麦腥黑穗病害图像处理

用于识别的小麦腥黑穗病害图像是通过显微图像采集设备获取的，分辨率为2 048×1 536 pixel，JPEG格式的图像。图像处理是提取特征前的重要步骤，目的是将图像中的病害区域分割出来。

2.1 图像预处理

图像在获取过程中，会受到不同噪声源的影响，包括图像采集设备和图像传输过程中产生的随机噪声。上述噪声使原本均匀或连续变换的图像像素值发生突变，产生虚假的轮廓边缘，淹没图像特征。因此在进行图像分析前应该抑制和消除噪声，并进行图像增强以突出图像中的病害特征，扩大图像中不同对象特征间的差别。

综合考虑处理效果和耗用时间，本文选用中值滤波法滤除噪声，并通过梯度锐化突出病害区域。

2.2 图像分割

图像分割是后续对小麦腥黑穗病进行定量分析的前提。显微图像普遍存在以下几个特点：背景亮度不均匀造成灰度变化复杂；病害核边界复杂且不规则；载玻片残留杂质；切片制作时的刀口或抓痕；细胞重叠或粘连。这些特点都给病害的分割带来了困难，简单的阈值选取方法很难取得最佳的阈值。本文分析了阈值分割、区域生长法、基于灰度图的K均值聚类法[6]和基于彩色图像的K均值聚类法等4种图像分割方法。

基于彩色的K均值聚类法以病害彩色图像B分量为聚类对象，以R、G、B三分量值之和不变为迭代终止条件，利用K均值聚类的方法分割病害图像，使类内像素均值的距离和取得局部极小值。对矮腥病害图像的各种分割效果的对比见图1。从图中可以看出，基于彩色图像的K均值聚类分割法能更完整地分割出病害区域。

图1 矮腥病害图像分割效果Fig.1 Segmentation of Tilletia controversa Kuhn

为了有效分析病害区域的图像特征，需要将单个病害区域（以下简称单核）从整幅病害图像中提取出来。如果图像病害区域与背景的亮度或颜色对比度明显，则采用区域标记的方法很容易自动分离出单核；如果对比度不明显，为达到精确分割，可通过人机交互的方式在分割图像中确定单核的外接矩形，根据其外接矩形的位置，再采用图像的逻辑运算，就可从原彩色图像中提取出单核的图像。本系统设计了自动与人机交互两种方式来提取单核图像。图2是提取的单核图像。

图2 提取的单核图像Fig.2 Extracted mononuclear images

3 小麦腥黑穗病害图像的特征提取

小麦的网腥、印度腥及矮腥等三种腥黑穗病的病害图像在颜色、形状及纹理等三方面都有差异。为全面考察这些特征差异，本系统可提取病害图像的18个颜色特征、17个形状特征和6个纹理特征，以便在以后通过逐步积累的丰富的样本量，对各种特征进行综合分析，选择其中的典型特征，更好描述各类病害间的差异。获取标准病害图像的特征参数后，就可利用SQL Server 2005建立病害特征数据库或进行分类识别。

3.1 颜色特征提取

颜色直方图对于描绘病害区域颜色的全局分布比较有效，但它只能反映一个直观的区间概念，并不能将颜色直方图反映的颜色分布区间直接作为区分三类病害的依据。为了将颜色分量进行量化，通过分析，本系统提取颜色分量的颜色矩作为颜色特征用于病害分类的分析。

由于颜色分布信息主要集中在图像颜色的低三阶矩中，本系统主要对R、G、B和H、S、I六种颜色分量的一阶、二阶和三阶矩进行统计。

3.2 形状特征提取

三种病害在形状上也存在差异，网腥呈球形或近球形，直径13.2～21.5 μm，印度腥呈球形、近球形或卵形，大小为25～40 μm，矮腥呈球形或扁球形，直径约15.5～17.0 μm[7]。所以其形状也可作为病害识别的特征。

形状特征与图像灰度值无关，因此先对图像进行二值化利于后续计算。本系统计算并分析了长轴与短轴、等价椭圆长轴与短轴、面积、周长、长短轴之比、紧凑性、离心率、形状复杂度[8]和七个不变矩[9]共17个形状特征。

3.3 纹理特征提取

纹理特征不依赖于颜色或亮度，反映了图像上的局部不规则性和宏观上的规律特性。本系统基于灰度共生矩阵[10]来计算纹理特征。

作为纹理分析的特征量，往往不是直接应用计算的灰度共生矩阵，而是在灰度共生矩阵的基础上提取纹理特征。通过试验统计，角二阶矩、熵、局部平稳、惯性矩、相关和方差六种纹理特征中[11]，三类病害只在惯性矩的取值区间上重叠较少。

惯性矩反映了图像的清晰度和纹理沟纹深浅的程度，可用下式描述：

其中，CON代表惯性矩，i和j表示图像灰度层。

通过计算比较，选定距离d为1，方向θ为0°。

3.4 特征选择

根据数理统计原则，依据不同类间特征不相交或相交很少的方法选取出用于分类的特征。基于以上原则，在分析了从图像病害区域提取的上述特征数据后，本系统选择了长轴、短轴、等价椭圆短轴、面积、周长和惯性矩6个有代表性的特征作为模式识别的特征参数。

4 分类识别与试验

特征识别就是根据研究对象的特征或属性，通过一定的分析算法确定待识别对象的类别。

本文以Visual C++为开发平台，结合IMAQ Vision图像函数库及Microsoft SQL Server 2005数据库开发了一个小麦腥黑穗病害分类诊断系统，利用BP神经网络技术完成对病害的诊断和分类。本文使用的BP神经网络为3层结构，输入层为6个神经元，代表归一化的经过特征选择后的6个特征向量，隐含层有10个神经元，输出层是针对三类病害的分类结果，即只有一个输出。为了更好的实现病害的分类，研究对目标期望输出采用8421码进行编码。即输出层的维数为4。传递函数选用双曲正切函数。相似性函数是用函数的方法来表征两向量相似的程度。系统采用夹角余弦法计算待测病害样本和三类标准样本输出向量的相似度，用其表示输出结果。

夹角余弦用来度量两组向量之间夹角的大小，亦称为相和系数，取值越大表明两向量夹角越小，两者越相近。其计算公式为：

其中，x，y是用于度量的向量，n表示向量的维数，i=1，2，…，n。

本文采用上述技术，对包括小麦矮腥黑穗病、小麦网腥黑穗病及小麦印度腥黑穗病共41个单个样本病害图像进行了分类诊断的初步试验，其中15个作为训练样本集，另外26个样本集输入BP网络进行测试。

测试结果如表1所示。可以看出，对三类病害的平均正确识别率可以达到88.5%，且有一定的准确性；对印度腥、矮腥分别有1个和2个样本不能正确识别，原因在于：训练样本太少，由此提取的各类特征数据典型性不足；不能识别的测试样本图像不够清晰，因而提取的特征数据被削弱。

表1 三类病害分类诊断结果Table 1 Diagnosis of three diseases

5 结 论

本文以Visual C++为主要开发平台，开发了一个基于图像识别的小麦腥黑穗病害诊断系统。系统选择了适于对小麦腥黑穗病害图像进行图像滤波和增强的算法；采用图像分割算法并结合人机交互提取了单核图像；在计算和分析了病害的颜色、形状和纹理等共41个特征参数后，根据较大的特征差异更能区分不同病害的原则，选取了6个具有代表性的特征值,并将特征参数值存储在SQL Server 2005数据库中，最后利用BP神经网络技术实现病害的识别和分类。

利用已知的41个小麦腥黑穗病害图像样本进行了分类诊断试验，结果表明，对26个测试样本的正确识别率达到了88.5%，说明采用图像识别技术进行小麦腥黑穗病诊断的方法具有可行性。通过今后增加数据库中的训练样本量，提取更加典型的特征，将会进一步提供识别的准确性。本系统可应用于对小麦腥黑穗病害进行自动检疫和分类，也可应用于其它类似的植物病害的检测或诊断。

[1]新农网.小麦腥黑穗病防治技巧[OL].新农网.(2010－04－10).http://www.zgny.com.cn/ifm/tech/2010－4－10/101504.shtml.

[2]梁再群,郭翼奋,朱颖初,等.根据统计分析冬孢子形态特性区分小麦矮腥黑穗病和网腥黑穗病的方法[J].植物保护学报,1982,9(4):243－250.

[3]Sasaki Y,Okamoto T.Automatic diagnosis of plant diseaserecognition between healthy and diseased leaf[J].Journal of Japanese Society of Agricultural Machinery,1999,61(2):119－126.

[4]Chesmore D,Bernard T,Inman A J,et al.Image analysis for the identification of the quarantine pest Tilletia indica[J].EPPO Bulletin,2003,33(3):495－499.

[5]陈兵旗,郭学梅,李晓华.基于图像处理的小麦病害诊断算法[J].农业机械学报,2009,40(12):190－195.

[6]刘豪,潘中良.电路板图像分割的K均值聚类算法研究[J].自动化与信息工程,2009(2):1－3.

[7]刘惜若.黑粉均与黑粉病[M].北京:农业出版社,1984.

[8]于新文,沈佐锐,高灵旺,等.昆虫图像几何形状特征的提取技术研究[J].中国农业大学学报,2003,8(3):47－50.

[9]Hu M K.Visual pattern recognition by moment invariants[J].IRE Transactions on Information Theory,1962,8(2):179－187.

[10]Haralick R M,Shanmugam K,Dinstein I.Texture features for image classification[J].IEEE Transactions on Systems Management and Cybertics,1973,3(6):610－621.

[11]高士忠.基于灰度共生矩阵的织物纹理分析[J].计算机工程与设计,2008,29(16):4385－4388.