王献锋，张善文，孔韦韦

（西京学院工程技术学院，陕西 西安　710123）

基于自适应中心对称局部二值模式的作物病害识别方法

王献锋，张善文，孔韦韦

（西京学院工程技术学院，陕西 西安710123）

基于局部二值模式（LBP）算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点，针对作物病害叶片图像的特点，提出一种自适应中心对称局部二值模式（Adaptive Center-Symmetric Local Binary Patterns，ACSLBP）算法，并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征，利用模糊C均值聚类算法对病害叶片图像进行分割，再将分割后的病斑图像进行分块，然后采用自适应阈值提取每个子块的ACSLBP纹理直方图，结合作物病害叶片图像的颜色特征，利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验，平均识别率高达95%以上，表明该方法是有效可行的。

自适应对称局部二值模式；病害叶片图像分割；作物病害识别；最近邻分类器

王献锋，张善文，孔韦韦.基于自适应中心对称局部二值模式的作物病害识别方法［J］.广东农业科学，2016，43（9）：140-145.

近年来，随着全球气候逐渐变暖和不断恶化，温室作物的大规模种植和农药的过量使用，使得作物的生态环境不断遭到改变和破坏，作物病害的发生呈现上升趋势。我国作为农业大国，为了提高作物产量和质量，有效应对作物病害刻不容缓。及时、准确地检测并识别作物病害，能够采取有效措施防止病害发生。当作物受到病害侵袭后，其症状往往首先出现在叶片上，使得叶片的颜色、形状和纹理发生变化，因此通过叶片可以观测作物病害的发生和变化［1-2］。基于病害叶片的作物病害识别是一个重要的研究方向［3-4］。传统的物病害检测、识别方法主要依赖于农业生产者和植保人员的经验，通过肉眼观察，识别速度慢、主观性强、误判率高、实时性差，不适于大面积作物病害检测。随着计算机、图像处理和模式识别技术的不断提高，利用计算机进行作物病害的自动检测和识别成为可能［5］。到目前为止，出现了很多作物病害自动识别方法和技术［6-8］，病害识别方法主要包括3个步骤：（1）利用k-均值聚类、Otsu和分水岭等方法对病害叶片进行图像分割，得到病斑图像；（2）提取病斑图像的颜色、纹理和形状的特征，进行特征选择和特征融合，组成特征向量或矩阵；（3）利用最近邻分类器、支持向量机和神经网络等方法进行病害分类识别。汪京京等［9］阐述作物病虫害识别的研究现状和进展，并给出了一些展望；Hiary等［10］描述了一种能够识别植物病变特征的图像处理技术，该技术复杂度低，能够应用于智能手机进行作物病害识别；贾建楠等［11］分析了边缘检测法和最大类间方差法分割叶片图像的优缺点，并提取病害叶片的10个形状特征，对2种黄瓜病害进行识别，其正确识别率达到100%，表明利用病斑形状特征和神经网络进行黄瓜细菌性角斑病和霜霉病识别的可行性；张善文等［12］提出了一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法，先分割黄瓜病害叶片病斑图像，然后进行黄瓜病害叶片图像识别特征提取，再对特征向量进行维数约简，最后进行黄瓜病害识别；王献锋等［13］利用图像处理和统计分析，提出了一种基于病害叶片图像和环境信息的黄瓜病害类别识别方法；张芳等［14］在K-均值聚类算法和LOG算子的基础上，提出一种基于超像素和形状上下文的复杂背景下的黄瓜叶片图像分割算法，建立了黄瓜叶片白粉病检测器和黄瓜叶片霜霉病检测器，再将黄瓜叶片病害检测器分为两部，第一部为病斑检测器，第二部是根据病斑检测器的结果来进一步判断叶片是否患有某种病害；毋媛媛等［15］针对小麦叶部病害智能识别系统，提出了基于颜色、纹理和形状特征的特征提取方法，原始特征43个，包括14个颜色特征、16个纹理特征和13个形状特征，然后利用神经网络进行病害识别。

目前很多作物叶部病害识别方法都是通过分割病斑，提取其颜色、形状、纹理特征参数，在一定程度上取得了较好的识别效果。但由于病害叶片图像以及病斑图像的复杂多样性，使得很多病害识别方法还不能有效应用于作物病害识别系统。局部二值模式（Local Binary Pattern，LBP）及其改进算法是一类用来描述图像局部纹理特征的算子，具有旋转、光照和灰度不变性等优点［16-17］，被广泛应用于目标检测、人脸识别、纹理分类、图像匹配、生物和医学图像分析等领域［18-20］，但很少应用于病害叶片图像处理。本研究在LBP和中心对称LBP（CS-LBP）［21］的基础上，提出一种自适应中心对称LBP（ACSLBP）算法，并应用于作物病害识别。

1　局部二值模式（LBP）和自适应LBP

LBP将邻域作为处理单元，以任意一个像素为中心，将该像素的灰度值gc作为阈值，比较邻域中像素的灰度值gi（i =0，1…P）与中心像素的灰度，若邻域像素的灰度大于中心像素的灰度，则该邻域像素置为1，否则置0。由此得到二进制邻域像素，再给第i个邻域像素gi分配一个权重2i。将加权二进制邻域像素的代数和作为中心像素的LBP算子：

本研究针对病害叶片图像的复杂多样性特点，在自适应LBP算法和CS-LBP算法的基础上，提出一种自适应中心对称LBP（ACSLBP）算法。该方法能够根据图像的特点，自适应选取阈值，能够更加真实地反映图像中纹理细节的变化特征。图1为以P=8，R=1为区域大小进行局部自适应二值化的过程：对于某个像素gc，计算以此像素的中心的8邻域像素g（i=0，1…，7）平均灰度值的百分比作为一个阈值，若邻域gi的像素大于该阈值则设置gi=1；否则gi=0，这是ALBP的原理；若以像素gc为中心的两个对称像素点之差大于阈值则设置为1，反之为0，这是CS-LBP的原理。

2　基于自适应中心对称LBP算法的纹理特征提取

图1　LBP和CS-LBP算法的邻域关系示意图

自适应中心对称LBP（ACSLBP）算法结合了自适应LBP算法和CS-LBP算法的优点。基于ACSLBP算法提取图像的纹理特征CSLBPP，R（P=8，R=1）的步骤如下：

第一步：图像分块。为了最大程度地真实反映病害叶片图像的纹理特征，可以将病害叶片图像划分成m个子块，若某些子块的病斑图像的纹理细节较为丰富，则赋予该子块较大的权重，而纹理细节较为稀少的子块赋予较小的权重。

第二步：在每个子块中，计算每个像素的中心对称CSLBP8，1：

第三步：纹理特征提取。

（1）计算每一子块纹理图像的直方图向量Vi（i =0，1，…m）。

（2）计算每一子块纹理图像的信息熵。图像的信息熵反映了图像中信息量的大小，信息熵越大，表明纹理细节越丰富；反之，纹理细节越稀少。按照下式计算每一子块纹理图像的信息熵：

式中，Pij为第i个子块纹理图像中第j个灰度级出现的概率，L为Vi的灰度级。

（3）直方图加权。将各个子块的直方图向量Vi进行加权连接后得到每幅原图像的加权特征向量V：

式中，ai（i =1，2，…m）为第i个子块的权重系数，

3　验证试验与分析

为了验证本研究提出作物病害识别方法的有效性，利用4种常见的黄瓜病害（黑星病、褐斑病、灰霉病和红粉病）叶片图像数据库进行试验。该数据库来源于陕西杨凌农业高新技术产业示范区，由分辨率1 200×1 600的佳能A640数码相机拍摄，每种病害包含不同光照和不同角度的100幅叶片图像，图像采用Matlab7.0软件进行处理。本研究结合病斑图像的颜色特征和K-最近邻（K=1）分类器，并采用5折交叉验证法进行病害识别，其中，颜色特征包含病斑的R、G、B颜色成分和H色调的均值、方差、偏度、峰值、能量、熵共6个特征［22］。将所有预处理后的4种黄瓜病斑图像随机划分成5份，每次划分的4份共320幅作为训练样本训练1-NN分类器，剩余1份共80幅作为测试样本，用于测试算法的有效性，共执行5次性能测试。由于试验涉及到参数选择，因此取每次试验的最高识别率，则每次划分可以得到5个最高识别结果，取平均值。划分重复50次，计算5×50=250次结果的平均值，为最终的试验结果。实验过程如下：

（1）预处理。为了试验方便，利用Matlab中的函数resize（）把每幅叶片图像剪裁成大小为480×320，并以JPG格式存储到图像数据库。然后利用模糊C均值聚类算法分割病斑图像［23］。图2（封三）为4种黄瓜病害叶片图像样本及其分割后的病斑图像。

为提取加权纹理特征，将病斑图像划分成4×4=16个子块（图3，封三））。由于基于ACSLBP的纹理特征与颜色无关，因此首先将彩色病斑图像转换为灰度图像，利用中值滤波和高斯滤波去掉噪声点后，提取各子块的CSLBP8，1，计算其直方图（图4），将所有各子块的CSLBP8，1的直方图进行加权，串联构成加权纹理特征向量V。

图4　黄瓜病斑图像的CSLBP8，1及其对应的直方图

为了能够合适地获取阈值中的参数λ，本研究利用加权纹理特征向量V进行一系列的对比试验，观察λ取0.01～0.10（步长为0.01）中的每个值时，对应的识别率的变化情况。图5为随着λ变化的病害识别率（没有颜色特征）。由图5可知，当λ=0.05时，识别率最高，因此后续试验取λ=0.05。

（2）特征融合。将加权纹理特征与病斑图像的6个颜色特征进行融合。

（3）病害识别。利用1-NN分类器进行病害类别识别。

图5　不同调节参数λ对应的识别率

表1为4种黄瓜病害的识别结果。为了验证本研究病害识别方法的有效性，表1给出了其他3种常用的作物病害识别方法的识别结果，包括基于病斑形状和神经网络的黄瓜病害识别方法［11］、基于彩色图像颜色统计特征的识别方法［22］和基于K-均值分割和神经网络的叶片病害识别方法［24］。这3种方法及其本研究提出的方法都是在相同的黄瓜病害叶片图像数据集上进行试验，而且叶片图像的预处理以及训练子集和测试子集划分也相同，但各个方法特征提取和选择的特征数目不同。从表1可以看出，ACSLBP的识别率最高，达95.427%。ACSLBP是将病斑图像进行分块后，计算每个子块的信息熵，并以此作为各个子块的加权系数，然后提取每个子块的纹理特征后对各子块进行加权串联，再融合病斑图像的6个颜色特征，最终能够形成病害叶片的分类特征向量，取得了最高的识别率。ACSLBP除了对病斑图像进行分块、中心对称和自适应加权处理外，还考虑了中心像素与周围像素的大小关系在纹理特征提取中的作用，能较好地描述粗细纹理。

表1　4种黄瓜病害识别方法的识别率

4　结语

基于叶片图像的作物病害识别方法研究具有重要意义，但由于叶片及其病斑图像的复杂多变性，使得很多病害识别方法的识别率不能满足实际需要。本研究在LBP和CS-LBP算法的基础上，提出了一种基于ACSLBP的纹理特征提取算法。该方法首先对病害叶片图像分块，然后计算每个子块的阈值，再采用ACSLBP特征谱的统计直方图，提取每个子块的加权纹理特征，结合病斑图像的6个颜色特征，串联成最终的特征，最后利用最近邻分类器进行病害识别。在黄瓜病害叶片图像数据库上进行的试验证明，本研究提出的病害识别方法具有更高的正确识别率。

［1］Revathi P，Hemalatha M. Cotton leaf spot diseases detection utilizing feature selection with skew divergence method［J］. International Journal of Scientific Engineering and Technology，2014，3（1）：22-30.

［2］Kiran R G，Ujwalla G. An overview of the research on plant leaves disease detection using image processing techniques［J］. IOSR Journal of Computer Engineering（IOSR-JCE），2014，16（1）：10-16.

［3］Elham O，Benyamin K，Shahaboddin S，et al. Potential of radial basis function-based support vector regression for apple disease detection［J］. Measurement，2014（55）：512-519.

［4］Zhang S W，Shang Y J，Wang L. Plant disease recognition based on plant leaf image［J］. Journal of Animal & Plant Sciences，2015，25（3）：42-45.

［5］Arivazhagan S，Newlin S R，Ananthi S，et al. Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features［J］. Agric Eng Int：CIGR Journal，2013（15）：211-217.

［6］Dheeb A B，Malik B，Sulieman B. A Framework for Detection and Classification of Plant Leaf and Stem Diseases［C］. International Conference on Signal and Image Processing，2012：113-118.

［7］Wang H G，Li G L，Ma Z H，et al. Image Recognition of Plant Diseases Based on Principal Component Analysis and Neural Networks［C］. 8th International Conference on Natural Computation，2012：246-251.

［8］Santanu P，Jaya S. Rice Disease Identification using Pattern Recognition Techniques［C］. International Conference on Computer and Information Technology，2008：420-423.

［9］汪京京，张武，刘连忠. 农作物病虫害图像识别技术的研究综述［J］. 计算机工程与科学，2014，36（7）：1363-1370.

［10］Hiary H A，Ahmad S B，Reyalat M，et al. Fast and accurate detection and classification of plant diseases［J］. International Journal of Computer Applications，2011，17（1）：31-38.

［11］贾建楠，吉海彦. 基于病斑形状和神经网络的黄瓜病害识别［J］. 农业工程学报，2013（S1）：115-121.

［12］张善文，黄文准，胡伟. 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法［P］. CN 103593652 A，2014.

［13］王献锋，张善文，王震，等. 基于叶片图像和环境信息的黄瓜病害识别方法［J］. 农业工程学报，2014（14）：148-153.

［14］张芳，王璐，付立思，等. 基于支持向量机的黄瓜叶部病害的识别研究［J］. 沈阳农业大学学报，2014（4）：457-462.

［15］毋媛媛，李清波，刁智华. 小麦叶部病害彩色图像特征提取研究［J］. 农机化研究，2015，37（10）：79-82.

［16］Guo Z H，Zhang L，Zhang D. Rotation invariant texture classification using LBP variance（LBPV）with global matching［J］. Pattern Recognition，2010，43（3）：706-719.

［17］Ojala T，Pietikainen M，Maenpaa T. Multiresolution grayscale and rotation invariant texture classification with local binary patterns［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

［18］徐杜功，丁召，刘桥. 基于稀疏表达和改进的LBP算子的人脸表情识别［J］. 计算机应用与软件，2013，30（4）：246-248.

［19］韩延彬，尹键芹，李金屏. 基于图元旋转不变性和相位统计信息的LBP算法在纹理分类中的研究［J］. 计算机学报，2011，34（3）：583-592.

［20］胡敏，许艳侠，王晓华，等. 自适应加权完全局部二值模式的表情识别［J］. 中国图象图形学报，2013，18（10）：1279-1284.

［21］张洁玉，赵鸿萍，陈曙. 自适应阈值及加权局部二值模式的人脸识别［J］. 电子与信息学报，2014，36（6）：1327-1333.

［22］岑喆鑫，李宝聚，石延霞，等. 基于彩色图像颜色统计特征的黄瓜炭疽病和褐斑病的识别研究［J］. 园艺学报，2007，34（6）：1425- 1430.

［23］毛罕平，张艳诚，胡波. 基于模糊C均值聚类的作物病害叶片图像分割方法研究［J］. 农业工程学报，2008，24（9）：136-140.

［24］Dheeb A B，Malik B，Sulieman B A. Detection and classification of leaf diseases using K-means-based segmentation and neuralnetworks-based classification［J］. Information Technology Journal，2011，10：267-275.

（责任编辑 邹移光）

Adaptive center-symmetric local binary patterns for crop disease recognition

WANG Xian-feng，ZHANG Shan-wen，KONG Wei-wei
（College of Engineering and Technology，Xijing University，Xi’an 710123，China）

The local binary pattern （LBP） based pattern recognition method has high histogram dimension，poor discriminate ability and redundant information. According to the features of crop disease image，to accurately describe the texture structure of crop disease leaf image，an adaptive center-symmetric local binary patterns （ACSLBP）algorithm was proposed for crop disease recognition. The invariance texture features of illumination and rotation were extracted by the algorithm. Firstly，every disease leaf image was segmented using the fussy means-clustering algorithm. Secondly，the segmented spot image was divided into several sub-images and their corresponding ACSLBP texture histogram features were extracted respectively based on the adaptive threshold. Finally，combining the 6 color features of spot image，the crop diseases were recognized by nearest neighbor classifier. The experiments on leaf image database of four common cucumber diseases were implemented. The average correct recognition rate was above 95%. The experimental results verified that the proposed method was effective and feasible.

adaptive center-symmetric local binary patterns （ACSLBP）；disease leaf image segmentation；crop disease recognition；nearest neighbor classifier

TP391.413；S431

A

1004-874X（2016）09-0140-06

2016-06-15

国家自然科学基金（61473237）；陕西省自然科学基础研究计划项目（2014JM2-6096）

王献锋（1965-），男，硕士，副教授，E-mail：wjdw716@163.com