基于作物病害叶片颜色的病斑提取方法

齐国红　张云龙　张晴晴

摘要：作物病害是影响作物产量和质量的重要因素，如何进行病斑的准确提取是后期病害识别的一个关键步骤。为了提高复杂环境下病斑提取的准确率，提出一种基于叶片颜色的病斑提取方法，利用叶片正常部位和病害部位的颜色信息的不同，进行基于支持向量机的分割处理，从而得到很好的分割效果，然后对得到的图像进行最大类间差法处理，完成病斑的提取。结果表明，该方法具有有效性。

关键词：病斑提取；支持向量机（support vector machine，SVM；最大类间差法（OTSU

中图分类号： TP3914；S126文献标志码： A

文章编号：1002-1302（201412-0434-03[HS][HT9SS]

收稿日期：2014-02-22

基金项目：河南省郑州市科技攻关计划（编号：131PPTGG426；郑州大学校引进人才项目（编号：2012YJRC01、2012YJRC02。

作者简介：齐国红（1987—，女，河南郑州人，硕士研究生，研究方向为模糊模式识别。E-mail：919728600@qqcom。

目前已经存在很多种图像分割方法，基于阈值[1]、直方图、分水岭[2-3]等。这些方法均是在图像本身的相似性上进行分割，在很多应用领域获得了成功。基于统计理论的有神经网络的图像分割算法[4-5]和支持向量机的葡萄病害识别方法[6]。在复杂环境下进行目标提取相对比较困难，姚立健等根据茄子色差和色调的不同，用遗传算法优选出茄子的特征进行分类，从而把茄子从复杂的根茎和光照下分割出来[7]。Camargo等在对香蕉叶黑斑病的研究中利用了直方图阈值分割法，将病斑从背景中分割出来[8]。王红君等在研究彩色图像自动分割问题的过程中，根据分水岭与自动种子区域生长相结合的算法，在复杂的背景下更完整地分割出目标区域[9-10]。耿长兴等用色度和纹理的特征来识别病害，研究了可见光光波段的黄瓜霜霉病的分割方法[11]。Deny等用自适应一维SOM将目标从复杂的环境中分割出来[12]。这些图像分割方法均有自己适合的场合，不是对所有的图像分割都有效，但这些已经存在的病害图像分割方法却是我们进一步研究图像分割技术的基础。笔者选取手机在正常大田环境下进行黄瓜病害叶片拍摄，进行待分割黄瓜病害叶片图像的选取，对病斑部位和正常部位的颜色信息进行采样，得到病斑和正常部位的样本，然后进行不同核函数下的SVM训练，得到SVM分类模型，并用得到的SVM分类模型对待分割样本进行分割，选取分割效果好的核函数分割出来的病害图像，进行OTSU下病斑的提取，滤除背景信息的干扰，从而将病斑很好地提取出来。

1材料与方法

11黄瓜病害叶片图像采集和颜色特征提取

在大田环境下进行黄瓜病害叶片图像的获取，用手机进行拍摄，手机设置为自动调焦、关闭闪光灯、自动白平衡模式。为了能够检验本算法在各种情况下的分割效果，进行黄瓜病害叶片图像的正面、侧面以及阳光、阴影下的图像拍摄。

黄瓜叶片的病斑部分和正常部位的颜色差异较大，正常部位的颜色呈现出健康绿色，病斑部位的颜色多呈现为类似黄色。在RGB颜色空间中，这两部分最大的差异是红色分量所占的比例不同，病斑部位所占的红色比例最大。相对于HIS彩色模型中的色调、亮度和饱和度的指标，RGB颜色空间能够更加直接地反映出病斑部位和正常部位之间的差别。因此选用RGB颜色空间[13]进行病斑部位和正常部位的颜色特征提取。

12病害图像分割和提取算法

SVM已经广泛应用于图像分割[14]，在高维空间使用最大边缘寻找线性分类面，利用Lagrange优化方法，把求最优分类面的问题转化为二次函数寻优问题，从而求得支持向量及相应参数：

[J（]g（x=∑[DD（]tj=1[DD]yjαj[（xjT（x]+b。[J][JY]（1

式中：yj={+1，-1}表示样本的类别，αj为Lagrange优化的最优解，b为分类阈值。

通常，仅有少部分αj不为0，这些不为0的αj对应的样本向量就是支持向量。用公式（1求分类样本到最优分类面的距离。SVM采用符号函数进行分类决策：

[J（]f（x=sgn{g（x}=sgn{∑[DD（]ij=1[DD]yjαj[（xjT（x]+b}。[J][JY]（2

式中：sgn为符号函数，b为分割阈值。

令（xj，x=（xjT（x为内积运算，为核函数。常用的核函数有线性核函数、多项式核函数、径向基核函数等。SVM的关键在于核函数的选择，低维空间向量机较难划分，通常将他们映射到高维空间来划分，但会增加计算的复杂度，而应用核函数可以巧妙地解决这个问题。只要选择合适的核函数，就可以得到高维空间的分类函数。核函数的不同会导致分割效果的不同，在实际的分类过程中一般还需要加入C（惩罚参数来衡量对离群点的重视程度。

OTSU是利用图像的灰度直方图[1]，通过寻找图像中目标和背景2类间的方差最大值来动态地确定图像分割阈值。其原理为：

[J（]f（m=μ1（mυ1（m[μ2（m-υ2（m]2。[J][JY]（3

式中：μ1（m为目标所含像素数；υ1（m为背景所含像素数；μ2（m是目标平均灰度值；υ2（m是背景平均灰度值。

13提取方法和过程

SVM图像分割算法利用支持向量机对图像中的每一个像素进行分类。首先提取黄瓜叶片的正常部位和病斑部位的RGB颜色信息[15]；然后用不同核函数和惩罚因子对样本集进行训练，选取分割效果好的核函数，获得支持向量，再逐一提取像素中每个像素的信息，形成待分类样本集；最后利用SVM对样本集进行分类，获得分割后的图像，进行OTSU算法处理，得到病斑的图像，完成对病斑图像的提取。黄瓜病害叶片的病斑图像提取步骤如下：（1大田环境下用手机拍摄黄瓜图像，选取典型黄瓜病害叶片图像，将黄瓜病害叶片图像中的对象分为病斑部位和正常部位2类。在RGB颜色空间下，进行一定量的病斑像素和背景像素点样本采集。（2根据样本像素的数据特征，进行不同核函数下的SVM训练，得到2分类模型。（3用不同核函数下得到的分类模型进行待分类样本的分类，进行分割效果的比较分析，选取分割效果好的核函数下的SVM图像。（4对得到的SVM图像进行OTSU算法处理，滤除正常绿色背景信息的干扰。

2结果与分析

在RGB颜色空间下，从采集的黄瓜病害叶片图像中各选择20个代表正常部位和病斑部位的典型像素点，提取特征，生成训练集；将病害部位归为一类，其他的归为一类；用线性核函数、多项式核函数、径向基核函数进行SVM模型的训练，得到不同的SVM模型；再逐一提取每个像素点的特征，产生样本待分类样本集；然后利用式（1求每一个像素点到对应样本超平面的距离；再利用式（2将每个像素点归为不同的类完成对图像的分割。经过试验令惩罚因子C=10进行分类器的训练，用不同核函数得到的SVM模型进行待分割样本的分割，其分割结果如图1所示。

[F（W15][TPQGH1tif；S+3mm][F]

[JP2]图1-A是待分割的黄瓜病害叶片图像，图1-B、图1-C、图1-D分别是线性核函数、多项式核函数、径向基核函数下的SVM分割图像。图1-B分割出来的病斑图像的边缘不完整，且病害叶片的很多病斑没有完整地分割出来；与图1-B相比，图1-C分割出来的病斑图像边缘较完整，而且病害部位较准确，不足之处在于非正常病斑图像的分割。相比之下，图1-D分割出来的病斑图像完整且病斑形状较为准确，滤除旁边正常叶片的干扰，更能体现黄瓜病斑图像的形状。为了进一步说明径向基核函数分割模型的效果，选取图1-B、图1-C、图1-D的SVM图像的灰度直方图来加以说明（图2。[FL]

[F（W11][TPQGH2tif][F]

[FL（22]图2-A是线性核函数下进行黄瓜病斑图像分割结果的灰度直方图，可以看到有2个明显峰；图2-B是多项式核函数下的灰度直方图，存在多峰现象；图2-C是径向基核函数下的灰度直方图，呈现出双峰特性，灰度值分布均匀。

综合图1与图2，选取径向基核函数下分割出来的图像进行叶片病斑图像的准确提取。

径向基核函数下的SVM分割后的图像分为病斑部位和正常绿色部位2个部分，为了便于病斑图像的准确观察和后期的病害识别，将SVM分割后的图像中的正常绿色部位滤除掉。选用OTSU算法进行正常绿色背景信息的滤除，其结果如图3所示。

[F（W10][TPQGH3tif][F]

从图3可以看出，经过OTSU算法处理后的病斑图像滤除了背景信息的干扰，病斑图像被很好地提取了出来。

现有的作物病斑图像分割方法一般根据病害叶片图像的颜色、纹理、形状特征来对病害图像进行分割，其方法具有一定的局限性。本研究的方法不用考虑病害叶片的光照以及阴影，只需要选取病害叶片图像的RGB空间的颜色特征就可以将病斑图像提取出来，具有很强的适用性。本研究病斑图像提取方法和其他病斑图像提取方法结果比较如图4所示。

[F（W22][TPQGH4tif][F]

从图4-B可以看出，基于OTSU的分割算法分割出来的病斑图像受噪声影响较多，分割出来的病斑图像中存在很多由噪声和细小纹理所导致的小斑点，且受叶片本身叶脉影响较严重，而这些小噪声和纹理的影响对病斑图像后期的处理和分析是不利的。而本研究中的SVM和OTSU相结合的算法很好地解决了这个问题，该方法直接提取病斑图像和正常叶片图像的RGB颜色特征，从而消除了光照、阴影等影响，能将病斑图像很好地提取出来（图4-C。研究结果表明，该方法能够更加准确地提取病斑图像，说明了SVM和OTSU相结合的算法在作物病斑图像提取方面的优越性。

3结论

为了改善作物病斑图像的分割效果，本研究提出了一种基于叶片颜色的病斑图像提取方法。利用病斑图像和正常叶片图像的颜色信息的不同，采用SVM和OTSU相结合的算法能够将病斑图像很好地提取出来，结果表明了该算法在病斑图像提取方面的优越性。该算法在RGB颜色空间下进行样本信息的选择，且病斑部位和正常叶片的样本像素点的选择直接影响SVM训练模型，进而影响病斑图像的提取效果。如何精确地选取对病斑图像分割有用的样本信息，以便于后期的病害识别，是以后研究的重点。

[HS2][HT85H]参考文献：[HT8SS][HJ18mm]

[1][（#]肖超云，朱伟兴 基于Otsu准则及图像熵的阈值分割算法[J] 计算机工程，2007，33（14：188-189，209

[2]陈婷婷，程小平 采用模糊形态学和形态学分水岭算法的图像分割[J] 西南大学学报：自然科学版，2008，30（3：142-145

[3]任玉刚，张建，李淼，等 基于分水岭算法的作物病害叶片图像分割方法[J] 计算机应用，2012，32（3：752-755

[4]周长英 基于改进的模糊BP神经网络图像分割算法[J] 计算机仿真，2011，28（4：287-290

[5]Song ，Liu ，Su H，et al A research of maize disease image recognition of corn based on BP networks[C]// Third International Conference on Measuring Technology and Mechatronics Automation，2011

[6]田有文，李天来，李成华，等 基于支持向量机的葡萄病害图像识别方法[J] 农业工程学报，2007，23（6：175-180

[7]姚立健，丁为民，刘璎瑛 基于MATLAB的茄子图像分割方法[J] 江西农业学报，2007，19（6：97-101

[8]Camargo A，Smith J S An image-processing based algorithm to automatically identify plant disease visual symptoms[J] Biosystems Engineering，2009，102（1：9-21

[9]王红君，陈伟，赵辉，等 复杂背景下植物叶片的彩色图像分割[J] 中国农机化学报，2013，34（2：207-211

[10][（#]王佳男 采用基于区域的自动种子区域生长法的彩色图像分割方法[D] 长春：东北师范大学，2007

[11]耿长兴，张俊雄，曹峥勇，等 基于色度和纹理的黄瓜霜霉病识别与特征提取[J] 农业机械学报，2011，42（3：170-174

[12]Hernández-Rabadán D L ，Guerrero J，Ramos-Quintana F Method for segmenting tomato plants in uncontrolled environment[J] Science Research，2012（4：599-606

[13]Phadikar S，Sil J Rice disease identification using pattern recognition techniques[C]//hulna，Bangladesh：Proceedings of 11th International Conference on Computer and Information Technology，2008：420-423

[14]宋凯，孙晓艳，纪建伟 基于支持向量机的玉米叶部病害识别[J] 农业工程学报，2007，23（1：155-157

[15]Jayamala P，umar R Color feature extraction of tomato leaf diseases[J] International Journal of Ngineering Trends and Technology，2011，2（2：72-74[HJ][FL]