图像处理的玉米病害识别研究

　　玉米是我国的重要粮食作物，具有耐寒、耐旱、耐贫瘠等特性，在各地均有种植。玉米在生长发育过程中，常常因各种因素而染上病害，在许多玉米种植地区，对于病害的识别和诊断往往是通过聘请专家进行诊断或者是由专家开展讲座，农民学习之后自己识别病症，这种传统的方法费时费力，而且往往造成误判。随着图像识别技术[1]朝着更加实时、快速、准确的方向发展，将其应用在农作物病害识别方面有重大研究意义。

图像处理的玉米病害识别研究

　　在病害识别研究中，特征量提取和分类器识别是影响识别率的关键因素。张开兴等采用图像处理技术和BP神经网络识别玉米病害，将提取的颜色和形状特征量输入到BP神经网络进行识别，能有效识别玉米病害[2]。胡敏等采用核主成分分析法对黄瓜病害的颜色和纹理特征进行融合，提高病害识别精度[3]。张善文等提出一种基于局部判别映射的方法对分割后的病斑图像进行特征量提取和维数约简，再利用最近邻分类器进行识别[4]。魏丽冉等采用径向基核函数训练支持向量机[5]，对植物叶部病害识别率高达89.5%。玉米病害识别中常常提取颜色、形状、纹理[6]等特征来表示玉米病害特征，之后将提取到的几组特征经过恰当的组合，将组合后的特征输入到分类器进行识别。本文采用典型相关分析方法[7]对提取的颜色、形状、纹理特征进行约简融合，最后将融合后的特征采用支持向量机进行分类识别。

　　1、图像预处理

　　本文以玉米大斑病、小斑病、灰斑病、锈病4种病害图像为研究对象，通过智能手机拍摄，将其裁剪为390×390像素，以JPG格式保存，其中玉米大斑病、小斑病、灰斑病和锈病等4种玉米病害各100幅，选用其中各类病害的60幅作为训练样本，40幅作为测试样本。

　　采用非线性滤波器对图像进行滤波处理后，需要将病害图像中病斑区域与叶片正常部分分割，为接下来的特征信息提取做准备。图1为4种玉米病害，分别为小斑病、大斑病、锈病、灰斑病，采用一种基于Lab颜色空间的K?means均值聚类算法[8]对玉米病斑图像进行分割，分割结果如图2所示。

　　2 、特征提取

　　特征提取是病害识别中的关键步骤，其目的是约简特征量，避免冗余，并且提供精简有效的信息。本研究中提取颜色、形状、纹理特征用于玉米病害的识别。

　　1)颜色特征。玉米感染病害后颜色[9]会发生变化，因此可以选择颜色信息作为识别病害的特征量。RGB颜色空间易受光照影响且颜色通道高度相关，本文选择在HSV颜色空间提取特征，分别提取H,S,V各通道的一阶矩、二阶矩、三阶矩共9个颜色特征量。

　　2)纹理特征。LBP[10]用来描述图像的局部纹理，它将图像的中心像素点与临近像素点比较，大于中心像素点定义为1，否则为0，中心像素点的值可以表示为二进制形式。考虑到计算量问题，用LBP均匀模式对传统LBP模式进行降维，模式种类由原来的2p降到p·(p-1)+2维，若采用3×3邻域进行采样，则p值为8，二进制模式种类为58种，再加上其余类别1种，共59种，采用LBP提取的纹理特征为1×59维。

　　3)形状特征。玉米病害种类不同，其病斑形状也不同，例如玉米大斑病多呈长纺锤形或梭形，长5～10 cm，宽1 cm左右;锈病多以圆形为主，个体较小，一般为1～2 mm。因此，形状特征可作为区分玉米病害种类的特征量之一。本文通过选取面积、周长、矩形度、伸长度、似球度这5种特征量对玉米病斑进行形状描述。

　　3 、典型相关分析融合

　　典型相关分析(CCA)是一种经典的多元统计方法，自提出以来不断被推广发展、深入研究，现已广泛应用于人脸识别[11]、图像检索[12]等方面。典型相关分析的目的是通过最大化2个视图数据之间的相关性寻找2个投影矩阵用于降维处理。假设2组随机向量用X=[x1,x2,?,xn]∈Rp×n和Y=[y1,y2,?,yn]∈Rq×n表示，其中X和Y是向量空间，x和y是向量空间中的随机向量，最终目的是在X和Y中找到一对投影方向wx和wy，使得x*i=wxx和y*i=wyy最大相关。其中，xi*和yi*是第1对典型变量，之后再找出第2对典型变量x2*和y2*，且第2对典型变量与第1对典型变量互不相关，依次提取典型变量，直至x和y的相关性特征提取完毕。CCA的目标函数如下：

　　式中：Sxx=XXT,Syy=YYT分别是X和Y的自协方差矩阵;Sxy=XYT是矩阵X和Y互协方差矩阵。

　　从式(1)中可以推导出，对于任意标度典型相关系数wx和wy是不变的。然后，来自同一数据集的典型相关系数可以被压缩为归一化单位方差，在约束条件下，典型相关分析可以等效表示为带有以下约束条件的优化问题：

　　式(2)可以通过拉格朗日算法转化为求解广义特征值问题：

　　式中：Sxy=Syx;λ代表特征值。

　　通过求解式(3)的广义特征值问题，可以得到一对投影方向wx和wy，依次求解可以得到一组成对的投影向量，可表示为Wx=(wx1,wx2,?,wxp),Wy=(wy1,wy2,?,wyq)，则X和Y之间的典型变量可以用下式表示：

　　则求得的典型变量可通过以下策略融合：

　　4、图像识别

　　4.1、 SVM分类识别

　　SVM理论[13?14]是由Vapnik等提出的用于解决数据分类问题的机器学习方法，主要是通过寻找一个最优分类超平面，既能保证分类精度，还能使超平面两侧数据的空白间隔最大。本文的分类识别过程可分为以下步骤：

　　1)对预处理后的图像进行特征提取融合;

　　2)选择合适的核函数进行变换，将融合后的特征信息作为输入量转换到高维空间;

　　3)在高维空间寻找最优分类超平面，完成样本的训练，构造学习机;

　　4)将测试集数据输入到学习机，进行分类识别。

　　4.2 、实验结果与分析

　　提取病斑区域的颜色、形状、纹理等特征，采取典型相关分析将颜色和纹理特征融合后再与形状特征进行优化融合，最后通过支持向量机进行分类识别。实验流程如图3所示。

　　实验将采集的玉米病斑图像中240幅作为训练样本，160幅作为测试样本，由SVM进行分类识别，选用RBF核函数训练支持向量机，交叉验证方法寻找最佳的c g参数。图4为基于CCA特征融合的SVM混淆矩阵。

　　由实验结果可知，本文方法对玉米大斑病、小斑病、灰斑病、锈病的识别准确率分别为92.5%,92.5%,92.5%,95.0%，平均准确率可达到93.1%，达到预期识别效果。但是也存在一些误识别现象，如：玉米灰斑病后期病斑连成一片，形状特征接近大斑病且颜色区分度不高，容易被误分为大斑病;玉米小斑病初期为褐色小斑点，易与锈病混淆，后期发展成为褐色椭圆病斑，易与灰斑病混淆，造成误分现象;而玉米锈病在颜色和形状特征中都与其他三种有明显区别，识别率较高。采用本文方法与单一特征量识别、三种特征量串联识别进行对比，结果如表1所示。

　　表1中：Z1,Z2,Z3分别代表颜色、纹理、形状特征类型参数;Z1+Z2+Z3代表将这三种特征串联组合，CCA表示三种特征经过典型相关分析约简融合。从表1可得：采用单特征量对病害进行识别，准确率较低，大多维持在70%左右;将三种特征串联融合之后，识别率得到提高，平均识别率为84.38%;采用典型相关分析特征融合方法对玉米病害进行识别，识别率可达到93.1%，尤其是锈病识别率更是达到95%，有效提高了识别准确率。

　　5、结论

　　本文对玉米病害识别进行研究，将预处理之后的病斑图像进行特征提取，包括颜色、形状、纹理等特征。利用典型相关分析对提取到的特征进行特征融合，最后使用支持向量机进行分类识别，玉米病害平均识别率高达93.1%。实验结果表明，本文方法可有效识别玉米病斑种类。提取的特征变量在一定程度上会有重叠，增加了计算难度和计算时间，而采用典型相关分析约简融合，用较少的互不相关的特征量代替原有特征量的大部分信息，可去除冗余，简化计算量。

　　参考文献

　　[1]汪京京，张武，刘连忠,等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.

　　[2]张开兴，吕高龙，贾浩,等.基于图像处理和BP神经网络的玉米叶部病害识别[J]中国农机化学报, 2019 ,40(8):122-126.

　　《图像处理的玉米病害识别研究》来源：《现代电子技术》，作者：龚瑞昆刘佳