0 引言

    小麥?zhǔn)俏覈?guó)主要的糧食作物之一，種植面積位居第二，僅次于水稻。病蟲害問(wèn)題是影響小麥產(chǎn)量和質(zhì)量的關(guān)鍵問(wèn)題之一。全世界正式記載的小麥病害有200余種，在我國(guó)發(fā)生較嚴(yán)重的有20余種。小麥病害檢測(cè)識(shí)別的研究具有重要經(jīng)濟(jì)和社會(huì)意義。隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的發(fā)展，自動(dòng)識(shí)別農(nóng)作物病害已經(jīng)成為研究的熱點(diǎn)^[1-5]。余秀麗^[6]等提取小麥病害形狀特征和紋理特征共13個(gè)特征變量，以支持向量機(jī)作為識(shí)別模型，具有較高準(zhǔn)確率。王美麗^[7]等提取小麥病害顏色特征和形狀特征共14個(gè)變量，采用逐步判別分析法進(jìn)行變量篩選，識(shí)別效果較好。李冠林^[8]等提取形狀、顏色和紋理特征共50個(gè)特征變量，并通過(guò)不同特征結(jié)合進(jìn)行識(shí)別，優(yōu)選出26個(gè)特征變量，可有效對(duì)小麥條銹病和葉銹病識(shí)別。在進(jìn)行病害識(shí)別時(shí)，各種特征變量對(duì)病害識(shí)別的貢獻(xiàn)不同，因此需要進(jìn)行特征變量篩選。當(dāng)特征變量較多時(shí)，拼湊方式進(jìn)行特征變量篩選效率太低。

    病害識(shí)別是防治的前提，本文采集小麥白粉病、條銹病、葉銹病和稈銹病4種病害圖像，通過(guò)閾值分割提取小麥病斑區(qū)域，利用灰度共生矩陣和顏色矩提取病害的紋理和顏色特征，并結(jié)合平均影響值思想和支持向量機(jī)實(shí)現(xiàn)特征變量的優(yōu)選和小麥病害的識(shí)別。旨在更好地實(shí)現(xiàn)小麥病害的機(jī)器視覺(jué)識(shí)別。

1 特征提取

1.1 紋理特征

    灰度共生矩陣是由Haralick^[9]提出的一種用來(lái)分析圖像紋理特征的重要方法，它能較精確地反映紋理粗糙程度和重復(fù)方向。Ulaby^[10]等人研究發(fā)現(xiàn):在灰度共生矩陣的14個(gè)紋理特征中,僅有4個(gè)特征是不相關(guān)的,這4個(gè)特征不僅便于計(jì)算，而且分類精度較高。其計(jì)算公式如下：

    (1)角二階矩：

    計(jì)算角二階矩、慣性矩、熵、相關(guān)性4個(gè)參量在0°、45°、90°、135° 4個(gè)方向上的值，將角二階矩的均值和方差、慣性矩的均值和方差、熵的均值和方差、相關(guān)性的均值和方差共8個(gè)量作為紋理特征參數(shù)。

1.2 顏色特征

    顏色特征非常穩(wěn)定，是病害識(shí)別的一個(gè)重要參數(shù)^[11]。顏色矩^[12]是由Stricker和Orengo提出的一種簡(jiǎn)單有效的顏色特征表示方法。由于顏色信息主要分布于低階矩中，提取RGB顏色空間各分量的一階矩和二階矩共6個(gè)量作為顏色特征參數(shù)。計(jì)算每一個(gè)顏色通道的一階矩和二階矩，記i通道的第j個(gè)像素為p_ij，N為像素總數(shù)，其計(jì)算公式如下：

    (1)一階矩：

2 特征變量篩選

    平均影響值(MIV)反應(yīng)了神經(jīng)網(wǎng)絡(luò)中權(quán)重矩陣的變化情況，被認(rèn)為是在神經(jīng)網(wǎng)絡(luò)中評(píng)價(jià)變量相關(guān)性最好的指標(biāo)之一。將平均影響值的思想應(yīng)用于支持向量機(jī)回歸中實(shí)現(xiàn)非線性的特征變量篩選，以提高小麥病害的識(shí)別精度、減少訓(xùn)練和識(shí)別時(shí)間。特征變量篩選過(guò)程如下：

    對(duì)于一個(gè)具有n個(gè)變量的自變量向量進(jìn)行m次觀測(cè)，可以得到X=[x₁，x₂，…，x_m]^T的變量空間，它所對(duì)應(yīng)的因變量可以寫為Y=[y₁，y₂，…，y_m]^T。

    使用擁有m個(gè)樣本的自變量向量X對(duì)支持向量機(jī)進(jìn)行訓(xùn)練得到預(yù)測(cè)模型。將用于訓(xùn)練的自變量空間進(jìn)行如下變換，得到2n個(gè)新的自變量空間(i=1，2，…，n)：

    把新的自變量空間作為訓(xùn)練得到的預(yù)測(cè)模型的輸入，經(jīng)過(guò)支持向量機(jī)回歸預(yù)測(cè)可以得到第i個(gè)自變量變化時(shí)與之對(duì)應(yīng)的2n個(gè)輸出向量(i=1，2，…，n)：

    對(duì)式(8)、式(9)中兩個(gè)向量做差運(yùn)算，得到第i個(gè)自變量變動(dòng)后對(duì)輸出產(chǎn)生的影響變化值向量：

    將IV_i按觀測(cè)例數(shù)平均得到第i個(gè)自變量對(duì)于因變量的平均影響值MIVi：

    MIV_i為第i個(gè)自變量對(duì)輸出結(jié)果產(chǎn)生的平均影響變化值，正負(fù)號(hào)表示自變量對(duì)因變量產(chǎn)生影響的方向，絕對(duì)值大小表示自變量對(duì)因變量的影響程度。根據(jù)MIV絕對(duì)值的大小為自變量排序，刪除對(duì)識(shí)別結(jié)果影響較小的特征變量，即實(shí)現(xiàn)了變量篩選。

3 病害識(shí)別

    將已采集的小麥葉片圖像分割后，分別提取病害區(qū)域紋理特征和顏色特征。紋理特征主要提取的是角二階矩、慣性矩、熵、相關(guān)性在0°、45°、90°、135° 4個(gè)方向的均值和方差，顏色特征主要提取的是R、G、B三通道的顏色一階矩和二階矩。將提取出的特征變量進(jìn)行篩選，選出對(duì)識(shí)別結(jié)果影響較大的特征作為輸入向量。建立基于徑向基核函數(shù)的支持向量機(jī)分類模型，輸入優(yōu)選特征實(shí)施小麥病害識(shí)別實(shí)驗(yàn)。病害識(shí)別流程圖如圖1所示。

4 實(shí)驗(yàn)與分析

    葉片健康區(qū)域通常為綠色，病害區(qū)域?yàn)榉蔷G色，依據(jù)植物葉片和病斑顏色特征差異大的特點(diǎn)，采用經(jīng)典閾值分割方法簡(jiǎn)單有效，小麥葉片圖像和對(duì)應(yīng)的分割病斑圖像如2所示。

    以MATLAB7.0作為圖像處理和分析平臺(tái)進(jìn)行試驗(yàn)，選取小麥白粉病、條銹病、葉銹病和稈銹病病害圖像80張(每種病害各20張)作為訓(xùn)練樣本，再選取80張(每種病害各20張)作為測(cè)試樣本。計(jì)算訓(xùn)練樣本圖像的紋理特征和顏色特征，并對(duì)其進(jìn)行特征變量篩選。根據(jù)每個(gè)特征變量對(duì)識(shí)別結(jié)果的影響程度進(jìn)行排序，排序結(jié)果如表1所示。

    為了使得到的支持向量機(jī)分類器的學(xué)習(xí)能力與推廣能力保持平衡，有效地避免過(guò)學(xué)習(xí)和欠學(xué)習(xí)狀況的發(fā)生。采用交叉驗(yàn)證(K-CV)的方法進(jìn)行參數(shù)尋優(yōu)，讓c和g在[-10，10]內(nèi)取值，對(duì)于取定的c和g，把訓(xùn)練集作為原始數(shù)據(jù)集利用K-CV方法得到在此組c和g下訓(xùn)練集驗(yàn)證分類準(zhǔn)確率，取訓(xùn)練集驗(yàn)證分類準(zhǔn)確率最高的那組c和g作為最優(yōu)參數(shù)。根據(jù)MIV位次表，當(dāng)取7個(gè)特征變量分類時(shí)，最優(yōu)參數(shù)c=8，g=1.414 2。當(dāng)取14個(gè)特征變量分類時(shí)，最優(yōu)參數(shù)c=1.414 2，g=2。參數(shù)選擇結(jié)果的3D視圖如圖3所示。

    計(jì)算測(cè)試樣本圖像的紋理特征和顏色特征，分別使用優(yōu)選的7個(gè)特征變量和14個(gè)特征變量對(duì)小麥病害進(jìn)行分類識(shí)別，分類準(zhǔn)確率如表2所示。

    由上述實(shí)驗(yàn)結(jié)果可知，冗余特征變量會(huì)使識(shí)別模型訓(xùn)練時(shí)學(xué)習(xí)過(guò)多的樣本特征，而不能反映內(nèi)含的主要規(guī)律，導(dǎo)致預(yù)測(cè)能力下降。將平均影響值的思想應(yīng)用于支持向量機(jī)回歸進(jìn)行非線性變量篩選，篩選出的7個(gè)特征變量作為輸入向量具有更優(yōu)的識(shí)別準(zhǔn)確率，并且程序運(yùn)行時(shí)間縮短。

    以G分量一階矩、G分量二階矩、R分量二階矩、B分量二階矩、R分量一階矩、熵均值、B分量一階矩作為輸入向量對(duì)小麥白粉病、條銹病、葉銹病和稈銹病分類效果較好，表明該方法用于識(shí)別小麥葉部病害是有效可行的。

5 結(jié)語(yǔ)

    本文采用經(jīng)典閾值分割方法對(duì)小麥病害圖像進(jìn)行分割簡(jiǎn)單有效。將平均影響值思想應(yīng)用于支持向量機(jī)回歸得到7個(gè)重要特征，簡(jiǎn)化了分類模型結(jié)構(gòu)，提高了小麥病害識(shí)別準(zhǔn)確率，為農(nóng)田小麥病害診斷提供了有效的識(shí)別方法。

參考文獻(xiàn)

[1] 楊倩，高曉陽(yáng)，武季玲，等.基于顏色和紋理特征的大麥主要病害識(shí)別研究[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，(18)5：129-135.

[2] 劉濤，仲曉春，孫成明，等.基于計(jì)算機(jī)視覺(jué)的水稻葉部病害識(shí)別研究[J].中國(guó)農(nóng)業(yè)科學(xué)，2014，47(4)：664-674.

[3] 劉連忠，張武，朱誠(chéng).基于改進(jìn)顏色特征的小麥病害圖像識(shí)別技術(shù)研究[J].安徽農(nóng)業(yè)科學(xué)，2012，40(26)：12877-12879.

[4] PUJARI J D，YAKKUNDIMATH R，BYADGI A S.Classification of fungal disease symptoms affected on cereals using color texture features[J].International Journal of Signal Processing，2013，6(6)：321-330.

[5] SANNAKKI S S，RAJPUROHIT V S，NARGUND V B，et al.Leaf disease grading by machine vision and fuzzy logic[J].Int.J.Comp.Tech.Appl，2011，2(5)：1709-1716.

[6] 余秀麗，徐超，王丹，等.基于SVM的小麥葉部病害識(shí)別方法研究[J].農(nóng)機(jī)化研究，2014，36(11)：151-155.

[7] 王美麗，牛曉靜，張宏鳴，等.小麥葉部常見(jiàn)病害特征提取及識(shí)別技術(shù)研究[J].計(jì)算機(jī)工程與應(yīng)用，2014，50(7)：154-157.

[8] 李冠林，馬占鴻，王海光.基于支持向量機(jī)的小麥條銹病和葉銹病圖像識(shí)別[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2012，17(2)：72-79.

[9] HARALICK R M，SHANMUGAM K.Texture features for image classification[J].IEEE Trans.on Sys，Man，and Cyb，1973，SMC-3(6)：610-621.

[10] ULABY F T，KOUYATE F，BRISCO B，et al.Textural information in SAR Images[J].IEEE Transactions on Geoscience and Remote Sensing，1986，24(2)：235-245.

[11] 張永梅，吳攀，李煒.一種圖像敏感對(duì)象的識(shí)別方法[J].計(jì)算機(jī)測(cè)量與控制，2014，22(7)：2167-2169.

[12] STRICKER M，ORENGO M.Similarity of color images[C].SPIE Storage and Retrieval for Image and Video Databases Ⅲ，1995：381-392.