基于作物病害叶片颜色病斑提取方法.docVIP

基于作物病害叶片颜色病斑提取方法 　　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