基于区分矩阵属性约简算法作物病害识别方法.docVIP

基于区分矩阵属性约简算法作物病害识别方法 　　摘要：利用作物叶片症状进行作物病害识别是植保中的一个重要研究内容。提出了一种基于区分矩阵属性约简的黄瓜病害叶片图像分割与病害识别方法。首先，利用最大类间方差法对黄瓜病害叶片图像进行病斑分割；其次，提取病斑图像的36个分类特征；再次，利用基于区分矩阵的属性约简算法对36个特征进行特征选择；最后，利用最近邻分类器进行病害识别。在3种常见黄瓜病害叶片图像数据库上的试验结果表明，该方法是有效可行的，能够为基于病害叶片的作物病害识别系统研究提供参考。 　　关键词：粗糙集；图像分割；最大类间方差法；病害识别；黄瓜叶片病斑 　　中图分类号： TP391.41文献标志码： A文章编号：1002-1302（2015）01-0387-03 　　收稿日期：2014-03-19 　　基金项目：河南省郑州市科技攻关（编号：131PPTGG426）；安徽省自然科学基金（编号：1208085MF94、1208085MF98）；河南省科技攻关（编号：142102310518）；河南省教育厅科学技术研究重点项目（编号：14B520064）。 　　通信作者：张会敏（1981―），女，河南漯河人，讲师，研究方向为计算机应用技术。E-mail：zhangshanwen1965@163.com。作物病害严重影响我国农业生产的产量和质量。及时、快速地发现并识别农作物病害对正确地采取相应措施防治病害、减少病害带来的损失具有重要意义。但由于实际病害叶片的形状、纹理和颜色多种多样，使得从叶片图像中提取的病害分类特征也各种各样，各种特征对病害识别的贡献不同，因此需要进行特征选择[1]。粗糙集（rough sets，RS）是一种经典的特征选择方法，能够直接从给定问题的描述集出发，通过不可分辨关系和等价关系类给出问题的近似域，从而得到该问题的内在规律。多年来，RS已被成功应用于人工智能、模式识别、智能控制、机器学习、信息处理、数据挖掘、医疗诊断、专家系统以及决策分析等领域[2-3]。属性约简是RS的一个重要应用[4]，基于RS的属性约简是在保持信息系统分类或决策能力不变的前提下，通过对知识的化简，导出分类问题的分类规则和决策。基于区分矩阵的属性约简策略是建立在两两互异目标上属性集合的区分矩阵[5]。区分矩阵的元素代表能够区分2个目标的属性组合。实际应用中可以将区分矩阵中出现次数多少作为属性重要性的判断依据，即出现次数越多的属性的重要性越大。本试验在研究作物病害叶片图像分割的基础上，将基于区分矩阵的属性约简策略应用于病害叶片图像分类特征选择中，提出了一种有效的作物病害识别方法。 　　1作物病害叶片图像特征提取 　　作物病害叶片病斑图像分割是病害识别的一个重要步骤。最大类间方差（Otsu）阈值法因其分割精度高、适用范围广而成为广泛采用的一种图像阈值分割方法[6]，其原理是：将病害叶片图像像素分为病斑和正常2类，再通过计算划分出2类病害的类间方差值，若类间方差值小于某一给定值，合并初始划分的2类。然后计算此时所有类的类间方差值和分离因素的F值，若F值大于某个给定值，则退出该算法；否则，就按顺序在已存在的类中继续对图像分割。最后得到叶片病斑图像。 　　由于实际得到的病害叶片图像为RGB模式，该色彩模式对光照比较敏感，而HIS色彩模式能够克服采集过程中光照对病害识别率的影响，因此在作物病害识别中须要将RGB转换成HIS，HIS颜色模型反映了人的视觉对色彩的感觉[7-8]。由RGB转换HIS的公式如下： 　　I=（R+G+B）/3 　　S=1-3（R+G+B）[min（R，G，B）] 　　H=θG≥B 　　θ-2πGB。（1） 　　式中：θ=arccos[（R-G）+R-B]/2（R-G）2+（R-B）（G-B）。 　　在本试验中，利用Matlab中的Imread函数分别提取彩色叶片图像中R、G、B 3个通道的图像，再利用式（1）将其转换为H、I、S模式。然后，采用Otsu阈值法分别将H、I、S图像转换为二值化图像，以提取叶片病斑区域。不妨将得到的病斑二值化图像仍记为H、I、S。 　　为了得到能区分作物病害的颜色特征值，分别计算病害叶片图像R、G、B分量和分割后的病斑图像的H、I、S分量的均值、方差、偏度、峰值、能量、熵，共6×6=36个统计特征参数[9]。计算公式如下： 　　p（b）=h（b）/s 　　b=∑b=1bp（b） 　　bk=1/δ3∑（b-b）3p（b） 　　δ2=∑b=1（b-b）2p（b） 　　bF=1/δ4∑b=1（b-b）4p（b）-3 　　bN=∑b=1[p（b）]2 　　bE=∑b=1p（b）lg[p（b）]。（2） 　　式中，p（b）为灰度级，h（b）为直方图，s为图像的