玉米叶片病害彩色图像识别降维和聚类方法.docVIP

玉米叶片病害彩色图像识别降维和聚类方法 　　摘要：应用流形学习算法研究玉米叶片病害图像的识别。首先分别利用PCA、LLE、LE算法对玉米病害灰度图像和彩色图像进行降维，以得到高维空间中的低维特征，然后采用K-means算法进行聚类分析。结果表明：LLE算法作为玉米病害灰度图像识别的特征提取算法，识别率为76.5%；对玉米病害彩色图像进行识别，识别率达到99.5%以上。研究最终提出1种在RGB彩色空间用流形学习算法进行玉米叶片病害彩色图像识别的方法。 　　关键词：降维；聚类；玉米叶片病害；识别 　　中图分类号： TP391.41 文献标志码： A 文章编号：1002-1302（2016）07-0350-04 　　农作物病害是影响粮食生产安全的主要因素之一，准确识别出病害是病害防治的前提。应用计算机图像处理技术实现玉米病害的识别，可以提高病害识别的准确性、精度、效率，同时降低劳动强度[1]。曹丽英等将图像处理技术与BP神经网络算法相结合应用于玉米病害的识别和诊断[2]。Montalvo等利用双阈值法设计了1个在玉米田地里自动识别植物的专家系统[3]。张善文等利用局部判别映射（local discriminant projects，LDP）算法将高维空间的一维向量映射到低维子空间，实现对玉米病害叶片图像的识别[4]。目前图像识别主要的研究方法分为2大类：一类是直接提取叶片图像的颜色、形状或纹理等特征，实现分类识别；另一类是利用流形学习算法等对叶片图像进行维数约简，实现分类识别。这些方法基本都能达到较好的识别率。但是，这些图像识别方法大多基于灰度图像或将彩色图像变换到HSI等彩色空间进行识别，由于灰度变换会丢掉大量的颜色信息，而且由RGB彩色空间转换到其他彩色空间时会使变换后的分量值不再均匀，RGB分量值的细微变化可能导致其他彩色空间分量值的重大变化，所以这些方法仍存在一些问题。为了克服这些问题，本研究提出1种在RGB彩色空间将流形学习算法直接用于玉米叶片病害彩色图像维数约简的方法，解决RGB彩色空间三分量间相关性的问题，并与灰度图像的识别结果进行对比分析，以进一步提高叶片病害识别的精度。 　　1 算法介绍 　　玉米叶片病害彩色图像包括纹理、颜色和形状等特征，基于叶片图像的作物病害识别方法一直是主要的研究方向[5]。其中，对叶片图像进行维数约简和特征提取是最重要的环节。但是，彩色图像显示和存储一般都是在RGB色彩空间表示，R、G、B 3个分量之间常常有很高的相关性，直接利用这些分量不能得到所需的效果[6]。因此，大多数特征提取方法都是基于灰度图像或是变换到其他彩色空间进行处理。流形学习算法是一类非常有效的降维方法，本研究以期克服彩色图像3个分量间相关性的缺陷，利用流形学习算法分别对玉米叶片灰度图像和彩色图像进行降维。 　　流形学习算法是近年来发展较为迅速、有效的降维算法，已经成功应用于人脸识别和医学数据处理等方面。Aljabar等基于流形学习算法，提出1种利用体形和外貌来分析新生儿大脑发育情况的方法[7]。Hadid等基于流形学习算法，设计出从视频序列中识别出人脸并分类的系统[8]。阎庆等针对局部线性嵌入（locally linear embedding，LLE）算法不适用于分类问题的特点，提出1种基于Fisher变换的改进LLE算法，应用于植物叶片图像识别[9]。Czaja等提出1种新的流形学习算法来分析生物医学数据和新的多光谱视网膜图像[10]。Chahooki等利用流形学习算法提出1种对二值图像进行目标识别和图形索引的方法，以提高识别率[11]。 　　常见的流形学习算法可分为线性、非线性两大类。主成分分析（principal component analysis，PCA）算法是最常用的1种线性降维算法。PCA算法是用线性变换的方法找到1个新的低维投影空间来减少信息的冗余。非线性降维算法中比较有代表性的有LLE算法和拉普拉斯特征映射（Laplacian eigenmap，LE）算法。LLE是1种利用流形的局部线性将高维度空间流形展开到低维度空间的算法[12]。LLE认为数据是局部线性的，任何1点可由其近邻点的线性组合来表示[13]。LE采用图片的拉普拉斯算子描述流形的局部特征，求解能够保持数据之间远近关系的低维嵌入[14]。本研究主要采用PCA、LLE、LE算法这3种算法来对玉米叶片病害图像进行特征提取，以期实现对玉米病害的识别。 　　1.1 流形学习算法 　　定义1（同胚）：1个连续函数的逆还是连续函数则称为同胚。 　　定义2（流形）：当M满足以下条件时称为n维流形。 　　（1）M为Hausdorff空间。即对于空间M中任意2个点X、Y，存在U、V为点X、Y的邻域，且满足UIV=Φ。 　　（2）对于M