0 引言

    小麥是我國主要的糧食作物之一，種植面積位居第二，僅次于水稻。病蟲害問題是影響小麥產量和質量的關鍵問題之一。全世界正式記載的小麥病害有200余種，在我國發(fā)生較嚴重的有20余種。小麥病害檢測識別的研究具有重要經濟和社會意義。隨著計算機技術和圖像處理技術的發(fā)展，自動識別農作物病害已經成為研究的熱點^[1-5]。余秀麗^[6]等提取小麥病害形狀特征和紋理特征共13個特征變量，以支持向量機作為識別模型，具有較高準確率。王美麗^[7]等提取小麥病害顏色特征和形狀特征共14個變量，采用逐步判別分析法進行變量篩選，識別效果較好。李冠林^[8]等提取形狀、顏色和紋理特征共50個特征變量，并通過不同特征結合進行識別，優(yōu)選出26個特征變量，可有效對小麥條銹病和葉銹病識別。在進行病害識別時，各種特征變量對病害識別的貢獻不同，因此需要進行特征變量篩選。當特征變量較多時，拼湊方式進行特征變量篩選效率太低。

    病害識別是防治的前提，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，并結合平均影響值思想和支持向量機實現(xiàn)特征變量的優(yōu)選和小麥病害的識別。旨在更好地實現(xiàn)小麥病害的機器視覺識別。

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方向。Ulaby^[10]等人研究發(fā)現(xiàn):在灰度共生矩陣的14個紋理特征中,僅有4個特征是不相關的,這4個特征不僅便于計算，而且分類精度較高。其計算公式如下：

    (1)角二階矩：

    計算角二階矩、慣性矩、熵、相關性4個參量在0°、45°、90°、135° 4個方向上的值，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、相關性的均值和方差共8個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，是病害識別的一個重要參數(shù)^[11]。顏色矩^[12]是由Stricker和Orengo提出的一種簡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個量作為顏色特征參數(shù)。計算每一個顏色通道的一階矩和二階矩，記i通道的第j個像素為p_ij，N為像素總數(shù)，其計算公式如下：

    (1)一階矩：

2 特征變量篩選

    平均影響值(MIV)反應了神經網絡中權重矩陣的變化情況，被認為是在神經網絡中評價變量相關性最好的指標之一。將平均影響值的思想應用于支持向量機回歸中實現(xiàn)非線性的特征變量篩選，以提高小麥病害的識別精度、減少訓練和識別時間。特征變量篩選過程如下：

    對于一個具有n個變量的自變量向量進行m次觀測，可以得到X=[x₁，x₂，…，x_m]^T的變量空間，它所對應的因變量可以寫為Y=[y₁，y₂，…，y_m]^T。

    使用擁有m個樣本的自變量向量X對支持向量機進行訓練得到預測模型。將用于訓練的自變量空間進行如下變換，得到2n個新的自變量空間(i=1，2，…，n)：

    把新的自變量空間作為訓練得到的預測模型的輸入，經過支持向量機回歸預測可以得到第i個自變量變化時與之對應的2n個輸出向量(i=1，2，…，n)：

    對式(8)、式(9)中兩個向量做差運算，得到第i個自變量變動后對輸出產生的影響變化值向量：

    將IV_i按觀測例數(shù)平均得到第i個自變量對于因變量的平均影響值MIVi：

    MIV_i為第i個自變量對輸出結果產生的平均影響變化值，正負號表示自變量對因變量產生影響的方向，絕對值大小表示自變量對因變量的影響程度。根據(jù)MIV絕對值的大小為自變量排序，刪除對識別結果影響較小的特征變量，即實現(xiàn)了變量篩選。

3 病害識別

    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、相關性在0°、45°、90°、135° 4個方向的均值和方差，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行篩選，選出對識別結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)的支持向量機分類模型，輸入優(yōu)選特征實施小麥病害識別實驗。病害識別流程圖如圖1所示。

4 實驗與分析

    葉片健康區(qū)域通常為綠色，病害區(qū)域為非綠色，依據(jù)植物葉片和病斑顏色特征差異大的特點，采用經典閾值分割方法簡單有效，小麥葉片圖像和對應的分割病斑圖像如2所示。

    以MATLAB7.0作為圖像處理和分析平臺進行試驗，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)作為訓練樣本，再選取80張(每種病害各20張)作為測試樣本。計算訓練樣本圖像的紋理特征和顏色特征，并對其進行特征變量篩選。根據(jù)每個特征變量對識別結果的影響程度進行排序，排序結果如表1所示。

    為了使得到的支持向量機分類器的學習能力與推廣能力保持平衡，有效地避免過學習和欠學習狀況的發(fā)生。采用交叉驗證(K-CV)的方法進行參數(shù)尋優(yōu)，讓c和g在[-10，10]內取值，對于取定的c和g，把訓練集作為原始數(shù)據(jù)集利用K-CV方法得到在此組c和g下訓練集驗證分類準確率，取訓練集驗證分類準確率最高的那組c和g作為最優(yōu)參數(shù)。根據(jù)MIV位次表，當取7個特征變量分類時，最優(yōu)參數(shù)c=8，g=1.414 2。當取14個特征變量分類時，最優(yōu)參數(shù)c=1.414 2，g=2。參數(shù)選擇結果的3D視圖如圖3所示。

    計算測試樣本圖像的紋理特征和顏色特征，分別使用優(yōu)選的7個特征變量和14個特征變量對小麥病害進行分類識別，分類準確率如表2所示。

    由上述實驗結果可知，冗余特征變量會使識別模型訓練時學習過多的樣本特征，而不能反映內含的主要規(guī)律，導致預測能力下降。將平均影響值的思想應用于支持向量機回歸進行非線性變量篩選，篩選出的7個特征變量作為輸入向量具有更優(yōu)的識別準確率，并且程序運行時間縮短。

    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，表明該方法用于識別小麥葉部病害是有效可行的。

5 結語

    本文采用經典閾值分割方法對小麥病害圖像進行分割簡單有效。將平均影響值思想應用于支持向量機回歸得到7個重要特征，簡化了分類模型結構，提高了小麥病害識別準確率，為農田小麥病害診斷提供了有效的識別方法。

參考文獻

[1] 楊倩，高曉陽，武季玲，等.基于顏色和紋理特征的大麥主要病害識別研究[J].中國農業(yè)大學學報，2013，(18)5：129-135.

[2] 劉濤，仲曉春，孫成明，等.基于計算機視覺的水稻葉部病害識別研究[J].中國農業(yè)科學，2014，47(4)：664-674.

[3] 劉連忠，張武，朱誠.基于改進顏色特征的小麥病害圖像識別技術研究[J].安徽農業(yè)科學，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的小麥葉部病害識別方法研究[J].農機化研究，2014，36(11)：151-155.

[7] 王美麗，牛曉靜，張宏鳴，等.小麥葉部常見病害特征提取及識別技術研究[J].計算機工程與應用，2014，50(7)：154-157.

[8] 李冠林，馬占鴻，王海光.基于支持向量機的小麥條銹病和葉銹病圖像識別[J].中國農業(yè)大學學報，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.一種圖像敏感對象的識別方法[J].計算機測量與控制，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.