基于植物叶片图像的植物病害检测方法

尚怡君　张善文　张云龙

摘要：对植物病害准确、快速的识别是对植物病害采取防治措施的基础，同时对灾害评估也具有积极意义。在判别局部保持映射（DLPP）的基础上，提出了1种植物病害识别方法。该方法试图找到1个映射矩阵，使得高维数据映射后，在低维子空间同类样本之间的距离最小，而异类样本之间的距离最大，由此提高算法的识别率。采用该算法对3种常见玉米叶部病害的图像进行分类试验，并与其他植物病害识别算法进行比较。结果表明，DLPP对玉米病害的识别是有效可行的，识别精度高达85.5%。

关键词：植物病害识别；维数约简；最近邻分类器；监督局部保持映射

中图分类号： TP391.41；S126 文献标志码： A 文章编号：1002-1302（2014）04-0340-03

收稿日期：2013-08-19

基金项目：国家自然科学基金（编号：61272333）；河南省科技攻关计划（编号：122102210429）；西亚斯国际学院引进人才项目（编号：2012YJRC01、2012YJRC02）。

作者简介：尚怡君（1983—），女，河南郑州人，博士研究生，从事模式识别及其应用。E-mail：wjdw716@163.com。植物病害的预测、预报是有效防治和控制植物病害发生和发展的重要依据，是植物病害管理的重要组成部分，对农林生产的管理和决策起着重要作用。植物病害预测预报是一门应用性很强的学科，传统的植物病害分类与识别主要靠有经验的生产者或植保专家基于一定的标准，在田间肉眼观察获得。该方法耗时、费力、预报滞后，且不宜在大范围内展开，无法进行实时、快速的病害识别。随着图像处理和模式识别理论的发展，为基于叶片图像的植物病害识别研究提供了科学依据，也取得了很多研究成果。（1）以病害叶片颜色特征作为判别依据，可以确定常态部分和病态部分的阈值，区别植物病害种类。岑喆鑫等利用图像的颜色统计特征对来自不同时期的病害样本图像进行分类和识别，采用逐步判别分析，选取显著性较大的特征参量，建立起黄瓜炭疽病、黄瓜褐斑病和无病区域的分类器模型[1]。（2）病斑的形状、纹理可以作为植物病害的判别因子[2-3]。田有文等对番茄植物病斑形状识别试验的分析结果表明，支持向量机分类方法适合于植物病斑复杂形状的分类问题，该方法在训练样本较少时具有良好的分类能力和泛化能力；不同分类核函数的相互比较分析结果表明，线性核函数最适合于植物病斑的形状识别[2]。姜淑华等研究了利用分形理论对农作物病变叶片自然纹理图像进行了处理，利用BP网络来实现自然纹理图像的分类问题，提出了一种纹理特征性能的比较方法[3]。但由于提取的都是单变量特征参数，得到的准确率不高，达不到推广应用的要求。（3）随着植物病害检测研究的深入，人们认识到植物病害症状的复杂性，开始综合了植物病害的形状、纹理、颜色信息，建立了能够完成植物病害种类判别的多层次模式识别模型，进行多变量特征参数的提取[4-11]。柴阿丽等以计算机视觉技术为手段，结合图像处理和模式识别技术，研究了番茄早疫病、晚疫病、叶霉病和棒孢叶斑病等4种叶部病害的自动识别方法[4]。程鹏飞以计算机图像处理技术为重要技术手段，综合运用图像处理、色度学、模式识别等方面的知识，进行了利用计算机图像处理技术进行作物病变诊断的方法研究[5]。赵玉霞等根据玉米叶部病害特点，综合应用阈值法、区域标记方法与Freeman链码法，对玉米叶部病害图片进行图像分割、统计病斑个数、去除冗余斑点、计算病斑形状特征，最后根据二叉检索法推断病害[6]。李波等用主成分分析技术（PCA）对光谱波段进行压缩，获得主分量光谱，最后结合概率神经网络（PNN）对水稻干尖线虫病和水稻纵卷叶螟进行识别[7]。岑喆鑫等研究了适合于植物病害自动诊断的多变量特征定量提取方法和模式识别算法。上述这些方法为植物病害的智能化、自动化检测提供了理论依据[8]。但这些方法基本上属于统计或线性特征提取方法，不能有效处理非线性的叶片图像。本研究在借鉴前人经验的基础上，将监督局部保持映射的维数约简方法与最近邻分类器相结合，提出了一种基于叶片图像的植物病害识别方法。

1监督局部保持映射（DLPP）

3结论

本研究提出了一种基于DLPP算法的植物病害识别方法。利用该方法能够有效地对叶片病害图像进行维数约简，使得在低维子空间同类样本之间的距离变小，而异类样本之间的距离增大，由此提高算法的分类能力。在真实玉米病害叶片图像数据库上进行了实验，结果表明该方法是有效可行的。由于叶片病斑图像的复杂、多样性，使得病害叶片图像的分割没有更好的方法，而且由于病害叶片图像有其自身的特性，对其描述的意义有时无法与叶片图像目标物的特征建立联系，因此还需要进一步研究病害叶片图像分割和维数约简方法，并有效地运用于植物病害识别，以提高病害识别精度。

参考文献：

[1]岑喆鑫，李宝聚，石延霞，等. 基于彩色图像颜色统计特征的黄瓜炭疽病和褐斑病的识别研究[J]. 园艺学报，2007，34（6）：1425-1430.

[2]田有文，张长水，李成华. 支持向量机在植物病斑形状识别中的应用研究[J]. 农业工程学报，2004，20（3）：134-136.

[3]姜淑华，田有文，孙海波. 农作物病害危害程度自动测定与分级的研究[J]. 农机化研究，2007（5）：61-63.

[4]柴阿丽，李宝聚，石延霞，等. 基于计算机视觉技术的番茄叶部病害识别[J]. 园艺学报，2010，37（9）：1423-1430.

[5]程鹏飞. 植物病害的图像处理及特征值提取方法的研究[D]. 太谷：山西农业大学，2005.

[6]赵玉霞，王克如，白中英，等. 基于图像识别的玉米叶部病害诊断研究[J]. 中国农业科学，2007，40（4）：698-703.

[7]李波，刘占宇，黄敬峰，等. 基于PCA和PNN的水稻病虫害高光谱识别[J]. 农业工程学报，2009，25（9）：143-147.

[8]岑喆鑫，李宝聚，石延霞，等. 基于彩色图像颜色统计特征的黄瓜炭疽病和褐斑病的识别研究[J]. 园艺学报，2007，34（6）：1425-1430.

[9]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[10]Ydipati R P，Burks T F，Lee W S. Statistical and neural network classifiers for citrus disease detection using machine vision[J]. Transactions of the ASAE，2005，48（5）：2007-2014.

[11]施伟民，杨昔阳，李志伟. 基于半监督模糊聚类的黄瓜霜霉病受害程度识别研究[J]. 福建师范大学学报：自然科学版，2012，28（1）：33-37.

[12]谭峰，马晓丹. 基于叶片的植物病虫害识别方法[J]. 农机化研究，2009（6）：41-43.

[13]赵玉霞，王克如，白中英，等. 贝叶斯方法在玉米叶部病害图像识别中的应用[J]. 计算机工程与应用，2007，43（5）：193-195.

[14]郑小东，王晓洁，赵中堂.基于形状特征的植物叶柄与叶片分割算法[J]. 计算机工程与设计，2010，31（4）：918.

[15]王祥科，郑志强. Otsu多阈值快速分割算法及其在彩色图像中的应用[J]. 计算机应用，2006（增刊1）：14-15.

摘要：对植物病害准确、快速的识别是对植物病害采取防治措施的基础，同时对灾害评估也具有积极意义。在判别局部保持映射（DLPP）的基础上，提出了1种植物病害识别方法。该方法试图找到1个映射矩阵，使得高维数据映射后，在低维子空间同类样本之间的距离最小，而异类样本之间的距离最大，由此提高算法的识别率。采用该算法对3种常见玉米叶部病害的图像进行分类试验，并与其他植物病害识别算法进行比较。结果表明，DLPP对玉米病害的识别是有效可行的，识别精度高达85.5%。

关键词：植物病害识别；维数约简；最近邻分类器；监督局部保持映射

中图分类号： TP391.41；S126 文献标志码： A 文章编号：1002-1302（2014）04-0340-03

收稿日期：2013-08-19

基金项目：国家自然科学基金（编号：61272333）；河南省科技攻关计划（编号：122102210429）；西亚斯国际学院引进人才项目（编号：2012YJRC01、2012YJRC02）。

作者简介：尚怡君（1983—），女，河南郑州人，博士研究生，从事模式识别及其应用。E-mail：wjdw716@163.com。植物病害的预测、预报是有效防治和控制植物病害发生和发展的重要依据，是植物病害管理的重要组成部分，对农林生产的管理和决策起着重要作用。植物病害预测预报是一门应用性很强的学科，传统的植物病害分类与识别主要靠有经验的生产者或植保专家基于一定的标准，在田间肉眼观察获得。该方法耗时、费力、预报滞后，且不宜在大范围内展开，无法进行实时、快速的病害识别。随着图像处理和模式识别理论的发展，为基于叶片图像的植物病害识别研究提供了科学依据，也取得了很多研究成果。（1）以病害叶片颜色特征作为判别依据，可以确定常态部分和病态部分的阈值，区别植物病害种类。岑喆鑫等利用图像的颜色统计特征对来自不同时期的病害样本图像进行分类和识别，采用逐步判别分析，选取显著性较大的特征参量，建立起黄瓜炭疽病、黄瓜褐斑病和无病区域的分类器模型[1]。（2）病斑的形状、纹理可以作为植物病害的判别因子[2-3]。田有文等对番茄植物病斑形状识别试验的分析结果表明，支持向量机分类方法适合于植物病斑复杂形状的分类问题，该方法在训练样本较少时具有良好的分类能力和泛化能力；不同分类核函数的相互比较分析结果表明，线性核函数最适合于植物病斑的形状识别[2]。姜淑华等研究了利用分形理论对农作物病变叶片自然纹理图像进行了处理，利用BP网络来实现自然纹理图像的分类问题，提出了一种纹理特征性能的比较方法[3]。但由于提取的都是单变量特征参数，得到的准确率不高，达不到推广应用的要求。（3）随着植物病害检测研究的深入，人们认识到植物病害症状的复杂性，开始综合了植物病害的形状、纹理、颜色信息，建立了能够完成植物病害种类判别的多层次模式识别模型，进行多变量特征参数的提取[4-11]。柴阿丽等以计算机视觉技术为手段，结合图像处理和模式识别技术，研究了番茄早疫病、晚疫病、叶霉病和棒孢叶斑病等4种叶部病害的自动识别方法[4]。程鹏飞以计算机图像处理技术为重要技术手段，综合运用图像处理、色度学、模式识别等方面的知识，进行了利用计算机图像处理技术进行作物病变诊断的方法研究[5]。赵玉霞等根据玉米叶部病害特点，综合应用阈值法、区域标记方法与Freeman链码法，对玉米叶部病害图片进行图像分割、统计病斑个数、去除冗余斑点、计算病斑形状特征，最后根据二叉检索法推断病害[6]。李波等用主成分分析技术（PCA）对光谱波段进行压缩，获得主分量光谱，最后结合概率神经网络（PNN）对水稻干尖线虫病和水稻纵卷叶螟进行识别[7]。岑喆鑫等研究了适合于植物病害自动诊断的多变量特征定量提取方法和模式识别算法。上述这些方法为植物病害的智能化、自动化检测提供了理论依据[8]。但这些方法基本上属于统计或线性特征提取方法，不能有效处理非线性的叶片图像。本研究在借鉴前人经验的基础上，将监督局部保持映射的维数约简方法与最近邻分类器相结合，提出了一种基于叶片图像的植物病害识别方法。

1监督局部保持映射（DLPP）

3结论

本研究提出了一种基于DLPP算法的植物病害识别方法。利用该方法能够有效地对叶片病害图像进行维数约简，使得在低维子空间同类样本之间的距离变小，而异类样本之间的距离增大，由此提高算法的分类能力。在真实玉米病害叶片图像数据库上进行了实验，结果表明该方法是有效可行的。由于叶片病斑图像的复杂、多样性，使得病害叶片图像的分割没有更好的方法，而且由于病害叶片图像有其自身的特性，对其描述的意义有时无法与叶片图像目标物的特征建立联系，因此还需要进一步研究病害叶片图像分割和维数约简方法，并有效地运用于植物病害识别，以提高病害识别精度。

参考文献：

[1]岑喆鑫，李宝聚，石延霞，等. 基于彩色图像颜色统计特征的黄瓜炭疽病和褐斑病的识别研究[J]. 园艺学报，2007，34（6）：1425-1430.

[2]田有文，张长水，李成华. 支持向量机在植物病斑形状识别中的应用研究[J]. 农业工程学报，2004，20（3）：134-136.

[3]姜淑华，田有文，孙海波. 农作物病害危害程度自动测定与分级的研究[J]. 农机化研究，2007（5）：61-63.

[4]柴阿丽，李宝聚，石延霞，等. 基于计算机视觉技术的番茄叶部病害识别[J]. 园艺学报，2010，37（9）：1423-1430.

[5]程鹏飞. 植物病害的图像处理及特征值提取方法的研究[D]. 太谷：山西农业大学，2005.

[6]赵玉霞，王克如，白中英，等. 基于图像识别的玉米叶部病害诊断研究[J]. 中国农业科学，2007，40（4）：698-703.

[7]李波，刘占宇，黄敬峰，等. 基于PCA和PNN的水稻病虫害高光谱识别[J]. 农业工程学报，2009，25（9）：143-147.

[8]岑喆鑫，李宝聚，石延霞，等. 基于彩色图像颜色统计特征的黄瓜炭疽病和褐斑病的识别研究[J]. 园艺学报，2007，34（6）：1425-1430.

[9]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[10]Ydipati R P，Burks T F，Lee W S. Statistical and neural network classifiers for citrus disease detection using machine vision[J]. Transactions of the ASAE，2005，48（5）：2007-2014.

[11]施伟民，杨昔阳，李志伟. 基于半监督模糊聚类的黄瓜霜霉病受害程度识别研究[J]. 福建师范大学学报：自然科学版，2012，28（1）：33-37.

[12]谭峰，马晓丹. 基于叶片的植物病虫害识别方法[J]. 农机化研究，2009（6）：41-43.

[13]赵玉霞，王克如，白中英，等. 贝叶斯方法在玉米叶部病害图像识别中的应用[J]. 计算机工程与应用，2007，43（5）：193-195.

[14]郑小东，王晓洁，赵中堂.基于形状特征的植物叶柄与叶片分割算法[J]. 计算机工程与设计，2010，31（4）：918.

[15]王祥科，郑志强. Otsu多阈值快速分割算法及其在彩色图像中的应用[J]. 计算机应用，2006（增刊1）：14-15.

摘要：对植物病害准确、快速的识别是对植物病害采取防治措施的基础，同时对灾害评估也具有积极意义。在判别局部保持映射（DLPP）的基础上，提出了1种植物病害识别方法。该方法试图找到1个映射矩阵，使得高维数据映射后，在低维子空间同类样本之间的距离最小，而异类样本之间的距离最大，由此提高算法的识别率。采用该算法对3种常见玉米叶部病害的图像进行分类试验，并与其他植物病害识别算法进行比较。结果表明，DLPP对玉米病害的识别是有效可行的，识别精度高达85.5%。

关键词：植物病害识别；维数约简；最近邻分类器；监督局部保持映射

中图分类号： TP391.41；S126 文献标志码： A 文章编号：1002-1302（2014）04-0340-03

收稿日期：2013-08-19

基金项目：国家自然科学基金（编号：61272333）；河南省科技攻关计划（编号：122102210429）；西亚斯国际学院引进人才项目（编号：2012YJRC01、2012YJRC02）。

作者简介：尚怡君（1983—），女，河南郑州人，博士研究生，从事模式识别及其应用。E-mail：wjdw716@163.com。植物病害的预测、预报是有效防治和控制植物病害发生和发展的重要依据，是植物病害管理的重要组成部分，对农林生产的管理和决策起着重要作用。植物病害预测预报是一门应用性很强的学科，传统的植物病害分类与识别主要靠有经验的生产者或植保专家基于一定的标准，在田间肉眼观察获得。该方法耗时、费力、预报滞后，且不宜在大范围内展开，无法进行实时、快速的病害识别。随着图像处理和模式识别理论的发展，为基于叶片图像的植物病害识别研究提供了科学依据，也取得了很多研究成果。（1）以病害叶片颜色特征作为判别依据，可以确定常态部分和病态部分的阈值，区别植物病害种类。岑喆鑫等利用图像的颜色统计特征对来自不同时期的病害样本图像进行分类和识别，采用逐步判别分析，选取显著性较大的特征参量，建立起黄瓜炭疽病、黄瓜褐斑病和无病区域的分类器模型[1]。（2）病斑的形状、纹理可以作为植物病害的判别因子[2-3]。田有文等对番茄植物病斑形状识别试验的分析结果表明，支持向量机分类方法适合于植物病斑复杂形状的分类问题，该方法在训练样本较少时具有良好的分类能力和泛化能力；不同分类核函数的相互比较分析结果表明，线性核函数最适合于植物病斑的形状识别[2]。姜淑华等研究了利用分形理论对农作物病变叶片自然纹理图像进行了处理，利用BP网络来实现自然纹理图像的分类问题，提出了一种纹理特征性能的比较方法[3]。但由于提取的都是单变量特征参数，得到的准确率不高，达不到推广应用的要求。（3）随着植物病害检测研究的深入，人们认识到植物病害症状的复杂性，开始综合了植物病害的形状、纹理、颜色信息，建立了能够完成植物病害种类判别的多层次模式识别模型，进行多变量特征参数的提取[4-11]。柴阿丽等以计算机视觉技术为手段，结合图像处理和模式识别技术，研究了番茄早疫病、晚疫病、叶霉病和棒孢叶斑病等4种叶部病害的自动识别方法[4]。程鹏飞以计算机图像处理技术为重要技术手段，综合运用图像处理、色度学、模式识别等方面的知识，进行了利用计算机图像处理技术进行作物病变诊断的方法研究[5]。赵玉霞等根据玉米叶部病害特点，综合应用阈值法、区域标记方法与Freeman链码法，对玉米叶部病害图片进行图像分割、统计病斑个数、去除冗余斑点、计算病斑形状特征，最后根据二叉检索法推断病害[6]。李波等用主成分分析技术（PCA）对光谱波段进行压缩，获得主分量光谱，最后结合概率神经网络（PNN）对水稻干尖线虫病和水稻纵卷叶螟进行识别[7]。岑喆鑫等研究了适合于植物病害自动诊断的多变量特征定量提取方法和模式识别算法。上述这些方法为植物病害的智能化、自动化检测提供了理论依据[8]。但这些方法基本上属于统计或线性特征提取方法，不能有效处理非线性的叶片图像。本研究在借鉴前人经验的基础上，将监督局部保持映射的维数约简方法与最近邻分类器相结合，提出了一种基于叶片图像的植物病害识别方法。

1监督局部保持映射（DLPP）

3结论

本研究提出了一种基于DLPP算法的植物病害识别方法。利用该方法能够有效地对叶片病害图像进行维数约简，使得在低维子空间同类样本之间的距离变小，而异类样本之间的距离增大，由此提高算法的分类能力。在真实玉米病害叶片图像数据库上进行了实验，结果表明该方法是有效可行的。由于叶片病斑图像的复杂、多样性，使得病害叶片图像的分割没有更好的方法，而且由于病害叶片图像有其自身的特性，对其描述的意义有时无法与叶片图像目标物的特征建立联系，因此还需要进一步研究病害叶片图像分割和维数约简方法，并有效地运用于植物病害识别，以提高病害识别精度。

参考文献：

[1]岑喆鑫，李宝聚，石延霞，等. 基于彩色图像颜色统计特征的黄瓜炭疽病和褐斑病的识别研究[J]. 园艺学报，2007，34（6）：1425-1430.

[2]田有文，张长水，李成华. 支持向量机在植物病斑形状识别中的应用研究[J]. 农业工程学报，2004，20（3）：134-136.

[3]姜淑华，田有文，孙海波. 农作物病害危害程度自动测定与分级的研究[J]. 农机化研究，2007（5）：61-63.

[4]柴阿丽，李宝聚，石延霞，等. 基于计算机视觉技术的番茄叶部病害识别[J]. 园艺学报，2010，37（9）：1423-1430.

[5]程鹏飞. 植物病害的图像处理及特征值提取方法的研究[D]. 太谷：山西农业大学，2005.

[6]赵玉霞，王克如，白中英，等. 基于图像识别的玉米叶部病害诊断研究[J]. 中国农业科学，2007，40（4）：698-703.

[7]李波，刘占宇，黄敬峰，等. 基于PCA和PNN的水稻病虫害高光谱识别[J]. 农业工程学报，2009，25（9）：143-147.

[8]岑喆鑫，李宝聚，石延霞，等. 基于彩色图像颜色统计特征的黄瓜炭疽病和褐斑病的识别研究[J]. 园艺学报，2007，34（6）：1425-1430.

[9]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[10]Ydipati R P，Burks T F，Lee W S. Statistical and neural network classifiers for citrus disease detection using machine vision[J]. Transactions of the ASAE，2005，48（5）：2007-2014.

[11]施伟民，杨昔阳，李志伟. 基于半监督模糊聚类的黄瓜霜霉病受害程度识别研究[J]. 福建师范大学学报：自然科学版，2012，28（1）：33-37.

[12]谭峰，马晓丹. 基于叶片的植物病虫害识别方法[J]. 农机化研究，2009（6）：41-43.

[13]赵玉霞，王克如，白中英，等. 贝叶斯方法在玉米叶部病害图像识别中的应用[J]. 计算机工程与应用，2007，43（5）：193-195.

[14]郑小东，王晓洁，赵中堂.基于形状特征的植物叶柄与叶片分割算法[J]. 计算机工程与设计，2010，31（4）：918.

[15]王祥科，郑志强. Otsu多阈值快速分割算法及其在彩色图像中的应用[J]. 计算机应用，2006（增刊1）：14-15.