基于颜色特征和差直方图的苹果叶部病害识别方法

张云龙　袁浩　张晴晴

摘要：识别苹果病害是一个重要的研究课题，该研究成果对大面积苹果病害监测具有重要意义。针对苹果常见的3种叶部病害，提出一种基于颜色特征和差直方图的苹果叶部病害识别方法。首先采用改进的mean-shift图像分割算法分割病害叶片图像的病斑，然后计算病斑的颜色特征和差直方图作为病害的分类特征。该特征不仅反映病斑图像的灰度统计信息，还反映病斑图像的空间特征和灰度的渐变度，而且对病斑图像的光照、平移、旋转具有不变性。最后利用支持向量机识别病害类型。在3种常见苹果叶部病害叶片图像数据库上的试验结果表明，该方法能够有效识别苹果常见的叶部病害，平均识别率高达96%以上。该方法为苹果病害的智能诊断系统提供了技术支撑。

关键词：苹果；病害识别；病害叶片；特征提取；颜色特征和差直方图

中图分类号： TP391.41文献标志码： A

文章编号：1002-1302（2017）14-0171-04

苹果种植和生产是我国陕西省农村经济发展的六大支柱性产业之一。然而病害却严重影响苹果产量和质量，制约其发展，目前已知的苹果病害有100多种[1-4]。其中，叶部病害中较为严重的有褐斑病、黑星病和锈病等。特别是黑星病，是世界各苹果产区的重要病害之一，造成落叶、落果、果实开裂畸形等危害[1]。该病曾经于1997年在陕西省兴平市、礼泉县、杨陵、旬邑县等地发生过。近年来，陕西省红富士苹果早期落叶病也曾大面积发生，而且相当严重，秋季（9月份）落叶发生80%以上，重者高达95%以上，该病害对苹果产量、品质影响很大。因此，苹果病害的密切监测、控制与管理，对苹果种植至关重要。防治苹果病害，首先必须知道病害的类型。大量调查表明[5-7]，大部分植物病害首先表现在叶部出现症状，而且不同病害引起的叶部症状不同，所以利用苹果病害叶片可以判断苹果病害的类型[1]。利用现代图像采集技术、处理方法对植物叶部病害进行诊断和识别是目前的一个研究方向[8-10]。谭峰等综合运用计算机数字图像处理技术与人工神经网络技术，计算叶片色度值，建立一个多层BP（back propagation）神经网络，实现了对大豆叶片中病斑的自动识别[11]。基于颜色直方图的方法计算简单，该方法对图像的平移和旋转具有不变性，但颜色直方图是颜色的全局统计信息，没有反映颜色的空间分布信息。为了较全面地描述图像的颜色、空间和纹理等方面的性质，人们提出了很多改进方法[12-13]，如在颜色直方图中增加空间信息[13-15]。颜色相关是将像素分类成相关或不相关，以相关和不相关的像素颜色直方图作为分类特征[12]；颜色相关图法是以同一颜色或不同颜色间按照不同距离在图像中的分布作为分类特征[13]；环形直方图法是对每一个颜色值，计算其质心，再以质心为圆心，按不同的半径作圆，将圆分成圆环，以各个圆环内的像素的颜色直方图作为分类特征[14]。Rocha等从特征融合的角度进行果蔬识别研究，比较了和差直方图、颜色聚合向量、外点/内点颜色直方图等纹理、颜色特征在不同分类器下的识别效果，结果表明利用这3类特征进行融合取得了最好的识别结果[15-17]。但所采用的纹理特征不能较好地表述果蔬纹理的差异性，而且对光照较为敏感。Shebiah等利用HSV（hue，saturation，value）颜色空间中的H（色调）和S（饱和度）统计直方图作为颜色特征，将小波域中的自相关矩阵作为纹理特征进行果蔬识别，同时利用植物病害叶片的纹理特征进行病害识别[18-19]。Zhang等采用RGB（red，gree，blue）颜色直方图、形状特征作为识别特征，采用多核支持向量机识别果蔬产品[20]，该方法虽然取得了较好的识别效果，但多核学习训练时间较长。Wang等根据玉米病害叶片图像的特点，利用K-均值聚类方法进行叶片病斑分割，然后提取病斑图像的纹理特征与颜色特征进行病害识别，识别精度为82.5%[21]。Prasad等提出了一种基于Gabor小波变换的作物病害识别方法[22]。叶片病斑图像的纹理特征主要包括局部纹理和全局纹理信息。局部纹理信息可以通过图像像素灰度及其周围像素灰度分布表示，而全局纹理信息则是局部纹理信息的不同程度的重复。由图像的直方图提取图像的纹理特征具有较强的鲁棒性和适应性，该方法简单、易于实现。和差直方图继承了直方图的优点，利用和差直方图可以提取病害叶片图像的一系列特征[23-25]。本研究基于病害叶片图像的颜色和差直方图特征，提出一种苹果叶部病害识别方法，并在3种苹果病害叶片数据库上进行了试验验证。

1病害叶片图像特征提取

1.1病斑颜色特征提取

RGB和HSI（hue，saturation，intensity）是常用的颜色模型。其中，HSI模型可由RGB色彩空间转换得到。该模型依据人类视觉的特点，把图像以色度、色饱和度、亮度3个分量分别表示，可以从最接近人类视觉的角度来描述图像。岑喆鑫等提取黄瓜病害叶片图像的颜色R、G成分和色调H的均值以及B成分的能量4个特征MR、MG、MH、EB进行病害识别，取得了较高的识别率[26]，本研究将这4个特征作为苹果病害识别的颜色特征。

1.2和差直方图特征提取

由于苹果病害叶片及其病斑的颜色、纹理、形状的复杂多样性，导致不能直接利用叶片或病斑图像进行病害识别，须要提取病害的很多分类特征，利用不同的特征进行病害识别，由此得到了很多病害识别方法[8，11，18-19]。各种方法各有利弊，笔者目前还没有归纳出最优的病害识别特征集。

和差直方图描述一幅葉片图像中一定方向、一定距离上相邻灰度之间和与差的概率分布信息[13，23-25]，具有鲁棒性和适应性强的优点。下面介绍从和差直方图中提取一系列分类特征的步骤。

2苹果叶部病害识别

苹果叶部病害的识别步骤可归纳为：叶片图像采集与数据库建设、图像预处理（包括图像增强和病斑区域分割等）、特征提取、分类与识别。

2.1图像采集与数据库建设

利用数码相机采集苹果病害叶片图像，建设叶片图像数据库。叶片图像数据库的多样性决定了识别算法的鲁棒性。选择3种苹果常见病害（斑点落叶病、花叶病和锈病）叶片图像，各60张（图1）。

2.2图像预处理

在进行病害特征提取前，须将病斑从叶片图像中分离出来。本研究利用mean-shift方法分割病斑。Mean-shift算法寻找模态点，即密度最大的像素点。分割步骤归纳为（1）模点搜索与图像平滑。模点搜索是为了找到每個数据点所属类的中心，以中心的颜色代替该像素的颜色，从而平滑图像。（2）模点聚类与合并相似区域。由于模点搜索得到的模点较多，且很多模点挨得很近，若将每个模点都作为一类，则分割类别太多，容易产生过分割现象，所以要将相似区域进行合并。模点聚类后所得到的分割区域中，有些区域所包含的像素点太少，再次合并这些小区域。（3）合并小区域。由于不同的像素点最终会收敛到不同的峰值所属的类，所以这些点就形成了一类，由此得到完整的病斑图像（图2）。其中，图2-b为分割的彩色病斑图像；图2-c为图2-b的灰度图像；图2-d为病斑的HSI图像。

2.3特征提取

首先提取病斑图像的4个颜色特征，然后提取7个基于和差直方图的特征。病斑灰度和差直方图是根据像素之间的和与差来统计的，其中能量、熵和一致性特征均能反映图像灰度的概率分布；均值特征能反映图像的灰度平均值；方差特征能反映灰度的离散性；对比度特征能反映图像的清晰度；相关性特征能反映和差直方图在行列上的相似度。结果表明，这11个特征较好地反映了病害叶片图像的病斑特征，能用于病害类别识别。在计算直方图的过程中，由于像素与像素之间的相对位置可用（d1，d2）表示，d1、d2分别表示像素在行、列上的间隔，为了计算简单，所以一般取d1=d2=d，即在式（2）中，取k=l=d。若考虑某一像素与其周围8个邻域像素，它们之间的距离都为d。从图3中可以看出，关于中心点两两中心对称，所以在计算时只需计算相应的4个方向，即{（0，d），（d，d），（d，0），（d，-d）}的和差直方图，在试验中取 d=4。

2.4病害分类识别

经过特征值提取，从每个病斑图像中提取出11个特征MR，MG，MH，EB，Eng，…，Cor，组成一个特征向量。再将所有的特征向量划分为训练集和测试集。训练集向量和测试集向量进行匹配，设2幅待匹配的特征向量分别简单标记为X=[x1，x2，…，x11]，Y=[y1，y2，…，y11]。计算每一个测试集向量Y与训练集中所有向量X的欧氏距离Dxy：

Y与训练集中向量X之间距离的最小值对应的X的类别即为Y的类别；x、y分别表示上面得到的特征MR，MG，MH，EB，Eng，…，Cor。

3结果与分析

首先从原始苹果图像的3种叶部病害（图1）中分割出病斑区域的彩色图像（图2-b），然后将彩色病斑图像转换成灰度图像（图2-c）和HSI图像（图2-d）。从每幅病斑图像中提取11个特征，组成一个特征向量。病害识别试验采用3折交叉验证法进行，即将所有特征向量随机划分成3份，每次将其中的2份，共120幅作为训练集，用于构建病害识别模型；另一份共60幅作为测试集，用于检验算法的有效性。最后根据式（14）确定测试向量的类别，重复3次，计算3次识别结果的平均值。再重复上述试验50次，计算病害正确识别率的平均值。只利用和差直方图特征与本研究提出的作物病害识别方法的识别结果详见表1。为了验证本研究病害识别方法的有效性，在表1中还同时列出了其他4种常用方法的识别率。在表1中，最后3种方法均采用基于欧氏距离的匹配方法识别，所有方法的识别结果都是3×50=150次试验的识别率的平均值。

由表1可知，本研究提出的作物病害识别方法的识别率最高。其中，斑点落叶病、花叶病、锈病3种病害的识别率分别为94.83%、99.10%、95.64%。由图1可以看出，花叶病与其他2种病害叶片差异很大，所以识别率很高。很多斑点落叶病和锈病叶片图像之间差异很小，所以很容易误判。

4结论

本研究提出一种基于病害叶片的颜色特征与和差直方图的苹果病害识别方法，识别率高达96%以上。结果表明，利用计算机视觉技术可以实现对苹果病害识别，为开发具有实用价值的植物病害自动诊断和病害监测系统提供了一定的理论基础和实用技术。但由于影响苹果病斑形成的因素有很多，各种病害在不同的发病时期又可能出现不同的症状，如何利用计算机视觉技术建立全面有效的作物病害识别方法以及如何验证该方法在实际复杂背景下对多种苹果病害识别的鲁棒性是我们下一步研究的重点。

参考文献：

[1]姜猛，王军，王志军. 苹果树病虫害决策支持系统研究与集成[J]. 山东农业科学，2015，47（6）：129-133.

[2]刘书华，王爱茹，邝朴生，等. 面向果园的苹果梨病虫害防治决策支持系统[J]. 植物保护学报，2000，27（4）：302-306.

[3]李宗儒，何东健. 基于手机拍摄图像分析的苹果病害识别技术研究[J]. 计算机工程与设计，2010，31（13）：3051-3053.

[4]霍迎秋，唐晶磊，尹秀珍. 基于灰度关联分析的苹果病害识别方法研究[J]. 实验技术与管理，2013，30（1）：49-51.

[5]刁智华. 大田小麦叶部病害智能诊断系统研究与应用[D]. 合肥：中国科学技术大学，2010.

[6]Gavhale K R，Gawande U. An overview of the research on plant leaves disease detection using image processing techniques[J]. IOSR Journal of Computer Engineering，2014，16（1）：10-16.

[7]Kulkarni A H，Ashwin P R K. Applying image processing technique to detect plant diseases[J]. International Journal of Modern Engineering Research，2012，2（5）：3661-3664.

[8]尚怡君，张善文，张云龙. 基于植物叶片图像的植物病害检测方法[J]. 江苏农业科学，2014，42（4）：340-342.

[9]赵芸. 基于高光谱和图像处理技术的油菜病虫害早期监测方法和机理研究[D]. 杭州：浙江大学，2013.

[10]Sasaki Y，Okamoto T，Imou K，et al. Automatic diagnosis of plant disease：recognition between healthy and diseased leaf[J]. Journal of the Japanese Society of Agricultural Machinery，1999，61（2）：119-126.

[11]谭峰，马晓丹. 基于叶片的植物病害识别方法[J]. 农机化研究，2009，31（6）：41-43.

[12]李永芳. 基于颜色相关图和纹理矩的图像检索[J]. 计算机应用与软件，2011，28（10）：38-42.

[13]陈勇平，郭文静，王正. 基于颜色直方图的木材单板图像检索技术研究[J]. 南京林业大学学报（自然科学版），2015，39（5）：129-134.

[14]田小忱，杨东，杜春华. 综合颜色和Contourlet直方图的图像检索方法[J]. 计算机工程，2010，36（1）：224-226.

[15]Rocha A，Hauagge D C，Wainer J，et al. Automatic produce classification from images using color，texture and appearance cues[C]. 21st Brazilian Symposium on Computer Graphics and Image Processing，2008：3-10.

[16]Rocah A，Hauagge D C，Wainer J，et al. Automatic fruit and vegetable classification from images[J]. Computers and Electronics in Agriculture，2010，70（1）：96-104.

[17]Faria F A，dos Santos J A，Rocha A，et al. Automatic classifier fusion for produce recognition[C].25th SIBGRAPI Conference on Graphics，Patterns and Images，Brazil：Ouro Preto，2012：252-259.

[18]Shebiah R N. Fruit recognition using color and texture features[J]. Journal of Emerging Trends in Computing and Information Sciences，2010，1（2）：90-94.

[19]Selvaraj A，Shebiah N，Ananthi S，et al. Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features[J]. Agricultural Engineering International，2013，15（1）：211-217.

[20]Zhang Y，Wu L. Classification of fruits using computer vision and a multiclass support vector machine[J]. Sensors，2012，12（9）：12489-12505.

[21]Wang S Z，He D J，Li W，et al. Plant leaf disease recognition based on kernel K-means clustering algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery，2009，40（3）：152-155.

[22]Prasad S，Kumar P， Hazra R，et al. Plant leaf disease detection using gabor wavelet transform[C].International Conference on Swarm，Evolutionary，and Memetic Computing，2012：372-379.

[23]姚金铸，符耀庆，王正勇，等. 基于颜色特征和紋理特征的岩屑岩性识别[J]. 四川大学学报（自然科学版），2014，51（2）：313-318.

[24]Unser M. Sum and difference histograms for texture classification[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8（1）：118-125.

[25]Rocha A，Hauagge D C，Wainer J，et al. Automatic fruit and vegetable classification from images[J]. Computers and Electronics in Agriculture，2010，70（1）：96-104.

[26]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.

[27]Bashish D A，Braik M，Baniahmad S. Detection and classification of leaf diseases using K-means-based segmentation and neural-networks-based classification[J]. Information Technology Journal，2011，10（2）：267-275.

[28]谢泽奇，张会敏，张善文，等. 基于颜色特征和属性约简的黄瓜病害识别方法[J]. 江苏农业学报，2015，31（3）：526-530.

[29]贾建楠，吉海彦. 基于病斑形状和神经网络的黄瓜病害识别[J]. 农业工程学报，2013，29（增刊1）：115-121.