0 引言

農作物葉片病斑能夠直接反映病害種類及危害程度。研究農作物葉片病斑的圖像識別,及時發現病情,并對其進行動態、實時地監控,對農作物病害的有效防控具有重要意義。隨著計算機視覺技術的不斷發展和在各領域的應用,對作物病害信息進行實時監控和診斷已逐漸成為可能。作為計算機視覺病害檢測的重要組成部分,病斑的分割結果將影響對病害的判斷。由于葉片病斑圖像呈現出特征多樣性、復雜性和模糊性等特點,采用傳統的病斑圖像檢測方法,很難將病斑準確分割。病斑有自身的發生與表現規律,可綜合利用病斑形狀、顏色等特征進行檢測。

本研究以感染稻瘟病的水稻葉片為研究對象,結合色度學模型、邊緣檢測、形態學運算和 DNGBI 等方法對稻葉瘟病斑進行分割,為稻瘟病的檢測和診斷奠定基礎。

1、 材料與方法

1. 1 田間圖像采集與預處理

試驗田位于廣東省從化市呂田鎮,水稻品種為CO39,田間稻葉瘟包含不同病害等級。在自然光照且無風條件下,用 Canon A490 數碼照相機采集田間水稻稻瘟病葉片圖像。試驗共采集了 30 幅田間采集的水稻葉瘟圖像,所采集的圖像包含不同等級葉瘟病斑信息,成像清晰,圖像大小為 2 594 ×1 994 像素。將圖像處理成為 500 × 500 像素左右,程序設計語言為MatLab。

1. 2 基于色度學模型的特征提取

特征的提取是為快速獲取圖像中圖斑\\(包含病斑和一些封閉的非病斑區域\\) 的信息,在病斑的識別中起到初提取的作用,其處理的目的在于獲取突出病斑特征的灰度圖像以進行圖像分割。圖像處理成為單一圖層,可減少數據運算量,實現快速識別。顏色識別是病斑識別的主要途徑之一,本研究將采用色度學模型進行病斑識別過程中的特征要素提取,利用 RGB顏色模型實現病斑的提取,利用 HIS 顏色模型實現葉片的提取。

1. 2. 1 基于 RGB 顏色模型的圖斑提取針對可見光圖像,病斑提取的方法較多,常見的有采用綠色波段或者紅綠藍取均值波段及制定特定病斑指數,如歸一化綠藍差值指數\\(Normalized Differ-ence Green and Blue Index,DNGBI\\)。通過對稻瘟病病斑的顏色分析可知,葉片被病菌侵染后,侵染中心會呈現褐色或灰白色,病斑附近的葉片部分可能呈現枯黃狀。通過多次對比試驗發現,采用 2R - G 色差分量實現圖斑的提取,水稻葉瘟病斑的邊緣能在 2R - G 色差分量上較好地表現出來,利于邊緣提取結果。

1. 2. 2 基于 HIS 顏色模型的葉片提取植物與背景分離的最大根據為植物葉片與背景的彩色分量的差異,利用此特性可以進行分類識別。色彩對光照很敏感,不同光照下色彩的變化差異很大。

采集圖像所用的彩色空間為 RGB,而紅\\(R\\) 、綠\\(G\\) 與藍\\(B\\) 這 3 個分量隨光照的變化是不一致的,在實際使用過程中,很難要求系統每次的光照完全一致,因此很難找到一個理想的彩色距離中心。HIS 模型是從人的視覺系統出發,用色調\\(H\\) 、飽和度\\(S\\) 和亮度\\(I\\) 來描述色彩。通過顏色模型轉換公式即可實現兩種模型的轉換。為更好地識別目標物,希望利用顏色模型中某一分量或類似植被指數等模型,使得葉片病斑與背景之間的差異顯著。從 RGB 模型到 HIS模型的轉換關系,如式\\(1\\) 、式\\(2\\) 和式\\(3\\) ,僅取 H 分量進行分析。利用 H 色彩分量可以識別綠色區域,并利用形態學運算進行封閉區域填充,形成一個連片的完整區域,便于后期進行掩膜過濾,圖 2 為葉片掩膜區域提取。有

1. 3 封閉邊緣提取與修復

利用邊緣提取算子對 2R - G 色差分量圖進行邊緣提取,對提取的邊緣進行封閉修復并過濾,可獲得病斑的封閉邊緣。

1. 3. 1 邊緣提取

Canny 算子采用二維高斯函數的任意方向上的一階方向導數為噪聲濾波器,通過與圖像卷積進行濾波; 然后尋找濾波后圖像梯度的局部最大值,以此來確定目標邊緣。根據對信噪比與定位乘積進行測度,得到最優化逼近算子。Canny 算子具有濾去噪聲和保持邊緣的特性。對 2R - G 色差分量圖利用 Canny進行邊緣檢測。在Canny 邊緣提取后的圖像中,病斑邊緣和一些封閉的非病斑邊緣\\(用圓圈標示區域\\) 都被識別出來,影響稻葉瘟病斑的檢測精度。

1. 3. 2 封閉邊緣修復

由于對比度、葉脈等因素的影響,多數提取的邊緣未能閉合,因此設計邊緣修復模板對病斑邊緣輪廓進行提取。按照由上至下、由左至右的處理順序,依次對圖像中的每一個像素點進行運算。算法步驟如下: 首先抽取一個 3 ×3 的圖像處理窗口,其中心點 p5是待處理像素點\\(見圖 4\\) ; 然后取窗口四周共 9 點\\(p1,p2,p3,p4,p5,p6,p7,p8,p9\\) 分別與邊緣修復模板\\(見圖 5\\) 進行匹配\\(虛線框代表可能出現一個或者多個像素\\) ,若和其中任意一個邊緣修復模板匹配,則該中心像素被填充; 否則保持不變,移動到下個點,直至圖像所有的點都被遍歷。

1. 3. 3 封閉邊緣提取

利用1. 2. 2 節的葉片提取結果與封閉邊緣修復后的圖像進行掩膜運算,從而獲得葉片范圍內的病斑邊界結果。閉合的邊緣與未閉合的邊緣主要區別在于是否可以填充邊界,對上述邊緣修復的結果進行封閉填充,利用形態學的“開”運算,過濾未閉合的邊緣,得到封閉的區域,再進行邊緣檢測,獲得封閉邊緣。

1. 3. 4 稻葉瘟病斑檢測

提取的封閉邊緣線,在很多因素影響下未必是病斑,對病斑屬性的精確確定,需要通過對封閉邊緣覆蓋下的病斑圖像進行波段或者光譜等信息的分析。

本文以歸一化綠藍差值指數\\(DNGBI\\) \\(公式 4\\) 為病斑最終確定的模型。統計封閉邊緣區域覆蓋圖像的DNGBI 均值,取一定的閾值進行分割。封閉邊緣提取的結果 DNGBI 圖表現為: 病斑覆蓋區域的 DNGBI 均值要比非病斑覆蓋 DNGBI 均值高,取一定的閾值可分離出病斑。封閉的非病斑邊緣\\(用圓圈標示區域\\) 都被剔除。稻葉瘟病斑檢測算法流程圖,如圖 7 所示。有DNGBI = \\(G - B\\) /2\\(0. 3R + 0. 59G + 0. 11B\\) \\(4

2、結果與分析

對 30 幅野外采集的水稻葉瘟圖像進行檢測。對于葉片的提取,H 分量取值范圍設為 50 ~130,此范圍可較完整地提取出不同明度、不同亮度的綠色葉片信息。DNGBI 過濾閾值設為 1 800。由于病斑處于葉片邊緣造成葉片掩膜不完整,同時由于部分病斑邊緣未封閉,部分病斑并未正確識別出來。通過 DNGBI 閾值過濾后,剩余的圖斑以葉瘟病斑為主。對 30 幅圖像的正確識別率進行統計,結果為 90. 26% 。

通過試驗分析可知,在 2R - G 分量圖上,病斑的邊緣較清晰,便于病斑的邊緣提取。通過對病斑進行邊緣識別,可以得出,病斑能夠正確提取的條件是: 病斑邊緣清晰、葉脈干擾小及病斑周邊不存在模糊過渡區域。Canny 算法穩健,邊緣提取效果穩定,但易受到對比度、葉脈等多因素影響,病斑容易出現斷點、斷線的情況。采用形態學方法實現病斑的封閉修復與提取,不受方向性限制,對病斑的邊緣斷線能起到一定的修補作用。

邊緣提取與修復的結果不僅包含了病斑,同時也包含了一些封閉的非病斑邊界。為了精確進行病斑識別,需要針對病害的種類制定特定的識別模型。研究針對水稻葉瘟病斑,封閉的圖斑覆蓋區域在 DNGBI圖上病斑與非病斑差別較大,采用 DNGBI 圖對封閉區域的圖斑進行閾值過濾,可以得到稻葉瘟病斑。

3、 結論

1\\) 以水稻葉瘟 RGB 圖像為研究對象,計算 2R -G 色差分量模型,采用 Canny 算法進行邊緣檢測,通過邊緣封閉修復與過濾,去除封閉的非病斑邊界,對稻葉瘟病斑邊緣進行修復,可以封閉部分斷開的邊界。

2\\) 采用 HIS 模型的 H 分量提取的葉片正常部位信息與修復后圖像做掩膜運算,獲得葉片范圍內的病斑邊界結果,采用 DNGBI 閾值分割可檢測出水稻葉瘟的普通型病斑。試驗結果表明,該方法對病斑的正確識別率為 90. 26% 。

參考文獻:
[1] 馬德貴,邵陸壽,葛婧,等. 水稻稻瘟病及水稻紋枯病病害程度圖像檢測[J]. 中國農學通報,2008,24\\(9\\) : 485- 489.
[2] 王坤,朱大洲,張東彥,等. 成像光譜技術在農作物信息診斷中的研究進展[J]. 光譜學與光譜分析,2011,31\\(3\\) : 589 -595.
[3] DB23/T 1118 -2007,水稻稻瘟病防治技術規范[S].
[4] 胡小峰,趙輝. Visual C + + / MATLAB 圖像處理與識別實用案例精選[M]. 北京: 人民郵電出版社,2004.
[5] 丁浩. 植物黑腐病病斑的自動識別與分析[D]. 南寧: 廣西大學,2007.
[6] 張柏毅. 玉米葉部病斑識別[D]. 大慶: 黑龍江八一農墾大學,2012.
[7] 謝忠紅,姬長英,郭小清,等. 基于改進 Hough 變換的類圓果實目標檢測[J]. 農業工程學報,2010\\(7\\) : 157 -162.
[8] 岡薩雷斯\\(美\\) . 數字圖像邊緣檢測\\(2 版\\) [M]. 阮秋琦,譯. 北京: 電子工業出版社,2005.