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特征變量的優選和小麥病害的識別。旨在更好地實現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]等人研究發現: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。

1.2 顏色特征

    顏色特征非常穩定，是病害識別的一個重要參數^[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。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，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的支持向量機分類模型，輸入優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

    葉片健康區域通常為綠色，病害區域為非綠色，依據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生。采用交叉驗證(K-CV)的方法進行參數尋優，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據集利用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作為最優參數。根據MIV位次表，當取7個特征變量分類時，最優參數c=8，g=1.414 2。當取14個特征變量分類時，最優參數c=1.414 2，g=2。參數選擇結果的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.