基于支持向量机的水稻稻瘟病图像分割研究

石凤梅 ，赵开才 ，孟庆林，马立功

（1.黑龙江省农业科学院植物保护研究所，哈尔滨 150080；2.黑龙江省科学技术情报研究所，哈尔滨 150001）

水稻稻瘟病是水稻生产上危害最大的病害之一，流行年份一般减产10%～20%，严重时达40%～50%，甚至绝产[1]。目前，水稻稻瘟病病害识别诊断主要是通过人为判断或专业书籍提供的相关病斑图像进行对比判断。会引起人为误判，效率低下，专家依赖性大，难以及时对症下药，引起水稻减产[2]。已有学者尝试利用计算机图像处理技术和模式识别技术对作物病害进行自动识别与诊断[3]。支持向量机作为一种新的模式识别方法，它采用结构风险最小化(SRM)原理，兼顾训练误差和泛化能力，在解决小样本、非线性、高维数局部极小值等模式识别问题中表现出特有的优势[4]，已有学者采用支持向量机技术进行玉米、葡萄、黄瓜等植物病害图像分割的研究，取得较好的分割效果[5-7]，关于支持向量机技术在水稻稻瘟病图像分割上的应用还未见报道。由于作物种类不同，其病害特征表现截然不同，需要针对不同作物的具体病斑进行具体的分割方法研究。本文将以已经采集的水稻稻瘟病病害图像为对象，研究基于支持向量机的水稻稻瘟病彩色图像分割方法，将病斑从叶片中分离出来，为后续植物病害识别与量化分级奠定基础。

1 支持向量机原理

支持向量机方法是从线性可分情况下的最优分类面(Optimal hyperplane)提出的，其要求是分类线不但能将两类样本无错误地分开，而且要使两类之间的距离最大。假定训练样本（xi，yi），i=1，2，…，为，n样本数，输入集xi∈Rm，m为样本维数；输出集yi∈{-1，1}，yi=-1，1为分类标号。学习目标在于构造一个判别函数g（x）=w·x+b，将训练样本尽可能地正确分类，并寻找最优分类超平面，分类面方程为:

将判别函数进行归一化，使两类所有样本都满足|g(x)|≥1，即使离分类面最近样本的|g(x)|=1，这样分类间隔就等于2/||w||，等价于使||w||2最小；而要求分类线对所有样本正确分类，要求其满足:

满足上述条件且使||w||2最小的分类面就是最优分类面。应用二次规划方法可求出此最优分类函数为：

式中：为Lagrange乘子，yi为分类标记，xi为支持向量，x为未知向量，b*为分类阈值。针对样本集线性不可分的情形，Vapnik在考虑允许拟和误差的情况下，引入一个非负的松弛变量ζi和错分惩罚常熟C，公式（2）变成yi[(w·xi)+b]-1+ζi=≥0，约束条件由ai＞0变为0＜ai＜C求得的最优分类函数与式（1）相同。

而对于样本集非线性情形，通过非线性变换将输入空间变换到一个高维特征空间，通过引入核函数K(w·xi)避免在高维特征空间的复杂运算和“维数灾难”，这也就是支持向量机的基本原理[4]，最优分类超平面的分类函数为：

目前最常用的核函数有线性核函数、多项式核函数、径向基核函数及两层神经网络核函数等4种[4]。

2 基于支持向量机的水稻稻瘟病图像分割原理

基于支持向量机进行水稻稻瘟病图像分割的实质是把图像分割问题转化为像素点的分类问题，通过分类将目标区(病斑)从叶子正常区域中分离出来[9-10]。基于支持向量机的水稻稻瘟病图像分割算法首先从叶子正常区域和病斑区域像素点的颜色特征信息出发，提取各自的颜色特征，作为正、负样本点的特征向量，训练和测试支持向量机，利用训练好的支持向量机模型对待分割图像中的所有像素点进行分类，病斑像素点归为一类，叶子正常区域像素点归为另一类，所有病斑像素点的集合就是要分割的目标。

2.1 训练样本获取

由于分类器是通过对训练样本学习得到的，因此，训练样本的选取对分类器性能有很大影响，对于任何一个实际问题，训练样本数足够多且分布良好是学习分类器性能良好的基础[8]。目前主要有两种样本获取方法，一种是自动随机选取方法，另一种是人工选取方法。对于有结果的分类问题，一般采用自动选取方法，而对于没有参考结果的分类问题，一般采用人工选取方法。本文采用人工选取方法，即通过人工观察，在图像中病害区域选取50个像素点作为训练正样本点，在图像中正常区域选取50个像素做为训练负样本点，图像的其余像素点及其它图像像素点作为测试样本。

2.2 特征向量选取

特征提取支持向量机是分类的基础，只有正确提取代表病斑的特征才能利用支持向量机的方法正确有效地将病斑分割开来。由于彩色图像相对单色图像包含的信息更丰富，且植物病害由于致病病原物种类不同病斑颜色各不相同，故可利用颜色信息作为特征向量[11]。对于一幅彩色图像每一个像素点而言，具有R、G、B三个分量值，且对于病斑像素点和叶子正常部位像素点而言，其R、G、B分量值差异较大，故本文的分割算法中采用当前像素点的R、G、B分量值为样本的特征分量。

2.3 支持向量机模型选择

支持向量机方法的重要思想是采用核技术，其核函数类型选择、核函数参数选择及惩罚因子选择统称为模型选择，目前指导模型选择的精确理论尚未完善，一般都是结合具体的应用凭借经验或是通过实验选择[4]。本文针对水稻稻瘟病病害图像的特点，选用高斯径向基核函数，针对核函数参数，文中采用网格搜索法，根据分类错误率和测试时间对惩罚参数和核参数进行选择[9]。网格搜索法首先给出一定的参数搜索范围[CminCmax；]，在每一对（Ci，）下用训练样本和测试样本对支持向量机进行训练和预测，计算各自的分类错误率和测试时间。分类错误率公式：

2.4 基于支持向量机稻瘟病图像分割步骤与流程

将图像分割问题转化为图像像素点分类问题是本文算法的特点，其分割步骤如下：①通过人工观察，选取具有代表性的病斑区域和叶子正常区域，在病斑区域选取若干像素为正训练样本，在正常叶子区域选取若干像素为负训练样本；②计算样本R、G、B分量值作为样本的特征分量；③利用标记好的样本对SVM进行训练，根据网格搜索法得到最优分类器模型参数；④使用训练好的分类器对待分割病害图像进行分析，由分类器的输出值确定图像中像素的所属类别，输出值为“1”的像素为病斑，输出值为“0”的像素为正常部位，完成所有像素的分类，得到病斑的二值图像，完成分割。流程图如图1所示：

图1 基于支持向量机的稻瘟病图像分割流程Fig.1 Flow of rice blast image segmentation based on SVM

3 基于支持向量机的水稻稻瘟病图像分割试验分析

试验中，选用由黑龙江省农科院植物保护研究所采集的白点型、慢性型和急性型水稻稻瘟病病害图像各20幅，每类病害选用10幅进行支持向量机训练，另外10幅用于测试并计算分割精度。为方便分析，图像首先归一化为13035、24位真彩色BMP格式。编程环境为Matlab 7.1，支持向量机训练算法采用序列最小优化算法，核函数选用径向基函数。

3.1 不同模型参数支持向量机图像分割结果比较

采用网格搜索法，计算径向基核函数下核参数的分类错误率、支持向量数及测试时间，通过比较最小分类错误率确定模型参数C和δ，训练样本为通过鼠标选择的像素点，测试样本为图像的全部像素点。文中针对白点型、急性型及慢性型水稻稻瘟病病害图像采用径向基核函数，分别计算了不同参数下的病斑区域像素点的分类错误率、支持向量数及测试时间，确定了每一类图像的最佳模型参数和，结果分别如表1～3所示。

表1 白点型病斑径向基核函数下不同参数Table1 White spots under different parameters of RBF kernel SVM

从表1的结果可以看出，在参数C=1，δ=100时获得0.39的最小分类错误率，对应的支持向量数为22，测试时间为1.47 s。因此，文中对于白点型水稻稻瘟病病害图像的分割，选择C=1，δ=100作为支持向量机模型的参数。

从表2的结果可以看出，在参数C=1，δ=100时获得0.07的最小分类错误率，对应的支持向量数为6，测试时间为0.98 s。因此，文中对于急性型水稻稻瘟病病害图像的分割，选择C=1，δ=100作为支持向量机模型的参数。

表2 急性型病斑径向基核函数下不同参数Table 2 Acute spots under different parameters of RBF kernel SVM

表3 慢性型病斑径向基核函数下不同参数Table3 Spots under different parameters of RBF kernel SVM

从表3的结果可以看出，在参数C=1，δ=100时获得0.17的最小分类错误率，对应的支持向量数为32，测试时间为0.61 s。因此，本文中对于慢性型水稻稻瘟病病害图像的分割，选择C=1，δ=100作为支持向量机模型的参数。

3.2 与其他算法的分割效果比较

为了比较不同分割算法的分割效果，选择急性型病斑、白点型病斑及慢性型病斑各10幅图像，采用植物病斑图像分割中经常用到的最大类间方差算法（OTSU）对三种稻瘟病病害图像进行分割，并与文中提出的支持向量机方法进行比较。基于支持向量机的分割方法中采用表1～3确定的及，三种类型稻瘟病病斑的原始图像及其OTSU分割效果、支持向量机分割效果分别如图2～4所示（彩版见封三）。

图2 急性型稻瘟病病斑分割效果对比Fig.2 Comparison image of segmentation result of acute spots

图3 白点型稻瘟病病斑分割效果对比Fig.3 Comparison image of segmentation result of white spots

图4 慢性型稻瘟病病斑分割效果对比Fig.4 Comparison image of segmentation result of chronic spots

为了评价分割效果，采用客观评估法，根据图2～4分别计算支持向量机分割算法与OTSU分割算法对急性型稻瘟病病斑、白点型稻瘟病病斑及慢性型稻瘟病病斑的分割精度，其结果分别如表4～6所示。

表4 急性型病斑支持向量机算法与OTSU算法分割精度比较Table 4 Segmentation accuracy comparison of SVM and OTSU of acute spots

从表4～6可以看出，针对急性型、白点型及慢性型稻瘟病病斑各10幅图像，采用支持向量机算法分割精度的平均值分别为98.5%、94%、90%，优于采用OTSU方法的分割精度，表明文中提出的基于支持向量机的分割算法对急性型、白点型及慢性型稻瘟病病斑的分割是有效的。

表5 白点型病斑支持向量机算法与OTSU算法分割精度比较Table5 Segmentation accuracy comparison of SVM and OTSU of whit espots

表6 慢性型病斑支持向量机算法与OTSU算法分割精度比较Table 6 Segmentation accuracy comparison of SVM and OTSU of chronic spots

4 结论

本文针对急性型、慢性型及白点型三种类型水稻稻瘟病病害图像特点，提出一种基于支持向量机的水稻稻瘟病病害彩色图像分割算法，给出基于支持向量机的水稻稻瘟病病害彩色图像分割流程，通过比较不同模型参数的分割精度，确定分割支持向量机的最佳模型参数。仿真结果表明，基于支持向量机的水稻稻瘟病病害图像分割算法对三种类型稻瘟病病斑的平均分割精度达到94.2%，分割精度优于传统的OTSU分割方法，分割出的病斑能够满足后续对稻瘟病病斑进行特征提取及分类识别的需要。

[1]孙国昌,杜新法,陶荣祥,等.水稻稻瘟病防治研究进展和21世纪初研究设想[J].植物保护,2000,26(1):33-35.

[2]马成云,申宏波,马淑梅,等.黑龙江省水稻稻瘟病发生危害情况调查及防治建议[J].植物保护,2006,32(5):95-97.

[3]赖军臣,李少昆,明博,等.作物病害机器视觉诊断研究进展[J].中国农业科学,2009,42(4):1215-1221.

[4]张学工.关于统计学习理论与支持向量机[J].自动化学报,2000,26(1):32-42.

[5]宋凯,孙晓艳,纪建伟.基于支持向量机的玉米叶部病害识别[J].农业工程学报,2007(1):155-157.

[6]田有文.基于支持向量机的黄瓜病叶彩色图像分割[J].仪器仪表学报,2007,28(4):461-463.

[7]Marcuzzoa m,Quelhasa P,Campilho A.Automated Arabidopsis plant root cell segmentation based on SVM classification and region merging[J].Computers in Biology and Medicine,2009(39):785-793.

[8]Burges C J C.A tutorial on support vector machines for pattern recognition[J].Data Mining and Knowledge Discovery,1998,2(2):121-167.

[9]郝晓伟.基于支持向量机的图像分割方法的研究[D].北京:中国石油大学,2009.

[10]Guyer D E,Miles G E,Gaultney D L,et al.Application of machine vision to shape analysis in leaf and plant identification[C].Transactions of ASAE,1993,36(1):163-171.

[11]Wang Xiangyang,Wang Ting,Bu Juan.Color image segmentation using pixel wise support vector machine classification[J].Pattern Recognition,2011,44(4):777-787.