基于特征融合与局部判别映射的苹果叶部病害识别方法

李 超，彭进业，张善文

（1.西北大学信息科学与技术学院，陕西 西安 710127；2. 西京学院信息工程学院，陕西 西安 710123）

基于特征融合与局部判别映射的苹果叶部病害识别方法

李 超1，彭进业1，张善文2

（1.西北大学信息科学与技术学院，陕西 西安 710127；2. 西京学院信息工程学院，陕西 西安 710123）

针对利用植物病害叶片图像特征识别病害类别的复杂性，提出一种基于特征融合与局部判别映射的植物叶部病害识别方法。首先，在中心对称局部二值模式（CS-LBP）的基础上，设计了一种自适应中心对称局部二值模式（ACS-LBP），由此分割病害叶片的病斑图像；然后提取并融合病斑图像的纹理、形状和颜色特征；再利用局部判别映射算法对融合特征进行维数约简；最后利用支持向量机进行病害类别分类。在3种常见苹果病害叶片图像数据库上进行病害识别验证试验，结果表明，该方法能够有效识别苹果叶部病害，平均识别率高达96%以上。

植物病害识别；特征融合；自适应中心对称局部二值模式（ACS-LBP）；支持向量机（SVM）；改进局部判别映射（LDP）

多年来，我国植物病害主要依靠植保专家和农民目测及经验进行识别。人工识别劳动强度大、效率低，且识别结果具有很强的主观性，也不适用于大面积植物病害检测和识别。随着计算机软硬件技术和图像处理技术的不断发展，出现了很多基于图像处理的植物叶部病害自动识别方法［1-3］。Wang等［4］根据植物病害叶片图像的特点，首先采用矢量中值滤波去除葡萄病害叶片图像噪声，然后提取其纹理特征和颜色特征，最后利用核函数K均值聚类方法识别病害。马晓丹等［5］综合运用计算机数字图像处理技术与人工神经网络（ANN）技术，建立了一个多层BP神经网络，实现了大豆叶片病斑的自动识别。李乃祥等［6-7］通过计算机视觉技术采集不同区域的植物图像，对植物病斑情况进行有效识别。胡祝华等［8］设计了一套农作物病害管理系统，通过该系统实现了农作物病虫害的远程数据采集、自动监控、智能检测和远程管理，从而可以精准分割和识别农作物生长过程中的叶部病斑和病害类别。病害叶片的病斑分割是病害识别方法的关键步骤，病斑分割效果的好坏直接影响病害的识别率［9-10］。由于病害叶片图像的复杂性，使得很多学者都致力于病斑图像分割和特征提取方法研究。从已有的文献可以归纳出几十种病斑分割方法和从一幅叶片图像中能够提取出上百种病害分类特征。目前还没有比较普遍使用的分割方法，而且由于很多特征组成的特征向量是非线性数据，因此利用经典的主成分分析、小波分析、遗传算法、粗糙集等特征选择方法，很难选择出少量对分类贡献较大的特征。流形学习是目前非线性数据维数约简的一种有效算法，已被成功应用于人脸识别［11-12］和植物物种识别中［13-14］。在以上文献分析和局部二值模式［15-16］的基础上，本研究提出一种基于特征融合与局部判别映射的苹果叶部病害识别方法，并在3种常见苹果病害叶片图像数据库上进行了验证。

1 自适应中心对称LBP

经典的LBP算法将邻域作为处理单元，以任一像素为中心，将该像素的灰度值gc作为阈值，比较邻域中像素的灰度值gi（i =0，1，2，…P）与gc：若gi＞ gc，则gi=1；否则gi=0。再进行加权求和，得到中心像素gc的LBP值：

由于LBP直方图随着半径R的增大和邻域像素点P的增加，直方图的维数会显著增高，计算量增大，因而降低后续识别算法的效率。CS-LBP能够大幅度降低直方图的维数［17］。本研究针对病害叶片图像的复杂多样性特点，在CS-LBP的基础上，提出了一种自适应CS-LBP算法（ACS-LBP），对病害叶片图像进行分割，并由此提取病斑图像的纹理特征。该方法能够根据图像的特点，更加真实地反映病斑图像中纹理细节。每个像素的ACSLBPP，R值为：

二维数据ACSLBPP，R（x，y）为分割出的病斑灰度图像。λ由实验估计，一般取值0.01。

2 病害叶片特征提取

不同类型病害使得植物病害叶片图像的病斑颜色、纹理和形状各不相同。因此，首先利用ACS-LBP分割每幅病害叶片图像得到病斑图像，然后提取病斑图像的颜色、纹理和形状

特征，组成特征向量，用于病害类别识别。

2.1 纹理特征

利用LBP算法能够得到病斑图像的具有旋转不变性的纹理特征［17］。将分割出的每幅病斑图像等划分为8×8=64个子块，分别计算每个子块的直方图，记为Vi（i=1，2，…64）。然后计算每个子块的信息熵：式中，Pij为第i个子块图像中第j灰度级出现的概率，L为Vi的灰度级。

再对直方图进行加权依次连接，得到原图像的纹理加权特征向量V：

V=［a1V1，a2V2，…a64V64］

后续试验中，ACS-LBP采用中心对称圆形邻域，半径为1，邻域数为8，因此，L=15，得到的纹理特征为8×8×15=960维。

2.2 形状特征

叶片病斑图像的纵横轴比、矩形度、球状性、圆形度、偏心率、周长凹凸比、面积凹凸比和形状参数以及7个Hu不变矩参数共15个特征能够描述病斑图像的几何特征，而且这些特征受病害变化较慢。将这些特征作为病害识别的形状特征，依次分别表示为：

以上8个特征组成特征向量记为S。

Hu不变矩具有旋转、平移和尺度不变性。选择Hu不变矩作为病害分类特征，可以体现植物病斑图像稳定的形状特征。对ACS-LBP病斑图像，提取7个不变矩参数，记为H=［1，2，…7］，计算公式略。

2.3 颜色特征

叶片症状的颜色特征是病害类型识别的重要特征。ACS-LBP病斑图像为灰度图像，将ACS-LBP病斑图像转换为二值化图像，然后与病害叶片原图像进行异或运算，得到彩色病斑图像。提取该图像的R、G、B颜色成分和H色调成分，再分别计算R、G、B和H的均值、方差、偏度、峰值、能量、熵共6×4=24个特征［18］，得到的特征向量记为C。

2.4 特征融合

由以上得到的特征组成一个特征向量：x =［V，S，H，C］

x的维数为960+15+24=999。可以看出，本研究得到的特征向量的维数过高，不利于分类器训练和实际病害识别系统的实时性要求。本研究利用局部判别映射算法进行维数约简。

3 局部判别映射算法

经典局部保持映射算法（LPP）是一种无监督流形学习算法［19］，没有有效利用数据的类别信息。申中华等［20］在LPP的基础上，提出了监督LPP算法（SLPP），该算法需要构建两个邻域图，降低了算法的运行效果。本研究在LPP和SLPP的基础上，提出一种局部判别映射算法（LDP），由此对病害叶片图像特征进行维数约简。

设C类n个高维样本点X =［ x1，x2，…，xn］RD×n，由LDP算法对X约简后的低维样本点为Y =［ y1，y2，…，yn］∈Rd×n，即Y=ATX，

d＜＜D，A为映射矩阵，LDP算法的基本步骤描述如下：

（1）利用K-最近邻准则构建近邻关系图G=（V，H），若任意两个样本点在G上是互近邻的，则连接这两点。任意两点之间连线的权值定义为：

式中，yi=ATxi，A为映射矩阵。

式中，L为Laplacian矩阵，且L=M-W，W={Wij}，M为一个对角矩阵，其元素为W的行或列和，即Mii=∑jWij。

为求解最佳映射矩阵A：

映射矩阵A由最小特征值问题的d个最小特征值对应的特征向量ai（i =0，1，…d-1）组成。

LDP算法通过求解施加吸引力Wij的目标函数最小值来保证观察空间中任意两个同类近邻样本点xi和xj投影后在低维空间中对应的样本点yi和yj也是最近邻点。

对于任意一个高维样本x，由映射矩阵A得到低维映射y为：

y = ATx

4 实证分析

为了表明本研究提出植物病害识别方法的有效性，在陕西杨凌苹果园区苹果的斑点落叶病、花叶病和锈病3种常见病害叶片图像数据库上进行病害识别实证分析。图像处理软件采用Matlab7.0。本研究利用ACS-LBP分割病害叶片图像，提取分类特征，利用LDP约简分类特征，利用SVM分类器分类识别病害。试验中采用5折交叉验证法进行病害识别，即将分割后的病斑图像随机划分成5份，每次划分的4份共144幅作为训练样本训练SVM分类器；剩余1份共36幅作为测试样本，用于测试算法的有

效性，共执行5次性能测试，在［0，1］范围内调整a值，调整SVM的参数，在不同的约简维数下进行病斑分类，记录每次识别率的最大值。进行10次这样的划分，得到50个最大值，将其平均值作为算法的识别率。

4.1 数据采集

每种病害叶片选择60幅共180幅图像（图1，封三），每幅图像大小裁剪为768×512。由于利用智能手机或物联网拍摄的苹果彩色叶片图像的病斑与正常叶片图像之间一般存在对比度不明显、边缘模糊等现象以及有噪声和光照等影响，因此，需要对数字化叶片图像进行滤波、降噪、增强等预处理［2，9］。

4.2 试验步骤

基于特征融合和LDP的植物病害识别方法主要步骤为：

（1）利用ACS-LBP对每幅病害叶片图像进行分割，P=8，R=1，λ=0.01，得到二维数据ACSLBPP，R（x，y），即为分割出的病斑灰度图像（图2，封三）；

（2）将每幅病斑图像划分为8×8=64个子图像，利用V=［a1V1，a2V2，…a64V64］ ，提取纹理特征V；

（3）提取每幅病斑图像的形状S和Hu不变矩特征H，再提取颜色特征C；然后组成特征向量x =［V，S，H，C］；

（4）利用训练样本构建邻域图；

（5）利用

计算任意两点之间的权值，参数β =100［21］。

（7）由y = ATx ，映射待测试样本到低维特征空间；

（8）利用SVM分类器预测测试样本的标签［22］。

4.3 结果与分析

为了验证本研究病害识别方法ACS-LBP的有效性，对比了ACS-LBP方法与其他4种常用叶部病害识别方法〔包括基于核K聚类方法（KKC）［9］、基于Android平台（Android）［22］、基于支持向量机（SVM）［23］和基于病斑形状和神经网络（SSNN）［24］的叶片病害识别方法〕的识别结果（表1）。上述5种方法均在相同的苹果病害叶片图像数据集上进行试验，而且叶片图像的预处理以及训练子集和测试子集的划分也相同，但各个方法特征提取和选择的特征数目不同，采用的分类器也不同。从表1可以看出，ACS-LBP方法的识别率最高、识别时间最短。原因是ACS-LBP将病斑图像进行分块后，计算每个子块的信息熵，并以此作为各个子块的加权系数进行特征提取，考虑了中心像素与周围像素的大小关系在纹理特征提取中的作用，得到的960维纹理特征能较好地描述粗细纹理特性。再融合病斑图像的15形状特征和24个颜色特征，共得到999维分类特征，与其他方法不同的是，没有对999维特征进行特征提取，而是利用LDP方法进行维数约简，在低维空间中进行病害叶片分类。

5 结论

本研究提出了一种基于特征融合和局部判别映射的病害识别方法。在该方法中，设计了一

种ACS-LBP病害叶片图像分割和病斑图像纹理特征提取方法，再融合了病斑图像的形状和颜色特征，再在LPP和SLPP算法的基础上，提出了LDP方法，由此对病斑图像的分类特征向量进行维数约简，最后利用SVM进行病害识别。试验结果表明，本研究所提出方法有效。该方法能够应用于针对设施农业或大区域农场的病害远程自动监控系统，为后续构建完整的病害监控、诊断和防治系统提供了理论基础。下一步研究重点是将该方法应用于远程植物叶部病害监控系统中，继续深入拓展对病害叶片图像的特征提取、精准识别与诊断系统研究。

表1 苹果叶片病害识别结果

［1］ 田有文，李成华. 基于统计模式识别的植物病害彩色图像分割方法［J］. 沈阳农业大学学报，2003，34（4）：301-304.

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

［3］ Hiary H A，Ahmad S B，Reyalat M，et al. Fast and accurate detection and classification of plant diseases［J］. International Journal of Computer Applications，2011，17（1）：31-38.

［4］ Wang S，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.

［5］ 马晓丹，祁广云. 基于神经网络的大豆叶片病斑的识别与研究［J］. 黑龙江八一农垦大学学报，2006，18（2）：84-87.

［6］ 李乃祥，郭鹏，刘同海，等. 一种温室蔬菜叶部病害图像自动识别方法，CN103559511A［P］. 2014.

［7］ 李乃祥，郭鹏，王学利，等. 温室病虫害远程智能识别与视频诊断系统［J］. 中国科技成果，2015（4）：54.

［8］ 胡祝华，赵瑶池. 农业病虫害智能视频监控系统的构建和应用［J］. 中国农机化学报，2016（3）：186-190.

［9］ 虎晓红，李炳军，席磊. 基于多示例图的小麦叶部病虫害分割方法［J］. 农业工程学报，2012，28（13）：154-158.

［10］ 赖军臣，汤秀娟，谢瑞芝，等. 基于G-MRF模型的玉米叶斑病害图像的分割［J］. 中国农业科学，2010，43（7）：1363-1369.

［11］ Li B，Huang D S. Locally linear discriminant embedding：An efficient method for face recognition［J］. Pattern Recognition，2008，41（12）：3813-3821.

［12］ Zhang S W，Lei Y K，Dong T B，et al. Label propagation based supervised locality projection analysis for plant leaf classification［J］. Pattern Recognition，2013，46（7）：1891-1897.

［13］ Zhang S W，Lei Y K，Wu Y H. Semi-supervised locally discriminant projection for classification and recognition［J］. Knowl Based Syst，2011，24（2）：341-346.

［14］ Zhang S W，Lei Y K. Modified locally linear discriminant embedding for plant leaf recognition［J］. Neurocomputing，2011，74（14-15）：2284-2290.

［15］ Ojala T，Pietikainen M，Maenpaa T. Multiresolution grayscale and rotation invariant texture classification with local binary patterns［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

［16］ 付蓉，石美红，徐步高. 基于自适应学习局部二值模式的织物疵点检测算法［J］. 计算机集成制造系统，2010，16（9）：2009-2015.

［17］ 张洁玉，赵鸿萍，陈曙. 自适应阈值及加权局部二值模式的人脸识别［J］. 电子与信息学报，2014，36（6）：1327-1333.

［18］ 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.

［19］ He X，Niyogi P. Locality preserving projections［C］. Advances in Neural Information Processing Systems，Vancouver，Canada，2003：585-591.

［20］ 申中华，潘永惠，王士同. 有监督的局部保留投影降维算法［J］. 模式识别与人工智能，2008，21（2）：233-239.

［21］ Li B，Wang C，Huang D S. Supervised feature extraction based on orthogonal discriminant projection［J］. Neurocomputing，2009，73：191-196.

［22］ 王梅嘉，何东健，任嘉琛. 基于Android平台的苹果叶病害远程识别系统［J］. 计算机工程与设计，2015，36（9）：2585-2590.

［23］ 张芳，王璐，付立思，等. 基于支持向量机的黄瓜叶部病害的识别研究［J］. 沈阳农业大学学报，2014（4）：457-462.

［24］ 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（S1）：115-121.

（责任编辑 崔建勋）

Apple leaf disease recognition based on feature fusion and local discriminant projection

LI Chao1，PENG Jin-ye1，ZHANG Shan-wen2
（1.Department of Information Science and Technology，Northwest University，Xi’an 710127，China；2. College of Information Engineering，Xijing University，Xi’an 710123，China）

As for the complexity of plant disease recognition by the disease leaf image，a plant disease recognition method was proposed based on feature fusion and local discriminant projection. First，based on the center symmetric local binary pattern（CS-LBP），an adaptive CS-LBP algorithm was proposed. The spot images were segmented by ACS-LBP. The texture，shape and color features were extracted from each spot image and fused，and then were reduced based on local discriminant projection （LDP）. Finally，the diseases were recognized by support vector machine（SVM）. The experiment results on a database of apple disease leaf images showed that the proposed method was effective for apple leaf disease recognition. The average recognition rate was more than 95%.

plant disease recognition；feature fusion；adaptive center symmetric local binary pattern （ACSLBP）；support vector machines （SVM）；local discriminant projection （LDP）

TP391

A

1004-874X（2016）10-0134-06

2016-07-30

国家自然科学基金 (61473237)；陕西省教育厅自然科学研究项目（2013JK887）

李超（1988-），男，在读博士生，E-mail：378608637@qq.com

张善文（1965-），男，博士，教授，E-mail：wjdw716@163.com

李超，彭进业，张善文. 基于特征融合与局部判别映射的苹果叶部病害识别方法［J］.广东农业科学，2016，43（10）：134-139.

植物病害会影响植物的正常生长，要防治植物病害，首先要检测病害，识别病害类型。叶片是植物中最丰富、占据部位最多、最方便观察的部分。大部分植物染病后，病害症状往往表现

在叶部，使叶片的颜色、形状、纹理发生变化，表现出萎缩、出现病斑、斑纹分布异常等症状，且不同类型病害和不同时期引起的叶部症状差异较大。因此，叶片症状是基层农林防护人员和农民诊断植物病害发生、判别病害类型及估计病害危害程度的重要依据。