基于SVM的植物病斑区域分割

摘 要：利用计算机视觉技术进行植物病斑快速分割，具有分割精度高，分割速度快的特点。基于bp神经网络的植物病斑分割方法，具有需要大量的训练样本的缺点。文章采用SVM方法进行植物病斑分割，该方法能够在小样本上，取得与bp神经网络相当的效果。

关键词：SVM；植物病斑区域分割；方法

中图分类号：TP391.41 文献标志码：A 文章编号：2095-2945（2017）36-0004-02

引言

农作物病害，直接影响到农作物产量和质量。农民不是病害专家，一旦病害发生，农民自己不能对病害的种类作出准确判断。农业专家没有时间和精力随时对每一个农民进行指导。农民只能自己主观的判断，经常发生误判，造成经济损失，过多的使用农药，还会造成不必要的环境污染。植物病害的症状最先表现在植物的叶子，观察植物的叶子是植物病害诊断的重要方式。计算机视觉技术飞速发展，将计算机视觉技术应用到植物病害诊断将提高病害诊断的精度和效率。常用的图像分割技术包括：基于阈值的分割方法，基于区域的分割方法，基于边缘的分割方法以及基于特定理论的分割方法[1]。由于病斑图像的非线性和不确定性，传统的基于阈值的植物病斑分割方法，不能很好的分割植物病斑区域[2]。基于bp神经网络的植物病斑分割方法具有需要大量的训练样本的缺点。本文采用SVM方法分割植物病斑图像。SVM方法对小样本非线性分类问题表现优异。

1 SVM简介

SVM是Support Vector Machine的英文缩写，中文称作支持向量机。美国科学家Corinna Cortes和Vapnik于1995年提出了支持向量机的概念[3]。SVM能够很好地解决小样本问题、非线性及高维模式分割问题[4]。bp神经网络具有很多参数，训练bp神经网络需要大量训练样本。采集样本数据，需要投入大量的时间和成本。所以本文采用SVM方法进行植物病斑区域分割。支持向量机的理论基础是统计学习理论，更精确的说，支持向量机是结构风险最小化的近似实现[1]。支持向量机具有以下优点[1]：通用性：能够在很广的各种函数集中构造函数；鲁棒性：不需要微调；有效性：在解决实际问题中总是属于最好的方法之一；计算简单：方法的实现只需要利用简单的优化技术；理论上完善：基于VC维推广性理论的框架；支持向量机的体系结构如图1所示。

图1中，K为核函数，X是输入样本特征，Y是输出样本分类。常用的核函数有线性核函数、多项式核函数、径向基核函数、两层感知器核函数等。支持向量机既可以用于分类问题，又可以用于回归问题，本文主要采用SVM解决二分类问题。二分类SVM的model如下：

2 支持向量机植物病斑分割

2.1 LIBSVM工具箱

LIBSVM工具箱是台湾大学林智仁教授开发的一个软件包，提供免费下载。LIBSVM支持Python，R，Matlab，Perl，Ruby等编程语言。

SVM模型需要确定很多超参数，例如：核函数类型。确定这些超参数没有特别有效的办法，只能凭借经验不断的尝试。LIBSVM工具箱最大的优点是使用默认的参数就能取得很好的实验效果，节省工作量。

LIBSVM的工具箱函数包括训练函数和预测函数[1]：

训练函数：model=svmtrain（train_label， train_data， options）；

train_data是训练集数据，数据类型为double；train_label是训练集标签，数据类型为double；options是可选参数；model是训练得到的模型。

预测函数：[predict_label，accuracy/mse，dec_value]=svmpredict（test_label， test_data， model）

test_data是测试集数据，数据类型为double；test_label是测试集标签，数据类型为double； predict_label为预测结果；accuracy/mse分类准确率；dec_value决策值。

2.2 选择颜色空间

光学传感器采集的植物叶片图片容易受光照强度影响，不同的光照条件下，图片差异巨大。选取不同的颜色空间作为样本的特征，分类效果差别巨大。常用的颜色空间包括：RGB颜色空间模型、CMY颜色空间模型、HSV颜色空间模型和YUV颜色空间模型等[5]。

（1）RGB颜色空间。RGB颜色空间由三个要素组成，分别为红色Red、绿色Green和蓝色Blue。RGB颜色空间的示意图如图2所示。同一个物体，不同的光照条件下，在图像上的显示是不同的，RGB三个值都发生变化，所以RGB值就不能作为特征用于图像分割。（2）HSV颜色空间。HSV颜色空间由三个要素组成，分别为色调、饱和度和亮度。HSV颜色空间的示意图如图3所示。亮度V指色彩的明亮程度。饱和度S指色彩中包含白光的程度。色调H指物体的颜色。HSV比RGB包含更多的信息。HSV是从人类的视觉角度设计的一种颜色空间。HSV颜色空间三个分量是相互独立的，可以分别处理。HSV颜色空间符合人眼的视觉规律。人眼中两种颜色的距离与HSV空间中两种颜色的距离成正比，即色调H值的差。HSV颜色空间的三个属性相互独立，比RGB颜色空开更适合作为分类特征。颜色发生变化时HSV颜色空间中，只有H值改变。因此，本文采用HSV颜色空间，选取样本图片中每个像素点的HSV值作为样本的特征点。（3）RGB空间到HSV空间的转换。图像传感器采集到的图像数据格式为RGB，需要转换为HSV格式作为样本特征。RGB转HSV的公式为公式6、公式7和公式8。

2.3 实验

本文采集了六片叶子，其中三片为正常树叶，另外三片为病斑树叶。将这六片叶子截取10×10的图片作为训练样本，如图4所示。其中1-3号为正常叶片取样图像，4-6号为病斑取样图像。图4中叶子的每个像素点作为一个样本点，训练样本大小为600，其中300个是正例样本，另外300个反例样本，每个像素点的HSV三个值作为样本的三个特征值。图5为两片具有病斑的植物叶子。利用训练函数训练好的SVM模型，对图5进行病斑分割，分割结果如图6所示。可以看出利用SVM模型进行植物病斑分割具有很好的效果。

3结束语

本文采用SVM方法替代bp神经网络方法进行植物病斑区域分割。bp神经网络参数众多，训练bp神经网络需要大量的训练样本。SVM使用少量样本就能達到bp神经网络同样的效果。采用SVM进行植物病斑区域分割，鲁棒性更高，计算量更小。

参考文献：

[1]王小川.MATLAB神经网络43个案例分析[M]//北京航空航天大学出版社，2013.

[2]李海鹏.基于bp神经网络的植物病斑区域识别[J].科技创新与应用，2016（03）：38.

[3]薛志东，王燕，李利军.SVM图像分割方法的研究[J].微计算机信息，2007，23（24）：306-308.

[4]陈来荣，冀荣华，徐宇.基于支持向量机的车牌字符识别[J].公路交通科技，2006，23（5）：126-129.

[5]李海鹏.基于ARM的类人足球机器人视觉研究[D].秦皇岛：燕山大学，2013.endprint