基于自适应学习局部二值模式的苹果叶部病斑分割与检测

张善文， 彭进业， 李 超

苹果是最常见的水果之一，果实球形、味甜、口感爽脆，且含有丰富的营养，是世界四大水果之冠。苹果是一种低热量食物，产热量2 511.6 J/g。苹果中营养成分可溶性大，易被人体吸收，故有“活水”之称，其有利于溶解硫元素，使皮肤润滑柔嫩。近年来，苹果病害严重影响了苹果的产量和质量，对苹果造成危害的病害达20多种，其中有严重危害的病害10多种。苹果病害比较严重的有苹果树腐烂病、白粉病、褐斑病和花叶病。目前，苹果早期落叶病大面积发生，而且相当严重，秋季9月份落叶率80%以上，重者高达95%及以上，该病害对苹果的产量、品质影响较大。由于环境遭到破坏，使得苹果病害的发生种类繁多、症状复杂，具有流行速度快、危害情况严重、危害期长、损失大等显著特点。人们通常在苹果表面喷洒农药防治病害，但该方式往往会造成苹果农药残留超标、对周围的环境造成一定的破坏，也容易错过治理病害的最佳时机，不能达到彻底治理病害的目的。由于苹果遭受病害时，一般在叶片表面出现异常的病斑颜色和病斑纹理，因此可以通过苹果叶片颜色和纹理的变化来识别病害[1-2]。多年来，我国主要依靠果农和植保专家的经验进行作物病害识别。该方法劳动强度大、效率低，检测结果具有很强的主观性，对苹果病害的危害程度很难做出定量、正确地分析和判断，也不适用于大面积苹果病害检测。近年来，出现了很多基于图像处理的作物叶部病害检测方法[3-6]。马晓丹等综合运用计算机数字图像处理技术与人工神经网络技术，建立了一个多层BP(back propagation，BP)神经网络，实现了大豆叶片中病斑的自动识别与特征计算[7]。随着计算机软硬件和网络技术的发展以及图像处理、模式识别等技术的发展，开发快速、有效、可靠、实时的作物叶部病害远程诊断、检测系统成为可能[8-9]。通过物联网技术设计作物病害识别系统，能够实现植物病害的远程报警，解决大田作物病害的防治问题，克服传统智能识别方法中不能对区域进行计算机远程智能控制的缺陷。该系统一般包含3个子系统：病害诊断专家系统、病害叶片图像识别系统、病害专家会诊系统[10-11]。目前，很多病害诊断、识别系统能够利用图像处理及分析系统对病害叶片图像进行分析、处理，获取作物病害叶片图像的数字化特征值，建立作物病害的主要数字化特征库；运用网络、通信和物联网技术能够开发作物病害远程自动诊断与识别软件系统[12-14]。可以根据用户提供的病害田间危害症状，利用系统推理机制进行病害智能诊断，提供病害的详细特征和防治建议。随着安卓智能手机以及3G、4G网络在农村的普及，利用智能手机拍摄图片上传给信息中心进行远程识别成为可能。农民可以将拍摄到的病害叶片数码照片上传到远程识别系统，该系统依据图像中记录的病害叶片特征，对病害进行诊断识别[15]。康志亮等针对危害较为严重的苹果斑点落叶病、锈病和花叶病，设计了一种基于安卓平台的远程作物病害识别系统框架以及手机和服务器间信息传输的病害识别系统[16]，该系统为指导果农进行科学防治提供了便捷途径。

事实表明，苹果叶部病害识别方法和系统的关键问题是病害叶片病斑的检测。但由于病害叶片图像及其病斑图像的复杂多样性，目前还没有特别有效的检测和处理方法。为了能够检测到病害叶片病斑，本研究提出一种基于自适应学习局部二值模式(adaptive learning local binary pattern，简称ALLBP)的苹果病害叶片病斑检测方法，该算法根据病斑图像纹理结构特征，自适应地选择中心对称模式构建模式集，根据该模式集所提取的特征能够准确地描述病斑的纹理特征。本研究中在苹果病害叶片图像数据库上的试验结果也表明了该方法的有效性。

1 相关研究基础

局部二值模式(local binary pattern，简称LBP)[17-19]将邻域作为处理单元，以中心像素的灰度值作为阈值，对比邻域中像素的灰度与中心像素的灰度值，若邻域像素的灰度值大于中心像素的灰度值，则该邻域像素值为1，否则为0；再将邻域像素转换为一串0和1的二进制序列；最后将该二进制序列转换为十进制数，作为中心像素的LBP灰度值(LBPP,R)，其公式如下：

(1)

为消除旋转对LBP的影响，使用公式(2)得到旋转不变的局部二值模式(rotation invariant local binary pattern，简称RILBP)[20-21]：

(2)

式中：Cir(X,i)为二进制序列X向右旋转i(i=1，2，…，P-1)次；RILBPP,R为中心像素的RILBP值。

公式(2)表示一个标准LBPP,R算子旋转P-1次后从中选择最小的十进制值作为该点的LBP值。由公式(2)得到的RILBPP,R具有旋转不变性。与LBP相比，RILBP的计算复杂程度没有降低。为了降低LBP得到的特征维数，提高计算效率，有学者提出了均匀局部二值模式(uniform local binary pattern，简称ULBP)[22-23]。设U表示LBP算子中0～1之间的变化次数，若在1个LBP算子中0～1变化不超过2次，则称其为均匀LBP，用邻域中1出现的次数作为中心像素的ULBP值；否则，统一使用P+1作为中心像素的ULBP值。

针对经典LBP刻画图像的纹理过于精细且该纹理描述具有维数较高和占用空间大等问题，有学者在LBP算子的基础上提出了中心对称局部二值模式(center-symmetric local binary pattern，简称CS-LBP)，其公式如下：

(3)

与LBP和RILBP相比，CS-LBP算子编码得到的二进制串长度变为LBP算子的一半，特征维数随之降低，因此有效减少了存储空间。LBP和CS-LBP的基本结构如图1所示。

在实际应用中，为了保证均匀模式能够对图像纹理具有一定的代表性，增加了一个比较严格的条件，即均匀模式的发生概率必须占所有模式发生概率的90%以上。但苹果病害叶片图像的纹理特征多种多样，对于包含有复杂形状的病害叶片图像，尽管这些形状蕴含了主要纹理特征信息，但由于不满足ULBP中的条件，所以都被统一归入非均匀模式、不被考虑为病斑图像的特征，因此这些模式所蕴含的纹理信息也随之失去，这影响了病斑图像的检测效果。因此，ULBP不适合复杂病害叶片图像纹理特征的描述。

亳文化译介基于译介学理论、功能翻译理论等，突破传统语码转换式的翻译方法[5]，突出地域文化特色，领会把握其精神内涵，以异质文化的多元视角审视亳州地域文化，用最恰当的表达方式对其进行译介与国际传播，把亳文化和其它区域文化相结合、相比照，大力推进亳文化与世界文化的对接，从而提升亳文化的国际影响力，助推中国文化“走出去”战略和“一带一路”倡议的实施。

2 苹果病害叶片的病斑检测

原始LBP、ULBP和CS-LBP算法都是对整个图像进行处理，没有区别对待图像中的不同区域。而实际病害叶片图像中病斑分布在叶片中的不同区域。假设将病害叶片图像划分为若干个小区域，若有的区域病斑较为丰富，应该增强该区域，突出病斑图像；而病斑细节较为稀少或没有病斑的区域应忽略，这样得到的特征更能反映病害叶片图像病斑特征的变化情况。基于这个思想，针对病害叶片图像的特点，在以上LBP及其改进算法的基础上，提出一种自适应学习局部二值模式(adaptive learning local binary pattern，简称ALLBP)，并应用于病斑图像分割中[21，23]。ALLBP的目的是寻找最优的特征模式集，进而估计中心像素值。

2.1 将原始彩色病害叶片图像灰度化，再划分为若干个子块

针对病斑图像的特点，利用圆形邻域作为ALLBP的处理单元。如图2所示，P=8、R=1，中心像素值为58，邻域像素平均值为66.125。若取公式(3)中的阈值T=1，比较中心对称像素对以及中心像素与邻域像素平均值，得到1个二进制字符串01010，十进制为10，即中心像素值的ALLBP值为10。

2.2 阈值确定

在很多纹理特征提取方法中，公式(3)中阈值T选取为计算中心像素邻域内所有像素点的平均值，将该平均值的t%设为阈值T，可以通过一系列试验获得参数t的最终值。本研究根据病害叶片图像自身特点自适应选取公式(3)中的阈值T。设有M幅同类苹果病害叶片图像，将每幅图像划分为N个子块，进行CS-LBP特征求和平均，得到该类病害叶片图像的参考特征向量。

(4)

式中：Bij(k)为第i个训练样本中第j个子块的CS-LBP算子；M为同类苹果病害叶片图像幅数；N为每幅图像划分的子块数；k表示第k个像素。

苹果病害叶片图像经过计算得到参考特征A(k)和M×N个子块的每个子块特征的Bij(k)后，采用卡方检验法估计阈值，将Bij(k)与整幅叶片图像的CS-LBP算子A(k)进行差异度比较：

(5)

式中：G是ALLBP特征所选择的模式数。

T=max[K(i)](i=1，2，…，N)。

(6)

2.3 病斑区域图像增强

由于选取自适应加权系数时，一般情况下，1幅病害叶片图像中不同子块包含的病斑信息量不同。病斑纹理丰富的区域包含的信息量较大，反之包含的信息量较小。若不加区分地对待不同的病害叶片图像的不同区域，则会降低病斑图像的分割效果，影响后续的病害识别率。信息熵反映图像中信息量的大小，信息熵越大，表明纹理细节越丰富；反之，纹理细节越稀少。因此，通过信息熵可以增强区域病斑图像。

设图像分为N个子块，则第i个子块Vi的信息熵表示为

(7)

式中：pij表示第i个子块图像中第j个灰度级出现的概率；L表示Vi的灰度像素级。

子块的信息熵越大，表示赋予它越大的权重，则第i个子块的增强权重系数αi(i=1,2,…,N)定义为

(8)

第i个子块的灰度值乘以αi，得到增强图像。

2.4 病斑检测

在病害叶片病斑检测过程中，为提高检测的准确率，将待检测的叶片图像分割成重叠的、大小相同的子块。子块移动的步长越小、重叠区域越多，叶片病斑检测的准确率就越高，但计算时间也随之增加。考虑到检测精度和实时性的要求，本研究采用W/4作为移动步长，W为子块的大小。假设D是当前叶片病斑图像子块的加权ALLBP值，再利用公式(5)计算D与A的差异度K，然后将K与阈值T进行比较：若K>T，则判定该子块有病斑，将该区域设置为白色；否则没有病斑，将该区域设置为黑色。

3 结果与分析

为了表明本研究提出的ALLBP方法的有效性，在陕西省杨凌市苹果园区对苹果的斑点落叶病、花叶病、锈病3种常见的病害叶片图像进行病斑检测试验。每种病害各选择10幅图像，每幅图像大小裁剪为768×512像素。处理结果见图3和图4。

为了检测本研究中叶片病斑检测算法的有效性，计算病斑的误检率：

(9)

式中：r为叶片病斑检测错误率，r越低，检测效果越好；Nall为图像分割后互不重叠的子块总数；Ef为将无叶片病斑子块误检为有叶片病斑子块的数量；Ed为将有叶片病斑子块错误判断为无病斑子块的数量。

利用ALLBP在斑点落叶病、花叶病和锈病叶片的各10幅图像上进行病斑检测试验。统计叶片病斑检测算法的误检率，并与LBP、CS-LBP的检测结果进行比较。表1为3类苹果病害叶片检测错误率平均值。从表1可以看出，本研究方法的病斑错误检测率的平均值低于2.5%。

图3-c、图4-b和表1的结果表明，本研究方法的ALLBP取得了较好的检测修改效果。

表1 3种苹果叶片病斑检测错误率

4 结论与讨论

本研究提出了一种基于LBP及其改进算法的自适应学习CS-LBP的作物病害叶片的病斑检测方法。该方法使用发生概率高的模式作为特征，从而保证了病斑检查的准确性。该方法将病害叶片图像分割为子块并提取ALLBP后，寻找与参考向量最不相同的检查差异值作为病斑阈值。试验结果表明了ALLBP的有效性。该方法能够应用于针对设施农业或大区域农场的作物病害远程自动监控系统，为后续构建一个完整的病害监控、诊断和防治系统提供了理论基础。在本研究基础上，下一步工作的重点是将该方法应用于病斑特征提取中，继续深入拓展，对病害的特征提取、精准识别与诊断系统展开研究。

[1]穆亚梅，马国俊. 基于物联网的苹果树病虫防治专家系统的设计与应用[J]. 自动化与仪器仪表，2012，10(5)：89-90.

[2]王文山，柳平增，臧官胜. 基于物联网的果园环境信息监测系统的设计[J]. 山东农业大学学报(自然科学版)，2012，43(2)：239-243.

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

[4]Bankar S，Dube A，Kadam P，et al. Plant disease detection techniques using canny edge detection & color histogram in image processing[J]. International Journal of Computer Science and Information Technologies，2014，52(2)：1165-1168.

[5]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.

[6]Zhang S W，Shang Y J，Wang L. Plant disease recognition based on plant leaf image[J]. Journal of Animal & Plant Sciences，2015，25(3)：42-45.

[7]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

[8]马浚诚，李鑫星，温皓杰，等. 面向叶类蔬菜病害识别的温室监控视频采集系统[J]. 农业机械学报，2015，46(3)：282-287.

[9]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.

[10]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，2016，37(3)：186-190.

[11]刘宝静. 基于物联网视觉的自动农业植物病斑远程识别[J]. 科技通报，2013，29(4)：85-87.

[12]张佳锐. 基于物联网的农业虫害智能监控系统的设计与实现[D]. 长沙：湖南大学，2015.

[13]王 冬. 基于物联网的智能农业监测系统的设计与实现[D]. 大连：大连理工大学，2013.

[14]胡 凯. 风景园林病虫害防治物联网智能处理系统的研究[D]. 南京：南京林业大学，2012.

[15]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.

[16]康志亮，许丽佳，王中成，等. 基于物联网的智能农业监测系统：CN204740488U[P]. 2015.

[17]韩延彬，尹键芹，李金屏. 基于图元旋转不变性和相位统计信息的LBP算法在纹理分类中的研究[J]. 计算机学报，2011，34(3)：583-592.

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

[19]Guo Z H，Zhang L，Zhang D. Rotation invariant texture classification using LBP variance (LBPV) with global matching[J]. Pattern Recognition，2010，43(3)：706-719.

[20]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.

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

[22]李欢利，郭立红，李小明. 基于统计特征中心对称局部二值模式的虹膜识别[J]. 光学精密工程，2013，21(8)：2129-2136.

[23]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.