温室种植番茄叶片病虫害多层特征提取仿真

赵子皓，杨再强

(南京信息工程大学应用气象学院，江苏 南京 210044)

1 引言

我国是农作物种植大国，番茄农作物的种植产量需求非常高。因此，在其种植过程中需要尽量排除影响番茄生产量的因素[1]。我国的番茄作物分布十分广泛，但其中病虫害问题是一直困扰庄稼质量的一大毒瘤[2]，由于近些年的气候问题以及种植技术导致病虫害问题逐年加重，根据病虫害记录可知，目前全世界范围内共有200余种病虫害，而针对我国而言的主要有20多种，且大多发生在植物叶片部位，致使果实生长畸形或生产量降。为加强番茄的产量和质量，需对番茄叶片病虫害进行防护，通过提取番茄叶片病虫害的特征，实现番茄质量检测，是针对病虫害最快捷，最有利的防护措施[3]。

在此背景下，相关领域的专家和学者也得到了一些研究成果。程玉胜[4]等人为提取出番茄叶片病虫害的特征，将原始番茄叶片的标记空间进行合并，即通过核极限学习机自编码器进行融合，其优点体现在可将希尔伯特-施密特范数作用发挥到最大，同时利用主成分分析保证图像中的信息数据，在主成分分析和希尔伯特-施密特范数的加持下提取出番茄叶片病虫害的特征，实现温室番茄叶片病虫害多层特征提取。杨鹏[5]等人在云计算平台的基础上添加MaxCompute图像数据处理技术提取番茄叶片病虫害的特征，首先根据时间序列数据生成数据的存储方法，同时在并行化时间序列数据中排列出图像数据熵，进而完成番茄叶病虫害的特征提取，实现温室番茄叶片病虫害多层特征提取。张青[6]等人首先利用阈值分割法提取出番茄叶片的周长等相关参数，其次计算出番茄叶片病虫害的低频椭圆傅里叶系数，并将其视为番茄叶片病虫害的特征参数，进而实现温室番茄叶片病虫害多层特征提取。

上述三种方法在对番茄叶片病虫害特征提取前均忽略了对图像数据进行灰度化以及图像去噪的预处理，导致其中噪声过多，影响图像的清晰度，且其中的色彩等因素会直接影响最终的特征提取结果精度，导致以上三种方法存在特征提取效果差、去噪效果差以及特征提取性能差的问题。

为了解决以上方法存在的问题，提出温室种植番茄叶片病虫害多层特征提取方法。

2 番茄叶片病虫害图像预处理

2.1 图像灰度处理

图像中某点像素值中明暗变化的量化值即称之为灰度值，温室内的番茄叶片由于光照等原因的干扰需要将其图像进行灰度变换处理，从而加强番茄叶片病虫害特征提取的精度[7]。

根据RGB彩色模型的原理可知，当色彩R=G=B时代表此时的色彩为黑白，将彩色转变为黑白即完成图像的灰度化处理，在数学函数映射的方法下将三维的带有色彩的R、G、B映射成低维值，并将该值设置成番茄叶图像的RGB分量，从而简化图像。

计算图像低维数值RGB分量的赋予通常利用加权平均法，首先排序图像中的数值以及其重要性，并根据序列赋予其不同权重的分量，最后将图像中的R、G、B中进行加权平均处理，此时的分量表达式为

R=G=B=WGG+WRR+WBB

(1)

式中，WGG代表分量G的权重，WRR代表分量R的权重，WBB代表分量B的权重。

根据图像的需要可选择不同权重获取敏感程度不同的灰度图像，通常情况下WGG、WRR和WBB分别取值0.59、0.30和0.11，则番茄叶病虫害图像的灰度化图像表达式为

Vgray=0.59G+0.30R+0.11B

(2)

式中，Vgray代表经过灰度化处理后的温室番茄叶片病虫害图像。

2.2 中值滤波处理

由于图像在收集过程中因光照以及量化等影响产生大量噪声，为保证图像质量，在特征提取前需去噪处理图像[8]，图像的滤波处理也是图像的平滑处理过程，该技术主要是对图像进行去噪，通常情况下，空间域内可利用邻域的平均值完成降噪，噪声的频谱一般以高频段的形式出现。因此，可利用低通滤波方式降噪，在降噪过程最困难的就是保证图像的像素，中值滤波法[9]具有保证降噪质量的同时确保图像的清晰度的优点，此滤波方法实质上是非线性的信号处理技术，它利用排列统计理论抑制图像的噪声，在奇数点的滑动窗口内将带有灰度值的中值视为定点的灰度值，在偶数点的滑动窗口内根据灰度值的大小提取出最中间数值将其视为中值。

在二维滑动模板的基础上将像素值根据从大到小的顺序构建出单调上升或单调下降的二维数据序列，其中经过二维中值滤波处理后的图像表达式为

g(x，y)=med{f(x-k，y-l)，(k，l∈W)}

(3)

其中，g(x，y)代表经过中值滤波处理后的温室番茄叶病虫害图像，f(x，y)代表原始温室番茄叶病虫害图像，W代表二维模板。

3 番茄叶片病虫害多层特征提取

为预防和控制病虫害对番茄叶的影响，需要在种植过程中有效识别番茄叶的病虫害，无论利用何种方法识别病虫害，均要提取病虫害的特征。分割图像，并通过直方图图像分割方法提取出图像背景，进而得到有用信息，其次利用边沿检测分离出带有病害的图像以及正常的叶片图像部分，最终提取出带有病虫害的叶片图像部分，将其映射处理，以及分层处理，进而得出番茄叶片病虫害的特征。

3.1 图像分割

图像分割[10]就是将番茄叶片图像分割出带有信息的区域，即剔除掉无信息数据的背景图像。当待特征提取的番茄叶片的像素以及灰度值均在阈值内，则赋予各级像素点相应的灰度值。

假设番茄叶图像为f(x，y)，f(x，y)中包含两种灰度，其中一种为图像的背景灰度，另一种为番茄叶片的灰度值，当两种灰度值之间的差别较大时，背景和番茄叶片的灰度直方图均为双峰状态，为简便运算，可将灰度直方图内波谷点的灰度视为门限阈值，并将其标记为T，为保证背景和有效图像数据的分离，可将图像处理成二值图像，其表达式为

(4)

式中，g(x，y)代表番茄叶片的二值图像，HIGH代表番茄叶片图像的最高灰度值，LOW代表番茄叶片图像的最低灰度值。

(5)

式中，g(x，y)代表番茄叶片图像背景的二值图像，HIGH代表番茄叶片二值图像背景的最高灰度值，LOW代表番茄叶片二值图像背景的最低灰度值。

利用式(4)和式(5)即可分离出图像的有效数据以及无用背景。

3.2 边缘检测

当番茄叶片发生病虫害时，灰度图像中带有病症的区域与正常区域存在较大差异，具有病症部位的表现是其分布大小形状等均不相同，根据研究发现，植物病害的检测利用边缘检测法[11]是最有效提取病虫害形状特征的方法，该方法对病虫害的识别率远远高于其它方法。根据病虫害叶片具有灰度值变化明显的特性，可将微分添加到叶片变化部位的函数运算中，进而完成边缘检测。

3.2.1 一阶微分

在一阶微分中，通过大小向量以及方向向量替代病虫害点的灰度斜度的一阶微分大小，其中强度大小向量为G(x，y)，方向向量为(fx，fy)，且G(x，y)=(fx，fy)，则方向微分fy以及fx的数学图像表达式分别为

(6)

式中，fx代表坐标系x轴上的微分，fy代表坐标系y轴上的微分。

求解出微分值后即可计算边缘强度和方向，其表达式为

(7)

式中，G(x，y)代表边缘的强度大小。

边缘的方向即为向量(fx，fy)的方向。

3.2.2 二阶微分

令二阶微分为L(x，y)，其本质是完成一阶微分后的进一步微分，其目的就是细化边缘强度大小的精度，则L(x，y)的表达式为

(8)

根据上述步骤即可完成所有病虫害番茄叶片的边缘检测，将带有病症的番茄叶片与正常叶片区别开。

3.3 番茄叶片多层特征提取

为保证番茄叶片病虫害识别率，采用无监督深层子空间模型分层处理图像，实现番茄叶的多层特征提取[12]。

特征提取最关键的步骤是学习映射矩阵处理番茄叶病虫害部分，其中损失函数利用重构误差代替，生成的学习PCA滤波核表达式为

(9)

式中，L1代表第一层滤波器的个数，k1和k2均为滤波器大小，X代表样本的协方差矩阵，T代表原始番茄叶片图像，V代表滤波器。

则此时的PCA滤波器表达式为

(10)

利用上式选取出矩阵X内前L1个番茄叶病虫害特征，并通过该特征值的对应特征向量构成番茄叶片特征映射矩阵，进而生成番茄叶片的卷积图像，获取第一层映射结果，所以得出此时的图像层中含有L1个滤波核，即此层中带有L1个输出，其表达式为

(11)

将图像转化成卷积图像，对图像的边缘进行延拓，以确保经过处理后的样本图像大小不发生变化。

根据以上原理得出第二层的输入层为

(12)

其次将第二层的输入数据均值处理后并对其进行PCA分析处理，进而生成第二层中PCA的卷积核，其表达式为

(13)

(14)

为进一步细化番茄叶病虫害特征，将输出矩阵二值化处理后对其进行哈希编码处理，进而增加特征间的差异，进一步降低提取病症番茄叶的难度，此时的输出矩阵表达式为

(15)

式中，H代表类Heaviside阶跃函数。

通过优化后的输出矩阵直方图分块处理番茄叶病虫害特征，获取最精确的番茄叶病虫害特征，其表达式为

(16)

其中，fi代表样本图像i中番茄叶病虫害的特征。

4 实验结果与分析

为了验证温室种植番茄叶片病虫害多层特征提取方法的整体有效性，分别采用所提方法、文献[4]方法和文献[5]方法测试特征提取效果、去噪效果以及特征提取性能的测试，测试结果如下所示。

4.1 特征提取效果

选取某一带有病虫害的番茄叶，利用三种方法提取其特征，其结果如图1所示。

图1 三种方法的特征提取效果图

该叶片的实际病虫害效果图如图1(a)所示，所提方法得出的病虫害结果与图1(a)基本无差别，证明所提方法的有效性，文献[4]方法得出的叶片病虫害特征与实际特征图相比，该方法不易提取出较小直径的病虫害部分，只能辨识并提取出直径较大提取病虫害，文献[5]方法不仅不能辨识出较小直径的病虫害，且将部分正常叶片辨识为病虫害，大大降低特征提取精度，影响最终病虫害特征提取的效果，所提方法在提取特征前对番茄叶图像进行预处理，将图像灰度化处理降低色彩对特征提取的影响程度，并去噪处理图像，提高图像的质量，保证特征提取的精度，从而提高番茄叶片病虫害特征提取效果。

4.2 去噪效果

温室内植物因光照等因素，生成的图像内噪声含量较多，叶片病虫害多为不规则图形，且面积较小，带有噪声的图像对病虫害特征提取十分不利，因此在进行叶片病虫害特征提取前均会去噪处理图像，图像去噪的优劣直接关系最终特征提取结果，随机选取一种带有病症的温室内叶片图像，通过三种方法完成图像去噪。

根据图2可知，原图像中噪声较大，导致病虫害边缘十分模糊，经过三种去噪方法处理后的图像的清晰度均有提升，其中所提方法的去噪结果最优，其图像十分清晰，其次为文献[4]方法去噪后的图像，去噪效果最差的是文献[5]方法，经过该方法去噪后的图像的清晰度虽有所提高，但效果较差，其中病虫害边缘部分仍不能清晰的识别出，因此验证了所提方法的优越性。

图2 三种方法的图像去噪效果

4.3 特征提取性能

叶片病虫害特征提取不仅需要保证效率高，同时要保证特征提取的精度，即准确率。

选取5组带有病虫害的叶片，利用三种方法提取其特征，对比三种方法的特征提取准确率，结果如图3所示，在每组实验数据下均是所提方法的精度最高，文献[4]方法次之，文献[5]方法的准确率最低。

图3 三种方法特征提取准确率

图4 三种方法特征提取所用时间

在同样五组实验数据下对比三种方法提取特征所需的时间，经实验结果显示，特征提取效率最高的仍是所提方法，文献[5]方法用时最长，效率最低，文献[4]方法次之。

综上所述，所提方法是三种方法中提取叶片病虫害特征效率最高，用时最短，准确率最高的方法，因此证明所提方法的特征提取性能最优。

5 结束语

影响农作物最常见的因素即为病虫害，其主要针对农作物的叶片，利用人力去辨识病虫害效率过低。本文提出温室种植番茄叶片病虫害多层特征提取方法，该方法首先完成图像灰度化和去噪的预处理，其次将图像分割并完成边缘检测，最后分层处理图像，实现番茄叶片病虫害特征提取，解决了特征提取效果差、去噪效果差以及特征提取性能差的问题，提高病虫害的识别率，降低病虫害对农作物的影响程度。