張飛云

摘要：針對不同小麥病害有不同的形狀特征，利用多重分形分析提取小麥病害圖像的8個多重分形譜值作為小麥病害的形狀特征參數(shù)，并利用這8個特征參數(shù)來索引圖像數(shù)據(jù)庫作為學習向量量化（LVQ）神經網絡的輸入，進行樣本訓練、分類識別。試驗結果表明，該算法對小麥病害的識別率可達90.0%以上。

關鍵詞：小麥病害； 多重分形譜； 智能識別； LVQ神經網絡

中圖分類號：TP391.41；S435.12 文獻標識碼：A 文章編號：0439-8114（2013）07-1669-03

小麥是我國僅次于水稻的第二大糧食作物，在滿足人們的生活需求和保證糧食安全方面具有非常重要的作用。而小麥病害每年都有大面積發(fā)生，嚴重影響了小麥的產量和質量。傳統(tǒng)小麥病害主要依靠農業(yè)生產者或科研人員的視覺判斷識別病害的種類、嚴重程度及受害區(qū)域，這種識別方法主觀性強，診斷結果容易出現(xiàn)偏差。因此，研究小麥病害的智能識別具有重要的社會和經濟意義。

目前，國內外很多學者對農作物病害圖像的識別方法進行了研究，Pydipati等[1，2]使用顏色共生矩陣獲取紋理特征，并分別用神經網絡分類器和廣義二乘矩判別式分類器進行柑橘病害的判別分析，達到了很好的識別效果； 田有文等[3-5]將支持向量機方法應用于黃瓜、葡萄、玉米、番茄等病害的識別中；陳兵旗等[6]提取小麥的顏色特征進行小麥病害識別，提高了病害識別的準確率?，F(xiàn)有的研究當中大多數(shù)是基于紋理特征和顏色特征在可見光范圍內進行病害識別研究，這些方法算法比較復雜，運行時間較長，并且達不到理想的識別效果。試驗引入多重分形理論，提取小麥病害圖像的8個多重分形譜值作為小麥病害的形狀特征，然后采用學習向量量化（Learning Vector Quantization，LVQ）神經網絡對小麥病害進行識別，算法簡單，速度快，并且可以達到很高的識別率。

1 小麥病害圖像的獲取

試驗圖像主要來自數(shù)碼相機拍攝的靜態(tài)圖片、小麥病蟲害及防治原色圖冊[7]上的圖片以及網絡圖片庫等。共收集小麥不同病害部位、不同生長階段的200多張病害圖片，每種病害樣本70個。主要研究的小麥病害是條銹病、葉銹病和白粉病。

所采集到的小麥葉部病害圖片都是彩色圖像，其計算量大，影響圖像處理的速度，為了提高圖像處理的速度，需要將彩色圖像轉換為灰度圖像。根據(jù)人眼對R、G、B三色的敏感程度，可以使用加權平均值法將彩色圖像灰度化，轉換公式為：

Gray=0.30×R+0.59×G+0.11×B （1）

然后，將灰度圖像轉換為二值圖像，便于計算機做進一步的處理。小麥條銹病病害原圖及轉換后的灰度圖像如圖1。

2 基于多重分形理論的小麥病害圖像局部邊緣分割和多重分形特征譜的提取

2.1 多重分形

分形理論作為非線性科學的一個分支，它研究的對象是由非線性系統(tǒng)產生的不可微和不光滑的復雜幾何形體。僅用一個分形維數(shù)不能完整刻畫自然界中復雜的幾何形體，必須同時使用多個維數(shù)才能刻畫其全面的特征。多重分形就是用多個維數(shù)從全局和局部兩個方面來描述自然界中復雜幾何形體的整體特征。而分形維數(shù)不僅可以度量圖像表面的復雜程度和不規(guī)則程度，它還具有小波變換的多尺度、多分辨率的變換不變性。由于對多重分形理論研究的角度不同，處理不同問題時的描述不同，導致多重分形理論在數(shù)學上沒有嚴格的定義。

根據(jù)圖像特征及圖像處理的需要來調整多重分形參數(shù)是多重分形分析的重點，可以用基于測度理論的α～f（α）語言來描述多重分形，其中α稱為Holder指數(shù)，因為概率密度的奇異性由它控制，分形體小區(qū)域的局部分形維數(shù)也是由它反映出來的，所以通稱α為奇異性指數(shù)。f（α）稱為多重分形的奇異譜，一般稱為多重分形譜，它反映復雜分形體圖像的全局信息。不同信息的奇異性不同，則（α～ f（α））的分布規(guī)律不同[8]。

2.2 基于多重分形理論的圖像局部邊緣分割

圖像分割的目的是把小麥葉部病害圖像與背景分開，便于提取小麥葉部病害的輪廓特征。基于多重分形理論圖像分割的實現(xiàn)步驟如下。

1）計算圖像的奇異性指數(shù)α。奇異性指數(shù)α代表圖像的局部信息，定義V（i）為i×i的一個方形區(qū)域，定義I（x，y）為V（i）的中心點，則該點的奇異性指數(shù)α（x，y）=■（其中i=2n+1，n取0和正整數(shù)）。i的取值反映圖像的奇異性范圍；經過試驗證實，i的取值越小越能反映圖像的局部奇異性，i的取值越大則更能反映圖像廣泛的奇異性。選取i≤2，并且經過試驗選用效果比較好的Min測度修改方法計算奇異性指數(shù)α。

2）計算圖像的多重分形譜f（α）。f（α）代表圖像的全局信息，根據(jù)上一步計算出的奇異性指數(shù)計算α的最大值和最小值，即αmax=max（α（i，j））和αmin=min（α（i，j））。然后將[αmin，αmax]劃分為N個區(qū)域，得到每個區(qū)域的中心點奇異值，用該值代替區(qū)域中其他點的值，然后采用豪斯道夫維數(shù)求出f（α）。

3）根據(jù)前兩步得到的結果，選取合適的最大值和最小值以及相應的capacity，利用多重分形理論進行小麥病害圖像局部邊緣分割。分割后的圖像如圖2。

2.3 小麥病害圖像多重分形特征譜的提取

根據(jù)多重分形譜的算法，通過Matlab編程完成多重分形譜的計算[9]，繪出關于α～f（α）的多重分形譜曲線，并且計算曲線上多重分形譜的一些重要特征值，即奇異性指數(shù)α的最大值αmax和最小值αmin以及相對應的f（αmax）和f（αmin）；譜寬Δα=αmax-αmin；譜差Δf=f（αmax）-f（αmin）；αd：使f（α）取極大值時的α值；m：擬合曲線的一次冪系數(shù)，在αd處用最小二乘法進行曲線擬合，擬合的二次函數(shù)為f′（α）=l（α-αd）2+m（α-αd）+n。參數(shù)B表示譜線f（α）的不對稱性。

圖3為部分小麥葉部病害圖像對應的多重分形譜曲線。表1給出了數(shù)據(jù)庫中6幅小麥葉部病害圖像樣本的8個多重分形譜特征值。

通過以上試驗可知，小麥不同病害圖像的形狀特征值具有很大差異性，同類小麥病害圖像的形狀特征值具有一定的規(guī)律性。

3 學習向量量化神經網絡

3.1 學習向量量化神經網絡原理及算法

小麥葉部病害識別問題是一個模式分類的問題，在模式分類中首選的神經網絡是自組織神經網絡、競爭型神經網絡和學習向量量化（LVQ）神經網絡，這些類型的神經網絡通過檢測輸入樣本的規(guī)律性，然后根據(jù)輸入樣本信息自適應地調整網絡，使網絡的響應越來越適應輸入樣本。然而自組織和競爭型神經網絡訓練樣本數(shù)據(jù)的方式采用的是無監(jiān)督學習方式，輸入向量之間的距離決定了分類原則的類型，因此對于兩個非常接近的輸入向量不能嚴格地區(qū)分它們的類別。LVQ神經網絡采用監(jiān)督狀態(tài)下的競爭學習方法，在學習的過程中通過期望的輸出值規(guī)定輸入樣本的分配類別，從而克服了無監(jiān)督學習算法的弱點[10]。因此在對小麥的葉部病害進行識別時采用LVQ神經網絡。

LVQ神經網絡的結構由3層組成，第1層為輸入層，第2層為競爭層，第3層為輸出層，網絡結構圖如圖4。

LVQ神經網絡的學習算法如下：

1）初始化權值向量（聚類中心），W={w1，w2，…，wn}，可隨機給權值向量賦初值，初始化學習速率β（0），確定訓練次數(shù)tn。

2）輸入第p個訓練模式的樣本向量xp。

3）通過公式（2）尋找聚類中心k，即獲勝節(jié)點神經元。

||wk-xp||<||wj-xp|| j=1，2，…，n （2）

4）根據(jù)分類正確與否，修正獲勝神經元的權值。

5）調整學習速率β，β作為迭代函數(shù)逐漸減小。

6）檢查訓練終止條件，如果t

3.2 分類試驗

隨機為每種病害選擇30個樣本作為訓練樣本，每個樣本由8個特征值組成，所以網絡有8個輸入神經元，設有16個競爭層神經元，根據(jù)需要識別的小麥病害種類，需要3個輸出層神經元，輸出層神經元可表示為：條銹病[1 0 0]，葉銹病[0 1 0]，白粉病[0 0 1]。根據(jù)要求對網絡進行訓練，確定權值。另外每種病害選擇40個樣本，提取特征值送入LVQ神經網絡進行測試，試驗結果如表2。將提取的多重分形譜值送入量子神經網絡分類器進行識別，識別率低于LVQ神經網絡分類器。

4 小結

利用多重分形分析提取小麥病害的8個多重分形譜值，將提取的小麥病害圖像的形狀特征值送入LVQ神經網絡進行識別，識別率可達90.0%以上，證明LVQ神經網絡能根據(jù)小麥病害的的形狀特征有效識別小麥條銹病、葉銹病和白粉病。

參考文獻：

[1] PYDIPATI R， BURKS T F， LEE W S. Statistical and neural network classifiers for citrus disease detection using machine vision[J]. Transactions of the ASAE，2005，48（5）：2007-2014.

[2] PYDIPATI R， BURKS T F， LEE W S. Identification of citrus disease using color texture features and discriminant analysis[J]. Computers and Electronics in Agriculture，2006，52（1-2）：49-59.

[3] 田有文，張長水，李成華. 支持向量機在植物病斑形狀識別中的應用研究[J]. 農業(yè)工程學報，2004，20（3）：134-136.

[4] 田有文，李天來，李成華，等. 基于支持向量機的葡萄病害圖像識別方法[J]. 農業(yè)工程學報，2007，23（6）：175-180.

[5] 田有文，牛 妍. 支持向量機在黃瓜病害識別中的應用研究[J]. 農機化研究，2009（3）：36-39.

[6] 陳兵旗，郭學梅，李曉華.基于圖像處理的小麥病害診斷算法[J].農業(yè)機械學報，2009，40（12）：190-195.

[7] 商鴻生，王風葵，李修煉，等.小麥病蟲害及防治原色圖冊[M]. 北京：金盾出版社，2007.

[8] 蒲小勤. 基于多重分形的圖像識別研究[D].西安：西北大學，2009.

[9] 傅薈璇. MATLAB神經網絡應用設計[M].北京：機械工業(yè)出版社，2010.

[10] 杜攀峰，廖立堅，楊新安.鐵路路基病害的智能識別[J].鐵道學報，2010，32（3）：142-146.