尚怡君　張善文　張?jiān)讫?/p>

摘要：對(duì)植物病害準(zhǔn)確、快速的識(shí)別是對(duì)植物病害采取防治措施的基礎(chǔ)，同時(shí)對(duì)災(zāi)害評(píng)估也具有積極意義。在判別局部保持映射（DLPP）的基礎(chǔ)上，提出了1種植物病害識(shí)別方法。該方法試圖找到1個(gè)映射矩陣，使得高維數(shù)據(jù)映射后，在低維子空間同類樣本之間的距離最小，而異類樣本之間的距離最大，由此提高算法的識(shí)別率。采用該算法對(duì)3種常見玉米葉部病害的圖像進(jìn)行分類試驗(yàn)，并與其他植物病害識(shí)別算法進(jìn)行比較。結(jié)果表明，DLPP對(duì)玉米病害的識(shí)別是有效可行的，識(shí)別精度高達(dá)85.5%。

關(guān)鍵詞：植物病害識(shí)別；維數(shù)約簡(jiǎn)；最近鄰分類器；監(jiān)督局部保持映射

中圖分類號(hào)： TP391.41；S126 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-1302（2014）04-0340-03

收稿日期：2013-08-19

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：61272333）；河南省科技攻關(guān)計(jì)劃（編號(hào)：122102210429）；西亞斯國(guó)際學(xué)院引進(jìn)人才項(xiàng)目（編號(hào)：2012YJRC01、2012YJRC02）。

作者簡(jiǎn)介：尚怡君（1983—），女，河南鄭州人，博士研究生，從事模式識(shí)別及其應(yīng)用。E-mail：wjdw716@163.com。植物病害的預(yù)測(cè)、預(yù)報(bào)是有效防治和控制植物病害發(fā)生和發(fā)展的重要依據(jù)，是植物病害管理的重要組成部分，對(duì)農(nóng)林生產(chǎn)的管理和決策起著重要作用。植物病害預(yù)測(cè)預(yù)報(bào)是一門應(yīng)用性很強(qiáng)的學(xué)科，傳統(tǒng)的植物病害分類與識(shí)別主要靠有經(jīng)驗(yàn)的生產(chǎn)者或植保專家基于一定的標(biāo)準(zhǔn)，在田間肉眼觀察獲得。該方法耗時(shí)、費(fèi)力、預(yù)報(bào)滯后，且不宜在大范圍內(nèi)展開，無法進(jìn)行實(shí)時(shí)、快速的病害識(shí)別。隨著圖像處理和模式識(shí)別理論的發(fā)展，為基于葉片圖像的植物病害識(shí)別研究提供了科學(xué)依據(jù)，也取得了很多研究成果。（1）以病害葉片顏色特征作為判別依據(jù)，可以確定常態(tài)部分和病態(tài)部分的閾值，區(qū)別植物病害種類。岑喆鑫等利用圖像的顏色統(tǒng)計(jì)特征對(duì)來自不同時(shí)期的病害樣本圖像進(jìn)行分類和識(shí)別，采用逐步判別分析，選取顯著性較大的特征參量，建立起黃瓜炭疽病、黃瓜褐斑病和無病區(qū)域的分類器模型[1]。（2）病斑的形狀、紋理可以作為植物病害的判別因子[2-3]。田有文等對(duì)番茄植物病斑形狀識(shí)別試驗(yàn)的分析結(jié)果表明，支持向量機(jī)分類方法適合于植物病斑復(fù)雜形狀的分類問題，該方法在訓(xùn)練樣本較少時(shí)具有良好的分類能力和泛化能力；不同分類核函數(shù)的相互比較分析結(jié)果表明，線性核函數(shù)最適合于植物病斑的形狀識(shí)別[2]。姜淑華等研究了利用分形理論對(duì)農(nóng)作物病變?nèi)~片自然紋理圖像進(jìn)行了處理，利用BP網(wǎng)絡(luò)來實(shí)現(xiàn)自然紋理圖像的分類問題，提出了一種紋理特征性能的比較方法[3]。但由于提取的都是單變量特征參數(shù)，得到的準(zhǔn)確率不高，達(dá)不到推廣應(yīng)用的要求。（3）隨著植物病害檢測(cè)研究的深入，人們認(rèn)識(shí)到植物病害癥狀的復(fù)雜性，開始綜合了植物病害的形狀、紋理、顏色信息，建立了能夠完成植物病害種類判別的多層次模式識(shí)別模型，進(jìn)行多變量特征參數(shù)的提取[4-11]。柴阿麗等以計(jì)算機(jī)視覺技術(shù)為手段，結(jié)合圖像處理和模式識(shí)別技術(shù)，研究了番茄早疫病、晚疫病、葉霉病和棒孢葉斑病等4種葉部病害的自動(dòng)識(shí)別方法[4]。程鵬飛以計(jì)算機(jī)圖像處理技術(shù)為重要技術(shù)手段，綜合運(yùn)用圖像處理、色度學(xué)、模式識(shí)別等方面的知識(shí)，進(jìn)行了利用計(jì)算機(jī)圖像處理技術(shù)進(jìn)行作物病變?cè)\斷的方法研究[5]。趙玉霞等根據(jù)玉米葉部病害特點(diǎn)，綜合應(yīng)用閾值法、區(qū)域標(biāo)記方法與Freeman鏈碼法，對(duì)玉米葉部病害圖片進(jìn)行圖像分割、統(tǒng)計(jì)病斑個(gè)數(shù)、去除冗余斑點(diǎn)、計(jì)算病斑形狀特征，最后根據(jù)二叉檢索法推斷病害[6]。李波等用主成分分析技術(shù)（PCA）對(duì)光譜波段進(jìn)行壓縮，獲得主分量光譜，最后結(jié)合概率神經(jīng)網(wǎng)絡(luò)（PNN）對(duì)水稻干尖線蟲病和水稻縱卷葉螟進(jìn)行識(shí)別[7]。岑喆鑫等研究了適合于植物病害自動(dòng)診斷的多變量特征定量提取方法和模式識(shí)別算法。上述這些方法為植物病害的智能化、自動(dòng)化檢測(cè)提供了理論依據(jù)[8]。但這些方法基本上屬于統(tǒng)計(jì)或線性特征提取方法，不能有效處理非線性的葉片圖像。本研究在借鑒前人經(jīng)驗(yàn)的基礎(chǔ)上，將監(jiān)督局部保持映射的維數(shù)約簡(jiǎn)方法與最近鄰分類器相結(jié)合，提出了一種基于葉片圖像的植物病害識(shí)別方法。

1監(jiān)督局部保持映射（DLPP）

3結(jié)論

本研究提出了一種基于DLPP算法的植物病害識(shí)別方法。利用該方法能夠有效地對(duì)葉片病害圖像進(jìn)行維數(shù)約簡(jiǎn)，使得在低維子空間同類樣本之間的距離變小，而異類樣本之間的距離增大，由此提高算法的分類能力。在真實(shí)玉米病害葉片圖像數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明該方法是有效可行的。由于葉片病斑圖像的復(fù)雜、多樣性，使得病害葉片圖像的分割沒有更好的方法，而且由于病害葉片圖像有其自身的特性，對(duì)其描述的意義有時(shí)無法與葉片圖像目標(biāo)物的特征建立聯(lián)系，因此還需要進(jìn)一步研究病害葉片圖像分割和維數(shù)約簡(jiǎn)方法，并有效地運(yùn)用于植物病害識(shí)別，以提高病害識(shí)別精度。

參考文獻(xiàn)：

[1]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統(tǒng)計(jì)特征的黃瓜炭疽病和褐斑病的識(shí)別研究[J]. 園藝學(xué)報(bào)，2007，34（6）：1425-1430.

[2]田有文，張長(zhǎng)水，李成華. 支持向量機(jī)在植物病斑形狀識(shí)別中的應(yīng)用研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2004，20（3）：134-136.

[3]姜淑華，田有文，孫海波. 農(nóng)作物病害危害程度自動(dòng)測(cè)定與分級(jí)的研究[J]. 農(nóng)機(jī)化研究，2007（5）：61-63.

[4]柴阿麗，李寶聚，石延霞，等. 基于計(jì)算機(jī)視覺技術(shù)的番茄葉部病害識(shí)別[J]. 園藝學(xué)報(bào)，2010，37（9）：1423-1430.

[5]程鵬飛. 植物病害的圖像處理及特征值提取方法的研究[D]. 太谷：山西農(nóng)業(yè)大學(xué)，2005.

[6]趙玉霞，王克如，白中英，等. 基于圖像識(shí)別的玉米葉部病害診斷研究[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2007，40（4）：698-703.

[7]李波，劉占宇，黃敬峰，等. 基于PCA和PNN的水稻病蟲害高光譜識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（9）：143-147.

[8]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統(tǒng)計(jì)特征的黃瓜炭疽病和褐斑病的識(shí)別研究[J]. 園藝學(xué)報(bào)，2007，34（6）：1425-1430.

[9]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[10]Ydipati R P，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.

[11]施偉民，楊昔陽(yáng)，李志偉. 基于半監(jiān)督模糊聚類的黃瓜霜霉病受害程度識(shí)別研究[J]. 福建師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，28（1）：33-37.

[12]譚峰，馬曉丹. 基于葉片的植物病蟲害識(shí)別方法[J]. 農(nóng)機(jī)化研究，2009（6）：41-43.

[13]趙玉霞，王克如，白中英，等. 貝葉斯方法在玉米葉部病害圖像識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用，2007，43（5）：193-195.

[14]鄭小東，王曉潔，趙中堂.基于形狀特征的植物葉柄與葉片分割算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（4）：918.

[15]王祥科，鄭志強(qiáng). Otsu多閾值快速分割算法及其在彩色圖像中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用，2006（增刊1）：14-15.

摘要：對(duì)植物病害準(zhǔn)確、快速的識(shí)別是對(duì)植物病害采取防治措施的基礎(chǔ)，同時(shí)對(duì)災(zāi)害評(píng)估也具有積極意義。在判別局部保持映射（DLPP）的基礎(chǔ)上，提出了1種植物病害識(shí)別方法。該方法試圖找到1個(gè)映射矩陣，使得高維數(shù)據(jù)映射后，在低維子空間同類樣本之間的距離最小，而異類樣本之間的距離最大，由此提高算法的識(shí)別率。采用該算法對(duì)3種常見玉米葉部病害的圖像進(jìn)行分類試驗(yàn)，并與其他植物病害識(shí)別算法進(jìn)行比較。結(jié)果表明，DLPP對(duì)玉米病害的識(shí)別是有效可行的，識(shí)別精度高達(dá)85.5%。

關(guān)鍵詞：植物病害識(shí)別；維數(shù)約簡(jiǎn)；最近鄰分類器；監(jiān)督局部保持映射

中圖分類號(hào)： TP391.41；S126 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-1302（2014）04-0340-03

收稿日期：2013-08-19

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：61272333）；河南省科技攻關(guān)計(jì)劃（編號(hào)：122102210429）；西亞斯國(guó)際學(xué)院引進(jìn)人才項(xiàng)目（編號(hào)：2012YJRC01、2012YJRC02）。

作者簡(jiǎn)介：尚怡君（1983—），女，河南鄭州人，博士研究生，從事模式識(shí)別及其應(yīng)用。E-mail：wjdw716@163.com。植物病害的預(yù)測(cè)、預(yù)報(bào)是有效防治和控制植物病害發(fā)生和發(fā)展的重要依據(jù)，是植物病害管理的重要組成部分，對(duì)農(nóng)林生產(chǎn)的管理和決策起著重要作用。植物病害預(yù)測(cè)預(yù)報(bào)是一門應(yīng)用性很強(qiáng)的學(xué)科，傳統(tǒng)的植物病害分類與識(shí)別主要靠有經(jīng)驗(yàn)的生產(chǎn)者或植保專家基于一定的標(biāo)準(zhǔn)，在田間肉眼觀察獲得。該方法耗時(shí)、費(fèi)力、預(yù)報(bào)滯后，且不宜在大范圍內(nèi)展開，無法進(jìn)行實(shí)時(shí)、快速的病害識(shí)別。隨著圖像處理和模式識(shí)別理論的發(fā)展，為基于葉片圖像的植物病害識(shí)別研究提供了科學(xué)依據(jù)，也取得了很多研究成果。（1）以病害葉片顏色特征作為判別依據(jù)，可以確定常態(tài)部分和病態(tài)部分的閾值，區(qū)別植物病害種類。岑喆鑫等利用圖像的顏色統(tǒng)計(jì)特征對(duì)來自不同時(shí)期的病害樣本圖像進(jìn)行分類和識(shí)別，采用逐步判別分析，選取顯著性較大的特征參量，建立起黃瓜炭疽病、黃瓜褐斑病和無病區(qū)域的分類器模型[1]。（2）病斑的形狀、紋理可以作為植物病害的判別因子[2-3]。田有文等對(duì)番茄植物病斑形狀識(shí)別試驗(yàn)的分析結(jié)果表明，支持向量機(jī)分類方法適合于植物病斑復(fù)雜形狀的分類問題，該方法在訓(xùn)練樣本較少時(shí)具有良好的分類能力和泛化能力；不同分類核函數(shù)的相互比較分析結(jié)果表明，線性核函數(shù)最適合于植物病斑的形狀識(shí)別[2]。姜淑華等研究了利用分形理論對(duì)農(nóng)作物病變?nèi)~片自然紋理圖像進(jìn)行了處理，利用BP網(wǎng)絡(luò)來實(shí)現(xiàn)自然紋理圖像的分類問題，提出了一種紋理特征性能的比較方法[3]。但由于提取的都是單變量特征參數(shù)，得到的準(zhǔn)確率不高，達(dá)不到推廣應(yīng)用的要求。（3）隨著植物病害檢測(cè)研究的深入，人們認(rèn)識(shí)到植物病害癥狀的復(fù)雜性，開始綜合了植物病害的形狀、紋理、顏色信息，建立了能夠完成植物病害種類判別的多層次模式識(shí)別模型，進(jìn)行多變量特征參數(shù)的提取[4-11]。柴阿麗等以計(jì)算機(jī)視覺技術(shù)為手段，結(jié)合圖像處理和模式識(shí)別技術(shù)，研究了番茄早疫病、晚疫病、葉霉病和棒孢葉斑病等4種葉部病害的自動(dòng)識(shí)別方法[4]。程鵬飛以計(jì)算機(jī)圖像處理技術(shù)為重要技術(shù)手段，綜合運(yùn)用圖像處理、色度學(xué)、模式識(shí)別等方面的知識(shí)，進(jìn)行了利用計(jì)算機(jī)圖像處理技術(shù)進(jìn)行作物病變?cè)\斷的方法研究[5]。趙玉霞等根據(jù)玉米葉部病害特點(diǎn)，綜合應(yīng)用閾值法、區(qū)域標(biāo)記方法與Freeman鏈碼法，對(duì)玉米葉部病害圖片進(jìn)行圖像分割、統(tǒng)計(jì)病斑個(gè)數(shù)、去除冗余斑點(diǎn)、計(jì)算病斑形狀特征，最后根據(jù)二叉檢索法推斷病害[6]。李波等用主成分分析技術(shù)（PCA）對(duì)光譜波段進(jìn)行壓縮，獲得主分量光譜，最后結(jié)合概率神經(jīng)網(wǎng)絡(luò)（PNN）對(duì)水稻干尖線蟲病和水稻縱卷葉螟進(jìn)行識(shí)別[7]。岑喆鑫等研究了適合于植物病害自動(dòng)診斷的多變量特征定量提取方法和模式識(shí)別算法。上述這些方法為植物病害的智能化、自動(dòng)化檢測(cè)提供了理論依據(jù)[8]。但這些方法基本上屬于統(tǒng)計(jì)或線性特征提取方法，不能有效處理非線性的葉片圖像。本研究在借鑒前人經(jīng)驗(yàn)的基礎(chǔ)上，將監(jiān)督局部保持映射的維數(shù)約簡(jiǎn)方法與最近鄰分類器相結(jié)合，提出了一種基于葉片圖像的植物病害識(shí)別方法。

1監(jiān)督局部保持映射（DLPP）

3結(jié)論

本研究提出了一種基于DLPP算法的植物病害識(shí)別方法。利用該方法能夠有效地對(duì)葉片病害圖像進(jìn)行維數(shù)約簡(jiǎn)，使得在低維子空間同類樣本之間的距離變小，而異類樣本之間的距離增大，由此提高算法的分類能力。在真實(shí)玉米病害葉片圖像數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明該方法是有效可行的。由于葉片病斑圖像的復(fù)雜、多樣性，使得病害葉片圖像的分割沒有更好的方法，而且由于病害葉片圖像有其自身的特性，對(duì)其描述的意義有時(shí)無法與葉片圖像目標(biāo)物的特征建立聯(lián)系，因此還需要進(jìn)一步研究病害葉片圖像分割和維數(shù)約簡(jiǎn)方法，并有效地運(yùn)用于植物病害識(shí)別，以提高病害識(shí)別精度。

參考文獻(xiàn)：

[1]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統(tǒng)計(jì)特征的黃瓜炭疽病和褐斑病的識(shí)別研究[J]. 園藝學(xué)報(bào)，2007，34（6）：1425-1430.

[2]田有文，張長(zhǎng)水，李成華. 支持向量機(jī)在植物病斑形狀識(shí)別中的應(yīng)用研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2004，20（3）：134-136.

[3]姜淑華，田有文，孫海波. 農(nóng)作物病害危害程度自動(dòng)測(cè)定與分級(jí)的研究[J]. 農(nóng)機(jī)化研究，2007（5）：61-63.

[4]柴阿麗，李寶聚，石延霞，等. 基于計(jì)算機(jī)視覺技術(shù)的番茄葉部病害識(shí)別[J]. 園藝學(xué)報(bào)，2010，37（9）：1423-1430.

[5]程鵬飛. 植物病害的圖像處理及特征值提取方法的研究[D]. 太谷：山西農(nóng)業(yè)大學(xué)，2005.

[6]趙玉霞，王克如，白中英，等. 基于圖像識(shí)別的玉米葉部病害診斷研究[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2007，40（4）：698-703.

[7]李波，劉占宇，黃敬峰，等. 基于PCA和PNN的水稻病蟲害高光譜識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（9）：143-147.

[8]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統(tǒng)計(jì)特征的黃瓜炭疽病和褐斑病的識(shí)別研究[J]. 園藝學(xué)報(bào)，2007，34（6）：1425-1430.

[9]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[10]Ydipati R P，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.

[11]施偉民，楊昔陽(yáng)，李志偉. 基于半監(jiān)督模糊聚類的黃瓜霜霉病受害程度識(shí)別研究[J]. 福建師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，28（1）：33-37.

[12]譚峰，馬曉丹. 基于葉片的植物病蟲害識(shí)別方法[J]. 農(nóng)機(jī)化研究，2009（6）：41-43.

[13]趙玉霞，王克如，白中英，等. 貝葉斯方法在玉米葉部病害圖像識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用，2007，43（5）：193-195.

[14]鄭小東，王曉潔，趙中堂.基于形狀特征的植物葉柄與葉片分割算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（4）：918.

[15]王祥科，鄭志強(qiáng). Otsu多閾值快速分割算法及其在彩色圖像中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用，2006（增刊1）：14-15.

摘要：對(duì)植物病害準(zhǔn)確、快速的識(shí)別是對(duì)植物病害采取防治措施的基礎(chǔ)，同時(shí)對(duì)災(zāi)害評(píng)估也具有積極意義。在判別局部保持映射（DLPP）的基礎(chǔ)上，提出了1種植物病害識(shí)別方法。該方法試圖找到1個(gè)映射矩陣，使得高維數(shù)據(jù)映射后，在低維子空間同類樣本之間的距離最小，而異類樣本之間的距離最大，由此提高算法的識(shí)別率。采用該算法對(duì)3種常見玉米葉部病害的圖像進(jìn)行分類試驗(yàn)，并與其他植物病害識(shí)別算法進(jìn)行比較。結(jié)果表明，DLPP對(duì)玉米病害的識(shí)別是有效可行的，識(shí)別精度高達(dá)85.5%。

關(guān)鍵詞：植物病害識(shí)別；維數(shù)約簡(jiǎn)；最近鄰分類器；監(jiān)督局部保持映射

中圖分類號(hào)： TP391.41；S126 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-1302（2014）04-0340-03

收稿日期：2013-08-19

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：61272333）；河南省科技攻關(guān)計(jì)劃（編號(hào)：122102210429）；西亞斯國(guó)際學(xué)院引進(jìn)人才項(xiàng)目（編號(hào)：2012YJRC01、2012YJRC02）。

作者簡(jiǎn)介：尚怡君（1983—），女，河南鄭州人，博士研究生，從事模式識(shí)別及其應(yīng)用。E-mail：wjdw716@163.com。植物病害的預(yù)測(cè)、預(yù)報(bào)是有效防治和控制植物病害發(fā)生和發(fā)展的重要依據(jù)，是植物病害管理的重要組成部分，對(duì)農(nóng)林生產(chǎn)的管理和決策起著重要作用。植物病害預(yù)測(cè)預(yù)報(bào)是一門應(yīng)用性很強(qiáng)的學(xué)科，傳統(tǒng)的植物病害分類與識(shí)別主要靠有經(jīng)驗(yàn)的生產(chǎn)者或植保專家基于一定的標(biāo)準(zhǔn)，在田間肉眼觀察獲得。該方法耗時(shí)、費(fèi)力、預(yù)報(bào)滯后，且不宜在大范圍內(nèi)展開，無法進(jìn)行實(shí)時(shí)、快速的病害識(shí)別。隨著圖像處理和模式識(shí)別理論的發(fā)展，為基于葉片圖像的植物病害識(shí)別研究提供了科學(xué)依據(jù)，也取得了很多研究成果。（1）以病害葉片顏色特征作為判別依據(jù)，可以確定常態(tài)部分和病態(tài)部分的閾值，區(qū)別植物病害種類。岑喆鑫等利用圖像的顏色統(tǒng)計(jì)特征對(duì)來自不同時(shí)期的病害樣本圖像進(jìn)行分類和識(shí)別，采用逐步判別分析，選取顯著性較大的特征參量，建立起黃瓜炭疽病、黃瓜褐斑病和無病區(qū)域的分類器模型[1]。（2）病斑的形狀、紋理可以作為植物病害的判別因子[2-3]。田有文等對(duì)番茄植物病斑形狀識(shí)別試驗(yàn)的分析結(jié)果表明，支持向量機(jī)分類方法適合于植物病斑復(fù)雜形狀的分類問題，該方法在訓(xùn)練樣本較少時(shí)具有良好的分類能力和泛化能力；不同分類核函數(shù)的相互比較分析結(jié)果表明，線性核函數(shù)最適合于植物病斑的形狀識(shí)別[2]。姜淑華等研究了利用分形理論對(duì)農(nóng)作物病變?nèi)~片自然紋理圖像進(jìn)行了處理，利用BP網(wǎng)絡(luò)來實(shí)現(xiàn)自然紋理圖像的分類問題，提出了一種紋理特征性能的比較方法[3]。但由于提取的都是單變量特征參數(shù)，得到的準(zhǔn)確率不高，達(dá)不到推廣應(yīng)用的要求。（3）隨著植物病害檢測(cè)研究的深入，人們認(rèn)識(shí)到植物病害癥狀的復(fù)雜性，開始綜合了植物病害的形狀、紋理、顏色信息，建立了能夠完成植物病害種類判別的多層次模式識(shí)別模型，進(jìn)行多變量特征參數(shù)的提取[4-11]。柴阿麗等以計(jì)算機(jī)視覺技術(shù)為手段，結(jié)合圖像處理和模式識(shí)別技術(shù)，研究了番茄早疫病、晚疫病、葉霉病和棒孢葉斑病等4種葉部病害的自動(dòng)識(shí)別方法[4]。程鵬飛以計(jì)算機(jī)圖像處理技術(shù)為重要技術(shù)手段，綜合運(yùn)用圖像處理、色度學(xué)、模式識(shí)別等方面的知識(shí)，進(jìn)行了利用計(jì)算機(jī)圖像處理技術(shù)進(jìn)行作物病變?cè)\斷的方法研究[5]。趙玉霞等根據(jù)玉米葉部病害特點(diǎn)，綜合應(yīng)用閾值法、區(qū)域標(biāo)記方法與Freeman鏈碼法，對(duì)玉米葉部病害圖片進(jìn)行圖像分割、統(tǒng)計(jì)病斑個(gè)數(shù)、去除冗余斑點(diǎn)、計(jì)算病斑形狀特征，最后根據(jù)二叉檢索法推斷病害[6]。李波等用主成分分析技術(shù)（PCA）對(duì)光譜波段進(jìn)行壓縮，獲得主分量光譜，最后結(jié)合概率神經(jīng)網(wǎng)絡(luò)（PNN）對(duì)水稻干尖線蟲病和水稻縱卷葉螟進(jìn)行識(shí)別[7]。岑喆鑫等研究了適合于植物病害自動(dòng)診斷的多變量特征定量提取方法和模式識(shí)別算法。上述這些方法為植物病害的智能化、自動(dòng)化檢測(cè)提供了理論依據(jù)[8]。但這些方法基本上屬于統(tǒng)計(jì)或線性特征提取方法，不能有效處理非線性的葉片圖像。本研究在借鑒前人經(jīng)驗(yàn)的基礎(chǔ)上，將監(jiān)督局部保持映射的維數(shù)約簡(jiǎn)方法與最近鄰分類器相結(jié)合，提出了一種基于葉片圖像的植物病害識(shí)別方法。

1監(jiān)督局部保持映射（DLPP）

3結(jié)論

本研究提出了一種基于DLPP算法的植物病害識(shí)別方法。利用該方法能夠有效地對(duì)葉片病害圖像進(jìn)行維數(shù)約簡(jiǎn)，使得在低維子空間同類樣本之間的距離變小，而異類樣本之間的距離增大，由此提高算法的分類能力。在真實(shí)玉米病害葉片圖像數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明該方法是有效可行的。由于葉片病斑圖像的復(fù)雜、多樣性，使得病害葉片圖像的分割沒有更好的方法，而且由于病害葉片圖像有其自身的特性，對(duì)其描述的意義有時(shí)無法與葉片圖像目標(biāo)物的特征建立聯(lián)系，因此還需要進(jìn)一步研究病害葉片圖像分割和維數(shù)約簡(jiǎn)方法，并有效地運(yùn)用于植物病害識(shí)別，以提高病害識(shí)別精度。

參考文獻(xiàn)：

[1]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統(tǒng)計(jì)特征的黃瓜炭疽病和褐斑病的識(shí)別研究[J]. 園藝學(xué)報(bào)，2007，34（6）：1425-1430.

[2]田有文，張長(zhǎng)水，李成華. 支持向量機(jī)在植物病斑形狀識(shí)別中的應(yīng)用研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2004，20（3）：134-136.

[3]姜淑華，田有文，孫海波. 農(nóng)作物病害危害程度自動(dòng)測(cè)定與分級(jí)的研究[J]. 農(nóng)機(jī)化研究，2007（5）：61-63.

[4]柴阿麗，李寶聚，石延霞，等. 基于計(jì)算機(jī)視覺技術(shù)的番茄葉部病害識(shí)別[J]. 園藝學(xué)報(bào)，2010，37（9）：1423-1430.

[5]程鵬飛. 植物病害的圖像處理及特征值提取方法的研究[D]. 太谷：山西農(nóng)業(yè)大學(xué)，2005.

[6]趙玉霞，王克如，白中英，等. 基于圖像識(shí)別的玉米葉部病害診斷研究[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2007，40（4）：698-703.

[7]李波，劉占宇，黃敬峰，等. 基于PCA和PNN的水稻病蟲害高光譜識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（9）：143-147.

[8]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統(tǒng)計(jì)特征的黃瓜炭疽病和褐斑病的識(shí)別研究[J]. 園藝學(xué)報(bào)，2007，34（6）：1425-1430.

[9]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[10]Ydipati R P，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.

[11]施偉民，楊昔陽(yáng)，李志偉. 基于半監(jiān)督模糊聚類的黃瓜霜霉病受害程度識(shí)別研究[J]. 福建師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，28（1）：33-37.

[12]譚峰，馬曉丹. 基于葉片的植物病蟲害識(shí)別方法[J]. 農(nóng)機(jī)化研究，2009（6）：41-43.

[13]趙玉霞，王克如，白中英，等. 貝葉斯方法在玉米葉部病害圖像識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用，2007，43（5）：193-195.

[14]鄭小東，王曉潔，趙中堂.基于形狀特征的植物葉柄與葉片分割算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（4）：918.

[15]王祥科，鄭志強(qiáng). Otsu多閾值快速分割算法及其在彩色圖像中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用，2006（增刊1）：14-15.