劉祖鵬

(河南工學(xué)院電子通信工程系，河南新鄉(xiāng)453000)

黃瓜葉片病斑的精確提取是計算機視覺技術(shù)在黃瓜病害識別系統(tǒng)中應(yīng)用的關(guān)鍵技術(shù)之一，是農(nóng)業(yè)智能化的重要組成部分［1－2］。近年來，隨著計算機視覺技術(shù)在農(nóng)業(yè)智能化系統(tǒng)中的應(yīng)用，基于機器視覺的農(nóng)作物產(chǎn)品圖像分割與識別受到了廣泛的關(guān)注［3－6］。研究人員先后對葡萄、草莓、蘋果的果實成熟問題進(jìn)行了深入的分析和研究。通過利用圖像分割技術(shù)、圖像識別技術(shù)，并聯(lián)合具體應(yīng)用對象的特征進(jìn)行優(yōu)化和改進(jìn)，取得了一定的成果。先后提出了Ostu分割方法［7］、K－mean聚類方法［8］、反向傳播神經(jīng)網(wǎng)絡(luò)方法［9］、徑向基神經(jīng)網(wǎng)絡(luò)方法［10］、LBP濾波算法［11］等，實現(xiàn)了成熟果實的智能化提取和識別。基于同樣的原理，研究人員將相關(guān)方法分別引入到農(nóng)作物病害特征的提取和識別領(lǐng)域。田杰等采用主成分分析和高斯混合模型聯(lián)合的方法對小麥病害進(jìn)行提取和識別，但須要根據(jù)小麥病害的先驗知識進(jìn)行高斯混合模型的構(gòu)建［12］;楊國國等采用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型來進(jìn)行茶葉害蟲的定位和識別，取得了較高的定位和識別精度［13］，但該方法須要豐富的樣本進(jìn)行離線訓(xùn)練，當(dāng)訓(xùn)練樣本不足時，容易產(chǎn)生樣本數(shù)據(jù)的統(tǒng)計失配問題，且算法的實時性較差;Ostu將Ostu分割方法引入到黃瓜靶斑病的提取當(dāng)中，通過采用雙顏色空間取得了較好的分割效果，但是對于較小的病斑斑點無法進(jìn)行有效分割［14］;張芳等將超像素和K－mean聚類方法結(jié)合進(jìn)行黃瓜病害葉片的分割，有效提升了小塊情況下的分割精度，但是對于光照度變化的葉片分割精度較差［15］;韓青松將超像素同視覺顯著性特點聯(lián)合進(jìn)行黃瓜病斑的分割，實現(xiàn)了常見黃瓜病斑的有效提?。?6］，但該方法在光照度較弱情況下的分割效果較差，錯分率較大。

針對黃瓜葉片病斑提取背景的復(fù)雜性，本研究提出一種多特征融合表征與優(yōu)化脈沖耦合神經(jīng)網(wǎng)絡(luò)(pulse coupled neural network，簡稱PCNN)模型聯(lián)合的提取方法。該方法首先對采集的黃瓜病斑葉片進(jìn)行Lab顏色空間變換，通過顏色分量的平均值和高斯濾波后的值進(jìn)行差值計算，獲取病斑葉片的頻率調(diào)諧視覺顯著性圖;接著，對采集的病斑圖像進(jìn)行HIS顏色空間轉(zhuǎn)換，并提取色調(diào)(hue，簡稱H)分量，對其進(jìn)行均衡處理，并同視覺顯著性圖聯(lián)合實現(xiàn)病斑特征的聯(lián)合表達(dá);最后，為便于對病斑進(jìn)行建模分析，對傳統(tǒng)的PCNN模型進(jìn)行簡化處理。同時，為了適應(yīng)不同的復(fù)雜環(huán)境，提出模型參量自適應(yīng)優(yōu)化方法，并將融合后的特征作為模型的輸入?yún)⒘浚瑢δＰ偷妮敵鼋Y(jié)果進(jìn)行形態(tài)學(xué)處理，獲取最終的病斑提取結(jié)果。基于采集的100幅黃瓜常見病斑葉片圖像進(jìn)行詳細(xì)的試驗分析，并對本研究方法的提取精度和計算復(fù)雜度進(jìn)行詳細(xì)的分析。

1 葉片病斑圖像的特征表達(dá)

1.1 視覺顯著性特征提取

頻率調(diào)諧視覺顯著性特征是Achanta在2009年提出的一種圖像頻域分析的特征，通過將圖像映射到Lab空間，獲取圖像整體的顏色平均值，并同高斯濾波后的圖像進(jìn)行差值計算，獲取相應(yīng)的頻率調(diào)諧視覺顯著性特征［17］，計算公式為

其中，

式中:S(x，y)表示像素點(x，y)的頻率調(diào)諧視覺顯著性值;μ為圖像Lab空間的顏色平均值;ωhc表征經(jīng)過高斯濾波以后圖像的特征分量;Iωhc(x，y)為經(jīng)過相應(yīng)高斯濾波處理以后特征分量的矩陣;Iμ為特征分量的平均值;‖g‖表征歐式距離的計算。根據(jù)文獻(xiàn)［18］，可以將頻率調(diào)諧視覺顯著性的高斯濾波表示為高斯差分的累加和，即

式中:FN、N分別表示差分等價的帶通濾波器、高斯差分次數(shù);DOG(x，y)為高斯差分計算;G(x，y，ρnσ)表示像素點(x，y)處的高斯濾波算子，σ、ρn分別為算子的標(biāo)準(zhǔn)差、調(diào)節(jié)因子。根據(jù)文獻(xiàn)［18］，設(shè)置 ρn+1∶ρn=1.0 ∶1.6。

圖1分別為黃瓜褐斑病、霜霉病的頻率調(diào)諧視覺顯著性特征提取結(jié)果，可以看出，視覺顯著性圖可以明顯增強圖像邊緣特征和大塊病斑的提取效果，但對較小的病斑分割效果較差。

1.2 色調(diào)均衡補償?shù)奶卣髟鰪?/h3>

視覺顯著性特征提取方法對小塊病斑提取精度較差，主要是由于光照度變化會改變圖像的灰度值，影響較小病斑的提取精確性。為進(jìn)一步降低小病斑對光照度的敏感性，引入HSI顏色空間的H分量對病斑圖像進(jìn)行增強，主要是因為H不受光照度影響。本研究在進(jìn)行H分量的提取過程中，參照文獻(xiàn)［19］的方法，首先對圖像進(jìn)行均衡化調(diào)整，以增強圖像局部顏色改變處的對比度信息，從而增強捕獲病斑與周圍顏色細(xì)節(jié)的差異。均衡化以后可以將H分量和頻率調(diào)諧視覺顯著性圖融合后的特征表示為

式中:Ifusion(x，y)為像素點(x，y)的融合特征;H(x，y)、S(x，y)分別表示該像素點處的均衡化H值、頻率調(diào)諧視覺顯著性值。通過H分量的引入，可以有效增強病斑圖像的輪廓信息，有效提升較小病斑的區(qū)分能力。圖2為圖1提取結(jié)果經(jīng)過均衡化H分量增強以后的結(jié)果，可以看出，通過色調(diào)均衡補償后的顯著性圖得到了明顯增強，特別是較小的病斑也得到了較好的分割效果。

2 改進(jìn)的PCNN模型

PCNN模型作為一種神經(jīng)網(wǎng)絡(luò)模型的分支，具有不需要訓(xùn)練、可以同步實現(xiàn)性質(zhì)相同神經(jīng)元捕捉的良好特性，目前被廣泛應(yīng)用在圖像分割領(lǐng)域［20－21］。但傳統(tǒng)的PCNN模型過于復(fù)雜，不適合病斑的提取，另外，傳統(tǒng)的PCNN模型中采用固定參量建模的方法，對不同復(fù)雜背景條件下的適應(yīng)性較差，針對這一問題，本研究對PCNN模型從以下2點進(jìn)行改進(jìn):(1)針對病斑提取的獨特性，簡化模型結(jié)構(gòu)、降低運算的復(fù)雜性;(2)構(gòu)建模型參量的自適應(yīng)更新方法，提升模型的抗噪能力和對不同環(huán)境的適應(yīng)性。

2.1 基于PCNN模型的病斑提取原理

傳統(tǒng)的PCNN模型單個神經(jīng)元的離散迭代計算過程［22］如下:

PCNN主要是基于像素進(jìn)行計算，公式(4)和公式(5)為PCNN模型的基本構(gòu)成單元。其中，F(xiàn)ij(n)、Lij(n)分別表示輸入場的反饋值、連接值;Mij，kl、Wij，kl分別表示針對反饋值與連接值的1次迭代輸出Ykl(n－1)的權(quán)值矩陣;Sij為提取的色調(diào)均衡優(yōu)化的視覺顯著性圖;VF、αF分別為反饋輸入場中的放大系數(shù)、衰減時間常數(shù);VL、αL分別為連接輸入場中的放大系數(shù)、衰減時間常數(shù)。公式(6)中的Uij(n)表示內(nèi)部調(diào)制場參量;β為聯(lián)通強度。公式(7)為1次點火實現(xiàn)，step(g)表示階躍函數(shù)，其功能是基于動態(tài)閾值Eij(n－1)來度量Uij(n)，當(dāng)Uij(n)＞Eij(n－1)時，產(chǎn)生脈沖點火輸出Yij(n)=1，目的是在每一次迭代中都能有效提取性質(zhì)相同的像素點;n為迭代次數(shù)。公式(8)表征了動態(tài)閾值Eij(n)的組成，VE、αE分別表示放大系數(shù)、衰減時間常數(shù)。

2.2 對PCNN模型的改進(jìn)

傳統(tǒng)PCNN模型參量復(fù)雜，且無法自適應(yīng)更新，提取精度嚴(yán)重依賴經(jīng)驗值的設(shè)定［23］。本研究改進(jìn)后的PCNN單個神經(jīng)元結(jié)構(gòu)如圖3所示，其具體的工作原理可以表示為

其中，m(n)為病斑像素平均值，從公式(9)～公式(12)可以看出，改進(jìn)后的模型在輸入場中簡化了功能單元，刪除了指數(shù)衰減項，并重新定義了反饋輸入域Fij(n)，單一采用以像素(i，j)為中心的8個鄰域內(nèi)輸入圖像的顯著性圖矩陣Skl，聯(lián)合權(quán)重矩陣Mij，kl耦合形成。連接輸入場Lij(n)同樣定義為由8鄰域內(nèi)神經(jīng)元的迭代輸出與Wij，kl構(gòu)成。公式(11)中的連接強度β通過表征圖像局部細(xì)節(jié)特征的修正拉普拉斯絕對和(sum of modified laplacian，簡稱SML)計算，實現(xiàn)自適應(yīng)優(yōu)化。公式(12)中的Eij(n)同樣刪減了不適合小病斑提取的指數(shù)衰減參量，利用每次點火輸出區(qū)域的顯著性圖計算該值，確保了PCNN模型的振蕩，具體的點火機制同公式(7)。

3 參量的自適應(yīng)優(yōu)化分析

從“2.2”節(jié)的分析中可以看出，該簡化模型很好地適應(yīng)了小病斑的檢測。由圖3可知，本研究改進(jìn)方法主要包括輸入場、調(diào)制場、脈沖產(chǎn)生器等3個部分。且改進(jìn)模型的關(guān)鍵參量分別是輸入場的反饋權(quán)值矩陣Mij，kl和連接權(quán)值矩陣Wij，kl、調(diào)制場的連接強度β以及脈沖產(chǎn)生器的動態(tài)閾值Eij(n)。

3.1 輸入場的權(quán)值矩陣優(yōu)化

在反饋輸入場中利用權(quán)值矩陣Mij，kl對圖像的輸入特征進(jìn)行預(yù)處理，實現(xiàn)對圖像空間噪聲的抑制，保護(hù)邊緣細(xì)節(jié)特征，并有效調(diào)節(jié)與距離相關(guān)的神經(jīng)元單元。傳統(tǒng)基于高斯濾波的差值計算方法容易導(dǎo)致圖像邊緣模糊、丟失細(xì)節(jié)特征，為增強圖像的細(xì)節(jié)特征，本研究采用各項異性特征對高斯濾波器進(jìn)行改進(jìn)［15］，改進(jìn)后的矩陣 Mij，kl可表示為

式中:Yij(n－1)×or Ykl(n－1)=1主要實現(xiàn)圖像椒鹽噪聲的定位。獲取定位信息以后，可以通過8個鄰域的神經(jīng)元與中陣;C0、C1均為歸一化系數(shù);‖i－k‖2為水平神經(jīng)元之間距離的平方;‖j－l‖2為垂直神經(jīng)元之間距離的平方;σi、σj均為高斯尺度因子，在本研究中分別取值為1、3。

同時，可以計算連接輸入場的權(quán)值矩陣 Wij，kl，具體公式為

3.2 調(diào)制場的連接強度優(yōu)化

在本研究黃瓜病斑的分割中，旨在更多地保留圖像的邊緣細(xì)節(jié)，使最終病斑分割結(jié)果輪廓清晰，以便于后續(xù)的病態(tài)識別。因此，在具有相似邊緣特征的像素點處提升其連接強度β的大小，使之更容易被PCNN模型捕獲而點火輸出。考慮到SML利用二階拉普拉斯梯度來表達(dá)局域范圍內(nèi)灰度的跳變程度具有很好的圖像紋理和方向信息描述能力，可以將像素(i，j)的拉普拉斯分量絕對和［21］定義為

式中:s為計算中的空域間隔，由于傳統(tǒng)的SML方法中忽略了傾斜方向的梯度信息，因此在s=1的情況下，可以將公式(15)進(jìn)一步改進(jìn)為

當(dāng)圖像特征出現(xiàn)邊緣跳變時，公式(16)能夠獲取較大的SML值，提取較小的病斑區(qū)域。因此，同構(gòu)對圖像進(jìn)行改進(jìn)后的SML計算，可以通過自適應(yīng)修正連接強度β進(jìn)行病斑邊緣的點火輸出，其中連接強度的優(yōu)化計算表達(dá)式為

式中:Gn［g］為實現(xiàn)歸一化的函數(shù)運算;N表示選擇的鄰域窗口的大小，本研究中N=3;SML(i，j)表示計算的SML值。

3.3 脈沖產(chǎn)生器的動態(tài)閾值優(yōu)化

對于病斑葉片而言，正常的顏色為綠色，病斑顏色為非綠色，本研究采用超綠特征E×G進(jìn)行特征提?。?4］，其灰度值計算公式為

式中:E(x，y)為像素點(x，y)處的灰度值;R、G、B 分別表示該像素點在紅、綠、藍(lán)顏色空間的取值。獲取灰度圖后，此時病斑區(qū)域的灰度值相對較高，設(shè)置動態(tài)閾值時系統(tǒng)通過迭代遞進(jìn)的方法，令灰度值相對較高的區(qū)域為最終穩(wěn)定地點火輸出。采用公式(9)表達(dá)的動態(tài)閾值設(shè)置方法，取其為PCNN每一次迭代分割出的區(qū)域在原圖像上的平均灰度值與放大系數(shù)VE的乘積，其中可以計算為

式中:Ω為第n次迭代PCNN點火輸出的區(qū)域矩陣;f(u，v)為點火輸出區(qū)域內(nèi)原輸入融合特征矩陣的每一個元素值;N為點火區(qū)域內(nèi)總的元素個數(shù)。的初始迭代值設(shè)置為0。動態(tài)閾值Eij(n)隨著PCNN迭代的進(jìn)行不斷增大，導(dǎo)致每次迭代PCNN分割出的區(qū)域不斷縮小;同時，區(qū)域的平均灰度值將不斷增加，直到最終輸出不再變化時，輸出區(qū)域的平均值已經(jīng)逼近了病斑區(qū)域的平均值，停止迭代，輸出分割結(jié)果。通過這樣的機制使改進(jìn)的PCNN分割模型可以實現(xiàn)自適應(yīng)的迭代停止控制。放大系數(shù)VE為控制平均值增長速度的系數(shù)，在本研究中VE=1。

4 驗證試驗與結(jié)果分析

4.1 試驗設(shè)置說明

為驗證本研究方法的有效性，對采集的黃瓜葉片常見病斑進(jìn)行檢測分析。試驗中共采集6種常見的黃瓜葉斑病(白粉病、黑斑病、霜霉病、慢枯病、角斑病、紅粉病)的100幅相關(guān)病斑葉片圖像。為便于運算，將圖像全部歸一化到像素。采用 Intel? CoreTMi7 －3520M 4.0 GHz CPU，8 GB RAM 筆記本電腦，安裝Window 7操作系統(tǒng)，圖像分析程序在Visual C++2010平臺編程實現(xiàn)，采用C++語言編寫，便于不同平臺之間的移植使用。試驗的檢測流程如圖4所示，首先，針對采集到的病斑葉片圖像進(jìn)行相關(guān)參量的初始化處理;接著進(jìn)行Lab顏色空間3個分量和HIS顏色空間的H分量提取，并進(jìn)行特征顯著性和H分量均衡化處理，實現(xiàn)特征的融合表征;最后，將融合后的特征圖像作為改進(jìn)PCNN模型的輸入圖像，并對模型輸出圖像進(jìn)行一定的形態(tài)學(xué)處理，獲取最終的病斑識別結(jié)果。

4.2 病斑提取精度的定性分析

首先，針對采集的病斑葉片進(jìn)行不同背景條件下病斑提取結(jié)果的定性分析。為便于定性對比，試驗中分別采用Otsu方法、K－means聚類方法、傳統(tǒng)PCNN方法、本研究方法進(jìn)行病斑的提取分析。由圖5可知，在強光照度且背景相對簡單的情況下，幾種方法都取得了較好的分割結(jié)果，但由于光照度變化的影響，導(dǎo)致Otsu方法、K－means聚類方法、傳統(tǒng)PCNN方法在葉片的邊緣和葉片與枝干連接的地方提取效果較差，主要原因是這些方法沒有考慮到光照度變化對病斑圖像特征的影響。由于本研究方法采用了多特征融合的方法，可以看出，本研究方法較好地適應(yīng)光照度的變化。由圖6可知，由于光線較暗且背景干擾比較復(fù)雜，導(dǎo)致Otsu方法、K－means聚類方法分割結(jié)果較差，而傳統(tǒng)PCNN方法分割精度有所提升。但由于傳統(tǒng)PCNN方法的分割閾值平均值仍為固定設(shè)置，導(dǎo)致在光照度較弱的情況下，病斑與背景信息的顏色可分性降低，將部分背景信息分割為病斑。而本研究方法采用了自適應(yīng)參量的實時更新方法，可以看出，分割結(jié)果十分接近真實的病斑分布。

4.3 病斑提取精度的定量分析

為定量對比分析本研究方法的分割精度，采用錯分率(ER)對提取結(jié)果進(jìn)行比較。其中，錯分率的具體計算公式可以表示為

式中:Na、Ne分別表示葉片圖像的總像素數(shù)量、病斑錯誤提取的像素數(shù)量。

試驗中針對采集的100幅病斑葉片圖像進(jìn)行統(tǒng)計分析，并計算平均錯分率。從“4.2”節(jié)的定性分析中可以明顯看出，Otsu方法采用了閾值分割的方法，其效果較差，因此，在該部分定量比較中，為了方便計算，不對其進(jìn)行定量計算，直接針對后3種提取精度相對較高的方法(K－means聚類方法、傳統(tǒng)PCNN方法、本研究方法)進(jìn)行定量計算分析。由表1可知，對6種常見的黃瓜病害，本研究方法的錯分率較低，最小錯分率為1.9%，最大錯分率為4.5%，提取精度明顯優(yōu)于傳統(tǒng)PCNN方法和K－means聚類方法，對提取精度而言，本研究方法是一種優(yōu)秀的方法。

表1 3種方法的平均錯分率

4.4 算法復(fù)雜性分析

病斑提取速度的快慢是進(jìn)行后續(xù)機器視覺識別應(yīng)用的關(guān)鍵。為度量本研究方法的計算復(fù)雜性，對采集的100幅病斑圖像進(jìn)行病斑提取速度分析。由表2可知，由于K－means聚類方法主要是針對像素級別進(jìn)行聚類，時間消耗較大;傳統(tǒng)的PCNN方法由于采用鄰域塊的操作，即使引入了一些約束和迭代思想，但最終的運行時間仍小于K－means聚類方法，具有較為合理的時間效率;而本研究方法雖然增加了顏色空間的變換和特征融合處理，但在PCNN模型參量的計算過程中有針對性地進(jìn)行了簡化處理，因此，一定程度上降低了本研究方法的計算復(fù)雜性，整體比傳統(tǒng)PCNN方法的效率有了一定的提升。

表2 3種方法的運行時間

5 結(jié)論與討論

本研究針對不同復(fù)雜背景下黃瓜病害葉片的病斑精確提取和識別問題進(jìn)行了分析，提出了一種聯(lián)合多特征融合表征和脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的病斑精確提取方法，對黃瓜葉片病斑進(jìn)行有效識別。從黃瓜常見病斑葉片的檢測分析結(jié)果可以看出，本研究方法具有較高的精度。與現(xiàn)有的分割和識別方法相比，本研究方法具有以下幾點創(chuàng)新:(1)對采集的黃瓜病斑原始圖像進(jìn)行了Lab和HIS顏色空間的變換處理，有效提升了特征的魯棒性。特別是在光照度改變的情況下，本研究提取的特征具有更加有效的表征性。本研究方法的最小錯分率為1.9%，最大錯分率為4.5%，與K－means聚類算法和傳統(tǒng)PCNN方法相比，均有較大改善。(2)本研究方法采用PCNN模型進(jìn)行迭代分割，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型相比，不須要進(jìn)行大量圖像的離線運算，因此可以達(dá)到較好的實時性效果。(3)本研究對PCNN模型輸入場、調(diào)制場、脈沖形成等3個階段的關(guān)鍵參量進(jìn)行了優(yōu)化，針對具體的應(yīng)用場景實現(xiàn)了自適應(yīng)處理，增強了模型對不同復(fù)雜背景下的實用性。

在下一步的研究中，將進(jìn)一步優(yōu)化該方法在實際應(yīng)用平臺中的應(yīng)用，通過農(nóng)作物智能物聯(lián)系統(tǒng)構(gòu)建完善的黃瓜生長智能分析和識別系統(tǒng)。