李盛蘭 吳慶祥

摘要：防治農(nóng)作物的病害，正確的診斷是最重要的，傳統(tǒng)診斷和計算機(jī)自動識別是最常用的兩種診斷方法。研究農(nóng)作物病蟲草害自動識別與測定技術(shù)，用來防除田間雜草與病蟲害，是農(nóng)作物自動化種植控制系統(tǒng)中非常重要的組成部分，是計算機(jī)視覺技術(shù)當(dāng)前比較熱門的研究領(lǐng)域，要想較好的解決研究中遇到的問題，計算機(jī)圖像處理經(jīng)典算法的靈活使用非常重要。

關(guān)鍵詞：農(nóng)作物；病害；圖像處理；應(yīng)用

中圖分類號：TP315 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）32-0195-02

Abstract： Correct diagnosis is the most important to prevent and control crop diseases， and traditional diagnosis and computer automatic identification are the two most commonly used diagnostic methods. Research on automatic identification and determination technology of crop diseases， pests and weeds， used to prevent and control weeds and pests in the field， is a very important part of crop automatic planting control system， is a hot research field of computer vision technology， in order to better solve the problems encountered in the study， computer image processing The flexible use of classical algorithm is very important.

Key words： Crop； disease； image processing； application

正確診斷農(nóng)作物病蟲害是農(nóng)作物病蟲害防治的第一步，通過查閱農(nóng)業(yè)病蟲害圖譜、借助農(nóng)業(yè)病蟲害著作、農(nóng)作物病蟲害分類檢索，這三種是常用的鑒別和診斷農(nóng)作物病蟲害的方法。它們各有千秋：第一種方法直觀，但不夠準(zhǔn)確；第二種方法準(zhǔn)確，但需要具有一定的專業(yè)知識的專業(yè)技術(shù)人員，而且相關(guān)著作往往不全；第三種方法不僅速度快而且準(zhǔn)確，只是同樣需要懂得植保知識的專業(yè)人員。

有沒有簡單、快速、準(zhǔn)確，不需要懂得很多專業(yè)知識和技術(shù)，只要是普通的農(nóng)作物種植和管理者就能做到的病蟲害識別方法呢？答案是肯定的。

隨著計算機(jī)技術(shù)的迅猛發(fā)展，使針對不同形狀、大小、顏色、紋理等方面有差異的病斑的自動識別成為可能，尤其是快速發(fā)展的計算機(jī)視覺技術(shù)的使用，在對圖像中目標(biāo)物的形狀、大小、顏色、紋理等特征的提取與理解方面已有了一些研究。

當(dāng)前，計算機(jī)軟硬件性價比越來越高，借助計算機(jī)視覺技術(shù)，自動識別農(nóng)作物病蟲害，已由思路逐漸變?yōu)楝F(xiàn)實，這項技術(shù)的研制和應(yīng)用，對推動作物病害自動化識別與綜合治理的實施有著極大的推動作用，對我國現(xiàn)代農(nóng)業(yè)的發(fā)展同樣有十分重要的意義。

1 圖像處理經(jīng)典算法

1.1 區(qū)域標(biāo)記算法

數(shù)字圖像處理中重要的處理技術(shù)之一就是區(qū)域標(biāo)記算法，只是此種算法在處理過程中比較費(fèi)時，所以對圖像分析的實時性有一定的制約。區(qū)域標(biāo)記的具體做法是對圖像中的同一連通成分中的所有像素用相同的符號標(biāo)記，對不同的連通成分用不同的符號標(biāo)記。區(qū)域標(biāo)記算法屬于全局性的算法，序貫是這種算法的本質(zhì)，形成瓶頸效應(yīng)通常在二值視覺系統(tǒng)中。對于只有一個連通成分的圖像，則通常不用區(qū)域標(biāo)記法。

區(qū)域標(biāo)記法是對圖像中有多個連通成分時，對各個不同的區(qū)域的位置和特性進(jìn)行標(biāo)記，同時往往需要對各個區(qū)域的面積分別進(jìn)行計算，常用的有序貫算法和遞歸算法。

1.1.1 序貫算法

序貫算法對連通成分的標(biāo)記方法如下：

⑴從上到下、從左至右掃描圖像，搜尋P點，即沒有作標(biāo)記的點，同時分配一個新的標(biāo)記給P點。

⑵以像素點1為例：

①左鄰點與上鄰點有一個標(biāo)記或有兩個相同的標(biāo)記，則復(fù)制這一標(biāo)記。

②若兩鄰點的標(biāo)記不同，則復(fù)制上鄰點的標(biāo)記作為等價標(biāo)記，并將兩個標(biāo)記輸入等價表。否則，分配一個新的標(biāo)記并將該標(biāo)記輸入等價表。

⑶針對于不同的像素點，重復(fù)上面的步驟。

⑷在等價表的每一等價集中找到最低的標(biāo)記。

⑸用等價表中的最低標(biāo)記取代每一標(biāo)記。

要求對圖像進(jìn)行二次處理是序貫算法的基本特征，缺點是此算法一次只能對兩行圖像進(jìn)行運(yùn)算，所以以文件形式存在的圖像也能使用這一算法。運(yùn)算時通過查看1像素點的鄰點，給它的鄰點分配一個已經(jīng)使用過的標(biāo)記。若圖像的鄰點有兩種不同的標(biāo)記，則用一個等價表（equivalent table）來記錄所有的等價標(biāo)記，使用這一等價表來給某一連通成分中所有像素點分配唯一的標(biāo)記進(jìn)行第二次處理。

1.1.2 遞歸算法

遞歸算法主要用于并行機(jī)上，因為在串行處理器上計算效率很低。遞歸算法規(guī)則如下：

（1）尋找沒有標(biāo)一記的P點：方法是從左到右，從上到下逐行逐列掃描圖像，找到則給該點分配一個新的標(biāo)記；

（2） P點的鄰點：遞歸分配同一標(biāo)記；

（3）直到相互連接的像素全部標(biāo)記完畢，一個連通成分就標(biāo)上了同樣的記號；

（4）返回第一步，尋找未標(biāo)記的其他點，并賦予新的標(biāo)記，依次相應(yīng)的執(zhí)行第二和第三步，并根據(jù)搜尋結(jié)果給予相應(yīng)的標(biāo)記，直至處理完成。

1.1.3 區(qū)域標(biāo)記算法分析

遞歸標(biāo)記算法對于凸形區(qū)域有較好的標(biāo)記能力，但存在以下不足：

（1）由于該算法的規(guī)則，每次需要對己標(biāo)記像素的八鄰域進(jìn)行掃描和判斷，因此當(dāng)區(qū)域較大時，該算法重復(fù)判斷多，計算量大，處理耗費(fèi)較多時間；

（2）當(dāng)區(qū)域為凹形的不規(guī)則形狀時，會增加重復(fù)掃描圖像的次數(shù)。由于掃描圖像的方式是自上而下，所以對于其他凸出分枝，每次對整幅圖像掃描后，只標(biāo)記了該凸出分枝的一行，形成了許多無用的浪費(fèi)時間的重復(fù)判斷，大大降低了處理效率。

對于規(guī)則物體，因為只需判斷正在處理的像素的兩個鄰點，所以該算法的處理速度比較高。只是當(dāng)處理的是凹凸不平等不規(guī)則區(qū)域時，標(biāo)記數(shù)目大大增加，導(dǎo)致等價表十分龐大，處理效率嚴(yán)重下降的不良結(jié)果。

1.2輪廓跟蹤

對于有些物體，其邊緣上有比較長毛刺或絨毛，不夠平滑，不適宜使用邊界跟蹤算法，否則容易進(jìn)入死循環(huán)，所以在邊界跟蹤之前，必須對圖像進(jìn)行平滑處理。由于中值濾波不能有效去除較長的毛刺，且處理速度較慢，試驗中常選用直徑為2的十字模板，對用灰值形態(tài)學(xué)閉開運(yùn)算對灰度圖像進(jìn)行處理，它在去除噪聲點，填補(bǔ)圖像中的空洞方面有較好的效果。

對于比較復(fù)雜的連續(xù)輪廓，宜采用搜索方向旋轉(zhuǎn)輪廓跟蹤算法，但該算法在搜索方向上的點可能超出圖像邊界，讀取數(shù)據(jù)時出現(xiàn)差錯，使程序陷入死循環(huán)。同時，該算法只能跟蹤圖像最左下角點所在區(qū)域的輪廓，另外，該算法在跟蹤多個區(qū)域時同樣存在需要改進(jìn)的地方。

2 結(jié)束語

通過機(jī)器視覺實現(xiàn)自動識別農(nóng)作物病害是人們的目標(biāo)，區(qū)域標(biāo)記法和輪廓跟蹤法只是眾多方法的代表，真正要開發(fā)出具有實用價值的農(nóng)作物病蟲草害的自動識別與測定技術(shù)，還有待針對不同的被檢測對象的特征，進(jìn)一步研究和完善，本研究只是一種初步嘗試。

參考文獻(xiàn)：

[1] 賴軍臣，湯秀娟，謝瑞芝，等. 基于G-MRF 模型的玉米葉斑病害圖像的分割[J]. 中國農(nóng)業(yè)科學(xué)，2010，43（7）： 1363-1369.

[2] 李彬，陳武凡，顏剛. 基于模糊馬爾可夫場的腦部MR 圖像分割算法[J]. 計算機(jī)工程與應(yīng)用，2007，43（7）：14-16

【通聯(lián)編輯：唐一東】