农作物病害危害程度自动测定论文

1图像处理

纹理是图像分析中常用的概念，纹理是指在图像中反复出现的局部模式和它们的排列规则，图像的纹理描述可以提供区域的平滑、稀疏、规则性等特性。粗糙性和方向性是人们区分纹理时所用的两个最主要特征[1]。目前纹理特征的计算方法主要有基于图像结构模型(structuralmodel)的方法、基于图像统计模型(statisticmodel)的方法、基于滤波器模型(filtermodel)的方法、基于随机场模型（randomfieldmodel）的方法以及基于分形模型(fractalmodel)[2]的方法等。在传统的纹理识别方法中，例如共生矩阵法和行程长度法，其本质上仅是一种对图像纹理的全局统计表示，缺少局部和细节信息，所以识别效率低，而且易受噪声影响。

基于分形的纹理分类方法是把自然纹理粗糙度和分形维数相关联的一种纹理分类方法。其重要特点是：在一定范围内独立于分辨率，独立于视角而稳定存在的物质表示量。1997年，Gregory等利用了lineardiscriminantanalysis(线性判别分析)，采用二维图像的分形维数(由谱方法计算)、分形误差和传统的co-occurrencematrix(共存矩阵)纹理测度(例如矩特征、熵、对比度、相关性等)，结果表明分形维数和分形误差测度要优于基于共存矩阵的传统特征[3]。其原因在于分形布朗运动的长相关性和尺度不变特性。

1.1基于分形纹理特征提取

分形维数己经作为区分纹理粗糙度的有效特征而广泛应用于纹理分类领域。分形维数有多种不同的计算方法，不同的方法计算的分形维数可以用来进行纹理分类的特征提取方

法。因为仅仅利用分形维数不能完全分开所有的自然纹理，在分类中常常需要用到其它特征，例如空隙特征(lacunatityfeature)、分形签名特征(signatures)、维数升降因子slope[4]、分形方向特征[5]、局部分形维数、扩展分形特征[6]、多重分形(multi-fractal)、多尺度分形维数(multi-scalefractaldimension)、分形模型拟合误差ER等。

考虑到图像的熵特征满足，平移、旋转不变性，把熵特征作为纹理分类的一个有效特征来使用。使用了分形维数特征、空隙特征和熵特征来进行自然纹理的分类。在分形维数特征中，采用功率谱方法、计盒维数法、毯子覆盖法三种方法进行计算。相应计算得到的分形维数称为功率谱分维、盒子维数、毯子维数。

1.2基于分形的图像分割方法

图像分割是图像处理领域的经典问题，章毓晋对图像分割方法有过详细论述[7]。图像分割常用的理论上具有数学形态学、统计模式识别、神经网络、信息论、模糊理论、小波分析、遗传算法、分形理论等。在ATR系统中，进行有效的图像分割可以为后续的图像识别提供有效依据。对于纹理图像，可以在进行特征提取的基础上，利用多种方法实现图像分割。

基于分形的图像分割方法基本上是首先计算图像的局部分形维数(或其它分形特征)，然后采用有监督分类或无监督分类的方法达到图像分割的目的。对于有监督分类，利用神经网络通过网络训练和网络测试验证的分类性能，在图像分割的应用中，可以采用交互方法完成神经网络的训练，然后利用整个图像的每个像素领域进行分形特征的计算，利用训练好的网络进行分类，最终达到分割的目的。对于无监督分类，常用的方法是阈值分割和聚类分割。

2自然纹理图像自动分类的BP网络设计

BP网络是采用Widrow-Hoff学习算法和非线性可微转移函数的多层网络。一个典型的BP网络采用的是梯度下降算法，也就是Widrow-Hoff算法所规定的。以三层BP网络为例，BP网络的结构如图1所示，分为输入层、中间层、输出层三个部分。

利用BP网络来实现自然纹理图像的分类问题，主要目的在于测试纹理特征在分类中的性能。下面介绍网络设计过程。

（1）输入输出向量：输入向量山特征选择而定，若选择特征的个数为N，则输入向量为N维。输出向量分别为：[10000]、[01000]、[00100]、[00010]、[00001]分别表示对应的sand,water,brick,grass,straw图像。

（2）网络结构：根据分类的需要，设计了一个有三层结构的log-sigmoid/log-sigmoid网络。对于N维输入向量，网络输入层有N个神经元。识别5类不同的纹理，输出有5个神经元。根据经验，网络的隐含层设计了10个神经元。

（3）网络训练：首先建立5类图像的训练图像库，把每类图像按照角度为10-180度、步长为10度进行旋转，各自得到18个不同旋转角度的图像。在每幅图像上计算N个特征。这样，输入样本个数为18×N输出向量如前所述为含有5个元素的列向量。网络训练采用MATLAB上具函数来实现，使用trainbpx函数进行快速训练，当训练超过3000个时间单位或者网络平方和误差小于0.1时停止.网络的训练。

（4）网络测试:对于训练完成的网络，可以利用训练样本集进行测试，来验证网络对于训练样本的分类能力。也可以采用不同的测试样本进行测试，验证网络的泛化能力。文中采用的测试样本图像库为:把每类图像按照角度为15-3550、步长为20°进行旋转，各自得到18个不同旋转角度的图像。

分别利用空隙特征LA、盒维数特征CD、功率谱分维FD、毯子维数BD和熵特征EN其中的一个特征进行神经网络设计，识别5类不同纹理。实验结果如表1所示。

采用四个特征相结合进行分类实验，比较四个特征组合后的分类性能，实验结果如表2所示。

可见不同特征的组合方式对于分类器有较大影响：适当选取不同的纹理特征互相组合，可以提高分类器的性能。

3结论

通过研究基于图像处理技术的植物病害图像实时采集分类并进行危害程度自动测定的系统，可以做到有目的地科学进行病害图像分割处理，既可提高病害识别的准确性又可以缩短植物病害防治实施周期，同时能降低防治使用成本，利于实现我国植物病害防治方法的自动化和现代化，并将有助于创立我国自主的植物病害防治的新方法。

参考文献：

[1]李厚强.基于分形和神经网络的纹理分析.中国科学技术大学博士学位论文[D].2000:1-2

[2]孙即祥等著.模式识别中的特征提取与计算机视觉不变量[M].北京:国防工业出版社2001:182-209

[3]G.McGarry,M.Deriche.ModellingMammographicImagesUsingFractionalBrownianMotion[J].ProceedingsoftheIEEERegionTenConference,DigitalSignalProcessingApplications.Brisbane,Australia.1997:299-302.

[4]刘文萍，吴立德.纹理特征提取及分割[J].计算机应用与软件.2001,18(11):44-49

[5]S.Mukhopadhyay,B.Chanda.MultiscaleMorphologicalSegmentationImages[J].IEEETrans.OnImageProcessing.2003,12(5):533-548

[6]L.M.Kaplan,ExtendedFractalAnalysisforTextureClassificationandSegmentation.IEEETrans[J].ImageProcessing.1999,8:1572-1585

[7]章毓晋.图像分割[M].北京:科学出版社.2001:169-174

摘要：农作物在生长和发育过程中，经常受到各种因素的影响，导致农作物发生病害。准确、快速的处理与识别植物病害图像，并自动可*的对其进行危害程度测定是进行农作物病害防治的关键。为此研究了利用分形理论对农作物病变叶片自然纹理图像进行处理，利用BP网络来实现自然纹理图像的分类问题。分析各种不同的特征在分类器中的性能，提出了一种纹理特征性能的比较方法。

关键词：农作物病害；基于分形的图像处理；BP网络设计