CN104091179A - 小麦白粉病菌孢子图片的智能识别方法 - Google Patents

Abstract

本发明涉及小麦白粉病菌孢子图片的智能识别方法。所述方法包括：选择不同专家模型，使智能识别的精度能适应不同的要求；白粉病菌孢子图片的预处理；白粉病菌孢子图片的分割；对白粉病菌孢子图片提取颜色、纹理和形状特征；对白粉病菌孢子图片提取的特征进行智能识别。应用本发明可快速计算出某一时间段内空气中单位体积的小麦白粉病菌孢子浓度，得到小麦白粉病菌孢子病害基本情况。本发明实现了小麦白粉病菌孢子图片的自动分割，解决了现有的人工分割方法效率低的问题；实现了小麦白粉病菌孢子图片的自动识别和自动计数，解决了现有的人工(专家)识别方法效率低且容易出错的问题；可以适用不同人工(专家)的使用需要，适应性强。

Description

小麦白粉病菌孢子图片的智能识别方法

技术领域

本发明属于数字图像处理技术领域，涉及一种小麦白粉病菌孢子图片的智能识别方法，通过软件实现小麦白粉病菌孢子图片的自动识别和自动计数。

背景技术

白粉病是植物病害的主要病害之一，它主要危害植物叶片、茎、叶柄、芽及花瓣，然后受害植物会出现褪绿、枯黄、皱缩，幼叶扭曲，导致植株生长不良发育畸形，不能开花结果。小麦白粉病是小麦的主要病害之一，除某些热带地区外，在世界各地均有分布。在1900年之前，在欧洲的英国、法国、爱尔兰、比利时、丹麦、荷兰、瑞士及芬兰等国已见报道。美国、加拿大、墨西哥虽有发生但比较轻微。近年来，小麦白粉病已成为我国小麦的主要病害之一，无论是发病面积还是发病程度都维持在一个较高的水平，年均发病面积在600万公顷以上，一般发病可造成10％左右减产，严重时减产可达50％以上，有些高感品种甚至颗粒无收。所以小麦白粉病已成为我国小麦生产上的重要常发性病害之一，目前也已成为我国小麦高产、稳产、优质的主要制约因素之一。

据统计，在全国742种农作物病害中，约有60％是由病菌孢子经气流传播侵染作物形成危害的。小麦白粉病就是由专性寄生真菌—小麦白粉菌孢子引起的气传性病害。小麦白粉菌属子囊菌，只能在活的寄主组织上生长发育，并对寄主有很严格的专化性，一般只侵染小麦，所以小麦病菌不能侵染大麦，大麦白粉菌也不侵染小麦。小麦白粉菌以菌丝体蔓延于寄主表面，仅通过吸器伸入寄主表皮细胞内吸取营养。菌丝上着生分生孢子梗和分生孢子，如附图1所示，分生孢子为椭圆形，长度是宽度的1.25～1.75倍，少数达到近两倍，单胞无色，分生孢子梗直立，从菌丝体垂直生出，不分枝，无色，顶端产生成串的分生孢子，数目10～20个，自顶端向下逐渐成熟脱落，随气流传播引起再侵染和病害流行。分生孢子在0.5～30℃范围内均可萌发，萌发的最适温度为10～18℃。对湿度的适应范围很广，在最适温度条件下，相对湿度0～100％均可萌发，但湿度越大，萌发率越高。因此小麦白粉菌在不同地理生态环境中与寄主长期相互作用下，能形成不同的生理小种，毒性变异很快，在环境条件适宜的情况下，小麦白粉病菌就会大量蔓延，造成如附图2所示小麦白粉病的发生。

目前的白粉病防控方法主要通过人工目测、田间调查等进行白粉病害的观测，观测时效不足，劳动强度大，数字化程度低。还需定时定期将取样病菌孢子带回实验室在生物显微镜下观察，人工对孢子数量进行记录，方法和手段相对落后。

发明内容

本发明的主要目的在于克服以往人工实现小麦白粉病防控方法的缺点，有效实现田间小麦白粉病菌孢子数量自动监测与预警预报应用。本发明通过建立不同专家识别模型，采取智能识别与计数方法，对小麦白粉病菌孢子进行自动识别和自动计数，为小麦白粉病害测报提供了一种先进的手段和工具。

本发明采取的具体技术方案如下：

小麦白粉病菌孢子图片的智能识别方法，其特征在于包括以下部分：

步骤一，选择不同专家模型，使智能识别的精度能适应不同的要求。

在实际应用中不同专家对病菌孢子识别率存在差异性，需要进行细化；按照专家识别小麦白粉病菌孢子总数与机器智能识别孢子总数之间的相对误差率为5％～30％分段设计8个不同专家相对误差率(或称智能识别模型，专家模型)，具体为6.1％、8.5％、11.7％、14.4％、17.1％、20.9％、24.6％、28.1％，用户使用中可以选择不同专家相对误差率。

步骤二,白粉病菌孢子图片的预处理，方法如下：

(1)对白粉病菌孢子彩色图片采用带颜色恢复因子的多尺度Retinex方法进行光照补偿。

针对白粉病菌孢子图像整体偏暗的特点，采用带颜色恢复因子的多尺度Retinex方法提高图像整体对比度，使颜色更接近图像本来的面貌，具有对比度高、色彩失真小、动态范围压缩大等特点，它可以在灰度动态范围压缩、边缘增强和颜色恒定性三方面达到平衡，因而可以对各种不同类型的图像进行自适应性地增强，其实质上是一种基于光照补偿的图像增强方法。

(2)对白粉病菌孢子彩色图片进行灰度化。

(3)对白粉病菌孢子图片进行5×5模板的中值滤波。

5×5模板的中值滤波在抑制噪声的同时很好地保护孢子边缘信息。

步骤三,白粉病菌孢子图片的分割，方法如下：

(1)对白粉病菌孢子图片进行基于Sobel边缘检测与改进的Niblack局部阈值法相结合的图片分割，获得孢子的二值图片。

(2)对白粉病菌孢子图片进行孔洞填充并简单二值化。

(3)对白粉病菌孢子图片采用改进的形态学滤波器进行滤波，消除噪声。

(4)对白粉病菌孢子图片进行基于距离变换的分水岭算法分割，将其中粘连的孢子分开。

步骤四,提取白粉病菌孢子图片的特征，方法如下：

根据选择特征所应遵循的原则，对白粉病孢子图片的主要特征进行提取，根据特征选择原则对所提取的特征进行筛选，最终得到了由49个特征组成的孢子特征向量，具体包括：

(1)颜色特征：RGB、HSV和YCbCr各个颜色分量的各自的均值与方差共18个特征。

(2)纹理特征：利用灰度共生矩阵计算纹理特征，灰度共生矩阵有4个方向，每个方向能得到能量、熵、相关性、局部平稳性、均值和方差共6个特征，因此纹理特征总共提取了24个特征。

(3)形状特征：面积、周长、矩形度、形状复杂性和3个Hu不变矩共7个特征，其中Hu不变矩特征实际有7个，由于篇幅限制，只截取了一小部分数据，其结果如表1所示。由表1可以看出后4个Hu不变矩几乎为零，对孢子特征贡献几乎没有，因为较高阶的矩对于成像过程中的误差，微小的变形等因素非常敏感，所以本发明用前3个Hu不变矩特征。

表1  白粉病菌孢子图片中部分白粉病菌孢子的七个Hu不变矩特征

一阶矩	二阶矩	三阶矩	四阶矩	五阶矩	六阶矩	七阶矩
							0.001071	0.000004	0	0	0	0	0
0.001085	0.000007	0	0	0	0	0
							0.001086	0.000006	0	0	0	0.000001	0
0.001123	0.000007	0	0	0	0	0
							0.001111	0.000002	0	0	0	0	0
0.001044	0.000066	0.000003	0	0	0	0
							0.001464	0.000666	0.000035	0.00001	0	0	0
0.001074	0.000034	0.000002	0	0	0.000001	0
							0.001068	0.00001	0	0.000001	0	0.000001	0
0.001056	0.000017	0	0	0	0	0
							0.002428	0.000865	0.000017	0.00001	0	0.000025	0
0.001194	0.000008	0	0	0	0	0
							0.001092	0.000005	0	0	0	0	0

步骤五，对白粉病菌孢子图片提取的特征采用改进的RLS-BP人工神经网络分类器进行智能识别。

与现有技术相比，本发明具有以下优点：

(1)本发明实现了小麦白粉病菌孢子图片的自动分割，解决了现有的人工分割方法效率低的问题。在当前通用计算机上测试处理单张图片所用时间小于10秒。

(2)本发明实现了小麦白粉病菌孢子图片的自动识别和自动计数，解决了现有的人工(专家)识别方法效率低且容易出错的问题。采用实际采集的1280×720像素大小的小麦白粉病菌孢子图片共1117张，其中234张图片作为训练集，883张图片作为测试集。测试结果表明：八种专家模型的正负2至0五档精准率平均达到98％。

(3)本发明考虑了在实际应用中不同人工(专家)对小麦白粉病菌孢子识别率存在差异性，按照人工(专家)识别孢子总数与机器智能识别孢子总数之间的相对误差率为5％～30％分段设计8个不同智能识别模型(或称专家模型)，相对误差率具体为6.1％、8.5％、11.7％、14.4％、17.1％、20.9％、24.6％、28.1％，可以适用不同人工(专家)的使用需要，适应性强。

(4)利用本发明得到的结果(即智能识别孢子总数)加上单位面积的空气流量参数就可快速计算出某一时间段内空气中单位体积的小麦白粉病菌孢子浓度，得到小麦白粉病菌孢子病害基本情况。

附图说明

图1为小麦白粉病分生孢子的形态示意图：1-分生孢子和分生孢子梗，2-成熟的分生孢子，3-闭囊壳；

图2为小麦白粉病株图片；

图3为小麦白粉病菌孢子图片的智能识别方法流程图；

图4为Niblack方法流程图；

图5为形态学滤波器中方形结构元素的排列示意图；

图6为每张图片智能识别与人工识别孢子个数之差与图片张数之间的关系图；

图7为测试错误率(纵轴)与测试图片数目(横轴)的关系曲线。

具体实施方式

下面结合附图和实施例对本发明做进一步详细说明。

小麦白粉病菌孢子图片的智能识别方法流程图如图3所示，包括以下步骤：

步骤一，选择不同专家模型，使智能识别的精度能适应不同的要求。

在实际应用中不同专家对病菌孢子识别率存在差异性，需要进行细化；按照专家识别小麦白粉病菌孢子总数与机器智能识别孢子总数之间的相对误差率为5％～30％分段确定8个不同专家相对误差率(或称智能识别模型，专家模型)，具体为6.1％、8.5％、11.7％、14.4％、17.1％、20.9％、24.6％、28.1％，用户使用中可以根据自己的情况选择不同专家相对误差率。

步骤二，白粉病菌孢子图片的预处理，方法如下：

(1)对白粉病菌孢子彩色图片采用带颜色恢复因子的多尺度Retinex方法进行光照补偿。

针对白粉病菌孢子图像整体偏暗的特点，采用带颜色恢复因子的多尺度Retinex方法使图像整体对比度提高，颜色更接近图像本来的面貌，具有对比度高、色彩失真小、动态范围压缩大等方面的特点，它可以在灰度动态范围压缩、边缘增强和颜色恒定性三方面达到平衡，因而可以对各种不同类型的图像进行自适应性地增强，其实质上是一种基于光照补偿的图像增强算法。Retinex方法就是通过计算抛开入射分量对图像的影响，还原出真实场景，获得图像的本来面貌。具体方法如下：

在R、G、B三个通道中分别得到相应图像的反射分量，公式如下：

I_i(x,y)＝L_i(x,y)·R_i(x,y)             (1)

其中I_i(x,y)表示输入图像中第i个色彩通道，一般i＝1,2,3，L_i(x,y)代表入射分量，R_i(x,y)表示反射分量输出。预先估计出入射分量L_i(x,y)，然后求反射部分R_i(x,y)，即反射图像，从而得到增强后的图像R_i(x,y)。公式如下：

$R_i(x,y)={\mathrm{\α}}_i(x,y)\·\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{W}_j\{\log I_i(x,j)-\log [F_j(x,y)*I_i(x,y)\left]\right\}---\left(2\right)$

${\mathrm{\α}}_i(x,y)=\log (I_i(x,y)/\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{I}_i(x,y))---\left(3\right)$

式中，N表示光谱带个数，N＝1表示灰度图像，N＝3表示彩色图像，α_i(x,y)表示第i个通道的色彩恢复系数，是用来调节3个通道颜色的比例，W₁＝W₂＝W₃。*表示卷积运算，F_i(x,y)表示高斯卷积因子，公式如下：

$F_i(x,y)=\frac{1}{{2\mathrm{\π\σ}}_i^2}\exp (-\frac{(x^2+y^2)}{{2\mathrm{\σ}}_i^2}---\left(4\right)$

(2)对白粉病菌孢子彩色图片进行灰度化。

在彩色图片中，每一个像素都是由一个三维向量组成，这个三维向量分别代表该点像素的RGB值；灰度图像是指只含亮度信息不含色彩信息的图像，其亮度值分为0到255共256个级别。一般的转化思想是将这个三维向量转化为一个一维的数，作为该点的灰度值。现令Gray(x,y)表示彩色图片中坐标为(x,y)的像素点的灰度值，则其灰度值转化公式为：

Gray(x,y)＝0.11×R(x,y)+0.59×G(x,y)+0.3×B(x,y)          (5)

式中，R(x,y)、G(x,y)、B(x,y)分别为该像素点的红色、绿色、蓝色分量。

(3)对白粉病菌孢子图片进行5×5模板的中值滤波；

5×5模板的中值滤波在抑制噪声的同时很好地保护边界信息。

中值滤波是一种邻域运算，把模板中的像素按灰度级进行排序，然后选择该组的中间值作为输出像素的值。选取5×5模板滤波的具体步骤是：

1)将滤波模板在图片中扫描，模板中心会与图片中的一个像素重合。

2)将该模板所覆盖的所有像素的灰度值读入内存。

3)将内存中的灰度值由小到大依次排列。

4)查找位于中间的灰度值，对于5×5模板就是取第13个灰度值。

5)将取得的灰度值赋予当前与模板中心重合的像素。

步骤三，白粉病菌孢子图片的分割，方法如下：

(1)对白粉病菌孢子图片进行基于Sobel边缘检测与改进的Niblack局部阈值法相结合的图片分割，获得孢子的二值图像。

采用Sobel边缘检测获得较好的边缘效果，同时对噪声也具有一定的平滑作用，减小了对噪声的敏感性。对应的梯度模板为：

$h_1=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]h_2=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]---\left(6\right)$

图片中每个点都用这两个模板做卷积，第一个核h₁对垂直边缘响应最大，第二个核h₂对水平边缘响应最大。将这两个卷积的最大值作为该点的输出值。

采用Niblack方法根据局部均值和局部标准差得到局部阈值；以像素点I(i,j)为中心，从图像中取一个ω×ω的小窗口，ω一般为15；I(i,j)所对应的阈值T(i,j)可按下式求得：

T(i,j)＝E_local(i,j)-0.2×Ω(x,y)                (7)

$E_{\mathrm{local}}(i,j)=\left(\underset{x=i-\mathrm{\ω}/2}{\overset{i+\mathrm{\ω}/2}{\mathrm{\Σ}}}\underset{y=j-\mathrm{\ω}/2}{\overset{j+\mathrm{\ω}/2}{\mathrm{\Σ}}}I(x,y)\right)/{\mathrm{\ω}}^2---\left(8\right)$

$\mathrm{\Ω}(i,j)=\sqrt{\underset{x=i-\mathrm{\ω}/2}{\overset{i+\mathrm{\ω}/2}{\mathrm{\Σ}}}\underset{y=j-\mathrm{\ω}/2}{\overset{j+\mathrm{\ω}/2}{\mathrm{\Σ}}}{(I(x,y)-E_{\mathrm{local}}(i,j))}^2/\mathrm{\ω}}---\left(9\right)$

式中，E_local(i,j)为ω×ω小块内灰度的均值，Ω(i,j)为ω×ω小块内灰度的标准差。

判断小窗口内是混有前景和背景像素还是只有前景或背景像素的方法如下：

当满足(10)式时，表明窗口内混有前景和背景，可用Niblack公式(7)进行二值化：

${\mathrm{\σ}}_{\mathrm{local}}^2(i,j)\≥\mathrm{\α}\·{\mathrm{\σ}}_{\mathrm{all}}^2---\left(10\right)$

式中，为ω×ω小窗口内灰度分布方差，为整幅图像灰度分布的方差，α∈(0,0.2]。

当满足(11)式时，表明只有前景或背景像素：

${\mathrm{\&sigma;}}_{\mathrm{local}}^2(i,j)<\mathrm{\&alpha;}\&CenterDot;{\mathrm{\&sigma;}}_{\mathrm{all}}^2---\left(11\right)$

当小窗口内只含有前景或背景，如果窗口内的灰度期望值小于或等于阈值T，小窗口内只含前景像素点，中心像素灰度值取0；如果灰度期望值大于T，小窗口内只含背景像素点，中心像素灰度值就取255。阈值T一般取T_all，T_all为用全局阈值二值化方法所得到的阈值。

全局阈值二值化方法是针对具体图像的灰度分布特征自动获取的，它的缺点在于太注重整体而忽视了细节。也就是说，对于一幅具体的图像，绝大部分的像素点是具有合理分割的；对于小部分的像素点具有错误分割。一般来说，这些被错误分割的像素点的灰度值会与用全局阈值二值化方法所得到的那个阈值T_all比较接近。因为全局阈值二值化方法保证了绝大多数点的正确分割，于是对于一个点的灰度值来说，离阈值T_all越远，发生错分的概率就越小；离阈值T_all越近，发生错分的概率就越大。也就是说，当一个小窗口内只有背景点时，它的灰度均值是高的，而且一般说来会比阈值T_all高出很多；相反，如果这个小窗口内的像素点全是目标点的时候，它们的灰度均值会比阈值T_all小很多。这样就能说明令T＝T_all的合理性。附图4给出Niblack方法的流程图。

由于Sobel边缘检测得到图像背景灰度值为0，为与其保持一致，将Niblack方法的结果图像也设置为0，即将图像取反，然后与Sobel边缘检测结果图相加，两者加和后的图像由于两者互补，互相补充漏检的边缘而使得每个孢子图像的轮廓都是完整的，这样将边缘漏检的孢子图像又补充回来。

(2)对白粉病菌孢子图片进行孔洞填充并简单二值化。

针对内部存在着大量的孔洞的问题，采用孔洞填充的方法填充内部空洞。孔洞填充首先假定封闭轮廓线内的某点是已知的，然后开始搜索与该点相邻并且位于轮廓线内的点。若相邻点不在轮廓线内，则就到达轮廓线的边界停止搜索；若相邻点位于轮廓线之内，则将该点作为新的种子点继续搜索。种子填充区域的连通区域选用8连通方式。首先在区域内测试一点f(i,j)的像素值，看其是否具有原始给定的值，也就是判定该点是否在区域内未被填充过；如果是，就改变其颜色或亮度值，然后在其8个方向上扩展，继续循环测试，从而最终实现区域填充。将现在的灰度图像改为二值图像，直接简单二值化，阈值选取为80。

(3)对白粉病菌孢子图片采用改进的形态学滤波器进行滤波。

采用改进的形态学滤波器对分割后的图片作进一步的处理，达到消除噪声的目的。

形态学滤波的基本思想是用结构元素去度量和提取图像中的对应形状，以达到对图像滤波的目的。根据目标孢子的形状，确定选用形态学滤波器中方形结构元素(见附图5)对图像进行操作。其基本运算包括腐蚀、膨胀。

为达到预先去除一部分粘连孢子的目的，将形态学滤波方法进行了改进，即先对得到的二值图像腐蚀3次，然后再膨胀3次。这样既能够去除噪声和将一部分的粘连孢子分开，又不会使孢子的形状结构特征发生改变。

1)腐蚀

腐蚀是一种消除边界点，使边界向内部收缩的过程。它可以用来消除小且无意义的物体。腐蚀通常在去除小颗粒噪声以及消除目标物之间的粘连是非常有效的。

2)膨胀

膨胀是腐蚀运算的对偶运算，它把与目标区域接触的背景点合并到该目标物中，使目标边界向外部扩张。膨胀一般用来填补目标区域中存在的一些孔洞，消除包含在目标区域中的小颗粒噪声。

在经过以上处理步骤后，虽然目标图像的轮廓被很好的保留了下来，但是整幅图像中孢子的图像和其他杂质因为过于接近而导致粘连，会导致图像特征提取时，将两个孢子的特征错误识别为一个孢子的特征，更是直接关系到孢子识别的正确率，所以需要进一步对图像进行处理，且优先保证分离粘连的孢子图像。

(4)对白粉病菌孢子图片进行基于距离变换的分水岭算法分割。

对于粘连的孢子图片，使用基于距离变换的分水岭算法将其分开。

首先设置一个标志数组，数组的每个元素值，初始设定都为0，依次代表图片的每个像素点的标志位，设定初始分割阈值为图片中的最高灰度级，标记出最初的颗粒物体阈值向下每次递减，进入标记循环。用两个判据来决定新冒出的像素点是否代表一个新颗粒：

1)计算此像素点20邻域标志位之和，若该和为0，则进入2)；

2)计算此像素点48邻域标志位之和，若该和为0，则判定为一个新的颗粒，种子数加1，否则不是。

步骤四，对白粉病菌孢子图片提取49个特征，方法如下：

根据选择特征所应遵循的原则，对白粉病孢子的主要特征进行了提取，根据特征选择原则对所提取的特征进行筛选，最终得到了由49个特征组成的孢子特征向量。具体为：

(1)颜色特征包括：RGB三个分量的各自均值与方差、HSV三个分量的各自均值与方差和YCbCr三个分量的各自均值与方差，共计18个特征。

(2)纹理特征：利用灰度共生矩阵计算纹理特征，灰度共生矩阵有4个方向，每个方向能得到能量、熵、相关性、局部平稳性、均值和方差共6个特征，因此纹理特征总共提取了24个特征；

(3)形状特征包括面积、周长、矩形度、形状复杂性和前3个Hu不变矩共7个特征。其中：

矩形度特征r计算公式如下：

矩形度用物体的面积与它的最小外接矩形的面积之比来计算，反映物体对其外接矩形的充满程度，计算公式为：

$r=\frac{S}{S_0}---\left(12\right)$

式中，S₀表示该物体的最小外接矩形的面积。r的值在0～1之间，当物体为矩形时，r取得最大值为1；当物体为细长的、弯曲的物体时r的取值变小。

形状复杂性e计算公式为：

e＝C²/S                           (13)

式中，C是区域周长,表示区域中相邻边缘点间距离之和。该式描述了区域单位面积的周长大小，e值越大，表明单位面积的周长大，即区域离散，则为复杂形状；反之，则为简单形状。e值最小的区域为圆形。典型连续区域的计算结果为：圆形e＝12.6；正方形e＝16.0；正三角形e＝20.8。

步骤五，对白粉病菌孢子图片提取的特征进行智能识别，方法如下：

对白粉病菌孢子图片提取的49个特征采用改进的RLS-BP人工神经网络分类器进行智能识别。改进的RLS-BP神经网络分类器训练方法公式如下：

$P_i^{\left(k\right)}\left(n\right)={\mathrm{\&lambda;}}^{-1}[I-g_i^{\left(k\right)}\left(n\right)x^{{\left(k\right)}^T}\left(n\right)]P_i^{\left(k\right)}(n-1)$

$w_i^{\left(k\right)}\left(n\right)=w_i^{\left(k\right)}(n-1)+g_i^{\left(k\right)}\left(n\right){\mathrm{\&epsiv;}}_i^{\left(k\right)}\left(n\right)$

式中，代表第k层第i个神经元误差，代表网络输出层的期望输入，代表网络输出层的实际输入，L代表网络输出层的标号，代表第L层第j个权矢量的第i个权分量，或任意随机数，δ＞＞0，I为单位阵，0<λ<1，f′()为对RLS-BP神经网络转移函数求导，x^k(n)为第k层神经元输入矢量。

下面通过实验数据对本发明的性能进行分析。

采用实际采集的1280×720大小的小麦白粉病菌孢子图片共1117张，其中用234张图片作为训练集，用883张图片作为测试集。训练集和测试集测试结果分别如附表2和附表3所示，总的测试结果如附表4所示。

其中表2和3中的精准率是指智能识别孢子个数与人工识别孢子个数之差的误差范围内的张数与所用测试图片张数的百分比值。可以看出，0误差的精准率最低，正负2至0五档精准率最高平均达到98％。农业专家在上述1117张图片人工标注小麦白粉病菌孢子时故意少标注孢子，大约故意少标(或漏标)的小麦白粉病菌孢子比原真实孢子数量平均少20％左右，目的是用于检验本方法的可靠性和准确性。从附表4可以看出选择每种专家模型时智能识别孢子总个数比人工识别孢子总个数总体都要偏高，且多出个数占人工识别孢子总数的比率平均值在16.4％，基本与农业专家初衷吻合，从而也证明了本方法的有效性和正确性，并且本方法中每种专家模型的识别正确率都在71％以上，第8种专家模型识别正确率最高，达到了93.9％，本方法中整个专家模型测试识别正确率为83.6％。在当前通用计算机平台上测试单张图片处理所用时间为10s左右。

表2  8种专家模型的234张训练集图片测试结果

表3  8种专家模型的883张测试图片测试结果

表4  8种专家模型的测试结果

附图6是表2和3结果的另外一种表示形式，横轴代表每张图像中智能识别孢子个数与人工智能识别个数的误差，纵轴代表该类误差在该类图像集(训练集或测试集)总的测试结果的张数，可以看出误差的趋势走向类似于正态分布，正符合抽样调查的规则，误差最大是4，且正负4误差级几乎为0，0误差在其测试集中占的张数最多，从而比例最高，与表2和3也是一致对应的。

附图7是测试错误率与测试图片数目的关系曲线，该曲线的意义在于在真实的小麦实验田的环境下，需要采集待测试图像张数至少为350左右时才能使测试的误差率达到稳定。给出了实际应用中对采集图片的要求。

Claims (10)

1.小麦白粉病菌孢子图片的智能识别方法，其特征在于包括以下步骤：

步骤1，选择不同专家模型，使智能识别的精度能适应不同的要求；

按照专家识别小麦白粉病菌孢子总数与机器智能识别孢子总数之间的相对误差率为5％～30％分段设计8个不同专家相对误差率，具体为6.1％、8.5％、11.7％、14.4％、17.1％、20.9％、24.6％、28.1％，用户在使用中可以选择不同专家相对误差率；

步骤2,白粉病菌孢子图片的预处理；

步骤2.1，对白粉病菌孢子彩色图片采用带颜色恢复因子的多尺度Retinex方法进行光照补偿；

步骤2.2，对白粉病菌孢子彩色图片进行灰度化；

步骤2.3，对白粉病菌孢子图片进行5×5模板的中值滤波；

步骤3,白粉病菌孢子图片的分割；

步骤3.1，对白粉病菌孢子图片进行基于Sobel边缘检测与改进的Niblack局部阈值法相结合的图片分割，获得孢子的二值图像；

步骤3.2，对白粉病菌孢子图片进行孔洞填充并简单二值化；

步骤3.3，对白粉病菌孢子图片采用改进的形态学滤波器进行滤波，消除噪声；

步骤3.4，对白粉病菌孢子图片进行基于距离变换的分水岭算法分割，将其中粘连的孢子分开；

步骤4，提取白粉病菌孢子图片的特征；

步骤5，对白粉病菌孢子图片提取的特征采用改进的RLS-BP人工神经网络分类器进行智能识别。

2.根据权利要求1所述的小麦白粉病菌孢子图片的智能识别方法，其特征在于，所述步骤2.1采用带颜色恢复因子的多尺度Retinex方法的目的是提高图像整体对比度，使颜色更接近图像本来的面貌，具有对比度高、色彩失真小、动态范围压缩大的特点，它可以在灰度动态范围压缩、边缘增强和颜色恒定性三方面达到平衡，因而可以对各种不同类型的图像进行自适应性地增强；具体方法如下：

在R、G、B三个通道中分别得到相应图像的反射分量，公式如下：

I_i(x,y)＝L_i(x,y)·R_i(x,y)                  (1)

其中I_i(x,y)表示输入图像中第i个色彩通道，一般i＝1,2,3，L_i(x,y)代表入射分量，R_i(x,y)表示反射分量输出；预先估计出入射分量L_i(x,y)，然后求反射部分R_i(x,y)，即反射图像，从而得到增强后的图像R_i(x,y)；公式如下：

$R_i(x,y)={\mathrm{\&alpha;}}_i(x,y)\&CenterDot;\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{W}_j\{\log I_i(x,j)-\log [F_j(x,y)*I_i(x,y)\left]\right\}---\left(2\right)$

${\mathrm{\&alpha;}}_i(x,y)=\log (I_i(x,y)/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_i(x,y))---\left(3\right)$

式中，N表示光谱带个数，N＝1表示灰度图像，N＝3表示彩色图像，α_i(x,y)表示第i个通道的色彩恢复系数，是用来调节3个通道颜色的比例，W₁＝W₂＝W₃；*表示卷积运算，F_i(x,y)表示高斯卷积因子，公式如下：

$F_i(x,y)=\frac{1}{{2\mathrm{\&pi;\&sigma;}}_i^2}\exp (-\frac{(x^2+y^2)}{{2\mathrm{\&sigma;}}_i^2}).---\left(4\right)$

3.根据权利要求1所述的小麦白粉病菌孢子图片的智能识别方法，其特征在于，所述步骤2.2对白粉病菌孢子彩色图片进行灰度化的方法如下：

在彩色图片中，每一个像素都由一个三维向量组成，这个三维向量分别代表该点像素的RGB值；将这个三维向量转化为一个一维的数，作为该点的灰度值Gray(x,y)，灰度值转化公式为：

Gray(x,y)＝0.11×R(x,y)+0.59×G(x,y)+0.3×B(x,y)      (5)

式中，R(x,y)、G(x,y)、B(x,y)分别为该像素点的红色、绿色、蓝色分量。

4.根据权利要求1所述的小麦白粉病菌孢子图片的智能识别方法，其特征在于，所述步骤2.3对白粉病菌孢子图片进行5×5模板的中值滤波是一种邻域运算，把模板中的像素按灰度级进行排序，然后选择该组的中间值作为输出像素的值，具体方法如下：

(1)将滤波模板在图像中扫描，模板中心会与图像中的一个像素重合；

(2)将该模板所覆盖的所有像素的灰度值读入内存；

(3)将内存中的灰度值由小到大依次排列；

(4)查找位于中间的灰度值，对于5×5模板就是取第13个灰度值；

(5)将取得的灰度值赋予当前与模板中心重合的像素。

5.根据权利要求1所述的小麦白粉病菌孢子图片的智能识别方法，其特征在于，所述步骤3.1对白粉病菌孢子图片进行分割获得孢子的二值图像的方法如下：

采用Sobel边缘检测获得较好的边缘效果，同时对噪声也具有一定的平滑作用，减小了对噪声的敏感性；对应的梯度模板为：

$h_1=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]h_2=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]---\left(6\right)$

图片中每个点都用这两个模板做卷积，第一个核h₁对垂直边缘响应最大，第二个核h₂对水平边缘响应最大；将这两个卷积的最大值作为该点的输出值；

采用Niblack方法根据局部均值和局部标准差得到局部阈值；以像素点I(i,j)为中心，从图像中取一个ω×ω的小窗口，ω一般为15；I(i,j)所对应的阈值T(i,j)可按下式求得：

T(i,j)＝E_local(i,j)-0.2×Ω(x,y)                  (7)

$E_{\mathrm{local}}(i,j)=\left(\underset{x=i-\mathrm{\&omega;}/2}{\overset{i+\mathrm{\&omega;}/2}{\mathrm{\&Sigma;}}}\underset{y=j-\mathrm{\&omega;}/2}{\overset{j+\mathrm{\&omega;}/2}{\mathrm{\&Sigma;}}}I(x,y)\right)/{\mathrm{\&omega;}}^2---\left(8\right)$

$\mathrm{\&Omega;}(i,j)=\sqrt{\underset{x=i-\mathrm{\&omega;}/2}{\overset{i+\mathrm{\&omega;}/2}{\mathrm{\&Sigma;}}}\underset{y=j-\mathrm{\&omega;}/2}{\overset{j+\mathrm{\&omega;}/2}{\mathrm{\&Sigma;}}}{(I(x,y)-E_{\mathrm{local}}(i,j))}^2/\mathrm{\&omega;}}---\left(9\right)$

式中，E_local(i,j)为ω×ω小块内灰度的均值，Ω(i,j)为ω×ω小块内灰度的标准差；

判断小窗口内是混有前景和背景像素还是只有前景或背景像素的方法如下：

当满足(10)式时，表明窗口内混有前景和背景，可用Niblack公式(7)进行二值化：

${\mathrm{\&sigma;}}_{\mathrm{local}}^2(i,j)\&GreaterEqual;\mathrm{\&alpha;}\&CenterDot;{\mathrm{\&sigma;}}_{\mathrm{all}}^2---\left(10\right)$ 式中，为ω×ω小窗口内灰度分布方差，为整幅图像灰度分布的方差，α∈(0,0.2]；

当满足(11)式时，表明只有前景或背景像素：

${\mathrm{\&sigma;}}_{\mathrm{local}}^2(i,j)<\mathrm{\&alpha;}\&CenterDot;{\mathrm{\&sigma;}}_{\mathrm{all}}^2---\left(11\right)$

当小窗口内只含有前景或背景，如果窗口内的灰度期望值小于或等于阈值T，小窗口内只含前景像素点，中心像素灰度值取0；如果灰度期望值大于T，小窗口内只含背景像素点，中心像素灰度值就取255；阈值T一般取T_all，T_all为用全局阈值二值化方法所得到的阈值；

由于Sobel边缘检测得到图像背景灰度值为0，为与其保持一致，将Niblack方法的结果图像也设置为0，即将图像取反，然后与Sobel边缘检测结果图相加，两者加和后的图像由于两者互补，互相补充漏检的边缘而使得每个孢子图像的轮廓都是完整的，这样将边缘漏检的孢子图像又补充回来。

6.根据权利要求1所述的小麦白粉病菌孢子图片的智能识别方法，其特征在于，所述步骤3.2对白粉病菌孢子图片进行孔洞填充并简单二值化的方法如下：

孔洞填充首先假定封闭轮廓线内的某点是已知的，然后开始搜索与该点相邻并且位于轮廓线内的点；若相邻点不在轮廓线内，则就到达轮廓线的边界停止搜索；若相邻点位于轮廓线之内，则将该点作为新的种子点继续搜索；种子填充区域的连通区域选用8连通方式；首先在区域内测试一点f(i,j)的像素值，看其是否具有原始给定的值，也就是判定该点是否在区域内未被填充过；如果是，就改变其颜色或亮度值，然后在其8个方向上扩展，继续循环测试，从而最终实现区域填充；

将现在的灰度图像改为二值图像，直接简单二值化，阈值选取为80。

7.根据权利要求1所述的小麦白粉病菌孢子图片的智能识别方法，其特征在于，所述步骤3.3中改进的形态学滤波方法为：先对所述步骤3.2得到的二值图像腐蚀3次，然后再膨胀3次。

8.根据权利要求1所述的小麦白粉病菌孢子图片的智能识别方法，其特征在于，所述步骤3.4采用分水岭算法将其中粘连的孢子分开的方法如下：

首先设置一个标志数组，数组的每个元素值，初始设定都为0，依次代表图片的每个像素点的标志位，设定初始分割阈值为图片中的最高灰度级，标记出最初的颗粒物体阈值向下每次递减，进入标记循环；用两个判据来决定新冒出的像素点是否代表一个新颗粒：

(1)计算此像素点20邻域标志位之和，若该和为0，则进入(2)；

(2)计算此像素点48邻域标志位之和，若该和为0，则判定为一个新的颗粒，种子数加1，否则不是。

9.根据权利要求1所述的小麦白粉病菌孢子图片的智能识别方法，其特征在于，所述步骤4对白粉病菌孢子图片共提取49个特征，具体包括：

(1)颜色特征：RGB、HSV和YCbCr各个颜色分量各自的均值与方差共18个特征；

(2)纹理特征：利用灰度共生矩阵计算纹理特征，灰度共生矩阵有4个方向，每个方向能得到能量、熵、相关性、局部平稳性、均值和方差共6个特征，因此纹理特征总共提取了24个特征；

(3)形状特征：面积、周长、矩形度、形状复杂性和前3个Hu不变矩共7个特征。

10.根据权利要求1所述的小麦白粉病菌孢子图片的智能识别方法，其特征在于，所述步骤5改进的RLS-BP神经网络分类器训练方法公式如下：

$P_i^{\left(k\right)}\left(n\right)={\mathrm{\&lambda;}}^{-1}[I-g_i^{\left(k\right)}\left(n\right)x^{{\left(k\right)}^T}\left(n\right)]P_i^{\left(k\right)}(n-1)$

$w_i^{\left(k\right)}\left(n\right)=w_i^{\left(k\right)}(n-1)+g_i^{\left(k\right)}\left(n\right){\mathrm{\&epsiv;}}_i^{\left(k\right)}\left(n\right)$

式中，代表第k层第i个神经元误差，代表网络输出层的期望输入，代表网络输出层的实际输入，L代表网络输出层的标号，代表第L层第j个权矢量的第i个权分量，或任意随机数，I为单位阵，0<λ<1，f′()为对RLS-BP神经网络转移函数求导，x^k(n)为第k层神经元输入矢量。