小麦病害图像预处理方法的研究

小麦病害图像预处理方法的研究

李晓华，陈兵旗

中国农业大学工学院，北京（100083）

E-mail：caulxh@https://www.wendangku.net/doc/de3520731.html,

摘要：小麦病害图像的预处理是小麦病害智能化诊断的前提与关键。本研究对感染白粉病、条锈病、叶锈病的小麦叶片进行试验，提出基于小波变换和纹理分析的小麦病害图像预处理方法。试验结果表明，小波变换方法能有效地增强病害图像，基于纹理分析的分割方法能完整地分割出病变部位。

关键词：小麦病害；预处理；小波变换；纹理分析

中图分类号：S126

1. 引言

小麦病害图像的预处理是整个智能化诊断系统的前提与关键，对于分解整个复杂的诊断任务和提高诊断效率都具有非常重要的意义。目前，国内外许多学者对农作物病害图像的预处理方法做了广泛的研究。2002年，Luigi Bodria等人[1]对小麦锈病的叶绿素荧光图像进行采集，对特定波长光照下的图像采用阈值分割方法抽取出病变部位，该方法对光照要求较高，推广到实际应用有一定困难。2002年，江苏大学的徐贵力等人[2]以无土栽培的番茄为例，对番茄缺氮和缺钾的初期叶片采样后，采用与叶片边缘相切的边框作为图像边界对图片进行裁剪，该方法提取叶片缺少智能化。2005年，山西农业大学的崔艳丽等人[3]以温室黄瓜为例，对黄瓜斑疹病和角斑病叶片图像进行采样后，采用直方图分割技术去除背景，再采用OSTU 法抽取病变部位，该方法不具有通用性，很难适应复杂的农田环境。2006年，吉林大学的齐龙等人[4]采用BP网络的方法进行植物病害彩色图像的分割。神经网络的方法需要大量的病害样本，否则不能很好地应用于农作物病害图像的预处理。

虽然国内外进行了一些农作物病害图像预处理方法的研究，但是现有研究成果存在通用性不强、智能化不足等缺陷。目前，国内外还没有一种通用的、有效的病害图像预处理方法。鉴于此，本研究在分析总结前人研究的基础上，提出了基于小波变换和纹理分析的小麦病害图像预处理方法。

2. 计算机视觉系统及图像的获取

小麦的田间图像由计算机视觉系统[5]采集。计算机视觉系统主要包括SONY VCB23312P 型CCD，大恒DH2VRT 2CG200型图像卡，PENT NUM586~500型计算机。图像卡的最大图像分辨率为：PAL制800×600×24 bit，NTSC制640×480×24bit。CCD的解析度在水平方向为640线。小麦的图像在田间实地采集，在光照明亮充足的条件下，选取有代表性的小麦地块，摄取图像。图像以BMP文件格式存储在硬盘中，以供后续的分析和处理。

（a）白粉病（b）条锈病（c）叶锈病

图1 小麦病害原图像

图1（a ）为患白粉病的小麦叶片，叶片上有白粉状斑点。图1（b ）为患条锈病的小麦叶片，叶片上有明显的黄色条带状病变。图1（c ）为患叶锈病的小麦叶片，叶片上有团块状红色病斑。本研究的图像预处理算法以图1所示的白粉病、条锈病、叶锈病叶片图像为例进行。

3. 基于小波变换的病害图像增强

由于小麦病害图像的病变部位具有不连续性、不稳定性、不均匀性等特点，它往往包含在高频成分内。而在颜色、形状等空间域特征上病害图像却具有复杂多样性。因此，采用频域分析方法进行病害图像增强。本研究采用小波变换[6]的方法进行频域分析。

3.1连续小波变换

小波变换具有多分辨率特性，也称作多尺度特性，可以由粗到精地逐步观察信号，也可看成是用一组带通滤波器对信号做滤波。通过适当地选择尺度因子和平移因子，可得到一个伸缩窗，只要适当选择基本小波，就可以使小波变换在时域和频域都具有表征信号局部特征的能力。将基本小波)(t ψ进行伸缩和平移，设其伸缩因子为a ，平移因子为b ，其伸缩平移后的函数由式（1）表示：

)(1

)(,a

b t a t b a ?=ψψ （1） 对于任意的函数或者信号2()()f t L R ∈（R 为实数，2()L R 为平方可积函数空间）

，其连续小波变换为：

dt a

b t t f a b a W R )()(1

),(?=?∫ψ （2）其中，)(??ψ为)(??ψ的复共轭。

3.2 离散小波变换

对连续小波变换，把参数因子a 、b 按式（3）进行二进分割，即可对连续小波离散化。

L ,,, j k b a j j 211 2

2±±=?????== （3） 将式（3）带入式（1）得到二进小波，即：

)2(2)22(21)(2,k t k t t j j

j j

j k j ?=?=??ψψ （4） 采用二进小波的小波变换称为离散小波变换。

3.3 图像的小波高通滤波增强

图像数据作为二维的离散数据给出。首先，进行水平方向上的离散小波变换。然后，进行垂直方向的离散小波变换。本研究基于Daubechies 小波来进行图像的小波变换，利用Daubechies 小波的尺度函数序列N =2进行小波变换。小波变换后，图像被分割成低频部分和水平方向、垂直方向、对角方向的高频部分。然后，去掉低频部分，保留高频部分。最后进行小波逆变换，得到高频部分的恢复图像。

以图1（b）的原图像为例子，来说明小波变换的过程。图2（a）表示对图1（b）进行小波变换后的四个成分。其中，右上角表现垂直方向上的高频成分，左下角表现水平方向上的高频成分，右下角表现对角线方向上的高频成分，左上角表现原图像的低频成分。将低频成分置零，高频成分保持不变，得到图2（b）。将图2（b）进行小波逆变换，得到高频部分的恢复图像，如图2（c）所示。明域为高频部分，暗域为低频部分。

（a）小波分解（b）低频置零（c）高频恢复图像

图2小波高通滤波过程

从图2（c）可以看出，经过一次小波变换后，图像的高频部位（主要是叶片上的病变部位）被强调，而低频部位（主要是背景和正常部位）被过滤掉了。

4. 基于纹理分析的病变部位分割

对小麦病害原图像进行小波高通滤波能得到病害图像高频部分的恢复图像，但是病变部位不够明显。鉴于病变部位具有与其它部位差异很大的纹理特征，先将高频部分的恢复图像按下式转换为灰度图像，再将该灰度图像转化为纹理矩阵[7]图像，达到强调病变部位的目的。

=++（5）

0.2990.5870.114

Y R G B

其中，R、G、B分别为彩色图像的R（红）、G（绿）、B（蓝）三个分量的灰度值，Y 为转换为灰度图像以后的灰度值。

纹理是由一组基本单位及其具有一定规律的排列所表达的，这个基本单位称为纹理元模式（local binary patterns，LBP）[7]。如图3所示的8邻域正方形区域，将目标点的周围像素点依次编号为1至8。相对于目标点像素的灰度值，每个像素都有3 种可能的取值，即大于、等于或小于。将大于、等于或小于分别用不同的数值来表示，例如1、2、3，这样每个像素点就被赋予了表示其与目标点像素之间大小关系的状态值，这些值的排列就构成了该目标点像素的一种纹理元模式。在实际应用中一般只设定大于等于和小于两种状态值。

图3 纹理元模式结构

如图4所示，图4（a）为图像上一个假设的8邻域区域，数值表示像素的灰度值；图4（b）为图4（a）的周围像素与目标点像素进行灰度比较后的结果，大于等于为1，小于为0；图4（c）为各个方向的权重，从中心像素的左上角开始，沿顺时针方向分别为02，12，2

2L72。由图4（b）与（c）的对应位相乘之和来计算目标像素点的纹理元模式LBP，即LBP = 4 + 8 + 16 + 64 + 128 = 220。

（a）图像的一个8领域区域（b）灰度比较结果（c）权重

图4 计算纹理元模式的示意图

将图像的每一个像素点作为目标像素点，按照上述方法计算其纹理元模式，得到纹理矩阵图像。对纹理矩阵图像进行阈值分割，提取出病变部位的图像。根据实验，设定分割阈值为63。即当纹理矩阵图像的某一像素点灰度值小于63时，将该像素点置黑，该处对应着病变部位，当灰度大于63时，将对应像素点置白，据此获得2值图像。

（a）纹理矩阵图像（b）阈值分割图像

图5 纹理元模式计算与分割

从图5（b）可以看出，在纹理矩阵图像上，病变部位得到了进一步强调，但是病变部位的局部是不连续的，经过4次膨胀与腐蚀后，得到如图6所示病变部位较完整的分割结果。

（a）白粉病（b）条锈病（c）叶锈病

图6 小麦病变部位的灰度图像

将图6所示的病变部位的二值图像与图1的原图像进行匹配，输出黑色像素对应的像素点，结果如图8所示。

（a）白粉病（b）条锈病（c）叶锈病

图7 小麦病变部位的彩色图像

从图7可以看到，病变部位被比较有效、完整地提取了出来。

5. 总结

本研究以小麦白粉病叶片、条锈病叶片、叶锈病叶片图像为例，采用基于小波变换和纹

理分析的小麦病害图像预处理方法，实现了病害图像的分割。试验结果表明，小波变换方法能有效地增强病害图像，基于纹理特征的分割方法能完整地分割出病变部位，这为小麦病害的智能化诊断打下了基础。

参考文献

[1] Luigi Bodria，Marco Fiala，Roberto Oberti．Chlorophyll fluorescence sensing for early detection of crop diseases symptoms[R]． 021114，Hyatt Regency Chicago：2002 ASAE Annual International Meeting / CIGR XVth World Congress sponsored by ASAE and CIGR，2002．

[2] 徐贵力，毛罕平，李萍萍．缺素叶片彩色图像颜色特征提取的研究[J]．农业工程学报，2002，18（4）：150-154．

[3] 崔艳丽，程鹏飞，董晓志．温室植物病害的图像处理及特征值提取方法的研究——基于色度的特征值提取研究[J] ．农业工程学报，2005，21（增刊）：32-35．

[4] 齐龙，马旭，张小超．基于BP网络的植物病害彩色图像的分割技术[J]．吉林大学学报（工学版），2006，36（2）：126-129．

[5] 陈佳娟，纪寿文，李娟．采用计算机视觉进行棉虫害程度的自动测定[J]．农业工程学报，2001，17（2）：157-160．

[6] 陈兵旗，孙明．Visual C++实用图像处理专业教程[M]．北京：清华大学出版社，2004．

[7] 郑晓霞，李伟健．基于纹理特征提取的图像检索技术[J]．黑龙江工程学院学报（自然科学版），2005，19（4）：54-56．

Investigation on the Method of Pretreatment of the Diseased

Wheat Image

Li Xiaohua, Chen Bingqi

Collage of Engineering, China Agricultural University, Beijing（100083）

Abstract

The pretreatment of the diseased wheat image was the precondition and linchpin of the intelligent diagnosis of the disease. The investigation experimented with the wheat leaf which were infected with baifenbing、tiaoxiubing、yexiubing, and introduced the method of pretreatment based on the wavelet transform and texture-analyzing. The experimental results of the pretreatment showed that wavelet transform can effectively strengthen the diseased image, the method of segmentation based on the texture- analyzing can perfectly abstract the diseased part.

Keywords: wheat disease；pretreatment；wavelet transform；texture-analyzing

作者简介：

李晓华，女，1981年生，硕士研究生，研究方向为图像处理与应用；

陈兵旗，男，1964年生，中国农业大学工学院副教授，博士，研究方向为机器人视觉，Email：cbq93@https://www.wendangku.net/doc/de3520731.html,。