基于GLCM 纹理特征提取的黄瓜叶部病害检测算法研究

李亚文，刘爱军，陈 垚

（商洛学院电子信息工程与电气工程学院/商洛市智慧农业与技术应用研究中心，陕西 商洛 726000）

大多数患病植物的症状均会在植物的叶片上表现出来，导致植物的内在以及外部均发生改变［1］，例如，植物病害叶片的颜色发黄或变为黄褐色，叶子的纹理结构和形状发生变化［1，2］。所以，通过提取图像的形状、颜色及纹理等特征，就可以检测出植物病害的情况。1996 年 Ahmad 等［3］通过彩色图像信息的变化得出玉米叶片在缺氮和缺水情况下色彩特征微变，把它作为决定是否施用氮肥和灌溉的一个标准。2005 年程鹏飞［4］利用灰度共生矩阵来展现病害纹理特征，把叶片的能量、惯性矩、熵、均匀性等作为其统计特征。2007 年郑世茶等［5］提出了基于形态特征棉花病害叶片的识别，提取的特征参数包括孔洞个数和面积、叶片面积、细化长度、腐蚀次数，把它们的比值作为植物病害识别的依据，最终得到不同的识别率。王玉德等［6］将纹理特征和颜色特征有效组合在一起，进行图像分割研究。本研究以检测植物叶部病害为研究目标，以黄瓜叶部炭疽病图像为研究对象，利用K-means 聚类算法进行图像阈值分割，并利用灰度共生矩阵提取纹理特征参数，分析植物叶部病害情况。

1 纹理特征

1.1 纹理特征

纹理特征是一种全局特征，它描述了图像或图像区域所对应景物的表面性质，常具有旋转不变性，并且对噪声有较强抵抗能力的特点［7］。基于统计方法中的灰度共生矩阵，获取相关纹理特征参数，是一种高效的方法，其主要参数包括4 个：能量均值、熵均值、对比度均值和相关均值。通过提取预处理的植物叶部病害图像的纹理特征，将提取的病害图像纹理特征作为检测算法的训练样本，通过多次的样本训练，将训练后的检测算法用于检测剩余未用于训练的样本，得出植物病害的检测结果。

1.2 K-means 图像分割算法思想

K-means 算法是一种基于区分的经典聚类算法［8］。K-means 算法的基本思想是：以空间中k个点为中心进行聚类，对最近的对象进行分类。通过重复的方法，每个组的中心值都被更新了一次，直到得到最好的结果［9］。

K-means 算法接受k参数，随后将先输入的n个数据划为k个类，以便所获得的聚类满足，同一聚类中的数据相似度越高，不同聚类中的对象相似度就会越小。聚类相似度是依据各聚类中数据的均值所获得一个“中心对象”（引力中心）来进行计算的。

用表达式表示，假设簇划分为（C1，C2，…，Ck），则目标是最小化平方误差E，

其中，μi是Ci的均值向量，也称为质心，表达式为

K-means 算法分为3 个步骤：

①为即将聚类的点找到聚类中心；②计算每个点到聚类中心的距离，将每个点聚类到离该点最近的聚类中去；③计算每个聚类中所有点的坐标平均值，并将这个值作为新的聚类中心。

反复执行②、③，直到聚类中心不再进行大规模移动或者聚类的次数达到要求为止。

2 基于GLCM 的纹理特征提取

2.1 灰度共生矩阵

灰度共生矩阵法（GLCM，Gray-level co-occurrence matrix）是通过计算经过灰度化的灰度图像中的像素点灰度，得到一个灰度共生矩阵，然后通过计算该矩阵，便能得到一部分特征值［10］。灰度共生矩阵的定义是像素对的联合概率分布，这个矩阵是一个对称矩阵。它能反映图像的灰度在相邻的方向、间隔上的变化幅度等综合信息，并可以反映相同灰度级的像素之间位置分布特征，这是计算图像纹理特征的基础。

在图像中任意取一点(x,y)及偏离它的一点(x+a,y+b)（其中，a、b为整数），人为定义构成点对。设该点对的灰度值为(f1,f2)，再令点(x,y)在整幅图像上移动，则会得到不同的(f1,f2)值。设图像的最大灰度级为L，则f1与f2的组合共有L×L种。对于整幅图像，统计出每一种(f1,f2)值出现的次数，然后排列成一个方阵，再用(f1,f2)出现的总次数将其归一化为出现的概率P(f1,f2)，由此产生的矩阵为灰度共生矩阵。θ方向上的间隔为d的灰度共生矩阵实际上是θ方向间隔为d的灰度变化量的联合概率分布。

灰度共生矩阵理论的研究人员用灰度共生矩阵提出了14 种特征值，但因为共生矩阵的计算量非常大［11］，因此为了简便，本研究采用4 个有代表性且常用的纹理特征。

能量是共生矩阵内元素的平方和，表明目标图像灰度的分布是否均匀、程度如何以及纹理粗细程度。

对比度表示矩阵内的值如何分布，表明目标图像的清晰程度和纹理的深浅程度。

3）相关度：

相关度表示灰度共生矩阵内的元素相似程度。

熵表示目标图像的纹理随机性。灰度共生矩阵的所有特征数据取得最大值，说明图像纹理分布均匀；如果取得最小值，说明图像纹理分布不均匀。求出该灰度共生矩阵各个方向的特征值后，再对这些特征值进行均值和方差的计算，这样处理可以消除方向分量对纹理特征的影响。

2.2 特征提取步骤

基于GLCM 算法提取植物病害图像纹理特征主要包括4 个步骤：①获取目标图像与预处理；②利用K-means 进行病害图像的阈值分割，数据训练；③通过GLCM 算法提取图像病害纹理特征；④分析纹理特征参数，判断植物病害情况。

采样目标样本后进行图像的预处理，包括去噪、分割和灰度化等，再分别进行基于GLCM 的纹理特征提取，最后进行纹理特征检测，并进行总结分析。如图1 是基于纹理特征的植物病害检测流程。

图1 基于纹理特征的植物病害检测流程

3 基于纹理特征提取的黄瓜叶部病害检测

3.1 纹理特征提取的仿真实现

1）目标图像获取与去噪。试验以黄瓜叶部病害炭疽病为例，仿真试验环境在MATLAB2017b 中进行。通过前期采集筛选得到9 张较合格的黄瓜叶部图片。图2 为9 张待检测的黄瓜叶部样本图像，图3为去噪后的9 张黄瓜炭疽病样本。

图2 黄瓜叶部样本图像

图3 去噪后黄瓜炭疽病样本

2）图像分割。基于K-means 聚类植物叶部病害检测与实现的原理如图4 所示。首先需获取植物叶部正常图像和病害图像，对其进行图中无关信息预处理；再运用K-means 聚类分割算法对处理后的植物叶部病害图像进行病斑分割，得到只含有病斑的图像信息；转换颜色空间，分别提取植物叶部正常图像和分割后的植物叶部病害图像颜色特征的颜色矩低阶矩阵；最后对获取的大量病害图片进行训练，以得到病害的检测效率。由于受植物图像数据库的影响，本研究决定将叶部病害图像的低阶矩各参数和正常叶部图像的低阶矩阵各参数值域进行对比，从而实现检测的目的。

图4 算法检测与实现原理

基于K-means 的分割方法是从x个数据中选择出y个数据对象作为初始的聚类中心；没有选择的剩余数据就会根据各自与这些确定的初始聚类中心相似的程度，将自己分配到最相似的类别中，然后计算每个聚类中数据的平均值，以上过程会重复数次，直到聚类效果达到最佳。一般使用均方差作为标准测度。目标图像经过分割就可以将无病害区域和病害区域区分开来。图5 为分割后黄瓜炭疽病叶片无病害区域图像，图6 为分割后黄瓜炭疽病叶片病害区域图像；图7为灰度化后的黄瓜炭疽病叶片无病害区域，图8为灰度化后的黄瓜炭疽病叶片病害区域。

图5 分割后黄瓜炭疽病叶片无病害区域

图6 分割后黄瓜炭疽病叶片病害区域

图7 灰度化后的黄瓜炭疽病叶片无病害区域

图8 灰度化后的黄瓜炭疽病叶片病害区域

3.2 纹理特征参数提取

表1 为分割后的9 张植物叶部无病害区域图像的纹理特征。表2 为分割后的9 张植物叶部病害区域图像的纹理特征。

表1 植物叶部无病害区域纹理特征

表2 植物叶部病害区域纹理特征

4 仿真结果与分析

1）根据提取的纹理特征中能量均值数据，统计了无病害区域能量均值和病害区域能量均值的范围（表3）。由表3 可知，无病害区域图像的能量均值范围为0.370 013～0.574 460，病害区域图像的能量均值范围为0.421 948～0.601 150。相比之下病害区域能量更大，而能量大、图像纹理变化比较稳定，说明病害区域的面积比无病害区域的面积小，符合状态。

表3 无病害区域与病害区域能量均值范围

2）根据提取的纹理特征中熵均值数据，统计了无病害区域熵均值和病害区域熵均值的范围（表4）。由表4 可知，无病害区域图像熵均值范围为1.081 558～1.694 984，病害区域图像熵均值范围为0.750 277～1.349 141。相比之下病害区域熵更小，而熵越小、图像越简单，说明病害区域因为面积小，复杂程度低，符合状态。

表4 无病害区域与病害区域熵均值范围

3）根据提取的纹理特征中对比度均值数据，统计了无病害区域对比度均值和病害区域对比度均值的范围（表5）。由表5 可知，无病害区域图像的对比度均值为1.068 083～2.251 364，病害区域图像的对比度均值为0.829 632～1.403 083。相比之下病害区域的对比度更小，说明病害区域的沟纹浅，更模糊，符合状态。

表5 无病害区域与病害区域对比度均值范围

4）根据提取的纹理特征中相关均值数据，统计了无病害区域相关均值和病害区域相关均值的范围（表6）。由表6 可知，无病害区域的相关均值为0.020 952～0.029 294，病害区域的相关均值为0.017 890～0.024 268。相比之下病害区域的相关更小，说明病害区域因为病害病斑的影响，矩阵元素值不均匀，符合状态。

表6 无病害区域与病害区域相关均值范围

5 结论

本研究分析了基于纹理特征的黄瓜叶部病害检测算法。以黄瓜炭疽病为例，选取了9 张黄瓜叶片图像，进行预处理和图像阈值分割，再基于GLCM 算法提取图像病害纹理特征，包括能量均值、熵均值、对比度均值和相关均值等4 种参数；并根据参数训练的无病区域和病害区域范围，判断黄瓜叶部是否有炭疽病。结果表明，该4 组参数能准确地分析黄瓜叶部病害情况且算法效率高，鲁棒性较好，为农业植物保护和植物病虫害研究提供了技术支持。