基于HSV空间颜色直方图的油菜叶片缺素诊断

方向和视角具有较好的鲁棒性，特征冗余度较低，有 利于高效快捷地进行油菜缺素的分析与诊断。同时， 利用基于 RBF 核函数支持向量机分类器的非线性分 类能力，将在低维特征空间不容易线性可分的样本映 射到高维特征空间，使设计的缺素分类器具有更好的 判别能力。使用 Matlab 对缺素诊断算法进行仿真，试 验结果表明本文提出的算法能较准确地识别出正常和 4 种不同缺素类型的油菜叶片图像，以期为构建智能 化的油菜缺素分析技术提供参考。
配方无土栽培技术，模拟正常、缺氮、缺磷、缺钾、缺硼 5 类营养状况下的油菜生长条件，栽培了一批甘蓝型双低油菜
新品种阳光 2009，采集幼苗期 5 类油菜叶片图像建立缺素数据库。首先使用主动轮廓模型分割油菜叶片区域，然后提取
分割后的油菜叶片区域的 HSV 颜色直方图特征，并采用非均匀量化表征不同缺素油菜叶片图像的颜色差异，最后利用一
基于数字图像分析与处理的方法通过检测植株各部 位特征的异常变化对缺素类型进行识别，具有成本低、精 度高等优点，是建立数字化和智能化农作物营养分析与诊 断技术的有效途径。目前，人们主要关注于基于农作物叶 片图像的分形特征[9-14]和颜色特征的检测方法[3,15-16]。例 如，Wu 等[9]提出了一种利用形状分形维数作为叶片特征 和支持向量机作为分类器的识别方法，并应用于黄瓜病 害叶片诊断中，取得了较好的效果。王访等[13]根据二维 MF-DFA 方法[14]，提出了一种计算每个像素点的多重分 形特征参数的方法。该方法先提取每幅图像的特征参数， 再利用模糊 C 均值聚类分析对图像进行模糊聚类分割，
第 32 卷 第 19 期 2016 年 10 月
农业工程学报 Transactions of the Chinese Society of Agricultural Engineering
Vol.32 No.19 Oct. 2016 179
基于 HSV 空间颜色直方图的油菜叶片缺素诊断
张凯兵 1,2，章爱群 1,3，李春生 1,3※
图 1 部分不同缺素的油菜叶片样本 Fig.1 Some rape leaf samples of different nutrient deficiency
由图 1 可以看出，相比正常油菜叶片图像，缺硼叶 片颜色暗绿，有皱缩现象；缺钾叶片边缘退绿，边缘和 叶尖出现焦边，呈现出淡褐色至暗褐色枯萎症状；缺氮 叶色淡，叶色偏黄，逐渐褪绿呈紫色；而缺磷叶片呈明 显的灰绿色，叶边缘出现斑点或斑块。 1.2 试验方法
0引言
油菜是中国种植面积最广的油料经济作物，是中国 食用植物油的主要来源之一。研究准确而高效的智能化 油菜营养分析与诊断技术，是油菜生产实践中面临的一 个重要课题[1]。传统的油菜营养诊断主要依靠农民或农业 专家的经验进行人眼判别，但判别的准确度很大程度上 依赖于判决者的主观经验和专家知识的多少，其合理性 和科学性存在诸多不足，不利于正确指导油菜的生产实 践。尽管生物化学的方法能准确获取油菜的各种营养状 况，但费时费力，实时性不足，在实际油菜生产中无法 推广应用。叶片作为油菜寿命最长的生理器官，能承载 和表征油菜缺素的重要信息。一旦油菜缺乏某种营养元 素，就会通过油菜叶片的颜色、纹理和形状等外观表现 出相应的缺素症状[2]。因此，通过分析油菜叶片图像的颜
180
农业工程学报（）
ቤተ መጻሕፍቲ ባይዱ
2016 年
为油菜缺素种类识别及关键区域定位提供了一条有效途 径，但其在大样本数据下的鲁棒性没有进行充分验证。 基于颜色特征的检测方法主要根据不同类型、不同程度 缺素引起苗期叶片颜色特征的变化和差异对缺素进行分 类。例如，徐胜勇等[3]提出使用颜色直方图反向投影特征 分析油菜缺素的方法，并使用贝叶斯分类器建立分类特 征参数，但该方法检测性能依赖于模板图像的质量，而 且识别率对投影过程中分辨率参数的选择比较敏感。岳 友军等[16]提出组合颜色特征和纹理特征的支持向量机 （support vector machine，SVM）油菜缺素诊断方法。该 方法具有比传统神经网络更好的识别性能，但没有充分 考虑不同缺素导致油菜叶片图像主色调的变化，且直接 组合 RGB 和 HSV 颜色特征存在较大的冗余，影响分类 识别的效率。
doi：10.11975/j.issn.1002-6819.2016.19.025
中图分类号：TP391.41
文献标志码：A
文章编号：1002-6819(2016)-19-0179-09
张凯兵，章爱群，李春生. 基于 HSV 空间颜色直方图的油菜叶片缺素诊断[J]. 农业工程学报，2016，32(19)：179－187. doi：10.11975/j.issn.1002-6819.2016.19.025 Zhang Kaibing, Zhang Aiqun, Li Chunsheng. Nutrient deficiency diagnosis method for rape leaves using color histogram on HSV space[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(19): 179－187. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.19.025
利用计算机视觉技术对油菜进行营养诊断，其关键 在于如何准确地提取能够反映不同缺素种类的特征。目 前已有很多关于图像特征的提取方法，如灰度共生矩阵 法（gray level co-occurrence matrix，GLCM）[17]、灰度行 程长度法（gray level run-length，GLRL）[18]、马尔可夫 随机场（Markov random filed，MRF）理论[19]、小波分析 方法[20]以及分形理论[21-25]等。然而，以上特征提取方 法一般将彩色的油菜叶片图像转换成灰度或二值化图 像进行分析，很容易导致油菜叶片图像的颜色和形状 信息的遗漏，不利于缺素状况的准确分析。考虑到不 同缺素导致油菜叶片图像主色调的变化，本文以正常、 缺氮、缺磷、缺钾、缺硼 5 类缺素油菜叶片图像的颜 色直方图的统计分析结果作为依据，提出一种基于 HSV 颜色空间的主色度非均匀直方图量化[26]和组合 多个支撑向量机分类器的缺素诊断方法[27]。相比于以 往的油菜缺素诊断方法，本文提出的非均匀直方图量 化特征具有良好的统计特性，对油菜叶片图像的大小、
本文试验方法包括学习分类器和分类测试两个部
分，试验方法流程如图 2 所示。 在学习分类器阶段，对训练图像库中 5 种不同类别
的油菜叶片图像，先使用文献[28]提出的主动轮廓图像分 割模型分割出油菜叶片区域，然后将分割后的图像从 RGB 颜色空间转换到 HSV 颜色空间，并提取 HSV 颜色 直方图特征，采用非均匀量化后构成一个 56 维的特征向 量。对由特征向量和类别标签构成的训练集，采用一对
收稿日期：2015-11-15 修订日期：2016-07-09 基金项目：农业部农业科研杰出人才基金和农业部农业信息技术重点实验室 开放基金（2014001）；国家自然科学基金（71473072，61471161）；湖北省 教育厅优秀中青年创新团队项目（T201410）；湖北省油菜产业工程科技支 撑项目。 作者简介：张凯兵，男（汉族），湖北应城人，副教授，博士，主要从事农 业信息化、模式识别与智能信号处理等方面的研究。西安 西安工程大学电 子信息学院，710048。Email：xihua_0169@ ※通信作者：李春生，男（汉族），湖北云梦人，教授，主要从事农产品生 产理论与关键技术研究。孝感 湖北工程学院生命科学技术学院，432000。 Email：xgxh2006@
色、纹理和形状等信息，能为油菜缺素的分析与诊断提 供有效的依据。
目前，利用计算机视觉技术对农作物的营养状况进 行分析和诊断得到了广大农业科研工作者的高度重视。 已有方法大体可以分为三类：基于叶绿素含量的测定方 法、基于多光谱与高光谱成像技术的检测方法和基于数 字图像植株部位异常特征的分析方法。基于叶绿素含量 的测定方法方便快捷，但检测结果容易受年份、地点、 品种、土壤性状、作物生长季节及生长环境等影响，稳 定性不高[3]。基于多光谱与高光谱成像技术的检测方法利 用反射光谱数据获取作物氮素积累量[4-8]。该类方法能快 速无损地获取作物养分生理信息，具有实时、动态监测 作物生长状态的优点，但成本高，在分辨率、信噪比和 稳定度等方面还存在诸多不足。
1 材料与方法
1.1 样本获取 为采集试验所需图像，2015 年 5-8 月在室内无土种
植甘蓝型双低油菜新品种阳光 2009，采用霍格兰配方配 制营养液，模拟正常、缺氮、缺磷、缺钾、缺硼 5 种油 菜生长条件，培育了 5 类油菜缺素样本。无土培养营养 液的 pH 值在 6.0～7.0 之间。将营养液配制成母液，施用 时再稀释成工作液。为避免发生化学反应产生沉淀，将 营养液按照化学特性分成了 3 种母液，并按照一定次序 和规律配置成原液。浇灌油菜时将原液稀释，稀释比例 为 1∶10。
（1. 农业部农业信息技术重点实验室，北京 100081；2. 西安工程大学电子信息学院，西安 710048； 3. 湖北工程学院生命科学技术学院，孝感 432000）
摘 要：为实现快速而准确的油菜缺素诊断，根据不同缺素导致叶片颜色的变化，提出一种基于 HSV 颜色空间的非均匀
直方图量化和组合多个支撑向量机分类器的智能化油菜缺素分析与诊断方法。采用霍格兰配方配制营养液，并使用山崎
图 2 试验方法流程图 Fig.2 Flowchart of experimental method
1.2.1 基于主动轮廓模型的油菜叶片区域分割 利用外接矩形分割法得到的油菜图像中存在部分灰
色的背景区域，如果直接进行颜色特征提取，不能准确 表征油菜叶片图像颜色的真实分布。因此，将有效的油 菜叶片区域分割出来作为分类识别的对象，以尽量减小 背景区域对特征提取产生负面影响，影响分类效果。鉴 于此，本文首先使用 Chan 等[28]提出的主动轮廓模型分割 出有效的油菜图像叶片区域，然后提取叶片区域的颜色 直方图特征作为识别对象。基于主动轮廓模型的油菜叶 片区域分割步骤如下：