引言
農作物在生長培育過程中常常會受各種病害的侵染，處理不當會造成農產品產量和質量的下降。如果過度使用農藥防治，不但使農產品中農藥殘留超標，甚至會造成生態環境的破壞。及時、精準地提取病害特征是識別病害和防治病害的前提條件。本研究采用計算機圖像處理技術，針對農業生產中最常見的黃瓜侵染性病害的典型病例—霜霉病，進行了特征提取的研究。
隨著計算機處理能力的不斷增強以及數字圖像采集裝置的不斷發展，農業生產日趨向智能化和精準化。利用數字圖像處理技術監測作物生長狀況，勢必成為現代精準農業生產的重要組成部分。近年來，該領域的文獻資料十分豐富。趙聰慧等對黃瓜霜霉病進行了圖像預處理方法的研究與實驗，采用了中值濾波法作為提取紋理特征前的圖像平滑預處理; 采用一階微分作為提取病斑形狀前的圖像分割預處理，雖然沒有提取紋理與形狀的特征參數，但是對其圖像預處理方法進行了比較實驗的研究。柴阿麗等對番茄葉部病害圖像進行了識別的研究，利用計算機視覺技術分別從病斑的顏色、紋理和形狀 3 個方面提取了若干特征參數，并建立了貝葉斯判別模型，對番茄病害進行了識別。王樹文等運用圖像處理、神經網絡等技術對黃瓜葉部病害進行檢測與病害程度分級，提取 3 種病害特征共 22 個參數，利用 BP 人工神經網絡算法進行病害分類，其分類的精度達到 95% 以上。
本研究以計算機圖像處理為技術手段，以黃瓜霜霉病葉片圖像為研究對象，進行圖像預處理和特征參數提取的實驗性研究。
1 圖像預處理
研究中，利用高精度數碼照相機或者攝像頭等光學設備直接獲得數字圖像，省去了圖像數字轉換的過程。盡管采取了各種措施來提高攝像質量，但由于光學設備的成像特點，所得到的圖像仍然存在一定的干擾因素，影響黃瓜霜霉病害的特征提取。利用數字圖像處理研究中的一些預處理算法可大大提高圖像中的病害表現形式，為精確提取病害特征創造了有利條件。
1． 1 圖像分割處理
圖像分割處理也叫做閾值分割處理，其目的是為了提取葉片中的病害部位。對于輸入圖像的各像素，灰度值在某一定值\\( 稱之為閾值 T\\) 范圍內，賦予輸出圖像的像素值為 0\\( 黑色\\) 或 255\\( 白色\\) 。經過變換后，圖像變為二值圖像，其葉片的病害部位與正常部位形成較大反差。這樣，病害部位被提取出來了。
1． 2 圖像平滑處理
經過光學 CCD 鏡頭獲得的圖像通常會受噪聲等干擾，去除圖像噪聲的處理稱之為圖像平滑處理。研究中，采用 3 × 3 鄰域像素范圍內的中值濾波法去除圖像的噪聲。所謂中值濾波法，就是在輸入圖像 3 ×3鄰域像素范圍內，取得中心像素 8 個鄰域的平均值作為輸出圖像的像素值。對比試驗表明，此方法對于降低病害圖像樣本的噪聲干擾具有十分明顯的效果。
1． 3 圖像邊緣檢測處理
為了突出圖像中病害的形狀特征，對病害圖像做邊緣檢測處理。由于病斑部位的邊緣呈階梯狀變化，所以采用一階微分算子進行邊緣檢測，則fx表示 x 方向的微分，fy表示 y 方向的微分?！?-3】
2 病害特征提取
根據農業植保專家的經驗與查閱相關文獻資料，得出黃瓜霜霉病的主要表現特征為: 通常先由植株中部葉片開始發病，逐漸向上和下部擴展。發病初期，葉片上出現褪綠斑，擴展后形成黃褐色不規則形病斑。濕度高時，葉片背面先呈水浸狀，而后產生灰黑色霉層。葉背病斑的壞死處會滲出無色或淺黃色小液滴。病斑很快擴展，1 ～2 天內因其擴展受葉脈限制而呈多角形，尤以早晨的水浸狀角狀病斑最明顯，中午稍微隱退。后期，病斑及附近葉肉呈鐵銹色。病重時，葉片布滿病斑，互相連片，致使葉緣卷曲干枯，最后葉片枯黃。
基于黃瓜霜霉病的以上表現特征，經反復研究試驗，從病斑的顏色、形狀以及葉片紋理 3 方面提取病害圖像的特征參數。
2． 1 統計量特征提取
圖像的統計量特征是針對灰度圖像而言，可以直觀地描述圖像中像素灰度值的分布情況。對于黃瓜病害葉片，其統計量特征也能說明一定的問題。將一幅黃瓜病害灰度圖像的一階概率分布定義為【公式】
式中 b —像素的灰度值，取值范圍為[ 0 255 ];n —總像素數;n\\( b\\) —該窗口內灰度值為 b 的像素數。用圖像表示稱之為圖像的灰度直方圖，其統計量特征包括:【公式1】
均值高的灰度圖像，其對應的圖像亮度值也一定是高的?！竟? 】
方差高的灰度圖像，其對應的圖像對比度也一定是高的?！竟?】
能量和熵反映了圖像灰度分布的不均勻性。分布越不均勻，圖像的能量值越大，熵值則越低?！?】
慣性矩描述了其灰度共生矩陣值在圖像中分布情況和局部變化情況，其值的大小反映灰度圖像紋理的變化和圖像的清晰度?！?】
局部平穩性描述了圖像紋理的局部變化情況，其值的大小反映了葉片圖像紋理的規則程度。黃瓜霜霉病葉片的灰度統計量特征如表 1 所示?！颈?】
2． 2 顏色特征提取圖像
黃瓜葉片感染病害后，從顏色上會發生明顯變化，所以顏色特征是識別病害的重要依據。利用彩色圖像直方圖，能夠直觀地描述其 R，G，B 各分量的分布情況，用直方圖中的柱形高度來表示各像素點出現的頻度; 由于病害樣本圖像中每個像素的顏色都表示為\\( R，G，B\\) 一組值，所以每個像素的顏色都對應著 R和 G，R 和 B 的關系圖中的 1 個點。在關系直方圖中，用明暗的點表示出現的頻度，越亮的地方表示出現的頻度越高。
2． 3 形狀特征提取
在黃瓜葉片受霜霉病侵染時，因其病斑擴展受葉脈的限制，會呈現出不規則多邊形的形狀特征。經過預處理后，病斑的形狀一般會由 1 條封閉的曲線所圍成，這些不規則圖形的一些幾何特征可以描述出霜霉病的形狀特征。
1\\) 面積 A : 計算所有封閉圖形中的像素值之和?！?】
3\\) 圓形度 C : 用于描述病斑區域接近于圓形程度的特征量，其取值范圍為［0，1］。C 值越小，越接近于圓形; 反之，越偏離圓形，形狀也越復雜?！?】
隨機選取葉片上的 10 個病斑，計算上述病斑形狀特征參數，得到如下數據。
3 結論
1\\) 分析了當前計算機圖像處理技術在農作物生長監測中的應用現狀，該方法是實現精準農業生產的重要組成部分。
2\\) 以黃瓜霜霉病圖像為例，研究了幾種圖像預處理方法，從而為準確提取其病害特征參數創造了有利條件。
3\\) 根據黃瓜霜霉病的病例表現，分別從統計量、顏色以及形狀 3 個方面提取有效特征 15 個，作為病害識別分類器的輸入。
參考文獻:
［1］ 彭可為，李嬋． 數字圖像技術在植物病害自動識別中的研究進展［J］． 江西農業學報，2012，24\\( 9\\) : 69 －71．
［2］ 陳兵旗，郭學梅，李曉華． 基于圖像處理的小麥病害診斷算法［J］． 農業機械學報，2009，40\\( 12\\) : 190 －195．
［3］ 岑喆鑫，李寶聚，石廷霞，等． 基于彩色圖像顏色統計特征的黃瓜炭疽病和褐斑病的識別研究［J］． 園藝學院，2007，34\\( 6\\) : 1425 － 1430．
［4］ 鄒修國． 基于計算機視覺的農作物病蟲害識別研究現狀［J］． 計算機系統應用，2011，20\\( 6\\) : 238 －142．
［5］ 李旺，唐少先． 基于圖像處理的農作物病害識別研究現狀［J］． 湖南農機，2012，39\\( 1\\) : 176 －178．
［6］ 趙聰慧，張靜，王雙喜． 黃瓜霜霉病圖像預處理方法研究［J］． 農機化研究，2010，32\\( 1\\) : 60 －63．
［7］ 柴阿麗，李寶聚． 基于計算機視覺技術的番茄葉部病害識別［J］． 園藝學報，2010，37\\( 9\\) : 1423 －1430．
［8］ 王樹文，張長利． 基于圖像處理技術的黃瓜葉片病害識別的研究［J］． 東北農業大學學報，2012，43\\( 5\\) : 69 －73．
［9］ 程伯瑛． 蔬菜生理病害疑癥識別與防治［M］． 北京: 金盾出版社，2011．
