基于颜色分割和改进小波变换的苹果病害自动检测识别方法

沙特国王大学学报基于颜色分割和改进小波变换Sharad Hasana，Mr. Jahan a，Sarwar Jahanb，MD.伊斯兰教aa孟加拉国达卡1342，贾汉吉尔纳加尔大学计算机科学与工程系b孟加拉国，达卡，1212，东西大学，电子和通信工程系阿提奇莱因福奥文章历史记录：2022年2月1日收到2022年6月11日修订2022年7月4日接受2022年7月8日在线发布保留字：平均颜色标记最近邻像素分类小波系数L*a*b*颜色直方图随机森林A B S T R A C T本文提出了一种基于叶片症状的基于机器学习和计算机视觉的苹果病害自动检测识别系统。该方法由病变区域分割、特征提取和分类三部分组成。我们使用基于L*a*b*空间的颜色分割方法分割了叶片的感染部分。在这里，a*b*空间中的平均颜色标记和最近邻方法被用于将每个像素分类为健康区域、感染区域或背景区域。我们提取了两种类型的特征：一种是提出的DWT特征，另一种是基于L*a*b*空间的颜色直方图特征。进行水平特征融合以创建最终特征向量。特征向量已被分类使用几个类sifiers保持随机福雷斯特作为基础分类器。本文在Plant Village数据集上进行了实验，其中苹果黑星病，黑腐病和雪松苹果锈病的图像用于训练和测试我们的模型。提出的小波变换与颜色直方图特征的融合方法是一种新的苹果叶部病害检测与识别方法，其准确率达到98.63%。©2022作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍农业是保障世界粮食安全的主要基础。它还在世界经济中占有最大份额。然而，近年来，由于环境的不断恶化，病害对植物的侵染呈上升趋势。世界农业每年因病害侵染植物而面临巨大损失。传统的人工检查树木的诊断方法成本高，效率低，而且困难。为了解决这些问题，对有效且高效的自动化疾病检测系统的需求正在增加，以在早期阶段检测疾病并保护作物免于生产失败以及质量下降。存在超过100种类型的苹果病害（Chuanlei等人， 2017年，最著名的是...*通讯作者：孟加拉国贾汉吉尔纳加尔大学计算机科学与工程系。电子邮件地址：hasansharad@gmail.com（新加坡）Hasan）。沙特国王大学负责同行审查制作和主办：Elsevier常见的有黑腐病、苹果黑星病、雪松苹果锈病等。由于这些疾病的感染，水果的传统的疾病诊断方法是肉眼观察症状和斑点，并听取专家意见。然而，专家并不总是可用的，这使得该过程不方便且昂贵，因此增加了生产成本（Al Bashish等人， 2011年）。由于人眼感知能力的限制，这种手动疾病识别过程是低效的在检查大型苹果园时，这个过程也非常困难和不切实际。这使得苹果病害的自动检测和识别成为机器学习和计算机视觉领域中的活跃研究领域以及具有挑战性的方面（Zhang et al.， 2018年）。几乎所有类型的苹果病害都影响叶片，因此叶片成为检测病害的主 要 且 有 效 的 信 息 来 源 ， 如 在 （ Vishnu 和 Ranjith Ram ，2015;Wang等人，2009年）。早期发现病害有助于减少经济灾难、提高生产力和改善所生产水果的质量。由于各种全球因素和环境变化，农业自动化领域极具挑战性研究人员在计算机视觉和机器学习下面临的一些共同挑战是：（a）准确分割疾病感染区域，因为它们显示各种颜色，纹理，https://doi.org/10.1016/j.jksuci.2022.07.0041319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS.哈桑，S。 Jahan和MD。伊姆达杜尔·伊斯兰沙特国王大学学报7213和形状。由于在单个图像上存在多种疾病症状、杂乱和复杂的背景、患病点和背景之间的相似性、较差和不均匀的照明条件以及存在严重噪声，因此也具有挑战性。(b)提取适当且足够数量的特征以表示患病图像。大量的特征可用于提取，但并非所有特征都适合于特定任务。创建用于疾病分类的鲁棒特征集是具有挑战性的。(c)选择一个好的和强大的机器学习算法，可以根据提取的特征对疾病进行分类，并产生高水平的准确性。(d)建立了几种最大似然算法相结合的数学模型，提高了检测的准确性.在本文中，我们考虑三个疾病类别：苹果黑星病，黑腐病，雪松苹果锈病。该方法主要由病变区域分割、特征提取和分类三部分组成.本文的主要贡献如下：a) 提出了一种基于L*a*b*颜色空间的图像分割算法，该算法不需要对图像进行任何预处理。我们的分割算法不包括亮度通道（L*通道），它可以处理不均匀的照明和曝光情况，而无需任何预处理。在a*b*颜色空间上为健康、患病和背景区域创建三个颜色标记基于a*b*空间的颜色标记类似于人类的视觉感知，并检测颜色的微小差异最近邻法，然后应用建议的颜色标记，以classify图像的每个像素。b) 提出了一种改进的小波系数提取方法，并将其作为特征。沿着图像矩阵的每一行执行多级离散小波在这个过程中，我们忽略了细节系数，只考虑近似系数。然后，将单个系数组合为离散采样信号，并再次进行多级离散小波变换以获得最终的由我们提出的方法得到的DWT特征向量对噪声不太敏感，尽管数据集中存在窥视噪声，但表现良好。c) 提出了一种基于L*a*b*空间的颜色直方图方法来提取图像的颜色特征。 我们使用了bin size = 8，这是根据经验得出的，并提供了更好的结果。然后将小波变换特征和颜色直方图特征进行水平融合，这是一种新的融合方法。d) 在不同形式的特征向量上测试了几个分类器，并在100棵树上实现了Random Forrest分类器的最佳精度。2. 文献综述近年来，植物病害自动检测领域的研究不断发展，为植物病害的早期检测和诊断提供了一种有效、快捷的在这方面，研究人员已经提出了大量结合计算机视觉，图像处理和机器学习的方法提出了自动化系统来检测植物中的疾病，例如番茄（Basavaiah和Anthony，2020; Khan和Narvekar，2020）、芒果（Ramírez Alberto等人，2022年; Singh等人， 2019）、木瓜（Habib等人， 2020）、Olive（Cruz等人，2017;Sinha和Shekhawat，2020），Rice（Jiang等人，2020年; Li等人， 2020）木薯（Abayomi-Alli等人，2021）、Palm（Hamdani等人，从各种文献中可以看出，植物检测方法一般分为三个部分：从叶片或果实图像中分割出病变区域，从分割后的图像中提取有效的、有用的特征，以及对特征进行分类。研究人员提出了不同的技术，零件.一些国家的最先进的方法进行了讨论和总结。Khan等人（2019）提出了一种用于图像分割和特征选择的优化方 法 ， 以 检 测 苹 果 叶 片 疾 病 。 3D-Box 滤 波 器 、 去 相 关 、 3D-Gaussian和3D-Median滤波器已被用于增强疾病点。采用基于期望最大化优化的强相关像素（SCP）方法进行病变区域分割。LBP和颜色直方图为基础的功能提取，然后选择一个遗传算法（GA）。Chuanlei等（2017）尝试结合遗传算法和基于相关性的特征选择（CFS）创建用于苹果叶病检测的全局最优特征集。他们已经使用基于直方图的方法与经验得出的阈值去除图像背景。然后，用区域生长算法（RGA）分割病变区域，并辅以基于四叉树的合并和分裂方法。融合了RGB 和HIS 空间中的颜色特征、空间灰度依赖矩阵（SGDM）中的形状特征和Bracino等人（2020）使用图切割分割，辅以惰性捕捉过程，将背景与苹果叶图像分离。他们没有分割出病斑。从整个图像中提取特征作者共提取了12个颜色和纹理特征，其中只有三个特征是使用邻域成分分析（NCA）选择的。Dubey和Jalal（2016）使用水果图像而不是叶子图像来检测苹果疾病。在将图像转换到L*a*b* 空间之后，在a*b* 空间上应用K-均值聚类并创建了四个区域。然后选择具有大多数感染部分的区域。他们使用全局颜色直方图（GCH）和颜色相干向量（CCV）提取颜色特征，使用LBP提取纹理特征，使用Zer-nike矩（ZM）提取形状特征。K-均值聚类是一种广泛使用的叶病分割方法。一些研究人员（Habib等人，2020;Kumari等人，二〇一九年;帕多尔和亚达夫二〇一六年;Zhang等人，2018）也在他们的研究中使用了K-means聚类方法。Pravin Kumar等人（2021）已使用高斯混合模型（GMM）分离背景及前景，其基于帧中每一像素的高斯分布而工作。利用基于粒子群优化（PSO）的模糊C-均值算法分割出图像中的边缘区域。提取纹理、形状、边缘和纹理特征。作为分类器，他们提出了多核并行支持向量机（MK-PSVM）。苹果叶在他们的论文中被分为只有病叶和健康叶Khan和Narvekar（2020）提出了一种在杂乱和自然背景中分割番茄叶病的方法简单线性迭代聚类（SLIC）用于生成100个超像素。然后使用两个建议的约束条件从该超像素图像中丢弃背景然后使用K均值聚类来提取疾病感染区域。他们的方法从多个数据集中提取了三种类型的特征：PHOG空间特征，GLCM纹理特征和统计特征。另一方面，Basavaiah和Anthony（2020）没有对番茄叶进行任何分割直接提取颜色直方图特征、Hu矩形状特征和灰度共生矩阵纹理特征。在他们的研究中提出了LBP和HOG描述符的组合为了对提取的特征进行分类，他们使用了决策树和随机森林分类器。Abisha和Jayasree（2019）在茄子叶上应用了两种不同的分割方法，即Delta E（DE）和期望最大化（EM）。从不同分割的图像中提取离散小波变换（DWT）系数，并根据提出的融合规则进行融合然后，从离散小波变换构造单个分割图像S.哈桑，S。 Jahan和MD。伊姆达杜尔·伊斯兰沙特国王大学学报7214×系数使用逆DWT。他们提取了颜色，纹理和结构特征，并使用人工神经网络进行分类。Ali等人（2017）利用包含特定疾病症状的模板来分割柑橘叶中受疾病影响计算增强的L*a*b*颜色空间图像与模板之间的能量差然后应用经验导出的公差对图像进行分割。在特征提取和选择方面，采用了基于直方图的颜色特征、LBP纹理特征和主成分分析（PCA）方法Sharif等人（2018）考虑了柑橘叶和果实用于疾病检测。使用高斯函数和Top-Hat滤波器增强图像使用基于阈值的卡方距离对像素进行聚类使用HDCT显著性方法优化它们的阈值函数。提取了图像的颜色特征、基于灰度共生矩阵的纹理特征和几何特征。通过结合PCA、偏度和熵选择了最优100个特征。Almadhor等人（2021）使用DE方法分割番石榴叶中的患病区域。从RGB和HSV直方图中提取颜色特征。提取LBP特征作为纹理特征。这些特征的不同组合使用具有良好图像级别和疾病级别准确性的各种ML分类器进行分类。Adeel等人（2019）提出了一种局部对比度雾度降低（LCAH）方法，用于增强葡萄叶图像。对于疾病分割，他们将输入图像分解为L*，A* 和B* 信道，并使用提出的加权函数选择最佳信道。最后，在映射之前使用一些形态学操作进行额外的像素去除。利用典型相关分析（CCA）提取图像的颜色、LBP和几何特征，并进行融合.使用邻域分量分析（NCA）进行特征约简，并使用MSVM进行分类。Capizzi等人（2016）提出了一种生产线上的自动橙色缺陷分类系统。他们在饱和度直方图中使用特定的阈值将橙色从背景中分离出来从为每个通道建立的共生矩阵中提取了色调、饱和度和明度五个纹理特征.作者提出了一个RBPNN模型来分类提取的特征，四个缺陷和一个正常类。Zhang等人（2018）提出了一种结合超像素和K均值聚类的病变分割方法。他们使用SLIC方法将整个图像划分为一些超像素。然后将K-mans应用于每个超像素以将像素分类为患病或未患病。然后利用PHOG描述子对疾病分割图像进行特征提取。Yadav等人（2019）提出了一种多叶病分类方法。他们从Plant Village数据集中拍摄了23个类别的8750张图像。预训练的AlexNet用于特征提取。去掉Alex-Net的1000路SoftMax层，他们提取了100个特征。从这些功能，34个最好的描述性功能，使用建议粒子群优化算法（PSO）。然后使用多个分类器，分类.除了这些传统的机器学习方法外，还提出了大量基于深度学习的模型来检测苹果病害。 Rehman等人（2021）提出了一种混合对比度拉伸方法，用于更好地识别苹果叶片中的病斑。改进的Mask RCNN用于斑点分割。在使用迁移学习提取特征之后，使用Kapur entrpy和SVM进行特征选择。Luo等人（2021）提出了一种改进的ResNet架构，通过改进信息流来检测苹果叶病。他们已经解决了ResNet中的信息丢失问题通过分离通道投影和空间投影进行下采样作者还用金字塔卷积替换了3 3卷积层，以提高性能。Bi等人（2020）使用MobileNet架构提出了一种具有高精度的轻量级检测模型。Zhong和Zhao（2020）使用DenseNet-121作为其骨干模型，并修改了全连接层以实现回归。 他们基于焦点损失函数的模型优于传统的交叉熵损失，基于函数的模型。Yu和Son（2020）提出了一种叶斑注意力网络（LSA-Net），他们创建了两个子网络，以获得更好的区 分 特 征 和 更 高 的 准 确 性 。 Bansal 等 人 （ 2021 ） 试 图 集 成DenseNet121，EfficientNetB7和EfficientNet NoisyStudent来提高分类精度。他们的模型可以对带有多种疾病的叶子图像进行分类。Abayomi-Alli等人（2021）试图解决由于低质量测试图像而导致的准确度较低的问题。他们提出了一种基于Chebyshev正交函数和PDF的直方图变换技术用于图像增强。作者还采用了一些模型来降低图像质量，以模拟真实世界的情况。表1总结了植物病害检测的相关研究及其局限性。3. 拟议方法3.1. 数据集和数据扩充在本文中，我们使用了Plant Village数据集（Hughes和Salathé，2015），这是一个开放获取的存储库数据集。它包含苹果、蓝莓、樱桃、玉米等14种作物的叶片图像，每种作物都有多种病害图像，共38类。我们选择了苹果作为研究对象选择了苹果黑星病、黑腐病和雪松苹果锈病三大类病害。苹果雪松锈病类的样本数量不到其他两类的一半。这就造成了数据集的不平衡。不平衡的数据集会导致分类结果的偏斜和偏差。较大的班级可以比较小的班级有更多的重点。这就是为什么我们应用图像增强来增加雪松苹果锈病类的样本数量。已使用20%的外观缩放、40度顺时针旋转、宽度偏移= 0.2和高度偏移= 0.2的偏移以及水平翻转来增强图像数据。在向外缩放的情况下，新图像将被裁剪，以使其与原始图像大小相匹配。疾病类别和相关的样本数量在增强前后如表2所示。我们数据集中的一些样本如图1所示。第一行是苹果黑星病，第二行是黑腐病，第三行代表雪松苹果锈病。3.2. 局部区域分割分割是从完整图像中提取疾病感染区域的过程这是必要的，因为额外的背景信息可能会导致潜在的固有偏见，而提取特征。我们提出的分割过程可以分为两个部分：a）平均颜色标记创建和b）分割病变区域。3.2.1. 平均颜色标记创建1. 我们从三个类别中选择了100张图像，并创建了一个包含300张图像的子数据集。在我们的子数据集中，我们有三个类：苹果黑星病，黑腐病和苹果雪松锈病，每个类有100张图像。这些图像是根据经验选择表1相关研究综述。参考工厂数据集分割特征提取与选择分类限制（Khan等人， 2019年度）苹果叶;植物村数据集a) 用于增强的3D-Box、去相关、3D-Gaussian、b) 强相关像素+期望最大化a) 颜色直方图+ LBP纹理b) 遗传算法特征选择多分类器（Chuanlei等人，（2017年）（Bracino等人，Apple leaf;自定义数据集苹果叶;植物直方图方法+区域生长算法+基于四叉树的合并和分裂基于Lazy Snapping的Graph Cut分割a) RGB、HIS颜色+形状+SDGM纹理特征b) GA +相关特征选择a）RGB、HSV、L*a*b*、YCbCrSVMKNN和a) 非常受控的环境（照明箱+ CCD摄像机+软件）用于图像采集，不像自然条件b) 非常小的数据集，只有90个样本a）无病变区域分割;仅背景2020年）村庄数据集颜色+纹理特征b）邻域分量分析特征选择安分离b）非常小的特征向量，只有3个特征（Dubey和Jalal，2016）（普拉温·库马尔苹果水果;自定义数据集苹果叶;植物K-means聚类高斯混合模型背景全局颜色直方图，颜色一致性向量+LBP纹理+ Zernike矩形状特征纹理+形状+基于边缘+灰度共生矩阵MSVMMK-PSVMa) 手动选择包含大多数病变部分的节段b) 缺乏K折交叉验证a）假设差异例如， 2021年）村庄数据集基于减法+粒子群算法的模糊C均值病变区域分割纹理特征在像素强度中，这不是自然情况b）只对健康或受感染的叶子进行分类，不对疾病进行（Khan和Narvekar，2020）（Basavaiah和番茄叶;植物村，互联网下载和自定义数据集番茄叶;自定义a) 简单线性迭代聚类+ HOG用于背景减除b) K均值聚类区域分割不适用PHOG空间+ GLCM纹理+统计特征颜色直方图+ Hu矩多分类器随机缺乏K折交叉验证不执行安东尼，2020年）（Abisha和数据集茄子叶;习俗a）Delta E +期望最大化shape + GLCM，LBP纹理特征RGB颜色+ GLCM纹理+结构森林安缺乏K折交叉验证Jayasree，2019年）（Ali等人，（2017年）数据集柑橘叶;b）基于小波变换的图像融合Delta E+疾病症状模板特征a）RGB、HSV直方图+LBP纹理多a）创建包含疾病症状的模板需要（Sharif等人， 2018年）自定义数据集柑橘叶和果实;a）用于对比度的Top-Hat滤波器+高斯函数特征基于PCA的特征选择a）颜色+GLCM纹理+几何分类器SVM专家知识b）数据集大小非常小植物村+柑橘图像库和自定义数据集增强b）卡方距离+提出的阈值函数+ HDTC显著性方法特征b）基于PCA +偏度+熵的特征选择（Almadhor等人， 2021年）（Adeel等人， 2019年度）番石榴叶;自定义数据集葡萄叶;Delta Ea）Lebanon对比度增强a) RGB、HSV颜色直方图+ LBP纹理b) PCA特征选择a）颜色+ LBP +几何特征多分类器多非常大的特征向量，最终可能导致维数仅在单个通道（Yadav等人，植物村数据集多果叶，b）LAB颜色变换+使用加权函数的通道选择+形态学操作N/Ab）CCL特征融合+ NCA特征选择a）来自AlexNet的分类器多（L*、a*或b*），其可能遭受丢失重要图像信息未进行2019年度）植物村数据集b）粒子群优化功能分类器（Capizzi等人，橙果;阈值+饱和度直方图选择基于共生矩阵的纹理RBPNN无病变区域分割;仅背景（2016年）（Zhang等人， 2018年）（Beschman等人，自定义数据集苹果和黄瓜叶;自定义数据集苹果叶;植物超像素聚类+ K-means + PHOG混合对比度拉伸+掩码RCNN特征来自L*、a*、b* 通道的PHOG特征a）ResNet-50的功能b）KapurC-SVM多分离数据集大小较小缺少大量用于掩码RCNN的地面实况图像2021年）（阿巴约米-阿里）村庄数据集木薯叶不适用熵与SVM（EaSVM）特征选择MobileNetV2的深层功能分类器改性由于他们的增强方法是基于颜色值S.哈桑，S。 Jahan和MD。伊姆达杜尔·伊斯兰沙特国王大学学报7215例如， 2021年）病叶数据集MobileNetV2分布，有时合成图像显示不自然的颜色。S.哈桑，S。 Jahan和MD。伊姆达杜尔·伊斯兰沙特国王大学学报7216X1¼;aiJX半]我0;否则AIbi我表2疾病类别和样本图像数量疾病分类样本数量（扩增前）样本数量（扩增后）苹果黑星病630630黑腐621621苹果雪松锈病275650从而它们可以表示主数据集中该特定类别的所有图像的颜色、亮度、模糊度和模糊度的变化。2. 从我们的子数据集的每个图像IRGB中，我们使用Matlab的roipoly函数选择了三个多边形形状的区域。所选择的样本区域被指示为：健康区域R1、患病区域R2和背景区域R3。roipoly函数返回每个样本区域Ri的掩码Mi，i4.然后，我们将掩码Mi应用于Ia和Ib，并执行逐位逻辑AND运算。通过这个操作，我们创建两个列向量Vai和Vbi。使用以下规则计算列向量Vai和Vbi的每个元素（xVaix;1lax;y;ifMix;y-0Vbix;1lbx;y;如果Mix;y-这意味着，如果二进制掩码Mi的元素（x，y）非零，则Ia的对应（x，y）元素的像素值将被插入到Vai中，否则将不被插入。使用相同的方法，也将创建Vbi。Vai和Vbi的长度等于Mi的非零元素的数量。如果Vai和Vbi的大小为p，则Vai和Vbi的平均值为，peVx14pj¼1i= 1，2，3。 M i是一个形状为256 × 256的二进制掩码。每个元素1p（x，y）遵循以下规则：M=x;y= 1/2。1;if I RGB=x;y=2R ið1Þebi¼pVbixj;15第1页因此，我们得到颜色标记1/2 ee]对于a*b*颜色的区域R这意味着，如果IRGB的对应像素（x，y）落在我们选择的区域内，则二进制掩码Mi中的任何像素（x，y否则，它将具有像素值0（黑色）。因此，我们将有3个二进制掩码从一个单一的图像IRGB的三个样本区域。图2中示出了选择样本区域和相关联的二进制掩模的示例。3. 接下来，我们将RGB图像IRGB转换为L*a*b*颜色空间图像ILab，并将其分解为3个颜色通道：IL，Ia和Ib，其中每个通道的形状为256× 256。在这里，我们只使用了Ia和Ib通道来创建平均颜色标记。空间该颜色标记显示单个图像的每个选定区域Ri在a*b*空间中的平均颜色。由于我们有三个样本区域R1，R2和R3，因此我们从单个图像中获 得三 个 颜 色标 记 。 获得 的 颜 色标 记 物为 ： 健 康颜 色 标 记 物1/2ea1eb1]、患病颜色标记物1/2ea2eb2]和背景颜色标记物ea3eb35. 对我们子数据集中的所有300张图像重复步骤1-4。每幅图像给我们三个颜色标记。因此，我们有300个健康的颜色标记，300个患病的颜色标记和300个背景颜色标记。由于我们有三个疾病类别，即苹果黑星病，黑腐病和苹果雪松锈病，因此，Fig. 1. 每个疾病类别的样本图像。S.哈桑，S。 Jahan和MD。伊姆达杜尔·伊斯兰沙特国王大学学报721767X1¼½]a1b1一个2吉夫100一个2吉夫吉夫6X1¼一个2v型锈病B2v型锈病7100一个2B2100一个2B2使用以下公式计算这些距离¼100一个2b2]jfa aab;-（c）布吕格b.-（c）布吕格Xe]Σ(a) 健康区域（b）背景区域（c）图二. 使用Matlab的roipoly函数和相关的二进制掩码选择区域病色标记物½ea2 eb2]有三种类型，分别是：一B2一B2一B262va1 vb137一个2B2半痂escab]，½eroterot]and½erusterust]。所以我们有100个病人v形结痂v形结痂每种疾病的颜色标记平均颜色标记为使用以下公式计算C¼6vrotvrot 7ð11Þ平均健康颜色标记v v4a2b25300e e300j/1;½a1b1]ð6Þva3vb33.2.2. 分割病变区域平均病色标记苹果疮痂病1结痂黑星病B21. 平均颜色标记U用于分割主数据集中存在的所有图像。首先，将图像IRGB转换为ILab。然后，ILab的每个像素（x，y）被分类为健康，疾病或背景像素的最邻近方法第1页使用平均颜色标记U。为此，我们将ILab分解为平均病色标记物黑腐病100腐烂病B2ð7ÞI L、I a和I b通道。2. 然后，基于Ia和Ib计算五个距离。距离的注释和描述见表3。¼1X½erot [erot]第1页ð8Þ平均病色标记雪松锈病;锈A2锈B2D1¼qfIax;yC1;1g2ð12Þ1X铁锈铁锈q2D2¼fIax;y=-Cx2;1g[dw]ð13Þ平均背景色标记;½va3vb3]ð9ÞD3¼qfIax;yC3;1g2fIbx;yC3;ð14Þ300300j/11/3ea3eb3]j10D4¼DfIax;y-C4;1g2fIbx;y-C4;2g2qIxyC512IxyC52ð15Þ16将所有平均颜色标记组合成单个矩阵U，我们得到。现在，像素（x，y）的分类使用以下规则完成吉夫100JJ第1页½5¼ðJÞS.哈桑，S。 Jahan和MD。伊姆达杜尔·伊斯兰沙特国王大学学报7218×>××表3距离及其意义。距离说明D1（x，y）和健康颜色标记之间的距离D2（x，y）与病色标记（苹果黑星病）的距离D3（x，y）与病色标记（黑腐病）的距离D4（x，y）与病色标记（雪松锈病）的距离D5（x，y）与底色标记的高通滤波器（HPF）同时LPF和HPF滤波器都在f（n）和滤波器之间执行卷积运算。f（n）和LPF之间的卷积的结果被下采样2，这给出了具有形状1128的被称为近似系数的系数向量。类似地，我们从HPF滤波器得到另一个系数向量，称为细节系数。我们忽略细节系数，继续近似系数。水平1的近似系数再次为8><健康区域;如果最小值超过D1;D2;D3;D4;D5，则超过D1通过2级LPF和HPF这一次，LPF滤波结果给出了另一个近似以x;y= 2为基础的区域;如果最小值为D1;D2;D3;D4;D5，则为D2或D3或D4：背景区域;如果最小值为D1;D2;D3;D4;D5± 1/4D5ð17Þ形状为164的系数。这个向量再次传递给通过下一级的LPF和HPF。我们继续这个过程，直到我们有一个单一的系数ri，或3.在对图像的所有像素点进行分类后，我们在RGB颜色空间中显示出患病像素点，丢弃健康像素点和背景像素点。因此，我们有我们的病变区域分割图像。图中显示了几个“病变区域分割图像”的例子。3 .第三章。3.3. 特征提取3.3.1. 离散小波变换特征提取我们使用离散小波变换从分割的图像中提取特征。我们从图像中提取DWT特征的方法如下：1. 首先，将分割后的图像IRGB转换为大小为256× 256的灰度图像Igray2. 然后，我们将图像I灰度的每一行视为离散采样信号或具有形状的向量f（n），1× 256。然后，我们通过低通滤波器（LPF）传递f（n），换句话说，直到近似系数的形状向量为11。然后我们将单个系数存储到行向量R中。整个过程如图所示。 四、3. 我们对所有256行I灰度执行步骤2，并继续将单个系数存储到R中。因此，在对I灰度的256行执行所提出的多级DWT结束时，行向量R的大小变为 1× 256 。R 的形状是这样的， R =[r1 ， r2 ， r3 ，，r256，]。4. 然后我们对R执行步骤2中描述的多级DWT。因此，我们创建一个长度为2n的特征向量，其中n= 0，1，2，，8通过停止多层DWT在级别（8-n）。本文我们考虑n= 5，即使用上述方法提取32个DWT特征。DWT特征提取的整个过程如图所示。 五、3.3.2. 颜色直方图特征提取按照以下过程提取颜色直方图特征：(a)（b）（c）（d）（e）图3.第三章。 样本图像分割。（a）原始图像;（b）被分割区域;（c）健康区域;（d）背景区域;（e）分割像素的散点图S.哈桑，S。 Jahan和MD。伊姆达杜尔·伊斯兰沙特国王大学学报7219~见图4。 多层次离散小波变换的单行I灰度。图五. 提取32个DWT特征的总体过程。1. 首先，我们将分割的RGB图像IRGB转换为L*a*b*颜色空间图像ILab。然后，ILab被分解为三个颜色通道：IL、Ia和Ib。2. 接下来，分别计算IL、Ia和Ib通道的直方图。每个通道具有像素值范围[0 256]。我们把这个范围分成若干区间，称为区间。经验-在我们的方法中使用了从物理上导出的bin size = 8。取一个bin大小为8，我们得到28/8 = 32个等范围的bin。如果像素值落在任何特定仓的范围内，则该仓的计数增加1。然后，我们计算落入每个bin的像素数我们从每个颜色通道中得到32个数字，这些数字被认为是该通道的特征S.哈桑，S。 Jahan和MD。伊姆达杜尔·伊斯兰沙特国王大学学报7220见图6。 提取颜色直方图特征的过程。见图7。 我 们 提出的模型的完整框图。S.哈桑，S。 Jahan和MD。伊姆达杜尔·伊斯兰沙特国王大学学报7221××表4对来自选定的苹果病害类别的训练和测试样本的简要描述疾病类别总图像训练样本测试样品背景捕获环境苹果黑星病630504126固定控制黑腐621496125固定控制雪松苹果锈病650520130固定控制3. 接下来，来自每个颜色通道的32个特征被水平连接以创建1× 96特征向量。这是来自分割图像IRGB的颜色直方图特征向量。颜色直方图特征提取的完整过程如图所示。 六、从离散小波变换中得到一个大小为1× 32的特征向量，从颜色直方图中得到的特征向量大小为196对于每个分割图像IRGB。然后，我们将这两种类型的特征向量进行水平组合，得到最终大小为1128的特征向量。我们为每个类别的每个图像创建这个特征向量，以输入分类器进行训练和测试。我们提出的系统的完整框图如图所示。7.第一次会议。表5不同分类器对不同数量的DWT特征的分类性能。特征向量分类器准确度（%）精密度（%）召回率（%）F1评分（%）载重吨8SVM83.2283.4183.2783.20KNN85.4885.8685.5485.58XGB86.9087.1686.9486.90RF88.0688.2888.1288.03载重吨16SVM85.4885.4985.6085.44KNN87.6488.0087.7187.65XGB90.6990.7290.7790.66RF90.7490.8490.8090.74载重吨32SVM85.9085.9085.9985.85KNN87.6987.6087.7887.56XGB92.6992.6892.7292.65RF92.7992.8192.8092.75载重吨64SVM85.9085.9085.9985.85KNN87.6987.6087.7887.56XGB92.6992.6892.7292.65RF92.7992.8192.8092.75粗体值表示每种情况下的最高准确度、精确度、召回率和F1分数4. 结果和讨论我们提出的方法是通过在Plant Village数据集上训练和测试来评估的。所有的实验结果都是通过使用80：20的比例进行训练和测试以及10倍交叉验证（10CV）获得的。表4提供了关于每个类别的图像总数、测试和训练中使用的样本数量、图像背景类型和捕获条件的简要细节。该方法通过4个分类器进行了验证，分别是k= 5的K-最近邻（KNN）、多类别支持向量机（M-SVM）、极端梯度提升机（XGB）和100棵树的随机森林（RF）。随机森林是我们的基本分类器，并将其性能与其他分类器进行了比较。我们的模型的性能是基于4个指标，即准确率，精确度，召回率和F1得分进行评估。性能的衡量分为三个阶段，如：只使用DWT功能，只使用颜色直方图功能，并使用DWT和颜色直方图功能的组合。所有实验都使用Matlab 2018 a和Anaconda 4.10.3在具有8 GBRAM和Intel Core i3-4100 M CPU的64位Win- 10机器上首先，该模型进行测试，只使用DWT功能。我们提取了8，16，32和64 DWT特征来测试我们模型的性能。该测试的结果示于表5中。对于8个系数，RF给出了最好的性能，达到88.06%的准确度和SVM具有最低的性能。当系数的数量从8增加到16时，所有分类器的整体性能都增加了， 并且 RF 再次显示出最佳性能，准确率为90.74%。然后，我们将系数的数量增加到32，并看到XGB和RF的显著性能改善。虽然这两个分类器显示接近的结果，但RF略优于XGB。它提供了92.79%的准确性。SVM和KNN在从DWT 16到DWT 32的过程中没有显示出任何显著的改善。然后，当我们使用DWT 64测试模型时，所有分类器都显示出与DWT 32相同的性能。这意味着将DWT系数的数量从32增加到64不会影响见图8。 不同分类器对不同数量的DWT特征的准确性。S.哈桑，S。 Jahan和MD。伊姆达杜尔·伊斯兰沙特国王大学学报7222表6不同分类器对单一颜色直方图特征的分类性能。表8我们提出的方法的混淆矩阵。分类器准确度（%）精密度（%）召回率（%）F1评分（%）实际类试验次数预测 类SVM84.4384.7084.5284.4图像苹果黑腐苹果雪松KNN91.7991.8491.8391.78赤霉病锈粗体值表示最高的准确度、精确度、召回率和F1分数。苹果黑星病630617（97.94%）黑腐621 0（0%）0（0%）619（99.68%）13(2.06%的百分比）2(3.22%的百分比）表7苹果雪松锈病650 6(0.92%的百分比）5(0.77%的百分比）639（98.31%）不同分类器对DWT-32和颜色直方图特征组合的分类性能。分类器准确度（%）精密度（%）召回率（%）F1评分（%）SVM86.1786.4686.2586.14KNN94.4294.3994.4294.39XGB96.8496.8396.9396.85RF98.6398.6598.6498.64粗体值表示最高的准确度、精确度、召回率和F1分数。分类器的性能这一个图形表示的分类器的性能为不同数量的DWT系数在精度方面显示在图。8.第八条。之后，我们只使用颜色直方图特征测试了我们的模型96颜色直方图特征用于测试。测试结果如表6所示。我们可以从表6中看到，与DWT特征相比，除了SVM之外的所有分类器的性能都针对颜色直方图特征得到了改进在这种情况下，SVM的性能已经下降RF在颜色直方图特征方面表现最好最后，我们水平连接了32个DWT特征和96个颜色直方图特征，这给了我们一个长度为128的组合组合特征向量下的测试结果如表7所示。实验结果表明，与单一类型特征向量相比，组合特征向量的分类器性能有了我们的基础分类器RF得到了最好的准确率在分类苹果叶部病害的基础上提出的组合特征向量。实验结果表明，该方法的准确率、精确率、召回率和F1分别为粗体值表示每个类别正确识别的样本数。得分这些数据表明，DWT-32和颜色直方图特征的融合在苹果叶片病害检测中取得了很好的效果。结果表明，单独使用颜色直方图特征的分类精度优于DWT-32。但它们的结合显著提高了准确性。RF在所有情况下都表现出更好的性能，并且优于其他三个分类器。图9示出了针对不同分类器的DWT-32、颜色直方图和组合特征之间的准确度的比较。表8给出了所提出方法的混淆矩阵，其中显示了实际目标值和预测值的数量分类准确率为：苹果黑星病97.94%，黑腐病99.68%，苹果雪松锈病98.31%。为了确定灵敏度和特异性之间的权衡，我们按照一对休息方法为每个类别生成了受试者操作特征（ROC）曲线。ROC曲线如图10所示。对于每个类别，ROC曲线非常接近左上角，这表明模型的性能非常好。曲线下面积（AUC）对于苹果黑星病为0.990，对于黑腐