全 文 ：师 韵，王旭启，张善文． 基于主分量分析的苹果叶部 3 种常见病害识别方法［J］． 江苏农业科学，2016，44(9) :337 － 340．
doi:10． 15889 / j． issn． 1002 － 1302． 2016． 09． 098
基于主分量分析的苹果叶部 3 种常见病害识别方法
师 韵，王旭启，张善文
(西京学院信息工程学院，陕西西安 710123)
摘要:苹果叶部的 3 种常见病害(斑点落叶病、花叶病和锈病)严重影响苹果的产量和质量。病害识别是病害防
治的基础，传统的苹果病害识别方法不能有效选择病害的分类特征。基于主分量分析算法，提出一种叶片颜色、形状
和纹理特征相结合的苹果病害识别方法。首先对苹果病害叶片图像进行预处理，降低图像干扰;然后利用改进的分水
岭方法分割病斑，提取病斑图像的颜色、形状和纹理特征，组成特征矩阵;再利用主分量分析(PCA)对该矩阵进行维数
约简，得到低维分类特征;最后利用 BP神经网络识别苹果的 3 种病害类型。结果表明，该方法能够有效识别苹果的 3
种病害，平均识别率超过 94%。
关键词:苹果病害识别;特征提取;主分量分析(PCA) ;BP神经网络
中图分类号:S126;TP391． 41 文献标志码:A 文章编号:1002 － 1302(2016)09 － 0337 － 04
收稿日期:2015 － 08 － 03
基金项目:国家自然科学基金(编号:61473237) ;陕西省教育厅专项
科研计划(编号:XJ13ZD01) ;陕西省教育厅科研项目(编号:
16JK2237)。
作者简介:师 韵(1968—) ，女，陕西西安人，硕士，工程师，主要从事
计算机数据分析研究。E － mail:shiyun@ xijing． edu． cn。
通信作者:张善文，博士，教授，主要从事模式识别及其在植物识别中
的应用研究。E － mail:wjdw716@ 163． com。
苹果含有丰富的碳水化合物、维生素、微量元素和果胶
等，是世界水果中产量和消费以及益处最多的水果之一。但
是，苹果病害严重影响了苹果的产量和质量［1 － 3］。当前，西部
广大果农病害防治技术水平不高，防治粗放，农药乱配滥用现
象比较普遍，造成果品农药残留超标，果品质量下降，且防治
成本大。要防治苹果病害，首先要识别病害类型［4 － 8］。叶片
是很容易观察、采集和处理的部位，也是一般苹果病害症状首
先出现的部位。因此，多年来苹果叶片症状是果农和植保人
员诊断病害的重要依据之一。目前苹果病害诊断大多采用经
验定性诊断方法。该方法的主观性较强，对专家的依赖性较
高，容易混淆症状相似的病害。为了准确识别病害，计算机图
像处理是一种很好的方法，但由于苹果病害种类多，病害叶片
形状及叶片病斑的颜色、纹理和形状的差异性大，呈现出复
杂、多样、无规则的特点，使得目前很多病害识别方法的效果
不理想［5，9 － 11］。本研究提出一种基于主分量分析(PCA)的苹
果病害叶片的颜色、形状和纹理特征相结合的苹果病害识别
方法，该方法综合提取苹果病害叶片图像的多种分类特征，然
后利用 PCA进行维数约简，再利用 BP神经网络进行训练，实
现对苹果病害的快速分类识别。
1 材料与方法
为了研究基于苹果病害叶片图像处理的苹果病害识别的
方法，选用了 3 种易混淆的常见苹果病害:斑点落叶病、花叶
病和锈病为研究对象。苹果斑点落叶病危害叶片，造成早落，
叶片染病初期出现褐色圆点，其后逐渐扩大为红褐色;苹果花
叶病主要在叶片上形成环斑型、狼斑型等各种类型的鲜黄色
病斑;苹果锈病叶片初患病正面出现油亮的橘红色小斑点，逐
渐扩大，形成圆形橙黄色的病斑，内含大量褐色粉末状锈孢
子。肉眼不容易区分斑点落叶病和锈病 2 种病害。本研究所
使用的这 3 种苹果病害叶片图像均是在西北农林科技大学苹
果园利用佳能 EOS 700D单反数码相机在上午 10:00—11:00
时间段采集得到。为了便于后续处理，以灰色纸片作为背景
色，在自然光照的非强光条件下对自然发病的苹果叶片进行
活体图像采集，得到苹果病害叶片数字图像。拍摄时尽量使
相机的镜头与苹果叶面所在的平面平行，使光线在苹果叶片
上均匀分布，避免产生明显的形变。为了使测量准确，每次采
集叶片图像时，尽量使苹果叶片充满整个画面。由于拍摄环
境的影响，采集到的有些叶片图像难免存在阴影和大量噪声。
因此，在采集到的数字叶片图像中挑选出光照较均匀的图像
各 50 幅作为试验的样本图像。图 1 为试验中采集到的苹果
常见 3 种病害叶片图像实例，图像格式为 BMP，图像宽度为
320 像素、高度为 240 像素。
2 苹果病害叶片图像预处理
苹果病害叶片图像的质量直接影响后续的病害识别率。
在叶片图像采集过程中，由于受到采集设备、环境等影响，图
像存在分辨率低、背景复杂、病斑边缘模糊等特点。所以，需
要对病害叶片图像进行预处理。常用的病害叶片图像预处理
操作有图像格式转化、图像去噪、图像增强、削弱图像中颜色、
叶柄、虫洞等无用或干扰信息，使病斑区域的特征更明显。为
了有效去除噪声，较好地保留图像的细节并突出病斑特征，在
试验对比的基础上，首先选用自适应直方图均衡化方法，扩展
叶片图像灰度范围，对叶片图像进行对比度增强，然后选用叶
片彩色图像中值滤波方法，即在叶片图像的 Ｒ、G、B通道上分
别应用中值滤波方法滤波后，再进行通道融合，得到滤波后的
彩色图像，较好地抑制叶片图像的噪声，保留叶片图像的分类
信息。再利用Top － Hat方法与归一化彩色空间法相结合，
—733—江苏农业科学 2016 年第 44 卷第 9 期
可使不同光照度下所采集的叶片图像的 Ｒ、G、B 通道数据处
理结果差异很小，以此降低图像亮度对色彩的影响。图 2 为
叶片图像预处理流程。
3 苹果叶片图像病斑分割
病斑图像分割是病害叶片图像分析与模式识别中一个重
要的环节，病斑分割的好坏直接影响后续特征提取与识别结
果。本研究的对象是自然环境下拍摄的苹果病害叶片图像，
背景复杂、分辨率低，不能直接用于病害分类特征提
取［3，10 － 11］。因此，采用改进的水平集彩色图像分割方法，即基
于区域和边缘的变分水平集彩色图像分割方法［12 － 13］。该方
法充分利用了目标图像的区域信息和边缘信息，并用欧氏距
离代替了灰度加权值，使得彩色图像的颜色空间信息得到充
分利用。首先，用 N1 个水平集函数将图像分割成 N(N ﹥ 1)
个区域，每个水平集函数代表 1 个分割区域，通过建立独立多
水平集函数可以消除冗余的轮廓，从而避免分割区域的重叠
和漏分，获得更加精确的颜色边缘。为了避免水平集函数在
每次迭代后需重新初始化符号距离函数，增加的能量惩罚项
能使水平集函数在演化过程中保持为逼近的符号距离函数。
再将分割的病斑归一化图像转化为灰度图。最后，采用形态
学中的开运算和闭运算处理，得到不受叶片虫洞和叶柄等影
响的二值化图像。3 种苹果病害叶片原图与病斑分割结果如
图 3 所示。
4 特征提取
由于苹果病害叶片的病斑图像复杂、多样、无规律，且随
时间而变换，不能用数学模型来表示［14］。很多基于图像维数
约简的人脸、掌纹和步态等识别方法不能用于苹果病害识别。
由于不同类型病害叶片的病斑图像的颜色、形状和纹理之间
存在差异，可以提取病斑图像的分类特征，构成特征向量，进
行病害识别。下面介绍从分割后苹果病斑图像中提取病害的
颜色、形状和纹理的分类特征计算方法［9，11，15 － 16］。
4． 1 颜色特征
由 ＲGB颜色模型转换到 HIS和 YCbCr颜色模型，利用归
一化直方图的统计特征分别计算颜色 Ｒ、G、B、H、I、S、Y、Cb
和 Cr的均值、方差、偏度、能量、熵等 5 个统计特征参数，作为
病害叶片图像分类的颜色特征。
4． 2 形状特征
计算病害叶片病斑图像的面积、周长、周长直径比、周长
长宽比、圆形度、纵横轴比等 6 个无量纲的量，作为病斑图像
的形状分类特征，具体如下:
—833— 江苏农业科学 2016 年第 44 卷第 9 期
(1)面积 S:面积为病斑区域的像素个数的总和，简单为
经分割得到病斑二值图像中像素值为 0 的像素点的个数，计
算公式为:
S =∑
m
x = 1
∑
n
y = 1
f(x，y)。 (1)
式中:f(x，y)表示病斑二值图像，m、n分别代表二值图像的长
和宽。
(2)周长 L:病斑的周长是指病斑区域的外轮廓的长度，
一般用病斑区域中相邻边界点之间的距离之和来表示。
(3)周长直径比 PD:
PD =
Pc
De
。 (2)
式中:Pc 是叶片凸包周长，De 为叶片的外接圆直径。
(4)周长长宽比 PL:叶片凸包周长与其最小包围盒长和
宽的和的比值;
PL =
Pc
Dmax + Dmin
。 (3)
式中:Dmax是叶片最小包围盒的长，Dmin是叶片最小包围盒的
宽。其中最小包围盒为坐标系中平行于横轴和纵轴方向的能
够包围图像的最小矩形。
(5)圆形度 C:圆形度表示病斑区域的形状和最接近的圆
形的相似程度，表达式:
C = 4πS
L2
。 (4)
式中:C 的取值范围在 0 ～ 1 之间，C 值越大表明病斑区域越
接近圆形。
(6)纵横轴比 AD:
AD =
Dmax
Dmin
。 (5)
4． 3 纹理特征
病害叶片病斑的纹理特征是一种全局特征，对病斑图像
整体分析时表现出一定的规则性，本研究采用灰度共生矩阵
和分形维数来描述病斑的纹理特征。设 f(i，j)为病斑灰度图
像中点(i，j)的灰度值，则
(1)对比度 N1:反映纹理的清晰程度
N1 =∑i ∑j (i － j)
2 f(i，j)。 (6)
(2)相关性 N2:反映叶片图像邻域灰度的线性依赖
N2 =
∑
i
∑
j
(i － i) (i － j)f(i，j)
σiσ j
。 (7)
式中:i =∑
i
i∑
j
Y(i，j) ，j =∑
j
j∑
i
Y(i，j) ，σi
2 =∑
i
(1 － i)2∑
j
Y(i，
j) ，σ j
2 =∑
j
(1 － j)2∑
i
Y(i，j)。
(3)能量 N3:反映叶片图像灰度分布的均匀性
N3 =∑i ∑j f(i，j)
2。 (8)
(4)均匀度 N4:反映叶片图像纹理的局部同质性
N4 =∑i ∑j
1
1 +(i － j)2
f(i，j)。 (9)
由以上分析可以得到每幅病斑图像的 45 个颜色特征、6
个形状特征和 4 个纹理特征，由此组成一个维数为 55 的特征
向量。
5 基于主分量分析(PCA)的苹果病害识别
尽管可以提取病斑图像的很多分类特征，但这些特征之
间可能存在相关性，而且各个特征对病害分类的贡献大小不
同，一些特征可能降低病害的识别率。所以，需要对得到的众
多特征进行特征提取或维数约简。但当特征维数较大时，不
容易快速地提取出对分类结果贡献大、独立、不相关的特征。
主分量分析(PCA)考虑了各个特征之间的相互关系，利
用维数约简的思想，在损失很少信息的前提下将多个特征转
换为少数几个互不相关的特征，成为主成分。每个主成分均
是原始变量的线性组合，且各个主成分之间互不相关，这就使
得主成分比原始变量具有某些更优越的性能，从而进一步使
病害类型识别过程变得简单、快速、准确［17］。
主成分分析常常通过以下 5 步解决:
第 1 步，将提取的特征进行标准化处理，以消除各个特征
在数量级或量纲上对后续分类结果的影响。
第 2 步，将训练集中每个病斑图像标准化后的特征组成
1 个特征向量，再将所有的特征向量组成 1 个特征矩阵，计算
相关系数矩阵。
第 3 步，计算特征矩阵的特征值及对应的单位特征向量。
特征值在某种程度上可以看成表示主成分分类力度大小。如
果特征值小于 1，说明该主成分的解释力度还不如直接引入
原变量的平均解释力度大。因此一般可以用特征值大于 1 作
为纳入标准。
第 4 步，计算主成分的方差贡献率和累积方差贡献率。
一般来说，提取主成分的累积方差贡献率超过 85%就可以，
由此确定需要提取多少个主成分。
第 5 步，计算主成分。由具有最大特征值的特征向量构
成映射矩阵。大量实际情况表明，如果根据累积贡献率来确
定主成分个数往往较多，而用特征值来确定又往往较少，很多
时候应当将两者结合起来，以综合确定合适的个数。
由以上分析，可以归纳出 PCA 的苹果病害识别的过程
为:(1)对苹果病害叶片图像进行预处理;(2)对病害叶片图
像分割，得到病斑图像; (3)提取病斑图像的颜色、形状和纹
理特征，进行归一化处理，得到特征向量矩阵，再构造特征矩
阵;(4)利用 PCA得到主分量，构造映射矩阵 A; (5)由 A 对
待识别的病斑的特征向量进行维数约简;(6)利用 BP神经网
络分类识别病害类型。
BP神经网络分类器包括输入层、隐层和输出层。输入层
神经元个数由叶片病斑特征矩阵主分量的个数决定，输出层
神经元个数为病害类别数。试验时需要人工设定 BP 神经网
络的隐层个数、隐层神经元数量和学习率等参数。待识别的
病斑图像进行预处理、特征提取、基于 PCA 的维数约简等步
骤后得到待分类低维向量，再输入训练好的 BP 神经网络分
类器可得到病害识别结果。
6 验证试验
为了验证所提出的方法的有效性，对常见的 3 种苹果病
害斑点落叶病、花叶病和锈病的叶片图像数据库上各 50 幅叶
片图像进行病害识别试验。每种病害叶片的前 30 幅，共 90
幅作为训练样本，其余的 60 幅作为测试集，依次编号。对所
—933—江苏农业科学 2016 年第 44 卷第 9 期
有叶片图像进行预处理和病斑分割，然后提取每幅苹果图像
的颜色、形状和纹理等共 55 个特征值，组成特征向量;由所有
训练集中的特征向量组成 1 个 60 × 55 的特征矩阵 A;利用统
计产品与服务解决方案软件(Statistical Product and Service
Solutions，SPSS)中的 PCA 过程:“分析→降维→因子分析”，
求 A的协方差矩阵，取前 M 个特征值所对应的特征向量，构
成一个 55 ×M的矩阵 B，这个矩阵为映射矩阵，A 乘以 B，就
得到了 1 个 60 ×M的新的降维后的低维矩阵 C，作为 BP 分
类器的训练集数据。由 B 可以得到任一待识别病害叶片的
病斑图像的低维特征向量，输入 BP 分类器，进行类别识别。
试验中采用 Matlab软件进行 BP神经网络训练。在利用训练
数据集训练 BP神经网络前，先将训练数据 C 进行归一化处
理，以避免数据饱和，加快网络收敛。网络训练的输出目标矩
阵大小为 1 × 60，每个元素分别对应于 60 个输入样本的类
别。训练 BP神经网络，直至总误差小于给定值，认为网络训
练完毕。本试验中，PCA 的主分量数取为 10，其累计方差贡
献率在 90%以上。BP分类器的误差取为 0． 001，试验重复进
行 50 次，计算识别结果的平均值，试验结果见表 1。为了说
明本研究算法的有效性，与文献［5］和［10］的苹果叶片病害
识别方法进行比较。这 2 种方法都是提取分类特征和 Hu 提
出的 7 个不变矩，再分别利用 BP 神经网络和支持向量机进
行病害识别。表 1 中给出了 3 种算法的识别结果。试验结果
表明，在 3 种苹果病害识别中，本研究算法的平均识别率达到
94． 34%，高于其他 2 种算法，其中苹果花叶病的识别率超
过 98%。
表 1 3 种苹果病害叶片不同算法的识别结果
算法
识别率(%)
斑点落叶病 花叶病 锈病 平均
平均运行
时间(s)
文献［5］算法 90． 24 95． 65 92． 4 92． 71 44
文献［10］算法 91． 31 97． 32 92． 55 93． 71 41
本研究算法 92． 16 98． 05 92． 65 94． 34 47
7 讨论与结论
文献［5］应用二值图像标记法提取病斑边缘，计算出病
斑个数、面积、圆形度、与叶片面积比、复杂度和叶子的面积等
6 个形状特征参数，以及 Hu的 7 个不变矩共 13 个参数，再利
用 BP神经网络进行识别;文献［10］提取病害叶片病斑图像
的颜色直方图、颜色矩、灰度共生矩阵、常规形状和 Hu 的 7
个不变矩等特征，并对提取特征进行比较，选择了 15 类特征
参数，再利用支持向量机进行识别。这 2 种方法没有考虑提
取的特征对病害分类的贡献大小。而本研究算法提取 55 个
特征，不是进行特征选择，而是利用 PCA 快速得到主分量，再
在新的低维特征空间进行识别。所以，该方法适用于提取很
多特征情况下，而且考虑了各个特征的重要程度。
3 种算法对斑点落叶病的识别率都比较高，是因为该病
害的特征与另外 2 种病害叶片的区别较大。出现错分的原因
是斑点落叶病与早期的锈病病斑很像，只是颜色有所差异，在
纹理特征和形状特征方面很相近，而文献［5］中没有选用颜
色特征，所以识别率不高。
本研究利用 SPSS进行 PCA。由于在 SPSS中并没有完整
的主成分分析过程，其主成分分析过程集成在因子分析过程
中，但并不完善。而主成分的得分需要对因子得分情况进行
进一步计算，所以在 SPSS中不需保存因子得分情况。对于提
取因子的个数问题，一般遵循 2 个标准，一是累计方差贡献率
大于 80%;二是其特征值大于 1。本试验中之所以设置因子
数目为 10，是因为通过预先分析，发现前 10 个主成分可以解
释总体信息的 99%。
本研究探讨了苹果病害叶片图像预处理、病斑分割、病害
特征提取和特征降维方法，分析了基于 BP 神经网络的病害
识别过程。训练后 BP 神经网络可实现对苹果的斑点落叶
病、花叶病和锈病 3 种病害识别，平均准确率达到 94． 33%。
试验结果表明，该算法对苹果叶部病害识别是可行的。进一
步的研究重点是基于农业物联网视频传感器得到的苹果病害
叶片图像分割和病害识别方法。
参考文献:
［1］胡 林，周国民，丘 耘． 苹果树图像分割算法研究综述［J］． 中
国农业科技导报，2015，17(2) :100 － 108．
［2］郝青梅． 苹果树常见病害识别和防治［J］． 河北果树，2010(6) :
12 － 14．
［3］尹秀珍，何东健，霍迎秋． 自然场景下低分辨率苹果果实病害智
能识别方法［J］． 农机化研究，2012(10) :29 － 32．
［4］薛永发． 农业生态控制苹果病虫害的有效途径和措施［J］． 果农
之友，2010(11) :26 － 28．
［5］李宗儒． 基于图像分析的苹果病害识别技术研究［D］． 杨凌:西
北农林科技大学，2010
［6］李宗儒，何东健． 基于手机拍摄图像分析的苹果病害识别技术研
究［J］． 计算机工程与设计，2010，31(13) :3051 － 3053．
［7］霍迎秋，唐晶磊，尹秀珍，等． 基于压缩感知理论的苹果病害识别
方法［J］． 农业机械学报，2013，44(10) :227 － 232．
［8］樊景超． 苹果果实病害近红外光谱信息获取与识别模型研究
［D］． 北京:中国农业科学院，2011．
［9］王芸芸，王 玺，蒋建兵，等． 山西省苹果树主要病虫害的种类及
综合防治［J］． 现代园艺，2014(15) :117 － 118．
［10］毕傲睿． 苹果叶子病害图像识别系统的设计与实现［D］． 西安:
西安建筑科技大学，2014．
［11］胡荣明，魏 曼，竞 霞，等． 基于成像高光谱的苹果树叶片病
害区域提取方法研究［J］． 西北农林科技大学学报:自然科学
版，2012，40(8) :95 － 99．
［12］方江雄． 基于变分水平集的图像分割方法研究［D］． 上海:上海
交通大学，2012．
［13］毛 亮，薛月菊，孔德运，等． 基于稀疏场水平集的荔枝图［J］．
农业工程学报，2011，27(4) :345 － 349．
［14］Valliammal N，Geethalakshmi S N． Crop leaf segmentation using
nonlinear K means clustering［J］． International Journal of Computer
Science Issues，2012，9(3) :212 － 218．
［15］Pydipati Ｒ，Burks T F，Lee W S． Identification of citrus disease
using color texture features and discriminant analysis ［J］．
Computers and Electronics in Agriculture，2006，52:49 － 59．
［16］贾建楠，吉海彦． 基于病斑形状和神经网络的黄瓜病害识别
［J］． 农业工程学报，2013，29(增刊 1) :115 － 121．
［17］Wang H，Li G，Ma Z，et al． Image recognition of plant diseases
based on principal component analysis and neural networks［C］．
Natural Computation (ICNC) ，2012 Eighth International Conference
on IEEE，2012:246 － 251．
—043— 江苏农业科学 2016 年第 44 卷第 9 期