CN103745231A - 小麦矮腥黑穗病tck及其近似种tct的冬孢子图像鉴定方法 - Google Patents

Abstract

本发明公开了一种小麦矮腥黑穗病TCK及其近似种TCT的冬孢子图像鉴定方法，该方法包括构建稀疏字典、矮腥黑穗病害图像鉴定、输出鉴定结果这三个步骤，利用小麦矮腥黑穗病菌冬孢子图像作为鉴定对象，根据冬孢子的形态学特征，应用基于稀疏表示的模式识别方法，能实现TCK及其近似种TCT的快速、准确的鉴定，且鉴定成本低廉，仅需要制作用于显微镜下观察病害图像的玻片即可。这相比现有技术，本发明方法能够解决或规避当前对小麦矮腥黑穗病鉴定中，分子生物学方法存在的程序复杂、常规PCR检测时间长等问题，以及显微镜下观察冬孢子形态学特征的鉴定方法对检测人员技术水平要求较高、测量过程繁琐等问题。

Description

小麦矮腥黑穗病TCK及其近似种TCT的冬孢子图像鉴定方法

技术领域

本发明涉及小麦矮腥黑穗病鉴定的技术领域，尤其是指一种小麦矮腥黑穗病TCK及其近似种TCT的冬孢子图像鉴定方法。

背景技术

小麦的矮腥黑穗病（Tilletia controversa Kühn，TCK）对小麦的生产、加工与食用危害极大，是一种易于传播、难以防治的国外常见病害，至今已传播至欧洲、美洲、亚洲、非洲的31个国家。一般矮腥黑穗病发病田块小麦可减产10-20％，严重的减产50％以上，甚至绝收。混杂于入境小麦籽粒间的黑粉菌粒和冬孢子是TCK进行国际间传播的重要方式。入境小麦是TCK传入中国的一个重要渠道，当病麦进口后，这些病菌将不可避免地沉降于装卸、运输、贮存、加工各环节所在地；TCK具有极强抗逆性，其冬孢子在土壤中能存活多年，是极难防治的病害，且对不同地域气候具有广泛的适应性，中国的部分小麦产区是矮腥黑穗病定殖扩散的中、高危区，TCK已被列入我国进境植物检疫性有害生物名录中，采取有效检验方法以降低小麦矮腥黑穗病菌传入的可能性是风险管理的首选措施。

TCK检疫鉴定的关键在于将其与它们各自的近似种如网腥黑穗病菌（Tilletiacaries（DC.）Tul.，TCT）加以区分，网腥黑穗病则是国内小麦矮腥黑穗主要病害。但是，TCK与TCT冬孢子在形态学上较为相似，且表面都有网纹，由此给检疫带来了很大难度。目前，TCK病菌的鉴定方法主要是TCK形态学鉴定及分子生物学鉴定。

在分子生物学鉴定方法方面，利用了rDNA碱基序列的ITS区段，该区段既具保守性,又在科、属、种水平上均有特异性序列，通过对ITS区进行PCR及测序后，再设计特异性引物，可以来鉴定小麦矮腥黑穗病菌，以区分鉴定TCK与TCT，也有利用IGS区进行同类研究。Kochanov M.等（2004年）、梁宏、张国珍等（2005年）、Zouhar M.等（2010年）等均采用该类方法进行了研究，以区分鉴定TCK与TCT，梁宏、彭友良等（2006年）还利用IGS区进行了同类研究。陈万权等（2005年）申请了专利“小麦矮腥黑粉菌检测的一种PCR方法”（专利号200510080073.7），高利等（2009年）申请专利“一种小麦矮腥黑粉菌的检测方法及特异性SCAR标记”（申请号201110051411.X）。

在显微镜下的形态学与自发荧光显微学特性鉴定方面，国内外研究者对TCK及其近似种的冬孢子在显微镜下进行过观察与描述，试图用形态学特征进行鉴别，如Holton,1949年；Duran和Fisher,1961年；Ainsworth,1965年；章正，1980年；梁再群等，1982年；Waller&Mordue，1983年；Zhang et al.，1984年；Aggarwal et al.，1990年；章正等，1995年；Castlebury&Carris,1999年。中美双方曾于1989～1992年进行联合试验，对TCK和TCT的自发荧光显微学特性及比较形态学做了研究，认为自发荧光显微学特性和网脊高度可以用于这两种菌的判别与鉴定。依据国内外研究成果，我国在1999年发布了推荐的国家标准《植物检疫小麦矮化腥黑穗病菌检疫鉴定方法》，将TCK的冬孢子形态学特征作为重要的鉴定依据。在TCK鉴定时，通过油镜在监视器屏幕上（或用目镜测微尺）求出每个冬孢子平均网脊高度值作为鉴定依据。

利用图像分析技术并依据冬孢子的形态学特征进行鉴定。陈克（1998年）等为解决显微镜下人工测量TCK冬孢子网脊值存在的人为因素的影响问题，以显微镜、摄像头等建立了一个计算机视觉系统，能够采集冬孢子图像并分析其网脊值，以此作为鉴定依据。Kim D.Linder等（1998年），利用显微镜、CCD摄像机、电动平台及计算机等组成了一套机器视觉系统，系统能自动搜索小麦矮腥黑穗病菌图像中的疑似冬孢子的目标，然后由经过培训的技术人员进行审核。D.Chesmore等（2003年）采用图像分析技术来鉴定TIM与其近似种T.walkeri等，研究中通过图像分析确定冬孢子的位置，计算了其表面积、周长、棘状突起的数量与突起尺寸、最大和最小半径、长宽比和圆形度等8个形状参数，最后利用主成分分析法进行分类鉴定。2011-2012年，邓继忠、李敏、袁之报、金济等以小麦腥黑穗病菌（TCK、TCT及TIM）冬孢子显微图像作为对象，研究了冬孢子的图像分割，提取了冬孢子图像的16个形状和纹理特征，并从中选择了6个典型特征，分别用最小距离法、BP神经网络和支持向量机分类器等模式识别方法进行了分类试验。

目前的PCR及其衍生技术和分子标记技术等分子生物学方法的鉴定还处于研究与发展阶段，存在着程序复杂、常规PCR检测时间长等问题；显微镜下观察冬孢子形态学特征的鉴定方法对检测人员技术水平要求较高、测量过程繁琐；上述两种方法都难以满足口岸的快速鉴定要求。而基于图像分析的形态学鉴定方面，国外采用主成分分析法仅应用于印度腥黑穗病的检查，没有进行TCK与TCT的鉴定研究，国内研究主要为本发明人在2011-2012所做的对TCK、TCT、TIM的鉴定，采用的识别方法是支持向量机、神经网络等技术，鉴定精度较低，此外，陈克等采用图像技术进行了图像冬孢子的网脊的测定，但没有进行其它形态学指标的分析。

发明内容

本发明的目的在于克服现有技术的不足，提供一种小麦矮腥黑穗病TCK及其近似种TCT的冬孢子图像鉴定方法，该方法能解决或规避当前对小麦矮腥黑穗病鉴定中，分子生物学方法存在的程序复杂、常规PCR检测时间长等问题，以及显微镜下观察冬孢子形态学特征的鉴定方法对检测人员技术水平要求较高、测量过程繁琐等问题。

为实现上述目的，本发明所提供的技术方案为：小麦矮腥黑穗病TCK及其近似种TCT的冬孢子图像鉴定方法，包括以下步骤：

1）构建稀疏字典

1.1）小麦矮腥黑穗病害冬孢子图像采集，获取的图像可以包含多个冬孢子，但各孢子区域不可互相粘连；

1.2）训练样本图像制作

采用中值滤波过滤图像噪声，并采用图像分割、图像标记提取冬孢子区域，使得每幅样本图像仅包含一个冬孢子；

1.3）稀疏字典的构成

设鉴定目标有n=2类，即TCK与TCT，每类有m个训练样本，用 $A^i=\left[\begin{array}{cccc}{f}_1^i& f_2^i& ...& f_m^i\end{array}\right]$ 表示所有属于第i类的训练样本数据，i=1,2，它的m个列向量构成一个空间，反映第i类，则2个目标类的所有训练样本组成的稀疏字典矩阵如下：

Α＝[Α¹ Α²]

式中，A的行数为描述样本的特征参数个数，列数为训练样本总数；

当稀疏字典构成后，除非增加字典的容量，否则后续的每次鉴定不需再重新生成或更改；

2）矮腥黑穗病害图像鉴定

2.1）采集待鉴定矮腥黑穗病害冬孢子图像，获取的图像可以包含多个冬孢子，但各孢子区域不可互相粘连；

2.2）制作待鉴定病害的样本图像，每幅待鉴定的样本图像仅包含一个冬孢子；

2.3）提取冬孢子区域特征参数

提取小麦矮腥黑病害图像冬孢子区域的特征参数作为分类的依据，其中，所述特征参数与稀疏字典的特征参数相同；

2.4）基于稀疏表示方法的病害类型鉴定

设待鉴定样本图像的特征数据构成测试样本的向量y，则该向量可表示如下：

y＝Ax

式中，x为列向量， $x={\left[\begin{array}{cccccc}{x}_1^1& ...& x_m^1& x_1^2& ...& x_m^2\end{array}\right]}^{\′},$ 元素

表示在稀疏字典中第i类第j个训练样本上的投影系数，通过l₁最小化范数来求解x，如下式所示：

$\hat{x}=\arg \min {\left|\right|x\left|\right|}_1$ 满足||Ax-y||₂＜＜ε

式中，

为x的近似解，ε为误差阈值；

在实际识别时，用正交匹配追踪算法来求解l₁最小化范数，通过残差逼近算法与设计的分类器来判别y的所属类别，所述残差逼近算法如下式所示：

$\underset{i}{\min }{r}_i\left(y\right)=\underset{i}{\min }\left({\left|\right|y-A{\mathrm{\δ}}_i\left(\hat{x}\right)\left|\right|}_2\right)$

式中，r_i(y)为用第i类训练样本重建y的残差，

是一个新向量，它的非零元素仅是与第i类相关的成分，用

近似y，

与y距离越小，

属于第i类的可靠性越高；

稀疏表示法根据测试样本在每个训练样本上的投影系数进行识别，如下：

首先，输入训练稀疏字典的样本矩阵A，识别对象特征值向量y，稀疏度K；然后初始化残差r₀＝y，样本索引集Λ₀＝[]，t=1；最后执行以下过程：

2.4.1）找出残差r和训练样本矩阵的列φ_j内积中最大值所对应的脚标λ，即

λ＝argmax_j＝1,...,N|＜r_t-1,φ_j＞|

2.4.2）更新索引集Λ_t＝Λ_t-1∪{λ_t}，记录找到的训练样本矩阵中的重建原子集，即

${\mathrm{\Φ}}_t=[{\mathrm{\Φ}}_{t-1},{\mathrm{\φ}}_{{\mathrm{\λ}}_t}]$

2.4.3）求出 ${\hat{x}}_t=\arg \min {\left|\right|y-{\mathrm{\Φ}}_t\hat{x}\left|\right|}_2;$

2.4.4）更新残差 $r_t=y-{\mathrm{\Φ}}_t\hat{x},t=t+1;$

2.4.5）若t>K，则停止迭代，执行下面步骤2.4.6）；若不满足，则循环执行步骤2.4.1）至2.4.5）；

2.4.6）采用分类器鉴定病害类别，首先统计稀疏表示

中的非0系数，计算出测试样本y在每一类训练原子的投影系数和s，再求出投影系数和s中的最大值，最后，把该最大值所对应的类作为最终的分类结果；

3）输出鉴定结果，至此便完成矮腥黑穗病害鉴定。

在步骤1.3）中，选择小麦矮腥黑病冬孢子区域图像的八个特征参数作为分类的依据，包括冬孢子区域的角二阶矩、熵、逆差矩、惯性矩四个纹理特征，长轴、短轴、冬孢子区域面积三个形状特征及饱和度这一个颜色特征；因此，稀疏字典的列向量是由某个样本图像的八个特征参数组成，TCK与TCT类病害各选m个样本图像作为训练样本，m可选择30或以上，则稀疏表示的数据字典是一个8×2m，即行×列的二维数据矩阵，该矩阵的前m列，即第0列到第m-1列为反映TCK类的特征空间，后m列，即第m列到第2m-1列为反映TCT类的特征空间。

所述纹理特征的提取，如下：

图像的纹理是灰度分布在空间位置上反复出现而形成的，纹理特征是一种全局特征，它描述了图像区域所对应物体的表面特质，纹理描述可采用基于灰度共生矩阵的方法，所述灰度共生矩阵统计的是图像空间某点(x,y)、灰度为i的像素，与其距离为δ、灰度为j的像素(x+Δx,y+Δy)同时出现的概率p(i,j,δ,θ)，其数学描述式如下：

p(i,j,δ,θ)＝{[(x,y),(x+Δx,y+Δy)]|f(x,y)＝i,f(x+Δx,y+Δy)＝j}

式中，i,j＝0,1,2,…,L-1，L为图像的灰度级数；x,y是图像中的像素坐标，x＝0,1,2,…,N_x-1，y＝0,1,2,…,N_y-1，N_x,N_y分别为图像的的行列数；θ是灰度共生矩阵的生成方向，通常取0°，45°，90°和135°四个方向；

根据生成的灰度共生矩阵，按下述方法提取角二阶矩、熵、逆差矩、惯性矩四个纹理特征：

1）角二阶矩

$\mathrm{ASM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}p{(i,j,\mathrm{\δ},\mathrm{\θ})}^2$

角二阶矩反映了图像灰度分布的均匀程度和纹理粗细程度，如果灰度共生矩阵的所有元素值相等，那么ASM值小；如果元素值不平均，则ASM值大；当ASM值大时，纹理粗，能量大；反之，纹理细，能量小；

2）熵

$\mathrm{ENT}=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}p(i,j,\mathrm{\δ},\mathrm{\θ})*\log \left[p(i,j,d,\mathrm{\θ})\right]$

熵是图像所具有的信息量的度量，它反映了图像中纹理的非均匀程度或复杂程度；若纹理复杂，则熵值大，若图像中灰度均匀，共生矩阵中元素大小差异大，则熵值小；

3）逆差矩

$\mathrm{IDM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\frac{p(i,j,\mathrm{\δ},\mathrm{\θ})}{1+{(i-j)}^2}$

逆差矩反映图像纹理的同质性，度量图像纹理局部变化的多少；其值大则说明图像纹理的不同区域缺少变化，局部非常均匀；

4）惯性矩

$\mathrm{COM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(i-j)}^{2}p(i,j,d,\mathrm{\θ})$

惯性矩即对比度，反映了图像的清晰度和纹理沟纹深浅的程度；纹理沟纹越深，弃对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊；

所述形状特征的提取，如下：

1）长轴L

数字图像中区域边界上任意两点的连线称为弦，长轴是指冬孢子区域的最长弦，单位为像素点个数；

2）短轴S

短轴S定义为垂直于长轴方向的所有弦长的算术平均数；

3）面积A

面积A指冬孢子区域面积的所有像素点的总数，即

A＝Σf(x,y)

其中，区域内像素f(x,y)＝1，区域外像素f(x,y)＝0；

所述颜色特征的提取，如下：

将获取冬孢子的RGB图像转换成HSI图像，用饱和度分量平均值来表示其颜色特征，公式如下所示：

$f_{j,1}^i=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{I}_k$

式中，

表示第i类第j个训练样本的第1个特征值；I_k为图像的饱和度分量。

在步骤1.1）中，小麦矮腥黑穗病菌冬孢子图像是在显微镜下观察并拍摄，显微镜的放大倍数为10倍目镜，100倍物镜，图像格式可为JPG、BMP、TIF格式之一。

在步骤2.1）中，待鉴定的矮腥黑穗病害冬孢子图像是在显微镜下观察并拍摄，显微镜的放大倍数为10倍目镜，100倍物镜，图像格式可为JPG、BMP、TIF格式之一。

本发明与现有技术相比，具有如下优点与有益效果：

1、利用小麦矮腥黑穗病菌冬孢子图像作为鉴定对象，根据冬孢子的形态学特征，应用基于稀疏表示的模式识别方法，能实现TCK及其近似种TCT的快速、准确的鉴定；

2、降低了在矮腥黑穗病害鉴定中对鉴定人员的知识和经验的要求；

3、鉴定成本低廉，仅需要制作用于显微镜下观察病害图像的玻片。

附图说明

图1为显微镜采集的TCK病害图像。

图2为TCK测试样本图像。

图3为提取的TCK冬孢子区域图。

图4为TCK测试样本的投影系数图。

图5为显微镜采集的TCT图像。

图6为TCT测试样本图像。

图7为提取的TCT冬孢子区域图。

图8为TCT测试样本的投影系数图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

本实施例所述的小麦矮腥黑穗病TCK及其近似种TCT的冬孢子图像鉴定方法，包括以下步骤：

1）构建稀疏字典

1.1）小麦矮腥黑穗病害冬孢子图像采集

小麦矮腥黑穗病菌冬孢子图像是在显微镜下观察并拍摄，显微镜的放大倍数为10倍目镜，100倍物镜；获取的图像可以包含多个冬孢子，但各孢子区域不可互相粘连，图像格式可以为JPG/BMP/TIF等格式，图像大小不限。

1.2）训练样本图像制作

采用中值滤波过滤图像噪声，并采用图像分割、图像标记技术提取冬孢子区域，使得每幅样本图像仅包含一个冬孢子；将已知病害类别的TCK与TCT样本，每类各随机选取m个样本，共2m个样本作为训练样本，这些训练样本图像将用于后续的特征数据提取，并用于构建稀疏字典。

1.3）稀疏字典的构成

设鉴定目标有n=2类，即TCK与TCT，每类有m个训练样本，用 $A^i=\left[\begin{array}{cccc}{f}_1^i& f_2^i& ...& f_m^i\end{array}\right]$ 表示所有属于第i类的训练样本数据（i=1,2），它的m个列向量构成一个空间，反映第i类，则2个目标类的所有训练样本组成的稀疏字典矩阵如下：

Α＝[Α¹ Α²]

式中，A的行数为描述样本的特征参数个数，列数为训练样本总数；

在本实施例中，选择小麦矮腥黑病冬孢子区域图像的八个特征参数作为分类的依据，包括冬孢子区域的角二阶矩、熵、逆差矩、惯性矩四个纹理特征，长轴、短轴、冬孢子区域面积三个形状特征及饱和度这一个颜色特征；因此，稀疏字典的列向量是由某个样本图像的八个特征参数组成，TCK与TCT类病害各选m个样本图像作为训练样本，m可选择30或以上，则稀疏表示的数据字典是一个8×2m，即行×列的二维数据矩阵，该矩阵的前m列，即第0列到第m-1列为反映TCK类的特征空间，后m列，即第m列到第2m-1列为反映TCT类的特征空间；

所述纹理特征的提取，如下：

图像的纹理是灰度分布在空间位置上反复出现而形成的，纹理特征是一种全局特征，它描述了图像区域所对应物体的表面特质，纹理描述常采用经典的基于灰度共生矩阵的方法；所述灰度共生矩阵统计的是图像空间某点(x,y)、灰度为i的像素，与其距离为δ、灰度为j的像素(x+Δx,y+Δy)同时出现的概率p(i,j,δ,θ)，其数学描述式如下：

p(i,j,δ,θ)＝{[(x,y),(x+Δx,y+Δy)]|f(x,y)＝i,f(x+Δx,y+Δy)＝j}

式中，i,j＝0,1,2,…,L-1，L为图像的灰度级数；x,y是图像中的像素坐标，x＝0,1,2,…,N_x-1，y＝0,1,2,…,N_y-1，N_x,N_y分别为图像的的行列数；θ是灰度共生矩阵的生成方向，通常取0°，45°，90°和135°四个方向；

根据生成的灰度共生矩阵，按下述方法提取角二阶矩、熵、逆差矩、惯性矩四个纹理特征：

1）角二阶矩（能量）

$\mathrm{ASM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}p{(i,j,\mathrm{\δ},\mathrm{\θ})}^2$

角二阶矩反映了图像灰度分布的均匀程度和纹理粗细程度，如果灰度共生矩阵的所有元素值相等，那么ASM值小；如果元素值不平均，则ASM值大；当ASM值大时，纹理粗，能量大；反之，纹理细，能量小；

2）熵

$\mathrm{ENT}=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}p(i,j,\mathrm{\δ},\mathrm{\θ})*\log \left[p(i,j,d,\mathrm{\θ})\right]$

熵是图像所具有的信息量的度量，它反映了图像中纹理的非均匀程度或复杂程度；若纹理复杂，则熵值大，若图像中灰度均匀，共生矩阵中元素大小差异大，则熵值小；

3）逆差矩（局部平稳）

$\mathrm{IDM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\frac{p(i,j,\mathrm{\δ},\mathrm{\θ})}{1+{(i-j)}^2}$

逆差矩反映图像纹理的同质性，度量图像纹理局部变化的多少；其值大则说明图像纹理的不同区域缺少变化，局部非常均匀；

4）惯性矩

$\mathrm{COM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(i-j)}^{2}p(i,j,d,\mathrm{\θ})$

惯性矩即对比度，反映了图像的清晰度和纹理沟纹深浅的程度；纹理沟纹越深，弃对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊；

所述形状特征的提取，如下：

1）长轴L

数字图像中区域边界上任意两点的连线称为弦，长轴是指冬孢子区域的最长弦，单位为像素点个数；

2）短轴S

短轴S定义为垂直于长轴方向的所有弦长的算术平均数；

3）面积A

面积A指冬孢子区域面积的所有像素点的总数，即

A＝Σf(x,y)

其中，区域内像素f(x,y)＝1，区域外像素f(x,y)＝0；

所述颜色特征的提取，如下：

HSI颜色模型能够较好地反映人类视觉系统感知色彩的方式，因此，将获取冬孢子的RGB图像转换成HSI图像，用饱和度分量平均值来表示其颜色特征，公式如下所示：

$f_{j,1}^i=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{I}_k$

式中，

表示第i类第j个训练样本的第1个特征值；I_k为图像的饱和度分量；

当稀疏字典构成后，除非增加字典的容量，否则后续的每次鉴定不需再重新生成或更改。

2）小麦矮腥黑穗病害图像鉴定

2.1）采集待鉴定矮腥黑穗病害冬孢子图像

待鉴定的矮腥黑穗病害冬孢子图像是在显微镜下观察并拍摄，显微镜的放大倍数为10倍目镜，100倍物镜；获取的图像可以包含多个冬孢子，但各孢子区域不可互相粘连，图像格式可以为JPG/BMP/TIF等格式，图像大小不限。

2.2）制作待鉴定病害的样本图像

图像处理与分割的方法同上，每幅待鉴定的样本图像仅包含一个冬孢子。

2.3）提取冬孢子区域特征参数

提取小麦矮腥黑病害图像冬孢子区域的八个特征参数作为分类的依据，其中，所述八个特征参数与稀疏字典的特征参数相同。

2.4）基于稀疏表示方法的病害类型鉴定

设待鉴定样本图像的八个特征数据构成测试样本的向量y，则该向量可表示如下：

y＝Ax

式中，x为列向量， $x={\left[\begin{array}{cccccc}{x}_1^1& ...& x_m^1& x_1^2& ...& x_m^2\end{array}\right]}^{\′},$ 元素

表示在稀疏字典中第i类第j个训练样本上的投影系数，通过l₁最小化范数来求解x，如下式所示：

$\hat{x}=\arg \min {\left|\right|x\left|\right|}_1$ 满足||Ax-y||₂＜＜ε

式中，

为x的近似解，ε为误差阈值；

在实际识别时，用正交匹配追踪算法来求解l₁最小化范数，通过残差逼近算法与设计的分类器来判别y的所属类别，所述残差逼近算法如下式所示：

$\underset{i}{\min }{r}_i\left(y\right)=\underset{i}{\min }\left({\left|\right|y-A{\mathrm{\δ}}_i\left(\hat{x}\right)\left|\right|}_2\right)$

式中，r_i(y)为用第i类训练样本重建y的残差，

是一个新向量，它的非零元素仅是与第i类相关的成分，用

近似y，与y距离越小，

属于第i类的可靠性越高；

稀疏表示法根据测试样本在每个训练样本上的投影系数进行识别，如下：

首先，输入训练稀疏字典的样本矩阵A，识别对象特征值向量y，稀疏度K；然后初始化残差r₀＝y，样本索引集Λ₀＝[]，t=1；最后执行以下过程：

2.4.1）找出残差r和训练样本矩阵的列φ_j内积中最大值所对应的脚标λ，即

λ＝argmax_j＝1,...,N|＜r_t-1,φ_j＞|

2.4.2）更新索引集Λ_t＝Λ_t-1∪{λ_t}，记录找到的训练样本矩阵中的重建原子集，即

${\mathrm{\Φ}}_t=[{\mathrm{\Φ}}_{t-1},{\mathrm{\φ}}_{{\mathrm{\λ}}_t}]$

2.4.3）求出 ${\hat{x}}_t=\arg \min {\left|\right|y-{\mathrm{\Φ}}_t\hat{x}\left|\right|}_2;$

2.4.4）更新残差 $r_t=y-{\mathrm{\Φ}}_t\hat{x},t=t+1;$

2.4.5）若t>K，则停止迭代，执行下面步骤2.4.6）；若不满足，则循环执行步骤2.4.1）至2.4.5）；

2.4.6）采用分类器鉴定病害类别，首先统计稀疏表示

中的非0系数，计算出测试样本y在每一类训练原子的投影系数和s，再求出投影系数和s中的最大值，最后，把该最大值所对应的类作为最终的分类结果。

3）输出鉴定结果，至此便完成小麦矮腥黑穗病害鉴定。

下面结合图1至图8，对本发明方法进行具体说明，其情况如下：

制作训练样本图像60幅，其中TCK、TCT各30幅；训练样本编号为0-29为TCK，30-59为TCT，采用上述八个特征值构成稀疏字典。

由显微镜采集TCK病害图像，如图1所示；制作成包含单个冬孢子的测试样本图像，如图2所示；利用图像分割技术提取冬孢子区域，如图3所示；采用基于稀疏表示的识别方法获得的投影系数，如图4所示；因投影系数最大值对应字典样本编号为5，故识别类型为TCK。

由显微镜采集TCT病害图像，如图5所示；制作成包含单个冬孢子的测试样本图像，如图6所示；利用图像分割技术提取冬孢子区域，如图7所示；采用基于稀疏表示的识别方法获得的投影系数，如图8所示；因投影系数最大值对应字典样本编号为44，故识别类型为TCT。

综上所述，在采用以上方案后，本发明方法利用小麦矮腥黑穗病菌冬孢子图像作为鉴定对象，根据冬孢子的形态学特征，应用基于稀疏表示的模式识别方法，能够有效实现TCK及其近似种TCT的快速、准确的鉴定，且鉴定成本低廉，仅需要制作用于显微镜下观察病害图像的玻片即可。这相比现有技术，本发明方法能够解决或规避当前对小麦矮腥黑穗病鉴定中，分子生物学方法存在的程序复杂、常规PCR检测时间长等问题，以及显微镜下观察冬孢子形态学特征的鉴定方法对检测人员技术水平要求较高、测量过程繁琐等问题，值得推广。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (5)

1.小麦矮腥黑穗病TCK及其近似种TCT的冬孢子图像鉴定方法，其特征在于，包括以下步骤：

1）构建稀疏字典

1.1）小麦矮腥黑穗病害冬孢子图像采集，获取的图像可以包含多个冬孢子，但各孢子区域不可互相粘连；

1.2）训练样本图像制作

采用中值滤波过滤图像噪声，并采用图像分割、图像标记提取冬孢子区域，使得每幅样本图像仅包含一个冬孢子；

1.3）稀疏字典的构成

设鉴定目标有n=2类，即TCK与TCT，每类有m个训练样本，用 $A^i=\left[\begin{array}{cccc}{f}_1^i& f_2^i& ...& f_m^i\end{array}\right]$ 表示所有属于第i类的训练样本数据，i=1,2，它的m个列向量构成一个空间，反映第i类，则2个目标类的所有训练样本组成的稀疏字典矩阵如下：

Α＝[Α¹ Α²]

式中，A的行数为描述样本的特征参数个数，列数为训练样本总数；

当稀疏字典构成后，除非增加字典的容量，否则后续的每次鉴定不需再重新生成或更改；

2）矮腥黑穗病害图像鉴定

2.1）采集待鉴定矮腥黑穗病害冬孢子图像，获取的图像可以包含多个冬孢子，但各孢子区域不可互相粘连；

2.2）制作待鉴定病害的样本图像，每幅待鉴定的样本图像仅包含一个冬孢子；

2.3）提取冬孢子区域特征参数

提取小麦矮腥黑病害图像冬孢子区域的特征参数作为分类的依据，其中，所述特征参数与稀疏字典的特征参数相同；

2.4）基于稀疏表示方法的病害类型鉴定

设待鉴定样本图像的特征数据构成测试样本的向量y，则该向量可表示如下：

y＝Ax

式中，x为列向量， $x={\left[\begin{array}{cccccc}{x}_1^1& ...& x_m^1& x_1^2& ...& x_m^2\end{array}\right]}^{\′},$ 元素

表示在稀疏字典中第i类第j个训练样本上的投影系数，通过l₁最小化范数来求解x，如下式所示：

$\hat{x}=\arg \min {\left|\right|x\left|\right|}_1$ 满足||Ax-y||₂＜＜ε

式中，

为x的近似解，ε为误差阈值；

在实际识别时，用正交匹配追踪算法来求解l₁最小化范数，通过残差逼近算法与设计的分类器来判别y的所属类别，所述残差逼近算法如下式所示：

$\underset{i}{\min }{r}_i\left(y\right)=\underset{i}{\min }\left({\left|\right|y-A{\mathrm{\δ}}_i\left(\hat{x}\right)\left|\right|}_2\right)$

式中，r_i(y)为用第i类训练样本重建y的残差，

是一个新向量，它的非零元素仅是与第i类相关的成分，用近似y，

与y距离越小，属于第i类的可靠性越高；

稀疏表示法根据测试样本在每个训练样本上的投影系数进行识别，如下：

首先，输入训练稀疏字典的样本矩阵A，识别对象特征值向量y，稀疏度K；然后初始化残差r₀＝y，样本索引集Λ₀＝[]，t=1；最后执行以下过程：

2.4.1）找出残差r和训练样本矩阵的列φ_j内积中最大值所对应的脚标λ，即

λ＝argmax_j＝1,...,N|＜r_t-1,φ_j＞|

2.4.2）更新索引集Λ_t＝Λ_t-1∪{λ_t}，记录找到的训练样本矩阵中的重建原子集，即

${\mathrm{\Φ}}_t=[{\mathrm{\Φ}}_{t-1},{\mathrm{\φ}}_{{\mathrm{\λ}}_t}]$

2.4.3）求出 ${\hat{x}}_t=\arg \min {\left|\right|y-{\mathrm{\Φ}}_t\hat{x}\left|\right|}_2;$

2.4.4）更新残差 $r_t=y-{\mathrm{\Φ}}_t\hat{x},t=t+1;$

2.4.5）若t>K，则停止迭代，执行下面步骤2.4.6）；若不满足，则循环执行步骤2.4.1）至2.4.5）；

2.4.6）采用分类器鉴定病害类别，首先统计稀疏表示中的非0系数，计算出测试样本y在每一类训练原子的投影系数和s，再求出投影系数和s中的最大值，最后，把该最大值所对应的类作为最终的分类结果；

3）输出鉴定结果，至此便完成矮腥黑穗病害鉴定。

2.根据权利要求1所述的小麦矮腥黑穗病TCK及其近似种TCT的冬孢子图像鉴定方法，其特征在于：在步骤1.3）中，选择小麦矮腥黑病冬孢子区域图像的八个特征参数作为分类的依据，包括冬孢子区域的角二阶矩、熵、逆差矩、惯性矩四个纹理特征，长轴、短轴、冬孢子区域面积三个形状特征及饱和度这一个颜色特征；因此，稀疏字典的列向量是由某个样本图像的八个特征参数组成，TCK与TCT类病害各选m个样本图像作为训练样本，m可选择30或以上，则稀疏表示的数据字典是一个8×2m，即行×列的二维数据矩阵，该矩阵的前m列，即第0列到第m-1列为反映TCK类的特征空间，后m列，即第m列到第2m-1列为反映TCT类的特征空间。

3.根据权利要求2所述的小麦矮腥黑穗病TCK及其近似种TCT的冬孢子图像鉴定方法，其特征在于：

所述纹理特征的提取，如下：

图像的纹理是灰度分布在空间位置上反复出现而形成的，纹理特征是一种全局特征，它描述了图像区域所对应物体的表面特质，纹理描述可采用基于灰度共生矩阵的方法，所述灰度共生矩阵统计的是图像空间某点(x,y)、灰度为i的像素，与其距离为δ、灰度为j的像素(x+Δx,y+Δy)同时出现的概率p(i,j,δ,θ)，其数学描述式如下：

p(i,j,δ,θ)＝{[(x,y),(x+Δx,y+Δy)]|f(x,y)＝i,f(x+Δx,y+Δy)＝j}

式中，i,j＝0,1,2,…,L-1，L为图像的灰度级数；x,y是图像中的像素坐标，x＝0,1,2,…,N_x-1，y＝0,1,2,…,N_y-1，N_x,N_y分别为图像的的行列数；θ是灰度共生矩阵的生成方向，通常取0°，45°，90°和135°四个方向；

根据生成的灰度共生矩阵，按下述方法提取角二阶矩、熵、逆差矩、惯性矩四个纹理特征：

1）角二阶矩

$\mathrm{ASM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}p{(i,j,\mathrm{\δ},\mathrm{\θ})}^2$

角二阶矩反映了图像灰度分布的均匀程度和纹理粗细程度，如果灰度共生矩阵的所有元素值相等，那么ASM值小；如果元素值不平均，则ASM值大；当ASM值大时，纹理粗，能量大；反之，纹理细，能量小；

2）熵

$\mathrm{ENT}=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}p(i,j,\mathrm{\δ},\mathrm{\θ})*\log \left[p(i,j,d,\mathrm{\θ})\right]$

熵是图像所具有的信息量的度量，它反映了图像中纹理的非均匀程度或复杂程度；若纹理复杂，则熵值大，若图像中灰度均匀，共生矩阵中元素大小差异大，则熵值小；

3）逆差矩

$\mathrm{IDM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\frac{p(i,j,\mathrm{\δ},\mathrm{\θ})}{1+{(i-j)}^2}$

逆差矩反映图像纹理的同质性，度量图像纹理局部变化的多少；其值大则说明图像纹理的不同区域缺少变化，局部非常均匀；

4）惯性矩

$\mathrm{COM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(i-j)}^{2}p(i,j,d,\mathrm{\θ})$

惯性矩即对比度，反映了图像的清晰度和纹理沟纹深浅的程度；纹理沟纹越深，弃对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊；

所述形状特征的提取，如下：

1）长轴L

数字图像中区域边界上任意两点的连线称为弦，长轴是指冬孢子区域的最长弦，单位为像素点个数；

2）短轴S

短轴S定义为垂直于长轴方向的所有弦长的算术平均数；

3）面积A

面积A指冬孢子区域面积的所有像素点的总数，即

A＝Σf(x,y)

其中，区域内像素f(x,y)＝1，区域外像素f(x,y)＝0；

所述颜色特征的提取，如下：

将获取冬孢子的RGB图像转换成HSI图像，用饱和度分量平均值来表示其颜色特征，公式如下所示：

$f_{j,1}^i=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{I}_k$

式中，

表示第i类第j个训练样本的第1个特征值；I_k为图像的饱和度分量。

4.根据权利要求1所述的小麦矮腥黑穗病TCK及其近似种TCT的冬孢子图像鉴定方法，其特征在于：在步骤1.1）中，小麦矮腥黑穗病菌冬孢子图像是在显微镜下观察并拍摄，显微镜的放大倍数为10倍目镜，100倍物镜，图像格式可为JPG、BMP、TIF格式之一。

5.根据权利要求1所述的小麦矮腥黑穗病TCK及其近似种TCT的冬孢子图像鉴定方法，其特征在于：在步骤2.1）中，待鉴定的矮腥黑穗病害冬孢子图像是在显微镜下观察并拍摄，显微镜的放大倍数为10倍目镜，100倍物镜，图像格式可为JPG、BMP、TIF格式之一。

Images