一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法
【專利摘要】一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，包括：對(duì)蔬菜葉部病害進(jìn)行圖像采集；自動(dòng)生成閾值：采用二維最大熵原理，結(jié)合圖像的平均灰度級(jí)別和鄰域內(nèi)灰度級(jí)別進(jìn)行估計(jì)，并利用差分進(jìn)化算法對(duì)自動(dòng)生成的閾值進(jìn)行優(yōu)化，取30次以上的獨(dú)立運(yùn)行的差分進(jìn)化算法優(yōu)化后的結(jié)果的平均值作為圖像分割用的閾值；利用閾值對(duì)已知蔬菜葉部病害圖像進(jìn)行分割，獲取病斑區(qū)域的圖像；分析病斑的特征，獲得蔬菜葉部病害圖像病斑的顏色、紋理、形狀特征參數(shù)；對(duì)病斑特征進(jìn)行融合，并進(jìn)行病害種類特征識(shí)別。本發(fā)明可實(shí)現(xiàn)在不對(duì)蔬菜病葉做損傷的情況下對(duì)溫室大棚內(nèi)的葉部病害進(jìn)行快速有效地診斷，很好地應(yīng)用于溫室蔬菜病害監(jiān)測(cè)。
【專利說(shuō)明】一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種圖像自動(dòng)識(shí)別方法。特別是涉及一種采用計(jì)算機(jī)圖像處理技術(shù)的智能化溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法。
【背景技術(shù)】
[0002]設(shè)施蔬菜是指露地不適于蔬菜作物生長(zhǎng)的季節(jié)或地區(qū)，利用溫室等特定設(shè)施，人為構(gòu)造適于蔬菜生長(zhǎng)的環(huán)境，根據(jù)人們的需要，有計(jì)劃地生產(chǎn)優(yōu)質(zhì)、高產(chǎn)、穩(wěn)產(chǎn)的蔬菜的一種環(huán)境調(diào)控農(nóng)業(yè)?！笆晃濉逼陂g，我國(guó)設(shè)施蔬菜取得了迅猛的發(fā)展。截至2010年底，我國(guó)設(shè)施蔬菜年種植面積估計(jì)約達(dá)466.7萬(wàn)hm2，分別占我國(guó)設(shè)施栽培的95%和世界設(shè)施園藝80%的面積，現(xiàn)在仍以每年10%左右的速度在增長(zhǎng)。目前，我國(guó)設(shè)施蔬菜產(chǎn)值已達(dá)7000億元，分別占蔬菜和全國(guó)種植業(yè)總產(chǎn)值的65%和20%以上，全國(guó)農(nóng)民人均增收接近800元，占農(nóng)民人均純收入的16%，提供了近4000萬(wàn)個(gè)就業(yè)崗位，已成為我國(guó)許多區(qū)域的農(nóng)業(yè)支柱產(chǎn)業(yè)。
[0003]設(shè)施蔬菜病蟲害發(fā)生種類繁多,且病害多于蟲害。蔬菜生產(chǎn)中病害主要有霜霉病、灰霉病、瓜類枯萎病、白粉病、根結(jié)線蟲病等；蟲害主要有溫室白粉虱、煙粉虱等,病蟲害造成的損失一般為10%?30%，嚴(yán)重的可達(dá)50%以上，給菜農(nóng)帶來(lái)較大的經(jīng)濟(jì)損失。
[0004]機(jī)器視覺(jué)技術(shù)通過(guò)各種成像系統(tǒng)實(shí)現(xiàn)圖像信息的采集，由計(jì)算機(jī)利用圖像處理技術(shù)來(lái)提取和解釋采集對(duì)象的特征，結(jié)合各種模式識(shí)別算法，可以對(duì)對(duì)象進(jìn)行定量、定性的描述和分析，在植物病害診斷方面得到了廣泛的應(yīng)用。植物感病以后引起植物外部形態(tài)改變，產(chǎn)生病斑，反映在圖像上則會(huì)形成顏色、紋理、形狀特征的差異。這些差異為利用機(jī)器視覺(jué)技術(shù)和圖像處理技術(shù)診斷植物病害提供了依據(jù)。
[0005]基于計(jì)算機(jī)視覺(jué)的農(nóng)業(yè)病蟲害圖像識(shí)別通過(guò)病害的顏色、形態(tài)等特征，利用計(jì)算機(jī)視覺(jué)、圖像處理和分析等技術(shù)來(lái)進(jìn)行識(shí)別。其識(shí)別過(guò)程簡(jiǎn)單、快捷、準(zhǔn)確，操作過(guò)程及對(duì)設(shè)備的要求也相對(duì)簡(jiǎn)單，不受人員的經(jīng)驗(yàn)、情緒等主觀因素影響，但在識(shí)別準(zhǔn)確率和識(shí)別效率有待提高。隨著圖像處理技術(shù)和模式識(shí)別技術(shù)的發(fā)展，使計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用于農(nóng)作物病害的識(shí)別取得了很大的進(jìn)步。然而，現(xiàn)有的農(nóng)作物病害檢測(cè)的方法中，圖像獲取多是在理想的特定背景條件下采用單一的確定的圖像采集方式，有的甚至是將病葉采摘以后放在特定的背景后進(jìn)行拍照，不具備廣泛的實(shí)用性。

【發(fā)明內(nèi)容】

[0006]本發(fā)明所要解決的技術(shù)問(wèn)題是，提供一種針對(duì)不同作物的病害，利用計(jì)算機(jī)視覺(jué)技術(shù)，采用圖像識(shí)別算法，實(shí)現(xiàn)對(duì)蔬菜葉部病害的智能化自動(dòng)檢測(cè)的溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法。
[0007]本發(fā)明所采用的技術(shù)方案是:一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，包括如下步驟:
[0008]I)對(duì)蔬菜葉部病害進(jìn)行圖像采集；
[0009]2)自動(dòng)生成閾值:采用二維最大熵原理，結(jié)合圖像的平均灰度級(jí)別和鄰域內(nèi)灰度級(jí)別進(jìn)行估計(jì)，并利用差分進(jìn)化算法對(duì)自動(dòng)生成的閾值進(jìn)行優(yōu)化，取30次以上的獨(dú)立運(yùn)行的差分進(jìn)化算法優(yōu)化后的結(jié)果的平均值作為圖像分割用的閾值；
[0010]3)利用閾值對(duì)已知蔬菜葉部病害圖像進(jìn)行分割，獲取病斑區(qū)域的圖像；
[0011]4)分析病斑的特征，獲得蔬菜葉部病害圖像病斑的顏色、紋理、形狀特征參數(shù)；
[0012]5)對(duì)步驟4)獲得的病斑特征進(jìn)行融合，并進(jìn)行病害種類特征識(shí)別。
[0013]所述的圖像采集為完全人工現(xiàn)場(chǎng)采集方式或人工現(xiàn)場(chǎng)采集和遠(yuǎn)程監(jiān)控采集相結(jié)合的方式。
[0014]步驟2)所述的自動(dòng)生成閾值，具體包括:
[0015](I)讀入圖像數(shù)據(jù)，利用圖像讀取函數(shù)將采集到的彩色圖像文件讀入到自定義的變量Img中；
[0016](2)將變量Img轉(zhuǎn)換成灰度圖像格式，并把它存放到自定義的變量graylmg中；
[0017](3)設(shè)置表示鄰域大小的k值，k的取值為3或5或7 ;
[0018](4)計(jì)算變量graylmg的鄰域內(nèi)平均灰度級(jí)別g(x, y)，其中(x, y)表示圖像中的第X行，第y列位置，所述平均灰度級(jí)別g(x，y)的取值為灰度值；
[0019](5)統(tǒng)計(jì)graylmg內(nèi)的灰度級(jí)f (x, y) =i的像素的個(gè)數(shù)，其中i的取值為灰度值，以及統(tǒng)計(jì)graylmg的鄰域內(nèi)平均灰度級(jí)g(x, y)=j的像素的個(gè)數(shù)，其中j的取值為灰度值；
[0020](6)利用二維最大熵法計(jì)算graylmg中整個(gè)二維直方圖的聯(lián)合概率Pij ；
[0021](7)設(shè)定差分進(jìn)化算法交叉率CR，縮放因子F，種群大小NP和差分進(jìn)化算法終止條件；
[0022](8)利用元組(i，j)生成用于差分進(jìn)化操作的初始種群，其中i表示像素(X，y)的灰度級(jí)，j表示(X，y)鄰域平均灰度級(jí)；
[0023]( 9 )進(jìn)行差分進(jìn)化變異操作；
[0024]( 10)進(jìn)行差分進(jìn)化交叉操作；
[0025](11)計(jì)算每一個(gè)生成個(gè)體的適應(yīng)度值，并進(jìn)行差分進(jìn)化選擇操作；
[0026](12)判斷是否達(dá)到設(shè)定的差分進(jìn)化終止條件，是則進(jìn)入下一步驟，否則返回步驟(9)；
[0027](13)判斷是否運(yùn)行到設(shè)定的獨(dú)立次數(shù)，是則利用求得30次以上的獨(dú)立差分進(jìn)化求得閾值的平均值，得到平均閾值Thresh作為輸出閾值，否則返回步驟(8)。
[0028]步驟3)所述的對(duì)已知蔬菜葉部病害圖像進(jìn)行分割，具體包括:
[0029](I)將Img進(jìn)行HSI空間轉(zhuǎn)換，生成H分量、S分量和I分量，利用閾值Thresh對(duì)I分量進(jìn)行分割得到二值圖像tmp ；
[0030](2)對(duì)分割求得的二值圖像tmp進(jìn)行形態(tài)學(xué)運(yùn)算得到處理后的二值圖像BinImg ；
[0031](3)將經(jīng)形態(tài)學(xué)運(yùn)算處理后的二值圖像BinImg與Img圖像數(shù)據(jù)進(jìn)行邏輯“與”運(yùn)算，得到并輸出分割后生成的病斑圖像illlmg。
[0032]步驟4)所述的分析病斑的特征包括:
[0033]( I)病斑圖像顏色特征提取
[0034](a)利用圖像分割生成的病斑圖像illlmg,分解成病斑圖像紅色分量、藍(lán)色分量和綠色分量；
[0035](b)由紅色分量、藍(lán)色分量和綠色分量求出相應(yīng)的三種顏色分量的一階、二階、三階顏色矩；
[0036](c)對(duì)病斑圖像進(jìn)行HSI空間轉(zhuǎn)換，求出病斑圖像的H分量、S分量和I分量；
[0037](2)病斑圖像紋理特征提取
[0038](a)對(duì)病斑圖像illlmg進(jìn)行灰度轉(zhuǎn)化，求出與它對(duì)應(yīng)的灰度共生矩陣；
[0039](b)利用灰度共生矩陣生成相對(duì)于的病斑圖像的相關(guān)性、能量、熵、對(duì)比度和逆差距五種紋理特征；
[0040](3)病斑圖像形狀特征提取
[0041]求解病斑圖像的矩形度、圓形度、形狀復(fù)雜性的離散指數(shù)、病斑面積、病斑周長(zhǎng)特征。
[0042]步驟5)所述的對(duì)圖像特征進(jìn)行融合包括:
[0043](I)分別對(duì)步驟4)獲得的顏色、形狀、紋理圖像特征值進(jìn)行標(biāo)準(zhǔn)化處理；
[0044](2)分別對(duì)屬于顏色特征、紋理特征和形狀特征的不同特征值采用平均加權(quán)法進(jìn)行特征融合；
[0045](3)貝葉斯識(shí)別
[0046](a)利用已知的病害圖像顏色、紋理和形狀特征值對(duì)貝葉斯分類器進(jìn)行訓(xùn)練；
[0047]( b )利用貝葉斯分類器對(duì)融合后的待識(shí)別圖像特征值進(jìn)行識(shí)別，輸出識(shí)別結(jié)果。
[0048]所述的利用已知的病害圖像顏色、紋理和形狀特征值對(duì)貝葉斯分類器進(jìn)行訓(xùn)練，包括:
[0049](al)求出訓(xùn)練集中圖像數(shù)據(jù)的顏色特征、紋理特征和形狀特征的均值和方差；
[0050](a2)設(shè)定蔬菜得病的先驗(yàn)概率為P (Cli) =1/T，T為待識(shí)別疾病的種類，其中(Ii表示第i種疾病，P為疾病Cli的先驗(yàn)概率，i為疾病的編號(hào)取大于等于I的整數(shù)。
[0051 ] 所述的利用貝葉斯分類器對(duì)融合后的待識(shí)別圖像特征值進(jìn)行識(shí)別，包括:
[0052](bl)利用正態(tài)分布求出患疾病Cli表現(xiàn)出的顏色特征的概率值、紋理特征的概率值和形狀特征的概率值；
[0053](b2)求出貝葉斯公式中的正態(tài)常量；
[0054](b3)利用貝葉斯公式求出在已知顏色特征值、紋理特征值和形狀特征值條件下蔬菜患疾病Cli的概率；
[0055](b4)進(jìn)行病害分類，將在相同的顏色特征值、紋理特征值和形狀特征的條件下具有最大后驗(yàn)概率的疾病作為最終判定的疾病種類。
[0056]本發(fā)明的一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，可實(shí)現(xiàn)在不對(duì)蔬菜病葉做損傷的情況下對(duì)溫室大棚內(nèi)的葉部病害進(jìn)行快速有效地診斷，很好地應(yīng)用于溫室蔬菜病害監(jiān)測(cè)。
【專利附圖】

【附圖說(shuō)明】
[0057]圖1是本發(fā)明方法的流程圖；
[0058]圖2是本發(fā)明的閾值自動(dòng)生成流程圖；
[0059]圖3是本發(fā)明的圖像分割流程圖；
[0060]圖4是本發(fā)明的圖像識(shí)別流程圖；
[0061]圖5是二維灰度直方圖；[0062]圖6是八連通方向示意圖；[0063]圖7是鏈碼方向圖。
【具體實(shí)施方式】
[0064]下面結(jié)合實(shí)施例和附圖對(duì)本發(fā)明的一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法做出詳細(xì)說(shuō)明。
[0065]如圖1所示，本發(fā)明的一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，包括對(duì)蔬菜葉部病害進(jìn)行圖像采集；自動(dòng)生成閾值；利用閾值對(duì)已知蔬菜葉部病害圖像進(jìn)行分割，獲取病斑區(qū)域的圖像，并進(jìn)行融合；進(jìn)行病害種類特征識(shí)別。
[0066]本發(fā)明的一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，具體如下:
[0067]I)對(duì)蔬菜葉部病害進(jìn)行圖像采集；
[0068]所述的圖像采集為完全人工現(xiàn)場(chǎng)采集方式或人工現(xiàn)場(chǎng)采集和遠(yuǎn)程監(jiān)控采集相結(jié)合的方式。人工現(xiàn)場(chǎng)采集是由工作人員使用攝像機(jī)在溫室內(nèi)實(shí)地進(jìn)行葉部病害圖像采集。采集時(shí)，使病斑處于圖像的中間位置，盡量減少非病葉背景在圖像中所占范圍，拍攝角度采取鏡頭正對(duì)病葉的方式進(jìn)行。遠(yuǎn)程監(jiān)控采集是利用高分辨率攝像頭對(duì)溫室內(nèi)的病葉進(jìn)行監(jiān)控，發(fā)現(xiàn)病葉以后，對(duì)病害葉部進(jìn)行監(jiān)控視頻截圖，然后在計(jì)算機(jī)上對(duì)所截圖像進(jìn)行裁剪。裁剪時(shí)，要求圖像中病葉完整，盡量減少非病葉背景范圍。圖像采集可以采用完全人工現(xiàn)場(chǎng)采集方式；也可以采用人工采集為主，遠(yuǎn)程監(jiān)控采集為輔的方式進(jìn)行。
[0069]2)自動(dòng)生成閾值:采用二維最大熵原理，結(jié)合圖像的平均灰度級(jí)別和鄰域內(nèi)灰度級(jí)別進(jìn)行估計(jì)，并利用差分進(jìn)化算法對(duì)自動(dòng)生成的閾值進(jìn)行優(yōu)化，取30次以上的獨(dú)立運(yùn)行的差分進(jìn)化算法優(yōu)化后的結(jié)果的平均值作為圖像分割用的閾值；
[0070]所述的自動(dòng)生成閾值,如圖2所示,具體包括:
[0071](I)讀入圖像數(shù)據(jù)，利用圖像讀取函數(shù)將采集到的彩色圖像文件讀入到自定義變量Img中；
[0072](2)將自定義變量Img中的數(shù)據(jù)轉(zhuǎn)換成灰度圖像，并把它存放到自定義變量graylmg 中；
[0073](3)設(shè)置表示鄰域大小的k值，k的取值為3或5或7，實(shí)驗(yàn)中k設(shè)為3 ；
[0074]設(shè)圖像的灰度級(jí)取值范圍是O~L-1，L取值256，f(x, y)是像素點(diǎn)(x，y)的灰度級(jí)，g(x，y)是以(x，y)為中心，大小為kXk的鄰域內(nèi)像素的平均灰度級(jí)。鄰域的平均灰度級(jí)定義為:
【權(quán)利要求】
1.一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，其特征在于，包括如下步驟: 1)對(duì)蔬菜葉部病害進(jìn)行圖像采集； 2)自動(dòng)生成閾值:采用二維最大熵原理，結(jié)合圖像的平均灰度級(jí)別和鄰域內(nèi)灰度級(jí)別進(jìn)行估計(jì)，并利用差分進(jìn)化算法對(duì)自動(dòng)生成的閾值進(jìn)行優(yōu)化，取30次以上的獨(dú)立運(yùn)行的差分進(jìn)化算法優(yōu)化后的結(jié)果的平均值作為圖像分割用的閾值； 3)利用閾值對(duì)已知蔬菜葉部病害圖像進(jìn)行分割，獲取病斑區(qū)域的圖像； 4)分析病斑的特征，獲得蔬菜葉部病害圖像病斑的顏色、紋理、形狀特征參數(shù)； 5)對(duì)步驟4)獲得的病斑特征進(jìn)行融合，并進(jìn)行病害種類特征識(shí)別。
2.根據(jù)權(quán)利要求1所述的一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，其特征在于，所述的圖像采集為完全人工現(xiàn)場(chǎng)采集方式或人工現(xiàn)場(chǎng)采集和遠(yuǎn)程監(jiān)控采集相結(jié)合的方式。
3.根據(jù)權(quán)利要求1所述的一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，其特征在于，步驟2)所述的自動(dòng)生成閾值，具體包括: (1)讀入圖像數(shù)據(jù)，利用圖像讀取函數(shù)將采集到的彩色圖像文件讀入到自定義的變量1mg 中； (2)將變量Img轉(zhuǎn)換成灰度圖像格式，并把它存放到自定義的變量graylmg中； (3)設(shè)置表示鄰域大小的k值，k的取值為3或5或7; (4)計(jì)算變量graylmg的鄰域內(nèi)平均灰度級(jí)別g(x,y),其中(x, y)表示圖像中的第x行，第y列位置，所述平均灰度級(jí)別g(x，y)的取值為灰度值； (5)統(tǒng)計(jì)graylmg內(nèi)的灰度級(jí)f(x,y)=i的像素的個(gè)數(shù)，其中i的取值為灰度值，以及統(tǒng)計(jì)graylmg的鄰域內(nèi)平均灰度級(jí)g(x, y)=j的像素的個(gè)數(shù)，其中j的取值為灰度值； (6)利用二維最大熵法計(jì)算graylmg中整個(gè)二維直方圖的聯(lián)合概率Pij； (7)設(shè)定差分進(jìn)化算法交叉率CR，縮放因子F，種群大小NP和差分進(jìn)化算法終止條件； (8)利用元組(i，j)生成用于差分進(jìn)化操作的初始種群，其中i表示像素(X，y)的灰度級(jí)，j表示(X，y)鄰域平均灰度級(jí)； (9)進(jìn)行差分進(jìn)化變異操作； (10)進(jìn)行差分進(jìn)化交叉操作； (11)計(jì)算每一個(gè)生成個(gè)體的適應(yīng)度值，并進(jìn)行差分進(jìn)化選擇操作； (12)判斷是否達(dá)到設(shè)定的差分進(jìn)化終止條件，是則進(jìn)入下一步驟，否則返回步驟(9)； (13)判斷是否運(yùn)行到設(shè)定的獨(dú)立次數(shù)，是則利用求得30次以上的獨(dú)立差分進(jìn)化求得閾值的平均值，得到平均閾值Thresh作為輸出閾值，否則返回步驟(8)。
4.根據(jù)權(quán)利要求1所述的一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，其特征在于，步驟3)所述的對(duì)已知蔬菜葉部病害圖像進(jìn)行分割，具體包括: (1)將Img進(jìn)行HSI空間轉(zhuǎn)換，生成H分量、S分量和I分量，利用閾值Thresh對(duì)I分量進(jìn)行分割得到二值圖像tmp ； (2)對(duì)分割求得的二值圖像tmp進(jìn)行形態(tài)學(xué)運(yùn)算得到處理后的二值圖像BinImg； (3)將經(jīng)形態(tài)學(xué)運(yùn)算處理后的二值圖像BinImg與Img圖像數(shù)據(jù)進(jìn)行邏輯“與”運(yùn)算，得到并輸出分割后生成的病斑圖像illlmg。
5.根據(jù)權(quán)利要求1所述的一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，其特征在于，步驟4)所述的分析病斑的特征包括:(1)病斑圖像顏色特征提取 (a)利用圖像分割生成的病斑圖像illlmg,分解成病斑圖像紅色分量、藍(lán)色分量和綠色分量; (b)由紅色分量、藍(lán)色分量和綠色分量求出相應(yīng)的三種顏色分量的一階、二階、三階顏色矩； (c)對(duì)病斑圖像進(jìn)行HSI空間轉(zhuǎn)換，求出病斑圖像的H分量、S分量和I分量； (2)病斑圖像紋理特征提取 (a)對(duì)病斑圖像illlmg進(jìn)行灰度轉(zhuǎn)化，求出與它對(duì)應(yīng)的灰度共生矩陣； (b)利用灰度共生矩陣生成相對(duì)于的病斑圖像的相關(guān)性、能量、熵、對(duì)比度和逆差距五種紋理特征； (3)病斑圖像形狀特征提取 求解病斑圖像的矩形度、圓形度、形狀復(fù)雜性的離散指數(shù)、病斑面積、病斑周長(zhǎng)特征。
6.根據(jù)權(quán)利要求1所述的一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，其特征在于，步驟5)所述的對(duì)圖像特征進(jìn)行融合包括: (O分別對(duì)步驟4)獲得的顏色、形狀、紋理圖像特征值進(jìn)行標(biāo)準(zhǔn)化處理； (2)分別對(duì)屬于顏色特征、紋理特征和形狀特征的不同特征值采用平均加權(quán)法進(jìn)行特征融合； (3)貝葉斯識(shí)別 Ca)利用已知的病害圖像顏色、紋理和形狀特征值對(duì)貝葉斯分類器進(jìn)行訓(xùn)練； (b )利用貝葉斯分類器對(duì)融合后的待識(shí)別圖像特征值進(jìn)行識(shí)別，輸出識(shí)別結(jié)果。
7.根據(jù)權(quán)利要求6所述的一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，其特征在于，所述的利用已知的病害圖像顏色、紋理和形狀特征值對(duì)貝葉斯分類器進(jìn)行訓(xùn)練，包括: (al)求出訓(xùn)練集中圖像數(shù)據(jù)的顏色特征、紋理特征和形狀特征的均值和方差； (a2)設(shè)定蔬菜得病的先驗(yàn)概率為ρ(φ)=1/Τ，T為待識(shí)別疾病的種類，其中Cli表示第i種疾病，P為疾病Cli的先驗(yàn)概率，i為疾病的編號(hào)取大于等于I的整數(shù)。
8.根據(jù)權(quán)利要求6所述的一種溫室蔬菜葉部病害圖像自動(dòng)識(shí)別方法，其特征在于，所述的利用貝葉斯分類器對(duì)融合后的待識(shí)別圖像特征值進(jìn)行識(shí)別，包括: (bl)利用正態(tài)分布求出患疾病Cli表現(xiàn)出的顏色特征的概率值、紋理特征的概率值和形狀特征的概率值； (b2)求出貝葉斯公式中的正態(tài)常量； (b3)利用貝葉斯公式求出在已知顏色特征值、紋理特征值和形狀特征值條件下蔬菜患疾病Cli的概率； (b4)進(jìn)行病害分類，將在相同的顏色特征值、紋理特征值和形狀特征的條件下具有最大后驗(yàn)概率的疾病作為最終判定的疾病種類。
【文檔編號(hào)】G06T7/00GK103559511SQ201310591368
【公開(kāi)日】2014年2月5日 申請(qǐng)日期:2013年11月20日 優(yōu)先權(quán)日:2013年11月20日
【發(fā)明者】李乃祥, 郭鵬, 劉同海, 王學(xué)利, 余秋冬 申請(qǐng)人:天津農(nóng)學(xué)院