本技術(shù)涉及蘋(píng)果樹(shù)病蟲(chóng)害圖像處理，具體涉及一種用于蘋(píng)果樹(shù)的病蟲(chóng)害分割檢測(cè)方法。

背景技術(shù)：

1、目前，比較常見(jiàn)的蘋(píng)果樹(shù)病蟲(chóng)害主要有褐斑病、斑點(diǎn)落葉病、花葉病、黑星病、泡斑病等。每種病蟲(chóng)害都有初期、中期、晚期，在不同時(shí)期，病蟲(chóng)害的位置、顏色、形狀都會(huì)發(fā)生變化，而且病蟲(chóng)害在葉片中所占的尺寸非常小，有些病蟲(chóng)害的顏色與背景的顏色較為相似。

2、通常識(shí)別圖像中的特征點(diǎn)后，使用神經(jīng)網(wǎng)絡(luò)模型對(duì)病蟲(chóng)害進(jìn)行檢測(cè)；但蘋(píng)果樹(shù)病蟲(chóng)害的目標(biāo)較小，且與背景較為相似，導(dǎo)致病蟲(chóng)害特征點(diǎn)的檢測(cè)精度不高，使得神經(jīng)網(wǎng)絡(luò)模型不容易將病蟲(chóng)害檢測(cè)出來(lái)，病蟲(chóng)害分割檢測(cè)精度較低。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問(wèn)題，本技術(shù)提供一種用于蘋(píng)果樹(shù)的病蟲(chóng)害分割檢測(cè)方法，以解決現(xiàn)有的問(wèn)題。

2、本技術(shù)的一種用于蘋(píng)果樹(shù)的病蟲(chóng)害分割檢測(cè)方法采用如下技術(shù)方案：

3、本技術(shù)一個(gè)實(shí)施例提供了一種用于蘋(píng)果樹(shù)的病蟲(chóng)害分割檢測(cè)方法，該方法包括以下步驟：

4、s1，獲取蘋(píng)果樹(shù)病蟲(chóng)害圖像；

5、s2，對(duì)蘋(píng)果樹(shù)病蟲(chóng)害圖像的尺度進(jìn)行劃分，得到各尺度下的蘋(píng)果樹(shù)病蟲(chóng)害圖像，提取各尺度下的蘋(píng)果樹(shù)病蟲(chóng)害圖像中的特征點(diǎn)；

6、s3，對(duì)于各尺度下的蘋(píng)果樹(shù)病蟲(chóng)害圖像，根據(jù)各特征點(diǎn)在不同方向上的梯度變化情況得到輔方向，根據(jù)所有特征點(diǎn)的輔方向數(shù)量篩選疑似病蟲(chóng)害特征點(diǎn)；

7、s4，根據(jù)各疑似病蟲(chóng)害特征點(diǎn)在不同輔方向上的灰度變化差異，得到各疑似病蟲(chóng)害特征點(diǎn)的輔方向區(qū)分度；根據(jù)不同疑似病蟲(chóng)害特征點(diǎn)之間的距離對(duì)所有疑似病蟲(chóng)害特征點(diǎn)進(jìn)行聚類(lèi)，得到各疑似病蟲(chóng)害特征點(diǎn)的局部密度；結(jié)合疑似病蟲(chóng)害特征點(diǎn)的輔方向區(qū)分度和局部密度得到疑似病蟲(chóng)害特征點(diǎn)的病蟲(chóng)害概率；

8、s5，根據(jù)所有尺度下的蘋(píng)果樹(shù)病蟲(chóng)害圖像中疑似病蟲(chóng)害特征點(diǎn)的病蟲(chóng)害概率篩選病蟲(chóng)害特征點(diǎn)，根據(jù)所有病蟲(chóng)害特征點(diǎn)識(shí)別待檢測(cè)的蘋(píng)果樹(shù)病蟲(chóng)害圖像中病蟲(chóng)害的位置。

9、進(jìn)一步，所述對(duì)蘋(píng)果樹(shù)病蟲(chóng)害圖像的尺度進(jìn)行劃分，得到各尺度下的蘋(píng)果樹(shù)病蟲(chóng)害圖像，提取各尺度下的蘋(píng)果樹(shù)病蟲(chóng)害圖像中的特征點(diǎn)，包括：

10、將蘋(píng)果樹(shù)病蟲(chóng)害圖像輸入預(yù)設(shè)層數(shù)的高斯金字塔，得到各尺度下的蘋(píng)果樹(shù)病蟲(chóng)害圖像；獲取各尺度下的蘋(píng)果樹(shù)病蟲(chóng)害圖像中的所有局部極值點(diǎn)；將各局部極值點(diǎn)記為各特征點(diǎn)。

11、進(jìn)一步，所述根據(jù)各特征點(diǎn)在不同方向上的梯度變化情況得到輔方向，根據(jù)所有特征點(diǎn)的輔方向數(shù)量篩選疑似病蟲(chóng)害特征點(diǎn)，包括：

12、獲取各特征點(diǎn)的預(yù)設(shè)鄰域內(nèi)所有像素點(diǎn)處的梯度方向；獲取預(yù)設(shè)的梯度方向區(qū)間；將梯度方向區(qū)間平均劃分為預(yù)設(shè)數(shù)量個(gè)子區(qū)間；對(duì)于各特征點(diǎn)，將特征點(diǎn)的預(yù)設(shè)鄰域內(nèi)所有像素點(diǎn)按照梯度方向劃分至各子區(qū)間中，統(tǒng)計(jì)各子區(qū)間包含的像素點(diǎn)數(shù)量；

13、根據(jù)各子區(qū)間包含的像素點(diǎn)數(shù)量差異，得到特征點(diǎn)的各輔方向；統(tǒng)計(jì)每個(gè)特征點(diǎn)的輔方向數(shù)量，對(duì)所有特征點(diǎn)的輔方向數(shù)量進(jìn)行閾值分割，得到方向分割閾值；將輔方向數(shù)量大于或等于方向分割閾值的像素點(diǎn)標(biāo)記為疑似病蟲(chóng)害特征點(diǎn)。

14、進(jìn)一步，所述特征點(diǎn)的各輔方向的獲取方法，包括：

15、將特征點(diǎn)的梯度方向所屬的子區(qū)間，記為主方向區(qū)間；根據(jù)主方向區(qū)間與其他各子區(qū)間的像素點(diǎn)數(shù)量對(duì)比，得到各子區(qū)間的方向概率；

16、將除主方向區(qū)間之外的方向概率大于預(yù)設(shè)閾值的子區(qū)間記為輔方向區(qū)間；將輔方向區(qū)間中包含的每個(gè)像素點(diǎn)的梯度方向記為特征點(diǎn)的一個(gè)輔方向。

17、進(jìn)一步，所述各子區(qū)間的方向概率的獲取方法，包括：

18、統(tǒng)計(jì)主方向區(qū)間中的像素點(diǎn)數(shù)量，記為第一數(shù)量；將各子區(qū)間包含的像素點(diǎn)數(shù)量與第一數(shù)量的比值，記為各子區(qū)間的方向概率。

19、進(jìn)一步，所述各疑似病蟲(chóng)害特征點(diǎn)的輔方向區(qū)分度的獲取方法，包括：

20、獲取各疑似病蟲(chóng)害特征點(diǎn)的梯度向量；將所述梯度向量在各輔方向上的分量，記為各輔方向上的梯度幅值；

21、對(duì)于各疑似病蟲(chóng)害特征點(diǎn)的任意兩個(gè)輔方向，計(jì)算所述任意兩個(gè)輔方向之間的方向差異；所述方向差異為所述任意兩個(gè)輔方向之間的角度值；獲取各疑似病蟲(chóng)害特征點(diǎn)的所有所述方向差異的方差，記為第一方差；計(jì)算所述任意兩個(gè)輔方向的梯度幅值之間的差異，記為梯度幅值差異，將各疑似病蟲(chóng)害特征點(diǎn)的所有所述梯度幅值差異的方差，記為第二方差；

22、獲取各疑似病蟲(chóng)害特征點(diǎn)的所有輔方向組成的向量，記為輔方向向量；獲取各疑似病蟲(chóng)害特征點(diǎn)與其他所有疑似病蟲(chóng)害特征點(diǎn)的輔方向向量之間的距離之和，記為各疑似病蟲(chóng)害特征點(diǎn)的局部輔方向差異；

23、根據(jù)各疑似病蟲(chóng)害特征點(diǎn)的第一方差、第二方差和局部輔方向差異，得到各疑似病蟲(chóng)害特征點(diǎn)的輔方向區(qū)分度。

24、進(jìn)一步，所述根據(jù)各疑似病蟲(chóng)害特征點(diǎn)的第一方差、第二方差和局部輔方向差異，得到各疑似病蟲(chóng)害特征點(diǎn)的輔方向區(qū)分度，包括：

25、計(jì)算各疑似病蟲(chóng)害特征點(diǎn)的第一方差與第二方差的乘積；獲取所述乘積與預(yù)設(shè)常數(shù)的和值；將各疑似病蟲(chóng)害特征點(diǎn)的局部輔方向差異與所述和值的比值，作為各疑似病蟲(chóng)害特征點(diǎn)的輔方向區(qū)分度；所述預(yù)設(shè)常數(shù)的值為0.01。

26、進(jìn)一步，所述各疑似病蟲(chóng)害特征點(diǎn)的局部密度的獲取方法，包括：

27、將疑似病蟲(chóng)害特征點(diǎn)數(shù)量的預(yù)設(shè)比例值的取整值作為截?cái)嗑嚯x，對(duì)所有疑似病蟲(chóng)害特征點(diǎn)的坐標(biāo)進(jìn)行密度聚類(lèi)，得到各疑似病蟲(chóng)害特征點(diǎn)的局部密度。

28、進(jìn)一步，所述結(jié)合疑似病蟲(chóng)害特征點(diǎn)的輔方向區(qū)分度和局部密度得到疑似病蟲(chóng)害特征點(diǎn)的病蟲(chóng)害概率，包括：將第i個(gè)疑似病蟲(chóng)害特征點(diǎn)的病蟲(chóng)害概率記為，；式中，表示第i個(gè)疑似病蟲(chóng)害特征點(diǎn)的病蟲(chóng)害概率；c和d分別為第一預(yù)設(shè)權(quán)重系數(shù)和第二預(yù)設(shè)權(quán)重系數(shù)，c=0.7，d=0.3；為第i個(gè)疑似病蟲(chóng)害特征點(diǎn)的輔方向區(qū)分度；為第i個(gè)疑似病蟲(chóng)害特征點(diǎn)的局部密度。

29、進(jìn)一步，所述根據(jù)所有尺度下的蘋(píng)果樹(shù)病蟲(chóng)害圖像中疑似病蟲(chóng)害特征點(diǎn)的病蟲(chóng)害概率篩選病蟲(chóng)害特征點(diǎn)，根據(jù)所有病蟲(chóng)害特征點(diǎn)識(shí)別待檢測(cè)的蘋(píng)果樹(shù)病蟲(chóng)害圖像中病蟲(chóng)害的位置，包括：

30、對(duì)所有尺度下的蘋(píng)果樹(shù)病蟲(chóng)害圖像中所有疑似病蟲(chóng)害特征點(diǎn)的病蟲(chóng)害概率進(jìn)行閾值分割得到病蟲(chóng)害特征閾值；將病蟲(chóng)害概率大于或等于病蟲(chóng)害特征閾值的疑似病蟲(chóng)害特征點(diǎn)，作為病蟲(chóng)害特征點(diǎn)；

31、將病蟲(chóng)害特征點(diǎn)的八鄰域區(qū)域均勻劃分為第一預(yù)設(shè)數(shù)量的子區(qū)域，代入sift描述子得到各特征向量；

32、獲取第二預(yù)設(shè)數(shù)量幅蘋(píng)果樹(shù)病蟲(chóng)害圖像，人工對(duì)蘋(píng)果樹(shù)病蟲(chóng)害圖像中的病蟲(chóng)害位置進(jìn)行標(biāo)注，作為訓(xùn)練集對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，在訓(xùn)練過(guò)程中將所有所述特征向量與神經(jīng)網(wǎng)絡(luò)模型中卷積層輸出的特征向量進(jìn)行拼接，得到訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型；使用訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型對(duì)待檢測(cè)的蘋(píng)果樹(shù)病蟲(chóng)害圖像進(jìn)行檢測(cè)，得到病蟲(chóng)害的位置。

33、本技術(shù)至少具有如下有益效果：

34、本技術(shù)通過(guò)針對(duì)較小的病蟲(chóng)害目標(biāo)和病蟲(chóng)害與背景較為相似所導(dǎo)致的病蟲(chóng)害檢測(cè)精度較低的問(wèn)題，首先分析了蘋(píng)果樹(shù)斑點(diǎn)落葉病的紋理變化特征，根據(jù)各特征點(diǎn)在不同方向上的梯度變化情況得到輔方向，篩選疑似病蟲(chóng)害特征點(diǎn)，排除了環(huán)境因素或噪聲對(duì)病蟲(chóng)害特征點(diǎn)識(shí)別的干擾；進(jìn)一步根據(jù)各疑似病蟲(chóng)害特征點(diǎn)的在不同輔方向上的灰度變化差異，得到各疑似病蟲(chóng)害特征點(diǎn)的輔方向區(qū)分度，提高病蟲(chóng)害特征點(diǎn)與葉脈紋理的區(qū)分度，使得病蟲(chóng)害特征點(diǎn)的識(shí)別更加精準(zhǔn)；結(jié)合疑似病蟲(chóng)害特征點(diǎn)的輔方向區(qū)分度和疑似病蟲(chóng)害特征點(diǎn)的位置信息，得到疑似病蟲(chóng)害特征點(diǎn)的病蟲(chóng)害概率，用于表征每個(gè)特征點(diǎn)作為斑點(diǎn)落葉病所形成的病蟲(chóng)害區(qū)域內(nèi)的特征點(diǎn)的概率高低，篩選出了病蟲(chóng)害特征點(diǎn)；最后將每個(gè)病蟲(chóng)害特征點(diǎn)的特征向量與神經(jīng)網(wǎng)絡(luò)中的特征向量進(jìn)行拼接，得到更加豐富的特征表示，提高了神經(jīng)網(wǎng)絡(luò)模型對(duì)病蟲(chóng)害分割檢測(cè)的精度。