一種農(nóng)作物葉部病害識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于農(nóng)作物栽培技術(shù)領(lǐng)域，尤其涉及一種基于圖像處理的農(nóng)作物葉部病害 識(shí)別方法。
【背景技術(shù)】
[0002] 我國(guó)幅員遼闊，地形、氣候類型復(fù)雜多樣，從南到北分為熱帶、亞熱帶、溫帶和寒 帶。然而我國(guó)人口眾多，耕地面積相對(duì)較少，因此農(nóng)業(yè)特別是種植業(yè)在我國(guó)的地位非常重 要，關(guān)系整個(gè)國(guó)計(jì)民生。我國(guó)主要糧食作物有水稻、小麥、玉米、大豆等，經(jīng)濟(jì)作物有棉花、花 生、油菜、甘蔗和甜菜等。然而隨著工業(yè)發(fā)展，我國(guó)的生態(tài)系統(tǒng)日漸薄弱，農(nóng)作物的病害非常 嚴(yán)重，病害種類繁多，分布廣泛，發(fā)生頻繁。因此準(zhǔn)確、快速地實(shí)現(xiàn)農(nóng)作物病害識(shí)別，是農(nóng)作 物病害治理防治的重要環(huán)節(jié)，成為科技工作者的重要研宄方向。
[0003] 在目前的病害識(shí)別技術(shù)中，已經(jīng)廣泛的采用了計(jì)算機(jī)和圖像處理技術(shù)，例如專利 號(hào)為201210235693. 3的中國(guó)發(fā)明專利，就公開了一種農(nóng)作物葉部病害檢測(cè)方法，采集待檢 測(cè)農(nóng)作物的葉部圖像并上傳至在線檢測(cè)平臺(tái)，對(duì)待檢測(cè)農(nóng)作物葉部病斑圖像實(shí)現(xiàn)分割與識(shí) 另IJ，輸出檢測(cè)結(jié)果并給出防治建議。
[0004] 但是現(xiàn)有的農(nóng)作物病害識(shí)別分類中病斑分割主要是利用邊緣檢測(cè)法、最大類間方 差法、模糊C均值法和分水嶺分割法，這些方法都需要進(jìn)行復(fù)雜的田間背景分割和一系列 的預(yù)處理，增加了病斑分割的復(fù)雜性。同時(shí)在在特征提取中，現(xiàn)有的方法中的紋理特征主要 是相關(guān)性、能量、熵、對(duì)比度和逆差等等，這些基于灰度共生矩陣定義許多基于統(tǒng)計(jì)法的紋 理特征量是全局特征，而局部特征較全局特征來說具有旋轉(zhuǎn)不變性和灰度不變性等顯著的 優(yōu)點(diǎn)；而農(nóng)作物病害識(shí)別分類中病害的識(shí)別分類主要是利用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)以及改 進(jìn)的支持向量機(jī)方法，雖然這些方法能夠識(shí)別出病害種類，但是這些方法所識(shí)別的種類數(shù) 不多，一般都只識(shí)別3類病害，而且這些方法在進(jìn)行訓(xùn)練時(shí)需要的樣本很多，并且識(shí)別率不 尚。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種農(nóng)作物葉部病害識(shí)別方法，以避免現(xiàn)有技術(shù)病斑圖像分 割復(fù)雜，病害識(shí)別不高的技術(shù)問題。
[0006] 為了實(shí)現(xiàn)上述目的，本發(fā)明技術(shù)方案如下：
[0007] 一種農(nóng)作物葉部病害識(shí)別方法，包括如下步驟：
[0008] 將采集圖像轉(zhuǎn)化為CIELab顏色空間圖像，根據(jù)設(shè)定的鄰域尺度，計(jì)算每個(gè)鄰域尺 度下采集圖像中每個(gè)像素點(diǎn)的特征向量與該像素點(diǎn)鄰域內(nèi)像素點(diǎn)的特征向量均值之間的 歐式距離作為該像素點(diǎn)的顯著度；
[0009] 將計(jì)算得到的每個(gè)鄰域尺度下各像素點(diǎn)的顯著度轉(zhuǎn)化為灰度值，得到每個(gè)鄰域尺 度下的顯著圖，對(duì)得到的每個(gè)鄰域尺度下的顯著圖中對(duì)應(yīng)像素點(diǎn)的灰度值求均值，得到最 終顯著圖；
[0010] 采用K均值聚類法將最終顯著圖分割為K個(gè)區(qū)域，將其像素點(diǎn)顯著度的平均值大 于設(shè)定閾值的區(qū)域提取為顯著區(qū)域；
[0011] 對(duì)提取的顯著區(qū)域進(jìn)行校正得到病斑圖像；
[0012] 提取病斑圖像的顏色、局部紋理特征參數(shù)，將得到的顏色、局部紋理特征參數(shù)輸入 神經(jīng)網(wǎng)絡(luò)進(jìn)行病害識(shí)別和分類。
[0013] 進(jìn)一步地，所述將采集圖像轉(zhuǎn)化為CIELab顏色空間圖像之后，還包括步驟：
[0014] 將采集圖像在CIELab顏色空間進(jìn)行量化處理，量化方法如下：
[0015] L' = L/L0
[0016] a = a/a〇
[0017] b' = b/b0
[0018] 其中，（L，a，b)表示采集圖像像素點(diǎn)的CIELab參數(shù)值，（L'，a'，b'）表示量化后的 像素點(diǎn)CIELab參數(shù)值，L。、a Q、bQ為量化參數(shù)。因此量化后CIELab顏色空間的采集圖像被 平均分成16*16*16個(gè)部分并以直方圖的形式呈現(xiàn)。通過量化處理這樣就解決了 CIELab顏 色空間中三個(gè)參數(shù)值的范圍是不同問題，減少了計(jì)算量，便于后續(xù)計(jì)算。
[0019] 其中，所述量化參數(shù) Ltl= 6. 25, a。= 15, b。= 15。
[0020] 本發(fā)明所述設(shè)定的領(lǐng)域尺度為三個(gè)，對(duì)于寬為W像素，高為H像素的采集圖像，其 中W>H，像素點(diǎn)的鄰域尺度w變化范圍為：
【主權(quán)項(xiàng)】
1. 一種農(nóng)作物葉部病害識(shí)別方法，其特征在于，包括如下步驟： 將采集圖像轉(zhuǎn)化為CffiLab顏色空間圖像，根據(jù)設(shè)定的鄰域尺度，計(jì)算每個(gè)鄰域尺度下 采集圖像中每個(gè)像素點(diǎn)的特征向量與該像素點(diǎn)鄰域內(nèi)像素點(diǎn)的特征向量均值之間的歐式 距離作為該像素點(diǎn)的顯著度； 將計(jì)算得到的每個(gè)鄰域尺度下各像素點(diǎn)的顯著度轉(zhuǎn)化為灰度值，得到每個(gè)鄰域尺度下 的顯著圖，對(duì)得到的每個(gè)鄰域尺度下的顯著圖中對(duì)應(yīng)像素點(diǎn)的灰度值求均值，得到最終顯 著圖； 采用K均值聚類法將最終顯著圖分割為K個(gè)區(qū)域，將其像素點(diǎn)顯著度的平均值大于設(shè) 定闊值的區(qū)域提取為顯著區(qū)域； 對(duì)提取的顯著區(qū)域進(jìn)行校正得到病斑圖像； 提取病斑圖像的顏色、局部紋理特征參數(shù)，將得到的顏色、局部紋理特征參數(shù)輸入神經(jīng) 網(wǎng)絡(luò)進(jìn)行病害識(shí)別和分類。
2. 根據(jù)權(quán)利要求1所述的農(nóng)作物葉部病害識(shí)別方法，其特征在于，所述將采集圖像轉(zhuǎn) 化為CffiL油顏色空間圖像之后，還包括步驟： 將采集圖像在CffiL油顏色空間進(jìn)行量化處理，量化方法如下： L' =L/L〇 a' = a/a〇 b = b/b〇 其中，（L，a，b)表示采集圖像像素點(diǎn)的CffiL油參數(shù)值，（L'，a'，b'）表示量化后的像素 點(diǎn)CffiL油參數(shù)值，L。、a。、b。為量化參數(shù)。
3. 根據(jù)權(quán)利要求2所述的農(nóng)作物葉部病害識(shí)別方法，其特征在于，所述量化參數(shù)L。= 6. 25, a〇= 15, b 0= 15。
4. 根據(jù)權(quán)利要求1-3任一權(quán)利要求所述的農(nóng)作物葉部病害識(shí)別方法，其特征在于，所 述設(shè)定的領(lǐng)域尺度為S個(gè)，對(duì)于寬為W像素，高為H像素的采集圖像，其中W〉H，像素點(diǎn)的鄰 域尺度W變化范圍為； W W 。
5. 根據(jù)權(quán)利要求1所述的農(nóng)作物葉部病害識(shí)別方法，其特征在于，所述設(shè)定闊值為像 素點(diǎn)最大顯著度的5%?20%。
6. 根據(jù)權(quán)利要求1所述的農(nóng)作物葉部病害識(shí)別方法，其特征在于，所述對(duì)提取的顯著 區(qū)域進(jìn)行校正得到病斑圖像，包括步驟： 首先選擇提取了顯著區(qū)域的采集圖像的RGB圖像中的R分量通過最大類間方差法得到 最佳闊值，利用該個(gè)闊值對(duì)提取了顯著區(qū)域的采集圖像進(jìn)行二值化，得到包括背景區(qū)域和 目標(biāo)區(qū)域的二值化圖像RWi; 然后對(duì)二值化圖像RWi中目標(biāo)區(qū)域中出現(xiàn)的空洞進(jìn)行區(qū)域填充，并去除面積小的一些 目標(biāo)區(qū)域； 將二值化圖像RWi對(duì)應(yīng)的RGB圖像轉(zhuǎn)換到CKLab顏色空間里，選擇利用a分量根據(jù)設(shè) 定的闊值將圖像轉(zhuǎn)換為二值圖像RW2,再將RW2轉(zhuǎn)換為RGB彩色圖像，得到病斑圖像。
7. 根據(jù)權(quán)利要求1所述的農(nóng)作物葉部病害識(shí)別方法，其特征在于，所述提取病斑圖像 的顏色、局部紋理特征參數(shù)，包括步驟： 分別提取病斑圖像的R、G、B、H、S、V分量的一階矩、二階矩作為顏色特征； 采用局部二值模式LBP算子均勻模式對(duì)病斑圖像計(jì)算LBP值并進(jìn)行統(tǒng)計(jì)得到局部紋理 特征。
8.根據(jù)權(quán)利要求1所述的農(nóng)作物葉部病害識(shí)別方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)為網(wǎng) 絡(luò)結(jié)構(gòu)為65-50-5的化opout神經(jīng)網(wǎng)絡(luò)，化opout的比例為50%。
【專利摘要】本發(fā)明公開了一種農(nóng)作物葉部病害識(shí)別方法，該方法將采集圖像轉(zhuǎn)化為CIELab顏色空間圖像，對(duì)每個(gè)像素點(diǎn)基于多尺度鄰域計(jì)算像素點(diǎn)的顯著度得到最終顯著圖，并采用K均值聚類法將最終顯著圖分割為K個(gè)區(qū)域，將其像素點(diǎn)顯著度的平均值大于設(shè)定閾值的區(qū)域提取為顯著區(qū)域；對(duì)提取的顯著區(qū)域進(jìn)行校正得到病斑圖像；提取病斑圖像的顏色、局部紋理特征參數(shù)，將得到的顏色、局部紋理特征參數(shù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行病害識(shí)別和分類。本發(fā)明的方法提取后的病斑圖像不存在顏色失真的情況，病害識(shí)別準(zhǔn)確率高。
【IPC分類】G06K9-46
【公開號(hào)】CN104598908
【申請(qǐng)?zhí)枴緾N201410504654
【發(fā)明人】桂江生, 郝麗, 張青, 汪博, 包曉安
【申請(qǐng)人】浙江理工大學(xué)
【公開日】2015年5月6日
【申請(qǐng)日】2014年9月26日