基于显著区域和PHOG的黄瓜病害识别方法研究

快速准确地识别黄瓜病害类型是黄瓜病害防治的前提,针对现有基于病害叶片图像的黄瓜病害识别方法中的病斑分割和特征提取难题,提出一种基于显著区域和方向梯度直方图的黄瓜病害叶片图像分割与识别方法。首先,利用叶片图像的亮度和颜色低阶特征,结合多尺度分析确定原始采用病害叶片图像的显著图;其次,利用K-均值算法分割显著图,得到病斑图像;再提取病斑图像的方向梯度直方图特征;最后利用支持向量机(support vector machine,简称SVM)进行病害识别。在4种常见黄瓜病害叶片图像数据库上进行测试,平均正确识别率大于90%。结果表明,该方法能够准确分割和识别复杂背景下的黄瓜病害叶片图像,为田间开放环境下实现黄瓜病害的快速自动识别提供了依据。     

基于颜色特征和属性约简的黄瓜病害识别方法

为了减少黄瓜叶部病害给农业生产带来的损失,提高病害的识别率和精度,提出了一种基于颜色特征和属性约简算法的黄瓜病害叶片分割与识别方法。该方法首先利用最大类间方差(Otsu)阈值法对黄瓜病害叶片图像进行病斑分割;其次提取病斑图像的36个分类特征,再利用基于区分矩阵的属性约简算法进行特征选择;最后利用最近邻分类器进行病害识别。该方法在5种常见黄瓜病害叶片图像数据库上进行了病害识别试验,结果表明,识别率高达94.8%。说明,该方法对作物病害叶片图像识别是有效可行的。     

基于图像特征融合的麦冬叶部病害识别

以川麦冬叶部黑斑病、炭疽病、叶枯病3种病害图像为研究对象,对比分析了双峰法、Otsu阈值分割法以及K-means聚类分割算法对麦冬病斑图像的分割效果。结果表明,K-means聚类算法结合数学形态学方法能满足病斑分割要求;提取病斑图像颜色、形状、纹理信息融合成病斑特征向量;运用方差分析与主成分分析法剔除了病害表征能力较差的特征参数并将特征向量维数降至10维;运用支持向量机设计出分类器进行病害识别,经试验识别率达到了90%。该方法具有成本低、算法简单、运行高效等优势,基本符合实际应用要求。     

基于过渡区研究的黄瓜病害识别方法

[目的]针对黄瓜生长过程中常见的霜霉病、白粉病和靶斑病,提出改进的病害识别方法,为黄瓜病害自动识别提供一种技术支持.[方法]将RGB模型的病害图像转换到HSV和YUV颜色空间,通过OTSU筛选,获取阈值分割效果最好的HSV颜色空间的V分量,综合全阈值法和局部动态阈值法对V分量进行分割,获取病斑区和过渡区的分割图像.分别提取病斑区和过渡区的颜色和形状特征,基于支持向量机(Support vector machines,SVM)进行病害识别.[结果]以采集的240幅病害图像为研究样本,当惩罚参数C=32,核函数参数γ=1时,基于病斑区和过渡区在颜色和形状方面的22个特征数据,SVM分类器对霜霉病、白粉病和靶斑病3种病害的识别率分别达83.3%、76.7%和90.0%,对比仅以病斑区的11个特征数据为基础的识别结果,增加过渡区特征数据之后,黄瓜病害识别率有较大提升,分别提高26.6%、13.4%和16.7%(绝对值).[建议]未来研究中应拓展黄瓜病害研究的种类,在进行病害识别时应将病害发展程度及病害的混合性考虑在内.     

基于最大类间方差法的黄瓜病害叶片分割

以黄瓜病害叶片为研究对象,采用直方图阈值分割法去除背景,分别采用最大类间方差法(Otsu)和边缘检测法来分割黄瓜叶片中的病害部位,对比这2种方法的分割效果。最后,对已有的最大类间方差法进行了改进,对病害叶片图像的红色分量进行了病斑分割。结果表明,边缘检测法分割出来的病斑部位轮廓具有不完整性,而最大类间方差法的分割效果较好。采用最大类间方差法对黄瓜病害叶片分割取得了较理想的效果,为后续病害识别奠定了基础。     

基于直觉模糊C均值聚类算法的作物病害图像分割

针对作物病害图像的病斑分割问题,提出一种直觉模糊C均值(Intuitional Fuzzy C-means,IFCM)聚类算法。通过引入隶属度、非隶属度和犹豫度3个参数来表示模糊集,从而定义了用来表示模糊集的模糊度的直觉模糊熵(IFE)这一概念,对传统的FCM算法进行改进,克服了FCM算法分割时计算目标函数容易陷入局部极小值,而且聚类数目需要提前设定初值的缺点。将预处理过的作物(以黄瓜为例)病害叶片图像作为研究对象采用该改进算法进行病斑图像分割,得到了很好的分割效果。与其他分割方法进行比较,结果表明该算法分割出来的作物病斑图像准确率高达94%以上,分割效果明显。     

基于支持向量机的黄瓜叶部病害的识别研究

为了减少黄瓜叶部病害给农业生产者带来的损失,提高病害的识别率和精度,提出一种基于支持向量机的复杂背景下的黄瓜叶部病害的识别方法。采用K-均值聚类算法和LOG算子等理论,并提出一种基于超像素(super pixel)和形状上下文(shape context)的复杂背景下的黄瓜叶片图像分割算法,将黄瓜病害叶片从复杂背景中成功地分离出来;采用分水岭等算法将病斑从黄瓜病害叶片中分割出来;再根据病斑的特点,分别为黄瓜白粉病和霜霉病提取了颜色、形状、纹理3个方面的比较典型的特征参数;分别建立了黄瓜叶片白粉病检测器和黄瓜叶片霜霉病检测器,将黄瓜叶片病害检测器分为2部分,第1部分为病斑检测器,第2部分是根据病斑检测器的结果来进一步判断叶片是否患有某种病害。试验结果表明:对于黄瓜白粉病的识别,采用基于径向基核函数的SVM病斑检测器的结果进行黄瓜叶片白粉病检测的识别率较高(98.33%),说明采用径向基核函数的方法更适合于白粉病病斑检测器的设计;对于黄瓜霜霉病的识别,采用基于线性核函数的SVM病斑检测器的结果进行黄瓜叶片霜霉病检测的识别率较高(95%),说明采用线性核函数的方法更适合于霜霉病病斑检测器的设计。以上提出的基于支持向量机的方法能有效地进行黄瓜白粉病和霜霉病的识别。     

基于颜色差异性的植物叶片病害图像分割方法

针对植物叶部病害图像的复杂性,结合植物叶部病害彩色图像的特点,提出了一种基于颜色差异性的植物叶部病害彩色图像分割方法。对采集的植物叶部病害图像,利用GrabCut算法对其进行背景分割,去除田间复杂环境背景;对其采用中值滤波和图像锐化处理,以尽可能保留图像的病害区域和边缘细节;再对处理后的图像,分别转换到基于生理特性的Lab颜色空间和YUV空间,结合Otsu方法,分别对图像的Lab灰度图及YUV空间的单通道灰度图进行二次分割;对二次分割的两幅图进行与操作,将其转换到RGB空间,即可得到最终的分割结果。利用该方法对常见的大豆、玉米、油菜、黄瓜等多种植物常见的多种叶部病害彩色图像进行了分割试验。结果表明,该方法取得了比较精确的分割图像,并且在抗噪性能、边缘细节保护和分割效率等方面也有很好的效果。     

基于GA-BP神经网络和特征向量优化组合的黄瓜叶片病斑识别

针对家庭种植水培黄瓜中用户难以准确识别病害的问题,设计了一种基于图像处理的黄瓜叶片病斑识别系统。应用自适应小波对原始图像进行降噪处理,在HSV空间通过阈值分割结合形态学操作获得理想的黄瓜叶片图像,并通过自适应阈值分离病斑,提取病斑形态学、颜色和纹理原始特征参数。利用GA-BP神经网络定义原始特征参数对分类结果的灵敏度,递归剔除灵敏度较低的若干特征,降低特征参数的维数。根据优化后的特征参数组合,利用支持向量机对黄瓜炭疽病和白粉病进行识别。实验结果表明,本方法对黄瓜炭疽病和白粉病的综合分类正确率在96%以上。设计的方法有效提高了黄瓜病害的识别率,并为其他作物病害的智能识别提供了借鉴。     

自然环境下杨梅果实图像的分割方法研究

为解决自然环境下杨梅果实图像难以准确分割的问题,提出了一种基于同态滤波算法进行杨梅图像分割的方法。通过分析杨梅果实的颜色特征,基于RGB颜色空间采用R-G色差分量处理杨梅果实图像,并进行二值化,采用形态学及连通区域标注统计法,消除可能存在的图像噪声,从而去除树叶等大部分背景;然后通过计算区域最小外接矩形的长宽比来判断区域内是否还存在枝叶,以此考虑是否需要进一步分割。在进行下一步分割前,为了消除光照不均的影响,在HSV颜色空间中,采用同态滤波图像增强的方法对亮度V分量进行增强,实现光照补偿。最后,继续基于RGB颜色空间采用R-G色差分量,应用Otsu分割法来细分割剩余的枝叶等部分,实现杨梅果实图像的分割。结果表明:本研究算法能够有效地将杨梅从背景中分割出来,分割误差Af的均值仅为2.26%,与直接采用Otsu分割算法的分割误差Af的均值25.23%相比,降低22.97%。与没有同态滤波过程的图像分割算法的分割误差Af的均值18.12%相比,降低15.96%,从而验证本研究算法的有效性。     

基于Lab颜色空间下的小麦赤霉病图像分割

针对智能识别小麦赤霉病方法中分割患病麦穗图像效果不佳的问题,运用中值滤波方法对患赤霉病麦穗图像进行降噪预处理,采用基于阈值的最大类间方差算法(OTSU)、基于聚类的k-means算法在RGB、HSV和Lab颜色空间中对小麦扬花期到黄熟期感染赤霉病的麦穗图像进行分割,提取出麦穗的病害部分。采用试验田环境下扬花期到黄熟期200张患赤霉病的麦穗图像进行分割试验,结果表明:将图像从RGB颜色空间转化为Lab颜色空间并对a分量采用最大类间方差算法(OTSU)进行分割的效果最佳,误分率仅有1.11%。     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

基于小波变换与Otsu阈值去噪的脐橙识别方法

【目的】解决在农业环境中识别脐橙的目标区域存在的噪声干扰、检测效果不理想等问题。【方法】提出一种基于小波变换与Otsu阈值去噪的脐橙识别方法。首先选择较好的对比度,建立有利于图像分割的YCbCr颜色模型;然后设计一种基于Otsu阈值去噪的脐橙检测算法,进而减少脐橙分割区域的噪声干扰;最后提出质心补圆法确定脐橙在图像中的位置,并在原始图像中显示检测结果。【结果】泛青色和橙色脐橙识别率分别为87.10%和94.18%,顺光和逆光情况下脐橙识别率分别为92.96%和90.15%,遮挡和未遮挡情况下脐橙识别率分别为90.82%和93.18%,总识别率为92.07%。【结论】该方法环境适应性强,适用于农业环境下不同遮挡、光照和表皮颜色情况的脐橙图像识别处理。     

猪舍智能监控系统中猪只识别算法研究

猪只识别是猪舍智能监控系统中一个重要的环节。提出了一种运用色彩空间聚类模型的猪只识别算法。该算法首先根据YCrCb色彩空间里的Cb分量进行灰度化处理,接着运用最大类间方差法进行阈值分割,最后运用形态学方法去除噪声与区域判断法去除非猪只区域,得到图像中猪只的位置。使用猪场采集的50张现场图像对该算法进行验证,结果表明单只猪正确识别率达到80%。     

基于可见光光谱的幼龄沉香图像分割与特征提取研究

为促进数字图像处理技术在珍贵树种营养分析中的高效应用，以幼龄沉香为研究对象，运用大津法与K-Means算法分别对试验获取的幼龄沉香可见光图像进行分割，对2种分割算法进行比较研究。基于图像分割结果，提取R、G、B等8种颜色特征并进行主成分分析，同时计算沉香图像的最小外接矩形的矩形度RE。结果表明，1）大津法与K-Means算法均可实现对多张幼龄沉香可见光图像的分割，大津法较K-Means算法分割速度快，但分割精度小于K-Means算法，在具体分割时应根据实际需要对2种算法进行选择。2）提取的8种颜色特征的3个主成分累计贡献率可达到99%，可作为颜色特征；最小外接矩形的矩形度RE能够表达沉香轮廓内面积CA与最小外接矩形面积LA的比值，可作为形状特征，将这种特征因子用于构建沉香微量元素含量预测模型，有利于缩短建模时间并提高模型的精度。综上所述，研究结果可促进数字图像处理技术在珍贵树种营养诊断中的进一步发展，为精准林业提供参考。     

基于颜色指数与阈值法的稻田图像分割

为系统、全面地分析不同颜色指数对南方稻田图像分割的适应性,以分蘖期、拔节期稻田图像为研究对象,选择36种常用的颜色指数,采用Otsu阈值法开展基于颜色指数和阈值的图像分割研究,通过比较各颜色指数的分割结果,明确分蘖期和拔节期图像分割的主要干扰因素,筛选最适宜稻田图像分割的颜色指数。结果表明:水稻倒影、浮萍是分蘖期稻田图像分割的主要干扰因素,叶片镜面反射、浮萍和土壤阴影是拔节期稻田图像分割的主要干扰因素;组合指数COM2、MxEG、CIVE和GMR在分蘖期图像和拔节期图像均具有较好的分割精度。因此,基于颜色指数COM2、MxEG、CIVE、GMR和Otsu阈值的稻田图像分割方法对稻田图像分割的干扰要素具有较强的区分能力,分割精度较高,更适宜于南方稻田图像处理研究。     

基于图像分割的苹果叶片几何参数计算

针对传统方法和叶面积仪法测定作物叶面积、叶长、叶宽等参数费时费力,成本高等问题,提出苹果叶面积、叶长、叶宽和周长的图像测定法。首先采用颜色空间转换法转换RGB(红、绿、蓝)图为HIS(色调、亮度、饱和度)图,并以大津法(Otsu)阈值色调(H)获取二值图像;再根据二值图中苹果叶边缘像素坐标分布特征,计算叶长、叶宽和叶周长,根据苹果叶片像素数计算叶面积;最后对叶长、叶宽和叶面积的计算值与实测值之间进行均方根误差(RMSE)和决定系数(R~2)计算,并以测定硬币周长的方式验证周长算法。结果表明:苹果叶面积、叶长、叶宽的RMSE值分别为0.58cm~2、0.46和0.10cm,R~2值分别为0.99、0.93、0.97,测定的1元、5角、1角硬币的周长分别为7.68、6.42和6.10cm。RMSE取值较小和R~2取值较高表明叶面积、叶长和叶宽算法结果可靠,周长算法验证结果表明周长计算值与实测值之间差异较小。     

遗传算法改进的KSW熵法计算黄瓜叶部角斑病密度

[目的]去除复杂背景影响,提高角斑病病斑分割精度和速度。[方法]首先对预处理后的b*通道图像采用大津法进行初分割,去除大部分背景和噪声。再对目标部位的灰度图,用基于遗传算法改进的KSW熵阈值分割法进行二次分割,得到病斑的二值图像,并计算病斑面积,最后与叶片面积做比得到病斑密度。[结果]该方法计算的病斑密度与方格板手动计算的结果的绝对误差约为0.02,而病斑的分割速度提高了45%以上。[结论]该方法为黄瓜角斑病病害程度自动诊断提供技术依据。     

一种改进的葡萄叶片自动分割算法

针对不同光照以及不同天气条件造成葡萄叶片图像不能准确分割的问题,提出了一种改进的图割分割算法。采用G/R以及a*颜色特征自动选择叶片目标和背景种子点,利用混合高斯模型对叶片和背景的概率密度分布进行估计;在马尔科夫随机场的基础上,建立像素特征的能量函数;通过求解能量函数最小化对叶片实现了自动分割。对多种不同分割特征的分割效果进行对比试验,结果表明:对于不同时间、不同天气的叶片图像,单一G/R和a*具有较好的效果,分割精度分别达到86.74%和92.38%,若用它们组合为双特征,分割效果会进一步提高,分割精度可达95.03%。