基于颜色特征的茄子病害图像检索方法

为克服当前蔬菜病害诊断专家系统依靠文字提供信息的不准确性,提出一种基于颜色特征的茄子病害图像检索方法。详细分析茄子病害图像的颜色特征,在符合人眼视觉特征的HIS颜色空间上进行图像预处理。提取图像的均值、方差、偏度、峰度、能量作为检索特征值,构建图像特征矩阵。利用高斯归一化方法进行归一化处理后,采用欧式距离进行相似性度量。在Visual C＋ ＋6．0开发环境下,采用C＋＋编程开发了基于颜色特征的茄子病图像检索系统。结果表明,基于颜色特征的茄子病害图像检索方法的查准率为65％,查全率为83％,识别效果较好。将该算法应用于茄子病害诊断专家系统,将大大提高系统的鲁棒性,能够满足病害诊断的要求。     

基于病斑特征融合的烟草病害图像检索方法

针对目前烟草病害诊断专家系统依靠肉眼获取病害特征,致使病害诊断存在不确定性、误判等现象,提出了一种基于病斑特征融合的烟草病害图像检索方法以诊断病害。通过图像处理技术分割病害图像病斑,提取病斑的颜色、纹理、形状特征,依据双编码遗传算法和支持向量机识别病害模型对病斑特征降维,以获取表征病害的有效特征及权重。将有效特征归一化处理后与病害图像数据库系统中的病斑特征进行图像相似度距离计算,按距离大小返回一批相似图像,依据相似图像获取病害描述及防治措施。以烟草7种常见病害进行试验表明,融合病斑的颜色、纹理、形状特征检索病害图像,查准率和查全率明显比用单个特征检索的高。用这种方式诊断烟草病害,不但有较高的病害识别率,还能使诊断结果可视化,将其用于烟草病害诊断专家系统,将提高系统的鲁棒性,为实现病害的远程在线诊断提供条件。     

基于特征融合与局部判别映射的苹果叶部病害识别方法

针对利用植物病害叶片图像特征识别病害类别的复杂性,提出一种基于特征融合与局部判别映射的植物叶部病害识别方法。首先,在中心对称局部二值模式(CS-LBP)的基础上,设计了一种自适应中心对称局部二值模式(ACS-LBP),由此分割病害叶片的病斑图像;然后提取并融合病斑图像的纹理、形状和颜色特征;再利用局部判别映射算法对融合特征进行维数约简;最后利用支持向量机进行病害类别分类。在3种常见苹果病害叶片图像数据库上进行病害识别验证试验,结果表明,该方法能够有效识别苹果叶部病害,平均识别率高达96%以上。     

基于改进颜色特征的小麦病害图像识别技术研究

[目的]介绍一种根据小麦病害图像的颜色特征进行病害识别的方法。[方法]首先对小麦叶部图像进行预处理,利用小波变换进行病害部位增强和去噪;然后基于病害部位的非绿特征进行图像分割,得到只包含病害像素的图像;对病害图像颜色进行统计,得到R、G、B分量的均值,并用相对于绿色分量的均值比作为颜色特征值;最后通过分析样本图像得到每种病害的特征值范围,利用颜色特征值对未知样本进行病害识别。[结果]采用该方法对小麦叶锈病、条锈病、白粉病进行识别,平均准确率达到98%。[结论]为小麦病害的诊断与诊治提供了理论依据。     

基于颜色均值显著点聚类的作物病害叶片图像分割方法

作物病害叶片图像分割是病害类型识别方法的一个重要步骤,其分割效果直接影响后续的识别结果。病害叶片图像的复杂多样性使得很多现有的图像分割方法不能有效应用于作物病害叶片图像分割中。针对复杂的自然病害叶片图像分割难题,提出一种基于颜色均值显著点聚类的作物病害叶片图像分割方法。该方法建立在HIS颜色空间,首先构造基于像素点HIS模型的带权无向图,然后计算病害叶片图像像素点的邻域的颜色均值,再计算该点前后两个邻域的颜色均值差作为该点的颜色跳跃度,当跳跃度大于设置的一个阈值时,该像素点为病斑点。结果表明,该算法具有较高的分割精确度和较好的抗噪声性能。     

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.     

基于图像处理技术的四种苜蓿叶部病害的识别

基于图像处理技术,对4种苜蓿叶部病害进行识别研究。利用结合K中值聚类算法和线性判别分析的分割方法对病斑图像作分割,获得了较好的分割效果。结果表明:该分割方法在由4种病害图像数据集整合成的汇总图像数据集上综合得分的平均值和中值分别为0.877 1和0.899 7;召回率的平均值和中值分别为0.829 4和0.851 4;准确率的平均值和中值分别为0.924 9和0.942 4。进一步提取病斑图像的颜色特征、形状特征和纹理特征共计129个,利用朴素贝叶斯方法和线性判别分析方法建立病害识别模型,并结合顺序前向选择方法实现特征筛选,分别获得最优特征子集;同时利用这2个最优特征子集,结合支持向量机(Support vector machine,SVM)建立病害识别模型。比较各模型的识别效果,发现利用所建线性判别分析模型下的最优特征子集,结合SVM建立的病害识别模型识别效果最好,训练集识别正确率为96.18%,测试集识别正确率为93.10%。由此可见,本研究所建基于图像处理技术的病害识别模型可用于识别上述4种苜蓿叶部病害,为苜蓿病害的诊断和鉴别提供了一定依据。     

基于改进遗传脉冲耦合神经网络的玉米病害图像分割方法

作物病害图像分割是利用数字图像处理技术进行病害识别的关键性技术环节之一,现有病害分割方法存在病害区域外部形态特征细节保留程度差和颜色纹理信息丢失等问题.针对上述问题,提出一种基于改进遗传算法的脉冲耦合神经网络分割方法.首先改进遗传算法,以信息熵的加权线性组合作为优化适应度函数用以在每次迭代过程中评价脉冲耦合神经网络对于病害区域的分割效果,通过计算种群适应度方差和适应度均值自适应调整遗传算法的交叉概率和变异概率;然后将改进遗传算法与脉冲耦合神经网络相结合,实现网络连接系数、衰减系数和幅值系数的自动优化调节;最后利用改进遗传脉冲耦合神经网络分割算法,在RGB子空间分别对病害图像进行病害区域分割,将分割结果利用RGB颜色空间子图合并策略实施合并,从而得到最终的图像分割结果.将此算法、最小交叉熵阈值化算法和GA-PCNN算法用于玉米黑瘤粉病彩色图像病害区域分割.结果表明:从主观视觉评测角度,此算法分割效果较好,能够较为细致的呈现病害区域的外部形态特征和较为完好的保留病害区域的颜色纹理特征;从客观量化评测角度,此分割算法在目标区域分割匹配率、错分率和正确率上明显优于最小交叉熵阈值化算法和GA-PCNN算法.     

基于自适应中心对称局部二值模式的作物病害识别方法

基于局部二值模式(LBP)算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点,针对作物病害叶片图像的特点,提出一种自适应中心对称局部二值模式(Adaptive Center-Symmetric Local Binary Patterns,ACSLBP)算法,并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征,利用模糊C均值聚类算法对病害叶片图像进行分割,再将分割后的病斑图像进行分块,然后采用自适应阈值提取每个子块的ACSLBP纹理直方图,结合作物病害叶片图像的颜色特征,利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验,平均识别率高达95%以上,表明该方法是有效可行的。     

基于图像处理的烟叶等级标准图像合成算法研究

为了建立烤烟烟叶标准等级数据库,实现烤烟烟叶的自动分级。本文以图像处理技术为基础,以已知等级的烤后烟叶为图像素材,通过提取烟叶样本颜色特征,得到了烟叶颜色特征数据。在此基础上研究了烟叶等级标准图像合成算法,并建立了烟叶标准等级数据库。结果表明,RGB颜色模型下对R、G、B分量进行处理后合成的烟叶等级标准图像,与烟叶实际人工分级的吻合率达到90%,符合实际分级合格标准且与烟叶分级专家判定一致,为烟叶分级自动化研究提供了前期技术依据和量化方法。     

植物叶片智能分析系统的设计

为避免农作物病害智能诊断过程中人为主观因素的影响,客观准确的表达叶片信息,利用数字图像处理技术和农业植保专家知识相结合,设计了适合于大田作物的植物叶片图像处理与分析系统。该系统主要包括植物叶片几何失真校正模块,几何特征计算模块、颜色识别模块以及病害区域识别模块;以校正后非线性失真现象的叶片图像为基础,实现了叶片几何特征值和颜色值的计算,并提取其病斑区域图像。试验结果表明,该方法满足病害智能诊断要求,具有良好的适应性和实用性。     

叶片传统特征和距离矩阵与角点矩阵相结合的树种识别算法

针对基于叶片特征进行树种识别的问题,本文在结合叶片纹理、不变矩以及传统形状共25维传统特征的基础上,自定义了叶尖角、边角均值等2个叶片轮廓特征,并以相似多边形定义及其推论作为理论依据,提出了一种基于叶片轮廓构建距离矩阵与角点矩阵进行树种识别的分类方法。该方法首先对树木叶片图像进行预处理,提取出归一化的叶片特征向量,然后利用KNN最近邻分类器筛选出相似度最高的前20个结果集(Top 20),然后构建距离矩阵和角点矩阵进行更为精确的识别匹配。在图像预处理阶段,为获取更为准确的叶片轮廓特征,利用叶片在HSV颜色空间中饱和度特征以及色度特征方面的显著差异性,设计了一种消除叶片阴影的图像预处理算法。在识别匹配阶段,利用Douglas Peucker approximation算法提取叶片轮廓的近似多边形,定义了距离矩阵、角点矩阵、矩阵中元素间相似度、矩阵相似度以及综合相似度计算方法,设计了全局匹配与局部匹配相结合的算法。该算法在Android系统的手机平台上进行了实现和运行验证,结果表明:在Flavia数据集中,对32种共1 907个正常叶片样本的识别准确率为99.61%,对32种共851个残叶样本的准确率为94.92%;在Leafsnap数据集中,对185种共23 147个Lab样本前5个结果集(Top 5)的识别准确率为98.26%。相对其他算法,该算法识别准确率更高,对叶片外形描述能力更强,对残叶、扭曲叶、阴影叶具有更好的鲁棒性,算法的实用性和适应性更强。      

用于植物病害图像认证的小波域半脆弱水印方案

根据JPEG压缩保护图像细节和在绿色分量上嵌入水印更能抵抗一般的保护内容的图像处理这一事实,提出一种用于彩色植物病理图像认证的小波域半脆弱水印方案.实验结果表明,该方案篡改定位准确,嵌入水印容量大,有很好的抗JPEG压缩性能,同时很好的保护了用于病害识别与诊断的颜色、纹理及图像细节特征等重要信息.     

基于透射光和反射光图像同位分割的小麦品种识别方法研究

为提高基于机器视觉的小麦品种识别准确性,本文通过透射光和反射光同位图像分割对种子颜色特征参数进行了优化提取.采用透射光图像辅助反射光图像分割的方式从种子图像中分割出胚部区域,并分别提取小麦整粒、种胚、胚乳区域的颜色特征参数.以济麦22、济麦44、京麦9、京麦11共4个品种种子作为研究对象,利用HALCON机器视觉软件获...     

基于支持向量机的水稻稻瘟病图像分割研究

水稻稻瘟病图像的分割是水稻稻瘟病自动分析与识别的关键环节,其分割效果直接影响后续处理。提出一种基于支持向量机的水稻稻瘟病病害彩色图像分割方法。首先选取叶子正常部分的像素点以及颜色相对复杂的病斑像素点作为负训练样本和正训练样本,提取像素R、G、B彩色分量作为特征向量,对支持向量机进行训练,然后在RGB空间利用训练好的支持向量机对待分割图像的所有像素点进行分类,实现水稻稻瘟病彩色图像的分割。为了获得最佳的分割效果,采用网格搜索法对径向基核函数下的不同核参数分割效果和性能进行比较与分析,确定最佳模型参数。利用此模型进行水稻稻瘟病图像分割实验,获得较好的分割精度,结果优于最大类间方差分割算法。     

有色大麦种子种皮颜色与种子活力相关性分析

为研究有色大麦种质物理指标与种子活力的关系,采用发芽试验和计算机图像识别相结合的方法,通过测定44份有色大麦种子萌发期生理指标和种子物理指标,用相关性分析、主成分分析和逐步回归分析方法,研究有色大麦种子物理指标与种子活力之间的关系。结果表明:种子粒长、粒宽、粒厚和千粒重这些物理指标与有色大麦种子活力关系不明显,种皮颜色Y值(黄色)与有色大麦种子活力呈正相关关系,其余各颜色指标均与有色大麦种子活力呈负相关关系;逐步回归分析表明,种皮颜色对有色大麦种子活力的影响大于种子粒长、粒宽和粒厚,影响有色大麦种子活力的主要颜色指标是H(色相)值和a(从洋红色至绿色的范围)值,且成负相关;此外,IOD(光密度)值与粒长和粒宽达极显著正相关关系。     

基于量子神经网络和组合特征参数的玉米叶部病害识别

【目的】探索一种基于量子神经网络和组合特征参数的玉米叶部病害识别方法,以提高玉米叶部病害识别的准确率和效率。【方法】应用K_means硬聚类算法对玉米叶部病害图像进行彩色图像分割,得到彩色分割图像,分别利用提升小波变换和灰度共生矩阵从彩色分割图像中提取颜色和纹理特征参数,利用多重分形分析从灰度图像中提取病害的形状特征参数。【结果】根据提取的组合特征参数,利用量子神经网络进行玉米病害分类识别,对玉米灰斑病、玉米普通锈病和玉米小斑病的识别率分别达到92．5％、97．5％和92．5％,高于误差反向传播神经网络法的识别率（分别为90．0％、90．0％和92．5％）。【结论】设计的方法可用于玉米叶部病害识别,并为其他农作物病害的智能识别提供借鉴。     

基于CS-SVM的谷子叶片病害图像识别

利用图像识别方法对常见的谷子叶片病害进行判别,为制定合理的病害防治措施提供科学依据。试验采集了谷瘟病、白发病、红叶病、锈病共4种谷子叶片病害的原始图像,运用基于超绿特征的最大类间方差法对谷子叶片病害进行分割,提取谷子叶片病害颜色、形态、纹理等共计19个特征,采用蚁群优化算法选择了8个特征。运用布谷鸟算法(cuckoo search,CS)优化支持向量机(support vector machine,SVM)的惩罚因子c和径向核函数g,利用SVM对谷子叶片病害进行自动判别。结果表明,当c=80.2662,g=1.8467时,谷子叶片病害和叶片的平均识别率达到99%,表明基于CS-SVM的图像识别方法可对4种谷子叶片病害进行准确分类。