CN103778628B - 田间开放环境下的叶片病害程度获取方法及系统 - Google Patents

Abstract

本发明涉及农业工程，具体提供了一种田间开放环境下的叶片病害程度获取方法及系统，该方法包括：以黑色平板为背景对叶片拍照；在照片的灰度图像中通过提取边缘特征将图像分为若干个区域；在照片的彩色图像中根据颜色特征从所述区域中找到叶片区域和病斑区域；根据病斑区域个数，和病斑区域与叶片区域的面积比例判断叶片的病害程度。本发明能够在田间开放环境下准确计算叶片病害程度。

Description

田间开放环境下的叶片病害程度获取方法及系统

技术领域

本发明涉及农业工程，具体涉及一种田间开放环境下的叶片病害程度获取方法及系统。

背景技术

随着机器视觉技术的应用和发展，利用图像处理技术对作物病害图像进行处理、分割、计算，从而实现病害受害程度自动化计算成为可能，因此，机器视觉技术作为一种重要的病害受害程度自动化计算手段已经日益引起人们的重视，并广泛地应用于植保领域。

作物上病斑个数和病斑面积比例是病害受害程度和防治决策的重要依据，也是精确喷药的关键信息。与人工方法相比，使用机器视觉自动获取病斑数量以及病斑面积比例，不仅可降低劳动强度、提高工作效率，更加客观，避免人为因素的影响导致结果的不准确，而且便于与后续的防治决策和精确施药技术对接和技术集成。

目前，病害程度自动计算的难点之一是：在大田环境中，环境复杂，背景颜色变化多样，并且很难人为快速准确的计算病斑面积与叶片面积的比例，导致病害受害程度的估计具有很大的主观性和不确定性。目前研究较多的是只基于图像颜色特征，使用阈值法和阈值与聚类相结合的算法来进行病害程度自动计算。但是在大田开放环境下，这几种方法都不可避免导致误分割，不能在田间开放环境下准确计算病害受害程度。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供一种田间开放环境下的叶片病害程度获取方法及系统，能够在田间开放环境下准确计算叶片病害程度。

（二）技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种田间开放环境下的叶片病害程度获取方法，其特征在于，该方法包括：

以黑色平板为背景对叶片拍照；

在照片的灰度图像中通过提取边缘特征将图像分为若干个区域；

在照片的彩色图像中根据颜色特征从所述区域中找到叶片区域和病斑区域；

根据病斑区域个数，和病斑区域与叶片区域的面积比例判断叶片的病害程度。

优选地，所述在照片的灰度图像中通过提取边缘特征将图像分为若干个区域包括：

将照片转换为灰度图像；

在所述灰度图像中提取边缘点；

将所述边缘点组合为若干个连通分量，使所有互为八邻域点的两个边缘点都属于同一个连通分量；

将所述连通分量组合为若干个区域边界，使所有位置关系满足预定条件的连通分量都属于同一个区域边界；

按所述区域边界将图像分为若干个区域。

优选地，所述预定条件包括两个连通分量中相距最近的两个边缘点之间相距的像素数，小于两连通分量中边缘点数较小者的边缘点数的一半。

优选地，在所述按所述区域边界将图像分为若干个区域步骤之前，进一步包括将所围面积小于预定噪声阈值的区域边界从图像中除去。

优选地，在照片的彩色图像中根据颜色特征从所述区域中找到叶片区域和病斑区域包括：

计算每个区域中超绿像素点与超黄像素点所占的比例之和；

将所述比例之和大于预定值的区域判定为叶片区域；

将所述叶片区域中的非超绿像素点的集合判定为病斑区域。

优选地，所述方法通过使用具有拍照功能的智能手机实现。

一种田间开放环境下的叶片病害程度获取系统，其特征在于，包括：

拍照模块，用于以黑色平板为背景对叶片拍照；

图像划分模块，用于在照片的灰度图像中通过提取边缘特征将图像分为若干个区域；

区域判定模块，用于在照片的彩色图像中根据颜色特征从所述区域中找到叶片区域和病斑区域；

病害程度判断模块，用于根据病斑区域个数，和病斑区域与叶片区域的面积比例判断叶片的病害程度。

优选地，所述图像划分模块包括：

灰度转换单元，用于将照片转换为灰度图像；

边缘点提取单元，用于在所述灰度图像中提取边缘点；

连通分量组合单元，用于将所述边缘点组合为若干个连通分量，使所有互为八邻域点的两个边缘点都属于同一个连通分量；

区域边界组合单元，用于将所述连通分量组合为若干个区域边界，使所有位置关系满足预定条件的连通分量都属于同一个区域边界；

区域划分单元，用于按所述区域边界将图像分为若干个区域。

优选地，所述区域判定模块包括：

颜色特征提取单元，用于计算每个区域中超绿像素点与超黄像素点所占的比例之和；

叶片区域提取单元，用于将所述比例之和大于预定值的区域判定为叶片区域；

病斑区域提取单元，用于将所述叶片区域中的非超绿像素点的集合判定为病斑区域。

优选地，所述系统为具有拍照功能的智能手机。

（三）有益效果

本发明至少具有如下的有益效果：

本发明可以在田间开放环境下通过对叶片的拍照和照片处理，自动地由机器视觉获取叶片中的病斑个数与面积大小，进而可以得到总体的病害程度大小。与人工方法相比，使用机器视觉自动获取病斑数量以及病斑面积比例，不仅可降低劳动强度、提高工作效率，更加客观，避免人为因素的影响导致结果的不准确，而且便于与后续的防治决策和精确施药技术对接和技术集成。

而且，本发明可以具体由具有拍照功能的智能手机实现，在实际工作场景中携带方便、操作简单，对于大型田间环境而言可以进一步地提高工作效率、降低成本、提高病害程度获取精度，并便于其他技术的集成与扩展。

另外，本发明采用提取边缘特征的方法划分图像区域，并由每个区域的颜色特征区分叶片、病斑与背景，只要照片的拍摄质量可以保障，就可以自动而准确地判断叶片的病害程度，较大程度地避免了误分割，还可以根据各个参数的设定对处理精度和速度进行相应调整，具有较高的应用价值。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例中田间开放环境下的叶片病害程度获取方法流程图；

图2是本发明一个实施例中对黄瓜叶片照片的边缘提取与连通分量组合的效果示意图；

图3是本发明一个实施例中对黄瓜叶片照片的区域边界组合效果示意图；

图4是本发明一个实施例中对黄瓜叶片照片的图像划分效果示意图；

图5是本发明一个实施例中对黄瓜叶片照片的病斑区域提取效果示意图；

图6是本发明一个实施例中一种田间开放环境下的叶片病害程度获取系统的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明实施例提出一种田间开放环境下的叶片病害程度获取方法，参见图1，包括：

步骤101：以黑色平板为背景对叶片拍照；

步骤102：在照片的灰度图像中通过提取边缘特征将图像分为若干个区域；

步骤103：在照片的彩色图像中根据颜色特征从所述区域中找到叶片区域和病斑区域；

步骤104：根据病斑区域个数，和病斑区域与叶片区域的面积比例判断叶片的病害程度。

本方法考虑的情景是田园开放环境下的病害植物群，其叶片上存在有若干个特定颜色的病斑。

首先，需要对待检测的叶片进行拍照。为加强颜色区别减小背景颜色影响，取一块黑色平板作背景对叶片进行拍照。

之后再根据对照片的图像处理获取该叶片上的病斑个数与面积大小，大致上包括图像划分和区域判定两个步骤，前者主要以边缘特征将图像按边缘线条划分为若干个区域，后者主要根据区域的颜色特征来找出图像中的叶片区域和病斑区域。其中，叶片的照片中叶片边缘和病斑边缘都可以通过常用的边缘特征提取手段提取出来，而且某种植物的叶片在同一环境下的颜色通常都是固定的（一般为绿色），而病斑的颜色会与叶片存在明显差异。由于背景颜色是黑色的，所以可以很容易区分出来图像中的叶片区域，再从叶片的区域中找出颜色与本身叶片颜色偏差太大的区域，就是所要找的病斑区域了。

最后，对找到的病斑区域进行个数与面积统计，就可以按照特定的病害程度鉴别标准来获取叶片的病害程度了。

可见，本发明可以定量地获取叶片病害程度，能够在田间开放环境下准确计算叶片病害程度，具有前文中已经叙述过的有益效果。

更具体地，这里结合一个具体照片的处理实例来说明本方法的具体步骤。具体来说，这里对一张带有病斑的黄瓜叶片的照片进行处理，其中黄瓜叶片的颜色为绿色。

首先，使用一个带有拍照功能的安卓系统智能手机对叶片进行拍照。拍照前将黑色平板置于单一叶片的下方，并背光进行拍照，以防止叶片重叠或复杂背景的影响，得到照片文件存储在手机中。

加载照片并将其转换为灰度图像，基于边缘特征和颜色特征提取叶片区域：首先用3×3（像素）模板提取Canny边缘，并给每个边缘点分配一个标记；视互为八邻域点的两个边缘点的标记等价，用一个等价表记录所有的等价标记；使用这一等价表将所有拥有等价标记的像素点分配唯一标记，使每一个由拥有等价标记像素点组成的连通分量都有一个唯一的标记，对黄瓜叶片照片提取的连通分量参见图2，其中区分了图像中不同的连通分量。

这一步骤主要就是将所述边缘点都组合为了若干个连通分量，使所有互为八邻域点的两个边缘点都属于同一个连通分量。上面只是实现这一目的的一种方法实例，实际操作上可以根据多种其他现有算法实现。

接下来需要将所述连通分量组合为若干个区域边界，使所有位置关系满足预定条件的连通分量都属于同一个区域边界。实际上也就是将距离非常靠近的两个连通分量合并为一个，使图像中的连通分量呈现网状，并将图像分割为若干个区域。这里所说的“预定条件”就是指用于描述连通分量间的距离足够近的一种数学表达式，举例来说就是“两个连通分量中相距最近的两个边缘点之间相距的像素数，小于两连通分量中边缘点数较小者的边缘点数的一半”，当然也可以参照现有技术中的图像处理方法做其他类似设定。

下面是一种组合方法实例：

定义连通分量之间的距离：

$d_{\mathrm{ij}}=\underset{m\∈{\mathrm{con}}_i,n\∈{\mathrm{con}}_j}{\min }\sqrt{{(m_x-n_x)}^2+{(m_y-n_y)}^2}$

其中con_i,con_j分别表示第i，j个连通分量；m_x，m_y，n_x，n_y分别为点m的横、纵坐标和点n的横、纵坐标。若d_ij<min(len_i,len_j)/2（也就是上面所说的预定条件举例），则将第i个和第j个连通分量进行组合，即在经过第i个和第j个连通分量最短距离的两个点之间的连线进行标记，标记为一个新的连通分量；其中len_i和len_j分别为第i个和第j个连通分量。如此对每两个连通分量重复进行这一操作，直至没有可以组合的连通分量为止，自此完成了对连通分量的组合。组合后的每个连通分量都称为一个区域边界，其具体的处理后图像参见图3，其中区分了不同的区域边界。其中，已经将所围面积小于预定噪声阈值的区域边界从图像中除去，方法为面积滤波，这里具体设定的噪声阈值为500，为预先由实验得到的数值。不同情景下可以根据所得图像大小选择噪声阈值。

在按所述区域边界将图像分为若干个区域的时候，每个区域的边界不仅包括通过提取边缘特征得到的连通分量（称为内部边界），还包括整幅图像自身的边界的一部分（称为外部边界，如图3中的图像自身边界就是包围整幅图像的矩形的四条边，其会作为边界线与各个连通分量一起划分图像）。设每个区域的内部边界与外部边界所包含的像素个数比值为Thre，定义满足Thre≥10的区域为内部区域（或者不存在外部边界的区域也属于内部区域），否则该区域为外部区域。这里的数值10是根据实验得出的，可以视具体情况进行调整。

利用颜色特征分别标记内部区域和外部区域的方法为：在彩色图像中，计算对应区域中满足2*g–1.2*r–1.2*b>0（即为超绿像素）或者1.2*r+1.2*g–2*b>0的像素（即为超黄像素）个数与区域内总像素个数的比值，对内部区域，该比值大于等于70%则判定为叶片区域，否则为背景；对外部区域，该比值大于等于90%则判定为叶片区域，否则为背景。其中的r,g,b为像素的RGB分量，70%和90%这两个数值是通过实验得到的，根据拍摄图片时的亮度和相机的设置不同，可能取不同的取值。得到的叶片区域和背景区域如图4所示。其中，白色部分表示叶片区域，黑色部分表示背景。

从而，在找到的叶片区域中，将所有满足2*g–1.2*r–1.2*b<0的像素点（非超绿像素点）组成的集合判定为病斑区域，从而在图像中区分出来了病斑、叶片与背景，其最终的处理结果参见图5。

也就是说，在这里先计算了每个区域中超绿像素点与超黄像素点所占的比例之和；再将所述比例之和大于预定值的区域判定为叶片区域；最后将所述叶片区域中的非超绿像素点的集合判定为病斑区域。对于不同情景下采取的区域判定方法可能会略有差别（比如关于r、g、b三个分量的数值判定），不过总体上还是按照“计算每个区域中超绿像素点与超黄像素点所占的比例之和-将所述比例之和大于预定值的区域判定为叶片区域-将所述叶片区域中的非超绿像素点的集合判定为病斑区域”这一流程进行处理的。

可见，通过内部区域和外部区域的划分，对两种区域有着不同的判别标准，这是基于“叶片区域一般都为内部区域”这一点而做的相应处理，可以一方面放松内部区域中叶片区域的判别标准，另一方面也会在外部区域寻找叶片区域，可以在尽量不错判叶片区域的同时尽可能地找到更多的叶片区域，而式子“Thre≥10”中的数字“10”就是调整这一平衡的具体参数。

最后，根据所找到的病斑区域个数，和病斑区域与叶片区域的面积比例判断叶片的病害程度。得到病斑区域个数与面积之后，就可以按照特定的病害程度鉴别标准来获取叶片的病害程度了。病害等级的具体实例如下：

0级：没有病斑；

0.1级：不属于0级，有四个及四个以下病斑，并且发病面积小于等于5%；

0.5级：不属于0.1级，有八个及八个以下病斑，并且发病面积小于等于10%；

1级：不属于0.5级，发病面积大于10%且小于等于25%；

2级：不属于1级，发病面积大于25%且小于等于50%；

3级：不属于2级，发病面积大于50%且小于等于75%；

4级：不属于3级，发病面积大于75%。

根据这一病害程度鉴别标准，本发明实施例中处理的图像中有四个病斑，并且发病面积小于等于5%，所以其病害等级为0.1级。

本发明对病害受害程度计算具有通用性，但由于产品种类很多，因此本发明只举一个用于黄瓜叶片病害的实施实例，其它正常叶片为绿色，病斑颜色为黄色的病害受害程度计算可以参照本实施例的具体方法步骤，具体针对所识别的病害，改变相关参数，就可以对新的病害受害程度进行计算。

本发明与人工计算相比，结果更客观公正，能适应大田环境，并且分割速度快，文章结合图像的边缘特征，受光照变化的影响较小，分割结果稳定，更有利于与后期的精准施药相结合。将机器视觉用于病害受害程度计算过程中，既可以让人们从复杂枯燥的工作中脱离出来，又可以更加快速、准确、客观的得到病害的危害程度，结合图像的边缘特征，受光照变化的影响较小，并且通过分块标记的方式，能较好的减少像素标记的错误，提高计算的精度和鲁棒性，该发明可以应用于大田环境中的病害受害程度自动化计算、精准施药中。

实施例2

本发明实施例提出了一种田间开放环境下的叶片病害程度获取系统，参见图6，该系统包括：

拍照模块601，用于以黑色平板为背景对叶片拍照；

图像划分模块602，用于在照片的灰度图像中通过提取边缘特征将图像分为若干个区域；

区域判定模块603，用于在照片的彩色图像中根据颜色特征从所述区域中找到叶片区域和病斑区域；

病害程度判断模块604，用于根据病斑区域个数，和病斑区域与叶片区域的面积比例判断叶片的病害程度。

其中，所述图像划分模块包括：灰度转换单元，用于将照片转换为灰度图像；边缘点提取单元，用于在所述灰度图像中提取边缘点；连通分量组合单元，用于将所述边缘点组合为若干个连通分量，使所有互为八邻域点的两个边缘点都属于同一个连通分量；区域边界组合单元，用于将所述连通分量组合为若干个区域边界，使所有位置关系满足预定条件的连通分量都属于同一个区域边界；区域划分单元，用于按所述区域边界将图像分为若干个区域。

所述区域判定模块包括：颜色特征提取单元，用于计算每个区域中超绿像素点与超黄像素点所占的比例之和；叶片区域提取单元，用于将所述比例之和大于预定值的区域判定为叶片区域；病斑区域提取单元，用于将所述叶片区域中的非超绿像素点的集合判定为病斑区域。

而且，所述系统为具有拍照功能的智能手机。

本系统的应用情景主要是田园开放环境下的病害植物群，其叶片上存在有若干个特定颜色的病斑。其具体应用过程如下：

首先，需要对待检测的叶片进行拍照。为加强颜色区别减小背景颜色影响，取一块黑色平板作背景对叶片进行拍照。

之后再根据对照片的图像处理获取该叶片上的病斑个数与面积大小，大致上包括图像划分和区域判定两个步骤，前者主要以边缘特征将图像按边缘线条划分为若干个区域，后者主要根据区域的颜色特征来找出图像中的叶片区域和病斑区域。其中，叶片的照片中叶片边缘和病斑边缘都可以通过常用的边缘特征提取手段提取出来，而且某种植物的叶片在同一环境下的颜色通常都是固定的（一般为绿色），而病斑的颜色会与叶片存在明显差异。由于背景颜色是黑色的，所以可以很容易区分出来图像中的叶片区域，再从叶片的区域中找出颜色与本身叶片颜色偏差太大的区域，就是所要找的病斑区域了。

最后，对找到的病斑区域进行个数与面积统计，就可以按照特定的病害程度鉴别标准来获取叶片的病害程度了。

可见，本发明可以定量地获取叶片病害程度，能够在田间开放环境下准确计算叶片病害程度，具有前文中已经叙述过的有益效果。

更具体地，这里结合一个具体照片的处理实例来说明本系统的具体应用过程。具体来说，这里对一张带有病斑的黄瓜叶片的照片进行处理，其中黄瓜叶片的颜色为绿色。

首先，使用一个带有拍照功能的安卓系统智能手机对叶片进行拍照。拍照前将黑色平板置于单一叶片的下方，并背光进行拍照，以防止叶片重叠或复杂背景的影响，得到照片文件存储在手机中。

加载照片并将其转换为灰度图像，基于边缘特征和颜色特征提取叶片区域：首先用3×3（像素）模板提取Canny边缘，并给每个边缘点分配一个标记；视互为八邻域点的两个边缘点的标记等价，用一个等价表记录所有的等价标记；使用这一等价表将所有拥有等价标记的像素点分配唯一标记，使每一个由拥有等价标记像素点组成的连通分量都有一个唯一的标记，对黄瓜叶片照片提取的连通分量参见图2，其中区分了图像中不同的连通分量。

这一步骤主要就是将所述边缘点都组合为了若干个连通分量，使所有互为八邻域点的两个边缘点都属于同一个连通分量。上面只是实现这一目的的一种实例，实际操作上可以根据多种其他现有算法实现。

接下来需要将所述连通分量组合为若干个区域边界，使所有位置关系满足预定条件的连通分量都属于同一个区域边界。实际上也就是将距离非常靠近的两个连通分量合并为一个，使图像中的连通分量呈现网状，并将图像分割为若干个区域。这里所说的“预定条件”就是指用于描述连通分量间的距离足够近的一种数学表达式，举例来说就是“两个连通分量中相距最近的两个边缘点之间相距的像素数，小于两连通分量中边缘点数较小者的边缘点数的一半”，当然也可以参照现有技术中的图像处理方法做其他类似设定。

下面是一种组合实例：

定义连通分量之间的距离：

$d_{\mathrm{ij}}=\underset{m\&Element;{\mathrm{con}}_i,n\&Element;{\mathrm{con}}_j}{\min }\sqrt{{(m_x-n_x)}^2+{(m_y-n_y)}^2}$

其中con_i,con_j分别表示第i，j个连通分量；m_x，m_y，n_x，n_y分别为点m的横、纵坐标和点n的横、纵坐标。若d_ij<min(len_i,len_j)/2（也就是上面所说的预定条件举例），则将第i个和第j个连通分量进行组合，即在经过第i个和第j个连通分量最短距离的两个点之间的连线进行标记，标记为一个新的连通分量；其中len_i和len_j分别为第i个和第j个连通分量。如此对每两个连通分量重复进行这一操作，直至没有可以组合的连通分量为止，自此完成了对连通分量的组合。组合后的每个连通分量都称为一个区域边界，其具体的处理后图像参见图3，其中区分了不同的区域边界。其中，已经将所围面积小于预定噪声阈值的区域边界从图像中除去，方法为面积滤波，这里具体设定的噪声阈值为500，为预先由实验得到的数值。不同情景下可以根据所得图像大小选择噪声阈值。

在按所述区域边界将图像分为若干个区域的时候，每个区域的边界不仅包括通过提取边缘特征得到的连通分量（称为内部边界），还包括整幅图像自身的边界的一部分（称为外部边界，如图3中的图像自身边界就是包围整幅图像的矩形的四条边，其会作为边界线与各个连通分量一起划分图像）。设每个区域的内部边界与外部边界所包含的像素个数比值为Thre，定义满足Thre≥10的区域为内部区域（或者不存在外部边界的区域也属于内部区域），否则该区域为外部区域。这里的数值10是根据实验得出的，可以视具体情况进行调整。

利用颜色特征分别标记内部区域和外部区域的方法为：在彩色图像中，计算对应区域中满足2*g–1.2*r–1.2*b>0（即为超绿像素）或者1.2*r+1.2*g–2*b>0的像素（即为超黄像素）个数与区域内总像素个数的比值，对内部区域，该比值大于等于70%则判定为叶片区域，否则为背景；对外部区域，该比值大于等于90%则判定为叶片区域，否则为背景。其中的r,g,b为像素的RGB分量，70%和90%这两个数值是通过实验得到的，根据拍摄图片时的亮度和相机的设置不同，可能取不同的取值。得到的叶片区域和背景区域如图4所示。其中，白色部分表示叶片区域，黑色部分表示背景。

从而，在找到的叶片区域中，将所有满足2*g–1.2*r–1.2*b<0的像素点（非超绿像素点）组成的集合判定为病斑区域，从而在图像中区分出来了病斑、叶片与背景，其最终的处理结果参见图5。

也就是说，在这里先计算了每个区域中超绿像素点与超黄像素点所占的比例之和；再将所述比例之和大于预定值的区域判定为叶片区域；最后将所述叶片区域中的非超绿像素点的集合判定为病斑区域。对于不同情景下采取的区域判定方法可能会略有差别（比如关于r、g、b三个分量的数值判定），不过总体上还是按照“计算每个区域中超绿像素点与超黄像素点所占的比例之和-将所述比例之和大于预定值的区域判定为叶片区域-将所述叶片区域中的非超绿像素点的集合判定为病斑区域”这一流程进行处理的。

可见，通过内部区域和外部区域的划分，对两种区域有着不同的判别标准，这是基于“叶片区域一般都为内部区域”这一点而做的相应处理，可以一方面放松内部区域中叶片区域的判别标准，另一方面也会在外部区域寻找叶片区域，可以在尽量不错判叶片区域的同时尽可能地找到更多的叶片区域，而式子“Thre≥10”中的数字“10”就是调整这一平衡的具体参数。

最后，根据所找到的病斑区域个数，和病斑区域与叶片区域的面积比例判断叶片的病害程度。得到病斑区域个数与面积之后，就可以按照特定的病害程度鉴别标准来获取叶片的病害程度了。病害等级的具体实例如下：

0级：没有病斑；

0.1级：不属于0级，有四个及四个以下病斑，并且发病面积小于等于5%；

0.5级：不属于0.1级，有八个及八个以下病斑，并且发病面积小于等于10%；

1级：不属于0.5级，发病面积大于10%且小于等于25%；

2级：不属于1级，发病面积大于25%且小于等于50%；

3级：不属于2级，发病面积大于50%且小于等于75%；

4级：不属于3级，发病面积大于75%。

根据这一病害程度鉴别标准，本发明实施例中处理的图像中有四个病斑，并且发病面积小于等于5%，所以其病害等级为0.1级。

本发明对病害受害程度计算具有通用性，但由于产品种类很多，因此本发明只举一个用于黄瓜叶片病害的实施实例，其它正常叶片为绿色，病斑颜色为黄色的病害受害程度计算可以参照本实施例的具体系统应用流程，具体针对所识别的病害，改变相关参数，就可以对新的病害受害程度进行计算。

本发明与人工计算相比，结果更客观公正，能适应大田环境，并且分割速度快，文章结合图像的边缘特征，受光照变化的影响较小，分割结果稳定，更有利于与后期的精准施药相结合。将机器视觉用于病害受害程度计算过程中，既可以让人们从复杂枯燥的工作中脱离出来，又可以更加快速、准确、客观的得到病害的危害程度，结合图像的边缘特征，受光照变化的影响较小，并且通过分块标记的方式，能较好的减少像素标记的错误，提高计算的精度和鲁棒性，该发明可以应用于大田环境中的病害受害程度自动化计算、精准施药中。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种田间开放环境下的叶片病害程度获取方法，其特征在于，该方法包括：

以黑色平板为背景对叶片拍照；

在照片的灰度图像中通过提取边缘特征将图像分为若干个区域；

在照片的彩色图像中根据颜色特征从所述区域中找到叶片区域和病斑区域；

根据病斑区域个数，和病斑区域与叶片区域的面积比例判断叶片的病害程度；

所述在照片的灰度图像中通过提取边缘特征将图像分为若干个区域包括：

将照片转换为灰度图像；

在所述灰度图像中提取边缘点；

将所述边缘点组合为若干个连通分量，使所有互为八邻域点的两个边缘点都属于同一个连通分量；

将所述连通分量组合为若干个区域边界，使所有位置关系满足预定条件的连通分量都属于同一个区域边界；

按所述区域边界将图像分为若干个区域；

在照片的彩色图像中根据颜色特征从所述区域中找到叶片区域和病斑区域包括：

计算每个区域中超绿像素点与超黄像素点所占的比例之和；

将所述比例之和大于预定值的区域判定为叶片区域；

将所述叶片区域中的非超绿像素点的集合判定为病斑区域；

在彩色图像中，计算对应区域中满足2*g–1.2*r–1.2*b>0，为超绿像素；满足1.2*r+1.2*g–2*b>0的像素，为超黄像素；其中的r,g,b为像素的RGB分量。

2.根据权利要求1所述的方法，其特征在于，所述预定条件包括 两个连通分量中相距最近的两个边缘点之间相距的像素数，小于两连通分量中边缘点数较小者的边缘点数的一半。

3.根据权利要求1所述的方法，其特征在于，在所述按所述区域边界将图像分为若干个区域步骤之前，进一步包括将所围面积小于预定噪声阈值的区域边界从图像中除去。

4.根据权利要求1至3任意一项所述的方法，其特征在于，所述方法通过使用具有拍照功能的智能手机实现。

5.一种田间开放环境下的叶片病害程度获取系统，其特征在于，包括：

拍照模块，用于以黑色平板为背景对叶片拍照；

图像划分模块，用于在照片的灰度图像中通过提取边缘特征将图像分为若干个区域；

区域判定模块，用于在照片的彩色图像中根据颜色特征从所述区域中找到叶片区域和病斑区域；

病害程度判断模块，用于根据病斑区域个数，和病斑区域与叶片区域的面积比例判断叶片的病害程度；

所述图像划分模块包括：

灰度转换单元，用于将照片转换为灰度图像；

边缘点提取单元，用于在所述灰度图像中提取边缘点；

连通分量组合单元，用于将所述边缘点组合为若干个连通分量，使所有互为八邻域点的两个边缘点都属于同一个连通分量；

区域边界组合单元，用于将所述连通分量组合为若干个区域边界，使所有位置关系满足预定条件的连通分量都属于同一个区域边界；

区域划分单元，用于按所述区域边界将图像分为若干个区域；

所述区域判定模块包括：

颜色特征提取单元，用于计算每个区域中超绿像素点与超黄像素点所占的比例之和；

叶片区域提取单元，用于将所述比例之和大于预定值的区域判定为叶片区域；

病斑区域提取单元，用于将所述叶片区域中的非超绿像素点的集合判定为病斑区域；

在彩色图像中，计算对应区域中满足2*g–1.2*r–1.2*b>0，为超绿像素；满足1.2*r+1.2*g–2*b>0的像素，为超黄像素；其中的r,g,b为像素的RGB分量。

6.根据权利要求5所述的系统，其特征在于，所述系统为具有拍照功能的智能手机。