CN104062239A - 植物叶片受害症状的自动识别方法 - Google Patents

Abstract

一种植物叶片受害症状的自动识别方法，它包括以下步骤：1)获取目标叶片图像；2)目标叶片图像处理；3)进行图像微分和区域标准色值分析；4)根据区域图像标准色值进行二次函数回归分析和回归参数计算；5)用方差分析法进行阈值参数的计算；6)用优化参数进行目标叶片受害症状判别分析。本发明通过应用图象测量和计算机识别技术实现了植物叶片“∧”和“∨”型受害症状的自动判别，通过受害症状来确定其受害机理，对准确定量地判别“∧”和“∨”型受害症状及其受害根源具有重要的指导作用；有利于解决目前植物叶片受害症状在科研和生产中的不确定性和争议；对于自动化判别植物叶片气象等灾害和病害具有重要理论和实际意义。

Description

植物叶片受害症状的自动识别方法

技术领域

本发明涉及植物气象灾害和病害等症状识别技术领域，具体地说是一种植物叶片“∧”和“∨”型受害症状的自动识别方法。

背景技术

纵观植物和树木等学科领域的研究历史,较为常见的植物/树木叶片受害症状有叶斑、溃疡、花叶等等,而且相关的计算机识别技术已有报道。然而,至今尚未见到定量地描述植物叶片“∧”和“∨”型受害症状的相关技术。

在自然生态系统中,植物/树木常遭受生物和非生物的危害而成灾。由可侵染性的生物有机体造成的危害称为病害，而由非侵染性的环境因素，如干旱、冻害、营养匮乏等等造成的危害为生理病害。无论侵染性病害还是生理病害皆表现出一定的受害症状。本申请的发明人在研究植物/树木遭受气象灾害、机械伤害、病虫害等侵袭后表现出来的不同症状中，分离出两种症状相近且容易混淆的“∧”和“∨”型植物叶片受害症状，并用数字图像法进行了相应的描述和观测(WANG F.and Omasa K.,2012.Image measurements ofleaf scorches on landscape trees subjected to extreme meteorological events.EcologicalInformatics,12(2012)16–22)。“∧”和“∨”型植物叶片受害症状在诸多的叶片受害症状中较为常见且形态也很相似，其中，“∨”型叶片局部枯萎症状常表现为生物性病原的侵染与叶片组织或细胞的抗性反应。由于侵染病原菌遭受叶片活组织或细胞的阻抗使得受害部位从叶尖叶缘到叶内叶基渐窄。“∧”叶片局部枯萎症状常表现为叶片内部系统性生理脱水而始发于远离中央叶脉的叶尖叶缘部位，这为区分和定量观测此类症状奠定了基础。大量观测发现，受害症状的内角(Internal angle of injured area简称IAIA)是区分二者的适宜指标，IAIA是指枯萎部位的叶缘对应的圆心角，且大多生理性病害的IAIA大于等于180度，而生物性侵染病害的IAIA往往小于180度，通过这些受害症状的类型的判别可自动识别一些生理性干旱、冻害、营养匮乏等症状，以区别于生物性侵染病害，如炭疽病、腐烂病和叶斑病等。如图1所示，IAIA是以枯萎部位在中央主脉上到达的最远端为顶点(图1a和图1b中的TP)，以该点到枯萎部位在两侧叶缘上到达的最远端为边(图1a和图1b中的BD)，而测得的圆心角。如果枯萎部位远离中央主脉，则以枯萎部位距叶缘的最远端为IAIA顶点(图1c中的TP)，以该点到枯萎部位在叶缘上到达的最远端为边(图1c中的BD)，由此测得的圆内角为IAIA。目前IAIA的测定可以使用角度测量工具，如UTHSCSA ImageTool3.00进行测定，也可以使用目视法估测，以180度为判别标准，大于等于180度的为“∧”型受害症状(如图1a所示)，而小于180度的为“∨”型受害症状(如图1b所示)但是，还没有出现通过计算机自动识别IAIA的技术。

发明内容

针对上述现有技术的不足，本发明提供了一种植物叶片受害症状的自动识别方法，其能够应用数字图像自动判别植物叶片的“∧”和“∨”型受害症状，以便及时准确地判别受害的根源。

本发明解决其技术问题采取的技术方案是：植物叶片受害症状的自动识别方法，其特征是，包括以下步骤：

1)获取目标叶片图像

以白色复印纸为背景，在光线良好的顺光条件下离体或活体拍摄而得到的高分辨率、叶尖向上的公正RGB图像；

2)目标叶片图像处理

首先运行识别程序并赋值微分块数、微分方向、边缘处理方式等参数，并对参数有效性判别后打开图像，然后分析计算目标叶片图像每一像素的R、G、B和L值最后检查目标叶片图像的有效色值范围；

3)进行图像微分和区域图像标准色值分析

首先对目标叶片图像从左向右按等距离进行纵向微分得△X,然后根据公式(1)计算每个△X段的R,G,B以及L色彩平均值和G/L值，

SDG_i＝100×(G/L_i-G/L_min)/(G/L_max-G/L_min) (1)

式中，SDGi为第i分段的标准色值，G/Li为第i单元的色值比，G/Lmin为单元色值之极小值，G/Lmax为单元色值的极大值；

4)根据区域图像标准色值进行二次函数回归分析和回归参数计算

以标准色值为y轴，叶片微分单元为X轴构建二次曲线函数：

y＝aX²+bX+c (2)

式中，a为二次项系数、b为一次项系数、c为常数项，且a≠0，

求解式(2)的导函数式：

2aX+b＝0 (3)

并判别式(3)在等于零时的极值：

X＝-b/2a (4)

式中，

5)用方差分析法进行阈值参数的计算

对目标叶片图像从上向下按等距离进行横向微分并按步骤3)进行图像微分和区域图像标准色值计算，对起始点进行位移若干像素后重复计算3到5次，以此为基础，进行方差阈值分析；

目标叶片图像横向微分后的阈值Ts由式(5)进行判别：

Ts(i)＝Minimum{(Gx(1),Gx(2),……Gx(n)} (5)

式中,n是微分的块数，

通过式(6)可求得Gx(1),Gx(2),……Gx(n)：

Gx(1)＝Fx(1)+Fy(n),Gx(2)＝Fx(2)+Fy(n-1),……Gx(n)＝Fx(n)+Fy(1) (6)

而Fx(m)和Fy(m)可由式(7)和式(8)计算得到：

$\mathrm{Fx}\left(m\right)=(m\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{({\stackrel{\‾}{x}}_i-\stackrel{\‾}{x})}^2/k-1)/(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_i)}^2/k(m-1))---\left(7\right)$

$\mathrm{Fy}\left(m\right)=(m\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{({\stackrel{\‾}{x}}_i-\stackrel{\‾}{x})}^2/k-1)/(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=n}{\overset{1}{\mathrm{\Σ}}}{(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_i)}^2/k(m-1))---\left(8\right)$

式中，m＝1,2……n，Fx(m)是以阈值为分界点叶片上部和下部标准色值间方差分析结果的F值，Fx(m)是叶片上部和下部标准色值间方差分析结果的F值，X_ij是在i重复和j分块的标准色值，是i重复的标准色值平均值，是标准色值的总体平均值，k为重复次数；

6)用优化参数进行目标叶片受害症状判别分析

构建三组分段判别函数，如式(9)所示：

$f_l(a,R,-b/2a\stackrel{\‾}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\ln q_l+C_{l0}+\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{C}_{\mathrm{li}}\mathrm{xi}---\left(9\right)$

式中，a为二次函数的二次项系数、R为二次函数的相关系数、为极值比、是标准色值的总体平均值、Ts为方差分析法获得的阈值、Fv为阈值两侧标准色值的方差分析F值、Mv为阈值两侧平均标准色值比；q_l为样叶频率项、C_l0为判别函数的常数项、C_l1为判别函数的系数项、x_i判别函数的自变量向量；

根据式(9)进行判别：

如果 $f_1(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\underset{1<=l<=m}{\max }{f}_l(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})\}$ 则归为“∧”型受害症状组，

如果 $f_2(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\underset{1<=l<=m}{\max }{f}_l(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})\}$ 则归为“∨”型受害症状组，

如果 $f_3(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\underset{1<=l<=m}{\max }{f}_l(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})\}$ 则归为其他症状组；其中，m＝3。

上述方法中，所述目标叶片图像为具有“∧”型受害症状或“∨”型受害症状的受害叶片图像以及其他类型的图像。

上述方法中，所述式(4)有极大值时，叶片大多呈“∧”型特征，有极小值时，叶片大多呈“∨”型特征。

上述方法中，所述极值比为极值与标准色值的总体平均值之比。

上述方法中，所述若干像素为5到10个像素。

上述方法中，所述目标叶片图像的获取还包括从internet网页截取并转换为BMP格式的RGB叶片图像。

本发明的有益效果是：本发明通过应用图象测量和计算机识别技术实现了植物叶片“∧”和“∨”型受害症状的自动判别，通过受害症状来确定其受害机理，对准确定量的“∧”和“∨”型受害症状及其受害根源具有重要的指导作用，有利于解决目前植物叶片受害症状在科研和生产中的不确定性和争议。

与传统的目视对比法相比，本发明对植物叶片受害症状的判别准确性高，对于自动化判别植物叶片气象等灾害与病害具有重要理论和实际意义，在林业或园林的机械化和自动化生产中具有潜在的应用价值。

附图说明

图1a、图1b和图1c为具有IAIA的受害植物叶片示意图；

图2为本发明的方法流程图；

图3a为判别叶片受害症状时对叶片纵向微分的示意图；

图3b为判别叶片受害症状时对叶片横向微分的示意图；

图3c为叶片受害症状判别函数分类示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

如图2所示，本发明的一种植物叶片受害症状的自动识别方法，它包括以下步骤：

1)获取目标叶片图像

所述目标叶片图像为具有“∧”型受害症状或“∨”型受害症状的受害叶片图像，以白色复印纸为背景，在光线良好的顺光条件下离体或活体拍摄而得到的高分辨率、叶尖向上的公正RGB图像；RGB图像存储为BMP格式，图片大小没有严格的限制，目标叶片图像的获取还可以为从internet网页截取并转换为BMP格式的RGB叶片图像。

2)目标叶片图像处理

首先运行识别程序并赋值微分块数、微分方向、边缘处理方式等参数，并对参数进行有效性判别后打开图像，然后分析计算目标叶片图像每一像素的R、G、B和L值最后检查目标叶片图像的有效色值范围，即排除叶片图像以外的部分。

3)进行图像微分和区域图像标准色值分析

如图3a所示，首先对目标叶片图像从左向右按等距离进行纵向微分得△X,然后根据公式(1)计算每个△X段的R,G,B以及L色彩平均值和G/L值，

SDG_i＝100×(G/L_i-G/L_min)/(G/L_max-G/L_min) (1)

式中，SDGi为第i分段的标准色值，G/Li为第i单元的色值比，G/Lmin为单元色值之极小值，G/Lmax为单元色值的极大值。

4)根据区域图像标准色值进行二次函数回归分析和回归参数计算

以标准色值为y轴，叶片微分单元为X轴构建二次曲线函数：

y＝aX²+bX+c (2)

式中，a为二次项系数、b为一次项系数、c为常数项，且a≠0，

求解式(2)的导函数式：

2aX+b＝0 (3)

并判别式(3)在等于零时的极值：

X＝-b/2a (4)

式中，

式(4)有极大值时，叶片大多呈“∧”型特征，即呈“∧”型特征或呈其它类型特征，有极小值时，叶片大多呈“∨”型特征，即呈“∨”型特征或呈其它类型特征。除此之外，叶片的凸凹程度与二次函数回归的相关系数R以及极值与标准色值的总体平均值之比关系密切，因此,选用二次项系数a、相关系数R和极值比作为植物叶片受害症状的判别变量。

5)用方差分析法进行阈值参数的计算

如图3b所示，对目标叶片图像从上向下按等距离进行横向微分并按步骤3)进行图像微分和区域图像标准色值计算，对起始点进行位移若干像素(5-10个像素)后重复计算3到5次，以此为基础，进行方差阈值分析。

目标叶片图像横向微分后的阈值Ts由式(5)进行判别：

Ts(i)＝Minimum{(Gx(1),Gx(2),……Gx(n)} (5)

式中,n是微分的块数，

通过式(6)可求得Gx(1),Gx(2),……Gx(n)：

Gx(1)＝Fx(1)+Fy(n),Gx(2)＝Fx(2)+Fy(n-1),……Gx(n)＝Fx(n)+Fy(1) (6)

而Fx(m)和Fy(m)可由式(7)和式(8)计算得到：

$\mathrm{Fx}\left(m\right)=(m\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{({\stackrel{\&OverBar;}{x}}_i-\stackrel{\&OverBar;}{x})}^2/k-1)/(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_i)}^2/k(m-1))---\left(7\right)$

$\mathrm{Fy}\left(m\right)=(m\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{({\stackrel{\&OverBar;}{x}}_i-\stackrel{\&OverBar;}{x})}^2/k-1)/(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\underset{j=n}{\overset{1}{\mathrm{\&Sigma;}}}{(x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_i)}^2/k(m-1))---\left(8\right)$

式中，m＝1,2……n，Fx(m)是以阈值为分界点叶片上部和下部标准色值间方差分析结果的F值，Fx(m)是叶片上部和下部标准色值间方差分析结果的F值，X_ij是在i重复和j分块的标准色值，是i重复的标准色值平均值，是标准色值的总体平均值，k为重复次数(一般为3至5次)；

以此为基础，选择能反映“∧”、“∨”受害特征的阈值Ts、阈值两侧标准色值的方差分析算得的F值Fv和阈值两侧平均标准色值之比值Mv作为植物叶片受害症状的判别参数。

6)用优化参数进行目标叶片受害症状判别分析

依据判别参数二次函数的二次项系数a、相关系数R和极值比方差阈值分析的阈值Ts、阈值两侧标准色值的方差分析F值Fv和阈值两侧平均标准色值比Mv为植物叶片受害症状的判别参数，构建三组分段判别函数，如式(9)所示：

$f_l(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\ln q_l+C_{l0}+\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{C}_{\mathrm{li}}\mathrm{xi}---\left(9\right)$

式中，a为二次函数的二次项系数、R为二次函数的相关系数、为极值比、是标准色值的总体平均值、Ts为方差阈值分析的阈值、Fv为阈值两侧标准色值的方差分析F值、Mv为阈值两侧平均标准色值比，q_l为样叶频率项、C_l0为判别函数的常数项、C_l1为判别函数的系数项、x_i判别函数的自变量向量。

如图3c所示，根据式(9)进行植物叶片受害症状的判别结果如下：

如果 $f_1(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\underset{1<=l<=m}{\max }{f}_l(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})\}$ 则归为“∧”型受害症状组，

如果 $f_2(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\underset{1<=l<=m}{\max }{f}_l(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})\}$ 则归为“∨”型受害症状组，

如果 $f_3(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\underset{1<=l<=m}{\max }{f}_l(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})\}$ 则归为其他受害症状组，其中，m＝3。

在式(9)中，如果f1取最大值则归为“∧”型受害症状组；如果f2取最大值则归为“∨”型受害症状组；如果f3取最大值则归为其他组(包括未受害的正常叶)。

经过验证，采用本发明所述方法，对植物叶片受害症状的识别成功率达90％以上。

本申请得益于国家自然科学基金项目(编号301170671)的资助，才能够对通过计算机自动识别IAIA的技术进行深入研究。

本发明的自动识别程序以截取的BMP格式叶片正面RGB图像为对象，可在Windows、Unix、Linux、MS-Dos等多平台上运行。依据识别的精度要求设定好微分的方向和宽度等参数自动判别“∧”、“∨”和其他型症状。

本发明通过应用图象测量和计算机识别技术实现了植物叶片“∧”和“∨”型受害症状的自动判别，通过受害症状来确定其受害机理，对准确定量的“∧”和“∨”型受害症状及其受害根源具有重要的指导作用，有利于解决目前植物叶片受害症状的科研和生产中的不确定性和争议。与传统的目视对比法相比，本发明对植物叶片受害症状的判别准确性高，对于自动化判别植物叶片气象等灾害与病害具有重要理论和实际意义，在林业或园林的机械化和自动化生产中具有潜在的应用价值。

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视为本发明的保护范围。

Claims (7)

1.植物叶片受害症状的自动识别方法，其特征是，包括以下步骤：

1)获取目标叶片图像

以白色复印纸为背景，在光线良好的顺光条件下离体或活体拍摄而得到的高分辨率、叶尖向上的公正RGB图像；

2)目标叶片图像处理

首先运行识别程序并赋值微分块数、微分方向、边缘处理方式等参数，并对参数有效性判别后打开图像，然后分析计算目标叶片图像每一像素的R、G、B和L值最后检查目标叶片图像的有效色值范围；

3)进行图像微分和区域图像标准色值分析

首先对目标叶片图像从左向右按等距离进行纵向微分得△X,然后根据公式(1)计算每个△X段的R,G,B以及L色彩平均值和G/L值，

SDG_i＝100×(G/L_i-G/L_min)/(G/L_max-G/L_min) (1)

式中，SDGi为第i分段的标准色值，G/Li为第i单元的色值比，G/Lmin为单元色值之极小值，G/Lmax为单元色值的极大值；

4)根据区域图像标准色值进行二次函数回归分析和回归参数计算

以标准色值为y轴，叶片微分单元为X轴构建二次曲线函数：

y＝aX²+bX+c (2)

式中，a为二次项系数、b为一次项系数、c为常数项，且a≠0，

求解式(2)的导函数式：

2aX+b＝0 (3)

并判别式(3)在等于零时的极值：

X＝-b/2a (4)

式中，

5)用方差分析法进行阈值参数的计算

对目标叶片图像从上向下按等距离进行横向微分并按步骤3)进行图像微分和区域图像标准色值计算，对起始点进行位移若干像素后重复计算3到5次，以此为基础，进行方差阈值分析；

目标叶片图像横向微分后的阈值Ts由式(5)进行判别：

Ts(i)＝Minimum{(Gx(1),Gx(2),……Gx(n)} (5)

式中,n是微分的块数，

通过式(6)可求得Gx(1),Gx(2),……Gx(n)：

Gx(1)＝Fx(1)+Fy(n),Gx(2)＝Fx(2)+Fy(n-1),……Gx(n)＝Fx(n)+Fy(1) (6)

而Fx(m)和Fy(m)可由式(7)和式(8)计算得到：

$\mathrm{Fx}\left(m\right)=(m\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{({\stackrel{\&OverBar;}{x}}_i-\stackrel{\&OverBar;}{x})}^2/k-1)/(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_i)}^2/k(m-1))---\left(7\right)$

$\mathrm{Fy}\left(m\right)=(m\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{({\stackrel{\&OverBar;}{x}}_i-\stackrel{\&OverBar;}{x})}^2/k-1)/(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\underset{j=n}{\overset{1}{\mathrm{\&Sigma;}}}{(x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_i)}^2/k(m-1))---\left(8\right)$

式中，m＝1,2……n，Fx(m)是以阈值为分界点叶片上部和下部标准色值间方差分析结果的F值，Fx(m)是叶片上部和下部标准色值方差分析结果的F值，X_ij是在i重复和j分块的标准色值，是i重复的标准色值平均值，是标准色值的总体平均值，k为重复次数；

6)用优化参数进行目标叶片受害症状判别分析

构建三组分段判别函数，如式(9)所示：

$f_l(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\ln q_l+C_{l0}+\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{C}_{\mathrm{li}}\mathrm{xi}---\left(9\right)$

式中，a为二次函数的二次项系数、R为二次函数的相关系数、为极值比、是标准色值的总体平均值、Ts为方差分析法获得的阈值、Fv为阈值两侧标准色值的方差分析F值、Mv为阈值两侧平均标准色值比；q_l为样叶频率项、C_l0为判别函数的常数项、C_l1为判别函数的系数项、x_i判别函数的自变量向量；

根据式(9)进行判别：

如果 $f_1(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\underset{1<=l<=m}{\max }{f}_l(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})\}$ 则归为“∧”型受害症状组，

如果 $f_2(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\underset{1<=l<=m}{\max }{f}_l(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})\}$ 则归为“∨”型受害症状组，

如果 $f_3(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\underset{1<=l<=m}{\max }{f}_l(a,R,-b/2a\stackrel{\&OverBar;}{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})\}$ 则归为其他症状组；其中，m＝3。

2.根据权利要求1所述的植物叶片受害症状的自动识别方法，其特征是，所述目标叶片图像为具有“∧”型受害症状或“∨”型受害症状的受害叶片以及其他类型的图像。

3.根据权利要求1所述的植物叶片受害症状的自动识别方法，其特征是，所述式(4)有极大值时，叶片大多呈“∧”型特征，有极小值时，叶片大多呈“∨”型特征。

4.根据权利要求1所述的植物叶片受害症状的自动识别方法，其特征是，所述极值比为极值与标准色值的总体平均值之比。

5.根据权利要求1所述的植物叶片受害症状的自动识别方法，其特征是，所述均值比为阈值两侧平均标准色值比。

6.根据权利要求1所述的植物叶片受害症状的自动识别方法，其特征是，所述若干像素为5到10个像素。

7.根据权利要求1至6任一项所述的植物叶片受害症状的自动识别方法，其特征是，所述目标叶片图像的获取还包括从internet网页截取并转换为BMP格式的RGB叶片图像。