CN104318227A - 基于Curvelet-SC玉米病害识别方法 - Google Patents

Abstract

本发明属于基于机器视觉的识别检测技术领域，具体为一种基于Curvelet和Shape Context的玉米病害检测方法。根据曲线波和形状上下文相结合的新方法来提高玉米病害识别的速度和抗干扰能力。利用区域生长法(Seeded Regional Growing Algorithm，SRG)对玉米叶部病害图像进行分割。进而提出曲线波模系数相关法获提取玉米叶部病害的有效轮廓。然后，结合形状上下文算法(Shape Context，SC)获取病害图像的形状直方图特征。最后，采用n fold cross-validation法，在玉米叶部病害数据库上进行验证。本发明对其它病害识别具有一定的指导意义。

Description

基于Curvelet-SC玉米病害识别方法

技术领域

本发明属于基于机器视觉的检测技术领域，涉及一种玉米病害特征识别检测的方法，特别涉及一种采用Curvelet和Shape Context的技术实现玉米病害检测识别。

背景技术

目前基于计算机视觉的玉米病害识别方法有了一定的研究成果，但尚存在如下问题：

(1)难以解决“颜色特征易受自然光变化而变化”带来的颜色干扰。玉米病害颜色特征在自然光的照射下，颜色特征会有所变化，该变化给病害的识别带来了难度，再者病害的颜色特征仅适合瞬态的病害分割，而不适合稳定的病害识别。

(2)难以解决“形状特征多样”带来的难题。由于玉米病害种类的繁多，每种病害的形状特征也变得复杂多样，多样的形状特征让玉米病害的识别变得相对困难。

目前，国内外玉米病害识别方法中提取的特征有：颜色特征、纹理特征和形状特征。颜色特征包括RGB颜色、RGB颜色直方图(RGB的标准偏差、均值、方差及三种色素之间的相关系数)HIS色彩特征。纹理特征包括灰度共生矩阵的惯性值，小波变换的范数，色度矩、色彩共生纹理。与病害的颜色特征相比，纹理特征不易受外界自然光的影响，对于病害识别具有较好的稳定性。形状特征包括病害的面积、周长、圆度、偏心率和矩形度等。形状特征适合于病害具有明显的形状特征及病害和健康组织之间有清晰边界的场合。而相应的病害识别方法有神经网络法、支持向量机法和模板匹配法。其中，对于神经网络法和支持向量机法，随着样本数目的增加病害识别模型也变得复杂，网络结构和模型的参数确定也变得更难确定，识别的精度和速度会受到影响。

本发明提出基于Curvelet和Shape Context的玉米病害识别模型。所提方法对玉米叶部病害识别的正确率可达95％以上，对于其它农作物病害的识别具有一定的指导意义。

发明内容

本发明所要解决的技术问题是，设计一种基于Curvelet和Shape Context的玉米病害检测方法，此方法在病害识别的正确率和效率上有一定的提高。

本发明所采用的技术方案是：首先，提出曲线波模系数相关法，获实现病害边缘。接着，利用形状上下文算法(Shape Context)获取病害图像的形状直方图特征。然后，利用目标图像和模板图像的形状直方图之间的匹配度进行病害识别。最后，用n-fold crossvalidation法，在玉米叶部病害数据库上对所提方法进行验证。

本发明的目的在于采用Curvelet和Shape Context技术实现玉米病害的正确识别。

附图说明

附图1是：玉米6种病害图像

附图2是：玉米灰斑病害图像

附图3是：玉米灰斑病害图像灰度化图像

附图4是：玉米灰斑病害图像分割图像

附图5是：边缘检测结果

具体实施方式

下面结合附图对本发明作进一步详细说明。

具体过程如下：

1、病害图像灰度化

彩色病害图像转化为灰度病害图像。根据人眼对图像的敏感度，采用公式(1)对图像进行转化。病害灰度图像如图3所示。

f(i，j)＝0.3R(i，j)+0.59G(i，j)+0.11B(i，j)    (1)

2病害图像分割

采用区域生长法(Seeded Regional Growing Algorithm，SRG)对玉米叶部病害图像进行分割。病害图像分割结果如图4所示。

3基于曲线波的玉米叶部病害的轮廓提取

曲线波(Curvelet)能多尺度多方向更精确地描述目标的纹理特征。为了抑制病害图像的噪音对病害轮廓提取的干扰，提出曲线波模系数相关法获取病害轮廓。该方法的基本思想是：在相邻尺度上，目标的边缘的幅值较大，而噪音的边缘会迅速衰减。根据玉米病害图像的大小，本发明对其进行5尺度分解。

具体的实现步骤如下：

第1步：计算第3尺度和第2尺度之间的相关系数

第2步：用公式(2)检测第3尺度边缘点

|cor(S，2N-1)(i，j)-cor(S，2N)(i，j)|＞T_s s＝3    (3)

其中，T_s是阈值。

第3步：根据下列规则，检测第2尺度边缘点

如果第3尺度的3个或3个以上的相关系数矩阵属于边缘，则对应的第2尺度的系数矩阵为边缘，否则，为噪音。

第4步：根据下列规则，检测第1、4和5尺度边缘点

|B(S，N)|＞P_s，s＝1，4，5

其中，P_s是阈值。

第5步：重构各尺度边缘点实现边缘检测。

图5的边缘检测结果。由边缘检测结果可以看出，所述提出的曲线波模系数相关法获取病害轮廓轮廓线清晰，噪声少，为后续的病害特征提取打下了坚实的基础。

4基于Shape Context的玉米叶部病害特征提取

基于Shape Context(SC)的玉米叶部病害识别的算法流程：

(1).将获取的边缘检测点集(x，y)转换到对数极坐标中(log r，θ)。直角坐标和极对数坐标之间的转换关系如下：

$r=\sqrt{x^2+y^2};\mathrm{\ρ}=\log \left(\sqrt{x^2+y^2}\right);\mathrm{\θ}=\arctan \frac{y}{x}$

(2).在极对数坐标中，计算点集直方图

将得到的极坐标变换结果分为12个方向，每个方向30度，每个方向上按照以log₂ r为步长划分为5份，这样整个空间就被划分为60个区域(bin)。

对轮廓上的一给定点p_i，其属性用落入60个区域中的每个区域的像素点的个数来描述，这样，每个特征点可以用一个1×60维行向量来描述。若边缘点的总个数为n，则病害特征可用一个n×60维矩阵来描述。

(3).计算模板图像和目标图像之间的相似度

目标图像轮廓上的P_i点的与模板图像轮廓上的Q_j之间的相似度可用公式(4)计算：

$C_{\mathrm{ij}}=C(P_i,Q_j)=\frac{1}{2}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\frac{{[h_i\left(k\right)-h_j\left(k\right)]}^2}{h_i\left(k\right)+h_j\left(k\right)}---\left(4\right)$

其中，h_i(k)和h_j(k)分别为点P_i和Q_j点对应的直方图值，K＝60。

C_ij越小，表示P_i点和Q_j点越匹配。

则，模板图像和目标图像之间的相似度可用公式(5)计算

$C=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}\right)/m}{n}---\left(5\right)$

设目标病害图像轮廓上点的个数为n，模板病害图像轮廓上点的个数为m。这样一共得到n×m个匹配值，然后对这n×m个匹配值进行统计，设定一个阈值T₁，对于匹配度大于阈值T₁的不统计，匹配度小于阈值T₁进行统计，若小于阈值的匹配点的个数大于预先设定的阈值T₂时，则判定模板图像和目标图像相匹配。

本发明优点在于，Curvelet-SC形状描述符用于玉米叶部病害识别正确率可达98.3％，是一种有效的病害识别方法。所提方法对玉米叶部病害识别的同时，对其它病害识别具有一定的指导意义。

Claims (2)

1.一种基于Curvelet和Shape Context的玉米病害检测方法，其特征在于，根据曲线波和形状上下文相结合的新方法，所述利用区域生长法(Seeded RegionalGrowing Algorithm，SRG)对玉米叶部病害图像进行分割。所述提出曲线波模系数相关法获提取玉米叶部病害的有效轮廓。然后，结合形状上下文算法(ShapeContext，SC)获取病害图像的形状直方图特征。

2.根据权利1所述基于Curvelet和Shape Context的玉米病害检测方法，其特征还在于，能够提高玉米病害的识别速度和抗干扰能力。所述采用Curvelet和Shape Context的玉米病害检测方法，在玉米叶部病害数据库上进行验证。对其它病害的识别具有一定的指导意义。