CN105844285B - 基于图像信息的黄瓜病害识别方法及装置 - Google Patents
基于图像信息的黄瓜病害识别方法及装置 Download PDFInfo
- Publication number
- CN105844285B CN105844285B CN201610105646.5A CN201610105646A CN105844285B CN 105844285 B CN105844285 B CN 105844285B CN 201610105646 A CN201610105646 A CN 201610105646A CN 105844285 B CN105844285 B CN 105844285B
- Authority
- CN
- China
- Prior art keywords
- disease
- blade
- image
- cluster
- cucumber
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像信息的黄瓜病害识别方法及装置,涉及系统工程和信息技术领域,本发明获取待识别黄瓜的叶片病害图像,对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块,对所述叶片斑块进行特征提取,以获得病害特征信息,根据预设病害特征样本对所述病害特征信息进行病害识别,以获得所述待识别黄瓜的病害,从而提高了识别的准确率,并且避免了由于人工识别的主观性和局限性。
Description
技术领域
本发明涉及系统工程和信息技术领域,特别涉及一种基于图像信息的黄瓜病害识别方法及装置。
背景技术
日常蔬菜是农作物中非常重要的一种经济作物,特别是加入WTO后,蔬菜生产更是我国具有国际竞争优势的产业,蔬菜生产是“菜篮子”工程中的重要组成部分。随着生活水平的日益提升,人们对蔬菜的质量要求也越来越高,但蔬菜病害是影响其产量和质量的重要因素,由于部分农业生产者不能对农作物生长过程中产生的病害做出及时、准确的判断,每年因为病虫害造成的产量损失高达20%~30%,而更不容忽视的是蔬菜的质量损失和市场损失。并且滥用农药而造成农产品中的农药残留超标,甚至对生态环境的破坏现象十分严重。
众所周知,黄瓜是我国居民食用的主要蔬菜之一,在我国南北方均普遍栽培,栽培面积很大,与其他蔬菜相比,其经济效益很高。在全国乃至世界范围内,困扰着黄瓜栽培成败的关键性问题同样是黄瓜病害问题。因此准确、便捷的识别病害是蔬菜病害防治的前提和关键,只有正确识别病害,才能对症下药,从而减少滥用农药,有针对性的提供防治措施,提尚蔬菜质量。
目前在实际生产中,病害鉴别主要有以下几种方法:一是依靠自身经验,凭借感觉对作物病害进行诊断。二是通过作物病害图谱对照,将作物病害和图谱对号入座。三是依靠病害著作,此法虽然准确,但需很深的专业知识。以上三种方法不是识别的准确率不高,就是需要很深的专业知识,主观性、局限性很大程度上影响了病害的识别。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于图像信息的黄瓜病害识别方法及装置。
依据本发明的一个方面,提供了一种基于图像信息的黄瓜病害识别方法,所述方法包括:
获取待识别黄瓜的叶片病害图像;
对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块;
对所述叶片斑块进行特征提取,以获得病害特征信息;
根据预设病害特征样本对所述病害特征信息进行病害识别,以获得所述待识别黄瓜的病害。
可选地,所述对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块之前,所述方法还包括:
对所述叶片病害图像进行图像降噪处理和图像增强处理中的至少一种。
可选地,所述图像降噪处理采用小波降噪的方式。
可选地,所述图像增强处理采用直方图均衡化的方式。
可选地,所述对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块,进一步包括:
对所述叶片病害图像基于K均值的模糊聚类图像分割算法进行图像分割,以获得分割出的叶片斑块。
可选地,所述对所述叶片病害图像基于K均值的模糊聚类图像分割算法进行图像分割,以获得分割出的叶片斑块,进一步包括:
从所述叶片病害图像中选取K个像素点作为初始的聚类中心,所述K为所述叶片病害图像的灰度直方图中波峰或波谷的数量;
分别计算所述叶片病害图像中除所述聚类中心之外的其他像素点与各聚类中心之间的距离差;
根据所述距离差将所述其它像素按照各聚类中心进行聚类;
计算各聚类结果中像素的灰度平均值,选取各聚类结果中与所述灰度平均值最接近的像素作为新的聚类中心;
返回所述分别计算所述叶片病害图像中除所述聚类中心之外的其他像素点与各聚类中心之间的距离差的步骤,直至所述聚类结果不再变化,将所述聚类结果作为分割出的叶片斑块。
可选地,所述病害特征信息包括:颜色特征信息、纹理特征信息和形状特征信息中的至少一种。
可选地,所述颜色特征信息包括:所述叶片斑块的RGB三分量的一阶矩和二阶矩;
所述纹理特征信息包括:由所述叶片斑块的灰度共生矩阵所构造的纹理特征信息;
所述形状特征信息包括:所述叶片斑块的面积、周长、纵横轴比、矩形度和圆形度中的至少一种。
可选地,所述根据预设病害特征样本对所述病害特征信息进行病害识别,以获得所述待识别黄瓜的病害,进一步包括:
根据预设病害特征样本对所述病害特征信息通过基于支持向量机SVM进行病害识别,以获得所述待识别黄瓜的病害。
依据本发明的另一个方面,提供了一种基于图像信息的黄瓜病害识别装置,所述装置包括:
图像获取单元,用于获取待识别黄瓜的叶片病害图像;
图像分割单元,用于对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块;
特征提取单元,用于对所述叶片斑块进行特征提取,以获得病害特征信息;
病害识别单元,用于根据预设病害特征样本对所述病害特征信息进行病害识别,以获得所述待识别黄瓜的病害。
本发明获取待识别黄瓜的叶片病害图像,对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块,对所述叶片斑块进行特征提取,以获得病害特征信息,根据预设病害特征样本对所述病害特征信息进行病害识别,以获得所述待识别黄瓜的病害,从而提高了识别的准确率,并且避免了由于人工识别的主观性和局限性。
附图说明
图1是本发明一种实施方式的基于图像信息的黄瓜病害识别方法的流程图;
图2a是具有霜霉病的叶片示意图;
图2b是具有褐斑病的叶片示意图;
图2c是具有白粉病的叶片示意图;
图3a是在进行图像分割前的具有霜霉病的叶片示意图;
图3b是对图3a的图片进行Otsu法、Sobel微分算子和K均值聚类分割法(按照从左到右的顺序)的分割结果示意图;
图3c是在进行图像分割前的具有褐斑病的叶片示意图;
图3d是对图3c的图片进行Otsu法、Sobel微分算子和K均值聚类分割法(按照从左到右的顺序)的分割结果示意图;
图3e是在进行图像分割前的具有白粉病的叶片示意图;
图3f是对图3e的图片进行Otsu法、Sobel微分算子和K均值聚类分割法(按照从左到右的顺序)的分割结果示意图;
图4是进行小波、中值和均值降噪(按照从左到右的顺序)的霜霉病叶片图像和信噪比;
图5是进行小波、中值和均值降噪(按照从左到右的顺序)的白粉病叶片图像和信噪比;
图6是进行小波、中值和均值降噪(按照从左到右的顺序)的褐斑病叶片图像和信噪比;
图7是本发明一种实施方式的基于图像信息的黄瓜病害识别方法的流程图;
图8a是霜霉病的叶片图像的RGB三通道的直方图;
图8b是霜霉病的叶片图像进行直方图均衡化后的直方图;
图9a是白粉病的叶片图像的RGB三通道的直方图;
图9b是白粉病的叶片图像进行直方图均衡化后的直方图;
图10a是褐斑病的叶片图像的RGB三通道的直方图;
图10b是褐斑病的叶片图像进行直方图均衡化后的直方图;
图11是本发明一种实施方式的基于图像信息的黄瓜病害识别装置的结构框图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1是本发明一种实施方式的基于图像信息的黄瓜病害识别方法的流程图;参照图1,所述方法包括:
S101:获取待识别黄瓜的叶片病害图像;
可理解的是,采集所述叶片病害图像通常可选用数码摄像机、数码照相机和扫描仪三种,但由于本实施方式对于病害图像的要求为分辨率1000*1000以上即可,故而,带有拍摄功能的普通智能手机均可以达到要求,由于进行黄瓜病害图像采集的地点通常在野外,并考虑到用户群体,因此,本实施方式选用普通智能手机进行采集,轻巧便携,价格适度,当然,还可采用其他类似功能的设备,例如:平板电脑等,本实施方式对此不加以限制。
在具体实现中,本实施方式的方法的执行主体为上位机或具有类似功能的处理器等,获取待识别黄瓜的叶片病害图像可理解为从采集所述叶片病害图像的设备中获取待识别黄瓜的叶片病害图像。
需要说明的是,由于光源是影响采集病害图像颜色特征参数的一个重要因素,自然环境对图像质量的影响也是不容忽视的,即使在相同的光照条件下,天气环境不同,对采集到的图像也有很大差别,为尽可能避免自然环境的影响,本实施方式中,选择在晴好天气的早上4:00~6:00之间进行图像采集,由于这段时间是黄瓜在一天之中生长最旺盛的时期,也是黄瓜病害症状表现最明显的时期,在这段时间是采集病害图像的最佳时期。
可理解的是,参照图2a~2c,黄瓜病害通常为:霜霉病、褐斑病和白粉病,症状分别为:
①霜霉病:该病主要为害叶片,初在叶片背面形成水渍状小点,以后病斑逐渐扩大,因受叶脉限制,呈多角形、水绩状,叶正面病斑初黄色,边缘不明显,后变黄褐色;严重时病斑连片,全叶卷缩、干枯,仅留心叶。
②褐斑病:叶片上产生圆形或近圆形边缘不太整齐、大小不等的淡褐色或褐色病斑。湿度大时病斑正、背面均生稀疏的淡灰褐色霉状物。严重时病斑相融合,叶片枯黄而死。
③白粉病:多见于叶片染病,叶正面出现白色圆斑,渐扩大成边缘不明显的大圆斑;严重时布满整个叶片,病斑布白灰,长满白色菌丝,并有很多小黑点。
在具体实现中,根据常见黄瓜病害知识可知,主要为害部位是黄瓜的叶片,其次才是莲部、根部、或果实,故而,本实施方式中采集的是叶片病害图像。
S102:对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块;
可理解的是,图像分割是图像识别的重要步骤,就必须将这些特定的区域和其他部分进行分离出来处理。图像分割效果的好坏直接影响后续处理的效果。图像分割有很多的方法,这些算法的实现形式不同,但大都是基于图像灰度值的两个性质的分割:相似性分割(阈值分割、区域生长、区域分裂和合并)和不连续性分割(边缘检测、边界跟踪、Hough变换)。相似性是按照事先制定的规则对图像进行分割,属于同一目标的区域一般具有相似性;而不连续性是基于图像灰度的不连续变化来对图像进行分割,不同的区域在边界上出现不连续性。
参照图3a~3f,本实施方式采取具有代表性3中分割方法:阈值分割(最大类间方差法)、边缘分割法(Sobel微分算子)和K均值聚类分割法,对所述叶片病害图像进行这3种分割方法的试验对比。
其中,最大类间方差法(Otsu法)是基于类间方差最大的常用的自动确定阈值的方法,该方法处理速度快、简单易行。
其中,Sobel微分算子主要用于获得数字图像的一阶梯度,常见的应用和物理意义是边缘检测。在技术上,它是一个离散的一阶差分算子,用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子,将会产生该点对应的梯度矢量或是其法矢量。该算子包含两组3×3的矩阵,分别为横向及纵向,将之与图像作平面卷积,即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像,Gx及Gy分别代表经纵向及横向边缘检测的图像,其公式如下:
通过多次试验可知,K均值聚类分割法的分割效果最好,故而,本实施方式中,对所述叶片病害图像基于K均值的模糊聚类图像分割算法进行图像分割,以获得分割出的叶片斑块。
其中,K均值聚类分割法(K-means Clustering)是Mac Queen提出的一种非监督实时聚类算法,在最小化误差函数的基础上将数据划分为预定的类数K,是特征空间聚类算法中应用较广泛的一种划分算法。K均值聚类算法步骤如下:
A1:从所述叶片病害图像中选取K个像素点作为初始的聚类中心,所述K为所述叶片病害图像的灰度直方图中波峰或波谷的数量;
A2:分别计算所述叶片病害图像中除所述聚类中心之外的其他像素点与各聚类中心之间的距离差;
A3:根据所述距离差将所述其它像素按照各聚类中心进行聚类;
A4:计算各聚类结果中像素的灰度平均值,选取各聚类结果中与所述灰度平均值最接近的像素作为新的聚类中心;
A5:返回步骤A2,直至所述聚类结果不再变化,将所述聚类结果作为分割出的叶片斑块。
为进一步提高所述叶片斑块的分割效果,本实施方式中,对分割的叶片斑块进行孔洞填充和去除无关小对象,进一步形态学处理(开运算和闭运算),从而得到完整的叶片斑块。
需要说明的是,在所述K均值聚类分割法中影响K均值聚类结果的主要有两个因素,一个是聚类数据K值的选择,另外一个是初始聚类中心的选择。
(1)对于聚类数据K值的选择:为了解决聚类目的不确定性,本实施方式中使用图像的灰度直方图的波峰(或波谷)数目作为K均值聚类的聚类数。K值选择的依据是:由于K均值聚类分割法是基于图像的灰度值进行聚类的过程,而灰度直方图的波峰、波谷反映了图像灰度级分布变化情况,所以将直方图的波峰(或波谷)数据作为K均值聚类分割法的聚类数目。如果图像的灰度直方图有K个波峰,那么对图像采用K均值聚类分割法的聚类数目就应该是K。
对灰度直方图的波峰数目的计算过程:首先对图像直方图进行平滑处理,然后对直方图拟合曲线进行求导,得到曲线上的峰值,根据给定的距离阈值对所有的峰值做出合理的选择,对于距离小于阈值的相邻峰值点将会加以舍弃,最后把峰值点在直方图上标记,计算出峰值个数作为K均值聚类的聚类数目。
其中,距离阈值为所有距离的平均值peakDis,
上式中,dis(i)为相邻峰值和谷值的距离,M为计算出的所有距离的个数。
(2)对于初始聚类中心的选择:采用最大类间方差法,所述最大类间方差法是一种自适应的阈值确定方法。基本原理是根据图像的灰度直方图,将目标和背景以计算出的阈值分开,阈值是使得目标和背景灰度差异最大的灰度值。
设A和B类两类出现的概率为PA和PB。A和B类两类的灰度均值分别为ωA和ωB。图像的总灰度均值为ω0。A、B两区域的类间方差为:
σ2=pA(ωA-ω0)2+pB(ωB-ω0)2
最大类间方差把两类的类间方差作为判别准则,认为使得σ2最大的t*极为所求的最佳阈值。类间差异越大,类内差异越小,使用最大类间方差分割的效果越好。基本步骤是:a)计算出最大类间方差方法中的最佳分割阈值level;b)K均值聚类算法随机选择初始聚类中心;c)对聚类中心求均值,计算与level的差值dif;d)判断差值与设定阈值T的大小,如果大于阈值,重复b、c步骤;小于阈值则得到初始聚类中心。
S103:对所述叶片斑块进行特征提取,以获得病害特征信息;
可理解的是,所述病害特征信息包括:颜色特征信息、纹理特征信息和形状特征信息中的至少一种,当然,还可包括其他病害特征信息,本实施方式对此不加以限制。
其中,所述颜色特征信息主要提取所述叶片斑块R、G、B三分量的一阶矩(均值,Mean)、二阶矩(方差,Variance),公式如下:
一阶矩
二阶矩
式中,pi,j表示叶片斑块第i个颜色通道灰度为j的像素出现的概率,N为图像像素个数。
为了实现病害特征信息,故而,需要实现建立预设病害特征样本,以霜霉病为例,其颜色特征样本的参数表如下:
其中,通常用灰度共生矩阵构造纹理特征参数,灰度共生矩阵的定义是:设图像某一区域有N个灰度值。则对应该区域的灰度共生矩阵是一个N×N阶矩阵,在矩阵中位置(i,j)(1,…i,…N;l,…j,…N)处元素是从灰度为i的像元离开某个固定位置关系δ=DX+DY处像元灰度为j这种现象出现的概率,δ被称为位移量。在实际应用中,作为纹理识别的特征量是由上述的灰度共生矩阵计算出来的一些统计量,具体如下:
①对比度:
②能量:
③熵:
④相关:
⑤灰度平均:
⑥小梯度优势:
⑦梯度均匀性:
式中,其中,mhk为以上定义的灰度共生矩阵中位置(h,k)处的元素,μx、μy、σx、σy分别为mx、my的均值和标准差,是共生矩阵M中每列元素之和,是每行元素之和。
为了实现病害特征信息,故而,需要实现建立预设病害特征样本,以霜霉病为例,其纹理特征样本的参数表如下:
由于提取黄瓜病斑图像的形状特征参数也十分重要,形状则是刻画物体的基本特征之一,用形状特征区别物体非常直观,利用形状特征进行病害自动识别可以提高准确性和效率。对于基本的形状特征,可以对形状进行描述,并提取出形状特征值。
故而,图像经过分割等处理后获得各叶片斑块,对该叶片斑块提取形状特征。所提取的特征对图像的旋转、图像的平移和图像的缩放是不敏感的。在二维图像空间中,形状通常被认为是一条封闭的轮廓曲线所包围的区域,所以对形状的描述涉及到对形状边界的播述以及对这个边界所包围区域的描述。本实施方式中选用病斑的面积、周长、矩形度、圆形度和纵横轴比5个特征量作为病斑形状的描述子。
①面积Area:为选定病斑的面积,其计算方式为统计图所示单个病斑图像的病斑部位的像素总数(白像素部分)。
②周长Length:为选定病斑的轮廓线长度,其计算方式为统计图所示单个病斑图像的病斑轮廓线的像素总数;
③纵横轴比Ratio:为病斑最小包围盒的长宽比值,其计算公式为其中Height和Width分别为病斑最小包围盒的长和宽:
④矩形度Rectangle:为病斑面积与病斑最小包围盒面积的比值,其计算公式为:其中Height和Width分别为病斑最小包围盒的长和宽;
⑤圆形度Circle:为病斑面积和周长的计算值,其计算公式为
为了实现病害特征信息,故而,需要实现建立预设病害特征样本,以霜霉病为例,其形状特征样本的参数表如下:
样本特征值 | 面积 | 周长 | 圆形度 | 矩形度 | 纵横轴比 |
1 | 384 | 101.4975 | 0.4047 | 0.5708 | 0.0852 |
2 | 285 | 119.7402 | 0.2498 | 0.6250 | 0.0733 |
3 | 1682 | 283.9068 | 0.2622 | 0.7391 | 0.0521 |
4 | 211 | 65.1127 | 0.1254 | 0.8623 | 0.0335 |
… | |||||
100 | 512 | 155.7230 | 0.2653 | 0.7362 | 0.0687 |
进一步地,可将特征信息标准化,一般标准化采用的是Z标准化,即变换后的均值为0,标准差为1。若x是某一特征信息,μx和σx分别为该特征信息的均值和均方差(标准差),对应的数据Datax标准化后的值为Datax′,则特征信息的标准化公式为:
标准化后的特征信息围绕上下波动,大于说明高于平均水平,小于说明低于平均水平。
S104:根据预设病害特征样本对所述病害特征信息进行病害识别,以获得所述待识别黄瓜的病害。
本实施方式可将标准化后的特征信息分别基于支持向量机(SVM)、BP神经网络和模糊模式识别算法进行图像识别,以霜霉病为例比较这三种算法的识别率,参照下表:
根据上表可知,基于支持向量机的识别率最高,故而,本实施方式中,根据预设病害特征样本对所述病害特征信息通过基于支持向量机SVM进行病害识别,以获得所述待识别黄瓜的病害。
其中,基于支持向量机的病害识别过程可采用如下步骤:
设有两类模式C1和C2,T={(X1,y1)(X2,y2)…(XN,yN)}是从模式C1和C2中抽样得到的训练集,其中Xn∈RM、yn∈{1, -1}。若Xn属于C1类,则对应有yn=1;若Xn属于C2类,则对应有yn=-1;。寻求RM上的一个实函数g(X),对于任给的未知模式,有
或者
式中sgn(·)为符号函数,g(X)称为决策(分类)函数。
线性分类机的作用就是要在C1和C2之间寻找一条分类线l,其表达式为g(X),可理解的是,在高维情况下g(X)是一个超平面。
对于线性可分的两类模式C1和C2而言,能够准确将其分开的直线不是唯一的。假设有直线l可以无误地将C1和C2两类模式分开,另有直线l1和直线l2与l之间的间距为k,l1与l2之间形成一个没有学习样本的带状区域,不妨称该带状区域为“边带(Margin)”,而l是边带的中分线。显然,最合理的分类线应该具有最宽的边带。
假设,已知分类线l的法线矢量为W0,则分类线的表达式为:
g(X)=〈W0·X〉+b0=0
式中〈·〉表示矢量点积。显然,g(X)到原点距离为
对于给定的所有N个学习样本g(X)应满足:
g(Xn)>0,yn=1 Xn∈C1
g(Xn)<0,yn=-1 Xn∈C2
或写成
yn=sgn{g(Xn)}=1 Xn∈C1
yn=sgn{g(Xn)}=-1 Xn∈C2
如图所示,直线l1和直线l2与分类线l之间的间隔距离为k,则这两条边界线的表达式分别为:
l1:〈W0·X〉+b0=k
l2:〈W0·X〉+b0=-k
直线l1和直线l2之间的间距为2·k,寻找最大带宽的问题,转化为在保证所有学习样本满足上式的前提下,寻找g(X)使k达到最大的问题了。
k是一个标量,因此,可以取于是,分类线l的表达式可以改写成:
l:g(X)=〈W·X〉+b=0
直线l1和直线l2的表达式可以改写成:
l1:〈W·X〉+b=1
l2:〈W·X〉+b=-1
当k增大时,变小。于是,寻找最大带宽k的问题,变成了寻找最小||W||的问题,为了计算上的方便,取目标函数为
对于任意学习样本(Xn yn),其分布必然在直线l1之上或直线l2之下。即有
将以上两式合并,有
yn·[〈W·Xn〉+b]≥1
在选择分类线的过程中,上式对于任何学习样本都必须成立。在此前提下寻找最宽边界的问题,最后可以表示成一个约束优化问题:
s.t.yn·(〈W·Xn〉+b)≥1,n=1,2,…,N
这里目标函数中的没有其他意义,只是为了下一步导出求解方法时方便。由此得到两类分类机算法:
给定学习样本集Xn∈RM、yn∈{1, -1}。yn=1表示Xn属于C1类,yn=-1表示Xn属于C2类;
构造并求解关于变量W和b的优化问题(目标函数加上平方)
s.t.yn·(〈W·Xn〉+b)≥1,n=1,2,…,N
求得最优解W*和b*;
构造分类函数
g(X)=〈W*·X〉+b*
对于任意的未知模式X,可以由上式判断其所属类别:
g(X)>0 则X∈C1
g(X)<0 则X∈C2
从以上分析过程可知,对于任意学习样本Xn,有
g(Xn)≥1 则Xn∈C1
g(Xn)≤-1 则Xn∈C2
其中,BP(Back Propagation)网络是1986年由Rinehart和McClelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。BP神经网络算法实现步骤如下:
①对构建的BP网络进行初始化。用[1,-1]之间的均勾分布的随机数对权值矩阵W和V赋初值,将误差E设置为0,学习率η设置为(0,1]围内的小数,训练网络精度Emin设为一正小数,将样本模式计数器p和训练次数计数器q置为1;
②输入黄瓜病害图像训练样本对,计算BP网络内各层输出,用当前样本XP、dP对向量数组X、d赋值,用下式计算Y和O中各分量;
③计算网络输出误差。设黄瓜病害图像训练样本对数为P,网络对于不同的样本具有不同的误差E',将全部样本输出误差的平方(E')2进行累加再开放,作为输出误差,将均方根误差作为网络的总误差;
④计算构建的BP网络的各层误差信号,用下式计算:
⑤调整网络各层的权值,用下式计算W、V中各分量;
⑥检查网络训练的完整性,即是否对所有选定的黄瓜病害样本进行了训练。如果则p<P,则计数器p、q均增1,之后返回到②否则转到⑦;
⑦检查网络的总误差ERME是否达到了预期的精度要求。如果ERME<Emin,则BP网络的训练过程结束,否则将E置0,P置1,返回②。
其中,模糊模式识别算法中设计分类器是关键。根据病害识别的特征信息及其他约束条件,要将待识未知病害图片分配到各自的模式类中去,需要设计一套分类规则,就是设计分类器。把所有的样本图像数据集合称为域M,其中包含n个样本,即M=[m1,m2,…,mn];第i个样本的第j个特征时mij=[xi1,xi2,…,xin](1≤i≤n)。其中域M可有k个分类,每个分类都是域M上的一个模糊集,[A1,A2,…,A3]叫做标准模糊模式。x=[x1,x2,…,xn]是是域M中的任意一个待识对象,模糊模式识别就是要把对象x划分到与其最接近的一个类别中去。试验中分类器的设计分为样本训练和模糊聚类。
样本训练就是为了得到标准的模糊模式,通过对样本的某种监督,使其与未知病害图像数据进行比较,从而对输入的图像数据分类。根据农业植保专家提出的黄瓜霜霉病诊断标准,在域M中选择e个样本作为训练样本集,得到训练样本的特征向量矩阵。
本实施方式获取待识别黄瓜的叶片病害图像,对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块,对所述叶片斑块进行特征提取,以获得病害特征信息,根据预设病害特征样本对所述病害特征信息进行病害识别,以获得所述待识别黄瓜的病害,从而提高了识别的准确率,并且避免了由于人工识别的主观性和局限性。
图7是本发明一种实施方式的基于图像信息的黄瓜病害识别方法的流程图;参照图7,所述方法包括:
S601:获取待识别黄瓜的叶片病害图像;
步骤S601与图1所示的实施方式的步骤S101相同,在此不再赘述。
S602:对所述叶片病害图像进行图像降噪处理和图像增强处理中的至少一种。
需要说明的是,图像降噪处理主要是指去除图像中的噪声。由于边缘过于模糊,细节不清晰出现黑白点等都是噪声的问题,有些噪声并不是人眼观察可见的,需要在数字图像处理系统中才可发现。噪声对图像识别很重要,它会影响对图像处理的每个步骤,关系到识别结果的好坏。图像的去噪的方法有很多,比如均值滤波、中值滤波、小波滤波或维纳滤波等。
本实施方式中采取前三种方法:均值滤波、中值滤波和小波降噪,并对这三种方法进行对比。
其中,中值滤波是以某像素点为中心的窗口内的所有像素的灰度值按从大到小的顺序排列,将中间值作为该像素点处的灰度值以此来消除突变的像素点。所以说中值滤波是一种非线性处理方法。中值滤波器就是一种非线性滤波器。它在一定程度上可以克服均值滤波等方法带来的轮廓模糊的问题。该方法不仅能滤除掉噪声,又对边缘有保护的作用。其数学表达式为:
g(x,y)=Med{f(x-k,y-l),(k,l)∈S}
式中,f(x,y),g(x,y)分别为原图像和处理后图像,S为模板,一般选择3×3模板,待处理的像素放在模板中心。
其中,均值滤波是取得某像素点为中心的窗口内的所有像素的灰度值的平均值来消除掉噪声的影响。它是局部空间域处理算法的一种。该算法简单、计算速度快。图像的灰度变化是连续的遇到轮廓或细节时才会有突变。而噪声的加入使得图像中一些像素值相对于周围像素值发生突变。由此均值滤波采用以某像素点周围像素的灰度平均值作为该点的灰度值,以此来消除掉突变的噪声的影响,产生平滑的效果。其数学表达式为:
式中,f(x,y),g(x,y)分别为原图像的像素值和处理后图像的像素值,S为模板,m为该模板中包含当前像素在内的像素总个数。
其中,小波降噪在图像去噪中有着很好的应用。小波降噪主要是利用噪声与图像信号在频率上分布的不同,图像信号主要分布在低频区域,而噪声主要分布在高频区域,小波去噪使得原始图像的结构信息和细节信息很容易被提取是因为小波具有以下的特点:
①低熵性。小波系数的稀疏分布,使得图像变换后的熵降低;
②多分辨率性。由于采用了多分辨率分析,因此可以非常好地处理信号的非平稳特征,如边缘、尖峰、断点等;
③去相关性。因为小波变换可以对信号进行去相关,且噪声在变换后有白化趋势,所以小波域比空域更利于去噪;
④选基灵活性。由于小波变换可以灵活选择变换基,从而对不同的应用场合,不同的研究对象,可以选用不同的小波母函数,以获得最佳的效果。
参照图4~6,通过比较这3种方法的降噪效果图和信噪比(信噪比越大,降噪效果越好)可知:小波去噪的方式的效果最优,故而,本实施方式中采用小波去噪来进行降噪处理。
可理解的是,对降噪后的病害图像可进行图像增强处理,图像增强是指根据特定的需要突出一幅图像中的某些信息,同时削弱某些不需要的信息以达到改善画面质量的处理方法。通过直方图均衡化进行图像增强,能很好的改善图像。
其中,直方图均衡化又称灰度均衡化,是一种实用性极高的直方图修正技术。它的基本原理是:对在图像中像素个数多的灰度值(即对画面起主要作用的灰度值)进行展宽,而对像素个数少的灰度值(即对画面不起主要作用的灰度值)进行归并,使得像素占有尽可能多的灰度级并且均匀分布(即输出的直方图是均匀的)以提高图像的对比度来改善图像画面效果,参照图8a~10b。
S603:对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块;
S604:对所述叶片斑块进行特征提取,以获得病害特征信息;
S605:根据预设病害特征样本对所述病害特征信息进行病害识别,以获得所述待识别黄瓜的病害。
步骤S603~S605与图1所示的实施方式的步骤S102~S104相同,在此不再赘述。
需要说明的是,上述实施方式可通过C++语言编程实现的,而可以运行C++的编程工具有很多,比如Visual C++/、Eclipse、Dev-C等。而微软公司开发的Visual C++有很好的用户交互界面、对话框、按钮、菜单等,是一款可视化的软件开发工具。它的一大特点是含有MFC类库,该类库封装了API函数库。MFC类库中有很多我们常用的功能,它将这些常用功能编写成类,当我们建立一个新的工程时很多框架性的必写的基本代码,已为我们编写好了而且该类库效率高,这为我们编写程序时做了大大的简化工作。Visual C++6.0由许多组件组成,包括编辑器、调试器以及程序向导、类向导等开发工具。这些组件通过一个名为Developer Studio的组件集成为和谐的开发环境。
图11是本发明一种实施方式的基于图像信息的黄瓜病害识别装置的结构框图;参照图11,所述装置包括:
图像获取单元1001,用于获取待识别黄瓜的叶片病害图像;
图像分割单元1002,用于对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块;
特征提取单元1003,用于对所述叶片斑块进行特征提取,以获得病害特征信息;
病害识别单元1004,用于根据预设病害特征样本对所述病害特征信息进行病害识别,以获得所述待识别黄瓜的病害。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (9)
1.一种基于图像信息的黄瓜病害识别方法,其特征在于,所述方法包括:
获取待识别黄瓜的叶片病害图像;
对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块,进一步包括:对所述叶片病害图像基于K均值的模糊聚类图像分割算法进行图像分割,以获得分割出的叶片斑块,所述基于K均值的模糊聚类图像分割算法包括K的确定和初始聚类中心的确定,其中,所述K通过所述叶片病害图像的灰度直方图的波峰或波谷的数量进行确定;所述初始聚类中心通过最大类间方差法确定,具体步骤包括:步骤01,获取最大类间方差法的最佳分割阈值level;步骤02,通过K均值聚类算法随机选择聚类中心;步骤03,对聚类中心求均值,获取均值与最佳分割阈值level的差值dif;步骤04,根据预设阈值T对差值dif进行判断,若判断获知差值dif大于预设阈值T,则重复步骤02和步骤03;若判断获知差值dif小于预设阈值T,则得到初始聚类中心;
对所述叶片斑块进行特征提取,以获得病害特征信息;
根据预设病害特征样本对所述病害特征信息进行病害识别,以获得所述待识别黄瓜的病害。
2.如权利要求1所述的方法,其特征在于,所述对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块之前,所述方法还包括:
对所述叶片病害图像进行图像降噪处理和图像增强处理中的至少一种。
3.如权利要求2所述的方法,其特征在于,所述图像降噪处理采用小波降噪的方式。
4.如权利要求2所述的方法,其特征在于,所述图像增强处理采用直方图均衡化的方式。
5.如权利要求1所述的方法,其特征在于,所述对所述叶片病害图像基于K均值的模糊聚类图像分割算法进行图像分割,以获得分割出的叶片斑块,进一步包括:
从所述叶片病害图像中选取K个像素点作为初始的聚类中心,所述K为所述叶片病害图像的灰度直方图中波峰或波谷的数量;
分别计算所述叶片病害图像中除所述聚类中心之外的其他像素点与各聚类中心之间的距离差;
根据所述距离差将所述其他像素按照各聚类中心进行聚类;
计算各聚类结果中像素的灰度平均值,选取各聚类结果中与所述灰度平均值最接近的像素作为新的聚类中心;
返回所述分别计算所述叶片病害图像中除所述聚类中心之外的其他像素点与各聚类中心之间的距离差的步骤,直至所述聚类结果不再变化,将所述聚类结果作为分割出的叶片斑块。
6.如权利要求1所述的方法,其特征在于,所述病害特征信息包括:颜色特征信息、纹理特征信息和形状特征信息中的至少一种。
7.如权利要求6所述的方法,其特征在于,所述颜色特征信息包括:所述叶片斑块的RGB三分量的一阶矩和二阶矩;
所述纹理特征信息包括:由所述叶片斑块的灰度共生矩阵所构造的纹理特征信息;
所述形状特征信息包括:所述叶片斑块的面积、周长、纵横轴比、矩形度和圆形度中的至少一种。
8.如权利要求7所述的方法,其特征在于,所述根据预设病害特征样本对所述病害特征信息进行病害识别,以获得所述待识别黄瓜的病害,进一步包括:
根据预设病害特征样本对所述病害特征信息通过基于支持向量机SVM进行病害识别,以获得所述待识别黄瓜的病害。
9.一种基于图像信息的黄瓜病害识别装置,其特征在于,所述装置包括:
图像获取单元,用于获取待识别黄瓜的叶片病害图像;
图像分割单元,用于对所述叶片病害图像进行图像分割,以获得分割出的叶片斑块,进一步包括:对所述叶片病害图像基于K均值的模糊聚类图像分割算法进行图像分割,以获得分割出的叶片斑块,所述基于K均值的模糊聚类图像分割算法包括K的确定和初始聚类中心的确定,其中,所述K通过所述叶片病害图像的灰度直方图的波峰或波谷的数量进行确定;所述初始聚类中心通过最大类间方差法确定,具体步骤包括:步骤01,获取最大类间方差法的最佳分割阈值level;步骤02,通过K均值聚类算法随机选择聚类中心;步骤03,对聚类中心求均值,获取均值与最佳分割阈值level的差值dif;步骤04,根据预设阈值T对差值dif进行判断,若判断获知差值dif大于预设阈值T,则重复步骤02和步骤03;若判断获知差值dif小于预设阈值T,则得到初始聚类中心;
特征提取单元,用于对所述叶片斑块进行特征提取,以获得病害特征信息;
病害识别单元,用于根据预设病害特征样本对所述病害特征信息进行病害识别,以获得所述待识别黄瓜的病害。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610105646.5A CN105844285B (zh) | 2016-02-25 | 2016-02-25 | 基于图像信息的黄瓜病害识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610105646.5A CN105844285B (zh) | 2016-02-25 | 2016-02-25 | 基于图像信息的黄瓜病害识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844285A CN105844285A (zh) | 2016-08-10 |
CN105844285B true CN105844285B (zh) | 2019-06-14 |
Family
ID=56586894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610105646.5A Active CN105844285B (zh) | 2016-02-25 | 2016-02-25 | 基于图像信息的黄瓜病害识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844285B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
CN106803257B (zh) * | 2016-12-22 | 2020-04-10 | 北京农业信息技术研究中心 | 一种作物病害叶片图像中病斑的分割方法 |
CN106778786A (zh) * | 2016-12-29 | 2017-05-31 | 西京学院 | 基于对数频域分层梯度方向直方图的苹果病害识别方法 |
CN106897991A (zh) * | 2017-01-05 | 2017-06-27 | 浙江大学 | 基于Live‑Wire分割的微生物群落识别方法 |
CN106951930A (zh) * | 2017-04-13 | 2017-07-14 | 杭州申昊科技股份有限公司 | 一种适用于变电站巡检机器人的仪表定位方法 |
CN108961201A (zh) * | 2017-05-19 | 2018-12-07 | 广州康昕瑞基因健康科技有限公司 | 图像清晰度识别方法和自动聚焦方法 |
CN107292874A (zh) * | 2017-06-29 | 2017-10-24 | 深圳前海弘稼科技有限公司 | 作物病害的控制方法及装置 |
CN108563979B (zh) * | 2017-12-29 | 2021-09-07 | 南京农业大学 | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 |
CN108257179B (zh) * | 2018-02-02 | 2020-04-17 | 四川康吉笙科技有限公司 | 一种图像处理方法 |
CN108764285A (zh) * | 2018-04-23 | 2018-11-06 | 湖北同诚通用航空有限公司 | 一种基于高分辨率影像的松树病死木识别方法及系统 |
CN108986119B (zh) | 2018-07-25 | 2020-07-28 | 京东方科技集团股份有限公司 | 图像分割方法及装置、计算机设备及可读存储介质 |
CN109165623B (zh) * | 2018-09-07 | 2020-08-04 | 北京麦飞科技有限公司 | 基于深度学习的水稻病斑检测方法及系统 |
CN109754423B (zh) * | 2018-11-28 | 2020-09-15 | 中国农业科学院农业信息研究所 | 一种叶片病斑覆盖区域的提取方法和设备 |
CN109549569A (zh) * | 2018-12-28 | 2019-04-02 | 珠海凯浩电子有限公司 | 一种根据地磁强弱方向清扫的扫地机器人 |
CN109815871B (zh) * | 2019-01-16 | 2021-11-16 | 中国科学院空天信息创新研究院 | 基于光学遥感图像的目标舰船检测及跟踪方法 |
CN110321787A (zh) * | 2019-05-13 | 2019-10-11 | 仲恺农业工程学院 | 基于联合稀疏表示的病害识别方法、系统及存储介质 |
CN110751228B (zh) * | 2019-10-28 | 2023-04-07 | 西京学院 | 基于改进k-means算法的作物病变叶片检测方法 |
CN111044520A (zh) * | 2019-12-12 | 2020-04-21 | 湖南省林业科学院 | 一种油茶主要病虫害的监测方法 |
CN111460990B (zh) * | 2020-03-31 | 2023-04-07 | 青海省草原总站 | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 |
CN111797781A (zh) * | 2020-07-08 | 2020-10-20 | 广西大学 | 一种基于图像识别与bp神经网络的病虫害识别系统 |
CN112036470A (zh) * | 2020-08-28 | 2020-12-04 | 扬州大学 | 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法 |
CN113112451A (zh) * | 2021-03-08 | 2021-07-13 | 潍坊科技学院 | 基于图像处理的绿色叶片病害特征优化及病害识别方法 |
CN113518182B (zh) * | 2021-06-30 | 2022-11-25 | 天津市农业科学院 | 一种基于树莓派的黄瓜表型特征测量方法 |
CN114240807B (zh) * | 2022-02-28 | 2022-05-17 | 山东慧丰花生食品股份有限公司 | 一种基于机器视觉的花生黄曲霉素检测方法及系统 |
CN114973001B (zh) * | 2022-06-17 | 2023-02-03 | 东北林业大学 | 一种湿地植物生长信息监测方法 |
CN115690107B (zh) * | 2023-01-03 | 2023-04-07 | 浙江托普云农科技股份有限公司 | 基于图像处理的豆荚果粒高通量计数方法、系统及装置 |
CN117788472B (zh) * | 2024-02-27 | 2024-05-14 | 南京航空航天大学 | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 |
CN118015384B (zh) * | 2024-04-08 | 2024-06-21 | 江西省天驰高速科技发展有限公司 | 一种墩柱混凝土病害自动识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214306A (zh) * | 2011-06-16 | 2011-10-12 | 中国农业大学 | 叶片病斑识别方法及装置 |
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
CN104063686A (zh) * | 2014-06-17 | 2014-09-24 | 中国科学院合肥物质科学研究院 | 作物叶部病害图像交互式诊断系统与方法 |
CN104598908A (zh) * | 2014-09-26 | 2015-05-06 | 浙江理工大学 | 一种农作物叶部病害识别方法 |
-
2016
- 2016-02-25 CN CN201610105646.5A patent/CN105844285B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214306A (zh) * | 2011-06-16 | 2011-10-12 | 中国农业大学 | 叶片病斑识别方法及装置 |
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
CN104063686A (zh) * | 2014-06-17 | 2014-09-24 | 中国科学院合肥物质科学研究院 | 作物叶部病害图像交互式诊断系统与方法 |
CN104598908A (zh) * | 2014-09-26 | 2015-05-06 | 浙江理工大学 | 一种农作物叶部病害识别方法 |
Non-Patent Citations (2)
Title |
---|
"作物病害叶片图像分割及识别中的关键问题研究";张晴晴;《万方数据知识服务平台》;20150925;正文第5-53页 |
"基于K均值聚类的成熟草莓图像分割算法";王雪光 等;《农机化研究》;20130823(第6期);第51页第1节至第52页第2.1节 |
Also Published As
Publication number | Publication date |
---|---|
CN105844285A (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844285B (zh) | 基于图像信息的黄瓜病害识别方法及装置 | |
CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
Xie et al. | Automatic segmentation of dermoscopy images using self-generating neural networks seeded by genetic algorithm | |
Jahanifar et al. | Supervised saliency map driven segmentation of lesions in dermoscopic images | |
Zhou et al. | Wheat ears counting in field conditions based on multi-feature optimization and TWSVM | |
Aja-Fernández et al. | A local fuzzy thresholding methodology for multiregion image segmentation | |
Schneider et al. | Joint 3-D vessel segmentation and centerline extraction using oblique Hough forests with steerable filters | |
CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
Fablet et al. | Automated fish age estimation from otolith images using statistical learning | |
Deenan et al. | Image segmentation algorithms for Banana leaf disease diagnosis | |
Gómez et al. | Evolutionary pulse-coupled neural network for segmenting breast lesions on ultrasonography | |
CN108090913B (zh) | 一种基于对象级Gauss-Markov随机场的图像语义分割方法 | |
CN107423771B (zh) | 一种两时相遥感图像变化检测方法 | |
Shao et al. | Research on automatic identification system of tobacco diseases | |
CN112258532B (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
CN111340829B (zh) | 一种改进的dme水肿区域神经网络分割模型的构建方法 | |
Ye et al. | Cucumber appearance quality detection under complex background based on image processing | |
Mamilla et al. | Extraction of microaneurysms and hemorrhages from digital retinal images | |
CN108664979A (zh) | 基于图像识别的玉米叶部病虫害检测模型的构建方法及应用 | |
Yang et al. | Sampling with level set for pigmented skin lesion segmentation | |
CN106952251B (zh) | 一种基于吸附模型的图像显著性检测方法 | |
Yang et al. | A segmentation method based on the deep fuzzy segmentation model in combined with SCANDLE clustering | |
Abraham et al. | Automatic building extraction from satellite images using artificial neural networks | |
Valarmathi et al. | Fruit Disease Prediction with Fertilizer Recommendation for Citrus Family using Deep Learning | |
Dhanyaa et al. | A review of plant disease detection techniques using artificial intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |