CN106778786A - 基于对数频域分层梯度方向直方图的苹果病害识别方法 - Google Patents

Abstract

基于对数频域分层梯度方向直方图的苹果病害识别方法，先对原始的苹果病害叶片RGB彩色图像经过滤预处理，转化成YUV颜色模型，利用K均值聚类和EM方法结合对苹果叶片图像进行分割得到病斑图像，再分别计算病斑图像的对应的RGB、L*a*b*和YUV三个图像的分层梯度方向直方图，进行傅里叶变换，再取对数，得到的三个对数频域分层梯度方向直方图，再整合为一个向量，利用PCA进行维数约简，得到苹果病害叶片图像的特征向量，建立苹果病害叶片标准模版库，对于一幅待识别的苹果病害叶片，提取其特征向量，然后计算待识别叶片图像的特征向量与标准模版库中的特征向量之间的余弦距离，最后判断待识别苹果病害叶片的病害类别，本发明能够快速、准确地识别苹果病害类别。

Description

基于对数频域分层梯度方向直方图的苹果病害识别方法

技术领域

本发明涉及植物病害叶片图像处理和模型识别技术领域，特别涉及基于对数频域分层梯度方向直方图的苹果病害识别方法。

背景技术

苹果是人们最喜欢的水果之一，但苹果病害严重影响了苹果的正常生长，降低了苹果的产量和质量。如何防治苹果病害是国际社会多年来一直面临的问题，也是目前计算机和图像处理领域的一个研究方向。由于我国苹果种植区域范围广、基础设施不完善、基层植保专家队伍少、苹果病害现场诊断不方便等问题，使得传统的苹果病害防治不足，急需远程、智能化的苹果病害自动诊断和识别手段和技术。尽管苹果病害的种类和出现的症状多种多样，但绝大多数的苹果病害症状往往首先在苹果的叶子上表现出来，病害使得苹果的叶片的颜色、形状和纹理发生变化，症状在叶子上表现最明显的病害有斑点落叶病、锈病和花叶病等。叶片症状一直是基层农林防护人员和果农检测和判断苹果病害发生及其危害程度的重要依据之一。苹果病害叶片图像中包含有大量的病害特征信息，所以利用苹果叶片图像可以自动识别苹果是否有病害，也可以进一步判别病害的类别，由此对症下药，起到病害防治作用。毕傲睿针对斑点落叶病、锈病、花叶病等三种苹果叶子病害，开发了一种能够识别三种病害的智能系统【毕傲睿.苹果叶子病害图像识别系统的设计与实现[D].西安建筑科技大学硕士学位论文,2014】；师韵等人基于主分量分析算法，提出了一种基于叶片颜色、形状和纹理特征相结合的苹果病害识别方法【师韵,王旭启,张善文.基于主分量分析的苹果叶部3种常见病害识别方法.江苏农业科学,2016,44(9):337-340】。由于苹果在不同生长时期，正常叶片和病害叶片呈现不同的颜色，而且同一幅叶片上叶柄、叶脉、叶表层的绿色也不相同，特别是病斑区域在染病的初期、中期、后期也呈现不同颜色和大小和形状，使得基于苹果病害叶片图像的病害类别识别方法研究既是一个难题有具有挑战性。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供基于对数频域分层梯度方向直方图的苹果病害识别方法，提高大田苹果病害叶片图像处理和病害类别检测和识别的智能化和自动化程度，实现苹果病害自动检测、诊断和识别。

为了达到上述目的，本发明采用的技术方案为：

基于对数频域分层梯度方向直方图的苹果病害识别方法，包括以下步骤：

1)苹果病害叶片图像预处理：对于原始的苹果病害叶片RGB彩色图像，进行滤波、增强、平滑和归一化处理；

2)苹果病害叶片病斑提取：将预处理后的叶片图像转化成YUV颜色模型，利用K均值聚类和EM方法结合提取病害叶片的病斑图像；

3)病斑直方图计算：计算病斑图像对应的RGB、L*a*b*和YUV三个图像的分层梯度方向直方图；

4)傅里叶变换幅度谱计算：分别计算三个分层梯度方向直方图的快速离散傅里叶变换，然后计算其幅度谱，再对每个幅度谱进行归一化；

5)取对数：分别对归一化后的三个幅度谱取对数，再将三个对数幅度谱整合为一个向量；

6)维数约简：利用主分量分析对整合特征向量进行维数约简，提取约简维数为100的最大特征值对应的特征向量，作为苹果病害叶片图像的特征向量；

7)建立苹果病害叶片图像标准模版库：对每幅已知病害类别的苹果病害叶片图像进行上述操作，提取特征向量，根据已知病害类别的苹果病害叶片图像的特征向量，建立苹果病害叶片图像的标准模版库；

8)计算相似度：计算待识别苹果叶片图像的特征向量与标准模版库中的特征向量之间的余弦距离，作为他们的相似度；

9)病害类型识别：确定最大的相似度对应标准模板库中特征向量对应的类别，为待识别苹果叶片图像的类别，达到利用病害叶片图像识别苹果病害类别。

所述的步骤2)的具体步骤为：

将RGB彩色苹果病害叶片图像转化成YUV颜色模型，得到YUV模型中的颜色分量Y、U和V，分别对Y、U和V三个分量图像，利用K均值聚类法对每个小区域图像进行K均值聚类，步骤如下：

(a)、针对Y分量的小区域图像集合{I_Y1,I_Y2,...,I_Y400}，设C_k(k＝1,2,...,K)为K类的初始聚类中心，K为聚类数；由于每一个小区域图像中病斑色彩变化一般不会太大，为了便于病斑像素聚类，一般指定每一小区域聚类数为2，即K的值取为2，则由每个小区域聚类得到的特征值数为2；

(b)、对于小区域图像集合中的每一个I_Yi(i＝1,2,...,400)，找到离它最近的聚类中心，并将其归到离它最近的类中；

(c)、采用K均值聚类方法重新计算分类后各类中心点，记为C'_k(k＝1,2,...,K)；

(d)、转到步骤(b)重复进行，直到平方误差准则函数收敛，其定义如下：

其中，E为数据库中所有对象的平方误差的总和，y为空间中的点，C_k为第k类的聚类中心；

(e)、当E值小于给定的阈值，就表明准则函数达到了收敛，这时的聚类中心C_k为I_Yi(i＝1,2,...,400)的第k类的聚类中心，作为该小区域图像的特征指标；重复以上步骤可以得到每个小区域图像I_Yi(i＝1,2,...,400)的聚类中心；

(f)、对于Y和U分量图像的各个小区域图像的I_Ui和I_Vi(i＝1,2,...,400)，分别重复以上步骤(a)到步骤(e)，得到Y和U分量图像的每个小区域图像I_Ui和I_Vi(i＝1,2,...,400)的聚类中心；

由以上步骤(a)到步骤(f)得到Y、U和V三个分量图像的各个小区域图像的聚类中心，作为后续EM方法中的混合高斯分布的期望的初始值；

(g)、利用EM方法对每个小区域图像进行聚类，得到K类聚类中心其中EM方法中的混合高斯分布是由K种不同的高斯分布混合生成，每个分布都是相互独立的，K个高斯分布的期望参数初始值为K类聚类中心C_k(k＝1,2,...,K)；

(h)、计算原始彩色病害叶片图像中各像素点与各类聚类中心的欧式距离，来划分类别，对原始彩色病害叶片图像进行分割，得到彩色的病斑图像G。

所述的步骤8)中相似度的计算公式为：

其中，s为两幅苹果病害叶片图像的特征向量v_i和v_j的相似度，T为向量转置，||v_i||和||v_j||分别为v_i和v_j的欧氏距离。

本发明的有益效果为：

利用符合人眼对颜色感知的YUV颜色模型对病斑颜色进行聚类分割，相对于传统的RGB等颜色空间上的聚类分割得到了更好的病斑分割效果。利用数字图像处理技术对苹果病害叶片图像进行处理后，建立标准苹果病害叶片的特征向量模板库，通过模板匹配方法实现对苹果病害叶片图像的自动识别和分类，提高苹果病害检测和识别的智能化和自动化程度，实现对视频苹果叶片图像中苹果病斑的自动检测和病害识别。本发明具有特征提取速度快、识别正确率高、识别效果稳定和实用性强等优点，提取的苹果病害叶片图像的特征向量具有旋转不变性、平移不变性和尺度不变性，能够在普通PC计算机上实现，对操作系统没有特别要求。

附图说明

图1-1、图1-2和图1-3分别是三种原始苹果病害叶片图像。

图2-1、图2-2和图2-3分别是三种图像的病斑图像。

图3-1、图3-2和图3-3分别对应图2-1的RGB图像、YUV图像和LAB图像。

图4-1、图4-2和图4-3分别对应图3-1的分层梯度方向直方图、频域分层梯度方向直方图和对数频域分层梯度方向直方图。

图5-1、图5-2和图5-3分别对应图3-1、图3-2和图3-3的对数频域分层梯度方向直方图。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

基于对数频域分层梯度方向直方图的苹果病害识别方法，包括以下步骤：

1)苹果病害叶片图像预处理：对于原始的苹果病害叶片RGB彩色图像，进行滤波、增强、平滑和归一化处理，将每幅图像缩放为大小相同的320×240图像；

苹果病害叶片图像的采集分为室内和室外图像采集：室内图像采集是在室内使用数码摄像机和数码照相机对田间采集到的苹果病害叶片进行拍照，摄取病害叶片数字图像；室外图像采集是在田间直接使用数码照相机和智能手机拍摄苹果病害叶片图像；

在苹果病斑分割中，RGB颜色空间不是很好，因为每个像素都存在R、G、B三个分量，即每个像素需要3个字节存储，使得存储一幅图像需要很大的存储空间，计算量大，处理起来比较复杂，因此采用YUV颜色空间，其中Y为亮度，而U和V称为色度，分别为R-Y和B-Y分量，病害叶片图像的YUV表示的优点是它的亮度分量(Y)和色度分量(U，V)相互独立，只需要用U和V两个分量即可表示色彩，就可单独编码，易于实现压缩，方便传输和处理。所以，下面的病斑分割是在YUV颜色空间进行的。

2)苹果病害叶片病斑提取：将预处理后的叶片图像转化成YUV颜色模型，利用K均值聚类和EM方法结合提取病害叶片的病斑图像；

首先，将RGB彩色苹果病害叶片图像转化成YUV颜色模型，得到YUV模型中的颜色分量Y、U和V，转换公式为

参照图1-1、图1-2和图1-3，从图中可以看出，整幅苹果病害叶片中的颜色变化较大，不要容易利用直接对整幅图像进行聚类，所以将Y、U和V三个分量图像分别分割成400个16×12小区域图像，由此缩短后续叶片病斑分割算法的处理时间，设I_Yi、I_Ui和I_Vi分别为Y、U和V三个分量图像分块后的第i个小区域图像(i＝1,2,...,400)；

再分别对Y、U和V三个分量图像，利用K均值聚类法对每个小区域图像进行K均值聚类，步骤如下：

(a)、针对Y分量的小区域图像集合{I_Y1,I_Y2,...,I_Y400}，设C_k(k＝1,2,...,K)为K类的初始聚类中心，K为聚类数；由于每一个小区域图像中病斑色彩变化一般不会太大，为了便于病斑像素聚类，可指定每一小区域聚类数为2，即K的值取为2，则由每个小区域聚类得到的特征值数为2；

(b)、对于小区域图像集合中的每一个I_Yi(i＝1,2,...,400)，找到离它最近的聚类中心，并将其归到离它最近的类中；

(c)、采用K均值聚类方法重新计算分类后各类中心点，记为C'_k(k＝1,2,...,K)；

(d)、转到步骤(b)重复进行，直到平方误差准则函数收敛，其定义如下：

其中，E为数据库中所有对象的平方误差的总和，y为空间中的点，C_k为第k类的聚类中心；

(e)、当E值小于给定的阈值，就表明准则函数达到了收敛，这时的聚类中心C_k为I_Yi(i＝1,2,...,400)的第k类的聚类中心，作为该小区域图像的特征指标；重复以上步骤可以得到每个小区域图像I_Yi(i＝1,2,...,400)的聚类中心；

(f)、对于Y和U分量图像的各个小区域图像的I_Ui和I_Vi(i＝1,2,...,400)，分别重复以上步骤(a)到步骤(e)，得到Y和U分量图像的每个小区域图像I_Ui和I_Vi(i＝1,2,...,400)的聚类中心；

由以上步骤(a)到步骤(f)得到Y、U和V三个分量图像的各个小区域图像的聚类中心，作为后续EM方法中的混合高斯分布的期望的初始值；

(g)、利用EM方法对每个小区域图像进行聚类，得到K类聚类中心其中EM方法中的混合高斯分布是由K种不同的高斯分布混合生成，每个分布都是相互独立的，K个高斯分布的期望参数初始值为K类聚类中心C_k(k＝1,2,...,K)；

(h)、计算原始彩色病害叶片图像中每个像素点与各类聚类中心的欧式距离，来划分类别，对原始彩色病害叶片图像进行分割，得到彩色的病斑图像G，得到的病斑如图2-1、图2-2和图2-3所示；

3)病斑直方图计算：将RGB病斑图像转换为L*a*b*和YUV颜色模型，

L＝0.2126*R+0.7152*G+0.0722*B

a＝1.4749*(0.2213*R-0.3390*G+0.1177*B)+128

b＝0.6245*(0.1949*R+0.6057*G-0.8006*B)+128

Y＝0.299*R+0.587*G+0.114*B (3)

U＝-0.147*R-0.289*G+0.436*B

V＝0.615*R-0.515*G+0.100*B

图2-1的RGB、L*a*b*和YUV图像如图3-1、图3-2和图3-3所示；然后分别计算病斑的RGB、L*a*b*和YUV三个图像的分层梯度方向直方图；如图4-1、图4-2和图4-3所示；

4)傅里叶变换幅度谱计算：分别计算病斑的RGB、L*a*b*和YUV三个图像的分层梯度方向直方图的快速离散傅里叶变换，然后分别计算其幅度谱，再对每个幅度谱向量除以该向量的第一项，得到归一化幅度谱向量；

5)取对数：分别对归一化后的三个幅度谱向量取对数，比较图4-1、图4-2和图4-3可以看出，归一化后的对数频域分层梯度方向直方图包含的信息量最大；图5-1、图5-2和图5-3分别是图3-1、图3-2和图3-3的对数频域分层梯度方向直方图；

6)维数约简：将每幅图像的三个对数频域分层梯度方向直方图整合为一个向量。由于整合后的特征向量的维数较大，所以利用主分量分析对整合特征向量进行维数约简，提取约简维数为100的最大特征值对应的特征向量，作为苹果病害叶片图像的特征向量；

7)建立苹果病害叶片图像标准模版库：对每幅已知病害类别的苹果病害叶片图像进行上述操作，提取特征向量，根据已知病害类别的苹果病害叶片图像的特征向量，建立苹果病害叶片图像的标准模版库；

8)计算相似度：计算待识别苹果叶片图像的特征向量与标准模版库中的特征向量之间的余弦距离，作为他们的相似度，计算公式为：

其中，s为两幅苹果病害叶片图像的特征向量v_i和v_j的相似度，T为向量转置，||v_i||和||v_j||分别为v_i和v_j的欧氏距离；

9)病害类型识别：确定最大的相似度对应标准模板库中特征向量对应的类别，为待识别苹果叶片图像的类别，达到利用病害叶片图像识别苹果病害类别。

Claims (3)

1.基于对数频域分层梯度方向直方图的苹果病害识别方法，其特征在于，包括以下步骤：

1)苹果病害叶片图像预处理：对于原始的苹果病害叶片RGB彩色图像，进行滤波、增强、平滑和归一化处理；

2)苹果病害叶片病斑提取：将预处理后的叶片图像转化成YUV颜色模型，利用K均值聚类和EM方法结合提取病害叶片的病斑图像；

3)病斑直方图计算：分别计算病斑的RGB、L*a*b*和YUV三个图像的分层梯度方向直方图；

4)傅里叶变换幅度谱计算：分别计算得到的分层梯度方向直方图的快速离散傅里叶变换，然后计算其幅度谱，再对每个幅度谱进行归一化；

5)取对数：分别对归一化后的三个幅度谱向量取对数，再将三个对数幅度谱整合为一个向量；

6)维数约简：利用主分量分析对整合特征向量进行维数约简，提取约简维数为100的最大特征值对应的特征向量，作为苹果病害叶片图像的特征向量；

7)建立苹果病害叶片图像标准模版库：对每幅已知病害类别的苹果病害叶片图像进行上述操作，提取特征向量，根据已知病害类别的苹果病害叶片图像的特征向量，建立苹果病害叶片图像的标准模版库；

8)计算相似度：计算待识别苹果叶片图像的特征向量与标准模版库中的特征向量之间的余弦距离，作为他们的相似度；

9)病害类型识别：确定最大的相似度对应标准模板库中特征向量对应的类别，为待识别苹果叶片图像的类别，达到利用病害叶片图像识别苹果病害类别。

2.根据权利要求1所述的基于对数频域分层梯度方向直方图的苹果病害识别方法，其特征在于，所述的步骤2)的具体步骤为：

将RGB彩色苹果病害叶片图像转化成YUV颜色模型，得到YUV模型中的颜色分量Y、U和V，分别对Y、U和V三个分量图像，利用K均值聚类法对每个小区域图像进行K均值聚类，步骤如下：

(a)、针对Y分量的小区域图像集合{I_Y1,I_Y2,...,I_Y400}，设C_k(k＝1,2,...,K)为K类的初始聚类中心，K为聚类数；由于每一个小区域图像中病斑色彩变化一般不会太大，为了便于病斑像素聚类，一般指定每一小区域聚类数为2，即K的值取为2，则由每个小区域聚类得到的特征值数为2；

(b)、对于小区域图像集合中的每一个I_Yi(i＝1,2,...,400)，找到离它最近的聚类中心，并将其归到离它最近的类中；

(c)、采用K均值聚类方法重新计算分类后各类中心点，记为C'_k(k＝1,2,...,K)；

(d)、转到步骤(b)重复进行，直到平方误差准则函数收敛，其定义如下：

$E=\underset{k=1}{\overset{K}{\Σ}}\underset{y\∈I_{Yi}}{\Σ}|y-C_k{|}^2---\left(2\right)$

其中，E为数据库中所有对象的平方误差的总和，y为空间中的点，C_k为第k类的聚类中心；

(e)、当E值小于给定的阈值，就表明准则函数达到了收敛，这时的聚类中心C_k为I_Yi(i＝1,2,...,400)的第k类的聚类中心，作为该小区域图像的特征指标；重复以上步骤可以得到每个小区域图像I_Yi(i＝1,2,...,400)的聚类中心；

(f)、对于Y和U分量图像的各个小区域图像的I_Ui和I_Vi(i＝1,2,...,400)，分别重复以上步骤(a)到步骤(e)，得到Y和U分量图像的每个小区域图像I_Ui和I_Vi(i＝1,2,...,400)的聚类中心；

由以上步骤(a)到步骤(f)得到Y、U和V三个分量图像的各个小区域图像的聚类中心，作为后续EM方法中的混合高斯分布的期望的初始值；

(g)、利用EM方法对每个小区域图像进行聚类，得到K类聚类中心其中EM方法中的混合高斯分布是由K种不同的高斯分布混合生成，每个分布都是相互独立的，K个高斯分布的期望参数初始值为K类聚类中心C_k(k＝1,2,...,K)；

(h)、计算原始彩色病害叶片图像中各像素点与各类聚类中心的欧式距离，来划分类别，对原始彩色病害叶片图像进行分割，得到彩色的病斑图像G。

3.根据权利要求1所述的基于对数频域分层梯度方向直方图的苹果病害识别方法，其特征在于，所述的步骤8)中相似度的计算公式为：

$s=\frac{v_i\·v_j^T}{\left|\right|v_i\left|\right|\·\left|\right|v_j\left|\right|}---\left(4\right)$

其中，s为两幅苹果病害叶片图像的特征向量v_i和v_j的相似度，T为向量转置，||v_i||和||v_j||分别为v_i和v_j的欧氏距离。