CN110390359A - 一种西藏青稞叶片病变的识别方法 - Google Patents

一种西藏青稞叶片病变的识别方法 Download PDF

Info

Publication number
CN110390359A
CN110390359A CN201910667470.6A CN201910667470A CN110390359A CN 110390359 A CN110390359 A CN 110390359A CN 201910667470 A CN201910667470 A CN 201910667470A CN 110390359 A CN110390359 A CN 110390359A
Authority
CN
China
Prior art keywords
image
value
highland barley
pixel
histogram
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.)
Pending
Application number
CN201910667470.6A
Other languages
English (en)
Inventor
唐樟春
金涛
薛琦
刘杰
夏艳君
余明东
何达
魏晨竹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from CN201910015814.5A external-priority patent/CN109766900A/zh
Priority claimed from CN201910016312.4A external-priority patent/CN109784397A/zh
Priority claimed from CN201910015815.XA external-priority patent/CN109598274A/zh
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Publication of CN110390359A publication Critical patent/CN110390359A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411Classification 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/30Noise filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/56Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种西藏青稞叶片病变的识别方法,属于图像处理领域。将预处理之后的图像转换到HSV颜色空间,在HSV色域对图像进行阈值处理,使颜色在浅褐色和深褐色及中间的颜色都设置为深褐色,其余颜色设置为白色,再与原图像合并,设置H、S划分等级及变化范围,根据设置结果统计图像中H、S分量数据并创建直方图,归一化图像直方图高度,将归一化之后的直方图高度及对应横坐标作为图像特征及标签训练KNN分类器,讲用于测试的图像样本做同样处理输入到KNN分类器,获得预测结果。本发明利用对图像滤波消噪,提取颜色空间特征并归一化,及支持向量机分类,能很好分类出正常青稞叶片和病变青稞叶片的图像,提高了青稞病变的识别效率和准确度。

Description

一种西藏青稞叶片病变的识别方法
技术领域
本发明属于图像处理领域,尤其涉及青稞叶片病变识别方法。
背景技术
网斑病是青稞的重要病害,近年来,由于气候,土壤等因素,发病的局部地区在感病品种上危害较重,严重发生时造成叶片枯死,颗粒无收。主要危害叶片,也侵染叶鞘和穗部。病株减产20%~30%,高感品种可减产50%以上,病麦品质也有所降低。病叶生黄褐色至淡褐色的班块,病健界限不明,内有纵横交织的网状细线,暗褐色,病斑较多时,连成暗褐色条纹状斑,上生少量孢子、但有的品种缺横纹或不明显,成为一类中间型症状,或者病叶上产生暗褐色的卵圆形、梭形、长椭圆形病斑,长3~6mm,周围常变黄色或不清晰,病斑上生黑色霉状物。病斑可互相汇合,引起叶枯。
目前,青稞网斑病处于靠有经验种植者肉眼判断阶段,经验不足则可能判断失误,导致治疗方法有误,耽误青稞病情,影响产量。该方法可以智能诊断出青稞网斑病,并有很好的准确性。
发明内容
针对现有欠缺的诊断青稞网斑病的技术问题,本发明提供一种基于KNN的青稞网斑病识别方法。该方法能减少青稞网斑病对人为诊断经验的依赖,能增强特征表现型,提高分类准确性。
本发明包含图像预处理,提取颜色特征并对其特征进行处理,训练阶段和测试阶段。能对图像及特征做很好的处理,能准确预测出青稞网斑病。因而本发明技术方案为一种青稞网斑病的识别方法,该方法包括:
步骤1:获取青稞正常图像样本和青稞网斑病图像样本;
步骤2:对步骤1获得的图像在RGB各通道内采用均值滤波进行去噪处理;
步骤3:将步骤2得到图像的每个像素的颜色空间从RGB转到HSV,计算出各像素点的H值和S值;
步骤4:将图像中颜色为浅褐色到深褐色之间的像素点全部置为深褐色;
步骤5:将H平均划分为16个等级,S平均划分为8个等级,H分量变化为0到180,S变化范围为0到255;
步骤6:对每一幅图像进行如下处理;
对每个像素点的H值,根据步骤5划分出的16个等级,统计每个等级的像素点个数及概率,并作出概率直方图;对每个像素点的S值,根据步骤5划分出的8个等级,统计每个等级的像素点个数及概率,并作出概率直方图;统计每个像素H值出现的概率,并作出概率直方图;统计每个像素S值出现的概率,并作出概率直方图;
步骤7:将步骤6得到的4幅直方图组合为一幅直方图,然后归一化该直方图高度值;
步骤8:将青稞样本分为健康、疑似健康、疑似患病、患病4类,对待检测青稞图像进行识别时,首先按照步骤2-步骤7的方法对待检测图像进行处理,然后计算待检测青稞图像的直方图高度值与所有样本图像直方图高度值之间的欧氏距离,选取欧式距离最下的a个样本图像,然后判断这a个样本图像属于哪一类,则判断待检测青稞的健康状况为该类。
进一步的,所述步骤2中的均值滤波方法为:
其中:Sxy表示中心点在(x,y)处,大小为m×n的滤波器窗口;h(s,t)表示原始图像,d(x,y)表示均值滤波后得到的图像。
对输入的图像进行去噪预处理,对输入的图像进行去噪预处理,采用均值滤波,可以去除均匀噪声和高斯噪声,虽然会给图像带来一定模糊,但条锈病特征较明显,均值滤波在消噪的同时对特征表达没有明显影响。算术均值滤波器就是简单地计算窗口区域的RGB各通道分别的均值,然后将均值赋给窗口中心处的像素。
进一步的,所述步骤4中浅褐色的HSV值为(37°,26%,76%),深褐色的HSV值为(30°,100%,59%)。
进一步的,所述步骤5中H、S的计算方法为:
r=R/255
g=G/255
b=B/255
其中:R、G、B为像素点对应在RGB色域内各通道的值;
A max=max(r,g,b)
A min=(r,g,b)
Δ=A max-A min
进一步的,所述步骤7中归一化的具体方法为Data=[Data1,Data2,...Datak],其中Datai为提取的直方图高度;
计算为所有值之和x=[Data1/count,Data2/count,...,Datak/count],x为归一化之后特征,Datai/count为归一化后每一个纵坐标值。
一种青稞条锈病的识别方法,该方法包括:
步骤1:获取青稞正常图像样本和青稞条锈病图像样本,并将图像转换为mat格式;
步骤2:采用均值滤波对步骤1得到的图像进行滤波处理;
步骤3:将步骤2得到图像的每个像素的颜色空间从RGB转到HSV,计算出各像素点的H值、S值和V值;
步骤4:将H平均划分为6个等级,S平均划分为8个等级,V平均划分为4个等级,共组合为192个等级组;
步骤5:对每一幅图像进行如下处理;
对每个像素点的HSV值,根据步骤4划分出的192个等级组,统计每个等级组的像素点个数及概率,并作出概率直方图;
步骤6:归一化各直方图高度值;
步骤7:采用步骤6归一化后得到的健康青稞图像和患白粉病的青稞图像的直方图高度值作为正样本和负样本,对SVM分类器进行训练;采用训练好的SVM分类器对待检测图像进行检测。
进一步的,所述步骤2中均值滤波的方法为:
其中:Sxy表示中心点在(x,y)处,大小为m×n的滤波器窗口;h(s,t)表示原始图像,d(x,y)表示均值滤波后得到的图像。对图像降噪便于后续处理,采用均值滤波,抑制噪声,平滑图像,主要抑制正态分部的噪声。一个对整张图像进行加权平均的过程,每个像素点值在其本身和领域内其它像素点加权平均后得到更新。用模板与图像中每个像素做运算,均值滤波器的模板系数随距离模板中心的增大而减小,减小模糊度。
进一步的,所述步骤3中H值和S值的计算方法为;
r=R/255
g=G/255
b=B/255
A max=max(r,g,b)
A min=(r,g,b)
Δ=A max-A min
进一步的,所述6归一化直方图的方法为:
Data=[Data1,Data2,...Datak],其中Datai为提取的直方图高度;
计算为所有值之和x=[Data1/count,Data2/count,...,Datak/count],x为归一化之后特征,Datai/count为归一化后每一个纵坐标值。
一种青稞条纹病的识别方法,该方法包括:
步骤1:获取青稞正常图像样本和青稞条纹病图像样本,并将图像转化为mat格式;
步骤2:采用高斯滤波对图像进行降噪处理;
步骤3:将步骤2得到图像的每个像素的颜色空间从RGB转到HSV,计算出各像素点的H值和S值;
步骤4:将H平均划分为16个等级,S平均划分为16个等级,H分量变化为0到180,S变化范围为0到255;
步骤5:对每一幅图像进行如下处理;
对每个像素点的H值,根据步骤4划分出的16个等级,统计每个等级的像素点个数及概率,并作出概率直方图;对每个像素点的S值,根据步骤4划分出的16个等级,统计每个等级的像素点个数及概率,并作出概率直方图;统计每个像素H值出现的概率,并作出概率直方图;统计每个像素S值出现的概率,并作出概率直方图;
步骤6:归一化各直方图高度值;
步骤7:采用步骤6归一化后得到的健康青稞图像和患白粉病的青稞图像的四种直方图高度值作为正样本和负样本,对SVM分类器进行训练;采用训练好的SVM分类器对待检测图像进行检测。
进一步的,所述步骤2中的高斯滤波处理方法为:
其中:h(x,y)滤波后的像素点值,σ是标准差,(x,y)是图像像素坐标点,高斯滤波窗口模板大小为(2t+1)×(2t+1),t为非负整数。
进一步的,所述步骤4中H值、S值的计算方法为:
r=R/255
g=G/255
b=B/255
A max=max(r,g,b)
A min=(r,g,b)
Δ=A max-A min
进一步的,所述步骤6中归一化的具体方法为Data=[Data1,Data2,...Datak],其中Datai为提取的直方图高度;
计算为所有值之和x=[Data1/count,Data2/count,...,Datak/count],x为归一化之后特征,Datai/count为归一化后每一个纵坐标值。
本发明包括青稞正常图像样本和青稞条纹病图像样本的输入,对图像进行预处理高斯滤波,将预处理之后的图像转换到HSV颜色空间,设置H、S划分等级及变化范围,根据设置结果统计图像中H、S分量数据并创建直方图,归一化图像直方图高度,将归一化之后的直方图高度及对应横坐标作为图像特征及标签训练SVM分类器,讲用于测试的图像样本做同样处理输入到SVM分类器,获得预测结果。本发明利用对图像滤波消噪,提取颜色空间特征并归一化,及支持向量机分类,能很好分类出正常青稞叶片和条纹病青稞叶片的图像,提高了青稞条纹病的识别效率和准确度。
本发明包括青稞正常图像样本和青稞条锈病图像样本的输入,对图像进行预处理均值滤波,将预处理之后的图像转换到HSV颜色空间,设置H、S,V划分等级及变化范围,根据设置结果统计图像中H、S、V分量数据并创建直方图,归一化图像直方图高度,将归一化之后的直方图高度及对应横坐标作为图像特征及标签训练SVM分类器,讲用于测试的图像样本做同样处理输入到SVM分类器,获得预测结果。本发明利用对图像滤波消噪,提取颜色空间特征并归一化,及支持向量机分类,能很好分类出正常青稞叶片和条锈病青稞叶片的图像,提高了青稞条锈病的识别效率和准确度。
本发明将预处理之后的图像转换到HSV颜色空间,在HSV色域对图像进行阈值处理,使颜色在浅褐色和深褐色及中间的颜色都设置为深褐色,其余颜色设置为白色,再与原图像合并,设置H、S划分等级及变化范围,根据设置结果统计图像中H、S分量数据并创建直方图,归一化图像直方图高度,将归一化之后的直方图高度及对应横坐标作为图像特征及标签训练KNN分类器,讲用于测试的图像样本做同样处理输入到KNN分类器,获得预测结果。本发明利用对图像滤波消噪,提取颜色空间特征并归一化,及支持向量机分类,能很好分类出正常青稞叶片和网斑病青稞叶片的图像,提高了青稞网斑病的识别效率和准确度。
附图说明
图1为一种青稞网斑病的识别方法的流程图。
图2为一种青稞条锈病的识别方法的流程图。
图3为一种青稞条纹病的识别方法的流程图。
具体实施方式
一种青稞网斑病的识别方法,该方法包括:
步骤1:获取青稞正常图像样本和青稞网斑病图像样本;
步骤2:对步骤1获得的图像在RGB各通道内采用均值滤波进行去噪处理;
所述步骤2中的均值滤波方法为:
其中:Sxy表示中心点在(x,y)处,大小为m×n的滤波器窗口;h(s,t)表示原始图像,d(x,y)表示均值滤波后得到的图像。
对输入的图像进行去噪预处理,对输入的图像进行去噪预处理,采用均值滤波,可以去除均匀噪声和高斯噪声,虽然会给图像带来一定模糊,但条锈病特征较明显,均值滤波在消噪的同时对特征表达没有明显影响。算术均值滤波器就是简单地计算窗口区域的RGB各通道分别的均值,然后将均值赋给窗口中心处的像素。
步骤3:将步骤2得到图像的每个像素的颜色空间从RGB转到HSV,计算出各像素点的H值和S值;
步骤4:将图像中颜色为浅褐色到深褐色之间的像素点全部置为深褐色;
所述步骤4中浅褐色的HSV值为(37°,26%,76%),深褐色的HSV值为(30°,100%,59%)。
步骤5:将H平均划分为16个等级,S平均划分为8个等级,H分量变化为0到180,S变化范围为0到255;
所述步骤5中H、S的计算方法为:
r=R/255
g=G/255
b=B/255
其中:R、G、B为像素点对应在RGB色域内各通道的值;
A max=max(r,g,b)
A min=(r,g,b)
Δ=A max-A min
步骤6:对每一幅图像进行如下处理;
对每个像素点的H值,根据步骤5划分出的16个等级,统计每个等级的像素点个数及概率,并作出概率直方图;对每个像素点的S值,根据步骤5划分出的8个等级,统计每个等级的像素点个数及概率,并作出概率直方图;统计每个像素H值出现的概率,并作出概率直方图;统计每个像素S值出现的概率,并作出概率直方图;
步骤7:将步骤6得到的4幅直方图组合为一幅直方图,然后归一化该直方图高度值;
所述步骤7中归一化的具体方法为Data=[Data1,Data2,...Datak],其中Datai为提取的直方图高度;
计算为所有值之和x=[Data1/count,Data2/count,...,Datak/count],x为归一化之后特征,Datai/count为归一化后每一个纵坐标值。
步骤8:将青稞样本分为健康、疑似健康、疑似患病、患病4类,对待检测青稞图像进行识别时,首先按照步骤2-步骤7的方法对待检测图像进行处理,然后计算待检测青稞图像的直方图高度值与所有样本图像直方图高度值之间的欧氏距离,选取欧式距离最下的a个样本图像,然后判断这a个样本图像属于哪一类,则判断待检测青稞的健康状况为该类。
1.基于SVM的青稞条锈病识别方法,将青稞正常图像样本和青稞条锈病图像样本及测试用的青稞图像输入。
对输入的图像进行去噪预处理,采用均值滤波,可以去除均匀噪声和高斯噪声,虽然会给图像带来一定模糊,但条锈病特征较明显,均值滤波在消噪的同时对特征表达没有明显影响。算术均值滤波器就是简单地计算窗口区域的RGB各通道分别的均值,然后将均值赋给窗口中心处的像素。
Sxy表示中心点在(x,y)处,大小为m×n的滤波器窗口,h(s,t)表示原始图像,d(x,y)表示均值滤波后得到的图像。
2.将预处理之后的图像的每个像素的颜色空间从RGB转到HSV,提取每个像素RGB值,计算出该像素点的HS值,从RGB到HSV转换公式:
1)r=R/255
g=G/255
b=B/255
A min=(r,g,b)
V=A max=max(r,g,b)
Δ=A max-A min
3.由于条锈病的特征和正常叶片的特征区别比较大,所以H,S不用划分太多等级,将H划分为6个等级,S划分为8个等级,V划分为4个等级,共192个等级组。
4.提取图像颜色的数量特征,将图像所有像素的H,S,V值统计,形成一个直方图。
5.归一化直方图高度,即将直方图每个纵坐标和所有纵坐标值之和做除法
Data=[Data1,Data2,...Datak]Datai为提取的直方图高度,为所有值之和x=[Data1/count,Data2/count,...,Datak/count],x为归一化之后特征,Datai/count为归一化后每一个纵坐标值。
6.归一化之后数值与样本标签作SVM训练分类,数据集data=[data1,data2,...,datak],标签label=[label1,label2,...,labelk],其中datai表示第i个图像的归一化之后颜色特征,labeli为第i个图像的标签,并预测测试样本,数据集testdata=[testdata1,testdata2,...,testdatak],testdata表示测试图像颜色特征,testdatai表示测试图像第i个直方图归一化高度。输出预测结果。
步骤1:基于SVM的青稞条纹病识别方法,将青稞正常图像样本和青稞条纹病图像样本及测试用的青稞图像转化为mat格式。
步骤2:对输入的图像进行去噪预处理,采用高斯滤波,有效抑制噪声,平滑图像。一个对整张图像进行加权平均的过程,每个像素点值在其本身和领域内其它像素点加权平均后得到更新。用模板与图像中每个像素做运算,高斯滤波器的模板系数随距离模板中心的增大而减小,减小模糊度。
1)二维高斯函数:σ是标准差,(x,y)是图像像素坐标点。
2)窗口模板大小为(2t+1)x(2t+1),模板中各个元素计算公式为:
步骤3:将预处理之后的图像的每个像素的颜色空间从RGB转到HSV,提取每个像素RGB值,计算出该像素点的H、S值,从RGB到HSV转换公式:
2)r=R/255
g=G/255
b=B/255
A max=max(r,g,b)
A min=(r,g,b)
Δ=A max-A min
步骤4:将H平均划分为16个等级,S平均划分为8个等级,H分量变化为0到180,S变化范围为0到255。
步骤5:提取图像颜色的数量特征,将图像所有像素的H,S值统计,以上述4划的分量统计出现了哪些颜色以及各种颜色出现的概率,形成一个直方图。
步骤6:归一化直方图高度,即将直方图每个纵坐标和所有纵坐标值之和做除法
Data=[Data1,Data2,...Datak]Datai为提取的直方图高度,为所有值之和x=[Data1/count,Data2/count,...,Datak/count],x为归一化之后特征,Datai/count为归一化后每一个纵坐标值。
步骤7:归一化之后数值与样本标签作SVM训练分类,数据集data=[data1,data2,...,datak],标签label=[label1,label2,...,labelk],其中datai表示第i个图像的归一化之后颜色特征,labeli为第i个图像的标签,并预测测试样本,数据集testdata=[testdata1,testdata2,...,testdatak],testdata表示测试图像颜色特征,testdatai表示测试图像第i个直方图归一化高度。输出预测结果。

Claims (10)

1.一种青稞网斑病的识别方法,该方法包括:
步骤1:获取青稞正常图像样本和青稞网斑病图像样本;
步骤2:对步骤1获得的图像在RGB各通道内采用均值滤波进行去噪处理;
步骤3:将步骤2得到图像的每个像素的颜色空间从RGB转到HSV,计算出各像素点的H值和S值;
步骤4:将图像中颜色为浅褐色到深褐色之间的像素点全部置为深褐色;
步骤5:将H平均划分为16个等级,S平均划分为8个等级,H分量变化为0到180,S变化范围为0到255;
步骤6:对每一幅图像进行如下处理;
对每个像素点的H值,根据步骤5划分出的16个等级,统计每个等级的像素点个数及概率,并作出概率直方图;对每个像素点的S值,根据步骤5划分出的8个等级,统计每个等级的像素点个数及概率,并作出概率直方图;统计每个像素H值出现的概率,并作出概率直方图;统计每个像素S值出现的概率,并作出概率直方图;
步骤7:将步骤6得到的4幅直方图组合为一幅直方图,然后归一化该直方图高度值;
步骤8:将青稞样本分为健康、疑似健康、疑似患病、患病4类,对待检测青稞图像进行识别时,首先按照步骤2-步骤7的方法对待检测图像进行处理,然后计算待检测青稞图像的直方图高度值与所有样本图像直方图高度值之间的欧氏距离,选取欧式距离最下的a个样本图像,然后判断这a个样本图像属于哪一类,则判断待检测青稞的健康状况为该类。
2.如权利要求1所述的一种青稞网斑病的识别方法,其特征在于所述步骤2中的均值滤波方法为:
其中:Sxy表示中心点在(x,y)处,大小为m×n的滤波器窗口;h(s,t)表示原始图像,d(x,y)表示均值滤波后得到的图像;
所述步骤4中浅褐色的HSV值为(37°,26%,76%),深褐色的HSV值为(30°,100%,59%)。
3.如权利要求1所述的一种青稞网斑病的识别方法,其特征在于所述步骤5中H、S的计算方法为:
r=R/255
g=G/255
b=B/255
其中:R、G、B为像素点对应在RGB色域内各通道的值;
Amax=max(r,g,b)
Amin=(r,g,b)
Δ=Amax-Amin
4.如权利要求1所述的一种青稞网斑病的识别方法,其特征在于所述步骤7中归一化的具体方法为Data=[Data1,Data2,...Datak],其中Datai为提取的直方图高度;
计算为所有值之和x=[Data1/count,Data2/count,...,Datak/count],x为归一化之后特征,Datai/count为归一化后每一个纵坐标值。
5.一种青稞条锈病的识别方法,该方法包括:
步骤1:获取青稞正常图像样本和青稞条锈病图像样本,并将图像转换为mat格式;
步骤2:采用均值滤波对步骤1得到的图像进行滤波处理;
步骤3:将步骤2得到图像的每个像素的颜色空间从RGB转到HSV,计算出各像素点的H值、S值和V值;
步骤4:将H平均划分为6个等级,S平均划分为8个等级,V平均划分为4个等级,共组合为192个等级组;
步骤5:对每一幅图像进行如下处理;
对每个像素点的HSV值,根据步骤4划分出的192个等级组,统计每个等级组的像素点个数及概率,并作出概率直方图;
步骤6:归一化各直方图高度值;
步骤7:采用步骤6归一化后得到的健康青稞图像和患白粉病的青稞图像的直方图高度值作为正样本和负样本,对SVM分类器进行训练;采用训练好的SVM分类器对待检测图像进行检测。
6.如权利要求5所述的一种青稞条锈病的识别方法,其特征在于所述步骤2中均值滤波的方法为:
其中:Sxy表示中心点在(x,y)处,大小为m×n的滤波器窗口;h(s,t)表示原始图像,d(x,y)表示均值滤波后得到的图像;
所述步骤3中H值和S值的计算方法为;
r=R/255
g=G/255
b=B/255
Amin=(r,g,b)
V=Amax=max(r,g,b)
Δ=Amax-Amin
7.如权利要求5所述的一种青稞条锈病的识别方法,其特征在于所述6归一化直方图的方法为:
Data=[Data1,Data2,...Datak],其中Datai为提取的直方图高度;
计算为所有值之和x=[Data1/count,Data2/count,...,Datak/count],x为归一化之后特征,Datai/count为归一化后每一个纵坐标值。
8.一种青稞条纹病的识别方法,该方法包括:
步骤1:获取青稞正常图像样本和青稞条纹病图像样本,并将图像转化为mat格式;
步骤2:采用高斯滤波对图像进行降噪处理;
步骤3:将步骤2得到图像的每个像素的颜色空间从RGB转到HSV,计算出各像素点的H值和S值;
步骤4:将H平均划分为16个等级,S平均划分为16个等级,H分量变化为0到180,S变化范围为0到255;
步骤5:对每一幅图像进行如下处理;
对每个像素点的H值,根据步骤4划分出的16个等级,统计每个等级的像素点个数及概率,并作出概率直方图;对每个像素点的S值,根据步骤4划分出的16个等级,统计每个等级的像素点个数及概率,并作出概率直方图;统计每个像素H值出现的概率,并作出概率直方图;统计每个像素S值出现的概率,并作出概率直方图;
步骤6:归一化各直方图高度值;
步骤7:采用步骤6归一化后得到的健康青稞图像和患白粉病的青稞图像的四种直方图高度值作为正样本和负样本,对SVM分类器进行训练;采用训练好的SVM分类器对待检测图像进行检测。
9.如权利要求8所述的一种青稞条纹病的识别方法,其特征在于所述步骤2中的高斯滤波处理方法为:
其中:h(x,y)滤波后的像素点值,σ是标准差,(x,y)是图像像素坐标点,高斯滤波窗口模板大小为(2t+1)×(2t+1),t为非负整数;
所述步骤4中H值、S值的计算方法为:
r=R/255
g=G/255
b=B/255
Amax=max(r,g,b)
Amin=(r,g,b)
Δ=Amax-Amin
10.如权利要求8所述的一种青稞条纹病的识别方法,其特征在于所述步骤6中归一化的具体方法为Data=[Data1,Data2,...Datak],其中Datai为提取的直方图高度;
计算为所有值之和x=[Data1/count,Data2/count,...,Datak/count],x为归一化之后特征,Datai/count为归一化后每一个纵坐标值。
CN201910667470.6A 2019-01-08 2019-07-23 一种西藏青稞叶片病变的识别方法 Pending CN110390359A (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
CN2019100158145 2019-01-08
CN201910015814.5A CN109766900A (zh) 2019-01-08 2019-01-08 一种青稞条锈病的识别方法
CN201910016312.4A CN109784397A (zh) 2019-01-08 2019-01-08 一种青稞网斑病的识别方法
CN201910015815X 2019-01-08
CN2019100163124 2019-01-08
CN201910015815.XA CN109598274A (zh) 2019-01-08 2019-01-08 一种青稞条纹病的识别方法

Publications (1)

Publication Number Publication Date
CN110390359A true CN110390359A (zh) 2019-10-29

Family

ID=68287110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910667470.6A Pending CN110390359A (zh) 2019-01-08 2019-07-23 一种西藏青稞叶片病变的识别方法

Country Status (1)

Country Link
CN (1) CN110390359A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724349A (zh) * 2020-05-29 2020-09-29 同济大学 一种基于hsv和svm的图像脏污识别方法
CN113269750A (zh) * 2021-05-26 2021-08-17 海南大学 香蕉叶部病害图像检测方法、系统、储存介质及检测设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680524A (zh) * 2015-02-11 2015-06-03 中国农业大学 一种叶类蔬菜病害诊断方法
CN105825168A (zh) * 2016-02-02 2016-08-03 西北大学 一种基于s-tld的川金丝猴面部检测和追踪算法
CN107392920A (zh) * 2017-06-30 2017-11-24 北京农业信息技术研究中心 一种基于可见光‑太赫兹光的植株健康辨别方法和装置
CN107481202A (zh) * 2017-08-14 2017-12-15 深圳市华星光电半导体显示技术有限公司 一种图像动态范围增强的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680524A (zh) * 2015-02-11 2015-06-03 中国农业大学 一种叶类蔬菜病害诊断方法
CN105825168A (zh) * 2016-02-02 2016-08-03 西北大学 一种基于s-tld的川金丝猴面部检测和追踪算法
CN107392920A (zh) * 2017-06-30 2017-11-24 北京农业信息技术研究中心 一种基于可见光‑太赫兹光的植株健康辨别方法和装置
CN107481202A (zh) * 2017-08-14 2017-12-15 深圳市华星光电半导体显示技术有限公司 一种图像动态范围增强的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CAMARGO A 等: "An image-processing based algorithm to automatically identify plant disease visual symptoms", 《BIOSYSTEMS ENGINEERING》 *
LI X 等: "A Complete Color Normalization Approach to Histopathology?Images?Using Color Cues Computed From Saturation-Weighted Statistics", 《 IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 *
周云蕾 等: "颜色直方图与相似性度量的自然图像分类研究", 《现代计算机(专业版)》 *
安强强 等: "基于深度学习的植物病虫害图像识别", 《农业工程》 *
杨昕薇: "寒地水稻病害影像监测系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724349A (zh) * 2020-05-29 2020-09-29 同济大学 一种基于hsv和svm的图像脏污识别方法
CN111724349B (zh) * 2020-05-29 2022-09-20 同济大学 一种基于hsv和svm的图像脏污识别方法
CN113269750A (zh) * 2021-05-26 2021-08-17 海南大学 香蕉叶部病害图像检测方法、系统、储存介质及检测设备

Similar Documents

Publication Publication Date Title
CN104598908B (zh) 一种农作物叶部病害识别方法
Jaisakthi et al. Grape leaf disease identification using machine learning techniques
CN109308697B (zh) 一种基于机器学习算法的树叶病害识别方法
Kurniawati et al. Investigation on image processing techniques for diagnosing paddy diseases
CN109978822B (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
CN107330892A (zh) 一种基于随机森林法的向日葵病害识别方法
Dey et al. Automatic detection of whitefly pest using statistical feature extraction and image classification methods
CN103593652B (zh) 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法
CN109187552B (zh) 一种基于云模型的小麦赤霉病害等级判定方法
CN113361315B (zh) 基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法
Ji et al. In-field automatic detection of maize tassels using computer vision
CN110390359A (zh) 一种西藏青稞叶片病变的识别方法
Kurniawati et al. Texture analysis for diagnosing paddy disease
Arefi et al. Development of an expert system based on wavelet transform and artificial neural networks for the ripe tomato harvesting robot
CN107221070A (zh) 一种基于主图案荧光特征识别的票据防伪鉴别方法
CN108364011A (zh) PolSAR图像多级特征提取与无监督分类方法
Chithra et al. DEFECT IDENTIFICATION IN THE FRUIT APPLE USING K-MEANS COLOR IMAGE SEGMENTATION ALGORITHM.
CN109598284A (zh) 一种基于大间隔分布和空间特征的高光谱图像分类方法
Kumari et al. Performance analysis of support vector machine in defective and non defective mangoes classification
CN107392927A (zh) 一种亚米级遥感影像渔业网箱提取方法
CN106951824A (zh) 基于无人机遥感影像提取玉米植株叶色的方法及系统
CN109784397A (zh) 一种青稞网斑病的识别方法
CN116797622A (zh) 一种基于多特征指数的玉米雄穗图像双阈值分割方法
Deisy et al. Image segmentation for feature extraction: A study on disease diagnosis in agricultural plants
CN109993228A (zh) 基于机器视觉的植保无人机水稻纹枯病识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191029