CN110414537A - 一种西藏青稞病变的识别方法 - Google Patents

一种西藏青稞病变的识别方法 Download PDF

Info

Publication number
CN110414537A
CN110414537A CN201910665967.4A CN201910665967A CN110414537A CN 110414537 A CN110414537 A CN 110414537A CN 201910665967 A CN201910665967 A CN 201910665967A CN 110414537 A CN110414537 A CN 110414537A
Authority
CN
China
Prior art keywords
image
highland barley
value
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
CN201910665967.4A
Other languages
English (en)
Inventor
唐樟春
金涛
薛琦
刘杰
夏艳君
谢葭
刘亚鹏
丁林飞
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 CN201910015622.4A external-priority patent/CN109766827A/zh
Priority claimed from CN201910015485.4A external-priority patent/CN109685082A/zh
Priority claimed from CN201910016204.7A external-priority patent/CN109766901A/zh
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Publication of CN110414537A publication Critical patent/CN110414537A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/50—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (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病变的识别方法，属于图像处理领域。首先对图像进行预处理，然后把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，将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白粉病/黑穗病/云纹病青稞叶片的图像，提高了青稞白粉病的识别效率和准确度。

Description

一种西藏青稞病变的识别方法
技术领域
本发明属于图像处理领域，尤其涉及青稞病变识别方法。
背景技术
青稞(Hordeum vulgareL.)是主要的禾谷类作物之一，全球第五大农作物，第四大谷物。青稞白粉病是由禾谷布氏白粉菌大麦专化型(Blumeria graminis f.sp.hordei)侵染引起，病原菌群体中存在丰富的生理小种变异。青稞白粉病是我国西南大麦产区的主要病害之一。
青稞白粉病是我区青稞上最常见的重要病害之一。是一种分布广、为害重的种传病害，发病严重时植株死亡率可达20％～30％，平均减产10％左右。严重影响青稞品质。
白粉病可侵害植株上部各器官，叶片是其主要侵染部位，发病后，由白色霉点慢慢地转变成斑，到后来，斑的表层会形成白粉，会导致青稞营养不良，造成作物早衰，产量降低等情况。自2010年以来，西藏青稞白粉病危害日益严重，产量损失增大。青稞作为西藏人民主食，其持续稳产和高产对我国乃至世界粮食安全都有重大意义。
目前，青稞白粉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白粉病，并有很好的准确性。
发明内容
针对现有欠缺的诊断青稞白粉病的技术问题，本发明提供一种基于SVM的青稞白粉病识别方法。该方法能减少青稞白粉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，能准确预测出青稞白粉病。因而本发明技术方案为一种西藏青稞白粉病识别方法,该方法包括：
步骤1：获取健康青稞图像和患白粉病的青稞图像；
步骤2：对获取的健康青稞图像和患白粉病的青稞图像进行RGB各通道做中值滤波；
步骤3：对步骤2得到所有图像的RGB三个通道分别做离散傅里叶变换得到各通道的频谱图；
步骤4：对每幅图像每个通道的频谱图分别进行Butterworth高通滤波；
步骤5：对步骤4得到的每幅图像每个通道的滤波结果进行离散傅里叶逆变换，获取结果图像；
步骤6：将步骤5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7：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8：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7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7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9：归一化各直方图高度值；
步骤10：采用步骤9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的中值滤波方法为：
中值滤波的输出为h(x,y)＝med{g(x-k,y-l),(k,l∈T)}
其中，g(x,y)，h(x,y)分别为原始图像和处理后图像，T为模板，模板形状为方形、线状、圆形、十字形或圆环形。
进一步的，所述步骤4中Butterworth高通滤波的方法为：
u,v分别表示滤波器坐标，幂系数n调整滤波器形状，D0表示通带半径，D(u,v)表示到频谱中心的欧式距离，计算公式：
M，N表示频谱图大小，(M/2，N/2)表示频谱中心。
进一步的，所述步骤6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
进一步的，所述步骤9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。
一种青稞黑穗病的识别方法，该方法包括：
步骤1：获取健康的青稞正常图像样本和青稞黑穗病图像样本；
步骤2：对获得的图像进行均值滤波处理；
步骤3：将步骤2获得图像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通道平均划分为16个等级，S通道平均划分为8个等级，组合为128个等级组合；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值和S值，根据步骤4划分出的128个等级组合，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KNN分类器进行训练；采用训练好的KNN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，但黑穗病特征较明显，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3中H值和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
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。
一种青稞云纹病的识别方法，该方法包括：
步骤1：获取青稞正常图像样本和青稞云纹病图像样本，并将图像转换为mat格式；
步骤2：对步骤1获得图像采用双边滤波方法进行去噪处理；
双边滤波器的模板为：ω(i,j,k,l)＝dis(i,j,k,l)*val(i,j,k,l)；
其中：距离模板(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其它系数的坐标，σd为高斯函数的标准差；
值域模板系数生成公式：f(x,y)表示要处理的图像，f(x,y)表示在点(x,y)处的像素值，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其它系数的坐标，σr为高斯函数的标准差；
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：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A；对每个像素点的S值，根据步骤4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B；统计每个像素H值出现的概率，并作出概率直方图C；统计每个像素S值出现的概率，并作出概率直方图D；
步骤6：归一化各直方图高度值；
步骤7：图像识别；
步骤7-1：将青稞正常图像样本的归一化后直方图高度值按不同的等级划分方式聚为4类，并计算这4类的聚类中心分别为：A1,B1,C1,D1；
步骤7-2：将青稞云纹病图像样本的归一化后直方图高度值不同的等级划分方式聚为4类，并计算这4类的聚类中心分别为：A2,B2,C2,D2；
步骤7-3：判断待检测的青稞图像时，首先采用步骤2到步骤6的方法处理待检测青稞图像，得到a,b,c,d四类归一化后的直方图高度值；
步骤7-4：分别计算a,b,c,d与A1,B1,C1,D1的距离，将得到的4个距离加权相加，得到距离P；
步骤7-5：分别计算a,b,c,d与A2,B2,C2,D2的距离，将得到的4个距离加权相加，得到距离Q；
步骤7-6：判断距离P和距离Q的大小，较小者对应的那一类为待识别图像的分类。
进一步的，所述步骤3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
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。
进一步的，所述步骤7-4中分别计算a,b,c,d与A1,B1,C1,D1的距离按照加权系数为1,1,3,2进行加权相加。
一种青稞白粉病的识别方法,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白粉病青稞叶片的图像，提高了青稞白粉病的识别效率和准确度。一种青稞黑穗病的识别方法，包括青稞正常特征图像样本和青稞黑穗病特征图像样本的输入，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K最近邻算法分类，能很好分类出正常青稞叶片和黑穗病青稞叶片的图像，提高了青稞黑穗病的识别效率和准确度。一种青稞云纹病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。依据直方图和对应标签，分别计算正样本的聚类中心，和负样本的聚类中心；检测图像是，分别计算检测图像和正负样本聚类中心的距离，将检测图像与距离较近的一类归为一类。本发明利用对图像滤波消噪，提取颜色空间特征并归一化，能很好分类出正常青稞叶片和云纹病青稞叶片的图像，提高了青稞云纹病的识别效率和准确度。
附图说明
图1为本发明一种西藏青稞白粉病识别方法的流程图。
图2为本发明一种青稞黑穗病的识别方法的流程图。
图3为本发明一种青稞云纹病的识别方法的流程图。
具体实施方式
步骤1：基于SVM的青稞白粉病识别方法，将青稞正常图像样本和青稞白粉病图像样本及测试用的青稞图像输入。
步骤2：对输入的图像进行去噪预处理，白粉病特征图像孤立噪声点较多，影响白粉病特征表达，采用中值滤波，有效抑制噪声。基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。对图像RGB各通道做中值滤波。
中值滤波的输出为h(x,y)＝med{g(x-k,y-l),(k,l∈T)}
其中，g(x,y)，h(x,y)分别为原始图像和处理后图像。T为模板，通常为3*3,5*5的区域，也可以是不同的形状，如线状，圆形，十字形，圆环形等。此处采取3*3的模板。
步骤3.对图像RGB每通道做离散傅里叶变换得到频谱图
步骤4.对每个通道的频谱图分别进行Buterworth高通滤波，可以消除模糊，突出边缘，使低频成分得到抑制，实现图像锐化。比理想高通滤波减少振铃效应。
Buterworth高通滤波器模板：
D0表示通带半径，D(u,v)表示到频谱中心的欧式距离，计算公式：
M，N表示频谱图大小，(M/2，N/2)表示频谱中心。
步骤5.对上一步结果进行离散傅里叶逆变换，获取结果图像。
步骤6.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：
r＝R/255
g＝G/255
b＝B/255
Amax＝max(r,g,b)
Amin＝(r,g,b)
Δ＝Amax-Amin
步骤7：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8：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9：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10：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。
一种青稞黑穗病的识别方法，该方法包括：
步骤1：获取健康的青稞正常图像样本和青稞黑穗病图像样本；
步骤2：对获得的图像进行均值滤波处理；
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，但黑穗病特征较明显，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获得图像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；
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
Amax＝max(r,g,b)
Amin＝(r,g,b)
Δ＝Amax-Amin
步骤4：将H通道平均划分为16个等级，S通道平均划分为8个等级，组合为128个等级组合；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值和S值，根据步骤4划分出的128个等级组合，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；
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。
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KNN分类器进行训练；采用训练好的KNN分类器对待检测图像进行检测。
一种青稞云纹病的识别方法，该方法包括：
步骤1：获取青稞正常图像样本和青稞云纹病图像样本，并将图像转换为mat格式；
步骤2：对步骤1获得图像采用双边滤波方法进行去噪处理；
双边滤波器的模板为：ω(i,j,k,l)＝dis(i,j,k,l)*val(i,j,k,l)；
其中：距离模板(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其它系数的坐标，σd为高斯函数的标准差；
值域模板系数生成公式：f(x,y)表示要处理的图像，f(x,y)表示在点(x,y)处的像素值，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其它系数的坐标，σr为高斯函数的标准差；
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；
所述步骤3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
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：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A；对每个像素点的S值，根据步骤4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B；统计每个像素H值出现的概率，并作出概率直方图C；统计每个像素S值出现的概率，并作出概率直方图D；
步骤6：归一化各直方图高度值；
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。
步骤7：图像识别；
步骤7-1：将青稞正常图像样本的归一化后直方图高度值按不同的等级划分方式聚为4类，并计算这4类的聚类中心分别为：A1,B1,C1,D1；
步骤7-2：将青稞云纹病图像样本的归一化后直方图高度值不同的等级划分方式聚为4类，并计算这4类的聚类中心分别为：A2,B2,C2,D2；
步骤7-3：判断待检测的青稞图像时，首先采用步骤2到步骤6的方法处理待检测青稞图像，得到a,b,c,d四类归一化后的直方图高度值；
步骤7-4：分别计算a,b,c,d与A1,B1,C1,D1的距离，将得到的4个距离按照1，1，3，2的加权系数进行加权相加，得到距离P；
步骤7-5：分别计算a,b,c,d与A2,B2,C2,D2的距离，将得到的4个距离按照1，1，3，2的加权系数进行加权相加，得到距离Q；
步骤7-6：判断距离P和距离Q的大小，较小者对应的那一类为待识别图像的分类。

Claims (10)

1.一种西藏青稞白粉病识别方法,该方法包括：
步骤1：获取健康青稞图像和患白粉病的青稞图像；
步骤2：对获取的健康青稞图像和患白粉病的青稞图像进行RGB各通道做中值滤波；
步骤3：对步骤2得到所有图像的RGB三个通道分别做离散傅里叶变换得到各通道的频谱图；
步骤4：对每幅图像每个通道的频谱图分别进行Butterworth高通滤波；
步骤5：对步骤4得到的每幅图像每个通道的滤波结果进行离散傅里叶逆变换，获取结果图像；
步骤6：将步骤5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7：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8：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7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7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9：归一化各直方图高度值；
步骤10：采用步骤9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。
2.如权利要求1所述的一种西藏青稞白粉病识别方法，其特征在于所述步骤2的中值滤波方法为：
中值滤波的输出为h(x,y)＝med{g(x-k,y-l),(k,l∈T)}
其中，g(x,y)，h(x,y)分别为原始图像和处理后图像，T为模板，模板形状为方形、线状、圆形、十字形或圆环形。
3.如权利要求1所述的一种西藏青稞白粉病识别方法，其特征在于所述步骤4中Butterworth高通滤波的方法为：
u,v分别表示滤波器坐标，幂系数n调整滤波器形状，D0表示通带半径，D(u,v)表示到频谱中心的欧式距离，计算公式：
N表示频谱图大小，(M/2，N/2)表示频谱中心；
所述步骤9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。
4.如权利要求1所述的一种西藏青稞白粉病识别方法，其特征在于所述步骤6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
5.一种青稞黑穗病的识别方法，该方法包括：
步骤1：获取健康的青稞正常图像样本和青稞黑穗病图像样本；
步骤2：对获得的图像进行均值滤波处理；
步骤3：将步骤2获得图像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通道平均划分为16个等级，S通道平均划分为8个等级，组合为128个等级组合；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值和S值，根据步骤4划分出的128个等级组合，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KNN分类器进行训练；采用训练好的KNN分类器对待检测图像进行检测。
6.如权利要求5所述的一种青稞黑穗病的识别方法，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
A max＝max(r,g,b)
A min＝(r,g,b)
Δ＝A max-A min
7.如权利要求5所述的一种青稞黑穗病的识别方法，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。
8.一种青稞云纹病的识别方法，该方法包括：
步骤1：获取青稞正常图像样本和青稞云纹病图像样本，并将图像转换为mat格式；
步骤2：对步骤1获得图像采用双边滤波方法进行去噪处理；
双边滤波器的模板为：ω(i,j,k,l)＝dis(i,j,k,l)*val(i,j,k,l)；
其中：距离模板(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其它系数的坐标，σd为高斯函数的标准差；
值域模板系数生成公式：f(x,y)表示要处理的图像，f(x,y)表示在点(x,y)处的像素值，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其它系数的坐标，σr为高斯函数的标准差；
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：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A；对每个像素点的S值，根据步骤4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B；统计每个像素H值出现的概率，并作出概率直方图C；统计每个像素S值出现的概率，并作出概率直方图D；
步骤6：归一化各直方图高度值；
步骤7：图像识别；
步骤7-1：将青稞正常图像样本的归一化后直方图高度值按不同的等级划分方式聚为4类，并计算这4类的聚类中心分别为：A1,B1,C1,D1；
步骤7-2：将青稞云纹病图像样本的归一化后直方图高度值不同的等级划分方式聚为4类，并计算这4类的聚类中心分别为：A2,B2,C2,D2；
步骤7-3：判断待检测的青稞图像时，首先采用步骤2到步骤6的方法处理待检测青稞图像，得到a,b,c,d四类归一化后的直方图高度值；
步骤7-4：分别计算a,b,c,d与A1,B1,C1,D1的距离，将得到的4个距离加权相加，得到距离P；
步骤7-5：分别计算a,b,c,d与A2,B2,C2,D2的距离，将得到的4个距离按步骤7-4相同的系数加权相加，得到距离Q；
步骤7-6：判断距离P和距离Q的大小，较小者对应的那一类为待识别图像的分类。
9.如权利要求8所述的一种青稞云纹病的识别方法，其特征在于所述步骤3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＝A max-A min
10.如权利要求8所述的一种青稞云纹病的识别方法，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；
所述步骤7-4中分别计算a,b,c,d与A1,B1,C1,D1的距离按照加权系数为1,1,3,2进行加权相加。
CN201910665967.4A 2019-01-08 2019-07-23 一种西藏青稞病变的识别方法 Pending CN110414537A (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
CN2019100156224 2019-01-08
CN2019100154854 2019-01-08
CN201910015622.4A CN109766827A (zh) 2019-01-08 2019-01-08 一种青稞黑穗病的识别方法
CN2019100162047 2019-01-08
CN201910015485.4A CN109685082A (zh) 2019-01-08 2019-01-08 一种西藏青稞白粉病识别方法
CN201910016204.7A CN109766901A (zh) 2019-01-08 2019-01-08 一种青稞云纹病的识别方法

Publications (1)

Publication Number Publication Date
CN110414537A true CN110414537A (zh) 2019-11-05

Family

ID=68362661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910665967.4A Pending CN110414537A (zh) 2019-01-08 2019-07-23 一种西藏青稞病变的识别方法

Country Status (1)

Country Link
CN (1) CN110414537A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365484A (zh) * 2020-11-16 2021-02-12 北京霍里思特科技有限公司 分类方法、分类系统、矿产分选机

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559511A (zh) * 2013-11-20 2014-02-05 天津农学院 一种温室蔬菜叶部病害图像自动识别方法
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
CN105095892A (zh) * 2014-05-16 2015-11-25 上海市上海中学 基于图像处理的学生文档管理系统
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559511A (zh) * 2013-11-20 2014-02-05 天津农学院 一种温室蔬菜叶部病害图像自动识别方法
CN105095892A (zh) * 2014-05-16 2015-11-25 上海市上海中学 基于图像处理的学生文档管理系统
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
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

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》 *
杨威 等: "多维直方图特征分类学习的目标检测算法", 《国家安全地球物理丛书（十一）——地球物理应用前沿》 *
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》 *
黄义棚: "基于相似性度量的人脸性别识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365484A (zh) * 2020-11-16 2021-02-12 北京霍里思特科技有限公司 分类方法、分类系统、矿产分选机

Similar Documents

Publication Publication Date Title
CN109308697B (zh) 一种基于机器学习算法的树叶病害识别方法
CN104598908B (zh) 一种农作物叶部病害识别方法
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN101441721B (zh) 一种重叠类圆颗粒物的计数装置和方法
CN105320970B (zh) 一种马铃薯病害诊断装置、诊断系统及诊断方法
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
CN104597052A (zh) 基于多特征融合的马铃薯高速无损分级检测方法及系统
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN105303546B (zh) 基于模糊连接度的近邻传播聚类图像分割方法
CN107564000A (zh) 基于计算机视觉的猴头菇无损检测分级方法
Latte et al. Multiple nutrient deficiency detection in paddy leaf images using color and pattern analysis
CN114838664B (zh) 一种基于黑皮鸡枞菌的菌盖尺寸原位测量方法
Chithra et al. DEFECT IDENTIFICATION IN THE FRUIT APPLE USING K-MEANS COLOR IMAGE SEGMENTATION ALGORITHM.
CN107330431B (zh) 一种基于K-means聚类拟合的显著性检测优化方法
CN115578660A (zh) 基于遥感图像的土地地块分割方法
CN110414537A (zh) 一种西藏青稞病变的识别方法
CN110390359A (zh) 一种西藏青稞叶片病变的识别方法
CN111340761B (zh) 基于分形属性和决策融合的遥感影像变化检测方法
CN109685082A (zh) 一种西藏青稞白粉病识别方法
CN115761013A (zh) 一种基于有无纹理分类的布匹色差检测方法
CN113033686A (zh) 基于核引导可变卷积和双窗联合双边滤波器的高光谱图分类方法及系统
Noola et al. Computer Aided Corn Leaf Disease Identification System
Nie et al. Apple external quality analysis based on bp neural network
CN109598274A (zh) 一种青稞条纹病的识别方法
CN116563326B (zh) 一种面向果蔬分选设备的多目标图像分割方法

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

Application publication date: 20191105

RJ01 Rejection of invention patent application after publication