CN116206304A - 一种基于改进卷积神经网络的番茄叶片病害识别方法 - Google Patents

Abstract

本发明公开了图像识别领域的一种基于改进卷积神经网络的番茄叶片病害识别方法，包括如下步骤：S101、获取番茄叶片病害图像数据集并开展预处理，形成番茄叶片病害分类识别，得到试验数据训练集和测试集；S102、通过改进卷积神经网络方法和预训练参数构建方法模型，对训练集的图像特征进行提取，进行番茄叶片病害识别模型的训练，获得待识别番茄叶片病害图像。本方法对卷积神经网络方法进行了改进，通过多通道多核提取图像信息，同时加入双重注意力机制关注图像全局、局部特征，实验仿真显示本方法方法对番茄叶片病害黄叶卷曲病、花叶病、蜘蛛螨、七星斑、叶霉菌、早疫病识别正确率、消耗时间优于其他方法。

Description

一种基于改进卷积神经网络的番茄叶片病害识别方法

技术领域

本发明涉及图像识别领域，具体是一种基于改进卷积神经网络的番茄叶片病害识别方法。

背景技术

农业是国民经济发展的基础，而作物病害严重影响着农业生产的产量与质量，造成了重大的经济损失。作物病害识别是一项重要的工作，尤其是根据作物的病叶进行病害诊断显得尤为关键。

传统的番茄叶片病害诊断方法主要依靠经验，凭感觉对作物病害进行诊断，这种方法不仅缺乏科学依据而且耗时耗力，严重影响了病害诊断的准确性及效率。因此，本领域技术人员提供了一种基于改进卷积神经网络的番茄叶片病害识别方法，以解决上述背景技术中提出的问题。

发明内容

本发明的目的在于提供一种基于改进卷积神经网络的番茄叶片病害识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于改进卷积神经网络的番茄叶片病害识别方法，包括如下步骤：

S101、获取番茄叶片病害图像数据集并开展预处理，形成番茄叶片病害分类识别，得到试验数据训练集和测试集；

S102、通过改进卷积神经网络方法和预训练参数构建方法模型，对训练集的图像特征进行提取，进行番茄叶片病害识别模型的训练，获得待识别番茄叶片病害图像。

作为本发明进一步的方案：所述步骤S102中的改进卷积神经网络包括四通道多核卷积神经网络和双重注意力机制的卷积神经网络。

作为本发明进一步的方案：所述四通道多核卷积神经网络将番茄叶片通过Sobel算子得到水平方向、垂直方向及45°、135°对角方向的四个梯度图像，即获得四个通道方向的图像，将多个梯度图像输入到多层卷积神经网络，卷积神经网络从而学习图像的不同方向梯度的特征，再将不同方向的特征进行随机化特征融合，这样将具有差异性的图像特征信息进行融合，以便使得融合后的特征信息可以方便进行区分，提高图像的表达能力，对融合后的特征进行通道混洗，因此特征图的每一个区域都包含不同通道的特征，这样使得图像融合信息更有鲁棒性。

作为本发明进一步的方案：所述四通道多核卷积神经网络对番茄叶片图像分类效果依靠卷积核的大小，卷积核越大则卷积神经网络的感受野范围较广，这样方便番茄叶片图像全局信息分析，但是会使得图像细节特征被忽视，卷积核越小则图像细节特征越易获取，但是无法获得番茄叶片图像全局信息，因此为了获取图像的特征信息需要多卷积核，四通道卷积神经网络为每个通道设计不同的卷积核以便提取番茄叶片图像特征，四通道卷积神经网络方法是由四多个不同结构的卷积神经网络通道CNN1、CNN2、CNN3、CNN4组成，每个卷积神经网络具有三层卷积层、两层下采样层和一层全连接层。CNN1、CNN2通道分别输入为水平梯度方向、垂直梯度方向图像，之后依次进入3个卷积层进行特征提取，其卷积核大小为7、5、3，个数分别为30、40、50，移动步长分别为3、2、1，第一层、第二层卷积层之后的池化层采用最大池采样方法，池化窗口大小分别为5、5；池化步长分别为3、3，最后为3个全连接层，输出节点为18。CNN3、CNN4通道分别输入为45°、135°对角方向图像，之后依次进入3个卷积层进行特征提取，由于45°、135°对角方向的卷积核大小为9、7、5，个数分别为40、50、60，移动步长分别为4、3、2，第一层、第二层卷积层之后的池化层采用最大池采样方法，池化窗口大小分别为3、3；池化步长分别为2、2，最后为3个全连接层，输出节点为18，各个通道的激活函数均选择ReLU，采用Softmax对番茄叶片病害进行识别。

作为本发明进一步的方案：所述双重注意力机制的卷积神经网络将卷积神经网络的计算资源合理地分配到番茄叶片图像特征的分析过程中，数据计算量在不增加的同时进行网络深度加深，双重注意力由空间注意力、通道注意力组成，空间注意力主要关注病害区域并对无关信息进行降噪，同时使得卷积神经网络保持尺度不变性，空间注意力机制包括局部注意力机制、全局注意力机制，局部注意力机制主要注意图像的局部特征，全局注意力机制主要注意图像的整体特征，空间注意力使用局部-全局交替注意力机制，减少了数据计算量，通道注意力主要进行加强番茄叶片图像的有用特征抑制无用特征，卷积神经网络使用番茄叶片图像特征通道和空间维度进行预测，这样注意力对特征图的重点内容、位置得到注意，把注意力特征图与卷积神经网络的中间特征图相乘可以更新已学到的特征；

计算公式为：

M_c(F)＝σ{MLP[AvgPool(F)]+MLP[Max-Pool(F)]}

M_s(F)＝σ{f^N×M[AvgPool(F),MaxPool(F₁)]}

式中：F为输入特征图，

为点乘，M_c(F)为注意力运算，F₁为输出特征图，M_s(F₁)为在空间注意力运算，F₂为空间注意力输出特征图，AvgPool为全局平均池化，MaxPool为全局最大池化，MLP为卷积神经网络的共享网络，最大池化和平均池化共享一个神经网络提取特征，σ为ReLU激活，f^N×M为N×M卷积。

作为本发明进一步的方案：通过优化损失函数对数据进行优化损失；

优化损失函数如下：

由于番茄叶片病害识别属于单标签多分类方法，交叉熵函数计算分类损失：

式中：calss为样本标签，z＝[z₀,z₁,…,z_class-1]为神经网络输出。

损失函数更新通过动量随机梯度下降法：

式中：γ为动量因子，t为训练轮数，m_t为训练轮数t的动量，ω_t为训练轮数t的学习率，θ为权重。

当γ＝0时没有动量作用影响，当γ＝1时动量惯性影响最强，在训练初始阶段，需要γ值较小，以便加速卷积神经网络优化，在训练结束阶段，较大的γ值能够提高番茄叶片病害的识别精度，因此卷积神经网络控制γ值随训练轮数增加而线性变大，通过训练轮数对γ更新为：

式中：γ_max为0.95，γ_min为0.05，t_max设置为300。

当t为1时，γ为最小值0.05，随着t的增加，γ线性随t的增加，最终γ达到最大值0.95，从而保证了动量因子的最优化。

权重更新为：

式中：τ为识别误差率，θ_t初始值为0.0001。

卷积神经网络训练过程中使用了历史梯度信息，计算较接近真实梯度，增强了方法的稳定性^[12]，通过非线性递减方式将ω_t逐渐缩小，其变化公式为

式中：初始值ω₁＝0.001经过以上运算最终即可获得通道注意力特征图F₁、空间注意力特征图F₂。

作为本发明进一步的方案：所述步骤S102中番茄叶片病害识别采用如下两个方式进行采样区标定：

S1031、番茄叶片病害采样区标定

以病害部分为前景，通过K-means聚类方法划分出病害聚类区，每个病害聚类区为单独的封闭区域^[13]，由于番茄叶片有病害聚类区，则该封闭区域的形心为采样正方形的中心点，假设采样为边长100个像素单位的正方形，则：

式中：x_i为病害聚类区横坐标，y_i为病害聚类区纵坐标，A_i为病害聚类区的像素数。

当进行病害聚类时，由于病害离各自聚类中心距离不同导致出现多个聚类区，一般取聚类中心最靠前的四个区域为当前番茄叶片图像的病害采样区；

S1032、番茄叶片病害边缘特征值

通过边缘特征统计值避免图像噪声的影响，边缘特征值公式为：

式中：

为中心像素点与其水平、垂直、45°、135°对角方向上的邻域像素点之间的差值。

假设局部窗口大小K×K，

分别计算为：

式中：0≤k≤2K，y_p,q为中心像素点，如果

的值较小，则y_p,q为边缘图像点，否则为噪声点。

与现有技术相比，本发明的有益效果是：

本方法对卷积神经网络方法进行了改进，通过多通道多核提取图像信息，同时加入双重注意力机制关注图像全局、局部特征，实验仿真显示本方法方法对番茄叶片病害黄叶卷曲病、花叶病、蜘蛛螨、七星斑、叶霉菌、早疫病识别正确率、消耗时间优于其他方法。

附图说明

图1为本发明中四通道方向的图像；

图2为本发明中ω_t随t变化图；

图3为本发明的识别方法流程。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1～3，本发明实施例中，一种基于改进卷积神经网络的番茄叶片病害识别方法，包括如下步骤：

S101、获取番茄叶片病害图像数据集并开展预处理，形成番茄叶片病害分类识别，得到试验数据训练集和测试集；

S102、通过改进卷积神经网络方法和预训练参数构建方法模型，对训练集的图像特征进行提取，进行番茄叶片病害识别模型的训练，获得待识别番茄叶片病害图像。

本实施例中，所述步骤S102中的改进卷积神经网络包括四通道多核卷积神经网络和双重注意力机制的卷积神经网络。

本实施例中，所述四通道多核卷积神经网络将番茄叶片通过Sobel算子得到水平方向、垂直方向及45°、135°对角方向的四个梯度图像，即获得四个通道方向的图像，将多个梯度图像输入到多层卷积神经网络，卷积神经网络从而学习图像的不同方向梯度的特征，再将不同方向的特征进行随机化特征融合，这样将具有差异性的图像特征信息进行融合，以便使得融合后的特征信息可以方便进行区分，提高图像的表达能力，对融合后的特征进行通道混洗，因此特征图的每一个区域都包含不同通道的特征，这样使得图像融合信息更有鲁棒性。

本实施例中，所述四通道多核卷积神经网络对番茄叶片图像分类效果依靠卷积核的大小，卷积核越大则卷积神经网络的感受野范围较广，这样方便番茄叶片图像全局信息分析，但是会使得图像细节特征被忽视，卷积核越小则图像细节特征越易获取，但是无法获得番茄叶片图像全局信息，因此为了获取图像的特征信息需要多卷积核，四通道卷积神经网络为每个通道设计不同的卷积核以便提取番茄叶片图像特征，四通道卷积神经网络方法是由四多个不同结构的卷积神经网络通道CNN1、CNN2、CNN3、CNN4组成，每个卷积神经网络具有三层卷积层、两层下采样层和一层全连接层。CNN1、CNN2通道分别输入为水平梯度方向、垂直梯度方向图像，之后依次进入3个卷积层进行特征提取，其卷积核大小为7、5、3，个数分别为30、40、50，移动步长分别为3、2、1，第一层、第二层卷积层之后的池化层采用最大池采样方法，池化窗口大小分别为5、5；池化步长分别为3、3，最后为3个全连接层，输出节点为18。CNN3、CNN4通道分别输入为45°、135°对角方向图像，之后依次进入3个卷积层进行特征提取，由于45°、135°对角方向的卷积核大小为9、7、5，个数分别为40、50、60，移动步长分别为4、3、2，第一层、第二层卷积层之后的池化层采用最大池采样方法，池化窗口大小分别为3、3；池化步长分别为2、2，最后为3个全连接层，输出节点为18，各个通道的激活函数均选择ReLU，采用Softmax对番茄叶片病害进行识别。

本实施例中，所述双重注意力机制的卷积神经网络将卷积神经网络的计算资源合理地分配到番茄叶片图像特征的分析过程中，数据计算量在不增加的同时进行网络深度加深，双重注意力由空间注意力、通道注意力组成，空间注意力主要关注病害区域并对无关信息进行降噪，同时使得卷积神经网络保持尺度不变性，空间注意力机制包括局部注意力机制、全局注意力机制，局部注意力机制主要注意图像的局部特征，全局注意力机制主要注意图像的整体特征，空间注意力使用局部-全局交替注意力机制，减少了数据计算量，通道注意力主要进行加强番茄叶片图像的有用特征抑制无用特征，卷积神经网络使用番茄叶片图像特征通道和空间维度进行预测，这样注意力对特征图的重点内容、位置得到注意，把注意力特征图与卷积神经网络的中间特征图相乘可以更新已学到的特征；

计算公式为：

M_c(F)＝σ{MLP[AvgPool(F)]+MLP[Max-Pool(F)]}

M_s(F)＝σ{f^N×M[AvgPool(F),MaxPool(F₁)]}

式中：F为输入特征图，

为点乘，M_c(F)为注意力运算，F₁为输出特征图，M_s(F₁)为在空间注意力运算，F₂为空间注意力输出特征图，AvgPool为全局平均池化，MaxPool为全局最大池化，MLP为卷积神经网络的共享网络，最大池化和平均池化共享一个神经网络提取特征，σ为ReLU激活，f^N×M为N×M卷积。

本实施例中，通过优化损失函数对数据进行优化损失；

优化损失函数如下：

由于番茄叶片病害识别属于单标签多分类方法，交叉熵函数计算分类损失：

式中：calss为样本标签，z＝[z₀,z₁,…,z_class-1]为神经网络输出。

损失函数更新通过动量随机梯度下降法：

式中：γ为动量因子，t为训练轮数，m_t为训练轮数t的动量，ω_t为训练轮数t的学习率，θ为权重。

当γ＝0时没有动量作用影响，当γ＝1时动量惯性影响最强，在训练初始阶段，需要γ值较小，以便加速卷积神经网络优化，在训练结束阶段，较大的γ值能够提高番茄叶片病害的识别精度，因此卷积神经网络控制γ值随训练轮数增加而线性变大，通过训练轮数对γ更新为：

式中：γ_max为0.95，γ_min为0.05，t_max设置为300。

当t为1时，γ为最小值0.05，随着t的增加，γ线性随t的增加，最终γ达到最大值0.95，从而保证了动量因子的最优化。

权重更新为：

式中：τ为识别误差率，θ_t初始值为0.0001。

卷积神经网络训练过程中使用了历史梯度信息，计算较接近真实梯度，增强了方法的稳定性^[12]，通过非线性递减方式将ω_t逐渐缩小，其变化公式为

式中：初始值ω₁＝0.001经过以上运算最终即可获得通道注意力特征图F₁、空间注意力特征图F₂。

本实施例中，所述步骤S102中番茄叶片病害识别采用如下两个方式进行采样区标定：

S1031、番茄叶片病害采样区标定

以病害部分为前景，通过K-means聚类方法划分出病害聚类区，每个病害聚类区为单独的封闭区域^[13]，由于番茄叶片有病害聚类区，则该封闭区域的形心为采样正方形的中心点，假设采样为边长100个像素单位的正方形，则：

式中：x_i为病害聚类区横坐标，y_i为病害聚类区纵坐标，A_i为病害聚类区的像素数。

当进行病害聚类时，由于病害离各自聚类中心距离不同导致出现多个聚类区，一般取聚类中心最靠前的四个区域为当前番茄叶片图像的病害采样区；

S1032、番茄叶片病害边缘特征值

通过边缘特征统计值避免图像噪声的影响，边缘特征值公式为：

式中：

为中心像素点与其水平、垂直、45°、135°对角方向上的邻域像素点之间的差值。

假设局部窗口大小K×K，

分别计算为：

式中：0≤k≤2K，y_p,q为中心像素点，如果

的值较小，则y_p,q为边缘图像点，否则为噪声点。

本实施例中，从附图2可以看出：当损失函数变化非常小或不变化了，通过学习率使得损失函数进一步下降，避免了损失函数被过度优化，学习率越来越小，从而保证了方法的最终收敛。

使用改进卷积神经网络方法对番茄叶片病害识别，四通道多核卷积神经网络对番茄叶片病害多特征进行提取，双重注意力对特征图的内容、位置进行关注，仿真验证了方法的有效性。主要通过对卷积神经网络方法进行了改进，采用多通道多核提取图像信息，同时加入双重注意力机制关注图像全局、局部特征，实验仿真显示本方法方法对番茄叶片病害黄叶卷曲病、花叶病、蜘蛛螨、七星斑、叶霉菌、早疫病识别正确率、消耗时间优于其他方法。

本实施例中，各种方法对番茄病害黄叶卷曲病、花叶病、蜘蛛螨、七星斑、叶霉菌、早疫病单张图像识别检测平均消耗时间如下表所示：

表2识别检测平均消耗时间(s/t)

从上表结果可以看出改进卷积神经网络方法对各种病害识别检测平均消耗时间表现更优，方法消耗占用内存较少，同时证识别准确率较高。

本方法对卷积神经网络方法进行了改进，通过四通道输入番茄叶片图像，卷积神经网络从而学习图像的不同方向梯度的特征，双重注意力机制提升了卷积神经网络方法搜索能力，能够使得识别正确率提高，实验仿真显示本方法方法对番茄叶片病害黄叶卷曲病、花叶病、蜘蛛螨、七星斑、叶霉菌、早疫病识别正确率、消耗时间优于其他方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于改进卷积神经网络的番茄叶片病害识别方法，其特征在于：包括如下步骤：

S101、获取番茄叶片病害图像数据集并开展预处理，形成番茄叶片病害分类识别，得到试验数据训练集和测试集；

S102、通过改进卷积神经网络方法和预训练参数构建方法模型，对训练集的图像特征进行提取，进行番茄叶片病害识别模型的训练，获得待识别番茄叶片病害图像。

2.根据权利要求1所述的一种基于改进卷积神经网络的番茄叶片病害识别方法，其特征在于：所述步骤S102中的改进卷积神经网络包括四通道多核卷积神经网络和双重注意力机制的卷积神经网络。

3.根据权利要求2所述的一种基于改进卷积神经网络的番茄叶片病害识别方法，其特征在于：所述四通道多核卷积神经网络将番茄叶片通过Sobel算子得到水平方向、垂直方向及45°、135°对角方向的四个梯度图像，即获得四个通道方向的图像，将多个梯度图像输入到多层卷积神经网络，卷积神经网络从而学习图像的不同方向梯度的特征，再将不同方向的特征进行随机化特征融合。

4.根据权利要求2所述的一种基于改进卷积神经网络的番茄叶片病害识别方法，其特征在于：所述四通道多核卷积神经网络对番茄叶片图像分类效果依靠卷积核的大小，四通道卷积神经网络为每个通道设计不同的卷积核以便提取番茄叶片图像特征，四通道卷积神经网络方法是由四多个不同结构的卷积神经网络通道CNN1、CNN2、CNN3、CNN4组成，每个卷积神经网络具有三层卷积层、两层下采样层和一层全连接层。CNN1、CNN2通道分别输入为水平梯度方向、垂直梯度方向图像，之后依次进入3个卷积层进行特征提取，其卷积核大小为7、5、3，个数分别为30、40、50，移动步长分别为3、2、1，第一层、第二层卷积层之后的池化层采用最大池采样方法，池化窗口大小分别为5、5；池化步长分别为3、3，最后为3个全连接层，输出节点为18，CNN3、CNN4通道分别输入为45°、135°对角方向图像，之后依次进入3个卷积层进行特征提取，由于45°、135°对角方向的卷积核大小为9、7、5，个数分别为40、50、60，移动步长分别为4、3、2，第一层、第二层卷积层之后的池化层采用最大池采样方法，池化窗口大小分别为3、3；池化步长分别为2、2，最后为3个全连接层，输出节点为18，各个通道的激活函数均选择ReLU，采用Softmax对番茄叶片病害进行识别。

5.根据权利要求2所述的一种基于改进卷积神经网络的番茄叶片病害识别方法，其特征在于：所述双重注意力机制的卷积神经网络将卷积神经网络的计算资源合理地分配到番茄叶片图像特征的分析过程中，数据计算量在不增加的同时进行网络深度加深，双重注意力由空间注意力、通道注意力组成，空间注意力主要关注病害区域并对无关信息进行降噪，同时使得卷积神经网络保持尺度不变性；

空间注意力机制包括局部注意力机制、全局注意力机制，局部注意力机制主要注意图像的局部特征，全局注意力机制主要注意图像的整体特征，空间注意力使用局部-全局交替注意力机制，减少了数据计算量，通道注意力主要进行加强番茄叶片图像的有用特征抑制无用特征，卷积神经网络使用番茄叶片图像特征通道和空间维度进行预测，把注意力特征图与卷积神经网络的中间特征图相乘可以更新已学到的特征；

计算公式为：

M_c(F)＝σ{MLP[AvgPool(F)]+MLP[Max-Pool(F)]}

M_s(F)＝σ{f^N×M[AvgPool(F),MaxPool(F₁)]}

式中：F为输入特征图，

为点乘，M_c(F)为注意力运算，F₁为输出特征图，M_s(F₁)为在空间注意力运算，F₂为空间注意力输出特征图，AvgPool为全局平均池化，MaxPool为全局最大池化，MLP为卷积神经网络的共享网络，最大池化和平均池化共享一个神经网络提取特征，σ为ReLU激活，f^N×M为N×M卷积。

6.根据权利要求1所述的一种基于改进卷积神经网络的番茄叶片病害识别方法，其特征在于：通过优化损失函数对数据进行优化损失；

优化损失函数如下：

由于番茄叶片病害识别属于单标签多分类方法，交叉熵函数计算分类损失：

式中：calss为样本标签，z＝[z₀,z₁,…,z_class-1]为神经网络输出；

损失函数更新通过动量随机梯度下降法：

式中：γ为动量因子，t为训练轮数，m_t为训练轮数t的动量，ω_t为训练轮数t的学习率，θ为权重；

当γ＝0时没有动量作用影响，当γ＝1时动量惯性影响最强，在训练初始阶段，需要γ值较小，以便加速卷积神经网络优化，在训练结束阶段，较大的γ值能够提高番茄叶片病害的识别精度，因此卷积神经网络控制γ值随训练轮数增加而线性变大，通过训练轮数对γ更新为：

式中：γ_max为0.95，γ_min为0.05，t_max设置为300；

当t为1时，γ为最小值0.05，随着t的增加，γ线性随t的增加，最终γ达到最大值0.95，从而保证了动量因子的最优化；

权重更新为：

式中：τ为识别误差率，θ_t初始值为0.0001；

卷积神经网络训练过程中使用了历史梯度信息，计算较接近真实梯度，增强了方法的稳定性^[12]，通过非线性递减方式将ω_t逐渐缩小，其变化公式为

式中：初始值ω₁＝0.001经过以上运算最终即可获得通道注意力特征图F₁、空间注意力特征图F₂。

7.根据权利要求1所述的一种基于改进卷积神经网络的番茄叶片病害识别方法，其特征在于：所述步骤S102中番茄叶片病害识别采用如下两个方式进行采样区标定：

S1031、番茄叶片病害采样区标定

以病害部分为前景，通过K-means聚类方法划分出病害聚类区，每个病害聚类区为单独的封闭区域^[13]，由于番茄叶片有病害聚类区，则该封闭区域的形心为采样正方形的中心点，假设采样为边长100个像素单位的正方形，则：

式中：x_i为病害聚类区横坐标，y_i为病害聚类区纵坐标，A_i为病害聚类区的像素数；

当进行病害聚类时，由于病害离各自聚类中心距离不同导致出现多个聚类区，一般取聚类中心最靠前的四个区域为当前番茄叶片图像的病害采样区；

S1032、番茄叶片病害边缘特征值

通过边缘特征统计值避免图像噪声的影响，边缘特征值公式为：

式中：

为中心像素点与其水平、垂直、45°、135°对角方向上的邻域像素点之间的差值；

假设局部窗口大小K×K，

分别计算为：

式中：0≤k≤2K，y_p,q为中心像素点，如果

的值较小，则y_p,q为边缘图像点，否则为噪声点。

Images