一种基于概率密度比值的作物病害识别方法
【专利摘要】本发明公开了一种基于概率密度比值的作物病害识别方法，属于图像处理和模式识别【技术领域】。该方法的步骤包括：采集并拍摄作物病害叶片图像，将其转换为灰度图像后进行处理后得到彩色病斑图像；对彩色病斑图像进行处理得到每幅图像的特征向量；引入概率密度比值对目标函数加权，对组合成后的作物病害叶片图像的特征向量进行维数约简；采用最近邻分类器对测试样本进行分类。本发明具有特征提取速度快，识别率高，识别效果稳定，实时性强和实施性容易等优点。
【专利说明】一种基于概率密度比值的作物病害识别方法
【技术领域】
[0001] 本发明涉及利用作物病害叶片的病斑识别作物病害的【技术领域】，特别涉及一种基 于概率密度比值的作物病害识别方法。
【背景技术】
[0002] 作物病害是严重影响各国农作物产品数量和质量的主要原因，及早发现作物病 情和准确检测出病害类型是进行科学防治作物病害的前提。由于作物叶片是作物中最丰 富、占据部位最多、观察最方便的部分，也是很多往往首先出现的部位，所以，叶片病斑是人 们判断作物病害发生及其危害程度的重要依据之一。传统的作物病害检测方法主要依靠 农业基层防护员和农业生产者靠眼睛观测作物病害叶片的症状来诊断作物病害的发生和 危害程度，这种方法的主观性强、识别速度慢、误识率高、实时性差等，往往造成病害误诊 或错过最佳防治时期，难以满足大范围作物病害实时监测的需求【Sabah Bashir，Navde印 Sharma. Remote Area Plant Disease Detection Using Image Processing. Journal of Electronics and Communication Engineering, 2012, 2 (6) : 31-34.】。从目前的研究结果 来看，采用计算机和图像处理技术能够客观、快速、准确地识别作物病害，从而实现作物病 害的防治和精确施用农药【李旺，唐少先.基于图像处理的农作物病害识别研究现状[J]. 湖南农机，2012, 39(1) :176-178.】。但是，病害叶片的复杂性使得通过叶片症状来检测作 物病害并不容易【H. Al-Hiary, S. Bani-Ahmad, M. Reyalat. Fast and Accurate Detection and Classification of Plant Diseases[J]. International Journal of Computer Applications，2011，17(1) :31-38.】。目前作物病害的种类较多，导致作物病害叶片呈现出 多种多样的病斑形状，使得基于作物病害叶片的病害识别方法研究具有挑战性。
【发明内容】
[0003] 本发明的目的是克服现有技术中的问题，提出一种基于概率密度比值的作物病害 识别方法，具有识别速度快、识别率高、识别效果稳定和实用性强等优点。
[0004] 为实现上述目的，本发明采用如下的技术方案：
[0005] -种基于概率密度比值的作物病害识别方法，包括以下步骤：
[0006] 步骤1 :对病害叶片图像的特征向量进行基于概率密度比值的维数约简；
[0007] 采集并拍摄η幅作物病害叶片图像{gi (X，y)，g2 (X，y)，· · ·，gn(x, y)}，将每幅作物 病害叶片图像转换为灰度图像，再将灰度图像转换为彩色病斑图像；对彩色病斑图像进行 处理得到每幅图像的特征向量；由每幅图像的特征向量得到η幅病害叶片图像的投影矩阵 A ;得到投影矩阵A的具体过程如下：
[0008] 4)对于η幅中任意两幅病害叶片图像gj(x, y)和gk(x, y)，计算gj(x, y)与gk(x, y) 互为近邻的概率密度比值qjk:
【权利要求】
1. 一种基于概率密度比值的作物病害识别方法，其特征在于，包括以下步骤： 步骤1 :对病害叶片图像的特征向量进行基于概率密度比值的维数约简； 采集并拍摄η幅作物病害叶片图像{gi(X，y)，g2 (X，y)，. . .，gn(x,y)}，将每幅作物病害 叶片图像转换为灰度图像，再将灰度图像转换为彩色病斑图像；对彩色病斑图像进行处理 得到每幅图像的特征向量；由每幅图像的特征向量得到η幅病害叶片图像的投影矩阵A;得 到投影矩阵A的具体过程如下： 1) 对于η幅中任意两幅病害叶片图像gj(x,y)和gk(x,y)，计算gj(x,y)与gk(x,y)互 为近邻的概率密度比值qjk:
式中，β为一个调节参数，由交叉验证法确定；Wj为gj(x,y)的特征向量，Wk为gk(x,y) 的特征向量，je[1，η]，ke[I, n]; 设图像gj(x，y)属于第S类，计算任意一幅病害叶片图像与gj(x,y)同类的概率qs:
(15) 式中，As为第S类所有病害叶片图像的集合；Se[1，Κ]，Κ为病害叶片图像类别数目； 利用公式（16)计算第s类作物病害叶片图像的加权均值f:
(16) 式中，ns为第s类作物病害叶片图像的数目； 2) 计算病害叶片图像的类间散度矩阵Sb和类内散度矩阵Sw，分别表示为：
(17) 式中，^为第1类病害叶片图像的加权均值，Ie[1，K]，Fb:为第S类的第m幅作物 病害叶片图像的特征向量； 3) 求解投影矩阵： 先构造广义特征方程：SBa=λSwa (18) 式中，λ为特征值，a为对应λ的特征向量； 再求解式（18)的d个最大的特征值所对应的特征向量ai，a2，...，ad，d为低维特征向 里;的维数；由a2, · · ·，agii成个投影矩阵A= [a丨，a2, · · ·，ad]; 由投影矩阵A对η幅病害叶片的特征向量集（W1,W2,. . .，WJ进行维数约简，得低维病 害识别特征向量集（Y1,Y2,...，YJ，其中Yi=Α%α= 1，2,...，n)，At为矩阵A的转置； 步骤2:利用最近邻分类器进行作物病害类型识别； 将用于训练最近邻分类器的作物病害叶片图像的低维病害识别特征向量集 (Y1,Y2, ...，YJ及其对应的作物病害叶片图像的病害类别信息作为识别模板数据库；将识 别模板数据库中的图像输入到最近邻分类器，训练该分类器； 计算任意一幅待识别的作物病害叶片图像Lmw(X，y)的44个特征值，并组成一个特征 向量Wmw,再计算特征向量Wmw的低维特征向量YnOT=AtWmw; 将低维特征向量Ymw输入到训练后的最近邻分类器，找出一个最近邻点中同一作物病 害类别点数最多的类别作为待识别的作物病害叶片图像Lnrat (X，y)的类别，从而完成对于作 物病害的识别。
2.根据权利要求1所述的一种基于概率密度比值的作物病害识别方法，其特征在于， 将每幅作物病害叶片图像转换为灰度图像，再转换为彩色病斑图像的具体过程如下： 采集并拍摄作物病害叶片图像，对于拍摄到的任意一幅作物病害叶片图像g(x，y)， 将其转换为灰度图像H(x，y)，设灰度图像H(x，y)的像素个数为m，灰度值i取值范围为 [0, 1，2,…，255];若灰度值为i的像素个数为Hii,则灰度值为i的像素个数在总像素中所占 的比例为A= ^ ;设一个阈值t将灰度图像H(x，y)划分成病斑像素集Ctl和正常像素集 C1两类，te[〇, 255]，则病斑像素集Ctl和正常像素集(^中的灰度值范围分别是[0, 1，…，幻 和[t+1，t+2,…，255]，CjPC1中的像素个数在灰度图像的像素中所占的比例分别为：
(1) 病斑像素集Q1和正常像素集C 的平均灰度值分别为：
(2) 小于阈值t时灰度的平均值为：
(3) 病斑像素集Q1和正常像素集C 数据的方差为： d(t)=ω〇[μ〇-μ (t)]2+ωj[ μrμ (t)]2 (4) 变化0到255之间的t值，使得d(t)取最大值时的t的取值记为Τ，则T为最佳分割阀 值； 由最佳分割阀值T对灰度图像H(x，y)进行划分，得到二值化病斑图像S:
将二值化病斑图像S(x,y)与g(x,y)相乘，得到彩色病斑图像C(x,y): C(x,y) =S(x,y)Xg(x,y) (6)。
3.根据权利要求1所述的一种基于概率密度比值的作物病害识别方法，其特征在于， 对彩色病斑图像进行处理得到每幅图像的特征向量的具体过程如下： 1) 提取彩色病斑图像C(x，y)的三个通道红、绿、蓝的颜色值矩阵R、G、B，利用下式（7) 由R、G、B得到病斑的灰度值矩阵Gray: Gray= 0. 299R+0. 587G+0. 114B (7) 2) 利用下式（8)将颜色值矩阵R、G、B转换为色调矩阵Η、亮度矩阵S、饱和度矩阵I:
3) 利用下式（9)由R、G、B计算两种刺激色彩矩阵X、Z:
4) 利用下式（10)由R、G、B计算YCbCr颜色空间的两种色彩矩阵Cb、Cr:
5) 计算得到的11个矩阵1?、6、8、6四7、!1、5、1、乂、2、〇3、0的一阶矩、二阶矩和三阶矩， 共得到33个实数； 6) 由下式（11)计算色调矩阵H的偏度Co1、峰值ω2、能量ω3、熵ω4，共得到4个实数：
r(i) _ 式中，/HO="Α,，M和N为色调矩阵H的维数,r(i)为色调矩阵H中元素值为i的M -N 数目，μH为色调矩阵H中所有元素的均值； 7)设Δ= {(X，y)|Grap(x，y)〈119}为叶片病斑区域，利用下式（12)计算灰度值矩阵 Grap (x，y)的Λ区域内的正则化中心矩ι?Μ:
P、q为两个正整数，μc为灰度值 矩阵Gray中所有元素的均值； 利用正则化中心距，由下式（13)计算灰度值矩阵Gray的病斑区域的7个不变矩Hu"Hu2、Hu3、Hu4、Hu5、Hu6、Hu7，分别表示为：
8) 对于每一幅作物病害叶片图像，利用式（1)?式（13)得到病斑图像的44个特征值， 将这44个特征值按照先后顺序排列组成一个特征向量，得到每幅图像的特征向量。
【文档编号】G06T7/00GK104463173SQ201410772116
【公开日】2015年3月25日 申请日期:2014年12月12日 优先权日:2014年12月12日
【发明者】张善文, 师韵, 邓海生 申请人:西京学院