本发明涉及属于森林经理和森林经营领域,尤其涉及一种灰斑病危害程度的确定方法和装置。
背景技术:
在森林经理和森林经营领域,有诸多森林病虫害会导致叶子发生变化,如,在森林虫害过程中,树叶会被害虫吃掉,在森林病害过程中,树叶会枯萎。总之,由于森林经常发生病虫害,并且需要对病虫害程度进行预测,才能根据预测的病虫害程度采取相应的防治措施。
例如,檀香是珍贵树种,其木质均匀细腻,又有独特的芳香,在制香方面历来被奉为珍品。由于檀香极高的经济价值和药用价值,近年来华南等地得到了大量栽植。檀香是一种半寄生常绿乔木,而且在气温或者环境不宜等情况下,檀香易受到危害根部的苗立枯病、根腐病以及危害叶片的叶灰斑病、白粉病、桑寄生粉蝶、金龟子和危害茎干的咖啡豹蠹蛾的危害,其中叶灰斑病较为普遍且影响光合作用,进而严重危害檀香的生长,所以,实时监测檀香叶片灰斑病并及时采取相应措施是关系到檀香经营失败的重要手段。
尽管现有技术可获得大量的图像数据,但还没有方法根据这些图像数据对叶灰斑病的危害程度做出预估,所以如何根据复杂背景下的檀香叶片的图像数据对叶灰斑病的危害程度做出预估是目前急待解决问题。
技术实现要素:
本发明的实施例提供了一种檀香叶片灰斑病危害程度的确定方法和装置,可实现对灰斑病危害程度的预测。
本发明的实施例提供了一种檀香叶片灰斑病危害程度的确定方法,包括:
获取整棵树图像;
从整棵树图像中分割叶片图像;
根据叶片图像确定颜色特征和纹理特征;
根据檀香叶片灰斑病危害程度预估模型、颜色特征和纹理特征确定灰斑病危害程度。
所述获取整棵树图像包括:使用野外伺服仪获取每棵檀香树的图像数据,拍摄时采用定焦镜头并使用大光圈,从06:00—18:00,每小时获取一次图像,并实时传输到服务器。
所述从整棵树图像中分割叶片图像具体包括:
对图像进行高斯高通滤波;
使用otsu法得到二值图;
结合7×7模板的中值滤波以及使用半径为2的圆形结构元素进行形态学腐蚀和膨胀运算得到掩膜图像;
将掩膜图像与原图相乘得到复杂背景下含有枝干的檀香叶片图像;
将图像转换到lab系统,提取l分量,使用otsu法得到二值图;
使用7×7模板的中值滤波进行平滑处理,然后使用半径为2的圆形结构元素腐蚀膨胀各2次;
将上述图像与原图像相乘得到复杂背景下不含枝干的檀香叶片图像。
所述根据叶片图像确定颜色特征和纹理特征具体包括:
从叶片图像中确定颜色特征,所述颜色特征包括g均值/(r均值+g均值+b均值)、l分量均值、b分量均值;
所述纹理特征包括相关性均值分量。
在执行步骤根据叶片图像确定颜色特征和纹理特征过程中,还执行步骤:将图像的灰度级压缩为16级,步长选择1,方向为0°,45°,90°和135°;计算四个方向的上的均值和方差得到8维纹理特征向量。
所述根据檀香叶片灰斑病危害程度预估模型、颜色特征和纹理特征确定灰斑病危害程度的步骤具体包括:
檀香叶片灰斑病危害程度预估模型为:
y=a1x1+a2x2+a3lnx3+a4lnx4+a5,
其中,y代表灰斑病危害程度,x1为g均值/(r均值+g均值+b均值),x2为l分量均值,x3为b分量均值,x4为纹理特征中的相关性均值;该模型中,a1=16.736,a2=-0.042,a3=0.294,a4=0.124,a5=2.343。
本发明的实施例还提供了一种檀香叶片灰斑病危害程度的确定装置,包括:
获取单元,用于整棵树图像;
分割单元,用于从整棵树图像中分割叶片图像;
获得单元,用于根据叶片图像确定颜色特征和纹理特征;
确定单元,用于根据檀香叶片灰斑病危害程度预估模型、颜色特征和纹理特征确定檀香叶片灰斑病危害程度。
所述获取单元为野外伺服仪,每台野外伺服仪包括相机,相机在水平方向可以进行360°旋转,垂直方向可以进行180°旋转。
本发明的技术效果是经营者可以通过野外伺服仪传回的图像来估算檀香叶片灰斑病危害程度,科学的判断每棵檀香树的病害情况,并根据受灾程度的不同实施不同的治疗方案,在控制并治疗病害的同时,做到对檀香树的物理和化学伤害最小,进而保证檀香的存活率和生长质量。此方法从图像分析角度实现了檀香灰斑病害程度的估测,速度快,精度高,极其适用于檀香珍贵树种培育。
附图说明
当结合附图考虑时,通过参照下面的详细描述,能够更完整更好地理解本发明以及容易得知其中许多伴随的优点,但此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的限制,其中:
图1为本发明实施例的灰斑病危害程度的确定方法的流程图;
图2为本发明实施例的从整棵树图像中提取叶片图像的流程。
具体实施方式
为了便于本领域一般技术人员理解和实现本发明,现结合附图描绘本发明的实施例。
显然,本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
实施例一
物联网的提出与发展为各行各业提供了方便,林业物联网技术也为林业实时监测提供了新的方法。试验在海南省北部六个县市(云龙、龙州、枫木、龙泉、文教、文昌)栽植檀香的林内布设多台野外伺服仪,每台设备上的相机在水平方向可以进行360°旋转,垂直方向可以进行180°旋转,同时,每台原野服务器由空气温度传感器、空气湿度传感器、土壤温度传感器以及无线局域网模型等组成,从06:00—18:00,每小时获取一次图像,并实时传输到服务器。拍摄时采用定焦镜头并使用大光圈,图像大小为1024×768像素。
在图像处理领域中,图像分割一直是图像理解的重点与难点,也是计算机视觉技术的基础,经过几十年的发展,图像分割技术有众多算法,但总体可以归为四类:阈值分割算法、空间聚类分割算法、基于区域的分割算法和基于活动轮廓模型的分割算法。尽管图像分割算法有很多,但檀香生长环境复杂,并且寄主植物对背景的分割造成了较大的影响,所以优化算法仅仅是一方面,另一方面也要对获取图像的硬件设施进行调整。
如图1所示,本发明的实施例以檀香为例说明檀香叶片灰斑病危害程度的确定方法和装置。通过本发明的檀香叶片灰斑病危害程度的确定方法和装置,可以准确预测檀香叶片灰斑病危害程度,从而科学的针对每一棵檀香树进行防治,进而保证檀香的存活率和生长质量。
所述檀香叶片灰斑病危害程度的确定方法包括:获取檀香树图像(以整棵树为单位);从檀香树图像中分割檀香叶片图像;根据分割的檀香叶片图像确定灰斑病危害程度预测参数,所述参数包括颜色特征和纹理特征;根据檀香叶片灰斑病危害程度预估模型确定灰斑病危害程度。下面结合图描述本发明的檀香叶片灰斑病危害程度的确定方法:
步骤101:获取檀香树图像,其具体包括:
在栽植檀香的林内布设多台野外伺服仪,每台设备上的相机在水平方向可以进行360°旋转,垂直方向可以进行180°旋转,同时,每台原野服务器由空气温度传感器、空气湿度传感器、土壤温度传感器以及无线局域网模型等组成,从06:00—18:00,每小时获取一次图像,并实时传输到服务器。拍摄时采用定焦镜头并使用大光圈,图像大小为1024×768像素。
步骤102、从檀香树图像中分割檀香叶片图像,其具体包括如下步骤:
对图像进行高斯高通滤波;
使用otsu法得到二值图;
结合7×7模板的中值滤波以及使用半径为2的圆形结构元素进行形态学腐蚀和膨胀运算得到掩膜图像;
将掩膜图像与原图相乘得到含有枝干的檀香叶片图像;
将图像转换到lab系统,提取l分量,使用otsu法得到二值图;
使用7×7模板的中值滤波进行平滑处理,然后使用半径为2的圆形结构元素腐蚀膨胀各2次;
将上述图像与原图像相乘得到不含枝干的檀香叶片图像;
步骤103、根据分割的檀香叶片图像确定灰斑病危害程度预测参数,所述参数包括颜色特征和纹理特征,其具体包括:
计算颜色特征值;
计算纹理特征值;
分析颜色特征与纹理特征与受损程度的相关性,进行变量筛选;
使用photoshop软件对图像进行病斑去除,计算病斑去除后的像素数p1与完整叶片的像素数p2之间的比值,作为受损率。
所述计算颜色特征值具体包括:
对获得的檀香叶片图像计算颜色特征,包括三种颜色系统,rgb、hsi和lab。计算各通道的颜色均值,其中,由于rgb颜色系统受光照影响比较大,所以计算r均值/(r均值+g均值+b均值)、g均值/(r均值+g均值+b均值)、b均值/(r均值+g均值+b均值)代替rgb各分量均值,最终得到9维颜色特征。
其中
i=(r+g+b)/3
l=116×(y/y0)1/3-16
a=500×[(x/x0)1/3-(y/y0)1/3]
b=200×[(y/y0)1/3-(z/z0)1/3]
其中:x=0.5164r+0.2789g+0.1792b
y=0.2963r+0.6192g+0.0845b
z=0.0339r+0.1426g+1.0166b
式中:r、g、b的取值为0~100,x0、y0、z0为标准光源d65的三基色刺激值,其值为x0=95.045、y0=100、z0=108.255。
所述计算纹理特征值具体包括:
灰度共生矩阵可以提取出14种纹理特征,分别为纹理二阶距、纹理熵、纹理对比度、纹理均匀性、纹理相关、逆差分距、最大概率、纹理方差、共生和均值、共生和方差、共生和熵、共生差均值、共生差方差、共生差熵。对这些纹理特征进行了测试,最终选出较好的能量值、熵值、对比度、相关性四种纹理特征作为进一步研究的参数。
在利用灰度共生矩阵计算特征值时,使用matlab工具首先将彩色图像转换为灰度图像,然后进行灰度级稀疏化和纹理参数计算。由于图像灰度共生矩阵的计算量是由图像的灰度级以及图像的大小决定的,而试验选取的样本像素大小固定不变,所以在不影响纹理特征的前提下需要将灰度级进行压缩,通常将256级压缩为8级或16级,在本申请中压缩到16级。对图像进行预处理后,进行灰度共生矩阵特征值的计算。提取不具有共线性的4种纹理特征,分别为能量、熵值、对比度和相关性;提取过程中为减少计算量,将图像的灰度级压缩为16级,步长选择1,方向为0°,45°,90°和135°;计算四个方向的上的均值和方差得到8维纹理特征向量;
所述分析颜色特征与纹理特征与受损程度的相关性,进行变量筛选具体包括:
通过显著性检验,选择在0.01水平两侧显著相关的变量,并进行初步拟合(包括线性、指数类型、对数类型、幂函数类型),筛选出相关系数在0.8以上的变量:g均值/(r均值+g均值+b均值)、l分量均值、b分量均值和相关性均值。
步骤104、根据檀香叶片灰斑病危害程度预估模型确定灰斑病危害程度:
将上述步骤中提取出的颜色特征和纹理特征作为自变量,灰斑病危害程度作为因变量建立灰斑病危害程度模型,样本数假设为50;
模型的形式为:
y=a1x1+a2x2+a3lnx3+a4lnx4+a5
其中y代表灰斑病危害程度,x1代表g均值/(r均值+g均值+b均值),x2代表l分量均值,x3代表b分量均值,x4代表相关性均值。
该模型中,a1=16.736,a2=-0.042,a3=0.294,a4=0.124,a5=2.343。使用该模型得到的相关系数可以达到0.969,具有较高的拟合程度。
随机选择30个样本对模型进行检验,所得测试样本的相关系数为0.92,均方根误差为0.04632,说明模型的可用性较高;
如图2所示,本实施例提供了在复杂背景下获得檀香叶片图像的方法,包括如下步骤:
步骤201、对图像进行高斯高通滤波;
步骤202、使用otsu法得到二值图;
步骤203、结合7×7模板的中值滤波以及使用半径为2的圆形结构元素进行形态学腐蚀和膨胀运算得到掩膜图像;
步骤204、将掩膜图像与原图相乘得到复杂背景下含有枝干的檀香叶片图像;
步骤205、将图像转换到lab系统,提取l分量,使用otsu法得到二值图;
步骤206、使用7×7模板的中值滤波进行平滑处理,然后使用半径为2的圆形结构元素腐蚀膨胀各2次;
步骤207、将上述图像与原图像相乘得到复杂背景下不含枝干的檀香叶片图像;
下面分别介绍上述各个步骤。
在步骤201-204中,完成了带有枝干的檀香叶片的图像分割。首先对图像进行高斯高通滤波。由于野外伺服仪的图像获取装置设置为大光圈,得到的背景模糊,所以使用高斯高通滤波可以将低频的背景去除掉。otsu法以及中值滤波、形态学腐蚀与膨胀运算将毛刺去除并得到掩膜图像,将掩膜图像与原图相乘得到含有枝干的檀香叶片。
步骤205-207中,完成了枝干的去除。lab系统受光照影响较小,同时枝干和叶片在l通道(亮度)表现出不同,所以将图像转换到lab系统,提取l分量,使用otsu法得到二值图,同样,中值滤波、形态学腐蚀与膨胀运算将毛刺去除并得到掩膜图像,最终将掩膜图像与原图相乘得到不含枝干的檀香叶片。
实施例二
本实施例提供了一种檀香叶片灰斑病危害程度的确定装置,包括:
获取单元,用于整棵树图像;
分割单元,用于从整棵树图像中分割叶片图像;
获得单元,用于根据叶片图像确定颜色特征和纹理特征;
确定单元,(根据檀香叶片的颜色特征和纹理特征构建灰斑病危害程度模型,从而确定灰斑病危害程度。)。
所述获取单元为野外伺服仪,每台野外伺服仪包括相机,相机在水平方向可以进行360°旋转,垂直方向可以进行180°旋转。
本实施例的各个单元的工作原理可参见实施例一的描述。
虽然通过实施例描绘了本发明,但本领域普通技术人员知道,在不脱离本发明的精神和实质的情况下,就可使本发明有许多变形和变化,本发明的范围由所附的权利要求来限定。