植物叶片受害症状的自动识别方法

摘要

一种植物叶片受害症状的自动识别方法，它包括以下步骤：1)获取目标叶片图像；2)目标叶片图像处理；3)进行图像微分和区域标准色值分析；4)根据区域图像标准色值进行二次函数回归分析和回归参数计算；5)用方差分析法进行阈值参数的计算；6)用优化参数进行目标叶片受害症状判别分析。本发明通过应用图象测量和计算机识别技术实现了植物叶片“∧”和“∨”型受害症状的自动判别，通过受害症状来确定其受害机理，对准确定量地判别“∧”和“∨”型受害症状及其受害根源具有重要的指导作用；有利于解决目前植物叶片受害症状在科研和生产中的不确定性和争议；对于自动化判别植物叶片气象等灾害和病害具有重要理论和实际意义。

主权项

植物叶片受害症状的自动识别方法，其特征是，包括以下步骤：1)获取目标叶片图像以白色复印纸为背景，在光线良好的顺光条件下离体或活体拍摄而得到的高分辨率、叶尖向上的公正RGB图像；2)目标叶片图像处理首先运行识别程序并赋值微分块数、微分方向、边缘处理方式等参数，并对参数有效性判别后打开图像，然后分析计算目标叶片图像每一像素的R、G、B和L值最后检查目标叶片图像的有效色值范围；3)进行图像微分和区域图像标准色值分析首先对目标叶片图像从左向右按等距离进行纵向微分得△X,然后根据公式(1)计算每个△X段的R,G,B以及L色彩平均值和G/L值，SDG_i＝100×(G/L_i‑G/L_min)/(G/L_max‑G/L_min)    (1)式中，SDGi为第i分段的标准色值，G/Li为第i单元的色值比，G/Lmin为单元色值之极小值，G/Lmax为单元色值的极大值；4)根据区域图像标准色值进行二次函数回归分析和回归参数计算以标准色值为y轴，叶片微分单元为X轴构建二次曲线函数：y＝aX²+bX+c    (2)式中，a为二次项系数、b为一次项系数、c为常数项，且a≠0，求解式(2)的导函数式：2aX+b＝0    (3)并判别式(3)在等于零时的极值：X＝‑b/2a    (4)式中，5)用方差分析法进行阈值参数的计算对目标叶片图像从上向下按等距离进行横向微分并按步骤3)进行图像微分和区域图像标准色值计算，对起始点进行位移若干像素后重复计算3到5次，以此为基础，进行方差阈值分析；目标叶片图像横向微分后的阈值Ts由式(5)进行判别：Ts(i)＝Minimum{(Gx(1),Gx(2),……Gx(n)}    (5)式中,n是微分的块数，通过式(6)可求得Gx(1),Gx(2),……Gx(n)：Gx(1)＝Fx(1)+Fy(n),Gx(2)＝Fx(2)+Fy(n‑1),……Gx(n)＝Fx(n)+Fy(1)    (6)而Fx(m)和Fy(m)可由式(7)和式(8)计算得到：$\mathrm{Fx}\left(m\right)=(m\underset{i=1}{\overset{k}{\Sigma }}{({\bar{x}}_i-\bar{x})}^2/k-1)/(\underset{i=1}{\overset{k}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{(x_{\mathrm{ij}}-{\bar{x}}_i)}^2/k(m-1))---\left(7\right)$$\mathrm{Fy}\left(m\right)=(m\underset{i=1}{\overset{k}{\Sigma }}{({\bar{x}}_i-\bar{x})}^2/k-1)/(\underset{i=1}{\overset{k}{\Sigma }}\underset{j=n}{\overset{1}{\Sigma }}{(x_{\mathrm{ij}}-{\bar{x}}_i)}^2/k(m-1))---\left(8\right)$式中，m＝1,2……n，Fx(m)是以阈值为分界点叶片上部和下部标准色值间方差分析结果的F值，Fx(m)是叶片上部和下部标准色值方差分析结果的F值，X_ij是在i重复和j分块的标准色值，是i重复的标准色值平均值，是标准色值的总体平均值，k为重复次数；6)用优化参数进行目标叶片受害症状判别分析构建三组分段判别函数，如式(9)所示：$f_l(a,R,-b/2a\bar{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\ln q_l+C_{l0}+\underset{i=1}{\overset{3}{\Sigma }}{C}_{\mathrm{li}}\mathrm{xi}---\left(9\right)$式中，a为二次函数的二次项系数、R为二次函数的相关系数、为极值比、是标准色值的总体平均值、Ts为方差分析法获得的阈值、Fv为阈值两侧标准色值的方差分析F值、Mv为阈值两侧平均标准色值比；q_l为样叶频率项、C_l0为判别函数的常数项、C_l1为判别函数的系数项、x_i判别函数的自变量向量；根据式(9)进行判别：如果$f_1(a,R,-b/2a\bar{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\underset{1<=l<=m}{\max }{f}_l(a,R,-b/2a\bar{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})\}$则归为“∧”型受害症状组，如果$f_2(a,R,-b/2a\bar{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\underset{1<=l<=m}{\max }{f}_l(a,R,-b/2a\bar{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})\}$则归为“∨”型受害症状组，如果$f_3(a,R,-b/2a\bar{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})=\underset{1<=l<=m}{\max }{f}_l(a,R,-b/2a\bar{x},\mathrm{Ts},\mathrm{Fv},\mathrm{Mv})\}$则归为其他症状组；其中，m＝3。