一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法

摘要

一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法，先分割黄瓜病害叶片病斑图像，然后进行黄瓜病害叶片图像识别特征提取，再对特征向量进行维数约简，最后进行黄瓜病害识别，本发明克服现有黄瓜病害识别方法和技术因黄瓜病害叶片图像成分复杂、黄瓜病叶上的病斑排列无规则、且颜色深浅不一、不同病种的叶片病斑的形状和颜色也不相同等原因，使得基于叶片的黄瓜病害的识别率不高和识别效果不稳定等问题，具有特征提取速度快、识别率高、识别效果稳定和实用性强等优点。

主权项

1.一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法，其特征在于，包括以下步骤：第一步，分割黄瓜病害叶片病斑图像：首先，将黄瓜病害叶片图像转换为数字图像矩阵；然后，利用闭合运算平滑黄瓜叶片图像边缘，填充叶片病斑内部的缺口，并将叶片病斑的分离部分连接在一起；再对得到的病斑区域进行开启运算，获得叶片病斑区域；最后，将将数学形态学滤波后的黄瓜叶片病斑区域图像与原黄瓜叶片彩色图像进行乘法运算，得到黄瓜病害叶片病斑图像，将得到的病斑图像转换为红、绿、蓝三种基色矩阵R、G、B，设M、N分别为矩阵R、G、B的行数和列数；第二步，黄瓜病害叶片图像识别特征提取：利用下式(1)将R、G、B转换为色调H、亮度S、饱和度I三个矩阵：$\left\{\begin{array}{c}H=\arccos \left\{\frac{[R-G]+[R-B]/2}{\sqrt{{(R-B)}^2+(R-B)(G-b)}}\right\}/360\\ S=\frac{R+G+B}{3}\left[\min (R,G,B)\right]\\ I=\frac{R+G+B}{3}\end{array}\right.---\left(1\right)$利用下式(2)由R、G、B得到病斑的灰度矩阵Gray：Gray＝0.299R+0.587G+0.114B  (2)利用下式(3)由R、G、B计算两种刺激色彩矩阵X、Z：$\left\{\begin{array}{c}X=0.607R+0.174G+0.200B\\ Z=0.066R+1.111B\end{array}\right.---\left(3\right)$利用下式(4)由R、G、B计算YCbCr颜色空间的两种色彩矩阵Cb、Cr：$\left\{\begin{array}{c}\mathrm{Cb}=-0.148R-0.291G+0.439B+128\\ \mathrm{Cr}=0.439R-0.368G-0.071B+128\end{array}\right.---\left(4\right)$任意一个M×N维矩阵J_ij的一阶矩μ₁、二阶矩μ₂和三阶矩μ₂分别表示为：$\left\{\begin{array}{c}{\mu }_1=\frac{1}{M·N}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{J}_{\mathrm{ij}}\\ {\mu }_2={\left[\frac{1}{M·N}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{(J_{\mathrm{ij}}-{\mu }_1)}^2\right]}^{\frac{1}{2}}\\ {\mu }_3={\left[\frac{1}{M·N}\underset{i=1}{\overset{M}{\Sigma }}\underset{i=1}{\overset{N}{\Sigma }}{(J_{\mathrm{ij}}-{\mu }_1)}^3\right]}^{\frac{1}{3}}\end{array}\right.---\left(5\right)$利用式(5)分别计算叶片病斑图像的11个色彩分量R、G、B、H、S、I、Gray、X、Z、Cb、Cr的一阶矩、二阶矩和三阶矩，共得到33个实数，利用下式(6)计算病斑的色调矩阵H的均值、方差、偏度、峰值、能量、熵，分别表示为ω_i(i＝1,2,3,4,5,6)，共得到6个实数：$\left\{\begin{array}{c}{\omega }_1=\underset{b=0}{\overset{L-1}{\Sigma }}\mathrm{b\rho }\left(b\right)\\ {\omega }_2=\underset{b=0}{\overset{L-1}{\Sigma }}{(b-\mu )}^2\rho \left(b\right)\\ {\omega }_3=\frac{1}{{\sigma }^3}\underset{b=0}{\overset{L-1}{\Sigma }}{(b-\mu )}^3\rho \left(b\right)\\ {\omega }_4=\frac{1}{{\sigma }^4}\underset{b=0}{\overset{L-1}{\Sigma }}{(b-\mu )}^4\rho \left(b\right)\\ {\omega }_5=\underset{b=0}{\overset{L-1}{\Sigma }}{\left[\rho \left(b\right)\right]}^2\\ {\omega }_6=-\underset{b=0}{\overset{L-1}{\Sigma }}\rho \left(b\right)\log \left[\rho \left(b\right)\right]\end{array}\right.---\left(6\right)$式中，r(b)为矩阵H中元素值为b的数目，利用下式(7)计算病斑图像转换成灰度图像Gray中叶片病斑区域的p+q级矩M_pq和中心矩μ_pq：$\left\{\begin{array}{c}{M}_{\mathrm{pq}}=\underset{(x,y)\in \Delta }{\Sigma }{x}^p·y^q·\mathrm{Grap}(x,y)\\ {\mu }_{\mathrm{pq}}=\underset{(x,y)\in \Delta }{\Sigma }{(x-\stackrel{-}{x})}^p·{(y-\stackrel{-}{y})}^q\mathrm{Grap}(x,y)\end{array}\right.---\left(7\right)$式中，p、q为两个正整数，Δ＝{(x,y)|Grap(x,y)＜119}为叶片病斑区域，μ_pq正则化后表示为${\eta }_{\mathrm{pq}}=\frac{{\mu }_{\mathrm{pq}}}{{{\mu }_{00}}^{\gamma }}---\left(8\right)$式中，γ＝p+q+1为正则化因子，利用正则化中心距η_pq，由下式(9)计算Gray的病斑区域的7个不变矩，分别表示为Hu_i(i＝1,2,3,4,5,6,7)：$\left\{\begin{array}{c}\mathrm{Hu}1={\eta }_{20}+{\eta }_{02}\\ \mathrm{Hu}2={({\eta }_{20}-{\eta }_{02})}^2+{4\eta }_{11}^2\\ \mathrm{Hu}3={({\eta }_{30}-{3\eta }_{12})}^2+{({\eta }_{03}-{3\eta }_{21})}^2\\ \mathrm{Hu}4={({\eta }_{30}+{\eta }_{12})}^2+{\left({\eta }_{21}\right)}^2\\ \mathrm{Hu}5=({\eta }_{30}-{3\eta }_{12})({\eta }_{30}+{\eta }_{12})[{({\eta }_{30}+{\eta }_{12})}^2-3{({\eta }_{03}+{\eta }_{21})}^2]+\\ ({3\eta }_{21}-{\eta }_{03})({\eta }_{21}+{\eta }_{03})[3{({\eta }_{30}+{\eta }_{21})}^2-{({\eta }_{03}+{\eta }_{21})}^2]\\ \mathrm{Hu}6=({\eta }_{20}-{\eta }_{02})[{({\eta }_{30}+{\eta }_{21})}^2-{({\eta }_{03}+{\eta }_{21})}^2]+{4\eta }_{11}({\eta }_{30}+{\eta }_{12})({\eta }_{03}+{\eta }_{21})\\ \mathrm{Hu}7=({3\eta }_{21}-{\eta }_{03})({\eta }_{30}+{\eta }_{12})[{({\eta }_{30}+{\eta }_{12})}^2-{3({\eta }_{03}+{\eta }_{21})}^2]+\\ ({3\eta }_{12}-{\eta }_{30})({\eta }_{21}+{\eta }_{03})[3{({\eta }_{30}+{\eta }_{12})}^2-{({\eta }_{03}+{\eta }_{21})}^2]\end{array}\right.---\left(9\right)$由上面公式(1)到(9)能够得到每一幅黄瓜病害叶片图像的46个特征值，把这46个特征值按照先后顺序排列组成一个特征向量T；第三步，对特征向量进行维数约简：按照上面的第一步计算所有黄瓜病害叶片图像对应的特征向量，对其进行维数约简，设有K类n幅黄瓜病害叶片图像{Im₁,Im₂,...,Im_n}，类别编号记为C₁,C₂,...,C_K，其中C_i类叶片图像共有n_i幅，{Im₁,Im₂,...,Im_n}对应的特征向量集合记为{T₁,T₂,...,T_n}，n个特征向量{T₁,T₂,...,T_n}的平均值为$\stackrel{-}{T}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{T}_i---\left(10\right)$第C_i类n_i个特征向量的平均值为$\overline{T_{C_i}}=\frac{1}{n_i}\underset{X_j\in C_i}{\Sigma }{T}_j---\left(11\right)$类间散度矩阵S_B和类内散度矩阵S_W分别定义为$\left\{\begin{array}{c}{S}_B=\underset{i=1}{\overset{K}{\Sigma }}{N}_i\left|\right|\overline{T_{C_i}}-\bar{T}\left|\right|\\ S_W=\underset{i=1}{\overset{K}{\Sigma }}\underset{X_j\in C_i}{\Sigma }\left|\right|T_j-\overline{T_{C_i}}\left|\right|\end{array}\right.---\left(12\right)$式中，||·||表示计算欧氏距离，由S_B和S_W建立目标优化函数求解式(13)，计算(S_B-S_W)a＝λa的最大的d个特征值对应的约简特征向量a₁,a₂,...,a_d，其中λ为特征值，d为低维特征向量的维数，由a₁,a₂,...,a_d组成一个投影矩阵A＝[a₁,a₂,...,a_d]，由A对n个叶片病斑图像的特征向量集{T₁,T₂,...,T_n}进行维数约简得低维识别特征向量集{Y₁,Y₂,...,Y_n}，其中Y_i＝A^转置T_i(i＝1,2,...,n)，由下式(14)对任意一幅叶片图像的特征向量T进行维数约简，得低维识别特征向量Y，Y＝A^转置T  (14)将得到的用于训练分类器的黄瓜病害叶片图像的低维识别特征向量输入到识别模板数据库，每个叶片图像的低维识别特征向量与预先存入系统的黄瓜病斑信息相对应；第四步，黄瓜病害识别：将模板数据库中的数据输入到最近邻分类器，训练该分类器，然后将待测试的黄瓜叶片图像的低维识别特征向量输入到最近邻分类器，找出1个最近邻点中同一类别点数最多的类别作为待测试病害叶片的类别。