matlab图像处理的植物叶片病害检测研究(源码)
摘要：近年来，计算机图像处理在农业信息处理、植物病害诊断、智能控制及系统建模等领域得到越来越广泛的应用。植物病害图像分类识别更是近年来研究的热点之一。本文首先介绍了图像预处理知识，接着阐述了图像分割技术，分别研究了基于阈值的迭代阈值分割和OTSU阈值分割2种分割技术。再阐述了图像特征提取的基本方法，分别研究了基于纹理和形状的图像特征提取,并在此基础上研究了基于两种特征相结合的特征提取。最后以黄瓜霉菌病和苹果锈病为例通过Kohonen神经网络方法和支持向量机方法达到识别的目的。对两种分类识别方法的步骤及效果做了一个对比，实验结果表明，Kohonen神经网络的识别率更高而且系统更加稳定。
目录
摘要 1
关键词 1
Abstract 1
Keywords 1
1 课题背景 1
1.1 问题的提出 1
1.2 国内外研究状况 2
1.2.1 国外研究状况 2
1.2.2 国内研究状况 2
2 开发平台及应用技术 3
2.1 Matlab系统简介 3
3 系统简介 4
4 图像预处理 4
4.1 图像灰度化 4
4.2 滤波处理 5
4.2.1 平均滤波 5
4.2.2 均值滤波 5
4.2.3 开闭滤波 5
5 植物叶片病害图像分割 6
5.1 图像分割方法 6
5.1.1 OTSU分割 8
5.1.2 迭代法分割 9
6 植物叶片病害图像特征提取 12
6.1 纹理特征提取 12
6.2 形状特征提取 18
7 植物叶片病害图像分类识别 22
7.1 神经网络分类识别 22
7.1.1 Kohonen神经网络概述 22
7.1.2 Kohonen神经网络实现 23
7.2 支持向量机分类识别 24
*好棒文|www.hbsrm.com +Q: ^351916072*
7.2.1 支持向量机概述 25
7.2.2 支持向量机实现 25
8 实验结果分析 28
致谢 30
参考文献 31
基于Matlab图像处理的植物叶片病害检测研究
引言
1课题背景 农作物是人类生活中必须要用到的再生资源，但是在种植农作物时，会发现种植的农作物很容易被各种环境因素影响，尤其是其中一些不良因素，如长期下雨，暴晒，昆虫等会导致农作物患病。农作物所患病害正确快速识别在农业生产中成为必须要面对的问题。近年来，计算机图像处理在农业信息处理、植物病害诊断、智能控制及系统建模等领域得到越来越广泛的应用。对农作物病害诊断识别[1]方面的研究有很好借鉴作用。根据农作物染病时病斑所显现的特征如纹理、形状等特征，如果能用计算机图像分析技术进行农作物病害的病种的判别，就可以减少农业生产者的损失，减少农药对农产品和环境的影响，从经济方面和环境方面对社会产生深远的影响。
1.1 问题的提出 本研究以提高计算机对农作物病害图像识别的准确率和效率为目标，研发切实可行的植物叶部病害识别系统。以苹果锈病、黄瓜霉菌病病害为研究对象，对植物叶部病害的图像进行预处理、图像分割、特征提取、病害诊断识别。以快速准确地判别农作物病害的种类，让农作物病害预防有计可施，为患病植物病害有效医治提供有用的建议，为农作物生长状态自动化监测、农作物病害远程诊断提供理论依据和技术支持。
1.2 国内外研究现状 在农产品及叶部病害检测研究方面，就几个关键技术而言，国外以特征提取及模式识别两方面的研究居多。国内在图像分割，特征提取，模式识别三个方面的研究成果都颇为丰富，对关键步骤的每一项具体的技术大都进行了深入的研究。 1.2.1 国外研究现状 穗波信雄等研究了茨菇叶片病害判别，用颜色空间 RGB 模型的 R、G、B 二体直方图分析了菇叶片正常和患病的颜色特征，利用计算机图像处理技术分别对缺乏钙、铁、镁营养元素的茨菇叶片进行识别[2]。 Pydipati 等用基于 HIS 颜色模型下用颜色共生矩阵获取纹理特征，使用 Canny 边缘检测算子进行边缘检测，实现了柑桔病害的分类识别，准确率达到 96%[3]。Yuataka Sasaki 采用遗传算法，从分光反射特性和形状特性的角度建立了识别参数，研究了黄瓜炭疽病的病害分类识别，效果十分理想[4]。 Karimi等使用支持向量机技术检测玉米的茎压和氮压，完成了可以根据相应的指数来指导氮肥的施用量[5]。Sanyal 等选用神经网络对水稻稻瘟病、胡麻斑病和正常叶片进行了识别，识别率为89.26%[6]。Pydipati 等使用广义二乘矩判别式分类器进行柑桔病害的识别，准确率达到 96%[3]。Burks等采用穷举搜索法选择了通过彩色共生矩阵所提取的纹理特征[7]。Somol等采用实现了特征的预选，然后基于应用高斯分类器浮动搜索最优特征参数[8]。 1.2.2 国内研究现状 陈兵旗等通过小波变换和纹理矩阵计算，重点对小麦病害部位进行计算。得到叶部病害处的二值图像是通过自动阈值；通过二值图像与原图像的匹配，计算出病害部位的颜色特征值；以等待测试的病害图像与数据库病害图像之间颜色特征值差值最小为原则，找到库存病害图像[9]。田有文等利用高光谱图像采集系统获取黄瓜霜霉病、白粉病病叶的高光谱图像数据，在 450～900nm 范围内的高光谱图像数据中，选出特征波长下的图像；然后对该图像进行去噪并提取黄瓜病叶的色度矩纹理特征向量；并以此特征参数对黄瓜病害进行诊断，黄瓜病叶的正确诊断率达 100%[10]。 基于分类器的识别是利用收集好的数据库的病害类型对未知样本进行识别，基于分类器的识别技术包括支持向量机识别模型、神经网络模型、统计分类模型等[11]。任东等提取了辣椒霜霉病、角斑病、白粉病的HIS颜色空间图像特征，输入到支持向量机进行识别，不同试验结果显示径向基核函数的SVM的分类率达到了90%以上，分类率最高[12]。旁俊龙等使用遗传算法优化人工神经网络，并对番茄生理病害果进行识别。首先，获取番茄的图像后，分别利用番茄图像的圆度值和果径变化特征判别空洞果和变形果。其次，采用经过遗传算法优化的人工神经网络实现了番茄病害果的识别[13]。
大量国内外学者在植物病害分割技术、特征提取技术及病害诊断识别方面进行了研究，取得不少成果，包括农业病害识别的关键技术病斑的准确分割技术，有效特征的提取技术，以及准确、高效的病害诊断识别技术。但仍存在一些问题需要进一步研究和完善，主要表现在以下几个方面：
尽管图像分割技术的研究已经出现了一些成熟的分割算法，但仍然存在算法可扩展性差的问题，不能适应农业图像复杂背景下感兴趣病斑区域准确的提取。
目录
摘要 1
关键词 1
Abstract 1
Keywords 1
1 课题背景 1
1.1 问题的提出 1
1.2 国内外研究状况 2
1.2.1 国外研究状况 2
1.2.2 国内研究状况 2
2 开发平台及应用技术 3
2.1 Matlab系统简介 3
3 系统简介 4
4 图像预处理 4
4.1 图像灰度化 4
4.2 滤波处理 5
4.2.1 平均滤波 5
4.2.2 均值滤波 5
4.2.3 开闭滤波 5
5 植物叶片病害图像分割 6
5.1 图像分割方法 6
5.1.1 OTSU分割 8
5.1.2 迭代法分割 9
6 植物叶片病害图像特征提取 12
6.1 纹理特征提取 12
6.2 形状特征提取 18
7 植物叶片病害图像分类识别 22
7.1 神经网络分类识别 22
7.1.1 Kohonen神经网络概述 22
7.1.2 Kohonen神经网络实现 23
7.2 支持向量机分类识别 24
*好棒文|www.hbsrm.com +Q: ^351916072*
7.2.1 支持向量机概述 25
7.2.2 支持向量机实现 25
8 实验结果分析 28
致谢 30
参考文献 31
基于Matlab图像处理的植物叶片病害检测研究
引言
1课题背景 农作物是人类生活中必须要用到的再生资源，但是在种植农作物时，会发现种植的农作物很容易被各种环境因素影响，尤其是其中一些不良因素，如长期下雨，暴晒，昆虫等会导致农作物患病。农作物所患病害正确快速识别在农业生产中成为必须要面对的问题。近年来，计算机图像处理在农业信息处理、植物病害诊断、智能控制及系统建模等领域得到越来越广泛的应用。对农作物病害诊断识别[1]方面的研究有很好借鉴作用。根据农作物染病时病斑所显现的特征如纹理、形状等特征，如果能用计算机图像分析技术进行农作物病害的病种的判别，就可以减少农业生产者的损失，减少农药对农产品和环境的影响，从经济方面和环境方面对社会产生深远的影响。
1.1 问题的提出 本研究以提高计算机对农作物病害图像识别的准确率和效率为目标，研发切实可行的植物叶部病害识别系统。以苹果锈病、黄瓜霉菌病病害为研究对象，对植物叶部病害的图像进行预处理、图像分割、特征提取、病害诊断识别。以快速准确地判别农作物病害的种类，让农作物病害预防有计可施，为患病植物病害有效医治提供有用的建议，为农作物生长状态自动化监测、农作物病害远程诊断提供理论依据和技术支持。
1.2 国内外研究现状 在农产品及叶部病害检测研究方面，就几个关键技术而言，国外以特征提取及模式识别两方面的研究居多。国内在图像分割，特征提取，模式识别三个方面的研究成果都颇为丰富，对关键步骤的每一项具体的技术大都进行了深入的研究。 1.2.1 国外研究现状 穗波信雄等研究了茨菇叶片病害判别，用颜色空间 RGB 模型的 R、G、B 二体直方图分析了菇叶片正常和患病的颜色特征，利用计算机图像处理技术分别对缺乏钙、铁、镁营养元素的茨菇叶片进行识别[2]。 Pydipati 等用基于 HIS 颜色模型下用颜色共生矩阵获取纹理特征，使用 Canny 边缘检测算子进行边缘检测，实现了柑桔病害的分类识别，准确率达到 96%[3]。Yuataka Sasaki 采用遗传算法，从分光反射特性和形状特性的角度建立了识别参数，研究了黄瓜炭疽病的病害分类识别，效果十分理想[4]。 Karimi等使用支持向量机技术检测玉米的茎压和氮压，完成了可以根据相应的指数来指导氮肥的施用量[5]。Sanyal 等选用神经网络对水稻稻瘟病、胡麻斑病和正常叶片进行了识别，识别率为89.26%[6]。Pydipati 等使用广义二乘矩判别式分类器进行柑桔病害的识别，准确率达到 96%[3]。Burks等采用穷举搜索法选择了通过彩色共生矩阵所提取的纹理特征[7]。Somol等采用实现了特征的预选，然后基于应用高斯分类器浮动搜索最优特征参数[8]。 1.2.2 国内研究现状 陈兵旗等通过小波变换和纹理矩阵计算，重点对小麦病害部位进行计算。得到叶部病害处的二值图像是通过自动阈值；通过二值图像与原图像的匹配，计算出病害部位的颜色特征值；以等待测试的病害图像与数据库病害图像之间颜色特征值差值最小为原则，找到库存病害图像[9]。田有文等利用高光谱图像采集系统获取黄瓜霜霉病、白粉病病叶的高光谱图像数据，在 450～900nm 范围内的高光谱图像数据中，选出特征波长下的图像；然后对该图像进行去噪并提取黄瓜病叶的色度矩纹理特征向量；并以此特征参数对黄瓜病害进行诊断，黄瓜病叶的正确诊断率达 100%[10]。 基于分类器的识别是利用收集好的数据库的病害类型对未知样本进行识别，基于分类器的识别技术包括支持向量机识别模型、神经网络模型、统计分类模型等[11]。任东等提取了辣椒霜霉病、角斑病、白粉病的HIS颜色空间图像特征，输入到支持向量机进行识别，不同试验结果显示径向基核函数的SVM的分类率达到了90%以上，分类率最高[12]。旁俊龙等使用遗传算法优化人工神经网络，并对番茄生理病害果进行识别。首先，获取番茄的图像后，分别利用番茄图像的圆度值和果径变化特征判别空洞果和变形果。其次，采用经过遗传算法优化的人工神经网络实现了番茄病害果的识别[13]。
大量国内外学者在植物病害分割技术、特征提取技术及病害诊断识别方面进行了研究，取得不少成果，包括农业病害识别的关键技术病斑的准确分割技术，有效特征的提取技术，以及准确、高效的病害诊断识别技术。但仍存在一些问题需要进一步研究和完善，主要表现在以下几个方面：
尽管图像分割技术的研究已经出现了一些成熟的分割算法，但仍然存在算法可扩展性差的问题，不能适应农业图像复杂背景下感兴趣病斑区域准确的提取。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/2290.html
