番茄叶片图像特征的钙营养检测(附件)
摘要：以番茄苗期叶片图像为研究对象，运用数字图像处理技术与数据分析方法对番茄的钙营养水平进行检测。采用统计算法和百分率直方图方法提取图像颜色特征，采用小波变换和灰度共生矩阵方法提取图像纹理特征。运用显著性检验方法对提取出的图像特征进行筛选，然后用筛选出的典型图像特征做逐步线性回归分析，并建立钙素营养水平预测模型，最后用实测钙含量对线性预测模型精度进行了验证与分析。图像特征提取与筛选采用Matlab2010，数据分析采用SPSS20。
目录
摘要1
关键词1
Abstract1
Key words1
引言1
1选题背景2
1.1 本课题的意义及目的2
1.2 国内外研究现状2
1.3论文的主要工作2
2 图像预处理及特征提取2
2.1 颜色模型的选择2
2.2用统计算法提取颜色特征2
2.3 用百分率直方图法提取颜色特征4
2.3.1百分率直方图法的定义4
2.3.2颜色值范围的确定7
2.3.3实验结果8
2.4 小波变换提取纹理特征9
2.4.1基于小波变换的纹理特征提取10
2.4.2小波分解能量百分比法10
2.5灰度共生矩阵法提取纹理特征10
3图像特征筛选及钙营养检测12
3.1用显著性检验法筛选颜色特征 12
3.1.1筛选颜色特征12
3.1.2筛选纹理特征13
3.2对颜色特征与钙含量进行线性回归分析 13
3.3番茄钙营养检测及模型验证17
4总结18
致谢19
参考文献19
基于番茄叶片图像特征的钙营养检测
引言
在实际的农业栽培中经常出现作物缺乏某一种或多种营养元素的现象，这会严重影响作物质量和产量，甚至绝产。在作物苗期，这种现象很难通过肉眼辨别，即使是专家也很难确诊。相对而言，近几年来发展起来的基于计算机图像处理技术的作物营养诊断方法有可能成为一种快速、低成本、结果可靠、无损的营养诊断方式
*好棒文|www.hbsrm.com +Q: %3^5`1^9`1^6^0`7^2#
。迄今为止，将计算机图像处理技术运用于番茄钙营养检测的研究相对较少。提取番茄叶片图像的特征，筛选出典型特征与番茄钙含量做线性回归分析，建立番茄钙营养预测模型，可以为番茄的钙营养检测建立理论基础。
1 选题背景
1.1本课题的意义及目的
当今是一个全信息化的时代，互联网风行世界，人们在工作和生活中越来越多的信息可以图像化。图像作为一种重要的信息载体，具有很多优点，如直观、内容丰富、无语言限制和便于国际交流等等，是组成多媒体信息的重要内容。
随着人与环境的关系越来越紧张，推行由粗放式传统农业到现代化精准农业转化是 21世纪农业发展的重要方向之一[1]。精准农业技术包含信息获取、信息管理和决策及变量作业3个部分，其中如何方便、快速、准确、可靠地获取作物信息，已经成为实施精准农业最为关键的问题[2]，这正是计算机图像处理技术的优点。
如在实际的农业栽培中，经常出现作物缺乏某一种或多种营养元素的现象，这会严重影响作物质量和产量，甚至绝产，所以在作物苗期如果就能及时发现作物缺素现象，将可以大大减少损失。番茄在发生缺素病时，专家们刚开始大多只能通过表形来诊断病因，但是当症状不明显或在早期时，专家也很难确诊[3]，所以需要一种能够及早诊断的方法来减少生产损失，计算机图像处理技术就是一种解决方法。
国内外研究现状
国内吴志华等利用主成分分析获得桉树叶片图像综合特征信息PC指标反映桉树苗木营养水平[4]；杨玮使用图像标定技术实现了黄瓜营养元素的诊断[5] ；马兰研究了基于近红外光谱的番茄总糖无损检测方法[6]。
1992年日本的穗波信雄等[7]分别对缺钙、铁、镁元素的茨菇叶片进行露天图像采样，提取整个茨菇叶片图像直方图的形状和位置信息作为特征，用阈值法分割叶片的病态部分和正常部分，并提取其面积比作为特征，但是这些特征的区分效果不明显。Yutaka Sasaki等[8]1999年对一种有病害斑点的作物叶片进行采样，提取叶片正常部分和病斑部分的反射光谱曲线判别作物病因。在番茄研究方面，Yang Kaishenga 使用多光谱图像技术实现了不同番茄品种的识别[9]；Jones C. D 研究了利用光谱分析技术检测番茄病害 [10]。
虽然国内外均有了一些研究成果，但是应用计算机图像处理技术检测温室番茄钙营养素含量的研究还鲜有报道。
论文的主要工作
本文对番茄苗期叶片图像进行了颜色特征和纹理特征的提取，采用统计算法、百分率直方图法等方法提取颜色特征，采用小波变换和灰度共生矩阵的方法提取纹理特征。之后对提取出的图像特征做显著性检验，筛选出一部分能够表达缺钙叶片与正常叶片差异的特征，用这些典型特征以及番茄的钙含量做线性回归分析，并建立番茄钙素营养水平预测模型，最后用实测钙含量对线性预测模型精度进行了验证与分析。
2 图像预处理及特征提取
2.1 颜色模型的选择
本文主要选择的是常用颜色模型RGB（红、绿、蓝）和HSI（色调、色饱和度、亮度），因为这2个颜色系统对光源的变化敏感性不大,而且能比较理想地被区分。而且HSI颜色模型和RGB颜色模型其实是对同一物理量的不同表示方法，知道一个颜色在一个模型中的值后，可以用数学公式将其转换为另一个空间表示。
用统计算法提取颜色特征
每一片叶片的形状和大小都是不同的，如果直接提取颜色特征，叶片的形状和大小会对研究结果产生影响，所以本文采用统计算法和相关系数法提取叶片的颜色特征，这样可以有效的减小这一不利因素。在提取颜色特征之前，首先要对图片进行预处理，需要将叶片图像中的叶片部分与白色背景分离出来，然后再用统计算法及相关系数法提取相应的颜色特征。最大类间方差法由日本学者大津于1979年提出，简称OTSU，其可以用来分割图像，原理是图像像素的灰度值。算法推导公式如下所示：其中W0为图像中目标部分占整幅图像的比例，U0为目标部分灰度均值，N0为目标像素个数，W1为背景部分占整幅图像的比例，U1为背景部分灰度均值，N1为背景像素个数。U为整幅图像的灰度均值，G为类间方差，图像的大小为。
将（5）式带入（6）式可得：(7)。采用遍历法可以得到的最大的类间方差。分割效果如图：
将叶片部分分离出来后，就可以对各颜色参数进行统计计算。首先，提取出番茄叶片的各颜色参数的均值，标准差，以及同一颜色系统中各颜色参数的相关系数。在这里还要提到两个概念：比值植被指数（ratio vegetation index，RVI）和归一化植被指数（normalized difference vegetation index，NDVI）[11]。它们的计算公式如下：
目录
摘要1
关键词1
Abstract1
Key words1
引言1
1选题背景2
1.1 本课题的意义及目的2
1.2 国内外研究现状2
1.3论文的主要工作2
2 图像预处理及特征提取2
2.1 颜色模型的选择2
2.2用统计算法提取颜色特征2
2.3 用百分率直方图法提取颜色特征4
2.3.1百分率直方图法的定义4
2.3.2颜色值范围的确定7
2.3.3实验结果8
2.4 小波变换提取纹理特征9
2.4.1基于小波变换的纹理特征提取10
2.4.2小波分解能量百分比法10
2.5灰度共生矩阵法提取纹理特征10
3图像特征筛选及钙营养检测12
3.1用显著性检验法筛选颜色特征 12
3.1.1筛选颜色特征12
3.1.2筛选纹理特征13
3.2对颜色特征与钙含量进行线性回归分析 13
3.3番茄钙营养检测及模型验证17
4总结18
致谢19
参考文献19
基于番茄叶片图像特征的钙营养检测
引言
在实际的农业栽培中经常出现作物缺乏某一种或多种营养元素的现象，这会严重影响作物质量和产量，甚至绝产。在作物苗期，这种现象很难通过肉眼辨别，即使是专家也很难确诊。相对而言，近几年来发展起来的基于计算机图像处理技术的作物营养诊断方法有可能成为一种快速、低成本、结果可靠、无损的营养诊断方式
*好棒文|www.hbsrm.com +Q: %3^5`1^9`1^6^0`7^2#
。迄今为止，将计算机图像处理技术运用于番茄钙营养检测的研究相对较少。提取番茄叶片图像的特征，筛选出典型特征与番茄钙含量做线性回归分析，建立番茄钙营养预测模型，可以为番茄的钙营养检测建立理论基础。
1 选题背景
1.1本课题的意义及目的
当今是一个全信息化的时代，互联网风行世界，人们在工作和生活中越来越多的信息可以图像化。图像作为一种重要的信息载体，具有很多优点，如直观、内容丰富、无语言限制和便于国际交流等等，是组成多媒体信息的重要内容。
随着人与环境的关系越来越紧张，推行由粗放式传统农业到现代化精准农业转化是 21世纪农业发展的重要方向之一[1]。精准农业技术包含信息获取、信息管理和决策及变量作业3个部分，其中如何方便、快速、准确、可靠地获取作物信息，已经成为实施精准农业最为关键的问题[2]，这正是计算机图像处理技术的优点。
如在实际的农业栽培中，经常出现作物缺乏某一种或多种营养元素的现象，这会严重影响作物质量和产量，甚至绝产，所以在作物苗期如果就能及时发现作物缺素现象，将可以大大减少损失。番茄在发生缺素病时，专家们刚开始大多只能通过表形来诊断病因，但是当症状不明显或在早期时，专家也很难确诊[3]，所以需要一种能够及早诊断的方法来减少生产损失，计算机图像处理技术就是一种解决方法。
国内外研究现状
国内吴志华等利用主成分分析获得桉树叶片图像综合特征信息PC指标反映桉树苗木营养水平[4]；杨玮使用图像标定技术实现了黄瓜营养元素的诊断[5] ；马兰研究了基于近红外光谱的番茄总糖无损检测方法[6]。
1992年日本的穗波信雄等[7]分别对缺钙、铁、镁元素的茨菇叶片进行露天图像采样，提取整个茨菇叶片图像直方图的形状和位置信息作为特征，用阈值法分割叶片的病态部分和正常部分，并提取其面积比作为特征，但是这些特征的区分效果不明显。Yutaka Sasaki等[8]1999年对一种有病害斑点的作物叶片进行采样，提取叶片正常部分和病斑部分的反射光谱曲线判别作物病因。在番茄研究方面，Yang Kaishenga 使用多光谱图像技术实现了不同番茄品种的识别[9]；Jones C. D 研究了利用光谱分析技术检测番茄病害 [10]。
虽然国内外均有了一些研究成果，但是应用计算机图像处理技术检测温室番茄钙营养素含量的研究还鲜有报道。
论文的主要工作
本文对番茄苗期叶片图像进行了颜色特征和纹理特征的提取，采用统计算法、百分率直方图法等方法提取颜色特征，采用小波变换和灰度共生矩阵的方法提取纹理特征。之后对提取出的图像特征做显著性检验，筛选出一部分能够表达缺钙叶片与正常叶片差异的特征，用这些典型特征以及番茄的钙含量做线性回归分析，并建立番茄钙素营养水平预测模型，最后用实测钙含量对线性预测模型精度进行了验证与分析。
2 图像预处理及特征提取
2.1 颜色模型的选择
本文主要选择的是常用颜色模型RGB（红、绿、蓝）和HSI（色调、色饱和度、亮度），因为这2个颜色系统对光源的变化敏感性不大,而且能比较理想地被区分。而且HSI颜色模型和RGB颜色模型其实是对同一物理量的不同表示方法，知道一个颜色在一个模型中的值后，可以用数学公式将其转换为另一个空间表示。
用统计算法提取颜色特征
每一片叶片的形状和大小都是不同的，如果直接提取颜色特征，叶片的形状和大小会对研究结果产生影响，所以本文采用统计算法和相关系数法提取叶片的颜色特征，这样可以有效的减小这一不利因素。在提取颜色特征之前，首先要对图片进行预处理，需要将叶片图像中的叶片部分与白色背景分离出来，然后再用统计算法及相关系数法提取相应的颜色特征。最大类间方差法由日本学者大津于1979年提出，简称OTSU，其可以用来分割图像，原理是图像像素的灰度值。算法推导公式如下所示：其中W0为图像中目标部分占整幅图像的比例，U0为目标部分灰度均值，N0为目标像素个数，W1为背景部分占整幅图像的比例，U1为背景部分灰度均值，N1为背景像素个数。U为整幅图像的灰度均值，G为类间方差，图像的大小为。
将（5）式带入（6）式可得：(7)。采用遍历法可以得到的最大的类间方差。分割效果如图：
将叶片部分分离出来后，就可以对各颜色参数进行统计计算。首先，提取出番茄叶片的各颜色参数的均值，标准差，以及同一颜色系统中各颜色参数的相关系数。在这里还要提到两个概念：比值植被指数（ratio vegetation index，RVI）和归一化植被指数（normalized difference vegetation index，NDVI）[11]。它们的计算公式如下：
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wljs/659.html
