黄瓜叶片病害识别技术(附件)
摘要： 1关键词 1Abstract. 1Key words 1引言 11 选题背景 11.1 问题的提出 11.2 国内外研究概况 21.2.1 国外研究概况 21.2.2 国内研究概况 21.3 应用前景 21.4 研究内容和技术路线 31.4.1 研究内容 31.4.2 技术路线 31.4.3 开发平台介绍 32 图像预处理 42.1 图像颜色空间转换 42.2 图像分割 52.2.1 基于阈值的图像分割 52.2.2 基于边缘的图像分割 52.3 图像去噪 62.4 数学形态学处理 72.5 图像灰度化 83 特征提取 83.1 颜色特征 93.2 纹理特征 103.2.1 基本LBP算子 103.2.2 旋转不变LBP（LBPROT） 103.2.3 LBP等价模式 113.2.4 LBP特征用于检测的原理 113.3 形状特征 124 分类器设计 134.1 朴素贝叶斯分类器 144.2 K最近邻分类器 154.3 BP神经网络分类器 165 总结与展望 185.1 设计成果展示 185.2 工作总结 185.3 系统展望 19致谢 19参考文献 19黄瓜叶片病害识别技术摘要：目前黄瓜叶片病害的诊断大多依靠种植者经验判断或专家病理性研究，但经验诊断具有不确定性，病理性诊断耗时长。本文针对这一缺陷，结合MATLAB图像处理技术，基于霜霉病、白粉病等5种黄瓜叶片病害设计了黄瓜叶片病害诊断系统。本次设计共使用80张黄瓜叶片病害图片，分别对其进行了颜色空间转换、二值化分割、中值滤波去噪和形态学处理及灰度化等预处理。然后在形状、颜色及纹理三个方面对图像进行了特征提取，选择了形状方面的HU矩和H分量颜色直方图以及LBP纹理特征作为分类器的构建及训练。设计了朴素贝叶斯、K近邻、BP神经网络三种不同分类器，实验结果表明，K近邻分类器的分类效果最为显著。
目录
引言
在当今竞争日益激烈的农贸市场上，因为食用黄瓜带来的健康效应，黄瓜战胜了许多其他蔬菜，成为我国人民餐桌上最常见的蔬菜之一。我国加入WTO后,蔬菜种植产业成为我国具有国际竞争力的产业之一。随着种植技术的不断改进，尤其是温室蔬菜生产技术的发展,蔬菜种植业成为农村的支柱产业,是农民的一个很重要的收入组成之一。因为黄瓜
*好棒文|www.hbsrm.com +Q: ^351916072*
的易种植、单位面积产量高和消费市场大等优点，我国在黄瓜的种植面积、品种和数量上也逐年增加。 然而，若不及时、准确的诊断出病害及尽早防治，往往带来产量减少，甚至是因农药滥用而导致土地、水污染等严重后果。黄瓜患病症状大多表现在叶片上，所以本次课题的主要针对黄瓜叶片病害进行了研究。
1 选题背景
1.1 问题的提出
黄瓜是我国的主要食用蔬菜之一，具有巨大的消费市场，因此，能为种植者带来非常可观的经济效益。然而由黄瓜病虫害造成的黄瓜产量损失很大。如今，黄瓜种植者依然依靠传统的肉眼观察来判断作物病害，但人工经验具有主观性和局限性，加上病虫害初期，病征难以分辨，这些因素常常导致误判或者诊断延迟，从而错误的使用农药或影响作物及时预治，不但会减少产量，也会造成农药残留物超标和环境污染等严重后果。因此，如果能尽可能早的准确判断黄瓜病虫害种类，将可以从根本上解决因误诊、延时等造成的环境危害和经济损失。迄今为止，已有许多科研人员投入了图像处理识别诊断系统的研究工作中，基本思路是将获取的图像进行裁剪等必要的预处理，然后手动提取目标轮廓。但这种人工参与度较高的处理过程不能很好地实现现代农业的信息化、自动化和智能化。因此，在现阶段的研究诊断系统的工作中引入了模式识别技术和数字图像处理技术，以求快速、准确的诊断病害种类。
1.2 国内外研究概况
数字图像处理技术诞生于上世纪50年代，自其诞生之后，就开始了快速发展，并在十年之间便成长成为了一门正式的学科。随着数字图像处理技术和模式识别技术的越来越成熟，它们在农业领域有着日渐深入的应用，在农产品品质检测与分级和种子质量检验等方面有了更加深入的研究，应用前景广泛。将数字图像处理技术应用到病虫害识别方面的研究也逐渐深入，并已硕果累累。
1.2.1 国外研究概况
国外在此方面的研究早于国内。Qiu[1]等对橄菜果图像进行离散傅立叶变换,利用特定频段的频率影响平均值的原理，将橄菜果分成未成熟、成熟、过分成熟三个等级,准确识别率达80%。Chang等研究彩色视觉系统的特性，发先HIS颜色模型中的色调和饱和度几乎可以不受光照影响，同时HIS颜色空间模型也最符合人类的颜色感知。Mohammad Sammany[2]等研究了基于遗传算法和粗糙集的支持向量机和神经网络相结合的分类器设计，对植物病害进行了高效识别。Mohammed ElHeliy[3]等设计了基于神经网络的黄瓜病害自动诊断识别系统，能够识别常见的黄瓜病害，如霜霉病，白粉病等。
1.2.2 国内研究概况
国内将图像处理技术运用到农作物病害识别方面的研究也逐渐深入。田有文等[4]利用统计模式识别的 Fisher 线性判别函数在 RGB 颜色空间实现了作物病害彩色图像的分割。 贾建楠[5]等 利用最大类间方差法的分割方法提取了10个形状特征，然后选取了黄瓜细菌性角斑病和霜霉病的病害叶片的各50个样本作为训练样本输入神经网络，并对以上两种黄瓜病害叶片的各20 个样本进行测试，正确识别率达到了100%。王树文等[6]利用图像处理技术实现了对黄瓜叶部病害检测与染病程度的分级。刘君等[7]运用EM算法和偏微分方程水平集等图像分割方法分割完整的植物叶片病斑，对病斑在颜色、纹理、形状上进行特征提取，采用神经网络和支持向量机的图像识别，在番茄等园林作物叶部病害进行了自动诊断。刘鹏等设计了基于SVM的次郎甜棉表面病害自动识别，在实验过程中使用了快速独立分量方法(FASTICA)进行了图像的预处理操作，实验表明此方法能有效地提取病害区域边缘，将颜色特征和纹理特征相结合构造分类器，对于识别准确率的提高有积极作用。
由以上的研究成果可以看出，多年来国内外众多学者都对农作物病害诊断进行了非常深入广泛的研究，将图像处理技术和模式识别技术综合运用到作物病害诊断中，对于种植者来说，具有很高的应用价值，因此，研究意义非常重大。植物病害自动识别系统研究的一般过程是，首先采集植物病害图像，然后进行预处理,其次，提取作物病害特征参数，最后使用不同的分类器实现自动诊断的目标。
1.3 应用前景
黄瓜病害自动诊断，能克服人工诊断的延时和不确定性，因此，对黄瓜叶片病害自动诊断系统的研究具有广泛的应用前景。本次研究主要运用数字图像处理技术和模式识别技术，对靶斑病和霜霉病等5中常见的黄瓜病害进行了预测诊断，研究了朴素贝叶斯分类、K近邻分类和BP神经网络分类这三种经典的分类方法。只有正确并快速诊断，才能对症下药，减少损失。因此，研究黄瓜叶片病害识别技术，对于快速诊断黄瓜病害，具有重要作用。
1.4 研究内容和技术路线
1.4.1 研究内容
本文研究的核心内容主要包括三个方面：选取合适的图像分割算法，经过对比各种边缘检测算子和阈值化图像分割算法，本文最后选择了二值化图像分割方法；特征体取方面，本文选取了H颜色分量、LBP纹理特征以及形状不变矩作为特征参数，进行分类器训练；病害预测方面，本文选择了朴素贝叶斯分类器、BP神经网络以及K最近邻三种分类器。
1.4.2 技术路线
参考植物病害自动诊断系统研究的一般过程，本文的技术路线如图1.1所示，主要可以概括为以下几个方面：
分析黄瓜叶片病害图像处理所需解决的基本问题，提出解决问题的方法。
对图像进行预处理，例如分割、去噪等操作，对比之后分别选择合适的方法进行图像分割和去噪。
分别提取图像的形状、颜色及纹理三个方面的特征，选择合适的特征参数组成特征向量。
设计分类器，并用（3）中的特征向量训练分类器。
利用分类器，对患病情况进行预测诊断。
图1.1 技术路线图
1.4.3 开发平台介绍
目录
引言
在当今竞争日益激烈的农贸市场上，因为食用黄瓜带来的健康效应，黄瓜战胜了许多其他蔬菜，成为我国人民餐桌上最常见的蔬菜之一。我国加入WTO后,蔬菜种植产业成为我国具有国际竞争力的产业之一。随着种植技术的不断改进，尤其是温室蔬菜生产技术的发展,蔬菜种植业成为农村的支柱产业,是农民的一个很重要的收入组成之一。因为黄瓜
*好棒文|www.hbsrm.com +Q: ^351916072*
的易种植、单位面积产量高和消费市场大等优点，我国在黄瓜的种植面积、品种和数量上也逐年增加。 然而，若不及时、准确的诊断出病害及尽早防治，往往带来产量减少，甚至是因农药滥用而导致土地、水污染等严重后果。黄瓜患病症状大多表现在叶片上，所以本次课题的主要针对黄瓜叶片病害进行了研究。
1 选题背景
1.1 问题的提出
黄瓜是我国的主要食用蔬菜之一，具有巨大的消费市场，因此，能为种植者带来非常可观的经济效益。然而由黄瓜病虫害造成的黄瓜产量损失很大。如今，黄瓜种植者依然依靠传统的肉眼观察来判断作物病害，但人工经验具有主观性和局限性，加上病虫害初期，病征难以分辨，这些因素常常导致误判或者诊断延迟，从而错误的使用农药或影响作物及时预治，不但会减少产量，也会造成农药残留物超标和环境污染等严重后果。因此，如果能尽可能早的准确判断黄瓜病虫害种类，将可以从根本上解决因误诊、延时等造成的环境危害和经济损失。迄今为止，已有许多科研人员投入了图像处理识别诊断系统的研究工作中，基本思路是将获取的图像进行裁剪等必要的预处理，然后手动提取目标轮廓。但这种人工参与度较高的处理过程不能很好地实现现代农业的信息化、自动化和智能化。因此，在现阶段的研究诊断系统的工作中引入了模式识别技术和数字图像处理技术，以求快速、准确的诊断病害种类。
1.2 国内外研究概况
数字图像处理技术诞生于上世纪50年代，自其诞生之后，就开始了快速发展，并在十年之间便成长成为了一门正式的学科。随着数字图像处理技术和模式识别技术的越来越成熟，它们在农业领域有着日渐深入的应用，在农产品品质检测与分级和种子质量检验等方面有了更加深入的研究，应用前景广泛。将数字图像处理技术应用到病虫害识别方面的研究也逐渐深入，并已硕果累累。
1.2.1 国外研究概况
国外在此方面的研究早于国内。Qiu[1]等对橄菜果图像进行离散傅立叶变换,利用特定频段的频率影响平均值的原理，将橄菜果分成未成熟、成熟、过分成熟三个等级,准确识别率达80%。Chang等研究彩色视觉系统的特性，发先HIS颜色模型中的色调和饱和度几乎可以不受光照影响，同时HIS颜色空间模型也最符合人类的颜色感知。Mohammad Sammany[2]等研究了基于遗传算法和粗糙集的支持向量机和神经网络相结合的分类器设计，对植物病害进行了高效识别。Mohammed ElHeliy[3]等设计了基于神经网络的黄瓜病害自动诊断识别系统，能够识别常见的黄瓜病害，如霜霉病，白粉病等。
1.2.2 国内研究概况
国内将图像处理技术运用到农作物病害识别方面的研究也逐渐深入。田有文等[4]利用统计模式识别的 Fisher 线性判别函数在 RGB 颜色空间实现了作物病害彩色图像的分割。 贾建楠[5]等 利用最大类间方差法的分割方法提取了10个形状特征，然后选取了黄瓜细菌性角斑病和霜霉病的病害叶片的各50个样本作为训练样本输入神经网络，并对以上两种黄瓜病害叶片的各20 个样本进行测试，正确识别率达到了100%。王树文等[6]利用图像处理技术实现了对黄瓜叶部病害检测与染病程度的分级。刘君等[7]运用EM算法和偏微分方程水平集等图像分割方法分割完整的植物叶片病斑，对病斑在颜色、纹理、形状上进行特征提取，采用神经网络和支持向量机的图像识别，在番茄等园林作物叶部病害进行了自动诊断。刘鹏等设计了基于SVM的次郎甜棉表面病害自动识别，在实验过程中使用了快速独立分量方法(FASTICA)进行了图像的预处理操作，实验表明此方法能有效地提取病害区域边缘，将颜色特征和纹理特征相结合构造分类器，对于识别准确率的提高有积极作用。
由以上的研究成果可以看出，多年来国内外众多学者都对农作物病害诊断进行了非常深入广泛的研究，将图像处理技术和模式识别技术综合运用到作物病害诊断中，对于种植者来说，具有很高的应用价值，因此，研究意义非常重大。植物病害自动识别系统研究的一般过程是，首先采集植物病害图像，然后进行预处理,其次，提取作物病害特征参数，最后使用不同的分类器实现自动诊断的目标。
1.3 应用前景
黄瓜病害自动诊断，能克服人工诊断的延时和不确定性，因此，对黄瓜叶片病害自动诊断系统的研究具有广泛的应用前景。本次研究主要运用数字图像处理技术和模式识别技术，对靶斑病和霜霉病等5中常见的黄瓜病害进行了预测诊断，研究了朴素贝叶斯分类、K近邻分类和BP神经网络分类这三种经典的分类方法。只有正确并快速诊断，才能对症下药，减少损失。因此，研究黄瓜叶片病害识别技术，对于快速诊断黄瓜病害，具有重要作用。
1.4 研究内容和技术路线
1.4.1 研究内容
本文研究的核心内容主要包括三个方面：选取合适的图像分割算法，经过对比各种边缘检测算子和阈值化图像分割算法，本文最后选择了二值化图像分割方法；特征体取方面，本文选取了H颜色分量、LBP纹理特征以及形状不变矩作为特征参数，进行分类器训练；病害预测方面，本文选择了朴素贝叶斯分类器、BP神经网络以及K最近邻三种分类器。
1.4.2 技术路线
参考植物病害自动诊断系统研究的一般过程，本文的技术路线如图1.1所示，主要可以概括为以下几个方面：
分析黄瓜叶片病害图像处理所需解决的基本问题，提出解决问题的方法。
对图像进行预处理，例如分割、去噪等操作，对比之后分别选择合适的方法进行图像分割和去噪。
分别提取图像的形状、颜色及纹理三个方面的特征，选择合适的特征参数组成特征向量。
设计分类器，并用（3）中的特征向量训练分类器。
利用分类器，对患病情况进行预测诊断。
图1.1 技术路线图
1.4.3 开发平台介绍
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wljs/697.html
