论文部分内容阅读
基于图像分析的小麦叶部病害识别技术研究,对有效防治小麦病害的发生,提高小麦的产量、减少农药对小麦加工产品和环境的污染,均具有重要的现实意义。本研究在国内外研究成果的基础上,以提高小麦叶部病害识别准确率和效率为目标,对小麦叶部病害的图像分割、特征提取、病害诊断识别方法等关键技术展开系统研究。论文的主要结果如下:(1)为了提高K-means算法对小麦叶部病斑的分割精度,提出了一种基于线性判别分析的多通道映射和K-means的小麦叶部病斑彩色图像分割算法。分别获取RGB和HSV颜色空间的6个通道,所有像素的6个通道值按列排列,以其中一个通道值作为类别标签,其余5个通道作为样本特征进行线性判别分析,得到前3个特征值所对应的特征向量空间,获取5个通道在3个特征向量空间的映射值;将映射值作为K-means的输入,每次聚类时将像素值最小和最大的点作为初始值聚类中心,解决确定K-means算法初始聚类中心的随机性问题。将待分割的像素点分为病斑区域和背景区域,将K-means分割问题转化为2类聚类问题。试验结果表明,提出的方法分割效果优于K-means及Ex R等方法。(2)为了提高高斯混合模型对小麦叶部病斑的分割精度,减少分割时间,提出了一种基于主成分分析的多通道融合高斯混合模型的分割方法。首先充分利用图像的颜色信息,将图片多个颜色通道进行主成分分析计算,获得3个主要颜色通道;在此基础上,通过将图片分成多个分块,根据其像素平均值排序,各取前后多个分块组成新的像素集合进行高斯混合模型运算;最后遍历整个图片,将每个像素归类到已求出的高斯模型上得出分割结果。试验结果表明,该方法的分割错分率分别低于高斯混合模型、K-means等传统分割方法5.33%和17.23%。(3)针对小麦叶部病害图像颜色矩分类率不高的问题,先提出了基于PCA多通道选择的颜色矩特征提取方法,该方法对R、G、B、H、S和V通道图像进行3个主成分选择,求取最优通道图像的颜色矩1阶矩、2阶矩和3阶矩特征值。随后提出了基于线性判别分析的多通道映射的颜色矩特征提取方法,该方法使用线性判别求得R、G、B、H、S和V 6个通道中3个特征向量空间的映射值,求取最优特征向量空间的颜色矩1阶矩、2阶矩和3阶矩特征值。该方法充分考虑了颜色信息,且对颜色空间进行了优选,提高了颜色特征的利用率。(4)分析与提取了小麦病害图像颜色、纹理和形状等13个特征,并使用主成分分析对这13个特征进行优选,得出10个有效特征,作为分类模型的输入。(5)将提取的10个有效特征作为输入,构建了1个10-11-3三层结构小麦叶部病害BP网络识别模型,利用设计的BP网络对小麦叶锈病、白粉病和条锈病3种叶部病害图像进行识别,试验结果显示,小麦叶部病害最高识别正确率为87.62%。构建了小麦叶部病害SVM识别模型,3种病害平均识别正确率为89.96%。(6)构建了基于随机森林的小麦叶部病害识别算法,采用装袋法构造随机森林,采样中采用的是随机抽样方法,构建决策树所使用的节点分裂规则为信息增益最大化规则,输出结果采用多数投票的合成准则。基于随机森林算法实现了小麦叶部病害的多类分类,试验结果表明,小麦叶部病害最高识别正确率为92.74%,且基于随机森林算法的小麦叶部病害识别方法优于基于BP网络和基于SVM的小麦叶部病害识别方法。