论文部分内容阅读
在我们日常生活中,农作物占着很重要的位置,番茄是日常生活中必不可少的农作物。近年来,因为对生长环境要求高以及种植和管理手段比较传统等因素的影响,番茄脐腐病发病率高并且识别困难。因此,实现番茄脐腐病的自动识别具有重要的实际意义。 传统的番茄脐腐病的预测方法主要是靠人工来判断,这种方法主要根据人工经验来主观的判断,导致在检测的准确度上有明显的偏差。为了给专家提供更可靠、科学的数据,在番茄脐腐病识别当中,是根据图像处理技术结合番茄脐腐病病斑图像的颜色特征、形状特征等结合模式识别等相关技术,并设计分类器对病症图片进行识别。 本文的主要工作如下: (1)图像的预处理:在对图像进行分割之前要对图像进行预处理,首先对采集的病斑图像进行中值滤波,对于采集的图像中的噪声可以有效去除,在去噪的同时还可以保持图像的边缘信息。 (2)图像分割:要实现病斑的识别,图像的分割是整个系统中的重要组成部分,对阈值分割,区域生长,边缘检测,OTSU分割以及改进的OTSU算法分别对病斑图像进行分割的方法进行了研究。 (3)改进的OTSU分割算法:将番茄脐腐病图像由RGB色彩空间转换到LUV色彩空间,在对LUV色彩空间下的图像进行灰度化变换,得到由LUV彩色空间转换来的病斑灰度图像,再进行最大类间方差法的阈值分割,番茄病斑和非病斑得到较好的分割。同时和OTSU算法进行比较,改进后的算法几乎没有误分,效果理想。 (4)图像的特征提取:采用的是形状特征提取和颜色特征的提取,通过分割的轮廓边缘来提取形状特征信息。颜色特征是通过提取了轮廓边缘的RGB,LUV分量颜色特征信息,实现了对番茄脐腐病的病斑信息提取。 (5)建立贝叶斯分类器:根据提取的颜色特征和形状特征属性,对每个图像的每个特征属性进行归类,然后对其进行分类,由50个图像的特征属性组成样本集,人工计算每个类别在训练样本中出现的频率,然后得出大的条件概率估计就是所属的类别,建立分类器,输入的是分类器和待分类项,输出是待分类项与类别的映射关系,从而实现对病斑的识别。 经过多次的实验比对分析,采用多种分割和特征提取的方法,结合识别结果得出了比较有代表性的分割方法,对分割后的图像进行特征提取,建立贝叶斯分类器,实现对病斑的识别。以matlab作为开发工具,完成了图像识别系统,并实现了番茄脐腐病准确的识别。