论文部分内容阅读
近年来,随着我国经济的不断发展,农业也随之迅速发展起来,人们对农作物的产量也越来越重视。目前,如何提高农作物的产量是人们主要讨论的一个问题。病害图像的检测与识别作为病害图像系统的组成部分,对农作物病害的诊断与防治起着至关重要的作用,同时也可以提高农作物的产量,增加人们的收入。因此,对病害图像的分类识别做更进一步的研究会给人们的生活带来一定的实际意义。作物病害种类的正确识别是病害预防的前提。本论文借助图像采集装置收集了苹果树叶三类常见的病害图像。首先,对收集的病害图像进行预处理,选择直方图均衡化、中值滤波分别实现了图像的增强、去噪,再根据病害图像的灰度直方图通过双峰法确定阈值对病害图像先进行粗分割,之后再分析病害图像灰度直方图的特点对其进行精分割,并对图像的分割算法做相应的改进,从而完成病害图像的检测与分割。其次,通过分析对比几种彩色空间优劣,选择RGB和HSI彩色空间中提取分割出的病害图像的颜色特征,再依据灰度共生矩阵提取分割出的病害图像的纹理特征,并借助主成分分析法选取最具代表性的特征值对问题进行分析研究。利用这些计算简便且能反映病害本质特点的特征来组成特征向量,并构建样本特征数据库。最后,通过两种分类方法的对比,选择更适合本文病害图像分类的支持向量机模型,再通过设计分类算法,选择粒子群优化算法对支持向量机模型的参数进行优选,且对比不同参数下病害图像的识别准确率,选取识别准确率较高的参数建立病害图像分类识别模型。借助SPSS软件和MATLAB编程进行实验。利用Fisher判别分析法对病害图像进行分类,分类识别率为92.667%.再运用LIBSVB软件包和支持向量机模型对病害图像进行分类。首先,对本文中提取的病害图像的29个特征值不进行优化得到,病害图像的分类识别率为89.3939%.其次,借助主分量分析的方法选择了9个具有代表性的成分进行实验,分类准确率为92.4246%.最后,对模型的参数错分惩罚常数c和非负的松弛项g进行优选,得出当c(28)1618.28,g(28)039866.0时,此模型对病害图像的分类准确率为96.969%.达到了预期的结果。