论文部分内容阅读
草莓叶片是反映其生长状态的重要部分。为了实现对草莓的生长状态监测,需要对其叶片的健康状况进行持续监测,而对草莓叶片部分是否异常的诊断可以对种植者是否喷药、喷药种类及喷药量进行指导。对自然光下草莓图像进行病害识别面临的主要困难是光线不一致导致叶片有阴影、绿色叶片重叠导致目标与背景不好分割以及病害特征难以选取。本文针对草莓蛇眼病害图像的分割与识别,提出了基于标记的改进的分水岭图像分割算法和基于纹理统计特征的支持向量机(Support Vector Machine,SVM)的图像识别方法。该方法首先利用颜色阈值提取草莓叶片区域图像。之后对HSV彩色空间内的灰度图像以及边缘梯度图像进行处理来分别获取前景标记与背景标记,并采用强制极小值技术对两种标记进行标定,在此基础上使用标准分水岭变换方法即可提取出草莓单叶片图像。然后对提取出的草莓单叶片图像求取归一化灰度直方图,并依据该直方图进行8个纹理统计特征的提取与融合,最后使用SVM方法对叶片进行病害识别。分水岭方法可以有效地分割草莓病害图像,而通过SVM这种模式识别方法能够识别草莓单叶片图像中是否存在病害。本论文基于图像处理方法进行草莓病害识别,主要进行了以下几个方面的研究:(1)对草莓原始图像进行预分割提取,主要使用超绿色分量突出,图像增强,阈值分割以及腐蚀与膨胀等操作,以此来完成草莓病害图像中的复杂背景的去除和叶片区域的提取;(2)将绿色叶片区域图像转换为HSV彩色空间内的灰度图像,对此灰度图像进行标记处理,再使用分水岭方法提取出草莓单叶片图像,这些单叶片图像将用于后续的病害识别;(3)对分割出的单个草莓叶片图像进行灰度化处理,然后求取归一化灰度直方图,并提取其8个统计特征,包括平均灰度、标准偏差、三阶中心矩、平滑度、均匀性、平均信息量、最大概率灰度级、灰度范围,最终形成特征向量;(4)分别使用SVM、K-近邻(K Nearest Neighbor,KNN)和朴素贝叶斯(Naive Bayes,NB)方法对草莓叶片图像样本特征向量进行训练与识别,通过比对三种方式的识别效果可以看出,SVM比其他两种方法的识别准确率高,比较适用于草莓病害的识别;(5)使用Matlab进行软件编程来仿真实现系统流程,并利用VS2010中的MFC控件,结合OpenCV来建立草莓病害识别软件系统,以将文中提出算法进行实际应用。