论文部分内容阅读
当今信息技术正在快速发展,使用计算机技术来解决农业生产相关问题也成为当前研究的热点。近年来,大量国内外的研究者们使用计算机视觉技术对农作物病虫害的识别、防治进行了深入的研究,这些研究对指导农业从业者进行农作物病虫害防治,从而提高农作物产量有着十分重要的意义。本研究在前人的研究基础上,以花生褐斑病作为研究对象,使用图像处理技术和支持向量机相关技术对花生褐斑病图像的识别进行了研究。在本论文中,主要进行了如下的工作:(1)对一种基于非绿特征的病斑图像分割算法进行了改进。改进的算法首先通过基于非绿特征的图像分割算法对花生病斑图像进行初始分割,得到初始病斑区域,再计算初始分割后得到的病斑区域G分量与R分量均值的差值,最后通过比较这个差值与提前设置的阈值的大小来决定是否对病斑进行二次分割。试验结果表明,这种改进后的分割算法对花生褐斑病图像的平均分割准确率达到了97.22%,比原始方法高5.28个百分点,比传统C-V模型分割效果高12.88个百分点;平均运行时间仅为后者的24.64%。(2)提出了一种基于改进初始化轮廓位置C-V模型的图像病斑分割方法。该方法首先也是通过基于非绿特征的图像分割方法对病斑图像进行初始分割,得到初始病斑区域;再对初始病斑区域中各病斑区域进行标记并计算面积,去除面积小于阈值的连通区域;接着使用3x3的滑动窗口遍历病斑图像,计算窗口内像素点R分量和G分量的差值,找到整幅病斑图像中R和G差值最大的区域,记录此时滑动窗口的中心像素坐标,并将此坐标作为C-V模型演化轮廓的初始化位置进行病斑分割。试验结果表明,此分割算法在H分量上对花生褐斑病图像分割的平均准确率达到了 94.42%,经过此方法处理后的病斑图像分割准确率比原方法高10.08个百分点,且平均运行时间比传统C-V模型大大减少。(3)提取了花生褐斑病病斑区域形状、颜色和纹理特征空间上的32个特征参数,使用提取到的这些特征作为SVM的输入项对花生褐斑病病斑图像进行逐个分类识别获得每个特征的单一识别率,接着利用逐步判别法对每个特征参数进行优选,最终优选出13个有效特征参数,利用这13个特征参数对花生褐斑病图像样本进行识别得出优选识别率。试验结果显示,对170幅训练样本的优选识别率为96.47%,对60幅测试样本的优选识别率达到了95%。