[发明专利]一种农作物叶部病害识别方法

说明书

技术领域

本发明属于农作物栽培技术领域，尤其涉及一种基于图像处理的农作物叶部病害识别方法。

背景技术

我国幅员辽阔，地形、气候类型复杂多样，从南到北分为热带、亚热带、温带和寒带。然而我国人口众多，耕地面积相对较少，因此农业特别是种植业在我国的地位非常重要，关系整个国计民生。我国主要粮食作物有水稻、小麦、玉米、大豆等，经济作物有棉花、花生、油菜、甘蔗和甜菜等。然而随着工业发展，我国的生态系统日渐薄弱，农作物的病害非常严重，病害种类繁多，分布广泛，发生频繁。因此准确、快速地实现农作物病害识别，是农作物病害治理防治的重要环节，成为科技工作者的重要研究方向。

在目前的病害识别技术中，已经广泛的采用了计算机和图像处理技术，例如专利号为201210235693.3的中国发明专利，就公开了一种农作物叶部病害检测方法，采集待检测农作物的叶部图像并上传至在线检测平台，对待检测农作物叶部病斑图像实现分割与识别，输出检测结果并给出防治建议。

但是现有的农作物病害识别分类中病斑分割主要是利用边缘检测法、最大类间方差法、模糊C均值法和分水岭分割法，这些方法都需要进行复杂的田间背景分割和一系列的预处理，增加了病斑分割的复杂性。同时在在特征提取中，现有的方法中的纹理特征主要是相关性、能量、熵、对比度和逆差等等，这些基于灰度共生矩阵定义许多基于统计法的纹理特征量是全局特征，而局部特征较全局特征来说具有旋转不变性和灰度不变性等显著的优点；而农作物病害识别分类中病害的识别分类主要是利用神经网络、支持向量机以及改进的支持向量机方法，虽然这些方法能够识别出病害种类，但是这些方法所识别的种类数不多，一般都只识别3类病害，而且这些方法在进行训练时需要的样本很多，并且识别率不高。

发明内容

本发明的目的是提供一种农作物叶部病害识别方法，以避免现有技术病斑图像分割复杂，病害识别不高的技术问题。

为了实现上述目的，本发明技术方案如下：

一种农作物叶部病害识别方法，包括如下步骤：

将采集图像转化为CIELab颜色空间图像，根据设定的邻域尺度，计算每个邻域尺度下采集图像中每个像素点的特征向量与该像素点邻域内像素点的特征向量均值之间的欧式距离作为该像素点的显著度；

将计算得到的每个邻域尺度下各像素点的显著度转化为灰度值，得到每个邻域尺度下的显著图，对得到的每个邻域尺度下的显著图中对应像素点的灰度值求均值，得到最终显著图；

采用K均值聚类法将最终显著图分割为K个区域，将其像素点显著度的平均值大于设定阈值的区域提取为显著区域；

对提取的显著区域进行校正得到病斑图像；

提取病斑图像的颜色、局部纹理特征参数，将得到的颜色、局部纹理特征参数输入神经网络进行病害识别和分类。

进一步地，所述将采集图像转化为CIELab颜色空间图像之后，还包括步骤：

将采集图像在CIELab颜色空间进行量化处理，量化方法如下：

L'＝L/L₀

a'＝a/a₀

b'＝b/b₀

其中，(L，a，b)表示采集图像像素点的CIELab参数值，(L'，a'，b')表示量化后的像素点CIELab参数值，L₀、a₀、b₀为量化参数。因此量化后CIELab颜色空间的采集图像被平均分成16*16*16个部分并以直方图的形式呈现。通过量化处理这样就解决了CIELab颜色空间中三个参数值的范围是不同问题，减少了计算量，便于后续计算。

其中，所述量化参数L₀＝6.25，a₀＝15，b₀＝15。

本发明所述设定的领域尺度为三个，对于宽为W像素，高为H像素的采集图像，其中W>H，像素点的邻域尺度w变化范围为：

本发明设定三个邻域尺度，即保证了显著度的准确性，又考虑了计算量，能便捷准确的获取显著图。

本发明所述设定阈值为像素点最大显著度的5％～20％，优选地选取最大显著度的10％来作为设定阈值来提取显著区域。该设定阈值能够较为准确地区分病斑与背景区域，识别效果好。

进一步地，所述对提取的显著区域进行校正得到病斑图像，包括步骤：