[发明专利]一种青稞黑穗病的识别方法

说明书

本发明公开了一种青稞黑穗病的识别方法，属于图像处理领域。包括青稞正常特征图像样本和青稞黑穗病特征图像样本的输入，对图像进行预处理均值滤波，将预处理之后的图像转换到HSV颜色空间，设置H、S划分等级及变化范围，根据设置结果统计图像中H、S分量数据并创建直方图，归一化图像直方图高度，将归一化之后的直方图高度及对应横坐标作为图像特征及标签训练KNN分类器，讲用于测试的图像样本做同样处理输入到KNN分类器，获得预测结果。本发明利用对图像滤波消噪，提取颜色空间特征并归一化，及K最近邻算法分类，能很好分类出正常青稞叶片和黑穗病青稞叶片的图像，提高了青稞黑穗病的识别效率和准确度。

技术领域

本发明属于图像处理领域，尤其涉及一种基于KNN的青稞黑穗病识别方法。

背景技术

青稞的黑穗病又叫火烟包，它又分为散黑穗病、坚黑穗病和半坚黑穗病三种，它是青稞最普遍的病害之一。一旦遭受其危害，产量损失严重。青稞的黑穗病又叫火烟包，它又分为散黑穗病、坚黑穗病和半坚黑穗病三种，它是青稞最普遍的病害之一。一旦遭受其危害，产量损失严重，据调查，在未经过药剂处理的田块黑穗病的危害率一般在5～10％，最高达17～20％。青稞黑穗病主要是散黑穗病，病菌侵染的途径主要为种子带菌和土壤带菌两种形式。

青稞黑穗病主要侵害幼苗，每年只在苗期侵染一次，主要靠种子带菌传播。每年青稞脱粒时散出的冬孢子附着在大麦种子表面，青稞播种后冬孢子萌发产生菌丝，从大麦芽中侵入，随后菌丝体随着麦苗生长逐渐扩展。大麦进入抽穗前病菌危害花器和种子，然后形成大量冬孢子，出现病穗。在适宜的温度和湿度下，部分孢子萌发，侵染青稞颖壳和种皮。在青稞抽穗前不表现出任何症状，抽穗后出现病穗，在病穗外侧生长出很多黑粉，麦穗变成畸形，发育不良不会结实，危害青稞产量。

目前，青稞黑穗病处于靠有经验种植者肉眼判断阶段，经验不足则可能判断失误，导致治疗方法有误，耽误青稞病情，影响产量。该方法可以智能诊断出青稞黑穗病，并有很好的准确性。

发明内容

针对现有欠缺的诊断青稞黑穗病的技术问题，本发明提供一种基于KNN的青稞黑穗病识别方法。该方法能减少青稞黑穗病对人为诊断经验的依赖，能增强特征表现型，提高分类准确性。

本发明包含图像预处理，提取颜色特征并对其特征进行处理，训练阶段和测试阶段。能对图像及特征做很好的处理，能准确预测出青稞黑穗病。因而本发明技术方案为一种青稞黑穗病的识别方法，该方法包括：

步骤1：获取健康的青稞正常图像样本和青稞黑穗病图像样本；

步骤2：对获得的图像进行均值滤波处理；

步骤3：将步骤2获得图像每个像素的颜色空间从RGB转到HSV，计算出各像素点的H值和S值；

步骤4：将H通道平均划分为16个等级，S通道平均划分为8个等级，组合为128个等级组合；H分量变化为0到180，S变化范围为0到255；

步骤5：对每一幅图像进行如下处理；

对每个像素点的H值和S值，根据步骤4划分出的128个等级组合，统计每个等级的像素点个数及概率，并作出概率直方图；统计每个像素H值出现的概率，并作出概率直方图；统计每个像素S值出现的概率，并作出概率直方图；

步骤6：归一化各直方图高度值；

步骤7：采用步骤6归一化后得到的健康青稞图像和患白粉病的青稞图像的四种直方图高度值作为正样本和负样本，对KNN分类器进行训练；采用训练好的KNN分类器对待检测图像进行检测。

进一步的，所述步骤2中均值滤波的方法为：

其中：S_xy表示中心点在(x,y)处，大小为m×n的滤波器窗口；h(s,t)表示原始图像，d(x,y)表示均值滤波后得到的图像。