[发明专利]一种基于图像处理的苹果树病虫害的识别方法

权利要求书

1.一种基于图像处理的苹果树病虫害的识别方法，其特征在于，包括：

步骤一、对苹果树图像进行信息采集；

步骤二、对所采集的苹果树图像使用自动色彩增强算法进行图像增强预处理；

步骤三、对预处理后的图像使用均值漂移聚类算法进行初步聚类分割，保留图像中枝干、树叶、苹果三部分；

步骤四、利用Tamura算法提取步骤三中聚类保留图像的线性度、粗糙度、对比度、方向度四类特征值；

步骤五、将步骤四中的四类特征值作为输入量，通过构造和训练得到径向基神经网络模型；

步骤六、利用步骤五中得到的径向基神经网络模型与Softmax分类器结合确定苹果树所患病虫害类型；

所述对已聚类分割后的苹果树图像进行训练识别，构建径向基神经网络模型的具体步骤如下：

步骤五一一：将从分割后苹果树灰度图像中提取的粗糙度、对比度、方向度、线性度四类特征值作为输入层输入矢量，用径向基作为隐单元的“基”构成隐含层空间；

步骤五一二：将隐单元输出的线性加权和作为网络的输出，此处的权即为网络可调参数；

步骤五一三：利用径向基函数、激活函数、损失函数构成线性方程组，网络的权由线性方程组直接解出，进而求出基函数的中心、方差以及隐含层到输出层的权值三个神经网络的参数；

所采用的径向基函数是高斯核函数，形式为k(||x-x_c||)＝exp{-||x-x_c||^2/(2*σ^2)}，其中x_c为核函数中心，σ为函数的宽度参数，控制函数的径向作用范围，其具体表述如下：

径向基神经网络的激活函数可表示为：

其中x_p为第p个输入样本，c_i为第i个中心点，径向基神经网络的结构可得到网络的输出为：

其中，j＝1，2，3，...，n；h为隐含层的结点数；n是输出的样本数；ω为权值；

采用最小二乘的损失函数表示：

采用自组织选取中心学习方法进行径向基神经网络的学习训练，其具体表述如下：

步骤五二一：无监督学习过程，求解隐含层基函数的中心与方差；

步骤五二二：有监督学习过程，求解隐含层到输出层之间的权值；

首先，在分割后苹果树灰度图像特征值中选取h个中心做k-means聚类，对于高斯核函数的径向基，方差由公式求解：

其中，i＝1，2，…，h；

c_max为所选取中心点之间的最大距离；

隐含层至输出层之间的神经元的连接权值可以用最小二乘法直接计算得到，即对损失函数求解关于权值ω的偏导数，使其等于0，可以化简得到计算公式为：

其中，p＝1，2，…，P；i＝1，2，…，h；

利用以上公式计算出的各类参数完成径向基神经网络模型的搭建，并且使用该神经网络模型对数据集中的分割后苹果树灰度图像特征值进行训练，得到训练后的特征值并输出；

步骤六中所述Softmax分类器具体为：应用Softmax回归模型，该模型在处理多分类问题时，类标签y可取得k个不同值；因此，在对于苹果树灰度图像特征值训练集，则有m个已标记样本{(x⁽¹⁾，y⁽¹⁾)，…，(x^(m)，y^(m))}，特征向量x的维度为n+1，其中x₀＝1对应截距项；

设输入测试元素为x，则x可表示为经过训练的分割后苹果树灰度图像的特征值，在分类测试过程中，则每种类别j应当存在一个识别概率，因此可将假设函数公式h₀(x)设置为：

在式(16)中，θ₁，θ₂，…，θ_k∈Rⁿ⁺¹通常表示为分类器模型参数，而其中的通常是对分类识别概率数据的一种归一化处理，使得所有概率之和为1；

在Softmax分类器进行苹果树患病图像分类测算的过程中，若将参数θ以矩阵的形式进行表示，则该矩阵为：

Softmax的代价函数J(θ)则为：

在Softmax损失函数中对类标记的k个可能值进行累加，根据该代价函数，将x分类为类别j的概率则为：

根据对上述公式的求导，得出梯度公式为：

通过以上公式的应用完成对经过训练的分割后苹果树灰度图像特征值数据的处理，最终确定苹果树所患病虫害类型为斑点落叶病、轮纹病、褐腐病中的一种。