图像识别的向日葵叶部锈病诊治范文

《电子测试杂志》2015年第四期

1向日葵叶部病害图像特征提取

1.1颜色特征提取颜色是描述向日葵叶部病害最直接的视觉特征，颜色空间是采用某种数学方法来形象化表示颜色的，常见的颜色空间有RGB、HSI、XYZ等。在农作物病害图像研究中主要采用RGB和HSI颜色模型，在自然环境下采集到的向日葵病害叶部图像容易受光照等外界因素影响（即对亮度较敏感），而RGB颜色模型各分量与亮度密切相关（即图像亮度改变，R、G、B三分量也随之改变），由此可见，RGB颜色空间并不能准确表达病害图像的颜色特征。与RGB颜色模型相比，HSI颜色模型更符合人的视觉特性，不仅可以避免光照和不同采集方法对病害样本图像的影响，而且可以有效地减少病害图像颜色信息的丢失，更好的体现病斑的颜色特征，所以本研究将病害图像从RGB颜色空间转换到HSI颜色空间，转换完成后，提取出HSI模型的三个颜色分量作为区分不同向日葵叶部病斑颜色特征的主要研究对象。HSI颜色空间和RGB颜色空间仅是同一物理量的两种不同表示法，它们之间存在着某种转换关系。若存在一幅RGB格式的彩色图像，将其转换为HSI格式图像转换公式如下所示。选取两幅向日葵叶部锈病图像进行颜色特征参数比较，通过比较H、S、I三个分量的均值分布图，进行H、S、I三个颜色分量与向日葵锈病诊断的研究。经查阅资料及反复试验确定由H分量作为颜色特征参量标准，进行相似度测定。

1.2纹理特征提取纹理特征描述主要有统计法和结构法两种方法。由于向日葵叶片纹理是在自然生存环境下形成的，其纹理在个别像素点上无规则可循，但在像素点聚集的某个区域内会体现出规律性，这属于准规则纹理，不适合利用结构的方法对其进行描述。因此，本文利用灰度共生矩阵对向日葵叶部病斑纹理进行研究分析，通过对比分析提取出最佳纹理特征参数作为向日葵叶部不同病害纹理识别的判别依据。由于灰度共生矩阵不能直接用于描述图像的纹理特征，所以采用矩阵状况的统计量，常用的有以下几种。由向日葵锈病图像作为纹理特征参数的分析展示。研究分析病害分别在距离d=1和角度分别为0o、45o、90o、135o时灰度共生矩阵的特征，并分别提取它们的角能量、对比度、相关性、熵、逆差距共20个统计参量进行实验研究分析。取其中一幅图纹理特征参数如图3-6所示：

2病害识别

运用纹理特征的方法对其余十幅锈病叶片图进行参数分析，取值范围如下：确定含锈病叶片纹理各参数大致范围，进行识别。取10幅向日葵叶部图片，其中含向日葵锈病图6幅，经识别，其中4幅叶片图含锈病，识别率达66.7%。虽然不是所有的锈病都能被正确地识别，还存在一定的误差，但总体上可以较好的识别出病害叶片。

3结术语

本研究结合向日葵叶部染病时病斑所呈现的颜色、纹理等生物特征，采用先进的数字图像处理技术对向日葵叶部病害进行诊断识别；并以MATLAB为平台，实现向日葵叶部病害图像预处理、病斑特征提取和病害诊断，最终对向日葵叶部锈病进行识别。在研究过程中得出如下结论：（1）向日葵叶部病害图像预处理。本文经过对邻域滤波法、中值滤波法和矢量中值滤波法进行比较分析之后，得出中值滤波法对图像去噪效果较好，处理过程中很好的保留了病斑原始有用信息且图像不模糊。叶部病斑分割时采用最大类间方差法自动求取阈值对向日葵叶部病斑进行分割。（2）向日葵叶部病斑特征提取。利用病斑的颜色特征和纹理特征，经过对多个特征描述进行对比试验之后，选出6个特征参量（11个值）作为不同病害识别的依据。结果表明，选出的6个特征参量能够较好地表示向日葵叶部病斑的特点。（3）向日葵叶部病害识别。通过颜色特征、纹理特征得出向日葵叶部是否含有锈病。

作者：狄鹏慧吕芳单位：内蒙古工业大学信息工程学院