一種基于概率密度比值的作物病害識別方法
【專利摘要】本發明公開了一種基于概率密度比值的作物病害識別方法，屬于圖像處理和模式識別【技術領域】。該方法的步驟包括：采集并拍攝作物病害葉片圖像，將其轉換為灰度圖像后進行處理后得到彩色病斑圖像；對彩色病斑圖像進行處理得到每幅圖像的特征向量；引入概率密度比值對目標函數加權，對組合成后的作物病害葉片圖像的特征向量進行維數約簡；采用最近鄰分類器對測試樣本進行分類。本發明具有特征提取速度快，識別率高，識別效果穩定，實時性強和實施性容易等優點。
【專利說明】一種基于概率密度比值的作物病害識別方法

【技術領域】
[0001] 本發明涉及利用作物病害葉片的病斑識別作物病害的【技術領域】，特別涉及一種基 于概率密度比值的作物病害識別方法。

【背景技術】
[0002] 作物病害是嚴重影響各國農作物產品數量和質量的主要原因，及早發現作物病 情和準確檢測出病害類型是進行科學防治作物病害的前提。由于作物葉片是作物中最豐 富、占據部位最多、觀察最方便的部分，也是很多往往首先出現的部位，所以，葉片病斑是人 們判斷作物病害發生及其危害程度的重要依據之一。傳統的作物病害檢測方法主要依靠 農業基層防護員和農業生產者靠眼睛觀測作物病害葉片的癥狀來診斷作物病害的發生和 危害程度，這種方法的主觀性強、識別速度慢、誤識率高、實時性差等，往往造成病害誤診 或錯過最佳防治時期，難以滿足大范圍作物病害實時監測的需求【Sabah Bashir，Navde印 Sharma. Remote Area Plant Disease Detection Using Image Processing. Journal of Electronics and Communication Engineering, 2012, 2 (6) : 31-34.】。從目前的研究結果 來看，采用計算機和圖像處理技術能夠客觀、快速、準確地識別作物病害，從而實現作物病 害的防治和精確施用農藥【李旺，唐少先.基于圖像處理的農作物病害識別研究現狀[J]. 湖南農機，2012, 39(1) :176-178.】。但是，病害葉片的復雜性使得通過葉片癥狀來檢測作 物病害并不容易【H. Al-Hiary, S. Bani-Ahmad, M. Reyalat. Fast and Accurate Detection and Classification of Plant Diseases[J]. International Journal of Computer Applications，2011，17(1) :31-38.】。目前作物病害的種類較多，導致作物病害葉片呈現出 多種多樣的病斑形狀，使得基于作物病害葉片的病害識別方法研究具有挑戰性。


【發明內容】

[0003] 本發明的目的是克服現有技術中的問題，提出一種基于概率密度比值的作物病害 識別方法，具有識別速度快、識別率高、識別效果穩定和實用性強等優點。
[0004] 為實現上述目的，本發明采用如下的技術方案：
[0005] -種基于概率密度比值的作物病害識別方法，包括以下步驟：
[0006] 步驟1 :對病害葉片圖像的特征向量進行基于概率密度比值的維數約簡；
[0007] 采集并拍攝η幅作物病害葉片圖像{gi (X，y)，g2 (X，y)，· · ·，gn(x, y)}，將每幅作物 病害葉片圖像轉換為灰度圖像，再將灰度圖像轉換為彩色病斑圖像；對彩色病斑圖像進行 處理得到每幅圖像的特征向量；由每幅圖像的特征向量得到η幅病害葉片圖像的投影矩陣 A ;得到投影矩陣A的具體過程如下：
[0008] 4)對于η幅中任意兩幅病害葉片圖像gj(x, y)和gk(x, y)，計算gj(x, y)與gk(x, y) 互為近鄰的概率密度比值qjk:

【權利要求】
1. 一種基于概率密度比值的作物病害識別方法，其特征在于，包括以下步驟： 步驟1 :對病害葉片圖像的特征向量進行基于概率密度比值的維數約簡； 采集并拍攝η幅作物病害葉片圖像{gi(X，y)，g2 (X，y)，. . .，gn(x,y)}，將每幅作物病害 葉片圖像轉換為灰度圖像，再將灰度圖像轉換為彩色病斑圖像；對彩色病斑圖像進行處理 得到每幅圖像的特征向量；由每幅圖像的特征向量得到η幅病害葉片圖像的投影矩陣A;得 到投影矩陣A的具體過程如下： 1) 對于η幅中任意兩幅病害葉片圖像gj(x,y)和gk(x,y)，計算gj(x,y)與gk(x,y)互 為近鄰的概率密度比值qjk:
式中，β為一個調節參數，由交叉驗證法確定；Wj為gj(x,y)的特征向量，Wk為gk(x,y) 的特征向量，je[1，η]，ke[I, n]; 設圖像gj(x，y)屬于第S類，計算任意一幅病害葉片圖像與gj(x,y)同類的概率qs:
(15) 式中，As為第S類所有病害葉片圖像的集合；Se[1，Κ]，Κ為病害葉片圖像類別數目； 利用公式（16)計算第s類作物病害葉片圖像的加權均值f:
(16) 式中，ns為第s類作物病害葉片圖像的數目； 2) 計算病害葉片圖像的類間散度矩陣Sb和類內散度矩陣Sw，分別表示為：
(17) 式中，^為第1類病害葉片圖像的加權均值，Ie[1，K]，Fb:為第S類的第m幅作物 病害葉片圖像的特征向量； 3) 求解投影矩陣： 先構造廣義特征方程：SBa=λSwa (18) 式中，λ為特征值，a為對應λ的特征向量； 再求解式（18)的d個最大的特征值所對應的特征向量ai，a2，...，ad，d為低維特征向 里;的維數；由a2, · · ·，agii成個投影矩陣A= [a丨，a2, · · ·，ad]; 由投影矩陣A對η幅病害葉片的特征向量集（W1,W2,. . .，WJ進行維數約簡，得低維病 害識別特征向量集（Y1,Y2,...，YJ，其中Yi=Α%α= 1，2,...，n)，At為矩陣A的轉置； 步驟2:利用最近鄰分類器進行作物病害類型識別； 將用于訓練最近鄰分類器的作物病害葉片圖像的低維病害識別特征向量集 (Y1,Y2, ...，YJ及其對應的作物病害葉片圖像的病害類別信息作為識別模板數據庫；將識 別模板數據庫中的圖像輸入到最近鄰分類器，訓練該分類器； 計算任意一幅待識別的作物病害葉片圖像Lmw(X，y)的44個特征值，并組成一個特征 向量Wmw,再計算特征向量Wmw的低維特征向量YnOT=AtWmw; 將低維特征向量Ymw輸入到訓練后的最近鄰分類器，找出一個最近鄰點中同一作物病 害類別點數最多的類別作為待識別的作物病害葉片圖像Lnrat (X，y)的類別，從而完成對于作 物病害的識別。
2.根據權利要求1所述的一種基于概率密度比值的作物病害識別方法，其特征在于， 將每幅作物病害葉片圖像轉換為灰度圖像，再轉換為彩色病斑圖像的具體過程如下： 采集并拍攝作物病害葉片圖像，對于拍攝到的任意一幅作物病害葉片圖像g(x，y)， 將其轉換為灰度圖像H(x，y)，設灰度圖像H(x，y)的像素個數為m，灰度值i取值范圍為 [0, 1，2,…，255];若灰度值為i的像素個數為Hii,則灰度值為i的像素個數在總像素中所占 的比例為A= ^ ;設一個閾值t將灰度圖像H(x，y)劃分成病斑像素集Ctl和正常像素集 C1兩類，te[〇, 255]，則病斑像素集Ctl和正常像素集(^中的灰度值范圍分別是[0, 1，…，幻 和[t+1，t+2,…，255]，CjPC1中的像素個數在灰度圖像的像素中所占的比例分別為：
(1) 病斑像素集Q1和正常像素集C 的平均灰度值分別為：
(2) 小于閾值t時灰度的平均值為：
(3) 病斑像素集Q1和正常像素集C 數據的方差為： d(t)=ω〇[μ〇-μ (t)]2+ωj[ μrμ (t)]2 (4) 變化0到255之間的t值，使得d(t)取最大值時的t的取值記為Τ，則T為最佳分割閥 值； 由最佳分割閥值T對灰度圖像H(x，y)進行劃分，得到二值化病斑圖像S:
將二值化病斑圖像S(x,y)與g(x,y)相乘，得到彩色病斑圖像C(x,y): C(x,y) =S(x,y)Xg(x,y) (6)。
3.根據權利要求1所述的一種基于概率密度比值的作物病害識別方法，其特征在于， 對彩色病斑圖像進行處理得到每幅圖像的特征向量的具體過程如下： 1) 提取彩色病斑圖像C(x，y)的三個通道紅、綠、藍的顏色值矩陣R、G、B，利用下式（7) 由R、G、B得到病斑的灰度值矩陣Gray: Gray= 0. 299R+0. 587G+0. 114B (7) 2) 利用下式（8)將顏色值矩陣R、G、B轉換為色調矩陣Η、亮度矩陣S、飽和度矩陣I:
3) 利用下式（9)由R、G、B計算兩種刺激色彩矩陣X、Z:
4) 利用下式（10)由R、G、B計算YCbCr顏色空間的兩種色彩矩陣Cb、Cr:
5) 計算得到的11個矩陣1?、6、8、6四7、!1、5、1、乂、2、〇3、0的一階矩、二階矩和三階矩， 共得到33個實數； 6) 由下式（11)計算色調矩陣H的偏度Co1、峰值ω2、能量ω3、熵ω4，共得到4個實數：
r(i) _ 式中，/HO="Α,，M和N為色調矩陣H的維數,r(i)為色調矩陣H中元素值為i的M -N 數目，μH為色調矩陣H中所有元素的均值； 7)設Δ= {(X，y)|Grap(x，y)〈119}為葉片病斑區域，利用下式（12)計算灰度值矩陣 Grap (x，y)的Λ區域內的正則化中心矩ι?Μ:

P、q為兩個正整數，μc為灰度值 矩陣Gray中所有元素的均值； 利用正則化中心距，由下式（13)計算灰度值矩陣Gray的病斑區域的7個不變矩Hu"Hu2、Hu3、Hu4、Hu5、Hu6、Hu7，分別表示為：
8) 對于每一幅作物病害葉片圖像，利用式（1)?式（13)得到病斑圖像的44個特征值， 將這44個特征值按照先后順序排列組成一個特征向量，得到每幅圖像的特征向量。
【文檔編號】G06T7/00GK104463173SQ201410772116
【公開日】2015年3月25日 申請日期:2014年12月12日 優先權日:2014年12月12日
【發明者】張善文, 師韻, 鄧海生 申請人:西京學院