一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法
【技术领域】
[0001] 本发明涉及稻瘟病孢子显微图像识别方法，特别涉及一种基于图像处理和模式识 别技术的稻瘟病孢子显微图像识别方法。
【背景技术】
[0002] 水稻稻瘟病病害的早期检测和病害程度判别是对稻瘟病进行预测预报和化学防 治的基础和关键。由于病害初期阶段症状表现不明显，农业生产者往往缺乏作物病害诊断 的专业知识，使得受害作物得不到有效控制，作物受害面积迅速扩大，病害加重。稻瘟病病 害识别与分级检测，主要分为大田检测和实验室检测两方面进行。大田检测通常根据农学 专家或者农业生产者的肉眼观察来完成，这种诊断方式常常会受到各种主观因素的影响， 导致判别不准确。而实验室检测是指采集染病样本，在实验室环境下由专业的技术检测人 员完成对稻瘟病孢子的识别与数目统计。由于样本数巨大，并且孢子个体很小，传统显微镜 孢子计数需要大量时间，而长时间观察易造成眼睛疲劳。此外，如果样本中的病原孢子中混 有其他种类的病原孢子，将对传统显微镜孢子计数造成很大的干扰，大大增加了对初期灾 情的发现难度。
[0003] 图像识别是计算机应用领域中利用计算机对图像进行处理、分析和理解，以识别 各种不同模式的目标和对象的技术。基于图像识别技术对稻瘟病孢子进行自动识别与统计 具有快速、低成本、智能化等优点，但目前尚无其他针对稻瘟病孢子显微图像的计算机自动 识别技术。
【发明内容】
[0004] 本发明的目的是为了解决大田检测通常根据肉眼观察判别不准确、目前实验对样 本数需求巨大，并且孢子个体很小，传统显微镜孢子计数需要大量时间，而长时间观察易造 成眼睛疲劳增加了对初期灾情的发现难度的问题，而提出的一种基于图像处理和模式识别 技术的稻瘟病孢子显微图像识别方法。
[0005] 上述的发明目的是通过以下技术方案实现的：
[0006] 步骤一、成像系统获取图像即原始图像转灰度图；
[0007] 步骤二、将灰度图进行图像增强处理，得到的直方图均衡化效果图；
[0008] 步骤三、将直方图均衡化效果图进行局部自适应阈值分割，得到二值化效果图；
[0009] 步骤四、将二值化效果图进行形态学变换的去噪处理，得到去噪效果图；
[0010] 步骤五、将去噪效果图通过Canny边缘检测，得到只含有边缘信息的前景图，将只 含边缘信息的前景图进行轮廓提取得到轮廓的个数，并将各轮廓以轮廓树的形式保存起 来；按照轮廓树逐一绘制出前景图的各轮廓，即得到疑似稻瘟病孢子的图形轮廓；
[0011] 步骤六、采集提取出的疑似稻瘟病孢子的图形轮廓特征值，利用图形轮廓特征值 对疑似稻瘟病孢子的图形轮廓进行分类统计出稻瘟病孢子的图形轮廓和杂质的图形轮廓； 从而识别出稻瘟病孢子显微图像；最终完成稻瘟病孢子的识别并统计稻瘟病孢子数量；其 中，采集提取出的疑似稻瘟病孢子的图形轮廓特征值包括形态特征和光密度特征两种；形 态特征包括：宽度、高度、面积、周长、偏心率、圆形度和矩形度特征；光密度特征包括综合 光密度、平均灰度、光密度方差以及特征灰度；即完成了一种基于图像处理和模式识别技术 的稻瘟病孢子显微图像识别方法。
[0012] 发明效果
[0013] 本发明是一种智能化的稻瘟病孢子显微图像识别处理方法。其步骤为：图像预处 理、图像分割、孢子特征提取、模式识别。优点：引入自适应阈值分割与自适应边缘检测算 法，使轮廓提取的信息损失降到最小；分类器设计采用投票的方法，避免单个分类器分类精 度较低的情况，提高整体的分类精度。当各分类器的分类结果差别较大时，采用对原图像的 分类结果作为参考和降低贝叶斯分类器权值的方法进行判别，并返回提示信息，可进行人 为更改分类结果。图像质量的影响通过以上研宄，已完成了对稻瘟病孢子显微图像的预处 理、边缘检测、轮廓提取工作，但考虑到实际拍摄图像的质量差异问题，在此对于质量较差 的图像处理进行如下分析。
[0014] 如图7所示为一质量较差样本，图像中存在着大量的噪声即干扰信息，对该样本 进行直方图均衡化处理后的效果如图8。
[0015] 可知，稻瘟病孢子的轮廓与背景的对比度得到了加强，但部分干扰色块仍存在较 强干扰，按照本设计的处理方法继续进行Canny边缘检测。
[0016] 如图9 (a)~（d)可发现，不同的阈值对于检测的效果影响很大。对于图9 (a)~ (d)，选择10的低阈值和350的高阈值比较合理，而选取其他阈值则将无法识别出所需信 息。选取该阈值进行轮廓识别可以得到如图10(a)~（b)的效果。
[0017] 可见，阈值的选择对图像的分割提取至关重要，只有当阈值选择合适时才能完成 对稻瘟病孢子的识别。而人为修改阈值费时费力，丧失了计算机图像识别的优越性，因此对 原算法进行了改良，采用自适应阈值的二值化与边缘检测算法。
【附图说明】
[0018] 图1【具体实施方式】一提出的稻瘟病孢子图像识别过程框图；
[0019] 图2【具体实施方式】二提出的稻瘟病孢子显微原图；
[0020] 图3【具体实施方式】二提出的灰度化效果图；
[0021] 图4【具体实施方式】一提出的直方图均衡化效果图；
[0022] 图5【具体实施方式】六提出的Canny边缘检测效果图；
[0023] 图6【具体实施方式】七提出的灰度图轮廓提取效果图；
[0024] 图7【具体实施方式】一提出的成像系统获取图像即原始图像；
[0025] 图8【具体实施方式】一提出的直方图均衡化效果图；
[0026] 图9 (a)【具体实施方式】一提出的阈值为10100的Canny边缘检测效果图；
[0027] 图9 (b)【具体实施方式】一提出的阈值为10350Canny边缘检测效果图；
[0028] 图9 (c)【具体实施方式】一提出的阈值为80100Canny边缘检测效果图；
[0029] 图9 (d)【具体实施方式】一提出的阈值为100350Canny边缘检测效果图；
[0030] 图10(a)【具体实施方式】一提出的轮廓提取效果图；
[0031] 图10(b)【具体实施方式】一提出的形状提取效果图；
[0032] 图11【具体实施方式】四提出的自适应二值化示意图；
[0033] 图12【具体实施方式】五提出的膨胀腐蚀去噪处理后的图像示意图；
[0034] 图13【具体实施方式】六提出的自适应Canny边缘检测示意图；
[0035] 图14【具体实施方式】七提出的原始图像轮廓提取示意图；
[0036] 图15【具体实施方式】三提出的原始图像的灰度直方图从比较集中的某个灰度区间 变成在全部灰度范围内的均匀分布的示意图；
[0037] 图16【具体实施方式】二提出的RGB模型示意图。
【具体实施方式】
【具体实施方式】 [0038] 一：本实施方式的一种基于图像处理和模式识别技术的稻瘟病孢子 显微图像识别方法，具体是按照以下步骤制备的：
[0039] 步骤一、成像系统获取图像即原始图像转灰度图；
[0040] 步骤二、将灰度图进行图像增强处理，得到的直方图均衡化效果图如图4 ;
[0041] 步骤三、将直方图均衡化效果图进行局部自适应阈值分割，得到二值化效果图；
[0042] 步骤四、将二值化效果图进行形态学变换的去噪处理，得到去噪效果图；
[0043] 步骤五、将去噪效果图通过Ca