一种温室蔬菜叶部病害图像自动识别方法
【专利摘要】一种温室蔬菜叶部病害图像自动识别方法，包括：对蔬菜叶部病害进行图像采集；自动生成阈值：采用二维最大熵原理，结合图像的平均灰度级别和邻域内灰度级别进行估计，并利用差分进化算法对自动生成的阈值进行优化，取30次以上的独立运行的差分进化算法优化后的结果的平均值作为图像分割用的阈值；利用阈值对已知蔬菜叶部病害图像进行分割，获取病斑区域的图像；分析病斑的特征，获得蔬菜叶部病害图像病斑的颜色、纹理、形状特征参数；对病斑特征进行融合，并进行病害种类特征识别。本发明可实现在不对蔬菜病叶做损伤的情况下对温室大棚内的叶部病害进行快速有效地诊断，很好地应用于温室蔬菜病害监测。
【专利说明】一种温室蔬菜叶部病害图像自动识别方法
【技术领域】
[0001]本发明涉及一种图像自动识别方法。特别是涉及一种采用计算机图像处理技术的智能化温室蔬菜叶部病害图像自动识别方法。
【背景技术】
[0002]设施蔬菜是指露地不适于蔬菜作物生长的季节或地区，利用温室等特定设施，人为构造适于蔬菜生长的环境，根据人们的需要，有计划地生产优质、高产、稳产的蔬菜的一种环境调控农业。“十一五”期间，我国设施蔬菜取得了迅猛的发展。截至2010年底，我国设施蔬菜年种植面积估计约达466.7万hm2，分别占我国设施栽培的95%和世界设施园艺80%的面积，现在仍以每年10%左右的速度在增长。目前，我国设施蔬菜产值已达7000亿元，分别占蔬菜和全国种植业总产值的65%和20%以上，全国农民人均增收接近800元，占农民人均纯收入的16%，提供了近4000万个就业岗位，已成为我国许多区域的农业支柱产业。
[0003]设施蔬菜病虫害发生种类繁多,且病害多于虫害。蔬菜生产中病害主要有霜霉病、灰霉病、瓜类枯萎病、白粉病、根结线虫病等；虫害主要有温室白粉虱、烟粉虱等,病虫害造成的损失一般为10%?30%，严重的可达50%以上，给菜农带来较大的经济损失。
[0004]机器视觉技术通过各种成像系统实现图像信息的采集，由计算机利用图像处理技术来提取和解释采集对象的特征，结合各种模式识别算法，可以对对象进行定量、定性的描述和分析，在植物病害诊断方面得到了广泛的应用。植物感病以后引起植物外部形态改变，产生病斑，反映在图像上则会形成颜色、纹理、形状特征的差异。这些差异为利用机器视觉技术和图像处理技术诊断植物病害提供了依据。
[0005]基于计算机视觉的农业病虫害图像识别通过病害的颜色、形态等特征，利用计算机视觉、图像处理和分析等技术来进行识别。其识别过程简单、快捷、准确，操作过程及对设备的要求也相对简单，不受人员的经验、情绪等主观因素影响，但在识别准确率和识别效率有待提高。随着图像处理技术和模式识别技术的发展，使计算机视觉技术应用于农作物病害的识别取得了很大的进步。然而，现有的农作物病害检测的方法中，图像获取多是在理想的特定背景条件下采用单一的确定的图像采集方式，有的甚至是将病叶采摘以后放在特定的背景后进行拍照，不具备广泛的实用性。
【发明内容】
[0006]本发明所要解决的技术问题是，提供一种针对不同作物的病害，利用计算机视觉技术，采用图像识别算法，实现对蔬菜叶部病害的智能化自动检测的温室蔬菜叶部病害图像自动识别方法。
[0007]本发明所采用的技术方案是:一种温室蔬菜叶部病害图像自动识别方法，包括如下步骤:
[0008]I)对蔬菜叶部病害进行图像采集；
[0009]2)自动生成阈值:采用二维最大熵原理，结合图像的平均灰度级别和邻域内灰度级别进行估计，并利用差分进化算法对自动生成的阈值进行优化，取30次以上的独立运行的差分进化算法优化后的结果的平均值作为图像分割用的阈值；
[0010]3)利用阈值对已知蔬菜叶部病害图像进行分割，获取病斑区域的图像；
[0011]4)分析病斑的特征，获得蔬菜叶部病害图像病斑的颜色、纹理、形状特征参数；
[0012]5)对步骤4)获得的病斑特征进行融合，并进行病害种类特征识别。
[0013]所述的图像采集为完全人工现场采集方式或人工现场采集和远程监控采集相结合的方式。
[0014]步骤2)所述的自动生成阈值，具体包括:
[0015](I)读入图像数据，利用图像读取函数将采集到的彩色图像文件读入到自定义的变量Img中；
[0016](2)将变量Img转换成灰度图像格式，并把它存放到自定义的变量graylmg中；
[0017](3)设置表示邻域大小的k值，k的取值为3或5或7 ;
[0018](4)计算变量graylmg的邻域内平均灰度级别g(x, y)，其中(x, y)表示图像中的第X行，第y列位置，所述平均灰度级别g(x，y)的取值为灰度值；
[0019](5)统计graylmg内的灰度级f (x, y) =i的像素的个数，其中i的取值为灰度值，以及统计graylmg的邻域内平均灰度级g(x, y)=j的像素的个数，其中j的取值为灰度值；
[0020](6)利用二维最大熵法计算graylmg中整个二维直方图的联合概率Pij ；
[0021](7)设定差分进化算法交叉率CR，缩放因子F，种群大小NP和差分进化算法终止条件；
[0022](8)利用元组(i，j)生成用于差分进化操作的初始种群，其中i表示像素(X，y)的灰度级，j表示(X，y)邻域平均灰度级；
[0023]( 9 )进行差分进化变异操作；
[0024]( 10)进行差分进化交叉操作；
[0025](11)计算每一个生成个体的适应度值，并进行差分进化选择操作；
[0026](12)判断是否达到设定的差分进化终止条件，是则进入下一步骤，否则返回步骤(9)；
[0027](13)判断是否运行到设定的独立次数，是则利用求得30次以上的独立差分进化求得阈值的平均值，得到平均阈值Thresh作为输出阈值，否则返回步骤(8)。
[0028]步骤3)所述的对已知蔬菜叶部病害图像进行分割，具体包括:
[0029](I)将Img进行HSI空间转换，生成H分量、S分量和I分量，利用阈值Thresh对I分量进行分割得到二值图像tmp ；
[0030](2)对分割求得的二值图像tmp进行形态学运算得到处理后的二值图像BinImg ；
[0031](3)将经形态学运算处理后的二值图像BinImg与Img图像数据进行逻辑“与”运算，得到并输出分割后生成的病斑图像illlmg。
[0032]步骤4)所述的分析病斑的特征包括:
[0033]( I)病斑图像颜色特征提取
[0034](a)利用图像分割生成的病斑图像illlmg,分解成病斑图像红色分量、蓝色分量和绿色分量；
[0035](b)由红色分量、蓝色分量和绿色分量求出相应的三种颜色分量的一阶、二阶、三阶颜色矩；
[0036](c)对病斑图像进行HSI空间转换，求出病斑图像的H分量、S分量和I分量；
[0037](2)病斑图像纹理特征提取
[0038](a)对病斑图像illlmg进行灰度转化，求出与它对应的灰度共生矩阵；
[0039](b)利用灰度共生矩阵生成相对于的病斑图像的相关性、能量、熵、对比度和逆差距五种纹理特征；
[0040](3)病斑图像形状特征提取
[0041]求解病斑图像的矩形度、圆形度、形状复杂性的离散指数、病斑面积、病斑周长特征。
[0042]步骤5)所述的对图像特征进行融合包括:
[0043](I)分别对步骤4)获得的颜色、形状、纹理图像特征值进行标准化处理；
[0044](2)分别对属于颜色特征、纹理特征和形状特征的不同特征值采用平均加权法进行特征融合；
[0045](3)贝叶斯识别
[0046](a)利用已知的病害图像颜色、纹理和形状特征值对贝叶斯分类器进行训练；
[0047]( b )利用贝叶斯分类器对融合后的待识别图像特征值进行识别，输出识别结果。
[0048]所述的利用已知的病害图像颜色、纹理和形状特征值对贝叶斯分类器进行训练，包括:
[0049](al)求出训练集中图像数据的颜色特征、纹理特征和形状特征的均值和方差；
[0050](a2)设定蔬菜得病的先验概率为P (Cli) =1/T，T为待识别疾病的种类，其中(Ii表示第i种疾病，P为疾病Cli的先验概率，i为疾病的编号取大于等于I的整数。
[0051 ] 所述的利用贝叶斯分类器对融合后的待识别图像特征值进行识别，包括:
[0052](bl)利用正态分布求出患疾病Cli表现出的颜色特征的概率值、纹理特征的概率值和形状特征的概率值；
[0053](b2)求出贝叶斯公式中的正态常量；
[0054](b3)利用贝叶斯公式求出在已知颜色特征值、纹理特征值和形状特征值条件下蔬菜患疾病Cli的概率；
[0055](b4)进行病害分类，将在相同的颜色特征值、纹理特征值和形状特征的条件下具有最大后验概率的疾病作为最终判定的疾病种类。
[0056]本发明的一种温室蔬菜叶部病害图像自动识别方法，可实现在不对蔬菜病叶做损伤的情况下对温室大棚内的叶部病害进行快速有效地诊断，很好地应用于温室蔬菜病害监测。
【专利附图】
【附图说明】
[0057]图1是本发明方法的流程图；
[0058]图2是本发明的阈值自动生成流程图；
[0059]图3是本发明的图像分割流程图；
[0060]图4是本发明的图像识别流程图；
[0061]图5是二维灰度直方图；[0062]图6是八连通方向示意图；[0063]图7是链码方向图。
【具体实施方式】
[0064]下面结合实施例和附图对本发明的一种温室蔬菜叶部病害图像自动识别方法做出详细说明。
[0065]如图1所示，本发明的一种温室蔬菜叶部病害图像自动识别方法，包括对蔬菜叶部病害进行图像采集；自动生成阈值；利用阈值对已知蔬菜叶部病害图像进行分割，获取病斑区域的图像，并进行融合；进行病害种类特征识别。
[0066]本发明的一种温室蔬菜叶部病害图像自动识别方法，具体如下:
[0067]I)对蔬菜叶部病害进行图像采集；
[0068]所述的图像采集为完全人工现场采集方式或人工现场采集和远程监控采集相结合的方式。人工现场采集是由工作人员使用摄像机在温室内实地进行叶部病害图像采集。采集时，使病斑处于图像的中间位置，尽量减少非病叶背景在图像中所占范围，拍摄角度采取镜头正对病叶的方式进行。远程监控采集是利用高分辨率摄像头对温室内的病叶进行监控，发现病叶以后，对病害叶部进行监控视频截图，然后在计算机上对所截图像进行裁剪。裁剪时，要求图像中病叶完整，尽量减少非病叶背景范围。图像采集可以采用完全人工现场采集方式；也可以采用人工采集为主，远程监控采集为辅的方式进行。
[0069]2)自动生成阈值:采用二维最大熵原理，结合图像的平均灰度级别和邻域内灰度级别进行估计，并利用差分进化算法对自动生成的阈值进行优化，取30次以上的独立运行的差分进化算法优化后的结果的平均值作为图像分割用的阈值；
[0070]所述的自动生成阈值,如图2所示,具体包括:
[0071](I)读入图像数据，利用图像读取函数将采集到的彩色图像文件读入到自定义变量Img中；
[0072](2)将自定义变量Img中的数据转换成灰度图像，并把它存放到自定义变量graylmg 中；
[0073](3)设置表示邻域大小的k值，k的取值为3或5或7，实验中k设为3 ；
[0074]设图像的灰度级取值范围是O~L-1，L取值256，f(x, y)是像素点(x，y)的灰度级，g(x，y)是以(x，y)为中心，大小为kXk的邻域内像素的平均灰度级。邻域的平均灰度级定义为:
【权利要求】
1.一种温室蔬菜叶部病害图像自动识别方法，其特征在于，包括如下步骤: 1)对蔬菜叶部病害进行图像采集； 2)自动生成阈值:采用二维最大熵原理，结合图像的平均灰度级别和邻域内灰度级别进行估计，并利用差分进化算法对自动生成的阈值进行优化，取30次以上的独立运行的差分进化算法优化后的结果的平均值作为图像分割用的阈值； 3)利用阈值对已知蔬菜叶部病害图像进行分割，获取病斑区域的图像； 4)分析病斑的特征，获得蔬菜叶部病害图像病斑的颜色、纹理、形状特征参数； 5)对步骤4)获得的病斑特征进行融合，并进行病害种类特征识别。
2.根据权利要求1所述的一种温室蔬菜叶部病害图像自动识别方法，其特征在于，所述的图像采集为完全人工现场采集方式或人工现场采集和远程监控采集相结合的方式。
3.根据权利要求1所述的一种温室蔬菜叶部病害图像自动识别方法，其特征在于，步骤2)所述的自动生成阈值，具体包括: (1)读入图像数据，利用图像读取函数将采集到的彩色图像文件读入到自定义的变量1mg 中； (2)将变量Img转换成灰度图像格式，并把它存放到自定义的变量graylmg中； (3)设置表示邻域大小的k值，k的取值为3或5或7; (4)计算变量graylmg的邻域内平均灰度级别g(x,y),其中(x, y)表示图像中的第x行，第y列位置，所述平均灰度级别g(x，y)的取值为灰度值； (5)统计graylmg内的灰度级f(x,y)=i的像素的个数，其中i的取值为灰度值，以及统计graylmg的邻域内平均灰度级g(x, y)=j的像素的个数，其中j的取值为灰度值； (6)利用二维最大熵法计算graylmg中整个二维直方图的联合概率Pij； (7)设定差分进化算法交叉率CR，缩放因子F，种群大小NP和差分进化算法终止条件； (8)利用元组(i，j)生成用于差分进化操作的初始种群，其中i表示像素(X，y)的灰度级，j表示(X，y)邻域平均灰度级； (9)进行差分进化变异操作； (10)进行差分进化交叉操作； (11)计算每一个生成个体的适应度值，并进行差分进化选择操作； (12)判断是否达到设定的差分进化终止条件，是则进入下一步骤，否则返回步骤(9)； (13)判断是否运行到设定的独立次数，是则利用求得30次以上的独立差分进化求得阈值的平均值，得到平均阈值Thresh作为输出阈值，否则返回步骤(8)。
4.根据权利要求1所述的一种温室蔬菜叶部病害图像自动识别方法，其特征在于，步骤3)所述的对已知蔬菜叶部病害图像进行分割，具体包括: (1)将Img进行HSI空间转换，生成H分量、S分量和I分量，利用阈值Thresh对I分量进行分割得到二值图像tmp ； (2)对分割求得的二值图像tmp进行形态学运算得到处理后的二值图像BinImg； (3)将经形态学运算处理后的二值图像BinImg与Img图像数据进行逻辑“与”运算，得到并输出分割后生成的病斑图像illlmg。
5.根据权利要求1所述的一种温室蔬菜叶部病害图像自动识别方法，其特征在于，步骤4)所述的分析病斑的特征包括:(1)病斑图像颜色特征提取 (a)利用图像分割生成的病斑图像illlmg,分解成病斑图像红色分量、蓝色分量和绿色分量; (b)由红色分量、蓝色分量和绿色分量求出相应的三种颜色分量的一阶、二阶、三阶颜色矩； (c)对病斑图像进行HSI空间转换，求出病斑图像的H分量、S分量和I分量； (2)病斑图像纹理特征提取 (a)对病斑图像illlmg进行灰度转化，求出与它对应的灰度共生矩阵； (b)利用灰度共生矩阵生成相对于的病斑图像的相关性、能量、熵、对比度和逆差距五种纹理特征； (3)病斑图像形状特征提取 求解病斑图像的矩形度、圆形度、形状复杂性的离散指数、病斑面积、病斑周长特征。
6.根据权利要求1所述的一种温室蔬菜叶部病害图像自动识别方法，其特征在于，步骤5)所述的对图像特征进行融合包括: (O分别对步骤4)获得的颜色、形状、纹理图像特征值进行标准化处理； (2)分别对属于颜色特征、纹理特征和形状特征的不同特征值采用平均加权法进行特征融合； (3)贝叶斯识别 Ca)利用已知的病害图像颜色、纹理和形状特征值对贝叶斯分类器进行训练； (b )利用贝叶斯分类器对融合后的待识别图像特征值进行识别，输出识别结果。
7.根据权利要求6所述的一种温室蔬菜叶部病害图像自动识别方法，其特征在于，所述的利用已知的病害图像颜色、纹理和形状特征值对贝叶斯分类器进行训练，包括: (al)求出训练集中图像数据的颜色特征、纹理特征和形状特征的均值和方差； (a2)设定蔬菜得病的先验概率为ρ(φ)=1/Τ，T为待识别疾病的种类，其中Cli表示第i种疾病，P为疾病Cli的先验概率，i为疾病的编号取大于等于I的整数。
8.根据权利要求6所述的一种温室蔬菜叶部病害图像自动识别方法，其特征在于，所述的利用贝叶斯分类器对融合后的待识别图像特征值进行识别，包括: (bl)利用正态分布求出患疾病Cli表现出的颜色特征的概率值、纹理特征的概率值和形状特征的概率值； (b2)求出贝叶斯公式中的正态常量； (b3)利用贝叶斯公式求出在已知颜色特征值、纹理特征值和形状特征值条件下蔬菜患疾病Cli的概率； (b4)进行病害分类，将在相同的颜色特征值、纹理特征值和形状特征的条件下具有最大后验概率的疾病作为最终判定的疾病种类。
【文档编号】G06T7/00GK103559511SQ201310591368
【公开日】2014年2月5日 申请日期:2013年11月20日 优先权日:2013年11月20日
【发明者】李乃祥, 郭鹏, 刘同海, 王学利, 余秋冬 申请人:天津农学院