本发明涉及一种叶片病害提取方法。
背景技术：
：黄瓜广泛分布于中国乃至世界多个地区，是多国居民食用的主要蔬菜之一，对人类身体具有很多益处。但是，黄瓜是一种易染病黄瓜，常见黄瓜病害种类就有十多种。准确判断黄瓜病害种类是黄瓜病害防治的前提。传统的黄瓜病害检测基本上依靠农业生产者目测估计来判断，这种检测方法有很多缺点，如主观性强、识别速度慢、识别强度大、误识率高、实时性差等，难以满足大范围黄瓜病害实时监测系统的需求。有鉴于上述的缺陷，本设计人，积极加以研究创新，以期创设一种叶片病害提取方法，使其更具有产业上的利用价值。技术实现要素：为解决上述技术问题，本发明的目的是提供一种叶片病害提取方法。本发明的技术方案如下：一种叶片病害提取方法，其特征在于，所述方法包括：S1：获取不同病情程度的叶片在黑色背景下的扫描图片；S2：对所述扫描图片进行直方图分析，获取叶片R通道、G通道、B通道的数值；S3:分析RGB空间中病斑与健康叶片区域的R和G分布，确定病害阈值点；S4：将所述叶片扫描图片的RGB数值通过线性判别函数以及病害阈值点确诊是否为病害叶片。进一步的所述步骤S4中的线性判别函数为，Black=02×R-G>80×(1-NI/3)2552×R-G≤80×(1-NI/3)---(1)]]>NI=R+G+B3×255---(2)]]>式(1)中，Black——分割后的像素值，病害信息置0，背景信息赋值为255；式(2)中，NI——图像归一化值；R、G、B——图像的RGB空间R、G和B分量值。进一步的，所述步骤S1中，所述扫描图像的分辨率不低于203×234。选择最低分辨率为203×234作为叶片图像扫描分辨率设置，不会干扰提取算法精度，同时减小图片存储空间，低分辨率同时也减轻了计算的复杂性，提高计算速度。借由上述方案，本发明至少具有以下优点：(1)本发明使用的判别函数为线性函数，与其他方法使用的非线性函数相比，加快了运算速度，且相比其他算法更加迅速可靠。通过简单的线性运算，有效提取了不同病害分布情况下的病斑，实现了病斑与叶片和背景的快速分离，单个叶片提取算法平均耗时短。(2)本发明中NI图像归一化值用来修正图像亮度，增加判别的可靠性。上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。附图说明图1是本发明中不同病情的黄瓜叶片；图2是本发明图1中(a)～(d)叶片直方图分析；图3是本发明中病斑和健康叶片区域2×G-R分布；图4是本发明中不同病情的黄瓜叶片校验图像；图5是本发明方法流程图。具体实施方式下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。如图1所示，试验黄瓜品种为“中科958”，以黄瓜叶片为研究对象，来自中国农业大学上庄实验站日光温室自然感染霜霉病的110份叶片样本(采集时间：2012.8.2-10.2)。选用Epsonperfection2480扫描仪进行叶片图像采集，最大光学分辨率为2400×4800dpi将扫描背景布置为黑色，增加背景与叶片的对比度，以减少提取算法的实现难度，设置不同的分辨率分别扫描叶片正面。典型不同病情程度的叶片样本采集图像如图1所示，叶片1～4的病斑分布由少到多。对图1叶片样本进行直方图分析，结果如图2所示，可以看出叶片的R通道和G通道都具有双峰性，其中R通道波谷分布于30-50灰度值之间，G通道波谷分布于50-70灰度值之间，明显可以看出，两个波峰分别代表黑色背景和绿色叶片的像素聚集区域，靠单一阈值根本不可能将病害提取出来。从图2中的(a)～(d)可以发现，R通道和G通道都随着病斑分布的增加，灰度值超过200的部分出现逐渐增加的趋势，整个波形最后的下降沿向右偏移，其中G通道的增长性明显，这与病斑发生过程具有一致性，病斑在叶片上的表征从无到有的过程，从颜色上来讲，是叶片病变部位从绿色逐渐萎黄的过程，而这个过程正是R通道和G通道的灰度值逐渐增高的过程。鉴于图像采集环境均匀，图像光线变化较小，可以看到病斑的颜色特征变化主要是由R和G的组合值的变化导致的，尝试以R和G简单的组合实现病害的提取，为了消除植物各生育时期和不同病害发生时期的叶片颜色差异性，避免固定阈值设置不合理，通过着重分析RGB空间中病斑与健康叶片区域的R和G分布，如图3所示，提取每幅图像归一化值作为修正参数能有效降低颜色干扰，减少误判，发现通过公式(1)可以实现有效分离，图像处理结果如图4所示。通过简单的线性运算，有效提取了不同病害分布情况下的病斑，实现了病斑与叶片和背景的快速分离，单个叶片提取算法平均耗时不超过52ms。Black=02×R-G>80×(1-NI/3)2552×R-G≤80×(1-NI/3)---(1)]]>NI=R+G+B3×255---(2)]]>式(1)中，Black——分割后的像素值，病害信息置0，背景信息赋值为255；式(2)中，NI——图像归一化值；R、G、B——图像的RGB空间R、G和B分量值。本发明使用的判别函数为线性函数，与其他方法使用的非线性函数相比，加快了运算速度，且相比其他算法更加迅速可靠。通过简单的线性运算，有效提取了不同病害分布情况下的病斑，实现了病斑与叶片和背景的快速分离，单个叶片提取算法平均耗时短。本发明中NI图像归一化值用来修正图像亮度，增加判别的可靠性。以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。当前第1页1 2 3