本发明涉及及农业病虫害识别领域，特别涉及一种基于随机森林法的向日葵病害识别方法。
背景技术：
众所周知，传统的病害诊断方法主要是植保人员通过肉眼识别，并结合植物病害的病原菌的形态进行判断，这种方法诊断效率低，很难及时、准确的判断病害类型。“精准农业”，为农耕者提供了新的思路，通过运用信息技术来快速有效的识别植物病害，相对于传统的识别方法，识别速度快、准确率高，还具有时效性。以苹果、黄瓜和辣椒等作物病害为例对植物叶部病害的图像进行分析，对于图像的颜色信息采用水平集和改进c-v模型研究，经验证这种方法大大提高了病害的识别率。
中国专利号为201510508653.5的公开文献中就提到，在不同季节下，采集了其它条件相同的植物病害叶片，研究环境信息对病害的影响，并采用图像处理技术和统计分析的理论，运用属性约简法提取环境信息特征量，并结合其形状特征、颜色特征、纹理特征共40个特征参量，以最大隶属度函数准则为基础，诊断黄瓜病害叶片上的霜霉病、褐斑病和炭疽病三种病斑种类，经诊断研究得出三种病害的识别准确率均在90％以上。
专利号为201610064181.3基于支持向量机的向日葵叶部病害判断方法的申请文献中，是根据rgb颜色模型，提取出向日葵病害图像的r、g、b颜色分量，g分量图像中病斑比较明显，病虫害病斑部分灰度值较正常部分灰度值偏差较大，以彩色图像的g分量作为诊断有无病害的主要研究对象，确定g分量判别阈值来，采用基于b值与支持向量机的正常与非正常叶片诊断、基于灰度共生矩阵与支持向量机的是否含有病害的非正常叶片诊断这两种方法来识别出输入向日葵叶部图像所属病害类别。但并没有采用随机森林法来具体研究向日葵叶部病害识别的详细过程。
综上所述的研究情况来看，利用图像识别技术代替人眼有利于克服人眼视觉病害识别时存在的主观性、经验性、效率低等特点，但是至今图像识别还未涉及到对向日葵病害诊断方面的研究。因此，在国内外研究成果的基础上，进一步研究基于图像识别的向日葵病害诊断具有重要的现实意义，传统的数据分类法有聚类算法、贝叶斯分类算法、支持向量机等，但这些方法的分类精度往往不高，而且还容易出现过拟合问题。而随机森林(rf)是基于统计学习的理论，对向日葵病害诊断具有更好的作用。
技术实现要素：
本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于随机森林法的向日葵病害识别方法，解决在病害识别过程中存在肉眼判断的主观性、局限性、模糊性及难辨的新病害的问题。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明的技术方案：对于生长在大田环境下的向日葵，图像采集要在自然光照下进行，采集到的叶片图像首先要经过预处理进行图像去噪操作，结合实际环境因素，采用邻域平均法、形态学自适应法去噪并用直方图均衡化法实现图像去雾处理；其次，经过比较五种图像分割方法后，采用k-均值聚类算法与分水岭算法相结合的方法分割图像病害，提取病害的病斑；再次，针对随机森林法的特点，对病害特征参数进行深入分析，选取其hsv颜色空间的h、s、v三颜色分量的一阶矩、二阶矩、三阶矩九个颜色特征参量和基于灰度共生矩阵的纹理特征的能量、熵、惯性矩、相关性、逆差距的均值和标准差十个特征参量共十九个特征参量作为判别不同病害的依据；最后，根据提取出的特征参量构建随机森林分类器，采用投票决策的方法来实现对病害的识别分类，并在对病害识别整体研究分析的基础上，结合不同用户使用的情况，搭建了两种基于随机森林法的向日葵叶部病害识别仿真系统。
本发明一种基于随机森林法的向日葵病害识别方法，包括向日葵叶部常见四种病害：白粉病、细菌性叶斑病、黑斑病、霜霉病，且作为研究对象：
a：病害图像采集。采集到的叶片图像颜色要尽量接近叶子本身的颜色。
b：病害图像预处理。在结合实际情况下，采用适合于向日葵病害图像识别的预处理方法，采用空域的直方图均衡化去雾算法增强图像效果，并基于形态学的权重自适应图像去噪法对向日葵叶部病害图像进行去噪处理。
c：病害图像分割。经过分析对比图像分割的各种方法，选取适合的最优彩色图像分割方法，经实验后采用k-均值聚类算法与分水岭算法相结合的方法分割向日葵叶部病害彩色图像。
d：病害图像特征提取。通过向日葵颜色和纹理有较明显的变化，因而提取病害图像的颜色特征、纹理特征参量进行研究，并经过对特征参数的深入分析，优选出适合图像识别的最佳特征参数。
e：病害的识别诊断。结合提取到的颜色特征和纹理特征参数，使用随机森林法对向日葵病害进行最后的诊断识别。
f：硬件环境：自选背景板，常用的背景颜色定为黑、白两种，后续处理用到颜色部分，采用白背景，并以白纸为材料，拍摄时调节相机角度，在自然光照条件下，尽可能使拍到的叶片颜色接近本身的颜色。
作为本发明的一种优选技术方案，所述病害图像采集，有针对性地采集部分向日葵叶部病害相关图像，传入计算机进行后续处理，确保向日葵叶部病害的自动识别系统对病害图形识别准确有效，将邀请专业植保人士对所采集到的向日葵叶部病害样本进行准确辨别。
作为本发明的一种优选技术方案，所述病害图像预处理，采用计算机图像处理技术，经分析向日葵叶部病害自身特点以及比较各类彩色图像去噪方法，采用空域的直方图均衡化去雾算法增强图像效果。
作为本发明的一种优选技术方案，所述病害图像分割，比较分析彩色图像颜色空间的各个模型，通过对比，并根据大田采集到的图像的实际情况，最终选择对人眼视觉敏感的hsv颜色空间作为向日葵病害分割的彩色空间。通过比较五种图像分割的处理方法，并综合考虑其各自的优缺点，最终选择将k-均值聚类算法和分水岭算法结合起来共同实现对向日葵叶片彩色病害图像的分割，得到病斑分割图像。
作为本发明的一种优选技术方案，所述病害图像特征提取，选取具有明显差异特性的颜色特征和纹理特征进行分析研究，通过分析四种病害病斑图像的颜色特征和纹理特征，从中提取出四种病害病斑的hsv颜色空间的h、s、v三个颜色分量的一阶矩、二阶矩、三阶矩九个颜色特征参量和纹理特征中d＝1的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距的均值和标准差十个纹理特征参量，总共十九个特征参量作为病害识别诊断的判别依据，为下一步病害诊断识别做好了准备。
作为本发明的一种优选技术方案，所述病害的识别诊断，在对病害特征深入分析的基础上，结合本研究实际研究条件，此处选取采用随机森林法对向日葵病害进行诊断识别。
作为本发明的一种优选技术方案，所述病害图像特征提取，针对向日葵叶部病斑颜色、纹理特征入手时，采用计算机图像处理技术，综合运用图像处理、模式识别、计算机视觉、植物病理学等方面的知识对向日葵叶部病害进行自动识别，从而加深对向日葵病害的认识。
与现有技术相比，本发明的有益效果如下：
1.本发明主要解决在病害识别过程中存在肉眼判断的主观性、局限性、模糊性及难辨的新病害的问题，能避免这些问题的发生，提高识别病害的准确性，本发明系统操作简单，使用方便，病害识别的精准度大幅提高，为农业工作者对向日葵病害的识别、防治提供了很好的帮助。
2.本发明采用随机森林法的识别方法，在分类和回归问题上表现突出，善于处理高维数据，具有很高的预测准确率，对于异常情况具有很好的处理能力，而且不容易出现过拟合现象，达到较高的识别率，而且识别效果较好。
3.本发明可以将多个模型集合到一起，组成一个新的分类器模型来提高数据的分类预测精度的方法，通过组合的方式提高分类性能，对于样本的分类和回归具有很好的容忍度。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的技术路线图；
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明提供一种基于随机森林法的向日葵病害识别方法，包括向日葵叶部常见四种病害：白粉病、细菌性叶斑病、黑斑病、霜霉病，且作为研究对象：
a：病害图像采集。采集到的叶片图像颜色要尽量接近叶子本身的颜色。
b：病害图像预处理。在结合实际情况下，采用适合于向日葵病害图像识别的预处理方法，采用空域的直方图均衡化去雾算法增强图像效果，并基于形态学的权重自适应图像去噪法对向日葵叶部病害图像进行去噪处理。
c：病害图像分割。经过分析对比图像分割的各种方法，选取适合的最优彩色图像分割方法，经实验后采用k-均值聚类算法与分水岭算法相结合的方法分割向日葵叶部病害彩色图像。
d：病害图像特征提取。向日葵病害形状杂乱无章、无轨迹可寻，而颜色和纹理有较明显的变化，因而提取病害图像的颜色特征、纹理特征参量进行研究，并经过对特征参数的深入分析，优选出适合图像识别的最佳特征参数。
e：病害的识别诊断。结合提取到的颜色特征和纹理特征参数，使用随机森林法对向日葵病害进行最后的诊断识别。
f：硬件环境：对于环境复杂的大田作物使用箱体环境不科学，为方便后续处理诊断，自选背景板，常用的背景颜色定为黑、白两种，后续处理用到颜色部分，黑背景整体亮度偏暗，所以采用白背景，并以白纸为材料，拍摄时调节相机角度，在自然光照条件下，尽可能使拍到的叶片颜色接近本身的颜色。
病害图像采集，有针对性地采集部分向日葵叶部病害相关图像，传入计算机进行后续处理，确保向日葵叶部病害的自动识别系统对病害图形识别准确有效，将邀请专业植保人士对所采集到的向日葵叶部病害样本进行准确辨别。
病害图像预处理，采用计算机图像处理技术，经分析向日葵叶部病害自身特点以及比较各类彩色图像去噪方法，采用空域的直方图均衡化去雾算法增强图像效果。
病害图像分割，比较分析彩色图像颜色空间的各个模型，通过对比，并根据大田采集到的图像的实际情况，最终选择对人眼视觉敏感的hsv颜色空间作为向日葵病害分割的彩色空间。通过比较五种图像分割的处理方法，并综合考虑其各自的优缺点，最终选择将k-均值聚类算法和分水岭算法结合起来共同实现对向日葵叶片彩色病害图像的分割，得到病斑分割图像。
病害图像特征提取，选取具有明显差异特性的颜色特征和纹理特征进行分析研究，通过分析四种病害病斑图像的颜色特征和纹理特征，从中提取出四种病害病斑的hsv颜色空间的h、s、v三个颜色分量的一阶矩、二阶矩、三阶矩九个颜色特征参量和纹理特征中d＝1的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距的均值和标准差十个纹理特征参量，总共十九个特征参量作为病害识别诊断的判别依据，为下一步病害诊断识别做好了准备。
病害的识别诊断，在对病害特征深入分析的基础上，结合本研究实际研究条件，此处选取采用随机森林法对向日葵病害进行诊断识别。
病害图像特征提取，针对向日葵叶部病斑颜色、纹理特征入手时，采用计算机图像处理技术，综合运用图像处理、模式识别、计算机视觉、植物病理学等方面的知识对向日葵叶部病害进行自动识别，从而加深对向日葵病害的认识。
具体的，本发明主要以向日葵白粉病、细菌性叶斑病、黑斑病和霜霉病病斑图像为研究对象，提取病害的特征参量。因为病害图像的形状多样，且杂乱无章，无轨迹可寻，所以在病斑的特征提取上不考虑形状特征，只选取具有明显差异特性的颜色特征和纹理特征进行分析研究。通过分析四种病害病斑图像的颜色特征和纹理特征，从中提取出四种病害病斑的hsv颜色空间的h、s、v三个颜色分量的一阶矩、二阶矩、三阶矩九个颜色特征参量和纹理特征中d＝1的灰度共生矩阵的能量、熵、惯性矩、相关性和逆差距的均值和标准差十个纹理特征参量总共十九个特征参量作为病害识别诊断的判别依据，为下一步病害诊断识别做好了准备。
病害图像特征提取：特征提取的目的是将图像中重要信息提取出来，用于后续的图像识别处理，合适的特征参数尤为重要，它是病害识别的重要依据。常见的病害特征有颜色特征、纹理特征和形状特征等，颜色特征是图像的表面性质，纹理特征是实物的组织结构，形状特征是它的外部几何模型，向日葵叶部患病时，其叶片颜色发生明显变化，按照病害侵染的程度变黄或变黑并伴有小斑点，而且同一叶片患病部位的颜色异于其它部分，颜色差异变化较大，其纹理随着某种病斑的增大呈现出不同的走势，与叶片纹理原始走势相背或交叉进行，病斑纹理与正常叶片纹理出现较大差异，其病斑形状几乎都呈圆形或椭圆形，差异不明显，因此，本发明选取病害的颜色特征和纹理特征作为向日葵叶部病害识别的依据。
常用的颜色模型有rgb、hsv、xyz、yuv等。rgb和hsv颜色模型常用于农作物病害图像的研究中，rgb颜色模型主要与亮度相关，但是在大田环境下采集到的叶片图像易受光照等因素影响，所以不能使用rgb颜色空间来描述在大田环境下获取到的彩色图像。hsv主要描述图像的鲜艳程度，与亮度无关，而且其特性更适应于人眼的观察，采用该模型描述图像的颜色特征，相较于rgb更能体现其优越的性能，且图像彩色信息不损失，所以在本发明中，采用hsv颜色空间提取病斑的颜色特征，但是图像本身是rgb模型，hsv颜色空间不能直接使用，需转换才可。
因此，针对彩色图像颜色特征提取，首要任务是将病害图像彩色空间进行一个转换处理，将空间转换成hsv颜色空间后，提取hsv颜色三分量详细研究，并将其特征参数作为颜色特征研究参量。
纹理是一些形状很小的，有规律排列的一系列图案，纹理特征存在于图像中，是图像自身的属性，是其内部组织结构，是对内部像素点的描述，众多像素点聚集在一起形成表面特性，是图像灰度等级的变化，是图像处理和模式识别的主要特征之一。
基于结构的方法、基于统计数据的方法、基于合成的方法是纹理特征提取的三种常用的方法。基于结构的方法最基本的是傅里叶变换和小波变换，通过对数据变换以某种方法进行分类以便得到一定的度量，基于统计的方法主要是基于灰度共生矩阵法，其处理性能良好，提取到的特征完善，而且不同的图像其灰度共生矩阵差别很大。细纹理病斑，其结构较密，排列紧实，灰度较平滑；粗纹理病斑，其结构较稀疏，灰度值四散分布。基于合成的方法实质是结构法与统计法的结合，通过与纹理库中的值进行对比，来显示其优越性能，得到其量度。结合向日葵大田生长环境，本发明选取基于灰度共生矩阵的方法对病害图像的病斑纹理进行提取研究，分析其能量、熵、惯性矩、相关性和逆差距5个特征参量的特征值，通过仔细比较选取最优特征参量作为病害识别的纹理特征参量。
病害的识别诊断：数据挖掘处理中，分类方法是使用最广泛、最有效的方法，传统的数据分类法有聚类算法、贝叶斯分类算法、支持向量机等，但这些方法的分类精度往往不高，而且还容易出现过拟合问题。因而，许多专家学者想到是否可以将多个模型集合到一起，组成一个新的分类器模型来提高数据的分类预测精度，就有了今天我们看到的组合或分类器组合的处理方法。首先需要建立一个基础分类模型用于训练数据，对已经训练好的数据进行投票表决，决定其属于哪一类，以此类推，得到多个基分类模型，最终通过多次分类预测结果决定其类别。
随机森林(rf)就是这样的一种分类模型，通过组合的方式提高分类性能。将多棵决策树组合起来生成分类器，采用多次回投的方式确定其预测结果，达到分类的目的，作为一种统计学习理论，随机森林对于样本的分类和回归具有很好的容忍度。
决策树(decisiontree)的实质是对于某一问题依条件进行访问判别，经层层筛选后，给定一个答案，是一个树状结构(二叉或多叉树)。树上的每一个非叶节点都代表着一个样本特征属性上的测试，每一个分支代表着这个特征属性在某个值域上的输出，而每个叶节点都会存放一个数据的类别。决策树的决策过程从根节点起步，依次分层进行，通过测试测试集中样本的数据特征确定其属于哪一类，按照所属类别进行输出，直到测试点到达叶子节点，测试结束，最终分类结果以最后所在的叶子节点内所存的类别为主。
决策树法相比于支持向量机等方法更容易理解，因为在使用决策树时，根本不需要先验知识，但决策树法容易出现过拟合现象，所以在采用决策树进行数据分析时，需要先对决策树进行剪枝操作。
决策树剪枝有两种方法：事前剪枝和事后剪枝，但不论是哪种剪枝方法，在处理时都会增加算法的复杂性。
分类回归树(cart)包含两部分：分类树和回归树。这两部分都应用于目标变量的数据分析，但应用的范围不同，分类树应用于目标变量是类别变量的数据分析，回归树应用于目标变量是连续变量的数据分析。在分类回归树中，其分裂标准是基尼指数，基尼指数能够将降低数据无序度的属性挑选出来。cart树在构建时，通过在不同的判别条件下划分出的结果的优劣性能来选取其分裂的属性。
随机森林(rf)是一个新的分类器组合模型，具有很高的分类性能。目前随机森林运用于医学影像、遥感图像等各个方面，经过学者大量的分析研究和实践证明得出：随机森林具有很高的预测准确率，并且对于突发的噪声和出现的异常值都能够很好的接纳，且不容易出现过度拟合的现象，随机森林法简单易懂，直观明了的按照需求得出结论，成为当下信息处理最热门的研究领域之一。
随机森林分类(rfc)作为分类器组合模型，其分类处理的基本思想是：在原始训练样本集中随机抽取多个样本生成子样本集，子样本集的样本容量与原始训练集样本容量一样，通过子样本集建立相应的决策树作为测试样本，得到多种分类结果，根据分类结果多次投票表决其最终分类结果，分类完成。
向日葵样本图像是不能直接用于分类器训练的，所以需要从图像中提取能够描述向日葵特征的参数用于训练，特征提取前面已经做了介绍，原始特征的数量很多，如何用少而精的参数精确描述向日葵分类，就需要对特征进行优选，这样既可以精准分类，又可以提高分类运行率。
实施例2
在病斑分割上：比较分析了彩色图像颜色空间的各个模型，通过对比，并根据大田采集到的图像的实际情况，最终选择对人眼视觉敏感的hsv颜色空间作为向日葵病害分割的彩色空间。通过比较五种图像分割的处理方法，并综合考虑其各自的优缺点，最终选择将k-均值聚类算法和分水岭算法结合起来共同实现对向日葵叶片彩色病害图像的分割，得到较好的病斑分割图像，为向日葵叶部病害图像特征分析提供准确良好的基础图像。
在识别诊断上：在对病害特征深入分析的基础上，选取采用随机森林法对向日葵病害进行诊断识别，经仿真实验证明，该方法可较准确的诊断出向日葵叶部四种病害种类。
在病害图像预处理：通过照相机获取到的病害叶片图像，不可避免的因各种因素(噪声)的影响而出现像素质量差、模糊不清等情况，这不利于我们后面的操作处理。因此，为了能够使后面的操作顺利进行，且识别误差较小，首要做的就是对图像进行增强处理，使图像信息更加完整。
基于形态学的权重自适应图像去噪数学形态学图像处理的目的是借助于集合理论对图像进行分析和识别，用元素去度量图像中重要的信息，且这些元素要具有一定的形态结构，该算法有以下特征：
图像信息的保持：在图像形态学处理中，可以通过已有目标的几何特征信息来选择基于形态学的形态滤波器，这样在进行处理时既可以有效的滤波，又可以保持图像中原有的信息不变。
图像边缘的提取：基于数学形态学的理论进行处理，在一定程度上能够有效避免噪声的干扰，相对于微分算子的技术而言具有较高的稳定性。采用数学形态学技术提取图像边缘，其结构较为光滑，并且更能体现图像的细节信息。
图像骨架的提取：对图像骨架进行提取时，采用形态学方法可以更好的运用集合运算的特点，避免出现大量的断点，骨架也较为连续。
图像处理的效率：数学形态学方法处理图像可以方便地应用并行处理的技术来进行集合运算。在运算过程中，效率明显提高，而且对于硬件的处理也很好实现。数学形态变换按应用场景划分为二值变换和灰度变换两种形式。二值变换针对集病害图像的采集及预处理合问题，灰度变换针对函数问题。基本的形态变化包括腐蚀、膨胀、开运算、闭运算。开闭运算是腐蚀与膨胀相结合的运算，具有更好的处理效果。
实验结果表明，如果仅仅通过串联对图像进行滤波去噪，则往往具有一定的局限性，且处理后的结果图像中也保留着较为明显的噪声，但通过并联滤波器进行图像滤波去噪得到的结果psnr(峰值信噪比)值更高，而且结果图像在视觉效果上要比只进行串联滤波器去噪得到的结果更为理想。因此，本发明选取并联滤波器完成对向日葵叶部病害图像的去噪处理。
实施例3
病害图像分割：图像分割的目的十分明确，就是为了将图像中感兴趣的部分提取出来用于研究处理，其基础是图像识别，而前提则是对输入的病害图像进行病害识别，具体运用到实例中。图像分割作为向日葵病害图像后续处理的关键步骤，它的是否准确直接对病害的识别具有很大的影响作用。图像分割的算法的关键是图中的区域部分，依据各个区域之间的不同之处进行分割。每一种图像分割算法都不是全面的，目标不同其分割方法可能不尽相同。因而，对于各自特点突出的多个图像，就不能单单使用同一种方法进行分割。所以，针对每一种分割算法都要满足以下条件：一个像素点必须只是归属于一个子区域(即一个像素点不能同时属于两个区域，区域不重叠)，分割也必须是绝对和彻底的；对于同一个区域内的像素点其具有相同或相近的属性，而不同区域内的像素点其属性相差甚远。
通过对比可知：分水岭算法分割出的病斑效果较好，但处理过程中易受到噪声和量化误差等因素的影响，出现分割过失现象；聚类算法在聚类前先要给定一个聚类中心，不同的聚类中心会导致不同的分割效果，且聚类数目得提前给定，不然容易分割过失。综合考虑以上算法的优缺点，本发明针对彩色图像进行分割时采用将分水岭算法和聚类算法相结合的方法。
①k-均值聚类算法：
如附图1所示，聚类是系统对于数据进行分类的一种方法，依据同一类的数据之间具有最大化的相似性，不同类数据之间具有最大化的差异性的原理。作为统计方法中无监督进行的一种划分，在处理过程中不需要对样本进行训练。而且k-均值聚类算法在所有的聚类算法中是误差度最小，处理结果最为准确的一种方法。
经实验后得出，选取k-均值聚类算法对向日葵叶部病害图像目标进行聚类划分操作，当使用2个聚类时，叶片的病斑可以显著的与背景区分开来。
②分水岭算法：
采用分水岭算法操作时，需要注意以下几点要求：
(1)对图像进行平滑
在图像的区域中存在一个极值，为方便有效的提取到该值，需要对原始图像进行增强处理，主要方式是采用图像灰度化，提取边缘，并用形态学膨胀、腐蚀、开、闭运算法消除图像中存在的各种噪声，避免在分割过程中因噪声的影响导致出现过失分割现象。
(2)计算区域距离
图像的像素值在梯度边缘处较高，而其他地方较低，处于两极分布。在理想状态下，分水岭变换将沿着图像中的目标的边界生成几条分水岭分隔线，在分隔线两侧灰度值差异较大。计算出图像梯度的幅值，采用线性滤波方法或形态学梯度法计算图像的区域距离。
(3)标记分水岭
因为图像中有很多极小值点，所以直接采用分水岭法对图像进行分割，会产生过分割现象，即分割出许多对于图像分析没有任何作用的细小区域。标记方法有两种：内部标记、外部标记。中心理念即对于梯度不正的图像，通过引入标记来进行修正处理，这样就使某一位置的最小值只出现在经过标记的区域里，避免出现小范围分割现象。并通过设置阈值对像素值进行过滤，去掉小于阈值的区域。
算法结合分割结果与分析，对将k-均值聚类算法与分水岭算法结合起来分割处理病害图像，这样结合的方式避免了各个算法单独分割处理时出现过分割现象，较好的保留了病斑的信息。从实验处理结果可以看到，经过本算法处理后的向日葵细菌性叶斑病病斑与背景很好的进行了分离，分割出的目标独立且清晰。
实施例4
采用随机森林法构建向日葵叶部病害识别分类器，分类器的建立分以下三个步骤：
(1)目前没有向日葵样本库，所以首先需要对向日葵样本进行采集，人工建立样本库。
(2)森林中的每棵决策树是由每次采样得到的训练样本构造的，叶子节点的分类准则通过点对比较方法确定。本发明选取向日葵颜色特征和纹理特征共19个特征参量建立决策树，在建树的过程中，每一次都需要从这些特征参数中随机选取不同种类的特征参量，作为本次决策的备选特征。
(3)根据系统需求确定需要建立的决策树数目，对建立好的树利用随机森林法进行分类预测，将预测结果最多的类标签认定为分类结果，即通过对向日葵特征参数分析研究，从而提取适用于设备进行自动识别，且不易受图像质量影响的特征参数，经过对参数进行训练和设计好需要的分类器，最后输出预测结果。
向日葵病害分类识别结果：取向日葵白粉病、细菌性叶斑病、黑斑病、霜霉病病害图像各13幅，10幅病害图像用作训练样本，3幅病害图像用作测试样本，根据颜色特征、纹理特征优选出的参数训练分类器。增加样本数目，使分类器分类精度更高，病害图像样本各取100张，其中60张用作训练样本，40张用作测试样本。采用随机森林法对向日葵病害叶片进行识别，识别率可达92.5％以上，识别效果较好。说明采用随机森林法识别向日葵病害具有一定的研究价值，但在实际应用中，由于向日葵病害种类的繁杂，需进一步加大训练样本库，增加其对比范围，提高向日葵病害识别的准确率。
本研究通过比较五种不同的图像分割的处理方法，并综合考虑其各自的优缺点，最终选择将k-均值聚类算法和分水岭算法结合起来共同实现对向日葵叶片彩色病害图像的分割，得到较好的病斑分割图像。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。