本发明属于利用图像处理分析技术进行监控领域，具体涉及一种基于航拍农田图像判别水稻稻瘟病病情的方法。
背景技术：
稻瘟病是水稻三大病害之一，严重影响水稻的生产，不但造成水稻减产10～30％，而且还降低水稻品质。目前稻瘟病的病害程度分类主要是通过人工目测完成，这种分类主观性强，对工人专业素质要求比较高，且分类效率低，还存在一定的误差。
马德贵等利用椭圆模型检测水稻稻瘟病与纹枯病的危害程度,分类准确率在80％～100％；冯雷等利用多光谱成像技术提取水稻叶面和冠层信息，建立病情检测模型，叶瘟分类准确率达90％；周丽娜等借助叶绿素荧光光谱分析技术，建立pca-mlp的稻瘟病害预测模型，分类准确率达到91.7％；郑姣等研究了一款基于android的水稻病害图像识别系统。目前利用图像处理技术对叶瘟病病害分级的研究仍比较少，同时根据病斑面积占叶片面积进行病害分级存在一些不足，在同时存在自然枯黄叶和染病枯黄叶的情况下，病害分类精度还不够。据此提出一种结合图像处理与逐步回归的叶瘟病病害程度分级方法。
该系统具有智能化程度高，灾害等级分类正确率高的特点。能快速有效的处理水稻图片，处理效果明显。对采集得到的背景复杂的图片也能得到较好的处理，系统抗干扰性强。
技术实现要素：
针对上述问题，本发明提出一种基于航拍农田图像判别水稻稻瘟病病情的方法。
实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
一种基于航拍农田图像判别水稻稻瘟病病情的方法，包括：
图像预处理步骤：将航拍的彩色图转换成灰度图像，对灰度图像进行平滑处理去除图像噪声，之后将图像还原成彩色图；
图像分割步骤：根据图像的背景和病斑颜色特征采用最大类间方差法对彩色分量组合图像进行分割；
病斑提取识别步骤：根据稻瘟病病斑的形态学特征提取形态特征参数，采用迭代法提取同一区域的病斑的形态特征参数的实际值和采用逐步回归法确立病斑形态特征参数的预测值，通过比较实际值与预测值之间的差值识别病斑的类型；
受害率计算：计算叶片上的稻瘟病病斑的面积比例，并结合国家分级标准判定稻瘟病灾情等级。
作为本发明的进一步改进，所述的图像预处理步骤，对图像选用小于3×3窗口进行平滑处理。
作为本发明的进一步改进，采用中值滤波法、均值滤波法或维纳滤波法对图像进行平滑处理，优选中值滤波法。
作为本发明的进一步改进，所述的图像分割步骤，采用r-g分量组合法分割图像的背景和病斑部分。
作为本发明的进一步改进，所述的图像分割步骤所分割的病斑包括稻瘟病病斑和自然枯黄斑，所述的稻瘟病病斑为椭圆形。
作为本发明的进一步改进，采用逐步回归法确定形态特征参数离心率与椭圆的扁平呈显著的线性关系。
作为本发明的进一步改进，所述的离心率实际值与离心率预测值之间的差值的绝对值超出所确定的阈值时，判别所需区分的病斑为自然枯黄斑并设置为背景色；小于所设定的阈值时，判定为稻瘟病病斑。
作为本发明的进一步改进，所述的阈值时通过统计法所得到的，所述的阈值小于0.08。
作为本发明的进一步改进，所计算的面积对应于图像的像素面积。
本发明的有益效果：本发明所提供的方法不仅能够很好的处理采集到的具有复杂背景的图片，减少干扰，而且能够准确的区分病斑的类型，对稻瘟病的灾害等级有着准确的判定，同时能快速有效的处理大量水稻图片，效果明显。
附图说明
图1为本发明通过图像判别稻瘟病病情的步骤流程图；
图2为采用三种不同的彩色图像分量组合法对图形进行处理后所得到的去除背景后的图像；
图3为图像中的病斑经提取和区分处理后的图像变化过程。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
一种基于航拍农田图像判别水稻稻瘟病病情的方法，包括以下步骤：
图像预处理，去除图像的噪声，增强图像的效果；
图像分割：结合图像背景和病斑颜色特征区分，对图像的背景和病斑进行分割；
病斑提取识别：区分出所述的病斑是自然枯黄斑或稻瘟病导致的枯黄斑；
受害率计算：根据所计算叶片上的稻瘟病病斑的面积比例，并结合国家分级标准判定稻瘟病的受灾情况。
以上步骤实现的具有过程如下：
1.图像预处理：
使用matlab将航拍的农田彩色图像转换成灰度图形，之后根据图像中噪声的多少采用小于3×3不同矩形区域对图像进行平滑处理。通过对比均值滤波、中值滤波和维纳滤波对叶瘟病样本处理后的效果，发现中值滤波效果最佳，在去除噪声后还能较好的保护图像边缘和纹理。中值滤波变换公式
g(x,y)＝median{f(x-k,y-l),(k,l)∈w}
其中g(x,y)为中值滤波后输出的像素值，f(x,y)为中间像素的灰度值，w为m×n的矩形区域，其中所述的m≤3，n≤3。
对灰度图进行图像预处理后图像的清晰度得到增强，为了便于图像的后续处理，将灰度图还原成rgb彩色图。
2.图像分割：
由于通过航拍所拍摄的图片的背景复杂，为了准确的识别病斑，需要将病斑和背景部分区分开来。本研究根据现有图像分割算法，结合图像背景和病斑颜色特征，采用最大类间方差法对彩色分量组合图像进行分割。针对滤波平滑，退化还原后的图像，提取彩色图各分量，绘制相应的直方图。本发明所述的彩色图像分量组合方法包括(r-g)、(g-b)和(2r-g-b)三种方法。表1示出通过对比(r-g)、(g-b)、(2r-g-b)三种组合方法分割背景和病斑所获得的病斑的准确率，从表1可以看出(r-g)能较好的分割水稻稻瘟病的病斑和背景。
表1：三种组合方法分割背景和病斑所获得的病斑的准确率
3.病斑提取识别：
通过以上对图像的处理能够图像中的病斑部分提取出来，但是所提取的病斑中包括自然枯黄的病斑和由于因为稻瘟病所导致的病斑，因此需要对病斑进行识别以区分病斑的种类。该步骤包括对病斑的形状特征参数进行提取和根据所提取的形状特征参数对病斑进行识别。
本发明通过采用迭代法提取病斑的形状特征参数，由于所述的稻瘟病病斑为近圆形或者椭圆形，因此所提取的病斑的形状特征参数包括像素点面积、椭圆长轴、椭圆短轴、离心率、目标区域最小外接圆面积、目标区域周长等参数，得到了椭圆度、离心率、矩形度和复杂度等形态特征，具体的如表2所示。
表2：特征参数符号说明
其中，特征参数a、a、b、smer、p为椭圆的固有参数，其余的参数是通过固有参数计算而得到的：
椭圆度(e):
矩形度(rsq)：
复杂度(c):
由于椭圆度可以用来描述椭圆的扁平程度，通过建立其它特征参数与椭圆度的线性关系模型，用来区分病斑与枯黄叶。通过选取120个病斑特征参数(a，p，e，c，rsq)建立与离心率(e)的3个逐步回归方程，如表3所示，可以看出离心率与椭圆度相关性最显著，除此之外对椭圆度有影响的参数依次为复杂度和矩形度，三者对椭圆度的决定系数为r2＝0.932234，呈极显著性。因此可采用离心率作为识别病斑的特征参数。
表3：数字图像处理后提取病斑参数建立的逐步回归方程
提取病斑或者枯黄区域的特征参数的过程中，需要进行区域标记，即将同一区域标的像素连在一起附上相同的标记，不同的区域附上不同的标记的处理，之后计算出各个区域中的特征参数，并计算出该区域离心率的实际值。
将病斑原始数据代入建立的逐步回归方程中，得到离心率的预测值。经统计|预测值-实际值|<0.08占比95％，而枯黄叶的|预测值-实际值|<0.08，不足5％，可以认为该区域为稻瘟病形成的病斑。对于不满足该设置的阈值目标时，将该区域判别为由于自然原因所形成的枯黄区。
4.受害率计算：
通过以上将步骤通过对图像的处理将病斑区域提取出来，并采用逐步回归的方法将病斑与自然枯黄斑分开后，计算病斑面积占叶面面积的百分比。
式中s为病斑区域占叶面积百分比，a1和a2分别在图像像素条件下统计的叶面积和病斑面积。
之后参照国家标准对叶瘟病所划分的6个级别，根据所计算的病斑区域占叶面积百分确定稻田叶瘟病的等级。
如表4所示的本发明的一种实施例中，通过对160张图片进行件检验所得到的准确率：
由此可以看出本发明所提供图像处理的方法能够准确的判定稻田的稻瘟病的灾害情况。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。