一种大棚白菜虫害类型检测方法与流程

1.本发明涉及一种模式识别领域，尤其涉及一种大棚白菜虫害类型检测方法。


背景技术：

2.传统的大棚白菜虫害的检测任务大多根据专业人员的从业经验判断，检测的效率低，花费时间长，容易受检测人员的主观影响，同时对专业素质高求高。一旦判断出错，将可能给农民带来巨大的经济损失。大棚白菜虫害类型检测应该借用计算机视觉技术的发展成果，借助更加高效的处理手段来提高大棚白菜虫害类型检测的工作效率。研究发现，大棚白菜虫害类型不同，白菜叶片会呈现不同的形状、不同的颜色的病斑区域，再者，病斑区域的纹理特征、孔洞特征也各不相同。因此基于叶部症状的识别技术成为当今虫害类型检测的主要方向。
3.在科学技术飞速发展的今天，许多的研究者提出不同的叶部识别方案并取得了不错的成绩，例如刘丽娟等人选取基于改进自选择算法的灰度预处理方案，以病斑图像r分量作为主要参照要素，有效的改善了灰度化处理的分割能力。但是，目前单独针对大棚白菜虫害类型检测还是比较匮乏，没有针对性的实施方案，同时对虫害类型检测的准确率还有待提高。


技术实现要素：

4.本发明的目的在于提供一种大棚白菜虫害类型检测方法，用以解决虫害类型检测的准确率不高的问题，提高虫害类型检测的准确率。
5.为了实现上述目的，本发明采用如下技术方案：
6.一种大棚白菜虫害类型检测方法，步骤如下:
7.步骤1、采集大棚白菜叶片的图像；
8.步骤2、对采集的图像进行预处理；
9.步骤3、确认要提取的特征，进行特征提取；
10.步骤4、采用支持向量机分别对提取的三种特征进行分类；
11.步骤5、对三种特征的分类结果进行加权决策投票，得到最终的大棚白菜虫害类型的检测结果。
12.进一步的，所述步骤1中，图像包括正常的大棚白菜叶片图像和有虫害大棚白菜叶片图像，其中有虫害大棚白菜叶片图像包括蚜虫、蜗牛、青菜虫以及小菜蛾这4种虫害图像，每种图像不少于20幅。
13.进一步的，所述步骤2中，预处理包括去噪、图像增强、图像分割；首先本发明采用3*3模板的中值滤波与低通线性滤波能够有效地去除原始图像的噪声；其次图像增强采用线性增强图像的对比度；最后采用阈值法去除图像的背景，表示如下：
[0014][0015]
公式(1)中，f(i,j)表示某点像素灰度值，tf表示灰度阈值，可由otsu算法求得，h表示图像的色调值，th表示色调的阈值，s表示图像的饱和度值，ts表示饱和度的阈值，r表示图像的r分量，tr表示r分量上的阈值，f(x,y)表示原始图像，g(x,y)表示分割后图像。
[0016]
进一步的，所述步骤3中，要提取的特征包括颜色特征、纹理特征和形状特征三个方面；
[0017]
颜色特征要从hsv图像中提取，具体如下：
[0018]
从rgb颜色空间到hsv颜色空间的转换公式如下：
[0019][0020][0021][0022]
公式(2)、(3)和(4)中，r、g、b分别表示rgb彩色图像的三个分量；
[0023]
颜色特征提取与表示方法采用颜色相关图，具体如下：
[0024]
设i表示一幅图像中的全部像素，i
c(i)
表示颜色为c(i)的像素集合，则颜色相关图可以用如下公式表示:
[0025][0026]
公式(5)中，i,j∈{1,2,
…
,n}，k∈{1,2,
…
,d}，|p
1-p2|表示像素p1和p2之间的距离；
[0027]
纹理特征要从灰度图像中提取，具体如下：
[0028]
图像灰度化的公式如下:
[0029]
f(x，y)＝0.299，r(x，y)+0.578*g(x，y)+0.114*b(x，y)
ꢀꢀꢀꢀꢀꢀꢀ
(6)
[0030]
公式(6)中，r(x,y)、g(x,y)和b(x,y)分别是rgb的三个分量，f(x,y)表示灰度值；
[0031]
本发明采用tamura纹理特征提取法，取粗糙度、对比度和方向度作为图像的纹理特征，具体如下：
[0032]
粗糙度表征图像的粗糙程度，粗糙度可分为以下几步进行：
[0033]
首先计算2k×2k
个像素的活动窗口的像素的平均值，公式如下：
[0034][0035]
公式中，k＝0,1,
…
,5，g(i,j)表示位于(i,j)的像素强度值；
[0036]
然后计算每个计算每个像素在水平和垂直方向上互不重叠的窗口之间的平均强度差，公式如下：
[0037]ek，h
(x，y)＝|ak(x+2
k-1
，y)-ak(x-2
k-1
，y)|
ꢀꢀꢀꢀ
(8)
[0038]ek，v
(x，y)＝|ak(x，y+2
k-1
)-ak(x，y-2
k-1)|
ꢀꢀꢀꢀ
(9)
[0039]
公式(8)和(9)中，能使e值达到最大的k值用来设置最佳尺寸，表示如下：
[0040]sbest
(x，y)＝2kꢀꢀꢀꢀꢀ
(10)
[0041]ek
＝e
max
＝max(e
1，h
，e
1，v
，
…
，e
5，h
，e
5，v
)
ꢀꢀꢀꢀ
(11)
[0042]
最后计算整幅图像中s
best
的平均值得到粗糙度，公式如下：
[0043][0044]
公式(12)中，m
×
n表示图像的尺寸大小；
[0045]
对比度的通过对像素强度分布情况的统计得到，确切地说，是通过来定义的，其中μ4表示图像灰度的四阶中心矩，σ2是图像灰度的方差，对比度的表示如下：
[0046][0047]
方向度的计算步骤如下：
[0048]
首先计算每个像素处的梯度向量，其模和方向分别定义为：
[0049]
模：
[0050][0051]
幅角：
[0052][0053]
公式(14)和(15)中，δh和δv是由以下两个3x3的模板卷积目标图像所得的水平差分和垂直差分：
[0054][0055]
当所有像素的梯度向量都被计算出来后，一个直方图hd被构造出来用来表达θ值，方向角局部边缘概率直方图表示如下：
[0056][0057]
公式(16)中，n
θ
(k)表示当|δg|≥t，时，像素的个数；
[0058]
最后，图像总体的方向度可以通过计算直方图中峰值的尖锐程度获得，表示如下：
[0059][0060]
公式(17)中，p表示hd中的峰值，n
p
表示hd中的所有峰值的个数，w
p
表示峰值p所包含的所有的柄数，表示具有最高值的柄；
[0061]
形状特征从二值图像中提取，具体如下：
[0062]
图像二值化表示如下：
[0063][0064]
公式(18)中，f(x,y)表示某像素的灰度值，t表示阈值；
[0065]
本发明取区域特征中的紧凑度特征作为大棚白菜叶片的形状特征，紧凑度描述了叶片的紧凑程度，计算公式如下：
[0066][0067]
公式(19)中，s表示叶片的面积，l表示叶片的周长。
[0068]
进一步的，所述步骤4中具体包括采用多个支持向量机并联的方式分别对提取的三种特征进行分类，其中支持向量机核函数选择为径向基核函数。
[0069]
进一步的，所述步骤5中，对三种特征的分类结果进行加权决策投票，其表示如下：
[0070]
p＝ω1y1+02y2+ω3y3ꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0071]
公式(20)中，ω1、ω2、ω3分别表示三种特征所代表的权值，y1、y2、y3分别表示三个分类器的输出，p表示最终结果。
[0072]
本发明的有益效果：
[0073]
1、采用图像增强，图像分割等技术对图像进行一系列的预处理，从而有效地提高处理速度，提高对大棚白菜虫害类型识别的准确率。
[0074]
2、通过提取大棚白菜叶片的颜色特征、纹理特征以及形状特征，使得对大棚白菜叶片特征的描述更加充分。
[0075]
3、对每种特征进行svm分类，利用多分类器之间的互补性能，对分类器的输出结果赋予不同的权值，得到最终分类结果，具有一定的鲁棒性，有效地提高了识别效果。
[0076]
4、利用现在科学技术快速精准地发现并且检测大棚白菜的虫害，及时实施有效的应对措施，对于保护大棚白菜健康生长和农民的收入有着重大意义，同时也可以应用于更多的场景。
附图说明
[0077]
图1为本发明提供的rgb颜色空间模型示意图。
[0078]
图2为本发明提供的hsv颜色空间模型示意图。
[0079]
图3为本发明提供的支持向量机结构示意图。
[0080]
图4为本发明提供的一种大棚白菜虫害类型检测方法的流程图。
具体实施方式
[0081]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0082]
实施例1
[0083]
如图4所示，本实施例提供了一种大棚白菜虫害类型检测方法，包括如下步骤：
[0084]
步骤1、采集大棚白菜叶片的图像；
[0085]
图像包括正常的大棚白菜叶片图像和有虫害大棚白菜叶片图像，其中有虫害大棚白菜叶片图像包括蚜虫、蜗牛、青菜虫以及小菜蛾这4种虫害图像。正常的大棚白菜叶片图像20幅，蚜虫、蜗牛、青菜虫以及小菜蛾这4种虫害图像各20幅。
[0086]
步骤2、对采集的图像进行预处理；
[0087]
虫害的大棚白菜的叶片与正常的大棚白菜叶片在颜色、纹理、形状上都存在较大的区别，并且背景的存在必然会对图像处理造成影响，本发明采用去噪、图像增强、图像分割等技术对图像进行一系列的预处理，从而有效地提高处理速度，提高对大棚白菜虫害类型识别的准确率。
[0088]
首先本发明采用3*3模板的中值滤波与低通线性滤波能够有效地去除原始图像的噪声；
[0089]
其次图像增强采用线性增强图像的对比度；
[0090]
本发明采用阈值法去除图像的背景，因为获取的图像是24位rgb真彩色，通过分析在r分量上设置阈值能够很好地去除图像的背景，又因为在后续处理中，图像的一些像素点存在突变现象，即亮度变小，色调变大，这些点将会对之后的颜色特征提取会造成影响，因此，在r分量上设置阈值的同时也在h、s也设置阈值，表示如下:
[0091][0092]
公式(1)中，f(i,j)表示某点像素灰度值，tf表示灰度阈值，可由otsu算法求得，h表示图像的色调值，th表示色调的阈值，s表示图像的饱和度值，ts表示饱和度的阈值，r表示图像的r分量，tr表示r分量上的阈值，f(x,y)表示原始图像，g(x,y)表示分割后图像。
[0093]
步骤3、确认要提取的特征，进行特征提取；
[0094]
如表1所示，虫害的大棚白菜的叶片与正常的大棚白菜叶片在颜色、纹理、形状上都存在较大的区别，因此本发明从颜色、纹理、形状三个方面对大棚白菜叶片的特征进行描述。
[0095][0096]
表1
[0097]
其中颜色特征提取具体如下：
[0098]
常见的颜色表示方法有：颜色直方图、颜色矩、颜色相关图以及局部颜色特征等，本发明采用颜色相关图来表征图像的颜色特征。要提取颜色特征，先要将rgb图像转换成hsv图像。
[0099]
rgb颜色虽然运用的十分广泛，但是人眼很难确认某幅图或者像素点的r、g、b分量分别是多少。在rgb颜色坐标体系中，原点表示黑色，即红、绿、蓝三种基色亮度都为0，白(1,1,1)表示三种基色都达到最大亮度，灰色是由三种基色组合而成，均匀地分布在rgb颜色空间白到黑的对角线上。具体的rgb颜色空间模型如图1所示。
[0100]
不同于rgb颜色空间，hsv颜色空间与人眼的视觉特征直接对应，它包含3个颜色分量，分别是色调h(hue)、饱和度s(saturat ion)以及明度v(value)，hsv颜色空间是三维空间的一个正六棱锥，如图2所示，六边形的边界表示色彩，水平轴表示纯度，垂直轴表示明度。
[0101]
从rgb颜色空间到hsv颜色空间的转换公式如下：
[0102][0103][0104][0105]
公式(2)、(3)和(4)中，r、g、b分别表示rgb彩色图像的三个分量；
[0106]
颜色相关图是由huangj提出的一种颜色特征提取与表示方法。颜色相关图不仅描述了某种颜色的像素占整个图像的比例，还包含了不同颜色对之间的空间相关性。颜色相关图可以看成是一张用颜色对《i,j》索引的表，表中的第k个元素表示颜色为c(i)和c(j)的像素之间距离小于等于k的概率，具体如下：
[0107]
设i表示一幅图像中的全部像素，i
c(i)
表示颜色为c(i)的像素集合，则颜色相关图可以用如下公式表示:
[0108][0109]
公式()中，i,j∈{1,2,
…
,n}，k∈{1,2,
…
,d}，|p
1-p2|表示像素p1和p2之间的距离；
[0110]
其中纹理特征要从灰度图像中提取，具体如下：
[0111]
图像灰度化的公式如下：
[0112]
f(x，y)＝0.299*r(x，y)+0.578*g(x，y)+0.114*b(x，y)
ꢀꢀꢀꢀꢀꢀꢀ
(6)
[0113]
公式(6)中，r(x，y)、g(x，y)和b(x，y)分别是rgb的三个分量，f(x，y)表示灰度值；
[0114]
纹理特征的描述方法和提取算法主要有：统计方法、几何法、信号处理法以及模型法，本发明采用tamura纹理特征提取法。
[0115]
tamura纹理特征的6个分量：粗糙度(coarseness)、对比度(contarst)、方向度(directionality)、线性度(linelikeness)、规整度(regularity)和粗略度(roughness)，
本发明只取前3个分量作为图像的纹理特征，具体如下：
[0116]
粗糙度表征图像的粗糙程度，粗糙度可分为以下几步进行：
[0117]
首先计算2k×2k
个像素的活动窗口的像素的平均值，公式如下：
[0118][0119]
公式中，k＝0，1，...，5，g(i，j)表示位于(i，j)的像素强度值；
[0120]
然后计算每个计算每个像素在水平和垂直方向上互不重叠的窗口之间的平均强度差，公式如下：
[0121]ek，h
(x，y)＝|ak(x+2
k-1
，y)-ak(x-2
k-1
，y)|
ꢀꢀꢀꢀ
(8)
[0122]ek，v
(x，y)＝|ak(x，y+2
k-1
)-ak(x，y-2
k-1
)|
ꢀꢀꢀ
(9)
[0123]
公式(8)和(9)中，能使e值达到最大的k值用来设置最佳尺寸，表示如下：
[0124]sbest
(x，y)＝2kꢀꢀꢀꢀꢀ
(10)
[0125]ek
＝e
max
＝max(e
1，h
，e
1，v
，
…
，e
5，h
，e
5，v
)
ꢀꢀꢀꢀꢀꢀꢀ
(11)
[0126]
最后计算整幅图像中s
best
的平均值得到粗糙度，公式如下：
[0127][0128]
公式(12)中，m
×
n表示图像的尺寸大小；
[0129]
对比度的通过对像素强度分布情况的统计得到，确切地说，是通过来定义的，其中μ4表示图像灰度的四阶中心矩，σ2是图像灰度的方差，对比度的表示如下：
[0130][0131]
方向度的计算步骤如下：
[0132]
首先计算每个像素处的梯度向量，其模和方向分别定义为：
[0133]
模：
[0134][0135]
幅角：
[0136][0137]
公式(14)和(15)中，δh和δv是由以下两个3x3的模板卷积目标图像所得的水平差分和垂直差分：
[0138][0139]
当所有像素的梯度向量都被计算出来后，一个直方图hd被构造出来用来表达θ值，方向角局部边缘概率直方图表示如下：
[0140]
[0141]
公式(16)中，n
θ
(k)表示当|δg|≥t，时，像素的个数；该直方图首先对值范围进行离散化，然后统计各个柄中相应的|δg|大于给定阈值的像素数量；这个直方图对于具有明显方向性的图像会表现出峰值，对于无明显方向的图像则表现得比较平坦。
[0142]
最后，图像总体的方向度可以通过计算直方图中峰值的尖锐程度获得，表示如下：
[0143][0144]
公式(17)中，p表示hd中的峰值，n
p
表示hd中的所有峰值的个数，w
p
表示峰值p所包含的所有的柄数，表示具有最高值的柄；
[0145]
其中形状特征是从二值图像中提取，具体如下：
[0146]
图像二值化表示如下：
[0147][0148]
公式(18)中，f(x,y)表示某像素的灰度值，t表示阈值；
[0149]
形状特征的表示方法有两种：基于区域特征和基于轮廓特征，它们分别针对图像的区域形状和物体的外边界。常见的形状特征表示方法有：几何参数法、形状不变矩法，本发明只取区域特征中的紧凑度特征作为大棚白菜叶片的形状特征。
[0150]
紧凑度描述了叶片的紧凑程度，计算公司如下：
[0151][0152]
公式(19)中，s表示叶片的面积，l表示叶片的周长；
[0153]
步骤4、采用支持向量机分别对提取的三种特征进行分类；
[0154]
本发明采用多分类器并联的方式分别对提取的三种特征进行分类，分类器采用的是支持向量机(svm)。支持向量机的基本思想是：对于非线性可分问题，利用核函数将输入的特征样本点映射到高维特征空间，使得对应的样本空间线性可分，支持向量机的的结构示意图如图3所示。
[0155]
支持向量机常用的核函数有线性、多项式、径向基和s形函数四种核函数，本发明采用的是径向基核函数，其表示如下：
[0156]
k(x，xi)＝exp(-γ||x-xi||2)，γ＞0
ꢀꢀꢀꢀ
(20)
[0157]
公式()中，γ表示核参数，x和xi表示支持向量，‖x-xi‖表示差向量的模；
[0158]
参数设置：惩罚参数c设置为10，径向基函数宽度为1；
[0159]
步骤5、对三种特征的分类结果进行加权决策投票，得到最终的大棚白菜虫害类型的检测结果。
[0160]
对三种特征的分类结果进行加权决策投票，其表示如下：
[0161]
p＝ω1y1+ω2y2+ω3y3ꢀꢀꢀ
(21)
[0162]
公式(21)中，ω1、ω2、ω3分别表示三种特征所代表的权值，y1、y2、y3分别表示三个分类器的输出，p表示最终结果；
[0163]
本实施例中，ω1、ω2、ω3分别取值为0.415、0.375和0.210时，对大棚白菜虫害类
型的检测的正确率不低于95％，取得了较好的结果。
[0164]
至此完成了整个方法的流程。
[0165]
结合具体实施，可以得到本发明的优点是，对每种特征进行svm分类，利用多分类器之间的互补性能，对分类器的输出结果赋予不同的权值，得到最终分类结果，具有一定的鲁棒性，有效地提高了识别效果。
[0166]
本发明未详述之处，均为本领域技术人员的公知技术。
[0167]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。