一种叶类蔬菜病害诊断方法
【技术领域】
[0001] 本发明涉及叶类蔬菜病害诊断技术领域，具体涉及一种基于叶面图像病征的叶类 蔬菜病害诊断方法。
【背景技术】
[0002] 叶类蔬菜在生产过程中常由于天气、环境等因素发生病害，而以往农户由于缺乏 病害知识等原因常出现漏诊与误诊，贻误病害治疗，严重时将导致叶类蔬菜大规模减产、品 质下降，制约叶类蔬菜生产效益。而提高农作物病害防治、增加经济收益有赖于对病害及时 和正确的诊断。据不完全统计，有些常见疾病的初诊正确率不到60%，至于相对少见的疾 病，初诊的正确率更低。因而，病害识别作为病害诊断的重要步骤可谓是叶类蔬菜诊断防治 的关键与基础。
[0003] 以往，农民在实际生产过程中主要依靠眼观、自身经验来识别、判断作物病害情 况，为此部分植物学专家也出过不少相关的诊断目录。但该方法受限于农民自身对病害 的识别能力，并且许多病害往往是等到高发时才被诊断出结果，贻误治疗，大大影响作物 的收成。近年来，随着图像处理技术和农业信息化发展的逐步完善，国内外学者开始广 泛着手于应用图像处理技术进行了植物病害识别诊断的研宄。许多相关学者进行了许 多研宄，如Okamoto, T等利用图像的处理与识别来诊断植物的病害（Sasaki Y, Okamoto Tj Imou Kj et al. Automatic diagnosis of plant disease: Recognition between healthy and diseased leaf[J]. Journal of the Japanese society of agricultural machinery, 1999, 61)，曹丽英等运用图像处理技术与BP神经网络算法进行了玉米病害的 识别和诊断研宄（曹丽英，张晓贤，伞晓辉，等.基于图像处理技术和BP神经网络算法 的玉米病害诊断方法的研宄[J].计算机科学，2012, 39(10) :300-302.)。由此可见，使用图 像处理与模式识别技术能有效地对病害进行诊断，许多专家与学者也通过实验进行了很多 方法的验证。
[0004] 然而，在叶类蔬菜病害诊断的准确性与快捷性上，目前所用的方法仍有局限，许多 方法未能与领域知识进行很好的结合，使得在叶类蔬菜病害诊断过程中也伴有漏诊与误诊 的情况。
【发明内容】
[0005] 本发明所要解决的技术问题是在叶类蔬菜病害诊断的准确性与快捷性上，目前所 用的方法仍有局限，许多方法未能与领域知识进行很好的结合，使得在叶类蔬菜病害诊断 过程中也伴有漏诊与误诊的问题。
[0006] 为此目的，本发明提出一种叶类蔬菜病害诊断方法，所述方法包括：
[0007] Sl :对叶类蔬菜叶面图像进行降噪处理，得到所述叶类蔬菜叶面图像的第一色调 图像；
[0008] S2:对所述第一色调图像进行颜色特征提取，得到所述叶类蔬菜叶面图像的特征 信息值以及第二色调图像；
[0009] S3:对所述第二色调图像进行纹理特征提取，得到所述第二色调图像的纹理特征 值；
[0010] S4 :计算预设的叶类蔬菜病害图片库中所有图片的所述纹理特征值的均值；
[0011] S5 :根据所述纹理特征值的均值，得到病害阈值点；
[0012] S6:根据预设的判别函数以及所述病害阈值点，将所述叶类蔬菜叶面图像的特征 信息值为线性相关的叶类蔬菜确诊为病害叶类蔬菜。
[0013] 可选的，在所述步骤Sl之前，所述方法还包括如下预处理过程：
[0014] 根据预设的叶类蔬菜病害诊断知识库与预设的叶类蔬菜病害图片库，得到的叶类 蔬菜病害特征表，所述叶类蔬菜病害特征表包括病害名称以及病害类型，所述病害类型包 括：病害形状、病害颜色、病害大小、病害特征以及病害曼延方式，所述病害特征根据所述叶 类蔬菜病害诊断知识库确定。
[0015] 可选的，所述步骤Sl具体包括：
[0016] 根据预设的加色法混色RGB模型，对叶类蔬菜图像进行颜色特征提取，得到所述 叶类蔬菜图像的红色R信息、绿色G信息、蓝色B信息；
[0017] 根据预设的六角锥体HSV模型与预设的加色法混色RGB模型的转换公式，将所述 红色R、绿色G、蓝色B信息转化为色调H信息，饱和度S信息以及亮度V信息；
[0018] 将所述色调H信息平均等分为16个梯度，按照所述16个梯度显示绘制所述叶类 蔬菜图像的第一色调图像。
[0019] 可选的，在所述步骤S3中，所述第二色调图像的纹理特征值为通过求解灰度共生 矩阵得到，所述灰度共生矩阵的角二阶矩为图像灰度分布均匀程度和纹理粗细度，所述灰 度共生矩阵的惯性矩为图像中的局部灰度相关性、所述灰度共生矩阵的相关性COR为，所 述灰度共生矩阵的逆差距L为图像纹理的同质性，所述灰度共生矩阵的熵为图像所具有的 信息量的度量。
[0020] 可选的，在所述步骤S3中，所述方法进一步包括对所述纹理特征值的筛选步骤：
[0021] 根据所述纹理特征值的相关性，对提取的纹理特征值进行选择。若数据表现出线 性可分则选用；如该数据表现出线性不可分或线性可分性不强则放弃；
[0022] 将选择获得的图像纹理特征值输入判定函数进行对应的参数计算。
[0023] 可选的，所述步骤S5具体包括：
[0024] S5. 1计算各训练集内样本的投影
[0025] S5. 2计算样本的正定矩阵Lw
[0026] S5. 3根据核FISHER判别方法，计算判别分界阈值点yQ。
[0027] 可选的，所述步骤S6具体包括：
[0028] 根据S5求解的判别函数与阈值点进行决策分类，如果数值满足线性相关，则确诊 为对应的病害；如果不满足，则需根据计算值与病症具体特征化值的比对再进行识别判定。