CN104463173B - 一种基于概率密度比值的作物病害识别方法 - Google Patents
一种基于概率密度比值的作物病害识别方法 Download PDFInfo
- Publication number
- CN104463173B CN104463173B CN201410772116.7A CN201410772116A CN104463173B CN 104463173 B CN104463173 B CN 104463173B CN 201410772116 A CN201410772116 A CN 201410772116A CN 104463173 B CN104463173 B CN 104463173B
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- crop disease
- scab
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于概率密度比值的作物病害识别方法,属于图像处理和模式识别技术领域。该方法的步骤包括:采集并拍摄作物病害叶片图像,将其转换为灰度图像后进行处理后得到彩色病斑图像;对彩色病斑图像进行处理得到每幅图像的特征向量;引入概率密度比值对目标函数加权,对组合成后的作物病害叶片图像的特征向量进行维数约简;采用最近邻分类器对测试样本进行分类。本发明具有特征提取速度快,识别率高,识别效果稳定,实时性强和实施性容易等优点。
Description
技术领域
本发明涉及利用作物病害叶片的病斑识别作物病害的技术领域,特别涉及一种基于概率密度比值的作物病害识别方法。
背景技术
作物病害是严重影响各国农作物产品数量和质量的主要原因,及早发现作物病情和准确检测出病害类型是进行科学防治作物病害的前提。由于作物叶片是作物中最丰富、占据部位最多、观察最方便的部分,也是很多往往首先出现的部位,所以,叶片病斑是人们判断作物病害发生及其危害程度的重要依据之一。传统的作物病害检测方法主要依靠农业基层防护员和农业生产者靠眼睛观测作物病害叶片的症状来诊断作物病害的发生和危害程度,这种方法的主观性强、识别速度慢、误识率高、实时性差等,往往造成病害误诊或错过最佳防治时期,难以满足大范围作物病害实时监测的需求【Sabah Bashir,NavdeepSharma.Remote Area Plant Disease Detection Using Image Processing.Journal ofElectronics and Communication Engineering,2012,2(6):31-34.】。从目前的研究结果来看,采用计算机和图像处理技术能够客观、快速、准确地识别作物病害,从而实现作物病害的防治和精确施用农药【李旺,唐少先.基于图像处理的农作物病害识别研究现状[J].湖南农机,2012,39(1):176-178.】。但是,病害叶片的复杂性使得通过叶片症状来检测作物病害并不容易【H.Al-Hiary,S.Bani-Ahmad,M.Reyalat.Fast and Accurate Detection andClassification of Plant Diseases[J].International Journal of ComputerApplications,2011,17(1):31-38.】。目前作物病害的种类较多,导致作物病害叶片呈现出多种多样的病斑形状,使得基于作物病害叶片的病害识别方法研究具有挑战性。
发明内容
本发明的目的是克服现有技术中的问题,提出一种基于概率密度比值的作物病害识别方法,具有识别速度快、识别率高、识别效果稳定和实用性强等优点。
为实现上述目的,本发明采用如下的技术方案:
一种基于概率密度比值的作物病害识别方法,包括以下步骤:
步骤1:对病害叶片图像的特征向量进行基于概率密度比值的维数约简;
采集并拍摄n幅作物病害叶片图像{g1(x,y),g2(x,y),...,gn(x,y)},将每幅作物病害叶片图像转换为灰度图像,再将灰度图像转换为彩色病斑图像;对彩色病斑图像进行处理得到每幅图像的特征向量;由每幅图像的特征向量得到n幅病害叶片图像的投影矩阵A;得到投影矩阵A的具体过程如下:
4)对于n幅中任意两幅病害叶片图像gj(x,y)和gk(x,y),计算gj(x,y)与gk(x,y)互为近邻的概率密度比值qjk:
式中,β为一个调节参数,由交叉验证法确定;Wj为gj(x,y)的特征向量,Wk为gk(x,y)的特征向量,j∈[1,n],k∈[1,n];
设图像gj(x,y)属于第s类,计算任意一幅病害叶片图像与gj(x,y)同类的概率qs:
式中,Δs为第s类所有病害叶片图像的集合;s∈[1,K],K为病害叶片图像类别数目;
利用公式(16)计算第s类作物病害叶片图像的加权均值
式中,ns为第s类作物病害叶片图像的数目;
5)计算病害叶片图像的类间散度矩阵SB和类内散度矩阵SW,分别表示为:
式中,为第l类病害叶片图像的加权均值,l∈[1,K],为第s类的第m幅作物病害叶片图像的特征向量;
6)求解投影矩阵:
先构造广义特征方程:SBa=λSWa (18)
式中,λ为特征值,a为对应λ的特征向量;
再求解式(18)的d个最大的特征值所对应的特征向量a1,a2,...,ad,d为低维特征向量的维数;由a1,a2,...,ad组成一个投影矩阵A=[a1,a2,...,ad];
由投影矩阵A对n幅病害叶片的特征向量集{W1,W2,...,Wn}进行维数约简,得低维病害识别特征向量集{Y1,Y2,...,Yn},其中Yi=ATWi(i=1,2,...,n),AT为矩阵A的转置;
步骤2:利用最近邻分类器进行作物病害类型识别;
将用于训练最近邻分类器的作物病害叶片图像的低维病害识别特征向量集{Y1,Y2,...,Yn}及其对应的作物病害叶片图像的病害类别信息作为识别模板数据库;将识别模板数据库中的图像输入到最近邻分类器,训练该分类器;
计算任意一幅待识别的作物病害叶片图像Lnew(x,y)的44个特征值,并组成一个特征向量Wnew,再计算特征向量Wnew的低维特征向量Ynew=ATWnew;
将低维特征向量Ynew输入到训练后的最近邻分类器,找出一个最近邻点中同一作物病害类别点数最多的类别作为待识别的作物病害叶片图像Lnew(x,y)的类别,从而完成对于作物病害的识别。
将每幅作物病害叶片图像转换为灰度图像,再转换为彩色病斑图像的具体过程如下:
采集并拍摄作物病害叶片图像,对于拍摄到的任意一幅作物病害叶片图像g(x,y),将其转换为灰度图像H(x,y),设灰度图像H(x,y)的像素个数为m,灰度值i取值范围为[0,1,2,…,255];若灰度值为i的像素个数为mi,则灰度值为i的像素个数在总像素中所占的比例为设一个阈值t将灰度图像H(x,y)划分成病斑像素集C0和正常像素集C1两类,t∈[0,255],则病斑像素集C0和正常像素集C1中的灰度值范围分别是[0,1,…,t]和[t+1,t+2,…,255],C0和C1中的像素个数在灰度图像的像素中所占的比例分别为:
病斑像素集C0和正常像素集C1中的平均灰度值分别为:
小于阈值t时灰度的平均值为:
病斑像素集C0和正常像素集C1中数据的方差为:
d(t)=ω0[μ0-μ(t)]2+ω1[μ1-μ(t)]2 (4)
变化0到255之间的t值,使得d(t)取最大值时的t的取值记为T,则T为最佳分割阀值;
由最佳分割阀值T对灰度图像H(x,y)进行划分,得到二值化病斑图像S:
将二值化病斑图像S(x,y)与g(x,y)相乘,得到彩色病斑图像C(x,y):
C(x,y)=S(x,y)×g(x,y) (6)。
对彩色病斑图像进行处理得到每幅图像的特征向量的具体过程如下:
8)提取彩色病斑图像C(x,y)的三个通道红、绿、蓝的颜色值矩阵R、G、B,利用下式(7)由R、G、B得到病斑的灰度值矩阵Gray:
Gray=0.299R+0.587G+0.114B (7)
9)利用下式(8)将颜色值矩阵R、G、B转换为色调矩阵H、亮度矩阵S、饱和度矩阵I:
10)利用下式(9)由R、G、B计算两种刺激色彩矩阵X、Z:
11)利用下式(10)由R、G、B计算YCbCr颜色空间的两种色彩矩阵Cb、Cr:
12)计算得到的11个矩阵R、G、B、Gray、H、S、I、X、Z、Cb、Cr的一阶矩、二阶矩和三阶矩,共得到33个实数;
13)由下式(11)计算色调矩阵H的偏度ω1、峰值ω2、能量ω3、熵ω4,共得到4个实数:
式中,M和N为色调矩阵H的维数,r(i)为色调矩阵H中元素值为i的数目,μH为色调矩阵H中所有元素的均值;
14)设Δ={(x,y)|Grap(x,y)<119}为叶片病斑区域,利用下式(12)计算灰度值矩阵Grap(x,y)的Δ区域内的正则化中心矩ηpq:
式中, p、q为两个正整数,μG为灰度值矩阵Gray中所有元素的均值;
利用正则化中心距ηpq,由下式(13)计算灰度值矩阵Gray的病斑区域的7个不变矩Hu1、Hu2、Hu3、Hu4、Hu5、Hu6、Hu7,分别表示为:
8)对于每一幅作物病害叶片图像,利用式(1)~式(13)得到病斑图像的44个特征值,将这44个特征值按照先后顺序排列组成一个特征向量,得到每幅图像的特征向量。
与现有技术相比,本发明具有的有益效果:本发明首先通过分割作物病害叶片的病斑;提取病斑的分类特征,组成特征向量;利用基于概率密度比值的维数约简算法,由此对得到的特征向量进行维数约简;最后,利用最近邻分类器识别作物病害类别,完成对于病害的识别。本发明是直接利用作物病害叶片图像进行病害识别,提取作物病害叶片的44个识别特征,再对44个特征进行维数约简,再利用最近邻分类器进行病害类别识别,具有识别速度快和实用性强的优点,克服了病理分析方法速度慢和实时性差的缺点;本发明充分利用了作物病害叶片图像样本的概率密度比值,具有识别率高和识别效果稳定优点,克服了现有利用叶片图像的作物病害识别技术中由于作物病害识别方法因作物病害叶片图像的成分、形状和颜色比较复杂、病叶上的病斑形状和排列无规则等原因,使得基于作物病害叶片的作物病害的识别率不高和识别效果不稳定等问题。本发明可在普通PC机上实现,对操作***没有要求。利用基于计算机的作物病害自动识别***,可以用于实际农作物生产中的作物病害类型识别,具有识别速度快、识别率高、识别效果稳定和实用性强等优点。
具体实施方式
下面对本发明进行详细说明。本发明中的*表示相乘的关系。
一种基于概率密度比值的作物病害识别方法,包括作物病害叶片的病斑分割、病害叶片图像的特征提取、病害叶片特征向量的维数约简和病害识别四部分。
第一,作物病害叶片的病斑分割。首先,采集并拍摄作物病害叶片图像{g1(x,y),g2(x,y),...,gn(x,y)},利用Matlab软件中的函数“imread”将所有的作物病害叶片图像转换成数字图像,然后再将数字图像转换为灰度图像,任意一幅转换后的灰度图像记为H(x,y);设H(x,y)的像素个数为m,灰度值i取值范围为[0,1,2,…,255]。若灰度值为i的像素个数为mi,则灰度值为i的像素个数在总像素中所占的比例为设一个阈值t将灰度图像H(x,y)划分为病斑像素集C0和正常像素集C1两类,t∈[0,255]。则病斑像素集C0和正常像素集C1类中的的灰度值范围分别是[0,1,…,t]和[t+1,t+2,…,255]。病斑像素集C0和正常像素集C1中的像素个数在灰度图像H(x,y)的像素中所占的比例分别为:
病斑像素集C0类和正常像素集C1中的平均灰度值分别为:
小于阈值t时灰度的平均值为:
病斑像素集C0和正常像素集C1中数据的方差为:
d(t)=ω0[μ0-μ(t)]2+ω1[μ1-μ(t)]2 (4)
对于[0,1,2,…,255]内的每一个值t,求使得d(t)最大值时的t的取值,记为T,则T为最佳分割阀值。由最佳分割阀值T对H(x,y)进行划分,得到二值化病斑图像:
将S(x,y)与g(x,y)相乘,得到彩色病斑图像C(x,y):
C(x,y)=S(x,y)*g(x,y) (6)
第二步,提取病斑图像C(x,y)的识别特征。
首先,将R、G、B转换为一个灰度值矩阵Gray、三个颜色矩阵(色调矩阵H、亮度矩阵S、饱和度矩阵I)、两个刺激色彩矩阵(X和Z)和两个色彩矩阵(Cb和Cr)。转换的具体过程如下:
1)提取彩色病斑图像C(x,y)的三个通道红、绿、蓝的颜色值矩阵R、G、B,利用下式(7)由R、G、B得到病斑的灰度值矩阵Gray:
Gray=0.299R+0.587G+0.114B (7)
2)利用下式(8)将颜色值矩阵R、G、B转换为色调矩阵H、亮度矩阵S、饱和度矩阵I三个矩阵:
3)利用下式(9)由R、G、B计算两种刺激色彩矩阵X、Z:
4)利用下式(10)由R、G、B计算YCbCr颜色空间的两种色彩矩阵Cb、Cr:
5)分别计算上面得到的病斑图像的11个色彩矩阵R、G、B、Gray、H、S、I、X、Z、Cb、Cr的一阶矩、二阶矩和三阶矩,共得到33个实数,计算公式为:
式中,Jab为任意一个维数为M×N的矩阵,μ1、μ2和μ2分别为Jab的一阶矩、二阶矩和三阶矩。
6)由下式(11)计算色调矩阵H的偏度ω1、峰值ω2、能量ω3、熵ω4,共得到4个实数,计算公式为:
式中,M和N为色调矩阵H的维数,r(i)为色调矩阵H中元素值为i的数目,μH为色调矩阵H中所有元素的均值。
7)设Δ={(x,y)|Grap(x,y)<119}为叶片病斑区域,利用下式(12)计算灰度值矩阵Grap(x,y)在Δ区域内的正则化中心矩ηpq
式中, p、q为两个正整数,μG为灰度值矩阵Gray中所有元素的均值。
利用正则化中心距ηpq,由下式(13)计算灰度值矩阵Gray的病斑区域的7个不变矩Hu1、Hu2、Hu3、Hu4、Hu5、Hu6、Hu7,分别表示为:
8)对于每一幅作物病害叶片图像,利用式(1)至式(13)得到每幅病斑图像的44个特征值,将这44个特征值按照先后顺序排列组成一个特征向量,得到每幅图像的特征向量。
第三步,对得到的病害叶片图像的特征向量进行维数约简。
由第一步和第二步提取每幅图像的特征向量,得到n幅病害叶片图像的的投影矩阵A;得到投影矩阵A的具体过程如下:
1)对于n中任意两幅病害叶片图像gj(x,y)和gk(x,y),计算gj(x,y)与gk(x,y)互为近邻的概率密度比值qjk:
式中,β为一个调节参数,由交叉验证法确定;Wj为gj(x,y)的特征向量,Wk为gk(x,y)的特征向量,j∈[1,n],k∈[1,n];
设图像gj(x,y)属于第s类,计算任意一幅病害叶片图像与gj(x,y)同类的概率qs:
式中,Δs为第s类所有病害叶片图像的集合;s∈[1,K],K为病害叶片图像类别数目;
利用公式(16)计算第s类作物病害叶片图像的加权均值
式中,ns为第s类作物病害叶片图像的数目;
2)计算病害叶片图像的类间散度矩阵SB和类内散度矩阵SW,分别表示为:
式中,为第l类病害叶片图像的加权均值,l∈[1,K],为第s类的第m幅作物病害叶片图像的特征向量;
3)求解投影矩阵
构造广义特征方程:SBa=λSWa (18)
其中,λ为特征值,a为对应λ的特征向量。
求解上面特征方程式(18)的d个最大的特征值所对应的特征向量a1,a2,...,ad,d为低维特征向量的维数。由a1,a2,...,ad组成一个投影矩阵A=[a1,a2,...,ad]。
由投影矩阵A对n幅病害叶片的特征向量集{W1,W2,...,Wn}进行维数约简,得对应的低维病害识别特征向量集{Y1,Y2,...,Yn},其中Yi=ATWi(i=1,2,...,n),AT为矩阵A的转置。
第四步,利用最近邻分类器识别作物病害类型:
将用于训练最近邻分类器的作物病害叶片图像的低维病害识别特征向量集{Y1,Y2,...,Yn}及其对应的作物病害叶片图像的病害类别信息作为识别模板数据库,将识别模板数据库中的图像输入到最近邻分类器,训练该分类器。
对于任意一幅待识别的作物病害叶片图像Lnew(x,y),由上面的第一步和第二步,计算Lnew(x,y)的44个特征值,并组成一个特征向量Wnew,再由矩阵A计算Wnew对应的低维特征向量Ynew=ATWnew。
然后将待测试的作物叶片图像的低维特征向量Ynew输入到训练后的最近邻分类器,利用该分类器进行分类并找出1个最近邻点中同一作物类别点数最多的类别作为待识别的作物病害叶片图像Lnew(x,y)的类别,从而完成对于作物病害的识别。其中,分类器的分类过程分为三步:首先,产生训练样本集,使得训练样本集的识别特征模板数据按照已有的分类标准划分成离散型数值类;其次,以特征模板数据的分类为基础,对待识别图像的低维识别特征向量寻找1个最近邻,采用欧氏距离作为样本间的相似程度的判别依据,相似度大的即为最近邻;最后,待识别作物病害类别的最终输出为最近邻类中个数最多的那一类。
本发明的步骤包括:步骤1:作物病害叶片图像分割;步骤2:提取作物病害叶片的病斑图像的分类特征,并将这些特征组合成特征向量;步骤3:引入概率密度比值对目标函数加权,对组合成后的作物病害叶片图像的特征向量进行维数约简;步骤4:采用最近邻分类器对测试样本进行分类。本发明具有特征提取速度快,识别率高,识别效果稳定,实时性强和实施性容易等优点。
Claims (3)
1.一种基于概率密度比值的作物病害识别方法,其特征在于,包括以下步骤:
步骤1:对病害叶片图像的特征向量进行基于概率密度比值的维数约简;
采集并拍摄n幅作物病害叶片图像{g1(x,y),g2(x,y),...,gn(x,y)},将每幅作物病害叶片图像转换为灰度图像,再将灰度图像转换为彩色病斑图像;对彩色病斑图像进行处理得到每幅图像的特征向量;由每幅图像的特征向量得到n幅病害叶片图像的投影矩阵A;得到投影矩阵A的具体过程如下:
1)对于n幅中任意两幅病害叶片图像gj(x,y)和gk(x,y),计算gj(x,y)与gk(x,y)互为近邻的概率密度比值qjk:
式中,β为一个调节参数,由交叉验证法确定;Wj为gj(x,y)的特征向量,Wk为gk(x,y)的特征向量,j∈[1,n],k∈[1,n];
设图像gj(x,y)属于第s类,计算任意一幅病害叶片图像与gj(x,y)同类的概率qs:
式中,Δs为第s类所有病害叶片图像的集合;s∈[1,K],K为病害叶片图像类别数目;
利用公式(16)计算第s类作物病害叶片图像的加权均值
式中,ns为第s类作物病害叶片图像的数目;
2)计算病害叶片图像的类间散度矩阵SB和类内散度矩阵SW,分别表示为:
式中,为第l类病害叶片图像的加权均值,l∈[1,K],为第s类的第m幅作物病害叶片图像的特征向量;
3)求解投影矩阵:
先构造广义特征方程:SBa=λSWa (18)
式中,λ为特征值,a为对应λ的特征向量;
再求解式(18)的d个最大的特征值所对应的特征向量a1,a2,...,ad,d为低维特征向量的维数;由a1,a2,...,ad组成一个投影矩阵A=[a1,a2,...,ad];
由投影矩阵A对n幅病害叶片的特征向量集{W1,W2,...,Wn}进行维数约简,得低维病害识别特征向量集{Y1,Y2,...,Yn},其中Yi=ATWi,i=1,2,...,n,AT为矩阵A的转置;
步骤2:利用最近邻分类器进行作物病害类型识别;
将用于训练最近邻分类器的作物病害叶片图像的低维病害识别特征向量集{Y1,Y2,...,Yn}及其对应的作物病害叶片图像的病害类别信息作为识别模板数据库;将识别模板数据库中的图像输入到最近邻分类器,训练该分类器;
计算任意一幅待识别的作物病害叶片图像Lnew(x,y)的44个特征值,并组成一个特征向量Wnew,再计算特征向量Wnew的低维特征向量Ynew=ATWnew;
将低维特征向量Ynew输入到训练后的最近邻分类器,找出一个最近邻点中同一作物病害类别点数最多的类别作为待识别的作物病害叶片图像Lnew(x,y)的类 别,从而完成对于作物病害的识别。
2.根据权利要求1所述的一种基于概率密度比值的作物病害识别方法,其特征在于,将每幅作物病害叶片图像转换为灰度图像,再转换为彩色病斑图像的具体过程如下:
采集并拍摄作物病害叶片图像,对于拍摄到的任意一幅作物病害叶片图像g(x,y),将其转换为灰度图像H(x,y),设灰度图像H(x,y)的像素个数为m,灰度值i取值范围为[0,1,2,…,255];若灰度值为i的像素个数为mi,则灰度值为i的像素个数在总像素中所占的比例为设一个阈值t将灰度图像H(x,y)划分成病斑像素集C0和正常像素集C1两类,t∈[0,255],则病斑像素集C0和正常像素集C1中的灰度值范围分别是[0,1,…,t]和[t+1,t+2,…,255],C0和C1中的像素个数在灰度图像的像素中所占的比例分别为:
病斑像素集C0和正常像素集C1中的平均灰度值分别为:
小于阈值t时灰度的平均值为:
病斑像素集C0和正常像素集C1中数据的方差为:
d(t)=ω0[μ0-μ(t)]2+ω1[μ1-μ(t)]2 (4)
变化0到255之间的t值,使得d(t)取最大值时的t的取值记为T,则T为最佳分割阀值;
由最佳分割阀值T对灰度图像H(x,y)进行划分,得到二值化病斑图像S:
将二值化病斑图像S(x,y)与g(x,y)相乘,得到彩色病斑图像C(x,y):
C(x,y)=S(x,y)×g(x,y) (6)。
3.根据权利要求1所述的一种基于概率密度比值的作物病害识别方法,其特征在于,对彩色病斑图像进行处理得到每幅图像的特征向量的具体过程如下:
1)提取彩色病斑图像C(x,y)的三个通道红、绿、蓝的颜色值矩阵R、G、B,利用下式(7)由R、G、B得到病斑的灰度值矩阵Gray:
Gray=0.299R+0.587G+0.114B (7)
2)利用下式(8)将颜色值矩阵R、G、B转换为色调矩阵H、亮度矩阵S、饱和度矩阵I:
3)利用下式(9)由R、G、B计算两种刺激色彩矩阵X、Z:
4)利用下式(10)由R、G、B计算YCbCr颜色空间的两种色彩矩阵Cb、Cr:
5)计算得到的11个矩阵R、G、B、Gray、H、S、I、X、Z、Cb、Cr的一阶 矩、二阶矩和三阶矩,共得到33个实数;
6)由下式(11)计算色调矩阵H的偏度ω1、峰值ω2、能量ω3、熵ω4,共得到4个实数:
式中,M和N为色调矩阵H的维数,r(i)为色调矩阵H中元素值为i的数目,μH为色调矩阵H中所有元素的均值;
7)设Δ={(x,y)|Grap(x,y)<119}为叶片病斑区域,利用下式(12)计算灰度值矩阵Grap(x,y)的Δ区域内的正则化中心矩ηpq:
式中, p、q为两个正整数,μG为灰度值矩阵Gray中所有元素的均值;
利用正则化中心距ηpq,由下式(13)计算灰度值矩阵Gray的病斑区域的7个不变矩Hu1、Hu2、Hu3、Hu4、Hu5、Hu6、Hu7,分别表示为:
8)对于每一幅作物病害叶片图像,利用式(1)~式(13)得到病斑图像的44个特征值,将这44个特征值按照先后顺序排列组成一个特征向量,得到每幅图像的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410772116.7A CN104463173B (zh) | 2014-12-12 | 2014-12-12 | 一种基于概率密度比值的作物病害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410772116.7A CN104463173B (zh) | 2014-12-12 | 2014-12-12 | 一种基于概率密度比值的作物病害识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463173A CN104463173A (zh) | 2015-03-25 |
CN104463173B true CN104463173B (zh) | 2017-07-07 |
Family
ID=52909187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410772116.7A Expired - Fee Related CN104463173B (zh) | 2014-12-12 | 2014-12-12 | 一种基于概率密度比值的作物病害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463173B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368847B (zh) * | 2017-06-26 | 2020-08-11 | 北京农业信息技术研究中心 | 一种作物叶部病害识别方法及*** |
CN109801235B (zh) * | 2018-12-28 | 2023-03-28 | 佛山科学技术学院 | 一种绿萝叶片病害原因检测方法及装置 |
GB2616452A (en) * | 2022-03-09 | 2023-09-13 | Oxford Nanoimaging Ltd | Assay |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214306A (zh) * | 2011-06-16 | 2011-10-12 | 中国农业大学 | 叶片病斑识别方法及装置 |
-
2014
- 2014-12-12 CN CN201410772116.7A patent/CN104463173B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214306A (zh) * | 2011-06-16 | 2011-10-12 | 中国农业大学 | 叶片病斑识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
"Locality Preserving Projections";Xiaofeng He;《Advances in Neural Information Processing Systems》;20051231;第186-197页 * |
"图像距离度量学习技术研究";吕清秀;《中国优秀硕士学位论文全文数据库 信息科技辑 》;20140215(第2期);第I138-749页 * |
"基因表达数据的相似性度量和特征提取研究";王文俊;《中国博士学位论文全文数据库 信息科技辑》;20130315(第3期);第I138-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104463173A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arya et al. | Detection of unhealthy plant leaves using image processing and genetic algorithm with Arduino | |
Sannakki et al. | Diagnosis and classification of grape leaf diseases using neural networks | |
Waghmare et al. | Detection and classification of diseases of grape plant using opposite colour local binary pattern feature and machine learning for automated decision support system | |
Al-Hiary et al. | Fast and accurate detection and classification of plant diseases | |
Khirade et al. | Plant disease detection using image processing | |
Jaware et al. | Crop disease detection using image segmentation | |
Omrani et al. | Potential of radial basis function-based support vector regression for apple disease detection | |
Yun et al. | PNN based crop disease recognition with leaf image features and meteorological data | |
Tripathi et al. | Recent machine learning based approaches for disease detection and classification of agricultural products | |
CN103593652B (zh) | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 | |
Ganatra et al. | A survey on diseases detection and classification of agriculture products using image processing and machine learning | |
Li et al. | Image recognition of grape downy mildew and grape powdery mildew based on support vector machine | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
Renugambal et al. | Application of image processing techniques in plant disease recognition | |
Nti et al. | Detection of plant leaf disease employing image processing and gaussian smoothing approach | |
CN104463173B (zh) | 一种基于概率密度比值的作物病害识别方法 | |
CN109934256A (zh) | 一种基于ga-ann特征降维与som特征优选的稻田杂草识别方法 | |
Patel et al. | A survey on the plant leaf disease detection techniques | |
Islam et al. | Wavelet based feature extraction for rice plant disease detection and classification | |
Shireesha et al. | Citrus fruit and leaf disease detection using DenseNet | |
Vijayakanthan et al. | Classification of vegetable plant pests using deep transfer learning | |
Rehman et al. | Cucumber leaf disease classification using local tri-directional patterns and haralick features | |
Kukana | Hybrid Machine Learning Algorithm-Based Paddy Leave Disease Detection System | |
Deisy et al. | Image segmentation for feature extraction: A study on disease diagnosis in agricultural plants | |
Di et al. | The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170707 Termination date: 20171212 |
|
CF01 | Termination of patent right due to non-payment of annual fee |