CN104463173B - 一种基于概率密度比值的作物病害识别方法 - Google Patents

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

一种基于概率密度比值的作物病害识别方法

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),...,g_n(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g_j(x,y)和g_k(x,y)，计算g_j(x,y)与g_k(x,y)互为近邻的概率密度比值q_jk：

式中，β为一个调节参数，由交叉验证法确定；W_j为g_j(x,y)的特征向量，W_k为g_k(x,y)的特征向量，j∈[1,n]，k∈[1,n]；

设图像g_j(x,y)属于第s类，计算任意一幅病害叶片图像与g_j(x,y)同类的概率q_s：

式中，Δ_s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，n_s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S_B和类内散度矩阵S_W，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：S_Ba＝λS_Wa (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,...,a_d，d为低维特征向量的维数；由a₁,a₂,...,a_d组成一个投影矩阵A＝[a₁,a₂,...,a_d]；

由投影矩阵A对n幅病害叶片的特征向量集{W₁,W₂,...,W_n}进行维数约简，得低维病害识别特征向量集{Y₁,Y₂,...,Y_n}，其中Y_i＝A^TW_i(i＝1,2,...,n)，A^T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,...,Y_n}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L_new(x,y)的44个特征值，并组成一个特征向量W_new，再计算特征向量W_new的低维特征向量Y_new＝A^TW_new；

将低维特征向量Y_new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L_new(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m_i，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，μ_H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η_pq：

式中， p、q为两个正整数，μ_G为灰度值矩阵Gray中所有元素的均值；

利用正则化中心距η_pq，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),...,g_n(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m_i，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，J_ab为任意一个维数为M×N的矩阵，μ₁、μ₂和μ₂分别为J_ab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，μ_H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η_pq

式中， p、q为两个正整数,μ_G为灰度值矩阵Gray中所有元素的均值。

利用正则化中心距η_pq，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g_j(x,y)和g_k(x,y)，计算g_j(x,y)与g_k(x,y)互为近邻的概率密度比值q_jk：

式中，β为一个调节参数，由交叉验证法确定；W_j为g_j(x,y)的特征向量，W_k为g_k(x,y)的特征向量，j∈[1,n]，k∈[1,n]；

设图像g_j(x,y)属于第s类，计算任意一幅病害叶片图像与g_j(x,y)同类的概率q_s：

式中，Δ_s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，n_s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S_B和类内散度矩阵S_W，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：S_Ba＝λS_Wa (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,...,a_d，d为低维特征向量的维数。由a₁,a₂,...,a_d组成一个投影矩阵A＝[a₁,a₂,...,a_d]。

由投影矩阵A对n幅病害叶片的特征向量集{W₁,W₂,...,W_n}进行维数约简，得对应的低维病害识别特征向量集{Y₁,Y₂,...,Y_n}，其中Y_i＝A^TW_i(i＝1,2,...,n)，A^T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,...,Y_n}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L_new(x,y)，由上面的第一步和第二步，计算L_new(x,y)的44个特征值，并组成一个特征向量W_new，再由矩阵A计算W_new对应的低维特征向量Y_new＝A^TW_new。

然后将待测试的作物叶片图像的低维特征向量Y_new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L_new(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),...,g_n(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g_j(x,y)和g_k(x,y)，计算g_j(x,y)与g_k(x,y)互为近邻的概率密度比值q_jk：

式中，β为一个调节参数，由交叉验证法确定；W_j为g_j(x,y)的特征向量，W_k为g_k(x,y)的特征向量，j∈[1,n]，k∈[1,n]；

设图像g_j(x,y)属于第s类，计算任意一幅病害叶片图像与g_j(x,y)同类的概率q_s：

式中，Δ_s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，n_s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S_B和类内散度矩阵S_W，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：S_Ba＝λS_Wa (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,...,a_d，d为低维特征向量的维数；由a₁,a₂,...,a_d组成一个投影矩阵A＝[a₁,a₂,...,a_d]；

由投影矩阵A对n幅病害叶片的特征向量集{W₁,W₂,...,W_n}进行维数约简，得低维病害识别特征向量集{Y₁,Y₂,...,Y_n}，其中Y_i＝A^TW_i，i＝1,2,...,n，A^T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,...,Y_n}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L_new(x,y)的44个特征值，并组成一个特征向量W_new，再计算特征向量W_new的低维特征向量Y_new＝A^TW_new；

将低维特征向量Y_new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L_new(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m_i，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，μ_H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η_pq：

式中， p、q为两个正整数，μ_G为灰度值矩阵Gray中所有元素的均值；

利用正则化中心距η_pq，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。