基于计算机图像处理的玉米叶部病害识别系统

论文摘要

作物病虫草害严重影响作物的产量和品质,针对作物病虫草害识别自动化程度不高,识别诊断不及时问题,应用计算机视觉技术对玉米生长期的叶部病害识别诊断进行研究,以常见的玉米叶部病害为研究对象,提出可行的方法,提高诊断精度,为作物病虫草害自动识别与诊断的相关研究提供理论依据。根据玉米叶部病害特点,综合应用阈值法、频率对比度增强法、YCbCr色彩空间对玉米叶部病害图片进行图像分割,利用图像的开闭运算去除冗余斑点。基于提升小波变换和空间灰度共现矩阵提取纹理特征。利用小波分析的时域化特性以及提升小波的本位元算特点,对纹理图像进行提升小波分解,在对得到的高频子图继续做第二层小波分解,然后以各频率子图的图像熵作为图像的纹理特征进行纹理分类。该算法提取的特征维数较低,计算量较小,具有较强的纹理分析能力。将RGB颜色空间转化到HIS颜色空间,提取颜色特征。采用并行模拟退火遗传算法优化人工神经网络模式识别方法来衡量图像之间相似程度,以改进距离度量法的缺陷,并用于灰斑病,褐斑病和小斑病三种玉米叶部病害进行分类识别。利用VisualC++编制了玉米叶部病害智能识别软件,为计算机作物病害智能识别的研究提供了软件和技术支持。实现了灰斑病、褐斑病和小斑病三种常见玉米叶部病害的自动识别,识别准确率达到90%以上。将计算机视觉技术应用于玉米病害的识别诊断,拓展了机器视觉的应用范围,也为机器视觉技术在农业领域的应用提供了借鉴。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景及研究的意义
• 1.2 图像识别在作物病虫草害识别方面研究进展及存在的问题
• 1.3 研究内容及技术路线
• 1.3.1 研究内容
• 1.3.2 技术路线
• 第2章 常用二维图像处理技术及模式识别方法
• 2.1 数字图像基础
• 2.1.1 概述
• 2.1.2 位图文件存储格式
• 2.2 边缘检测
• 2.2.1 边缘检测综述
• 2.2.2 Roberts 算子
• 2.2.3 Prewitt 算子和Sobel 算子
• 2.2.4 Kirsch 算子
• 2.2.5 Wallis 对数算子
• 2.2.6 Laplacian 算子
• 2.2.7 高斯-Laplacian 算子
• 2.3 图像分割
• 2.3.1 图像分割概述
• 2.3.2 并行区域分割
• 2.3.3 串行边界分割
• 2.4 模式识别方法
• 2.4.1 模式识别的基本框架
• 2.4.2 模式识别方法的分类
• 2.4.3 人工神经网络
• 第3章 玉米叶部病斑图像获取与处理
• 3.1 图像获取
• 3.2 图像平滑
• 3.3 基于 YCbCr 色彩空间相似度的图像分割
• 3.3.1 YCbCr 色彩空间
• 3.3.2 高斯颜色模型
• 3.3.3 形态学处理
• 第4章 玉米叶部病斑特征提取
• 4.1 颜色特征提取
• 4.1.1 RGB 彩色模型
• 4.1.2 HSI 彩色模型
• 4.1.3 从RGB 转换到HSI
• 4.2 纹理特征提取
• 4.2.1 概述
• 4.2.2 空间灰度层共现矩阵
• 4.2.3 提升小波
• 4.2.4 特征提取过程
• 第5章 玉米叶部病害识别
• 5.1 几何距离相似性度量
• 5.2 BP 神经网络相似性度量
• 第6章 系统设计与实现
• 6.1 开发环境
• 6.2 系统工作流程的建立
• 6.3 程序执行的部分界面
• 结论
• 1 主要结论
• 2 对今后研究的建议
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢
• 详细摘要