基于计算机视觉的农作物病害识别方法的研究

论文摘要

为保证有效合理地施用农药防治农作物病害,农业生产者必须准确的获取作物的生长信息,这样,农业生产者可根据获得的病害信息快速、准确的诊断受害作物的病因以及受害程度,因病治宜。随着计算机处理能力的不断增强,以及图像处理与识别技术的快速发展,数字图像处理与识别技术在农业中的应用越来越广泛,并将成为实现农业信息化与自动化的重要技术力量。农业信息采集工作量巨大,信息的实时性和准确性是农业生产和科学研究领域普遍关注的问题,如何及时快速地进行农作物病害的准确判断一直是计算机技术面向农业领域研究工作的一项重要内容。为此,本文以计算机视觉技术为重要技术手段,综合运用图像处理和植物病理学方面的知识,研究玉米和黄瓜病害的识别和诊断。首先,根据病害叶片的采样要求,利用光照系统和计算机图像处理装置进行病害样本的图像采集。但是无论采用何种装置,采集到的图像往往不能令人满意。针对所采集的图像包含噪声的问题,讨论图像去除噪声的方法。在去除噪声方面论述了常用的几种消噪方法,很多消噪的方法可以很好的去除噪声对图像的影响,但是在消噪的同时也弱化了图像中目标区域的边缘,不利于基于边缘的图像分割算法的使用。因此本文采用Winer滤波来对病害图像进行去除噪声,同时采用多尺度Retinex彩色复原图像增强算法对图像进行增强处理,改善图像质量。经上述处理后,图像质量和显示效果得到明显改善,符合实验要求。其次,深入研究了图像分割的各种方法,仔细研究了病害图像的特点,将聚类分析引入到图像分割中,分析比较了硬C—均值聚类和模糊C—均值聚类分割算法的特性,采用快速模糊C—均值聚类算法,对病害图像进行分割,并通过实验验证了这种算法在聚类优化性能不变的前提下,可以使运算的开销降低,从而使得分割耗时明显地减少。本文根据Kingsbury提出的具有近似位移不变性和良好方向选择性的Q-shift DTCWT变换理论设计了基于统计性特征和系数特征的提取算法。提取了病斑图像的周长、面积和形状参数等特征,然后对所获得的特征值进行标准化,并进行病害图像的分类判断,以获得病害识别的精确性。对训练样本特征提取阶段的结果进行训练SVM分类器,并应用训练好的SVM分类器进行分类识别检测。在病害图像预处理和特征提取阶段采用了不同的方法并在不同的Video中与SVM分类法进行了大量的组合测试。结果表明,本文提出的病害识别算法不仅具有较好的鲁棒性,而且能有效提高识别率和降低误识别率。采用3层完全结合方式的Bp神经网络来建立农作物病害的诊断模型,同时将模拟退火算法和粗粒度并行遗传算法结合起来,既综合了遗传算法和模拟退火算法的优点,又加快了一般模拟退火遗传算法的搜索速度,对所建立的BP神经网络进行优化。优化完成后,网络的诊断能力和运算速度得到增强。采用VC++程序设计软件编写程序,形成了基于计算机视觉的农作物病害识别系统。本文从算法理论研究入手,以计算机图像处理为技术手段,以VC++语言为编程语言,综合运用计算机视觉技术、人工神经网络、小波变换、支持向量机和统计模式识别方法,对作物病害图像的处理和诊断技术进行了研究。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 数字图像处理与模式识别的应用
• 1.2 计算机视觉系统
• 1.2.1 计算机视觉的发展
• 1.2.2 计算机视觉研究状况
• 1.2.3 人类视觉与计算机视觉
• 1.2.4 视觉信息系统模型
• 1.2.5 计算机视觉的应用领域
• 1.2.6 计算机视觉在农业中的应用
• 1.3 课题意义及国内外研究现状
• 1.3.1 课题背景及研究意义
• 1.3.2 国内外研究现状
• 1.4 课题研究主要内容
• 第二章 农作物病害图像预处理算法的研究
• 2.1 图像采集
• 2.2 彩色图像灰度化处理
• 2.3 颜色空间及其特点
• 2.3.1 CIE1931-RGB颜色空间
• 2.3.2 YCbCr颜色空间
• 2.3.3 HSI颜色空间
• 2.3.4 HSV颜色空间
• 2.4 图像去噪
• 2.4.1 图像噪声分析
• 2.4.2 图像颜色空间的选择
• 2.4.3 Winer滤波原理
• 2.5 传统图像增强算法分析
• 2.5.1 图像的平滑与锐化
• 2.5.2 中值滤波
• 2.5.3 灰度直方图均衡和高维直方图
• 2.6 空域对比度增强处理
• 2.6.1 多尺度 Retinex灰度图像增强算法
• 2.6.2 多尺度 Retinex彩色复原图像增强算法
• 2.7 频域对比度增强
• 2.7.1 小波变换与傅立叶变换
• 2.7.2 小波滤波器基本原理
• 2.7.3 小波边界延拓
• 2.7.4 小波灰度图像增强算法
• 第三章 农作物病害图像的分割算法研究与实现
• 3.1 图像分割概述
• 3.2 图像分割算法
• 3.3 聚类分析
• 3.3.1 聚类分析简介
• 3.3.2 聚类分析在图像分割中的应用
• 3.4 C—均值聚类算法
• 3.4.1 硬C—均值（HCM）算法
• 3.4.2 模糊C—均值（FCM）算法
• 3.4.3 硬C均值算法与模糊C—均值算法的比较
• 3.5 模糊 C—均值聚类分割算法
• 3.5.1 标准模糊 C—均值聚类分割算法
• 3.5.2 快速FCM分割算法
• 3.6 实验结果与分析
• 第四章 农作物病害图像的特征提取
• 4.1 特征提取概述
• 4.1.1 图像的特征描述
• 4.1.2 特征提取的步骤
• 4.2 特征归一化处理
• 4.3 小波农作物病害图像特征提取算法
• 4.3.1 小波农作物病害图像特征提取算法
• 4.3.2 农作物病害图像纹理特征提取
• 4.3.2.1 概述
• 4.3.2.2 空间灰度层共现矩阵
• 4.3.2.3 提升小波
• 4.3.2.4 特征提取过程
• 4.4 二分树复数小波变换（DT CWT）算法
• 4.4.1 DT CWT的提出
• 4.4.2 DT CWT原理
• 4.4.3 DT CWT滤波器
• 4.4.4 Q-shift DT CWT作物病害统计特征提取的设计
• 4.5 农作物病害图像的特征选择
• 第五章 农作物病害识别分类器的设计与实现
• 5.1 概述
• 5.1.1 统计模式识别方法
• 5.1.2 统计学习理论原理
• 5.2 支持向量机原理
• 5.2.1 最优分类超平面
• 5.2.2 广义的最优分类超平面
• 5.2.3 高维空间的最优分类面
• 5.2.4 最优分类超平面的构造
• 5.3 核函数
• 5.4 支持向量机参数的选择
• 5.5 作物病害分类器泛化性能分析
• 5.6 训练样本的选择
• 5.7 实验结果与分析
• 第六章 农作物病害诊断模型的建立与分析
• 6.1 几何距离相似性度量
• 6.2 BP神经网络相似性度量
• 6.2.1 BP神经网络及其改进
• 6.2.1.1 遗传算法的改进
• 6.2.1.2 并行模拟退火算法
• 6.2.1.3 并行模拟退火遗传算法优化3层BP网络的实现
• 6.3 实验结果与分析
• 第七章 系统设计与实现
• 7.1 开发环境
• 7.2 系统硬件组成
• 7.3 系统工作流程的建立
• 7.4 程序执行的部分界面
• 总结
• 参考文献
• 致谢
• 攻读博士期间发表的论文
• 附录