玉米、黄瓜叶部病害的图像处理技术研究

论文摘要

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,以计算机图像处理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,因此需要对病害图像进行中值滤波来去除噪声,改善图像质量。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。然后,根据特征参数的选取原则,运用链码进行轮廓跟踪,提取了病斑图像的周长、面积和形状参数等特征,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。最后,给出了系统的设计和实现,介绍了系统的功能模块和具体流程,以及系统的主要界面。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究课题的背景及意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 课题主要研究内容
• 1.4 本文的组织结构
• 第2章 图像处理和模式识别的理论基础
• 2.1 图像处理基础知识
• 2.1.1 模拟图像的描述
• 2.1.2 图像的采集及采样量化
• 2.1.3 数字图像的描述
• 2.2 彩色图像灰度化处理
• 2.3 图像平滑
• 2.3.1 空间域滤波
• 2.3.2 频域低通滤波
• 2.4 图像分割
• 2.4.1 图像分割概述
• 2.4.2 图像分割算法
• 2.5 聚类分析
• 2.5.1 聚类分析简介
• 2.5.2 聚类分析在图像分割中的应用
• 2.6 图像特征提取与选择
• 2.6.1 图像的特征描述
• 2.6.2 特征提取的步骤
• 2.7 模式识别
• 2.7.1 模式识别概述
• 2.7.2 模式识别方法的选择
• 第3章 玉米、黄瓜病害图像的采集与处理
• 3.1 图像采集
• 3.2 图像噪声分析
• 3.3 中值滤波
• 3.3.1 中值滤波原理
• 3.3.2 中值滤波特性
• 3.3.3 实验结果与分析
• 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
• 3.5.3 实验结果与分析
• 第4章 玉米、黄瓜病害图像的特征提取和识别
• 4.1 链码相关知识
• 4.1.1 链码概述
• 4.1.2 链码表到线段表的转换
• 4.1.3 4 连通链码转换成8 连通链码
• 4.2 几种常用的形态参数的计算方法
• 4.3 病害图像的轮廓跟踪和形状参数的特征提取
• 4.4 基于特征提取的病害识别
• 4.4.1 通用的数字图像识别框架
• 4.4.2 病害图像识别
• 4.4.3 实验结果与分析
• 第5章 系统设计与实现
• 5.1 系统硬件组成
• 5.2 系统开发环境
• 5.3 系统模块和流程图
• 5.4 系统界面
• 结论
• 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