《农作物病虫害图像检索方法研究与实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
西南科技大学工程硕士专业学位论文农作物病虫害图像检索方法研究与实现作者姓名范振军所在学院信息工程学院专业/领域控制工程学校导师李小霞教授校外导师刘太奎高级工程师论文完成日期2018年05月28日 ClassifiedIndex:TP391.4U.D.C:621.3SouthwestUniversityofScienceandTechnologyMasterDegreeThesisResearchandImplementationofCropDiseaseandPestImageRetrievalMethodsGrade:2015Candidate:FanZhenjunAcademicDegreeAppliedfor:MasterSpeciality:ControlEngineeringSupervisor:LiXiaoxia,ProfessorMay.28,2018 独创性声明１１１打的研宂，，Ｉ：作廊研宂成眾＋人所ｆ交的论文；以我个人在卜丨成的１１，八项所知，除ｒ文叫特別加以秘痛丨她１方外论义屮４啦食ｊｉ；他人ｔ贤发ｆｅ乂撰的研究成火：，也不包Ａ为获得叫南利技人￥或戊它教竹机构的学位或ｉ」ｉ川过Ｉ晒使。：ｉ的材料ｕ我刺｜作的ｈ上对本研宄所做的任何ａ献均ｃ／龙文屮作丫明确的说明并＿忐小／谢乂：。５答名…范ＵＪＷ：！辦关于论文使用和授权的说明，：学校打权木人完全了解帅柯＿支人７沿关保街、使片丨学位论幻ＭＷｉｉ即保诏学位论文的Ｍ印件，允许该论文被舍阅和仍趾学校４以公值该论文的个部＾。似：或訊分内界，彳训影叫缩印成：ｊｔ他父制手段保存论文保密的切立ｉ色文在解密Ａ？应遵＃此规记）（＇＇：ｎＫ：４帅签名Ｊｊｌｏ＾ｂ］ 西南科技大学硕士研究生学位论文第I页摘要马铃薯和柑橘作为全球第三大粮食作物和第一大水果，因受到病虫害的侵害每年造成巨大的经济损失。基于计算机视觉、模式识别和图像处理技术的病虫害智能诊断方法对其可持续发展具有重要的实际意义，也是农业现代化、信息化发展的研究热点和重点。针对马铃薯和柑橘病虫害图像受自然环境影响大、病虫害感兴趣区域(ROI)检测速度慢、识别准确率不够高等问题，以自建的马铃薯和柑橘病虫害图像库（共35类，1650幅）为研究对象，就上述问题进行了深入研究。主要研究内容和创新性成果如下：（1）针对自然环境下的作物病虫害图像易受光照、角度和尺度等因素影响，对病虫害图像预处理方法进行了实验研究。采用颜色空间变换和图像灰度化可以有效消除光照对病虫害识别的影响；采用中值滤波能较好地保留病虫害图像的纹理和边缘细节，且降噪效果好。（2）针对病虫害图像受自然背景影响较大，且直接在原始图像上提取特征时存在计算量大、特征冗余严重等问题，建立了基于Grab-Cut算法的病虫害区域分割方法，能较好获得病虫害区域，但运行时间在1s及以上，且需要人工交互。基于上述问题，提出了一种基于关键特征点的病虫害ROI快速检测方法。先对病虫害图像作金字塔下采样后提取ORB特征点，当其特征点数目小于给定阈值时提取SIFT特征点，再对所提特征点的坐标值分别按水平和垂直方向进行排序，并通过计算K个近邻特征点的均值来确定病虫害区域的坐标并提取ROI。研究表明：该方法能自动实现对病虫害区域的准确定位，每幅病虫害图像ROI检测的平均时间在13ms内。（3）针对在原始病虫害图像上提取特征时计算量大和识别准确率不高的问题，基于病虫害ROI图像，融合HSV颜色直方图和UPLBP纹理直方图两类特征作为病虫害区域总的特征向量，设计了一种基于加权距离的K近邻病虫害识别算法。首先以加权距离分类器作预分类，然后采用K近邻分类器作二次判决得到最终识别结果。研究表明：在自建图像库上，马铃薯和柑橘病虫害的平均识别准确率分别为96.3%、93.48%、94.07%、92.59%，平均运行时间最高为243ms。此外，以基于径向基核函数的非线性支持向量机的病虫害分类模型作对比研究。实验表明：马铃薯和柑橘病虫害的平均识别准确率分别为95.42、92.07%、91.04%、90.37%，平均运行时间最高为113ms。 西南科技大学硕士研究生学位论文第II页（4）在Windows系统上基于开源计算机视觉库OpenCV2.4.13，使用C/C++编程语言，设计并开发了农作物病虫害图像检索系统。该系统能在0.2s左右时间内准确识别出待检索图像的病虫害类别，并给出相应病虫害的治理措施，实现了对马铃薯和柑橘病虫害图像的自动诊断。关键词：农作物病虫害；关键特征点；感兴趣区域（ROI）；融合特征；非线性支持向量机；图像检索 西南科技大学硕士研究生学位论文第III页AbstractAsthethirdlargestgraincropandthefirstlargestfruitintheworld,potatoandcitrushavecausedhugeeconomiclosseseveryyearbecauseofthediseaseandinsectpests.Theintelligentdiagnosismethodofplantdiseasesandinsectpestsbasedoncomputervision,patternrecognitionandimageprocessingtechnologyhasimportantpracticalsignificanceforitssustainabledevelopment,andisalsoaresearchhotspotandfocusofagriculturalmodernizationandinformationdevelopment.Thisstudyaimstosolvetheproblemsoflargeenvironmentalimpactsofpotatoandcitruspestsanddiseases,lowextractionspeedsindiseaseandinsectpests,andlowrecognitionaccuracy.Theaboveissueshavebeenstudiedindepthwithself-builtimagesofpotatoandcitruspestsanddiseases(atotalof35categoriesand1650samples)astheresearchobject.Themainresearchcontentsandinnovativeresultsareasfollows:(1)Inviewofthefactthatcroppestsanddiseasesimagesinthenaturalenvironmentaresusceptibletolight,anglesandscales,thepreprocessingmethodofpestanddiseaseimageisexperimentallystudied.Theuseofcolorspacetransformationandimagegrayingcaneffectivelyeliminatetheimpactoflightonpestanddiseaserecognition.Medianfiltercaneffectivelyretainthetextureandedgedetailsofpestsanddiseases,andtheeffectofnoisereductionisgood.(2)Inviewoftheproblemthattheimageofdiseaseandpestisgreatlyinfluencedbythenaturalbackground,andwhenthefeatureisextracteddirectlyontheoriginalimage,therearemanyproblemssuchaslargecomputationandseverefeatureredundancy.AdiseaseandinsectpestareasegmentationmethodbasedonGrab-Cutalgorithmisestablished,whichcanbettergetthediseaseandpestarea,buttherunningtimeis1sandabove,anditneedshumaninteraction.Basedontheaboveproblem,thispaperproposesanalgorithmbasedonkeyfeaturepointsforthedetectionofROI.Firstofall,theORBfeaturepointsareextractedafterthepyramidimageisdown-sampled,andtheSIFTfeaturepointsareextractedwhenthenumberoffeaturepointsissmallerthanagiventhreshold.Thenthecoordinatevaluesofthefeaturepointsaresortedinthehorizontaland 西南科技大学硕士研究生学位论文第IV页verticaldirectionsrespectively.AndbycalculatingthemeanvalueoftheKnearestneighborfeaturepoints,thecoordinatesofthepestareaaredeterminedandtheROIisextracted.Theresearchshowsthatthismethodcanautomaticallylocatepestsanddiseasesaccurately,andtheaveragetimeofROIdetectionis13ms.(3)Aimingattheproblemofhighcomputationalcomplexityandlowrecognitionaccuracywhenextractingfeaturesfromtheoriginalpestimage,basedonthepestanddiseaseROIimage,theHSVcolorhistogramandtheUPLBPtexturehistogramareintegratedasthetotalfeaturevectorofthepestregion,andaKnearestneighbordiseaseandinsectpestrecognitionalgorithmbasedonweighteddistanceisdesigned.Firstly,aweighteddistanceseparatorisusedforpre-classification,andthentheKnearestneighborclassifierisusedfortheseconddecisiontoobtainthefinalrecognitionresult.Theresultsshowedthattheaveragerecognitionaccuracyofpotatoandcitruspestsare96.3%,93.48%,94.07%and92.59%ontheselfbuiltimagelibrary,andtheaveragerunningtimeisupto243ms.Inaddition,apestsupportclassificationmodelbasedonanonlinearsupportvectormachinebasedonradialbasiskernelfunctionsisusedforcomparativestudy.Experimentsshowedthattheaveragerecognitionaccuracyofpotatoandcitrusdiseasesandinsectpestsare95.42,92.07%,91.04%and90.37%,andtheaveragerunningtimeiswithin113ms.(4)BasedontheopensourcecomputervisionlibraryOpenCV2.4.13andusingC/C++programminglanguage,animageretrievalsystemforcropdiseasesandinsectpestsisdesignedanddevelopedontheWindowssystem.Thesystemcanaccuratelyidentifythediseasesandinsectpestsoftheimagetoberetrievedin0.2Stimeandsoon,andprovidecorrespondingpestanddiseasecontrolmeasures,andrealizetheautomaticdiagnosisoftheimageofpotatoandcitrusdiseaseandinsectpests.Keywords:cropdiseasesandpests;keyfeaturepoints;regionofinterest(ROI);fusionfeature;nonlinearsupportvectormachine;imageretrieval 西南科技大学硕士研究生学位论文第V页目录１绪论............................................................................................................11.1课题背景与研究意义........................................................................11.1.1课题背景...............................................................................11.1.2课题研究意义........................................................................21.2国内外研究现状................................................................................21.2.1基于内容的图像检索技术....................................................21.2.2农作物病虫害图像识别与检索方法研究现状......................41.3研究内容与技术路线........................................................................61.3.1研究内容...............................................................................61.3.2技术路线...............................................................................71.4论文组织结构....................................................................................82农作物病虫害图像库建立与图像预处理....................................................92.1农作物病虫害图像库建立.................................................................92.2农作物病虫害图像的预处理方法...................................................112.2.1颜色空间变换......................................................................122.2.2图像灰度化.........................................................................142.2.3图像平滑.............................................................................152.2.4图像尺度变换......................................................................182.3本章小结..........................................................................................213农作物病虫害感兴趣区域检测算法研究..................................................223.1引言.................................................................................................223.2基于Grab-Cut算法的病虫害ROI检测方法..................................223.2.1图论概述.............................................................................223.2.2Grab-Cut算法原理.............................................................233.2.3病虫害ROI检测实验及分析...............................................263.3基于关键特征点的病虫害ROI检测方法........................................293.3.1不变性特征算子概述..........................................................303.3.2ROI检测方法概述...............................................................303.3.3基于关键点的病虫害ROI检测算法原理...........................31 西南科技大学硕士研究生学位论文第VI页3.3.4病虫害ROI检测实验及分析...............................................363.4本章小结..........................................................................................374农作物病虫害图像特征提取算法研究......................................................384.1引言.................................................................................................384.2颜色特征..........................................................................................384.2.1HSV颜色直方图特征提取算法............................................384.2.2颜色特征提取实验及结果分析...........................................394.3纹理特征..........................................................................................394.3.1LBP算法概述.......................................................................404.3.2UPLBP纹理直方图特征提取算法........................................414.3.3纹理特征提取实验及结果分析...........................................414.4图像局部不变性特征......................................................................434.4.1SIFT特征算法原理.............................................................434.4.2局部特征点提取实验及结果分析.......................................474.5本章小结..........................................................................................485农作物病虫害识别算法研究......................................................................495.1基于距离分类器的病虫害识别方法研究........................................495.1.1基于K近邻的病虫害识别方法...........................................495.1.2特征相似度计算方法..........................................................505.1.3基于加权距离的K近邻病虫害识别方法...........................505.1.4实验结果与分析..................................................................525.2基于SVM的病虫害识别方法研究...................................................585.2.1支持向量机原理概述..........................................................585.2.2基于SVM的病虫害识别方法...............................................585.2.3实验结果与分析..................................................................595.3本文所提方法的对比实验研究.......................................................655.3.1对比实验说明......................................................................655.3.2实验结果与分析..................................................................665.4本章小结..........................................................................................676农作物病虫害图像检索系统设计与实现..................................................686.1系统概述..........................................................................................68 西南科技大学硕士研究生学位论文第VII页6.1.1病虫害检索图像库..............................................................686.1.2病虫害检索系统使用环境..................................................686.2系统设计与实现..............................................................................696.2.1病虫害图像检索原理..........................................................696.2.2病虫害图像检索系统设计分析...........................................696.2.3病虫害图像处理模块..........................................................706.2.4病虫害图像检索模块..........................................................716.3系统演示..........................................................................................716.4本章小结..........................................................................................74总结与展望......................................................................................................75论文总结..................................................................................................75研究展望..................................................................................................76致谢..........................................................................................................77参考文献..........................................................................................................78攻读学位期间发表的学术论文及承担的科研项目.........................................83 西南科技大学硕士研究生学位论文第1页１绪论1.1课题背景与研究意义1.1.1课题背景很长时间以来，农业作为我国的第一基础产业，在国民经济中占据很大比例，保质保产是我国农业现代化、信息化发展的基本目标。马铃薯和柑橘等农作物在自然生长过程中很容易受到其他昆虫、鸟类、微生物以及病菌等的侵害和感染，即发生所谓的农作物病虫灾害；加之气候恶劣、空气污染和水污染等自然环境影响，严重影响农作物的正常生长和农业的可持续发展。在引起农业灾害的因素中，除了气候环境异常变化、土壤环境污染等自然因素外，农作物病虫害也是一个主要因素。近年来，随着全球气候环境变化的加剧，我国农作物病虫害的发生呈现不断蔓延和继续加剧的趋势，给我国农业现代化发展造成了更大影响。自2013年以来，国家提出了一系列关于深入推进农业现代化、信息化发展的指南路线和政策[1-3]，这极大地推动了我国实现农业生产现代化、信息化的发展步伐。在将图像处理和模式识别等相关技术应用于农作物病虫害图像识别之前，主要依靠人眼根据病虫害目标区域的颜色、纹理和形状等特征，通过人工与马铃薯和柑橘等农作物病虫害图像信息手册进行比较的方法实现识别。但这种人工识别的方法费时费力效率低，不能及时准确给出病虫害的最佳防治方法，严重影响了农作物的产量和质量。当前时期是实现农业信息化发展的大好时代，农业信息技术是实现我国农业保质增产、绿色无公害与可持续的科学发展的重要保障[4]。如何及时准确地帮助农业生产从业者对农作物病虫害进行有效防治，是我国农业走向现代化、信息化、智能化和实现智慧农业等亟待解决的问题[5]。随着我国农业信息化的持续推进，信息技术在农业发展中的作用日益显著，逐渐地被应用到农业生产的各个领域。得益于计算机视觉、模式识别和图像处理技术的快速发展，基于农作物病虫害图像的病虫害区域分割以及病虫害目标图像特征提取的农作物病虫害图像识别方法与检索技术是农业现代化、信息化发展的研究热点和重点。 西南科技大学硕士研究生学位论文第2页1.1.2课题研究意义在现代农业生产中，各种危害农作物生长的因素不断增加，其中农作物病害与虫害是最为常见的因素。目前，我国农业病虫害的治理主要是使用生物制剂、化学农药等非绿色的方法，虽然效果较好，但化学农药对土壤及作物产品的潜在危害很大，影响粮食作物的绿色无公害性。此外，人工病虫害识别方法具有病虫害识别不及时、不准确的固有缺陷，容易导致加大化学农药的使用量，甚至是滥用。同时，能够很好完成这项任务的农业专家和专业技术人员数量有限，这也是比较明显的现实问题。马铃薯和柑橘作为全球第三大粮食作物和第一大水果，因受到病虫害的侵害每年造成巨大的经济损失。在马铃薯和柑橘等农作物病虫害的智能诊断和科学防治过程中，使用基于计算机视觉、模式识别、图像处理、机器学习和统计理论的农作物病虫害图像智能诊断方法替代人工病虫害识别方法，不仅可以提高病虫害识别的效率和准确率，而且能有效促进农药的科学使用，为智能绿色环保的现代化农业发展提供科学指导和技术保障，对其可持续发展具有十分重要的研究意义和社会价值。本文以自建的马铃薯和柑橘病虫害图像库（共计35类，1650幅图像）为研究对象，针对马铃薯和柑橘病虫害图像受自然环境影响大、病虫害感兴趣区域(Regionofinterest,ROI)检测速度慢、识别准确率不够高等问题进行了深入研究，重点研究了病虫害ROI检测算法和病虫害识别算法两部分，这些内容是实现病虫害自动诊断的重要组成部分，是对农作物病虫害智能识别技术的不断探索和改进，以期为农作物病虫害治理及农业现代化发展提供理论支持和科学指导。1.2国内外研究现状1.2.1基于内容的图像检索技术自上个世纪90年代提出图像语义的概念以来，很快就诞生了基于图像的颜色、纹理以及形状等低层视觉特征[6]进行内容分析、识别与检索的搜索机制，即基于内容的图像检索(Content-basedImageRetrieval，CBIR)[7-8]技术，其原理图如图1-1所示。 西南科技大学硕士研究生学位论文第3页输入图像特征提取（颜色、纹理、形状等）数据库建立图像数据库索引机数据库查询用户查询接口匹配机制相似图像图1-1图像检索原理图Fig.1-1Imageretrievalschematic基于内容的图像检索是指向检索系统输入需要被检索的图像，然后自主提取输入图像的低层视觉特征属性，最后根据计算这些低层特征属性与检索库图像对应的低层特征属性间的匹配率来决定两张图像之间的相似度[8]。随着对基于内容的图像检索技术的广泛应用，越来越多的图像特征提取技术和识别算法被应用于图像检索，使得CBIR技术得到快速发展。但与此同时，单纯使用传统的图像检索方式似乎难以满足越来越多样化的现实需要。图像识别检索应用领域中主要使用颜色、纹理和形态等特征和较高级的语义抽象特征。当然，后者更符合人类的认知规律，但计算机视觉领域中对此概念的标准不统一，因此现阶段语义特征还在深入研究当中，主要仍以低层视觉特征应用为主。基于内容的马铃薯和柑橘病虫害图像检索系统的基本工作流程是：当用户输入马铃薯或柑橘病虫害图像后，系统首先自动检测其病虫害感兴趣区域，并在病虫害ROI上提取颜色和纹理特征，然后再在病虫害特征库中进行搜索匹配，找到病虫害特征最相似的前Top-N幅病虫害图像，最后给出检索结果中相应病虫害的防治措施，实现对病虫害图像的自动诊断。 西南科技大学硕士研究生学位论文第4页1.2.2农作物病虫害图像识别与检索方法研究现状将CBIR技术应用于农作物病虫害识别领域的时间不是太久，也并不广泛，是因为其技术基础积累不够，配套产品软硬件成本较高等因素导致。传统的农作物病害人工诊断方式主要通过人为观察农作物的果实和叶片部位实现。果实部位的病害通常容易观察；叶片部位的病害在颜色方面的差异最为突出，利用图像处理、计算机视觉和模式识别技术等很容易实现，且诊断效果很好。农作物虫害识别较为困难，主要是因为虫害种类繁多，不同生长期的虫害形态、颜色等变化迅速，且不同虫害之间的低层视觉特征差异不大等因素造成的。目前，国内外众多研究者运用计算机视觉和图像处理等技术对小麦、黄瓜、棉花、玉米、苹果、水稻、马铃薯和柑橘等常见的粮食作物病虫害图像识别与检索做了很多研究，提出了一些好的解决方法，为我国农业现代化、信息化发展和精准农业提供了技术支持和科学的理论指导。2001年，中国农业大学的沈佐锐教授第一次将数学形态学用于对昆虫的分类研究[9]。管泽鑫等[10]基于颜色和轮廓融合特征提取3种水稻病害区域图像并提取其颜色、纹理和形态特征，采用Bays分类器识别病害，识别准确率高达97%。邓继忠等[11]对3种小麦病害图像提取了形状和纹理特征，并对距离分类器、反向传播(backpropagation,BP)神经网络和支持向量机(supportvectormachine,SVM)分类模型进行了对比实验，总体识别率达到82.9%。浙江大学赵芸[12]利用高光谱分析技术对油菜病虫害识别进行了实验分析。温长吉等[13]利用脉冲耦合神经网络对玉米病害图像的分割进行研究。王献锋等[14]结合环境信息并提取黄瓜叶部病害图像的低层视觉特征，基于最大隶属度准则对3种病害的识别准确率达90%。韩瑞珍等[15]提取12种昆虫图像的低层视觉特征，基于RBF的线性分类器，准确率最高为89.5%。王黎鹃等[16]基于水平集算法分割小麦蚜虫，采用SVM模型对8种虫害的识别准确率为81.25%。竺乐庆等[17]对鳞翅昆虫区域图像提取H-V颜色直方图和双树复小波纹理特征，采用分层最近邻识别算法，前翅识别率达92%。张红涛等[18]采用蚁群优化算法对提取的粮虫形态特征生成最优特征子空间，最后利用SVM作训练模型对9种粮食虫害进行识别，准确率达95%，但该算法较为复杂。2013年，温芝元等[19]基于分水岭算法对5种桠柑病虫害图像进行频域特征重构，采用BP神经网络识别病虫害，平均识别率达92.67%。HAHiary等[20]使用Otsu算法分割5种植物叶片病害，基于HSI颜色空间的颜色共现特征提取方法并采用神经网络分类 西南科技大学硕士研究生学位论文第5页病害，平均识别率达94.67%。Dubey等[21]等基于颜色特征使用K-均值聚类法提取苹果病害目标图像。NunesD等[22]基于元数据和模式识别技术对3种番茄叶部晚疫病害进行了研究，识别准确率达94.12%。2015年，MWahabzada等[23]提出一种基于级联数据挖掘技术的光谱动力学模型以生成植物病害光谱图。2015年，许良凤等[24]对7种典型玉米病害图像利用Grab-Cut算法获得病害区域后提取颜色和纹理特征，并构建多级SVM分类器的线性组合识别模型，准确率达94.17%。2016年，胡耀华等[25]对马铃薯晚疫病害图像提取其ROI的光谱信息，并构建LS-SVM病害分类模型，识别精度达94.87%。2017年，赵建敏等[26]利用Otsu阈值分割算法提取4种马铃薯叶部病害区域图像，并提取低层视觉特征向量，采用SVM分类器，识别率达92%。柳锋[27]对柑橘溃疡病提出了一种改进的级联AdaBoost分类模型与窗口合并的搜索机制。2014年，赵兴祥[28]对柑橘7种典型病害图像采用傅立叶光谱分析技术构建了偏最小二乘判别分析和BP网络两种分类器，识别率为95%。近年来，基于图像ROI的目标识别或图像检索方法得到广泛应用，但有效获得图像ROI是其成功的关键。2015年，肖志涛等[29]提出一种基于Harris角点检测的凸包边界与CIELAB颜色空间的低层次粗略图加权融合的ROI检测方法。薛锋等[30]提出一种采用SURF(SpeedUpRobustFeatures,SURF)特征贡献度矩阵的图像感兴趣区域检测方法。2016年，刘成云等[31]提出通过颜色增强技术提取自然场景下的交通标志ROI，并提取梯度直方图(HistogramofOrientedGradient,HOG)[32]和多通道局部二值模式(HistogramofOrientedGradientandMulti-radiusBlockLocalBinaryPattern,HOG-MBLBP)特征来识别交通标志的方法。2016年，叶海建等[33]提出一种通过提取RGB颜色分量的显著图来识别黄瓜霜霉病的方法，平均识别率达93.12%，但平均运行时间高达661.4ms。上述农作物病虫害图像区域分割及其识别方法都是仅针对其某一部位而言的，且病虫害种类较少，尤其针对马铃薯和柑橘的病虫害识别方法的研究成果不多。由于马铃薯和柑橘病虫害图像的自然背景复杂，病虫害区域分割速度以及病虫害识别率都有待提高。基于计算机视觉、模式识别和数字图像处理技术的农作物病虫害ROI快速检测及其自动诊断依然是农业现代化、信息化发展的重点研究方向。 西南科技大学硕士研究生学位论文第6页1.3研究内容与技术路线1.3.1研究内容马铃薯和柑橘作为全球第三大粮食作物和第一大水果，因受到病虫害的侵害每年造成巨大的经济损失。基于计算机视觉、模式识别和数字图像处理技术的病虫害智能诊断方法对其可持续发展具有重要的实际意义，是实现农业现代化、绿色环保化、信息化、智能化发展的研究热点和重点。为此，本研究课题以自建的马铃薯和柑橘的35类典型病虫害共1650张图像作为研究对象，运用计算机视觉、模式识别和数字图像处理等技术，针对马铃薯和柑橘病虫害图像受自然环境影响大、病虫害区域分割速度慢、识别准确率不够高等问题展开了深入研究。最后将图像识别检索技术应用到农业病虫害诊断中，设计并开发了基于图像内容的农作物病虫害图像检索系统，并给出相应病虫害的治理措施。本文主要研究内容包括：（1）马铃薯和柑橘病虫害图像库建立。目前，关于马铃薯和柑橘病虫害图像识别的研究，还缺少公共的大型数据库，因此需要自建病虫害图像库。（2）针对自然环境下的农作物病虫害图像易受光照、角度和尺度等因素影响，对病虫害图像预处理方法进行了研究。研究表明：采用颜色空间变换和图像灰度化与均衡化可以有效消除光照对病虫害识别的影响；采用中值滤波能较完整地保留病虫害区域图像的纹理和边缘细节，且降噪效果良好。（3）病虫害ROI检测方法研究。马铃薯和柑橘病虫害图像容易受到自然环境如杂草、土壤、光照变化和遮挡等因素的影响，给病虫害区域分割带来很大挑战。针对病虫害图像受自然背景影响较大，基于Grab-Cut算法的病虫害区域分割速度慢，且需人工交互的问题，设计了一种基于关键特征点的马铃薯和柑橘病虫害ROI快速自动检测算法。（4）马铃薯和柑橘病虫害图像特征提取方法研究。重点研究病虫害ROI图像的颜色、纹理特征提取及其融合和局部不变性特征提取算法。（5）马铃薯和柑橘病虫害图像识别算法研究。针对在原始病虫害图像上提取特征时计算量大和识别准确率不高的问题，基于病虫害ROI图像，融合HSV颜色直方图和UPLBP纹理直方图两类特征作为病虫害区域总的特征向量，提出了一种基于加权距离的K近邻病虫害识别算法。此外，针对基于距离分类器的病虫害识别算法运行时间较慢的问题，建立了基于径向基核函数的非线性SVM的病虫害分类模型作对比算法研究。 西南科技大学硕士研究生学位论文第7页（6）基于内容的农作物病虫害图像检索系统的设计与实现。在Windows系统上，基于开源计算机视觉库OpenCV2.4.13和VS2012软件开发平台，使用C/C++编程语言，设计并开发了基于病虫害ROI融合特征和加权距离的K近邻病虫害图像检索系统，实现了对马铃薯和柑橘病虫害图像的自动诊断。1.3.2技术路线马铃薯和柑橘病虫害图像检索方法的研究内容主要包括：马铃薯和柑橘病虫害图像获取、病虫害ROI检测、特征提取和识别与检索等部分，其技术路线如图1-2所示。输入开始病虫害图像预处理病虫害ROI检测病虫害特征提取图基于颜纹不论关键点色理变分ROI直直性割检测方方特法图图征病虫害病虫害ROI图像特征距离分类器病虫害识别与检索图像特征库SVM分类器输出结束检索结果图1-2技术路线Fig.1-2Technologyroute 西南科技大学硕士研究生学位论文第8页1.4论文组织结构根据本课题的主要研究内容及其先后顺序，本论文总共有七章，其大体结构如下：第一章：绪论。主要介绍了农作物病虫害图像检索在农业生产与农业信息化方面的研究背景及其研究价值；详细介绍了目前农作物病虫害图像识别与检索的研究现状；介绍了本课题的主要研究内容和采取的技术路线等。第二章：马铃薯和柑橘病虫害图像样本建立与图像预处理。首先介绍了本课题中的研究对象——马铃薯和柑橘病虫害图像，并对自建病虫害图像库的样本进行了简要分析；然后介绍了本文中采用的图像预处理方法。第三章：马铃薯和柑橘病虫害区域检测算法研究。详细介绍了基于Grab-Cut算法的病虫害区域分割方法，对其优缺点进行了讨论并获得了马铃薯和柑橘病虫害区域图像；此外，详细论述了本文提出的基于关键特征点的病虫害ROI快速自动检测方法，该方法可自动定位病虫害区域，具有速度快、精度高的优势。第四章：马铃薯和柑橘病虫害ROI图像特征提取算法研究。介绍了几种常用的低层视觉特征（如颜色直方图、颜色矩、LBP纹理特征等）和不变性特征（如SIFT、ORB等）提取方法，实现了对马铃薯和柑橘病虫害ROI特征的提取。第五章：马铃薯和柑橘病虫害识别算法研究。详细论述了本文提出的基于加权距离的K近邻病虫害识别算法，然后介绍了基于非线性SVM的病虫害识别算法并进行了大量对比实验研究。第六章：马铃薯和柑橘病虫害图像检索系统的设计与实现。根据本文的研究成果，基于开源计算机视觉库OpenCV2.4.13，采用C++语言编程实现了农作物病虫害图像检索系统的开发。第七章：总结与展望。对关于马铃薯和柑橘病虫害图像检索方法的研究内容和结果进行了总结，对病虫害ROI误定位的原因进行了分析，对农作物病虫害图像自动诊断方法的研究工作提出了进一步的展望。 西南科技大学硕士研究生学位论文第9页2农作物病虫害图像库建立与图像预处理2.1农作物病虫害图像库建立本课题以马铃薯和柑橘两种作物的病虫害图像为研究对象，但目前关于马铃薯和柑橘病虫害图像识别的研究，还缺少公共的大型图像样本库，因此需要自建病虫害样本集。从中国农业医院网、农作物病虫害信息查询网、郑州市病虫害数据库、世纪农药网、百度百科、互联网搜索以及过往项目合作方等渠道获得自然环境（如不同光照、不同角度等）下的农作物病虫害原始图像，然后通过从原始图像中截取子图像的方式，构建了农作物病虫害图像库（彩色图像，格式为JPG）。（1）马铃薯病虫害图像库马铃薯病害图像样本：叶部的早疫病、晚疫病和病毒病三类病害，果实部位的粉痂病、疮痂病、白绢病和干腐病四类病害，茎部的黑胫病、环腐病和青枯病三类病害，共10类主要病害，每类病害54幅，总计540幅图片；马铃薯虫害图像样本：蚜虫、二十八星瓢虫、二十八星瓢虫幼虫、地老虎、金针虫和甲虫各54幅，以及豌豆潜叶蝇44幅，共7类典型虫害，总计368幅图片。（2）柑橘病虫害图像库柑橘病害图像样本：疮痂病果36幅+叶40幅、炭疽病果40幅+叶30幅、黄龙病果30幅+叶30幅、溃疡病果30幅+叶30幅、黄斑病叶40幅、黑星病50幅、黑腐病38幅、蒂腐病38幅和青绿霉病40幅，共9类主要病害，总计472幅图片；柑橘虫害图像样本：木虱虫、橘蚜幼蚜、氏尖蚧、黑刺粉虱幼虫、黑刺粉虱成虫、吹绵蚧幼虫、绵蚜虫、绣线菊蚜和恶性叶甲幼虫，共9类典型虫害，每类30幅，总计270幅图片。由此，共计得到马铃薯和柑橘的35类典型病虫害共1650幅图像。为直观展示所得病虫害图像样本，图2-1~图2-4分别给出了马铃薯和柑橘病害/虫害的部分样本图像。 西南科技大学硕士研究生学位论文第10页(a)早疫病(b)粉痂病(c)黑胫病图2-1马铃薯病害图像库部分样本Fig.2-1Partialsamplesofpotatodiseaseimagedatabase从图2-1中可以看出，早疫病的病斑区域分布较为零散，分割后的二值图像会有多个部位的病斑，使得特征提取难度加大；粉痂病的形状不规则，呈条状，其纹理特征会附带非病斑区域，造成颜色特征提取不完整；黑胫病的病害区域颜色与背景部分的颜色较为相近，且病害区域的形态不规则，这给病害区域的分割带来了很大挑战，如果病害区域分割不准确将会影响特征提取的充分性和完整性，从而影响病害识别精度。(a)二十八星瓢虫(b)甲虫(c)豌豆潜叶蝇图2-2马铃薯虫害图像库部分样本Fig.2-2Partialsamplesofpotatopestimagedatabase从图2-2中看出，马铃薯虫害区域较为集中，基本位于图像中间部分，分割比较容易。但图2-2(a)、(b)中，二者虫害区域的轮廓会比较接近，其形态特征会严重影响虫害识别率，因此，在后续特征提取及特征融合时需要特别考虑此因素带来的影响，可以采用加权策略，增加如颜色或者纹理特征的权重，降低形态特征的比例以降低此因素带来的影响。 西南科技大学硕士研究生学位论文第11页(a)疮痂病(b)炭疽病(c)溃疡病图2-3柑橘病害图像库部分样本Fig.2-3Partialsamplesofcitrusdiseaseimagedatabase从图2-3中可以看出，不同柑橘病害区域的颜色会比较接近，但其形状特征和纹理特征差异较大，特征融合时需要减少颜色特征的权重，增加后两者的比例以提高病害识别率。(a)橘蚜幼蚜(b)黑刺粉虱成虫(c)恶性叶甲幼虫图2-4柑橘虫害图像库部分样本Fig.2-4Partialsamplesofcitruspestimagedatabase从图2-4中可以看出，不同柑橘虫害区域的轮廓差异较大即形状特征较为明显。但图2-4(a)、(b)中二者的虫害区域的颜色较为接近，不宜采用颜色特征区分，且图2-4(c)中虫害区域的颜色和背景颜色比较接近，这增加了虫害区域分割的难度。2.2农作物病虫害图像的预处理方法图像预处理是指在进行马铃薯和柑橘等农作物病虫害区域分割、病虫害区域特征提取及其识别等工作之前，利用计算机视觉、机器视觉和图像处理的技术，对病虫害图像进行某种数学运算和变换处理，去除随机噪声、不均匀光照和尺度不均衡等影响，实现对病虫害目标区域图像实际情况的真实反 西南科技大学硕士研究生学位论文第12页映，为后续研究提供保障。通过2.1节中所述方法获得的马铃薯和柑橘病虫害样本图像，均是RGB格式的彩色图像；每幅图像的尺寸大小不一样，有的尺寸过大有的则过小；有多种角度的差异，如90°旋转或上下翻转；有光照不均匀的差异；有在不同背景下拍摄病虫害图像的差异等，这些因素会给后续工作如：病虫害区域分割、特征提取及其识别等产生严重的影响。因此，为了减少上述因素对农作物病虫害图像检索系统的性能影响，需要首先对病虫害图像进行适当的预处理操作，这也是农作物病虫害图像检索系统的重要环节。下面主要介绍本文涉及的颜色空间转换、图像平滑、灰度化和尺度变换等图像预处理方法。2.2.1颜色空间变换颜色空间也称彩色空间或彩色系统，是国际照明委员会制定的专门用于精确标定和生成各种颜色的一系列规范[34]。本文采用了最常用的RGB颜色空间和HSV颜色空间，其空间模型如图2-5所示。B蓝饱和度蓝(0,0,255)白红色调紫白绿亮黑绿(0,255,0)度GR红(255,0,0)黄黑(a)RGB颜色空间(b)HSV颜色空间图2-5两种常用彩色系统几何图Fig.2-5Twokindsofcommoncolorsystemgeometry图2-5(a)中，RGB彩色系统是一个立方几何体，三个坐标轴方向依次为三原色即红色、绿色和蓝色。图2-5(b)中，HSV(hue-saturation-value,HSV)彩色系统为一倒立的圆锥体形状，黑色位于顶点；白色处于圆心；色调H分布在圆周上，是区分不同颜色最基本的度量值，其度量值分布在0-360；顶端圆周的半径描述饱和度S， 西南科技大学硕士研究生学位论文第13页为彩色纯度的表示值；顶端和底端的高度代表亮度V，高度值大小是颜色明暗程度的度量值。可以看出，HSV三个分量是既相互独立又相互制约的关系。原始的病虫害图像是RGB格式的彩色图像，不太符合人类视觉系统对颜色相似性的主观描述，而HSV彩色系统最符合人们对彩色图像的描述，能降低颜色特征的维数且不丢失颜色信息。此外，将RGB彩色图像转化为HSV图像，可以消除马铃薯和柑橘农作物病虫害图像在自然光照下的亮度影响，其转换关系为：V=max(,,)rgb(V−min(,,)/vrgb)V0S=0v=0(2-1)(gb−)60/v=r;SH=120(+br−)60/v=gS240(+r−g)60/v=bSifH0,thenH=+H360.式(2-1)中，rgb依次为RGB通道标准化的值，取值范围为0~1。按上述算法提取HSV颜色分量，如图2-6(a)~(o)所示，给出了马铃薯叶部、果实和茎部病害图像H、S和V颜色分量图像示例。 西南科技大学硕士研究生学位论文第14页(a)晚疫病原图(b)HSV图像(c)H分量图像(d)S分量图像(e)V分量图像(f)白绢病原图(g)HSV图像(h)H分量图像(i)S分量图像(j)V分量图像(k)青枯病原图(l)HSV图像(m)H分量图像(n)S分量图像(o)V分量图像图2-6马铃薯病害图像HSV颜色分量图Fig.2-6ColorcomponentofHSVimageofpotatodisease从图2-6可以看出，马铃薯不同部位的病害图像经过彩色系统的变换后，基本消除了不同光照的影响，为后续特征提取提供了保障。2.2.2图像灰度化原始病虫害图像通常受光照不均匀的影响较大，这给后续特征提取带来了不利影响，为了降低光照的影响，需要将马铃薯和柑橘原始病虫害彩色图像灰度化。这有利于减少病虫害目标区域图像特征提取时的计算量，从而提高病虫害识别算法的总体速度。可按式(2-2)将病虫害图像灰度化：Grayxy(,)0.299=Rxy(,)0.587+Gxy(,)0.114+Bxy(,)(2-2)其中，(,)xy表示图像中对应的像素位置，R(x,y)、G(x,y)、B(x,y)依次为RGB彩色图像像素点(,)xy对应的三个颜色通道值。如图2-7所示，给出了马铃薯 西南科技大学硕士研究生学位论文第15页白绢病彩色图像的灰度图。(a)RGB彩色图(b)灰度图图2-7马铃薯白绢病RGB图像和灰度图Fig.2-7RGBimageandgrayimagewithsouthernblightofpotato2.2.3图像平滑图像平滑是一种简单并且经常使用的图像预处理方法，作用是消除马铃薯和柑橘病虫害图像上的噪声。下面分别讨论均值滤波、高斯滤波和中值滤波三种常用的降噪方法。（1）均值滤波均值滤波是一种最简单的线性降噪算法。以马铃薯和柑橘病虫害灰度图像为例，其滤波后的病虫害图像的每一个像素为滤波核窗口内原病虫害图像对应像素的平均值。对于待处理病虫害图像的当前像素点(,)xy，选择不同邻域大小的模板，先求得所选模板中所有灰度值的算术平均，再用求得的值替换点(,)xy的值，从而求得病虫害图像在该处的灰度值为：1gxy(,)=fxy(,)(2-3)m其中，m为当前像素在内的邻域中的所有像素数。均值滤波的思想简单，实现方便，计算速度快，但容易丢失病虫害图像的细节信息，引入噪声，反而使得病虫害图像变得较为模糊。（2）高斯滤波一般图像信息的高频成分多为无用信息，采用低通滤波器进行卷积运算，可以有效去除噪声。高斯滤波作为低通滤波器的一种典型代表，适合用于对病虫害图像所含高斯噪声的降噪处理。高斯滤波的具体实现过程为：从数学角度看，就是用卷积核对整幅病虫害图像进行加权平均运算，即病虫害图像与正态分布做卷积运算。 西南科技大学硕士研究生学位论文第16页一维零均值滤波器函数定义如下：2xGx()=−exp(2-4)22其中，参数σ决定了正态分布函数的宽度。实际处理病虫害图像时，常用离散标准正态分布作为滤波器函数：22−−()x−−()yxyGxy(,)=+Aexp(2-5)02222xy高斯低通滤波操作中，滤波窗口的选择十分关键。从理论上说，窗口越大平滑降噪效果愈好，但会消耗大量计算时间，而窗口越小计算速度更快，但降噪效果又不够理想。（3）中值滤波中值滤波基于空间域采用非线性信号处理技术实现滤波，既能有效去除马铃薯和柑橘病虫害图像的椒盐噪声和脉冲噪声，又能保存病虫害图像大部分的细节信息。其关键思想为：用病虫害灰度图像像素点的某个邻域的灰度中间值来表示该邻域内其他每个像素点的灰度值，使得该点邻近的像素灰度值反映真实值，实现降噪。通常，对像素点(x,y)附近范围的灰度值序列X=XX,,,X进行升序排12n序得到：xxx，则有i12iinxn为奇数in+12y==Medxx12,,...,xn1(2-6)xx+n为偶数iinn2+122称y为所求灰度值序列X=XX,,,X的中值。12n从上述分析可知，当取不同的邻域窗口大小时，中值滤波的效果相差较大，因此需要经过实验比较才能取得较为理想的邻域窗口，从而获得满意的滤波结果。由于获得的农作物病虫害原始图像与经过截取的子图像均存在一定程度的噪声，会影响后期的病虫害识别率。因此，需要先对马铃薯和柑橘病虫害图像进行平滑处理，再进行特征提取。本文分别采用高斯滤波、均值滤波和中值滤波对农作物病虫害图像进行平滑处理的对比实验研究。通过观察马铃薯和柑橘病虫害图像发现，各病虫害图像中的噪声分布不均衡且含有的噪声 西南科技大学硕士研究生学位论文第17页程度也不一样，试验时分别选择方差为1、3和5，以及33与55的窗口进行平滑处理。图2-8~图2-10分别给出了马铃薯叶部、果实和茎部病害图像采用不同平滑处理方式的效果对比图。(a)早疫病原图(b)高斯滤波σ=1(c)高斯滤波σ=2(d)高斯滤波σ=3(e)均值滤波3*3(f)均值滤波5*5(g)中值滤波3*3(h)中值滤波5*5图2-8马铃薯叶部病害图像平滑处理效果Fig.2-8Imagesmoothingeffectofleafdiseaseofpotato(a)粉痂病原图(b)高斯滤波σ=1(c)高斯滤波σ=2(d)高斯滤波σ=3(e)均值滤波3*3(f)均值滤波5*5(g)中值滤波3*3(h)中值滤波5*5图2-9马铃薯果实病害图像平滑处理效果Fig.2-9Imagesmoothingeffectoffruitdiseaseofpotato 西南科技大学硕士研究生学位论文第18页(a)黑胫病原图(b)高斯滤波σ=1(c)高斯滤波σ=2(d)高斯滤波σ=3(e)均值滤波3*3(f)均值滤波5*5(g)中值滤波3*3(h)中值滤波5*5图2-10马铃薯茎部病害图像平滑处理效果Fig.2-10Imagesmoothingeffectofstemdiseaseofpotato通过实验得知：均值滤波运算时间最快，但会使得一些细节变模糊。方差较小高斯降噪比均值滤波的效果更好，但速度慢。中值滤波在保留图像纹理和边缘细节方面优于均值滤波和高斯滤波，且能很好的去除噪声，但窗口较大时速度较慢。从图2-7~图2-9中也能够发现，中值滤波的结果要好于前面两者。因此，本文选择中值滤波对马铃薯和柑橘病虫害图像作滤波处理，其中滤波窗口大小为33。2.2.4图像尺度变换对图像进行尺度变换是指将图像的尺寸大小根据给定的比例进行适当的放大或缩小的操作，其操作示意图如图2-11所示。图2-11尺度变换效果示意图Fig.2-11Effectimageofscaletransformation 西南科技大学硕士研究生学位论文第19页病虫害图像沿水平和垂直方向的变换比率分别是Rx、Ry，则放大缩小操作时对应像素点的位置坐标变换关系表示为：Rx0(,)xy=(,xy)=(xRy,R)(2-7)11000xy00Ry上式中，(x1,y1)为放大或缩小之后的像素点位置，(x0,y0)为原图对应的像素点。其逆运算可表示为：10Rxy==x11(,xy)(,)xy(,)(2-8)00111RR0xyRy式(2-8)表明，可以根据最终转换之后的位置(x1,y1)求出原像素点所对应的位置(x0,y0)。但在实际操作中会存在计算出的位置坐标值所对应的原坐标不是整数的情况，从而找不到对应像素的位置，则插值失败。图像尺度变换典型的插值算法包括：零阶插值、双线性插值及三次插值等。（1）最近邻插值最近邻插值是一种最典型的插值方法，输出目标点的值是输入原像素点的最接近的抽样点的像素值。如图2-12所示，在尺度变换的过程中，最终的结果像素点P被映射到原图像的点为P'，但像素点P'处于非整数值的坐标位100置，即在原图上找不到与目标像素点P对应的像素点位置坐标，于是将P'最10近邻的像素点P作为P的目标像素值。01图2-12最近邻插值像素点映射图Fig.2-12Pixelmappingimageofnearestneighborinterpolationalgorithm解决此问题最直接的方法就是对P'的坐标进行四舍五入的方式得到目0 西南科技大学硕士研究生学位论文第20页标像素点P,即：1fxy(,)=groundxroundy((),())(2-9)其中，(,)xy表示计算出的目标映射位置，fxy(,)表示目标映射像素点的像素值，roundx()和roundy()分别表示对(,)xy取四舍五入,gij(,)表示原图中像素点(,)ij对应的像素值。最近邻插值算法具有原理浅显易懂、易实现等优势，但由于目标图像点是直接根据接近的像素值获得的，容易出现较大区域分布着相同色彩的色块，造成在视觉上不连续的缺点。（2）双线性插值双线性插值作为线性插值在二维空间上的扩充，即：根据两点所对应的值的连线并将连线上的某一点的值作为插值点。双线性插值是利用原图像目标点邻近的四个像素点的关联特性而得出的[41]。图2-13双线性插值过程像素点映射图Fig.2-13Pixelmappingimageofbilinearinterpolationalgorithm如图2-13所示，病虫害图像中某目标像素点的位置经线性转换后得到其在原病虫害图像上相应位置的坐标(iujv++,)，这里的i,j取值为非负整数，u,v是在(0,1)范围内的浮点数，则该像素的值fiujv(++,)可通过由原病虫害图像中的位置为(i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所对应邻域的四个像素的值来确定，即：fiujv(+,+)=(1−u)(1−v)(1+−u)vfij(,+1)(2-10)+−u(1v)fi(+1,)j+uvfj(+1,j+1)其中，f(i,j)为马铃薯和柑橘原病虫害图像中点(i,j)处的值，其它点亦如此。双线性插值的计算量比最近邻插值大但能弥补其不连续的问题，且尺度变换后的病虫害图像质量更高。 西南科技大学硕士研究生学位论文第21页2.3本章小结本章2.1节介绍了本课题的研究对象及马铃薯和柑橘病虫害图像库的建立，并对部分病虫害图像样本的特点进行了简要分析；2.2节比较详细的论述了本文研究涉及到的图像预处理方法，并展示了相应变换后的效果图，其中重点介绍了图像平滑处理和尺度变换的方法。通过对比实验研究，本文采用中值滤波进行图像平滑操作和双线性插值法进行图像尺度变换。 西南科技大学硕士研究生学位论文第22页3农作物病虫害感兴趣区域检测算法研究3.1引言病虫害目标区域分割是指将病虫害图像中代表不同病虫害的目标图像区域提取出来。这些病虫害区域是互不相交的，且每个病虫害区域均满足颜色、纹理、形态和灰度不变性等特征的某种相似性准则[34]。病虫害区域图像分割作为病虫害图像处理的重点内容，是病虫害目标区域特征提取和识别过程中关键的环节之一。目前，农作物病虫害区域分割的方法有很多，主要包括阈值分割法[36-39]、Otsu法[40]、聚类分割法[41-42]和图论分割法[43-45]等。本文中的研究对象为自然环境下的马铃薯和柑橘病虫害图像，其受背景环境的影响很大，通常含有多种非病虫害区域。可以假设，如果直接对原始马铃薯和柑橘病虫害图像进行特征提取和识别，因为冗余特征、计算量大、效果差等因素导致病虫害图像检索系统的最终性能是不佳的。因此，对马铃薯和柑橘病虫害进行区域分割相关算法研究是不可或缺的。针对本课题研究对象的复杂性，本文建立了基于Grab-Cut分割算法的病虫害ROI检测方法。由于Grab-Cut算法速度慢且需要人工交互，本文提出了一种基于关键特征点的病虫害ROI检测算法。通过上述病虫害图像分割操作将马铃薯和柑橘病虫害区域从原病虫害图像分离出来后，为病虫害图像特征提取和识别奠定了基础。3.2基于Grab-Cut算法的病虫害ROI检测方法3.2.1图论概述图论的思想最初是由瑞典数学家欧拉在1738年提出，以网络图作为研究模型，它们是由许多个点及端与端之间的连接线组成的，其中点表示不同的事件，连线代表着不同事件之间的某种内在逻辑或数学关系[46]。通常网状结构图G由二元组合(,)VE表示，这里V为图G的所有结点组成的点集，E为图G中全部边的集合。用c表示映射函数，即ce()=cuv(,)，且eEuvV,、，则将结点u、v作为边e的端点，cuv(,)是边的权重。有向图是指网络图G的每条边有指定方向，单向或者双向，边的两端结点即为始 西南科技大学硕士研究生学位论文第23页点与终点，与之对应的分别称为出边和入边。无向图是指图中的边不指向任意方向或者说没有方向。对于网状结构图G=(,)VE，一般用邻接矩阵来描述，如图3-1和3-2所示。将网络图中的每个连接点按序编号为1,2,..,n，用nn的方阵A描述邻接矩阵，且A中的每个成员aij(,)满足如下关系：1(,)ijEaij(,)=(3-1)0else如果网络图G是权重图，那么aij(,)为对应的权重值。上述方法能够很清楚明显的表示任意两邻接点之间的内在联络。2401100000010000011016A=00000100010135000000(a)有向图(b)邻接矩阵图3-1有向图的邻接矩阵表示Fig.3-1Adjacencymatrixrepresentationofdirectedgraph2401100010010010011016A=01101100110135000110(a)无向图(b)邻接矩阵图3-2无向图的邻接矩阵表示Fig.3-2Adjacencymatrixrepresentationofundirectedgraph3.2.2Grab-Cut算法原理（1）Grab-Cut算法提出Grab-Cut算法[43]是由Rother和Kolmogorov等人于2004年在Graph-Cuts 西南科技大学硕士研究生学位论文第24页算法[44]的基础上进行的改进，是一种基于迭代估计和非完全编码思想的从自然环境背景中获得病虫害区域的人工选择交互的分割算法。具体的讲，即先通过人工选择的方式提取得到病虫害区域图像的一个“硬分割”图像，再围绕该图像的边缘条状带域上采用“边缘抠图”的方法实现对病虫害区域的分割。该算法的优势体现在：○1采用高斯混合模型(GaussianMixtureModel,GMM)描述待分割马铃薯和柑橘病虫害图像的像素分布情况。○2基于迭代估计法求能量方程式的最小值。○3基于非完全编码的思想减少人工标记出待分割病虫害图像中背景区域的工作量。该算法把图像看作是一组灰度值构成的数组Z=(,...,,...,zzz)，透明值1nNAlpha值表示为=(,,...,,...,)。而图像的分割问题就可以看成是为每12nN个像素点Zi,(1,2,...,)N赋予一个相应的透明值的过程，通常情况下ii01。图像分割后的输出结果，使得每个像素点的值或为零，即病虫ii害图像的背景部分；或为1，即表示病虫害图像的前景部分。Grab-Cut分割算法在最后输出结果时，单独引入了一个向量K=(,,...,,...,kkkk)作为马铃12nN薯和柑橘病虫害区域图像内容的信息记录向量，表示病虫害图像背景部分或者病虫害区域的前景部分，并由此构成GMM的基础值[47]。（2）能量函数最小化能量函数E定义为：E(,,,)kz=+U(,,,)kzV(,)z(3-2)式(3-2)中，=(,),(,),kk(,),k=0,1,k=1,2,K表示GMM参数，右边两项分别描述了数据项U和平滑项V，U被定义为：U(,,,)kz=D(n,,,)knnzn=−log(pzn|n,,)log(kn−n,kn)(3-3)nn式中D(,,,)kz表示高斯概率模型，(,k)表示权重系数，V定义为：nnnnnn−12V(,)z=dismn(,)mnexp−(zm−zn)/(3-4)(,)mnC式中C代表指定区域像素的集合，dismn(,)描述了指定区域像素间的L2范数。当能量方程式E取全局最小值=argmin(,,,)Ekz时，即为计算到的待分割病虫害图像的目标区域。（3）高斯混合模型在Grab-Cut算法中，GMM是一种用来展示待分割图像前景和背景的色彩散布情况的有效工具。GMM是由K个高斯分布gk组成，其中k=1,2,…,K， 西南科技大学硕士研究生学位论文第25页可表示为：KGx()=pgxkk()(3-5)k=1K其中pk表示加权系数值，且满足pk=1；x表示D维自由向量，gxk()则表k=1示二元正态分布的概率密度函数：−−T−11(xxkk)k()gx()=−exp(3-6)kD1222(2)k式中k和k依次是第k个二元正态分布的均值向量和协方差矩阵，则有：G==pkk,kk1,2,...,K(3-7)该算法的流程图如图3-3所示。输入图像人工交互目标/背景标号建立光滑项建立数据项构建网络图建立能量函数最大流算法求解No能量函数最小更新标号Yes分割结果图3-3Grab-Cut分割算法流程图Fig.3-3FlowchartofGrab-Cutsegmentationalgorithm 西南科技大学硕士研究生学位论文第26页Grab-Cut分割算法的具体实现流程为：输入：输入病虫害图像和参数步骤1：手动框选病虫害区域的范围，框外的图像为背景图像TB，框内的图像为近似的目标图像TU。步骤2：初始化TB内的像素值并将其标记为=0，初始化TU内的像素n值并标记为=1。n步骤3：分别使用TB和TU内的像素来预估出背景和目标图像的GMM。首先采用K均值聚类算法分别将目标和背景区域的图像分为K块，并作为GMM中的K个二元正态分布概率模型的初始样本集；然后估计出GMM的均值、协方差和权重系数[48]。步骤4：给每个像素分配GMM中的高斯概率模型：kn:argmin=Dn(n,,,)knzn(3-8)kn步骤5：根据所有子GMM所拥有的像素集来学习和更新GMM参数：:argmin=U(,,,)kz(3-9)步骤6：实验中使用Min-Cut/Max-Flow[49]算法迭代寻优来实现分割：minminE(,,,)kz(3-10)nU,nTk步骤7：循环步骤4到步骤6，直到迭代估计算法满足收敛条件结束。输出：分割图像，即病虫害区域图像。3.2.3病虫害ROI检测实验及分析根据上文所述Grab-Cut分割算法，以马铃薯病害图像为例，其病害区域分割的过程如图3-4所示。(a)病害原图(b)病害区域(c)迭代1次(d)迭代2次(e)迭代3次图3-4马铃薯病害图像Grab-Cut算法分割过程Fig.3-4SegmentationprocessofGrab-Cutalgorithmforpotatodiseaseimage 西南科技大学硕士研究生学位论文第27页从图3-4中可知，该病害区域图像分割效果较好，但迭代时间比较长且需要人工交互。按上述Grab-Cut算法，图3-5~图3-8分别给出了马铃薯病害/虫害图像、柑橘病害/虫害图像分割结果的部分示例。(a)早疫病原图(b)粉痂病原图(c)白绢病原图(d)环腐病原图(e)病毒病原图(f)早疫病分割(g)粉痂病分割(h)白绢病分割(i)环腐病分割(j)病毒病分割图3-5马铃薯病害图像Grab-Cut算法分割结果Fig.3-5SegmentationresultofGrab-Cutalgorithmforpotatodiseaseimage从图3-5可以看出，对于马铃薯病害图像，该算法能基本分割出病害区域，且能最大限度的保留病害区域的细节信息，分割效果好。 西南科技大学硕士研究生学位论文第28页(a)28星瓢虫原图(b)金针虫原图(c)甲虫原图(d)豌豆潜叶蝇原图(e)28星瓢虫分割(f)金针虫分割(g)甲虫分割(h)豌豆潜叶蝇分割图3-6马铃薯虫害图像Grab-Cut算法分割结果Fig.3-6SegmentationresultofGrab-Cutalgorithmforpotatoinsectpestimage从图3-6中可以看出，该算法对马铃薯虫害区域的分割效果也较好，虫害的形态能较完整的分割出来。(a)疮痂病原图(b)炭疽病原图(c)溃疡病原图(d)黄斑病原图(e)疮痂病分割(f)炭疽病分割(g)溃疡病分割(h)黄斑病分割图3-7柑橘病害图像Grab-Cut算法分割结果Fig.3-7SegmentationresultofGrab-Cutalgorithmforcitrusdiseaseimage 西南科技大学硕士研究生学位论文第29页从图3-7中可以看出，该算法对柑橘病害的分割效果比马铃薯病害要差一些，当背景较复杂且颜色有重复时，会得到部分背景图像，这会给病虫害特征提取产生影响。(a)木虱虫原图(b)橘蚜幼蚜原图(c)黑刺粉虱原图(d)恶性叶甲原图(e)木虱虫分割(f)橘蚜幼蚜分割(g)黑刺粉虱分割(h)恶性叶甲分割图3-8柑橘虫害图像Grab-Cut算法分割结果Fig.3-8SegmentationresultofGrab-Cutalgorithmforcitrusinsectpestimage从图3-8中可以看出，该算法对柑橘虫害区域的分割比较完整，其虫害形态的轮廓比较清晰。总体来说，基于Grab-Cut分割算法在处理目标和背景比较复杂的病虫害图像时，大多数情况下都能得到较好的分割结果，但运行时间较长，在1s及以上，且需要人工交互，不能自动分割病虫害区域；对病虫害图像具有细长边缘的目标区域也不能较好的分割。3.3基于关键特征点的病虫害ROI检测方法根据3.2小节的论述可知，采用Grab-Cut算法提取病虫害区域时虽然大多数情况下都能得到较好的分割结果，但这一过程需要人工交互，使得病虫害图像检索系统的自动化程度不够高，且该算法运行时间较长，实时性差。为此，本文提出了一种基于关键特征点的病虫害ROI快速自动检测方法。 西南科技大学硕士研究生学位论文第30页3.3.1不变性特征算子概述局部不变性特征可实现对病虫害图像目标区域的准确定位，能够描述病虫害区域的特有属性，具有多种特征不变性的优势，且无需对病虫害图像进行目标区域的人工分割，成为感兴趣区域检测的新方式[50]。局部不变性特征在图像检索、目标识别、图像匹配、3D重建、目标定位和跟踪等计算机视觉领域应用广泛。不变性主要是指图像处理算法具有尺度不变性、光照不变性、灰度不变性和仿射透视不变性等优良特性。目前常见的特征检测算子主要包括Harris[51]、SIFT[52]、PCA-SIFT[53]、SURF[54]、ASIFT[55]、FAST[56]、BRIEF[57]、BRISK[58]、ORB[59]、BRISKS[60]等局部不变性特征检测算法，这些算法都只是具有部分上述特性，简单介绍如下。（1）Harris角点检测算子由ChrisHarris和MikeStephens提出的Harris算子是一种基于时序信号的角点检测算子[51]，具有计算不复杂、性能稳定、光照不变性及抗噪声等优势，但是对尺度变换敏感且角点提取不太精确。（2）SIFT检测算子Lowe提出的SIFT(ScaleInvariantFeatureTransform,SIFT)算子具有对尺度、旋转和光照不敏感等优点[52]，已被证明是有效的特征提取方法，但其存在计算量大的缺点，难以进行实时应用。之后有学者[53]提出改进的算子如PCA-SIFT(PrincipalComponentAnalysisSIFT,PCA-SIFT)。（3）SURF检测算子Bay等[54]人提出的作为SIFT算法的改进版SURF(SpeededUpRobustFeatures,SURF)算法解决了速度问题，但算法稳定性较差。（4）ORB检测算子Rublee等人提出的ORB(OrientedFASTandRotatedBRIEF,ORB)算法是一种结合FAST(FeaturesfromAcceleratedSegmentTest,FAST)特征点检测算法和BRIEF(BinaryRobustIndependentElementaryFeatures,BRIEF)特征描述子算法的改进算法，是一种计算速度快和稳定性好的高效特征检测算法，但对仿射变换敏感[61]。3.3.2ROI检测方法概述有关研究表明，人的视觉感知处理系统在面对艰难繁复的自然场景时， 西南科技大学硕士研究生学位论文第31页能自主迅速转移感官注意力到令神经系统兴奋区域中的局部目标上[30]，这种视觉感知注意力机制会迅速调动大脑系统去关注那些局部的显著性目标进行最优化处理，以便实现对现实自然场景中的高层语义内容的快速分析与场景模拟或重建，这有助于提高人类的应对能力[62]。基于视觉注意机制的病虫害感兴趣区域检测，能提高对病虫害图像内容分析的效率和精确度[63]。目前，基于视觉感知理解注意力机制和显著性图像思想的ROI检测方法比较多：叶海建等[33]利用人类视觉感知注意机制的显著图的方法对黄瓜霉病分类进行了研究。薛锋等[30]则利用图像的基于局部SURF特征点来提取图像ROI。随着深度学习的流行，2017年，郑云飞等[64]提出基于全卷积网络并融合语义显著性区域的ROI检测方法；杨国国等[65]提出基于视觉感知显著图和卷积神经网络(ConvolutionalNeuralNetworks,CNN)的虫害图像分割方法。本文根据马铃薯和柑橘病虫害区域比较集中的特点，把由关键特征点覆盖的病虫害矩形区域作为病虫害感兴趣区域，从而得到病虫害ROI。3.3.3基于关键点的病虫害ROI检测算法原理上文3.2.2小节所述ROI检测方法虽然效果较好，但检测方法较复杂，计算速度也不够快。在基于视觉感知理解注意机制的病虫害图像ROI检测方法中，大多视觉感官关注点通常是局部特征点。结合本课题研究对象的复杂性，为提高农作物病虫害图像智能识别的性能，本文提出一种基于ORB和SIFT局部关键特征点的病虫害ROI快速自动检测方法。与3.2中的Grab-Cut分割算法相比，该方法的主要创新点是：取消了人工交互环节；在提取病虫害图像局部特征点时，只提取ORB或者SIFT关键特征点而不用生成特征描述向量，大大提高了病虫害目标区域检测的速度，具有时间优势；通过计算K个近邻点的均值来确定病虫害区域的坐标点，提高了ROI检测的精确度，能有效降低特征提取时的计算量，并最终提高了病虫害识别的速度和准确率。（1）ORB算法思想ORB算法首先利用FAST算法[56]检测角点，然后利用BRIEF算法[57]提取ORB特征描述子，即ORB算法是对这两种算法的改良，兼有良好的鲁棒性和实时性。在图像特征点检测时，ORB算法利用了灰度矩心(IntensityCentroid)[66]的方法将FAST改进为有向的Oriented-FAST，其特征点的主方向由FAST角点的灰度矩和灰度矩心之间的偏移量的方向确定。 西南科技大学硕士研究生学位论文第32页Rosten[66]定义图像角点邻域的灰度矩为：pqmpq=xyIxy(,)(3-11)xy其中，Ixy(,)为病虫害图像点(xy,)的灰度值，p、q为灰度矩的阶次。灰度矩心为：mm1001C=,(3-12)mm0000若用OC表示角点的中心O到矩心C的向量，则OC的主方向为：2=atan(mm01,10)(3-13)关于ORB特征点描述的更多信息参考文献[57,59]。本文重点研究基于ORB和SIFT关键特征点的病虫害ROI检测方法，关于SIFT算法的详细描述见后文4.4小节或参考文献[52]。（2）病虫害ROI检测方法根据前文分析可知，ORB算法稳定高效，而SIFT算法特征点检测更准确，但速度较慢，故本文综合运用这两种算法来检测病虫害ROI。通过实验分析发现，ORB特征点比SIFT特征点的分布较为集中，图3-9给出了马铃薯早疫病特征点提取的对比图。(a)ORB特征点(b)SIFT特征点图3-9马铃薯早疫病特征点提取对比图Fig.3-9Featurepointextractionandcontrastimageofearlyblightofpotato当ORB特征点数目很少时，其ROI检测效果较差，图3-10给出了马铃 西南科技大学硕士研究生学位论文第33页薯晚疫病在该情况下的ROI检测效果的对比图。(a)基于ORB的ROI(b)基于SIFT的ROI图3-10马铃薯晚疫病图像ROIFig.3-10ROIofpotatolateblightdiseaseimage从图3-10可知，当所得ORB关键特征点的数目很少时，如少于10，则很难准确定位到病虫害区域，即仅使用ORB特征点时本方法失效。通过实验发现，当ORB特征点较少时，SIFT特征点的数目反而比较多，能准确定位到病虫害区域，可以避免ORB特征点过少带来的影响。因此，可通过设置ORB特征点数目的最小阈值进行SIFT特征点提取的切换，从而保证本文算法的有效性。经实验分析，特征点的数目应至少为20，故本文设定阈值T=20。综合上述分析，本文提出了融合ORB和SIFT特征点的马铃薯和柑橘病虫害图像ROI检测算法。其核心思想为：以ORB关键特征点为主、SIFT关键特征点为辅的原则，首先得到病虫害图像的ORB特征点，根据所提特征点数目与给定阈值比较的结果决定是否提取SIFT特征点；然后结合KNN的思想，对所提取特征点的坐标按水平和垂直方向进行排序，通过计算K个近邻点的均值来确定病虫害矩形区域的坐标点，从而得到病虫害ROI。本文方法的流程图如图3-11所示。 西南科技大学硕士研究生学位论文第34页病虫害图像生成金字塔影像提取SIFT特征点按水平和垂直方向提取ORB特征点分别计算K个近邻点均值确定病虫害区域坐标NoORB特征点数目≥T检测病虫害ROIYes病虫害ROI图3-11病虫害ROI检测方法流程图Fig.3-11FlowchartofROIdetectionmethodfordiseasesandinsectpests如图3-11，该方法的详细步骤如下：Step1：提取ORB特征点。从马铃薯和柑橘病虫害图像样本集输入病虫害图像，首先提取ORB特征点。因为FAST算法不具有尺度不变性，所以需要对输入的病虫害图像进行降采样，然后在所生成的金字塔影像上提取特征点[67]。Step2：计算病虫害矩形区域坐标点。1）初始化。假设提取的病虫害图像特征点的数目为S，保存特征点坐标值的矩阵记为FK，大小为S2，初值为零，即：(0,0)FK=(3-14)(0,0)S22）保存特征点坐标值。当ST时（T为是否提取SIFT特征点而设定的ORB特征点数目），orb将步骤1中提取的ORB特征点的坐标值存入矩阵FK中，此时FK变为： 西南科技大学硕士研究生学位论文第35页(,)xy11FKorb'=(3-15)(xy,)mm否则，提取病虫害图像的SIFT关键特征点，并保存在矩阵FK中，则FK变为：(,xy11)FKsift'=(3-16)(,xy)nn式(3-15)中m为病虫害图像提取ORB特征点的数目，式(3-16)中n为病虫害图像所提SIFT特征点的数目，其中，x与y分别为所提特征点在垂直和水平ii两个方向上的坐标值。3）计算病虫害区域坐标点。具体过程为：○1抽取坐标矩阵FK'中的数值，分别得到初始向量X=[,,xx,x]和12mY=[,yy,,y]；12m○2对向量X和Y进行升序排列，得到有序向量X'[',=xx',,x']和12mY'[',=yy',,y']；12m○3从排序后的向量X'和Y'中选择前k个和后k个值作为候选坐标值（其中k为近邻数），同时存入坐标向量KP=[',xx',,x',x',,x']和x12kmk−+1mKP=[',yy',,y',y',,y']；y12kmk−+1m○4假设病虫害区域左上角与右下角的位置元素值分别为Ox(,y)和10000Ox(,y)，其值按公式(3-17)计算：21111(',xy')St11Ox(,y)=11kk10000(xyii',')otherskkii==11(3-17)(xymm',')StOx(,y)=11mm21111(xyii',')otherskkimk=−+11imk=−+其中，t为取k=1或k=torb与k=tsift而设定的阈值。具体含义为：如果特征点的数目S小于给定阈值t时，选择k=1并分别以xi和yi的最小值与最大值作为病虫害区域的坐标点；否则，选择k>1个近邻点并计算其均值作为病虫害 西南科技大学硕士研究生学位论文第36页区域的坐标点。经实验分析，本文取torb=400，korb=3；tsift=100，ksift=10。Step3：生成病虫害ROI图像。根据步骤2计算得到的病虫害区域坐标点O1和O2，可得病虫害ROI图像的矩形坐标点为Ox'(,y)和Ox'(−−x,yy)，即可根据O'和O'坐标1000021100110012点确定的矩形区域从原病虫害图像得到病虫害ROI图像。3.3.4病虫害ROI检测实验及分析图3-12~13分别给出了使用上述算法检测出的马铃薯与柑橘部分病虫害ROI，红色方框图像区域为基于ORB特征点得到的ROI，蓝色方框图像区域为基于SIFT特征点得到的ROI，图片中数字为所提特征点的数目。图3-12基于关键特征点提取的马铃薯病虫害ROIFig.3-12ROIofpotatodiseaseandinsectpestsbasedonkeyfeaturepoints 西南科技大学硕士研究生学位论文第37页图3-13基于关键特征点提取的柑橘病虫害ROIFig.3-13ROIofcitrusdiseasesandinsectpestsbasedonkeyfeaturepoints从图3-12、图3-13中可以看出，本文提出的病虫害图像ROI检测方法可以准确的定位到病虫害区域，验证了该算法的有效性。与Grab-Cut分割算法相比，使用本文ROI检测算法可以直接在原病虫害图像上提取ROI，实现了病虫害ROI的自动检测。3.4本章小结本章主要论述了关于马铃薯和柑橘病虫害ROI图像的检测方法。首先重点论述了基于Grab-Cut算法的病虫害区域分割方法并获得了病虫害区域。然后讨论了基于视觉注意机制、语义显著性分析、卷积神经网络和局部不变性特征的图像ROI检测算法。针对本研究课题对象的复杂性和为了克服基于Grab-Cut算法的病虫害ROI检测方法的缺点，提出了一种基于ORB和SIFT关键特征点的马铃薯和柑橘病虫害图像ROI快速自动检测算法。本章内容是后续章节的应用基础，其所提算法对后续研究如特征提取、病虫害识别等提供了保障。 西南科技大学硕士研究生学位论文第38页4农作物病虫害图像特征提取算法研究4.1引言静态图像的特征提取算法，从广义上讲可以分为低、中、高三个层次，目前主要以低层视觉特征为主，在往中层高级特征发展的过程之中。农作物病虫害图像的统计特征如颜色、纹理和形态等特征是病虫害识别的重要依据，对病虫害区域图像特征的准确提取是提高病虫害识别精度的重要环节。本章主要论述病虫害区域的特征提取方法，即HSV颜色直方图特征和UPLBP纹理直方图特征；局部不变性特征包括SIFT特征和ORB特征。4.2颜色特征4.2.1HSV颜色直方图特征提取算法颜色特征如颜色直方图、颜色矩等，被广泛应用于图像识别与检索等领域中。在低层视觉特征中，颜色是描述马铃薯和柑橘病虫害图像最简单有效的特征，因其受病虫害图像本身的尺寸大小和方向的变化影响很小，故鲁棒性好。农作物病虫害区域图像包含丰富的颜色信息，其颜色特征能很好反映病虫害特性，是区分马铃薯和柑橘不同病虫害类别的重要特征之一。本文使用基于HSV颜色空间的直方图来描述病虫害目标区域图像的全局颜色特征，该方法适用于描述不考虑病虫害区域空间位置的农作物病虫害图像颜色特征，其具体计算步骤为：输入：病虫害ROI图像；步骤1，颜色空间转换：将平滑处理后的病虫害RGB图像转化为HSV图像；步骤2，颜色量化：对HSV病虫害图像分别按H、S、V通道划分成若干个颜色区间，本文将H分为30份，S、V各分为10份，共50个区间；步骤3，计算小区间直方图：按式(4-1)计算每个小区间内颜色的概率：niPi()=(i=1,2,,50)(4-1)N 西南科技大学硕士研究生学位论文第39页其中，ni为第i个小区间内的像素数，N分别为H、S、V各分量图的像素数；步骤4，生成HSV直方图特征向量：先将步骤3中的小区间直方图归一化，再把三个颜色通道的直方图组合成一维特征行向量C；输出：病虫害ROI图像的HSV颜色直方图特征向量。4.2.2颜色特征提取实验及结果分析根据上述HSV颜色直方图特征提取算法，提取了10类马铃薯病害图像的HSV颜色直方图特征，如图4-1所示。图4-110种马铃薯病害图像HSV颜色特征直方图Fig.4-1HSVcolorfeaturehistogramof10kindsofpotatodiseaseimages从图4-1可以看出，对H分量（1~30），白绢病和环腐病的直方图在1~5区间比较相似，其余则在23~27区间比较相似，会对病害识别产生一定影响；对S分量（31~40）、V分量（41~50），各病害图像直方图差异明显，利于识别。从总体上看，HSV颜色直方图特征适合用于对马铃薯病害图像的特征描述与分类识别。4.3纹理特征纹理是人类视觉神经系统对其所感知的图像内容信息的一种基本描述特征，代表了不同物体图像表面的本质属性[68]。纹理是描述马铃薯和柑橘病虫 西南科技大学硕士研究生学位论文第40页害图像众多表面特征中的一种，作为病虫害图像的低层特征属性，有利于不同病虫害之间的分类识别。本文采用基于UPLBP的纹理直方图来描述病虫害目标区域图像的局部纹理特征。4.3.1LBP算法概述LBP最先由Ojala[69]提出，是一种原理简单、计算高效的非参数局部纹理特征描述子，在图像分析和模式识别等领域得到广泛的应用[70]。因其对病虫害图像旋转和灰度等均不敏感，LBP方法尤其适合描述病虫害区域图像的局部纹理特征。原始LBP定义如式(4-2)所示：P−1pLBPPR,=−sxg()(pgc)2p=0(4-2)1,x0()sx=0,x0其中，gc表示以R为半径的P领域的中心像素灰度值，gp(p=0,1,…,P-1)表示gc的邻域像素灰度值。基于原始LBP算子的纹理编码，当采用不同的初始位和时针方向时，将得到共2P种的LBP模式[69]。为了减少原始LBP模式的种类和描述更多的局部细节纹理信息，Ojala对原始LBP进行了改进，提出了所谓的旋转统一模式LBP(UniformPatternLBP，UPLBP)算子[71]，其表达式如下所示：P−1priu2sg(p−gc)2(ULBP(,)PR)2LBPPR,=p=0(4-3)P+1其它模式P−1ULBP((,)PR)=sg(p−−1−gc)−sg(0−gc)+sg(p−gc)−sg(p1−gc)(4-4)p=1其中，上标riu2表示使用了旋转不变统一模式，ULBP()表示LBP算子的PR,统一模式度量值，当ULBP()2时称为统一模式，其它情况下的LBP模式PR,称为混合模式。对8个邻域点而言，LBP统一模式变为PP(−+=1)258种[71]，则共有59种等价模式。经过统一模式量化的U值反映了病虫害ROI局部纹理结构的均匀性，U值越大表示纹理信息变化频率高，代表高频部分；U值越小表示局部细节纹理信息改变的频率低，代表低频部分。病虫害图像的纹理信息通常 西南科技大学硕士研究生学位论文第41页集中在低频区域，统一模式越多，则病虫害目标区域包含的纹理信息越丰富，就越能表征马铃薯和柑橘病虫害区域图像的局部纹理细节信息。4.3.2UPLBP纹理直方图特征提取算法本文采用基于UPLBP算子的纹理特征直方图法来描述病虫害区域图像的局部纹理特征，该算法的具体步骤为：输入：病虫害ROI图像；步骤1，预处理：将病虫害目标区域图像转换为灰度图像后采用中值滤波进行降噪处理，再作直方图均衡化操作，以增强病虫害ROI灰度图像的对比度；步骤2，计算病虫害区域LBP特征：先在33窗口邻域计算原始LBP值；然后采用UPLBP算子(取R=3,P=8)进行等价LBP编码，由此得到病虫害ROI的纹理特征；步骤3，计算UPLBP纹理特征的直方图：○1将UPLBP特征图按88的方式分成64个子块；○2计算每个子块图像区域的直方图；○3将○2中计算的子区域直方图归一化并按初始分块的先后顺序组成一行，从而得到UPLBP直方图特征行向量T；输出：病虫害ROI的UPLBP直方图特征向量。4.3.3纹理特征提取实验及结果分析如图4-2所示，给出了按上述算法提取的马铃薯干腐病病害区域图像的UPLBP纹理特征图。(a)干腐病ROI(b)LBP特征图(c)UPLBP特征图图4-2马铃薯干腐病ROI图像纹理特征图Fig.4-2TexturemapofROIimageofdryrotdiseaseofpotato从图4-2(c)中可以看出，病虫害ROI目标图像的UPLBP特征图像明显 西南科技大学硕士研究生学位论文第42页偏暗。原因是使用UPLBP算子描述纹理特征时，将59个模式类的256个LBP值中的非统一模式类编码为零，等价模式编码为1~58的灰度值，故UPLBP特征图像相比原始LBP特征图像较暗。对10种马铃薯病害图像，按上述方法获得其UPLBP特征直方图，其UPLBP直方图如图4-3所示。 西南科技大学硕士研究生学位论文第43页图4-310种马铃薯病害图像的UPLBP纹理特征直方图Fig.4-3UPLBPtexturefeaturehistogramof10kindsofpotatodiseaseimages从图4-3中可以看出，UPLBP纹理特征的直方图在1~10维差异明显，代表了纹理信息的低频部分。从总体上看，统一模式类包含了丰富的局部纹理信息，利于分类识别；在维数20以后趋于平稳，主要代表UPLBP纹理信息的高频部分，即混合模式类，由于在等价模式量化过程中将混合模式类对应的灰度值编码为零，故高频部分的值亦为零。4.4图像局部不变性特征上文3.2小节对ORB算法已经进行了简要介绍，本节不再复述，主要介绍SIFT特征提取算法。4.4.1SIFT特征算法原理SIFT特征提取算法是典型的非常稳定的物体局部特征提取算法，该方法具有对亮度、尺度和旋转不敏感的特性；对角度改变、噪声干扰、目标物体遮挡、杂物异常环境等具有稳定性。SIFT特征的应用场景十分广泛，如：人脸图像识别、图像分类、目标检测定位及跟踪、图像匹配等领域。SIFT特征提取算法流程如图4-4所示。 西南科技大学硕士研究生学位论文第44页病虫害图像构建DoG尺度空间检测尺度空间极值点精确定位关键点指定关键点方向生成SIFT特征图4-4SIFT特征提取流程Fig.4-4SIFTfeatureextractionprocess从图4-4中可以看出，SIFT算法本质上包含两个核心环节，即特征点检测和特征点描述，具体实现过程如下：1）构建高斯差分尺度空间保证特征具有尺度变换不变性的一个方法就是使用高斯卷积核函数。其变换关系式为：Lxy(,,)=Gxy(,,)Ixy(,)(4-5)22xy+1−2Gxy(,,)=e2(4-6)22上式中，Ixy(,)为病虫害输入图像，Gxy(,,)为二维高斯核函数，其中为尺度因子，则Lxy(,,)描述了在不同尺度空间下的构造图像。越大意味着所构造的病虫害降采样的图像越平滑，则包含的病虫害图像特征信息就越少；反之，则所构造的马铃薯和柑橘病虫害图像的特征信息就越丰富。根据Lowe的建议，为了加速算法计算效率，使用高斯差分(DifferenceofGaussian,DoG)来构造高斯金字塔尺度变换空间，其定义如下：Dxy(,,)=((,,Gxyk)−Gxy(,,))Ixy(,)(4-7)=−Lxyk(,,)Lxy(,,)其中，k表示尺度因子的倍数，为一常量。 西南科技大学硕士研究生学位论文第45页由此选择的DoG算子构造的尺度空间也称为高斯金字塔空间，图4-5给出了高斯金字塔的示意图。图4-5高斯金字塔Fig.4-5GaussPyramid2）检测DoG尺度空间的极值点构造好DoG尺度空间后，通过求高斯差分金字塔每层的局部极值点，得到DoG尺度变换空间中的关键点。主要过程为：如图4-6所示，位于中间层的黑色圆点为待检测点，将之与由同一尺度层和上下层尺度空间中对应的26个邻近点进行比较得到DoG尺度空间的最值，即为所求尺度变换空间的关键点。图4-6局部关键点检测Fig.4-6Localkeypointdetection3）精确定位关键点高斯差分卷积函数在病虫害图像中较容易受到噪声干扰，且存在比较严 西南科技大学硕士研究生学位论文第46页重的边缘效应，从而在DoG尺度空间获得到的初始局部关键点不一定是真正所需要的稳定特征点，因此，为了消除DoG算子的上述敏感效应，首先使用Taylor级数对检测到的初始局部关键点进行拟合作初步筛选，然后使用Hessian矩阵滤除边缘点，实现对初始极值点的精确定位，从而得到稳健的具有抗噪声能力的关键点。4）确定关键点主方向精确定位关键点后，需要确定其大小和方向。主要思想为：以关键点为中心，按如下关系式计算关键点周围像素采样点的HOG值。22mxy(,)=((Lx+1,)y−Lx(−1,))y+((,Lxy+−1)Lxy(,−1))(4-8)−1Lxy(,+1)−Lxy(,−1)(,)xy=tan(4-9)Lx(+1,)y−Lx(−1,)y式中：mxy(,)为像素点(,)xy的梯度大小；(,)xy为梯度方向。如图4-7所示，HOG中最大统计值的特征点所代表的方向即为所求关键点的主方向。图4-7局部关键点与HOG主方向示意图Fig.4-7LocalkeypointsandHOGmaindirectiondiagram5）生成SIFT特征描述向量生成特征描述符向量的主要思想如下：如图4-8所示，每个格子描述了马铃薯和柑橘病虫害图像中的像素点，每个格子上的箭头及其长度表示像素点的梯度方向和幅值。首先，对每一个关键点，取其邻域1616大小的窗口并将其继续划分为44大小的小窗口，则可以得到44共16个种子点，且每个种子点都有8个方向；然后，依次计算出16个关键点对应8个方位的梯度大小，并对梯度大小按时针方向依次排序，即每个关键点就可以获得一个共有4*4*8=128个数据值，即得到病虫害图像的SIFT特征向量，其维度为128。 西南科技大学硕士研究生学位论文第47页(a)像素点方向(b)关键点描述符图4-8生成SIFT特征描述符示意图Fig.4-8DiagramofgeneratingSIFTfeatures记上述特征向量为W=(,ww,...,w)，可按下式进行规范化：12128128lj=wjwij=1,2,,128(4-10)i=1则最终得到的特征向量为L=(,,...,lll)。121284.4.2局部特征点提取实验及结果分析（1）SIFT特征点提取实验按上述SIFT特征算法对部分马铃薯病害区域图像生成SIFT关键特征点，如图4-9所示，其中第一行图像为使用Grab-Cut算法提取的病害区域图像，第二行图像为对应的原始病害图像。图4-9马铃薯病害图像SIFT特征点提取结果Fig.4-9ExtractionresultsofSIFTfeaturepointsofpotatodiseaseimage 西南科技大学硕士研究生学位论文第48页从图4-9中看出，SIFT特征点能基本覆盖所有病害区域，分布较散，数目也较多，利于局部不变性特征的提取。（2）ORB特征点提取实验按前文3.2节所述ORB算法对部分马铃薯病害区域图像提取ORB特征点，如图4-10所示，其中第一行图像为使用Grab-Cut算法提取的病害区域图像，第二行图像为对应的原始病害图像。图4-10马铃薯病害图像ORB特征点提取结果Fig.4-10ExtractionresultsofORBfeaturepointsofpotatodiseaseimage从图4-10中看出，ORB特征点几乎位于病害区域的外轮廓且比较集中，对于角点方向变化较大的病害区域，提取效果较好。4.5本章小结本章采用第三章所述方法检测农作物病虫害ROI并作为研究对象，对病虫害图像特征提取算法进行了相关研究。首先介绍了基于HSV彩色系统的直方图特征的提取方法；然后介绍了基于UPLBP算子的纹理直方图特征提取方法；最后详细论述了SIFT特征提取方法，并对上述特征提取算法进行了病虫害特征提取实验及分析。 西南科技大学硕士研究生学位论文第49页5农作物病虫害识别算法研究至此，上文已经完成了病虫害图像的分割和特征提取工作，接下来需要实现病虫害的分类识别。本文研究对象涉及马铃薯和柑橘共35种病虫害，属于多分类情况。在模式分类识别研究领域，多分类的问题最为困难复杂。本章重点描述了本文所提出的基于加权距离的K近邻病虫害识别方法，以及所构建的基于非线性SVM病虫害识别方法，最后就本课题研究所涉及的多种情况下的病虫害识别进行了大量对比实验。5.1基于距离分类器的病虫害识别方法研究5.1.1基于K近邻的病虫害识别方法最近邻分类法(Nearestneighborpatternclassification)最早由Cover等[72]人在1967年提出。在多数情况下，使用最近邻分类算法被误分类的风险较大。Aha等[73]为克服此问题，提出了K近邻(KNearestNeighbor,KNN)分类算法。K近邻法具有算法简单、不需要单独训练分类器、无需调整参数等优点，当样本数量较充足时，对多分类问题识别率较高。结合本课题研究对象的特点，本文提出一种综合HSV颜色直方图和UPLBP纹理直方图特征的基于加权距离的K近邻的马铃薯和柑橘病虫害识别方法，其识别流程图如图5-1所示。颜色测试集预特HSV直方图线性加权病虫害图像征病虫害处计算特征距离距离分类器提图像特征理（预分类）取纹理UPLBP直方图K近邻（二次判别）训练集训练集病虫害图像病虫害图像特征库识别结果图5-1基于加权距离的K近邻病虫害识别算法流程Fig.5-1FlowchartofKnearestneighbordiseasesandinsectpestsrecognitionbasedonweighteddistance 西南科技大学硕士研究生学位论文第50页这里输入图像是指马铃薯和柑橘病虫害ROI。首先，将马铃薯和柑橘病虫害图像库中每类病虫害图像随机且不重复地分组为训练集和测试集。然后，根据上文所述特征提取算法，分别计算训练集中马铃薯和柑橘病虫害ROI的HSV颜色特征与UPLBP纹理特征，并相应地生成直方图特征向量，组成马铃薯和柑橘病虫害ROI图像特征库；同时，对测试集病虫害ROI，按相同方式获得病虫害图像特征向量。接着利用距离度量的方式计算待识别图像的综合特征与训练集图像库中的特征直方图的相似度，作为后续分类器的输入。最后，基于距离分类器识别出病虫害的类别，具体方法见下文论述。5.1.2特征相似度计算方法在实际应用中，常用的计算直方图特征相似度的数学度量方式有：欧氏距离、马氏距离、街区距离、汉明距离、加权欧氏距离以及切比雪夫距离等。（1）颜色直方图相似性度量本文采用欧氏距离来度量马铃薯和柑橘病虫害测试图像与训练集中HSV颜色直方图特征的相似性，计算公式为：1K22d1j(CC1,j)=−(Ci1()Cij())(j=1,2,,m)(5-1)i=1其中，C1表示待识别马铃薯或柑橘病虫害图像的HSV颜色直方图特征，Cj表示训练集中第j幅病虫害图像的HSV颜色直方图特征，K为HSV直方图的维数，m为训练集数目。（2）纹理直方图相似性度量本文采用Bhattacharyya距离[74]来计算马铃薯和柑橘病虫害测试图像与训练集中UPLBP特征直方图的相似度，计算公式为：1d2j(TT1,j)=1−TITI1()j()(j=1,2,,m)(5-2)2TTNI1j其中，T1表示待识别马铃薯或柑橘病虫害图像的UPLBP纹理直方图，Tj表示训练集中第j幅病虫害图像的UPLBP纹理直方图，N为UPLBP直方图的维数，m为训练集数目。5.1.3基于加权距离的K近邻病虫害识别方法本文所提识别方法主要分为预分类和二次判别两个阶段，具体过程如下： 西南科技大学硕士研究生学位论文第51页1）预分类：加权距离分类器设待识别病虫害图像与训练集特征库中颜色直方图和纹理直方图的距离度量值依次为d1、d2，距离加权系数分别为w1、w2，线性加权距离为d，则有：d=+wd*w*d(j=1,2,,m)(5-3)j11j22j其中，系数须满足ww+=1，m为训练集数目。经实验，本文取w1=w2=0.5。12按式(5-1)~(5-3)，将待识别病虫害图像的特征向量与训练集中所有病虫害图像的特征向量依次计算距离度量值d1j、d2j及加权距离dj，并由此得到距离向量D=[d1d2d3…dm]，然后对D进行升序排列，取前10个排序结果作为预分类结果。2）二次判别：K近邻分类器设马铃薯和柑橘病虫害图像库中有m个已知样本分属于C（本文中C分别取值为10、7、9和9）个类别wi,=1,,C，考查待识别马铃薯或柑橘病虫i害图像X在所有m个样本集中的前k个近邻，设其中有ki个属于wi类，则wi类的决策函数为：gx()=k,i=1,,C(5-4)ii决策规则为：()ifgx==argmaxgx()i1,,Cki(5-5)thenxwk基于投票机制，对1）中马铃薯和柑橘病虫害预分类的识别结果进行投票统计，以分类类别得票数最高所对应的病虫害类别作为最终的马铃薯和柑橘病虫害识别结果。以识别准确率作为病虫害识别的性能指标，计算公式为：NreRate=(5-6)Nte其中，Nre为分类识别正确的数目，Nte为测试集样本数目。如果取K=1，即采用最近邻分类法，则忽略二次判别阶段，直接把预分类结果的第一个分类类别作为最终的识别结果。实验中，需要确定合适的K近邻个数。以马铃薯病害图像库为例，对其每个种类的样本按各占一半的比例随机选取生成训练集和测试集，即各为270幅图片，取不同的K值进行实验测试，实验结果如图5-2所示。 西南科技大学硕士研究生学位论文第52页图5-2不同K值的识别准确率Fig.5-2RecognitionaccuracyofdifferentKvalues从图5-2可知，当K=3时，得到最高的识别准确率为96.3%。当K值选择在较小范围内时，识别正确率保持在92%以上，因样本相对较多，使用了较小范围的邻域，且邻域内的信息质量高，使得整体上的正确识别率比较满意。当K值选择较大时，因使用的邻域范围不合适，反而引入了干扰作用较大的低质量信息，导致识别准确率下降。综合分析，建议K值的定义域选择在(1,5)内，本文中取K=3。5.1.4实验结果与分析为验证上述算法的性能，对本文自建的马铃薯和柑橘病虫害图像库中的样本进行了仿真实验。试验中，将原始输入病虫害图像尺寸大小统一调整为200200，并使用33窗口进行中值滤波，以便较好地保留病虫害目标区域图像的纹理和细节信息。（1）不同距离加权系数对识别正确率的影响实验当K=3时，取不同加权距离系数wi，对马铃薯病害图像的270幅测试图片，按本文方法展开对比实验研究，获得实验数据结果，如表5-1所示。 西南科技大学硕士研究生学位论文第53页表5-1不同距离加权的实验结果Table.5-1Experimentalresultsofdifferentdistanceweighting类别距离加权系数颜色系数w11.00.90.80.70.60.50.40.30.20.10.0纹理系数w20.00.10.20.30.40.50.60.70.80.91.0识别准确率/%87.0490.7492.5994.0795.9396.3093.7088.8980.0074.0768.89从表5-1可以看出：当w1=w2时，该方法的识别准确率最高；仅选择一种特征时，颜色直方图特征的识别准确率要高于后者；颜色距离系数较纹理距离系数对识别准确率的影响要大一些。（2）不同数目的训练集对病虫害识别正确率影响的实验。取K=3，距离加权系数w1=w2=0.5，分别取不同数目的训练样本进行实验，得到实验结果，如图5-3所示。图5-3不同数目的训练集时的马铃薯病害识别准确率Fig.5-3Recognitionaccuracyofpotatodiseasewithdifferentnumberoftrainingsets由图5-3可知：该方法的病虫害识别准确率与训练集样本数目的逐渐增多呈现出正相关的变化趋势。在训练集与测试集样本数均为270时，其识别准确率为96.3%，但之后提升幅度并不大。在实验中还发现，训练集样本数超过一定数量后，时间代价增加较多，从准确率和时间性能两方面折中，对 西南科技大学硕士研究生学位论文第54页病虫害样本按1：1均分比较合适。（3）马铃薯病害识别验证实验当取K=3，w1=w2=0.5时，从马铃薯病害图像库540幅图片中的10类病害，每类随机抽取27幅生成的270幅测试集先提取马铃薯病害ROI图像，再提取其颜色和纹理特征，根据上述识别算法进行实验，重复10次取平均，得到识别结果如表5-2所示。表5-2马铃薯病害识别结果Table.5-2Recognitionresultsofpotatodisease正确识别数/病害种类平均运行时间/ms平均识别准确率/%测试样本数早疫病25/27222.7592.59叶部晚疫病25/27253.3392.59病毒病27/27249.79100.00粉痂病27/27265.86100.00疮痂病26/27202.8296.30果实白绢病26/27263.0496.30干腐病27/27273.22100.00环腐病26/27260.7896.30黑胫病25/27212.3392.59茎部青枯病26/27217.3096.30总计260/270242.1296.30从表5-2中可以看出：按文中方法在自建的马铃薯病害图像样本集上每个类别病害识别准确率的算术平均达到96.3%。个别类别的识别正确率最低达92.59%，略低于总体平均水平，主要原因是：（1）存在病害区域ROI图像提取不完全的现象，使得病害ROI图像部分特征信息提取不充分，影响了最终的识别准确率；（2）部分病害ROI图像的颜色或纹理特征直方图的差异不显著，重复度较高，导致识别错误。从总体上看，果实部位的病害识别效果最好，个别病害类别识别时间稍长。 西南科技大学硕士研究生学位论文第55页（4）马铃薯虫害识别实验。从7种马铃薯虫害图像的368幅图片中，对每类按1：1比例随机选取的方式，生成由184张图像组成的训练集，剩下的184幅用作测试集，取参数K=3，w1=w2=0.5，按本文方法进行分类实验，重复10次取平均，得到虫害识别实验数据如表5-3所示。表5-3马铃薯虫害识别结果Table.5-3Recognitionresultsofpotatoinsectpests正确识别数/虫害种类平均运行时间/ms平均识别准确率/%测试样本数蚜虫27/27202.84100.00二十八星瓢虫25/27198.6692.59二十八星瓢虫幼虫25/27194.8092.59地老虎24/27210.8688.89金针虫25/27201.5092.59甲虫25/27191.2492.59豌豆潜叶蝇21/22195.6095.45总计172/184199.2193.48从表5-3中可以看出：本文方法对马铃薯虫害的平均识别准确率达到93.48%，其中，蚜虫的识别准确率最高达到100%，地老虎的识别准确率最低为88.89%，总体上的分类效果较好，说明了该方法的有效性；该方法的平均运行时间为199.21ms，时间性能较好。 西南科技大学硕士研究生学位论文第56页（5）柑橘病害识别实验。从9种共472幅柑橘病害图像幅库中，对每类病害图像按1:1比例随机选择出共236幅作为训练集，剩下的236幅作为测试集，以3.3节所述病虫害ROI检测算法提取柑橘病害ROI图像，并生成特征向量，取参数K=3，w1=w2=0.5，按本文方法进行分类实验，重复10次取平均，得到实验结果如表5-4所示。表5-4柑橘病害识别结果Table.5-4Recognitionresultsofcitrusdisease正确识别数/病害种类平均运行时间/ms平均识别准确率/%测试样本数疮痂病18/18212.64100.00炭疽病18/20235.5690.00黄龙病14/15205.8393.33溃疡病15/15209.66100.00果实黑星病24/25232.4496.00黑腐病19/19268.12100.00蒂腐病18/19235.5594.74青绿霉病18/20199.2890.00疮痂病18/20208.4290.00炭疽病14/15243.5093.33叶部黄龙病15/15261.22100.00溃疡病13/15218.4686.67黄斑病18/20225.6890.00总计222/236227.4194.07从表5-4中可以看出：本文所提算法对柑橘病害的平均识别正确率达到94.07%，其中疮痂病、溃疡病、黑腐病和黄龙病四类病害的识别准确率高达100%，但叶部溃疡病的识别准确率比较低，为86.67%，有待进一步提高，但总体识别效果较好；该方法的平均运行时间为227.41ms，时间性能较好。 西南科技大学硕士研究生学位论文第57页（6）柑橘虫害识别实验。从9种虫害共270幅柑橘虫害图像样本库中，对每类虫害按1:1比例随机选择出共135幅虫害图像作为训练集，剩下的135幅作为测试集，以3.3节所述病虫害ROI提取算法提取柑橘虫害ROI图像，并生成特征向量，取参数K=3，w1=w2=0.5，按本文方法进行分类实验，重复10次取平均，得到实验结果如表5-5所示。表5-5柑橘虫害识别结果Table.5-5Recognitionresultsofcitrusinsectpests正确识别数/虫害种类平均运行时间/ms平均识别准确率/%测试样本数木虱虫15/15149.82100.00橘蚜幼蚜14/15141.6593.33氏尖蚧13/15134.8686.67黑刺粉虱幼虫14/15142.4593.33黑刺粉虱成虫13/15135.5686.67吹绵蚧幼虫14/15141.2593.33绵蚜虫13/15135.2686.67绣线菊蚜14/15140.6293.33恶性叶甲幼虫15/15142.50100.00总计125/135140.4492.59从表5-5中可以看出：本文所提算法对柑橘虫害的识别准确率平均为92.59%，效果较好，说明了本文所提方法的有效性；平均运行时间为140.44ms，时间性能较好。上述表5-2~表5-5的实验结果表明：不同情况下的病虫害识别平均运行时间不一样，最高的为马铃薯病害识别，最小的为柑橘虫害识别。分析本文算法可知：在病虫害图像的预处理、病虫害区域检测和特征提取三个环节的运行时间基本一样，引起时间不一样的最大因素是病虫害的识别阶段，其算法为基于加权距离的K近邻分类模型。该分类算法的核心为距离计算，时间性能的最大影响因素是与训练集密切相关的样本数目，即时间复杂度为O(dn2)，其中，d表示单幅病虫害图像总特征向量的维度，n表示训练集样本数，取n的平方是因为所计算的距离度量为欧氏距离。 西南科技大学硕士研究生学位论文第58页5.2基于SVM的病虫害识别方法研究5.2.1支持向量机原理概述由Vapnik等[75]于1995年提出的SVM是一种基于大量数据统计理论和最小结构化风险的机器学习分类算法，对小样本的机器分类识别任务中效果很好，且能解决高维非线性样本数据映射的分类难题。考虑到本研究课题中马铃薯和柑橘病虫害的类别较多，是一个多分类且样本比较少的情况，选择适当的参数训练SVM分类模型后进行识别，理论上可以取得较好的识别效果。SVM对训练模型的参数较为敏感，尤其是惩罚22因子C和高斯核因子，C值表征了最优分类超平面的偏移程度，表示病虫害特征数据动态调整和跳动范围的大小。惩罚因子值过大容易导致SVM训练模型产生过拟合的异常现象。SVM常用的核函数有：线性核、径向基(radiabasicfunction,RBF)核等，采用不同的非线性核函数可以得到不同的非线性SVM分类模型。RBF核的计算复杂度与SVM训练参数无关，且能够将多类别的马铃薯和柑橘病虫害这样的非线性样本特征数据转化到高维线性空间，其数学表达式为：2xx−'Kxx(,')=exp−(5-7)22其中，x为输入病虫害图像的特征向量，x'为该病虫害特征向量x对应的预测结果，0为RBF对应的核函数的参数。本文通过反复实验取得合适的参数作为SVM分类模型最后的训练参数。5.2.2基于SVM的病虫害识别方法根据上文所述病虫害图像ROI检测及其特征提取方法，分别提取训练集中病虫害图像ROI的HSV颜色直方图特征与UPLBP纹理直方图特征，组成病虫害图像训练集样本特征向量库，并选择合适的参数训练SVM。对测试集病虫害图像，按相同方式获得病虫害ROI特征，然后利用训练好的SVM分类器进行病虫害识别。该识别方法流程图如图5-4所示。 西南科技大学硕士研究生学位论文第59页训练集测试集病虫害图像病虫害图像检测病虫害ROI检测病虫害ROI提取病虫害提取病虫害病虫害ROI特征ROI特征ROI特征训练集使用SVM分类器训练SVM分类模型识别结果病虫害ROI特征库识别病虫害图5-4基于SVM的病虫害识别流程图Fig.5-4FlowchartofdiseaseandinsectpestrecognitionbasedonSVM5.2.3实验结果与分析为验证该算法的性能，对自建的马铃薯和柑橘病虫害图像库中的样本进行了仿真实验。试验中，将原始输入病虫害图像尺寸大小统一调整为200x200，并使用3x3窗口进行中值滤波，以便较好地获得到病虫害目标区域图像的纹理和高质量的细节信息。（1）本文算法时间性能实验从10类共540幅马铃薯病害图像库中，对每类病害图像随机选取30幅共300图像作为训练集，剩余的共240幅马铃薯病害图像作为测试集，按前文所述的病虫害ROI检测及特征提取算法和本节所述识别算法进行仿真实验，得到所提算法各环节平均运算时间如表5-6所示。表5-6SVM识别算法各阶段平均运行时间Table.5-6AveragerunningtimeofeachphaseofSVMrecognitionalgorithm指标ROI提取特征提取识别算法全过程时间/ms13973113百分比/%11.5085.852.65100从表5-6中看出，使用本文方法提取病害区域ROI时，速度非常快，平均时间为13ms，占算法总运行时间的11.5%；特征提取时间稍长，SVM识别时间仅为3ms。实验结果表明，以ORB关键特征点为主，SIFT特征点为辅 西南科技大学硕士研究生学位论文第60页的原则提取病虫害图像局部特征关键点的方式，充分利用了ORB算法的快速和稳定的优势，以及SIFT特征点对尺度不敏感的优点，保证了对病害图像ROI提取的速度和精确性，利于病害特征提取和识别。（2）SVM参数选择实验通过反复实验，确定SVM病虫害分类器最终的模型参数为：以RBF为2核函数，惩罚因子C的值为100，高斯核=0.09，迭代次数为1000。表5-7给出了使用多种训练参数下的马铃薯病害识别实验数据。表5-7不同核函数的马铃薯病害识别结果Table.5-7Recognitionresultsofpotatodiseasewithdifferentkernelfunctions核函数惩罚因子C支持向量数平均运行时间/ms平均识别准确率/%线性核554898.8090.83多项式3290108.5083.33径向基RBF100296113.0095.42Sigmoid45294110.5575.42从表5-7中看出，基于非线性SVM的不同参数组合下，马铃薯病害识别正确率都比较高，RBF核函数参数组合下最高达95.42%；算法运行时间方面，所讨论的四种核函数下SVM识别算法的运行时间最高为113ms。所以，基于RBF核函数的SVM适合用于本课题的多类别病虫害识别。 西南科技大学硕士研究生学位论文第61页（3）马铃薯病害识别验证实验根据（1）和（2）的实验结果，取上述训练参数，重复10次取平均，得到10类马铃薯病害识别的实验结果，如表5-8所示。表5-8马铃薯病害识别结果Table.5-8Recognitionresultsofpotatodisease正确识别数/平均识别准确率病害种类平均运行时间/ms测试样本数/%早疫病22/24112.4591.67叶部晚疫病24/24108.83100.00病毒病24/24113.75100.00粉痂病22/24116.1791.67疮痂病23/24114.3395.83果实白绢病22/24103.6791.67干腐病22/24114.0891.67环腐病24/24113.92100.00黑胫病23/24117.5595.83茎部青枯病23/24115.2595.83总计229/240113.0095.42从表5-8中可以看出：本节所提出的识别方法在所建立的马铃薯病害图像库上各类病害的平均识别准确率达到95.42%。 西南科技大学硕士研究生学位论文第62页（4）马铃薯虫害识别实验从368幅马铃薯虫害图像样本库中，对豌豆潜叶蝇随机选取24幅、其余6类虫害图像每类各随机选取30幅，共204张图片作为训练集，剩余的164幅图片作为测试集进行了仿真实验。根据（1）和（2）实验的训练参数，重复10次取平均，得到马铃薯7类典型虫害的实验结果，如表5-9所示。表5-9马铃薯虫害识别结果Table.5-9Recognitionresultsofpotatoinsectpests正确识别数/虫害种类平均运行时间/ms平均识别准确率/%测试样本数蚜虫22/2499.8491.67二十八星瓢虫23/24106.6695.83二十八星瓢虫幼虫22/24100.8091.67地老虎22/24101.8691.67金针虫21/24105.5087.50甲虫23/24108.2495.83豌豆潜叶蝇18/20102.6090.00总计151/164103.5092.07从表5-9中可以看出：本文方法对马铃薯虫害的平均识别准确率达到92.07%，其中，金针虫的识别准确率为87.5%，低于平均水平，但总体上识别效果较好，表明该方法的有效性；该方法的平均运行时间为103.5ms。 西南科技大学硕士研究生学位论文第63页（5）柑橘病害识别实验从9种柑橘病害共472幅病害图像样本库中，果实部位：随机选取疮痂病20幅、炭疽病20幅、黄龙病18幅、溃疡病18幅、黑星病30幅、黑腐病20幅、蒂腐病20幅和青绿霉病20幅，叶部：疮痂病20幅、炭疽病18幅、黄龙病18幅、溃疡病18幅和黄斑病20幅，总共260幅组成训练集，对应剩下的共212幅病害图像作为测试集，以3.3所述病虫害ROI检测算法获得柑橘病害ROI，并生成特征向量，重复10次取平均，得到柑橘病害识别实验结果如表5-10所示。表5-10柑橘病害识别结果Table.5-10Recognitionresultsofcitrusdisease正确识别数/病害种类平均运行时间/ms平均识别准确率/%测试样本数疮痂病15/16112.6493.75炭疽病18/20115.5690.00黄龙病11/12105.8391.67溃疡病11/12109.6691.67果实黑星病18/20112.4490.00黑腐病17/18108.1294.44蒂腐病17/18115.5594.44青绿霉病18/20109.2890.00疮痂病18/20108.4290.00炭疽病11/12113.5091.67叶部黄龙病11/12101.2291.67溃疡病11/12108.4691.67黄斑病18/20115.6890.00总计193/212110.4991.04从表5-10中可以看出：本文方法对柑橘病害的平均识别准确率达到91.04%，每类的识别准确率均在90%及以上，平均运行时间为110.49ms。 西南科技大学硕士研究生学位论文第64页（6）柑橘虫害识别实验。从9种柑橘虫害共270幅虫害图像样本库中，对每类虫害按1:1比例随机选取15幅，共135幅作为训练集，剩下的135幅作为测试集，以3.3节所述病虫害ROI提取算法提取柑橘虫害ROI，并生成特征向量，重复10次取平均，得到柑橘虫害识别实验结果如表5-11所示。表5-11柑橘虫害识别结果Table.5-11Recognitionresultsofcitrusinsectpests正确识别数/虫害种类平均运行时间/ms平均识别准确率/%测试样本数木虱虫14/15109.8293.33橘蚜幼蚜14/15101.6593.33氏尖蚧13/15104.8686.67黑刺粉虱幼虫14/15102.4593.33黑刺粉虱成虫13/15105.5686.67吹绵蚧幼虫14/15109.2593.33绵蚜虫13/15105.2686.67绣线菊蚜14/15110.6293.33恶性叶甲幼虫13/15102.5086.67总计122/135105.7790.37从表5-11中可以看出：本文方法对柑橘虫害的平均识别准确率达到90.37%，平均运行时间为105.77ms。就单独每类虫害而言，柑橘虫害识别率比马铃薯虫害识别率低，其中有四类虫害识别率低于90%。从上面的实验结果看出，有个别病虫害被误识别，分析其主要原因是：（1）存在病虫害ROI检测不完全的现象，使得病虫害部分特征信息提取不充分，影响了最终的识别准确率；（2）部分病虫害的颜色或纹理特征直方图的差异不显著，导致识别错误；（3）训练样本较少或不具有代表性，SVM分类模型没有达到最优，影响了识别准确率。从总体上看，在小样本情况下，本文方法能满足工程应用上的速度和精度要求。 西南科技大学硕士研究生学位论文第65页5.3本文所提方法的对比实验研究5.3.1对比实验说明本章5.1和5.2两节已经对本文所提马铃薯和柑橘病虫害识别算法进行了详细论述，并给出了实验结果和分析。现假设基于加权距离的K近邻病虫害识别算法和基于SVM的病虫害识别算法分别称为方法1和方法2。（1）生成病虫害样本集对识别方法1：对马铃薯和柑橘病虫害图像库中的每一类病虫害图像按1:1比例随机选取样本分别组成训练集和测试集，具体情况如表5-12所示。表5-12方法1的数据集Table.5-12Datasetofmethod1种类病虫害类别数训练集数目测试集数目病害10270270马铃薯虫害7184184病害9236236柑橘虫害9135135对识别方法2：从马铃薯和柑橘病虫害图像库中，按5.2.3所用方法分别得到训练集和测试集，具体情况如表5-13所示。表5-13方法2的数据集Table.5-13Datasetofmethod2种类病虫害类别数训练集数目测试集数目病害10300240马铃薯虫害7204164病害9260212柑橘虫害9135135（2）实验方式对上述方法生成的马铃薯和柑橘病虫害图像样本集，分别以原始图像与经过Grab-Cut分割算法提取的病虫害区域图像作为对比实验研究对象，分别采用方法1和方法2分别进行10次实验并取平均。 西南科技大学硕士研究生学位论文第66页5.3.2实验结果与分析按上节所述方式，根据5.1和5.2章节中所述实验参数进行对比实验，得到统计结果如表5-14所示。表5-14本文算法对比实验结果Table.5-14Comparisonofexperimentalresultsofthisalgorithm正确识别数/平均运行时间/ms平均识别准确率/%类别测试样本数方法1方法2方法1方法2方法1方法2马铃薯病害258/270227/240408.13188.6895.5694.58原始马铃薯虫害173/184152/164288.82147.8094.0292.68图像柑橘病害224/236192/212386.68158.8694.9290.57柑橘虫害126/135121/135287.48133.4693.3389.63马铃薯病害241/270212/240371.13159.0889.2688.33Grab-Cut马铃薯虫害160/184141/164232.82122.5686.9685.98分割柑橘病害198/236173/212336.68136.9683.9081.60图像柑橘虫害113/135109/135225.48126.7283.7080.71马铃薯病害260/270229/240242.12113.0096.3095.42ROI马铃薯虫害172/184151/164199.21103.5093.4892.07图像柑橘病害222/236193/212227.41110.4994.0791.04柑橘虫害125/135122/135140.44105.7792.5990.37从表5-14中可以看出：（1）直接使用马铃薯和柑橘病虫害原始图像：马铃薯和柑橘病虫害的识别准确率最高达100%，平均识别准确率在90%以上；方法1的平均计算时间大致是方法2的两倍，但总体效果优于方法2。（2）马铃薯和柑橘病虫害经Grab-Cut分割算法得到病虫害区域图像：马铃薯和柑橘的病虫害识别正确率都低于90%，最低仅为80.71%；方法1仍然优于方法2，但运行时间比较长，最高达371.13ms。（3）对马铃薯和柑橘病虫害图像使用3.3节所提算法提取病虫害ROI图 西南科技大学硕士研究生学位论文第67页像时：识别准确率最高达96.3%，方法1优于方法2，且速度提高1倍。（4）对两种病虫害ROI检测方法和病虫害识别方法进行横向对比：病虫害图像经过Grab-Cut分割算法提取病虫害区域时，病虫害识别准确率较低，主要原因在于特征提取不充分，特征类别较少，如缺少病虫害区域形态特征的支持，最终导致识别率不够高；同时，时间性能没有多少改善，故本文提出了新的病虫害区域提取方法。在相同测试方式下，经过病虫害ROI检测之后与直接使用病虫害原始图像相比，方法1和方法2的病虫害识别准确率相差不大，但运行时间下降了约1倍。5.4本章小结本文对马铃薯和柑橘病虫害在不同情况下的识别方法展开了深入研究。首先，重点论述了本文提出的一种综合HSV颜色直方图和UPLBP纹理直方图特征、基于加权距离的K近邻马铃薯和柑橘病虫害图像识别方法。然后，为了降低方法1的算法运行时间，构建了基于SVM的马铃薯和柑橘病虫害识别方法。最后，对本文所提的病虫害ROI检测方法和识别算法进行了综合对比实验研究。结果表明：1）针对方法1，选取合适的K近邻个数，能有效提高马铃薯和柑橘病虫害的识别准确率。当取K=3时，病虫害的识别正确率最高，建议K的取值范围为(1,5)。2）在本文实验条件下，本文方法1能有效识别马铃薯与柑橘不同部位的多种病虫害，其平均识别准确率均在92%以上，方法1的识别准确率高于方法2，但速度不如后者。3）准确定位病虫害区域后提取特征再进行识别可以有效降低计算量，提高运行速度，且识别精度保持稳定，鲁棒性较好。总体上看，在小样本情况下，本文所提病虫害ROI检测方法的精度和速度都达到预期要求；所提病虫害识别方法的病虫害识别准确率高，鲁棒性较好，能同时对马铃薯和柑橘两大类作物实现高质量的自动识别，算法通用性较好，对其它农作物病虫害识别研究具有一定的参考价值。 西南科技大学硕士研究生学位论文第68页6农作物病虫害图像检索系统设计与实现前面章节详细论述了农作物病虫害图像预处理、病虫害区域分割或ROI检测、特征提取以及识别的相关方法，并经过大量对比实验研究，表明了本文所提算法的合理性、有效性和通用性。下面主要介绍病虫害图像检索系统设计与实现的具体内容。6.1系统概述6.1.1病虫害检索图像库本文所有病虫害图像以2.1中所述的病虫害图像为研究对象，对每类病虫害图像随机选取样本，组成测试集图片和检索库图像。具体情况如下：（1）马铃薯病害图像库总共10类病害，每类各54幅共540幅样本图像，随机选取10*24=240幅图像组成测试集，剩下的共10*30=300幅组成检索图像库。（2）马铃薯虫害图像库总共7类典型虫害共368幅样本图像，随机选取164幅组成测试集，剩下的共204幅组成检索图像库。（3）柑橘病害图像库总共9类典型病害共472幅样本图像，随机选取共200幅组成测试集，剩下的共272幅组成检索图像库。（4）柑橘虫害图像库总共9类虫害，每类各30幅共270幅样本图像，随机选取9*12=108幅组成测试集，剩下的共9*18=162幅组成检索图像库。6.1.2病虫害检索系统使用环境（1）系统运行环境台式电脑，Windows7旗舰版64位操作系统、IntelCOREi3-4170四核处理器3.7Ghz、4G内存。（2）系统开发平台及语言MicrosoftVisualStudioUltimate2012软件开发平台，Matlab2014b软件仿真平台，开源计算机视觉库OpenCV2.4.13，C/C++开发语言。 西南科技大学硕士研究生学位论文第69页6.2系统设计与实现6.2.1病虫害图像检索原理为了将论文的研究成果转化为软件系统，设计并实现了马铃薯和柑橘病虫害图像检索系统。该检索系统主要过程包括：输入待识别病虫害图像、预处理、病虫害ROI检测、病虫害ROI特征提取和病虫害图像检索等环节，其原理流程图如图6-1所示。开始待识别病虫害图像预处理检测病虫害ROI提取病虫害ROI特征距离分类器病虫害病虫害图像检索检索图像库特征SVM分类器输出结果结束图6-1农作物病虫害图像检系统流程图Fig.6-1Flowchartofimageretrievalsystemforcropdiseasesandinsectpests6.2.2病虫害图像检索系统设计分析通常，图像检索系统需要人机互动，这样能使系统的交互性较好，这主要在待检索图像输入环节体现。根据6.2.1的病虫害图像检索原理，图像检索 西南科技大学硕士研究生学位论文第70页系统主要包括：图像输入模块、图像处理模块、图像检索模块和检索结果输出模块四大环节。图像输入指：用户从电脑端向系统载入待检索图像；图像处理指：待检索图像预处理和病虫害区域检测，为特征提取做准备；图像检索指：提取病虫害区域的特征并与图像检索特征库匹配，得到待检索图像的类别；检索结果输出指：根据所得分类结果，向用户展示前四幅最匹配的图像，同时给出对应类别的病虫害防治措施。病虫害图像检索系统初始化界面如图6-2所示。图6-2病虫害图像检索系统初始化界面Fig.6-2Initialofimageretrievalsystemofdiseasesandinsectpests6.2.3病虫害图像处理模块本模块中，预处理的方法采用2.2所述方法；病虫害区域检测采用3.2所述方法，即采用基于关键特征点的病虫害ROI快速自动检测方法实现病虫害区域的分割。其中，ROI检测阶段使用的预处理操作主要是病虫害图像中值滤波和尺度变换，具体方法参见第2.2节。 西南科技大学硕士研究生学位论文第71页6.2.4病虫害图像检索模块本模块中，病虫害区域特征提取采用4.1和4.2所述特征提取方法，即：HSV颜色直方图和UPLBP纹理直方图的特征提取方法。其中，提取颜色特征时需要进行颜色空间转换的预处理，提取纹理特征时需要将原始病虫害图像灰度化。在图像匹配环节的输入数据为特征提取模块的输出数据，实现方法为5.1所提出的病虫害识别方法，即：基于颜色和纹理特征的融合特征向量和基于加权距离的K近邻病虫害图像识别方法。6.3系统演示根据上文所述方法，完成了农作物病虫害图像检索系统的开发。为了验证系统的性能，根据6.1所述病虫害图像检索库，图6-3~图6-6分别给出了马铃薯和柑橘病虫害图像检索的运行结果。图6-3马铃薯病害图像检索结果Fig.6-3Imageretrievalresultsofpotatodisease 西南科技大学硕士研究生学位论文第72页从图6-3可以看出，检索系统能准确检测出马铃薯病害区域；检索结果表明待检索马铃薯病害的类别为早疫病，并给出了该病害的防治措施，且检索时间在0.17s内。图6-4马铃薯虫害图像检索结果Fig.6-4Imageretrievalresultsofpotatoinsectpests从图6-4可以看出，检索系统能准确检测出马铃薯虫害区域；检索结果表明待检索马铃薯虫害的类别可能性最大的为二十八星瓢虫，次之为甲虫，并给出了相应虫害的防治措施，且检索时间在0.14s内。 西南科技大学硕士研究生学位论文第73页图6-5柑橘病害图像检索结果Fig.6-5Imageretrievalresultsofcitrusdisease从图6-5可以看出，检索系统能准确定位到柑橘病害区域；检索结果表明待检索柑橘病害的类别为炭疽病叶部，次之为黑星病，并给出了相应病害的防治措施，且检索时间在0.12s内。 西南科技大学硕士研究生学位论文第74页图6-6柑橘虫害图像检索结果Fig.6-6Imageretrievalresultsofcitrusinsectpests从图6-6可以看出，检索系统能准确定位到柑橘虫害区域；检索结果表明待检索柑橘虫害的类别为木虱虫，次之为黑刺粉虱幼虫，并给出了相应虫害的防治措施，且检索时间在0.11s内。6.4本章小结本章主要介绍了基于本地服务的马铃薯和柑橘病虫害图像检索系统的设计与实现。6.3的系统实验表明：该病虫害图像检索系统运行稳定，能在0.2s左右时间下准确识别出待检索病虫害图像的类别，并根据检索结果给出相应的病虫害防治措施，实现了对马铃薯和柑橘病虫害图像的自动诊断。 西南科技大学硕士研究生学位论文第75页总结与展望论文总结本文就实现农作物病虫害图像智能诊断的课题重点研究了马铃薯和柑橘病虫害区域分割以及病虫害特征提取与识别的方法。主要工作内容总结如下：（1）自主构建了马铃薯和柑橘病虫害图像库（35类典型病虫害共计1650幅图像），为课题研究提供了比较充足的样本数据。（2）完成了对马铃薯和柑橘病虫害图像预处理方法的研究和实验。通过实验研究，本文确定选择的预处理方法是：○1从RGB彩色系统转换为HSV彩色系统，很大程度上消除了光照对病虫害图像的影响，提高了特征提取的质量；○2采用中值滤波能较好地获取病虫害图像的纹理和细节信息，且降噪效果好；○3灰度化病虫害图像有效降低了光照对病虫害特征提取时的影响。（3）针对病虫害图像受自然背景影响较大，且直接在原始图像上提取特征时存在计算量大、干扰特征严重等问题，建立了基于Grab-Cut算法的病虫害区域分割方法，能较好获得病虫害目标区域，但需要人工交互，且运行时间在1s及以上。基于此，提出了基于关键特征点的病虫害ROI快速自动检测算法。研究表明：在本文条件下，每幅病虫害图像ROI检测的平均时间在13ms内，能自动实现对病虫害ROI的快速检测。（4）基于病虫害ROI图像完成了对病虫害特征提取方法的研究和实验。通过实验研究，最终采用了HSV颜色直方图和UPLBP纹理直方图两类特征作为马铃薯和柑橘病虫害区域图像的特征描述，二者均能很好体现病虫害区域的差异性，为提高病虫害识别准确率奠定了基础。（5）针对原始病虫害图像特征提取计算量大和识别准确率不高的问题，基于病虫害ROI图像，融合了HSV颜色直方图和UPLBP纹理直方图，设计了基于特征融合和加权距离的K近邻病虫害识别算法。此外，构建了基于径向基核函数的非线性SVM的病虫害分类模型作为对比算法研究。实验表明：在本文条件下，马铃薯与柑橘病虫害的平均识别准确率最高为96.3%，最低为92.59%，平均运行时间在0.243s内。在小样本情况下，本文方法能实现对多种病虫害的正确识别，具有一定程度的实用价值。（6）在Windows操作系统上，基于开源计算机视觉库OpenCV2.4.13和VS2012软件开发平台，采用C/C++编程语言，设计并开发了基于病虫害ROI图像融合特征和加权距离的K近邻病虫害图像检索系统。该系统能在0.2s时 西南科技大学硕士研究生学位论文第76页间左右内准确识别出用户载入的马铃薯或柑橘病虫害待检索图像，并给出相应病虫害的防治措施，为农作物病虫害的自动诊断提供了技术支持。研究展望总体上看，本文提出的病虫害ROI检测方法能快速准确的定位到病虫害区域；病虫害识别算法的识别准确率和时间性能均能满足实际工程应用要求，为其它农作物的病虫害自动诊断提供了参考价值。但仍然存在如下问题：本文研究对象没有考虑光照多变、病虫害区域遮挡等更复杂的情况对病虫害区域ROI检测和病虫害识别产生的影响；柑橘病虫害识别准确率有待进一步提高；当马铃薯和柑橘病虫害图像样本足够多时，采用基于深度学习的病虫害识别技术，可以进一步提高其识别准确率。基于人工智能、大数据、云计算和物联网等新一代信息技术与农业的深度融合，是我国农业现代化、信息化和智慧化的发展趋势，将为农业可持续发展提供新的科学技术保障。 西南科技大学硕士研究生学位论文第77页致谢时光飞逝，转眼间已到2018年。在西南科技大学的三年研究生学习生活给我人生中留下了最为珍贵的记忆。在此期间所进行的科研工作和取得的成果以及自我综合素质的全面提升都离不开老师们、师兄师姐师弟师妹们、朋友们同学们和家人们的真诚帮助与大力支持，在此我特向他们表示最真挚的感谢和美好的祝福。首先，特别感谢我的导师李小霞教授！三年来，李老师对我学业上、生活上和科研工作上给予了悉心指导和谆谆教诲。本学位论文从论文选题、文献调研、撰写开题报告到中期检查、论文修改到最后撰写大论文以及修改定稿，李老师都倾注了大量心血和精力，期间所取得的成就跟李老师严谨的治学态度、渊博的学识、创新的思维和不断进取的拼搏精神紧密相关，在此，我真诚的说一声：“李老师辛苦了，谢谢您！”其次，感谢学校的任课教师的认真教学以及对学业的辅导；感谢学院领导、辅导员老师对相关工作的支持和生活上给予的关心；感谢研究室的师兄师姐、师弟师妹对科研项目工作、论文修改和生活上的热情帮助。然后，要深深感谢我的父母对我读研的大力支持和无私奉献；感谢我的亲戚、好友对我的鼓励和帮助。最后，感谢对本学位论文进行评阅审议的各位专家、答辩小组的各位老师，感谢您们的辛勤劳动和提出的宝贵意见。 西南科技大学硕士研究生学位论文第78页参考文献[1]《农业部关于加快推进农业信息化的意见》农市发[201312号-[EB/OL]，2013．[2]《国务院关于大力推进信息化发展和切实保障信息安全的若干意见》(国发(2012)23号)[EB/OL]，2012．[3]李克强．十二届三次会议政府工作报告[R]．2015年3月17日．[4]张帅.基于图像识别的农业病虫害诊断处方检索[D].山东科技大学,2015.[5]吴子龙.基于Android移动终端的烟草病虫害图像智能识别系统研究[D].云南农业大学,2015.[6]KonstantionsZ,KavallieratouE,NikosP.Imageretrievalsystemsbasedoncompactshapedescriptorandrelevancefeedbackinformation[J].JournalofVisualCommunicationandImageRepresentation,2011,22(5):378-390.[7]RashediE,Nezamabadi-PourH,SaryazdiS.Asimultaneousfeatureadaptationandfeatureselectionmethodforcontent-basedimageretrievalsystems[M].ElsevierSciencePublishersB.V.2013.[8]朱华东.基于内容的图像检索研究[D].江南大学,2015.[9]沈佐锐,于新文.温室白粉虱自动计数技术研究初报[J].生态学报,2001,21(1):94-99.[10]管泽鑫,唐健,杨保军,等.基于图像的水稻病害识别方法研究[J].中国水稻科学,2010,24(5):497-502.[11]邓继忠,李敏,袁之报,等.基于图像识别的小麦腥黑穗病害特征提取与分类[J].农业工程学报,2012,28(3):172-176.[12]赵芸.基于高光谱和图像处理技术的油菜病虫害早期监测方法和机理研究[D].浙江大学,2013.[13]温长吉,王生生,于合龙,等.基于改进蜂群算法优化神经网络的玉米病害图像分割[J].农业工程学报,2013,29(13):150-157.[14]王献锋,张善文,王震,等.基于叶片图像和环境信息的黄瓜病害识别方法[J].农业工程学报,2014,30(14):148-153.[15]韩瑞珍.基于机器视觉的农田害虫快速检测与识别研究[D].浙江大学,2014.[16]王黎鹃.基于LCV和SVM的小麦害虫图像识别方法研究[D].陕西科技大学,2013.[17]竺乐庆,张真,张培毅.基于颜色直方图及双树复小波变换(DTCWT)的昆虫图像识别[J].昆虫学报,2010,53(1):91-97.[18]张红涛,毛罕平,邱道尹.储粮害虫图像识别中的特征提取[J].农业工程学报, 西南科技大学硕士研究生学位论文第79页2009,25(2):12053-12054.[19]温芝元,曹乐平.椪柑果实病虫害的傅里叶频谱重分形图像识别[J].农业工程学报,2013,29(23):159-165.[20]HiaryHA,AhmadSB,ReyalatM,etal.FastandAccurateDetectionandClassificationofPlantDiseases[J].InternationalJournalofComputerApplications,2011,17(1):31-38.[21]DubeySR.Infectedfruitpartdetectionusingk-meansclusteringsegmentationtechnique[J].InternationalJournalofInteractiveMultimedia&ArtificialIntelligence,2013,2(2):65-72.[22]NunesD,WerlyC,ViannaGK,etal.EarlyDiscoveryofTomatoFoliageDiseasesBasedonDataProvenanceandPatternRecognition[M]//ProvenanceandAnnotationofDataandProcesses.SpringerInternationalPublishing,2014,229-231.[23]WahabzadaM,MahleinAK,BauckhageC,etal.Metromapsofplantdiseasedynamics-automatedminingofdifferencesusinghyperspectralimages[J].PlosOne,2015,10(1):e0116902-e0116902.[24]许良凤,徐小兵,胡敏,等.基于多分类器融合的玉米叶部病害识别[J].农业工程学报,2015,31(14):194-201.[25]胡耀华,平学文,徐明珠,等.高光谱技术诊断马铃薯叶片晚疫病的研究[J].光谱学与光谱分析,2016,36(2):515-519.[26]赵建敏,薛晓波,李琦.基于机器视觉的马铃薯病害识别系统[J].江苏农业科学,2017,45(2):198-202.[27]柳锋.柑橘溃疡病检测系统的研究与实现[D].重庆大学,2009.[28]赵兴祥.柑橘病害的傅里叶变换红外光谱研究[D].云南师范大学,2014.[29]肖志涛,王红,张芳,等.复杂自然环境下感兴趣区域检测[J].中国图象图形学报,2015,20(5):625-632.[30]薛峰,顾靖,崔国影,等.基于SURF特征贡献度矩阵的图像ROI选取与检索方法[J].计算机辅助设计与图形学学报,2015,27(7):1271-1277.[31]刘成云,常发亮,陈振学.基于感兴趣区域和HOG-MBLBP特征的交通标识检测[J].电子与信息学报,2016,38(5):1092-1098.[32]DalalN,TriggsB.HistogramsofOrientedGradientsforHumanDetection[C]//IEEEConferenceonComputerVision&PatternRecognition.2005:886-893.[33]叶海建,郎睿,刘成启,等.基于视觉显著性图的黄瓜霜霉病识别方法[J].农业机械学报,2016,47(5):270-274.[34]张铮.数字图像处理与机器视觉:VisualC++与Matlab实现.第2版[M].人民邮电出 西南科技大学硕士研究生学位论文第80页版社,2014.[35]梁志虎,张小宁,岳俊峰,等.基于双线性插值最值滤波的Mura改善方法[J].光子学报,2016,45(7):24-29.[36]刘立波,程晓龙,戴建国,等.基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割[J].农业工程学报,2017,33(12):201-208.[37]于洋,孔琳,虞闯.自适应粒子群集优化二维OSTU的图像阈值分割算法[J].电子测量与仪器学报,2017,31(6):827-832.[38]TanKS,IsaNAM.ColorImageSegmentationUsingHistogramThresholdingFuzzyC-MeansHybridApproach[J].PatternRecognition,2011,44(1):1-15.[39]GaoH,KwongS,YangJ,etal.Particleswarmoptimizationbasedonintermediatedisturbancestrategyalgorithmanditsapplicationinmulti-thresholdimagesegmentation[J].InformationSciences,2013,250(11):82-112.[40]OtsuN.Athresholdselectionmethodfromgray-Levelhistogram[J].IEEETransactionsonSystemsMan&Cybernetics,1979,9(1):62-66.[41]MastyłoM.Bilinearinterpolationtheoremsandapplications[J].JournalofFunctionalAnalysis,2013,265(2):185-207.[42]李玉,徐艳,赵雪梅,等.利用高斯混合模型的多光谱图像模糊聚类分割[J].光学精密工程,2017,25(2):509-518.[43]BoykovYY,JollyMP.InteractiveGraphCutsforOptimalBoundary&RegionSegmentationofObjectsinN-DImages[J].ICCV,2001,1:105-112.[44]姜枫,顾庆,郝慧珍,等.基于内容的图像分割方法综述[J].软件学报,2017,28(1):160-183.[45]RotherC,KolmogorovV,BlakeA."GrabCut":interactiveforegroundextractionusingiteratedgraphcuts[C]//ACMSIGGRAPH.ACM,2004:309-314.[46]刘辉,石小龙.结合显著性和超像素改进的GrabCut图像分割[J].红外技术,2018,40(1):55-61.[47]DongL,FengN,MaoM,etal.E-GrabCut:aneconomicmethodofiterativevideoobjectextraction[J].FrontiersofComputerScience,2017,11(4):1-12.[48]杨陶.基于Otsu和Grab-Cut的图像分割算法研究[D].西南交通大学,2017.[49]BoykovY,KolmogorovV.Anexperimentalcomparisonofmin-cut/max-flowalgorithmsforenergyminimizationinvision[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2004,26(9):1124-1137.[50]吕欣然,陈洁,张立保,等.基于显著特征聚类的遥感图像感兴趣区域检测[J].光 西南科技大学硕士研究生学位论文第81页学学报,2015,35(a01):103-108.[51]HarrisC.Acombinedcornerandedgedetector[J].ProcAlveyVisionConf,1988,1988(3):147-151.[52]LoweDG.Objectrecognitionfromlocalscale-invariantfeatures[C]//IEEEInternationalConferenceonComputerVision.IEEE,1999:1150.[53]KeY,SukthankarR.PCA-SIFT:amoredistinctiverepresentationforlocalimagedescriptors[C]//IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition.IEEEComputerSociety,2004:506-513.[54]BayH,TuytelaarsT,GoolLV.SURF:SpeededUpRobustFeatures[J].ComputerVision&ImageUnderstanding,2006,110(3):404-417.[55]MorelJM,YuG.ASIFT:ANewFrameworkforFullyAffineInvariantImageComparison[J].SiamJournalonImagingSciences,2009,2(2):438-469.[56]RostenE,PorterR,DrummondT.FasterandBetter:AMachineLearningApproachtoCornerDetection[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2009,32(1):105-119.[57]CalonderM,LepetitV,StrechaC,etal.BRIEF:binaryrobustindependentelementaryfeatures[C]//EuropeanConferenceonComputerVision.Springer-Verlag,2010:778-792.[58]LeuteneggerS,ChliM,SiegwartRY.BRISK:BinaryRobustinvariantscalablekeypoints[J].2011,58(11):2548-2555.[59]RubleeE,RabaudV,KonoligeK,etal.ORB:AnefficientalternativetoSIFTorSURF[C]//IEEEInternationalConferenceonComputerVision.IEEE,2012:2564-2571.[60]GuanH,SmithWAP.BRISKS:BinaryFeaturesforSphericalImagesonaGeodesicGrid[C]//IEEEConferenceonComputerVisionandPatternRecognition.IEEEComputerSociety,2017:4886-4894.[61]侯毅,周石琳,雷琳,等.基于ORB的快速完全仿射不变图像匹配[J].计算机工程与科学,2014,36(2):303-310.[62]LadickýL,RussellC,KohliP,etal.AssociativeHierarchicalRandomFields[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2013,36(6):1056-77.[63]田有文,程怡,王小奇,等.基于高光谱成像的苹果虫伤缺陷与果梗/花萼识别方法[J].农业工程学报,2015,31(4):325-331.[64]郑云飞,张雄伟,曹铁勇,等.基于全卷积网络的语义显著性区域检测方法研究[J].电子学报,2017,45(11):2593-2601.[65]杨国国,鲍一丹,刘子毅.基于图像显著性分析与卷积神经网络的茶园害虫定位 西南科技大学硕士研究生学位论文第82页与识别[J].农业工程学报,2017,33(6):156-162.[66]RostenE,PorterR,DrummondT.FasterandBetter:AMachineLearningApproachtoCornerDetection[M].IEEEComputerSociety,2010.[67]耿利川,苏松志,李绍滋.基于透视不变二值特征描述子的图像匹配算法[J].通信学报,2015,36(4):105-114.[68]庞鹏飞.纹理特征提取与自动分类算法研究[D].天津大学,2012.[69]TimoOjala,inenandDavidHarwood.AComparativeStudyofTextureMeasureswithClassificationBasedonFeatureDistributions[J].PatternRecognition,1996,29(1):51-59.[70]刘丽,谢毓湘,魏迎梅,等.局部二进制模式方法综述[J].中国图象图形学报,2014,19(12):1696-1720.[71]OjalaT,PietikäinenM,MäenpääT.MultiresolutionGray-ScaleandRotationInvariantTextureClassificationwithLocalBinaryPatterns[J].PatternAnalysis&MachineIntelligenceIEEETransactionson,2002,24(7):971-987.[72]CoverT,HartP.Nearestneighborpatternclassification[J].IEEETransactionsonInformationTheory,1967,13(1):21-27.[73]AhaDW,KiblerD,AlbertMK.Instance-basedlearningalgorithms[J].MachineLearning,1991,6(1):37-66.[74]KaehlerA,BradskiG.LearningOpenCV3:ComputerVisioninC++withtheOpenCVLibrary[M].O'ReillyMedia,Inc.2016.[75]CortesC,VapnikV.Support-vectornetworks[J].MachineLearning,1995,20(3):273-297. 西南科技大学硕士研究生学位论文第83页攻读学位期间发表的学术论文及承担的科研项目学术论文：[1]基于ROI快速检测与融合特征的马铃薯病害识别（已录用，西南农业学报，CSCD）发明专利：[1]一种基于局部特征点的图像ROI快速检测方法（专利号：201810065820.7）承担的科研项目：[1]基于Android的农作物病害图像智能识别系统研究，主持，西南科技大学研究生创新基金项目（17ycx123）[2]农作物病虫害图像识别技术，主持，横向项目[3]坐姿监测与辅助驾驶算法研究，参与，横向项目[4]遮挡场景下人脸属性分析研究，主持，（2017中兴人工智能算法精英挑战赛）
此文档下载收益归作者所有
