苹果叶子病害图像识别系统的设计与实现

《苹果叶子病害图像识别系统的设计与实现》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。

西安建筑科技大学硕士学位论文苹果叶子病害图像识别系统的设计与实现专业：计算机技术硕士生：毕傲睿指导教师：刘培奇副教授摘要苹果产业是陕西省的特色产业，对陕西的经济有着重要意义。但是近年来随着苹果产业的蓬勃发展以及苹果种植面积的不断增大，各种病害对苹果产率的影响也逐渐增大，严重影响了果农的经济收入。如何有效的应付大规模苹果种植中的出现的病害问题变得尤为重要，而逐渐完善的图像处理和智能识别技术成为解决该问题的方法之一。本文以苹果叶子病害中较为常见、发病率较高的斑点落叶病、锈病和花叶病3种病害图像为研究对象，分析其特点，提取其特征并设计开发出相应的识别系统，为实现远程鉴别苹果病害提供了技术参考。本文的主要研究工作如下：（1）针对自然场景下拍摄的图像的特点，研究了图像预处理方法。利用改进的中值滤波方法去除噪声，并有效的保留了图像的边缘信息；采用直方图均衡化方法，对图像进行了增强，使得增强后图像具有较大的动态范围和比较高的对比度，将受到不同影响的图像转化为较统一的形式；使用模糊C均值聚类算法分割病斑图像，取得比较好的效果。（2）对图像的特征提取方法进行了研究，特别研究了颜色直方图、颜色矩、灰度共生矩阵、常规形状和Hu不变矩等特征，并对提取特征进行比较，选择15类特征参数。（3）研究了支持向量机学习模型，选用基于支持向量机的病害识别模型，测试并确定了支持向量机模型参数。（4）结合C#和Matlab编程，设计并实现系统各个功能模块，最终开发出整个系统。实验结果显示正确识别率为91%，表明该系统能够有效的识别苹果叶子病害。关键词：苹果叶子病害；图像分析；模式识别；支持向量机 西安建筑科技大学硕士学位论文DesignandImplementationofApple-leafDiseaseImageRec-ognitionSystemSpecialty:ComputerTechnologyName:BiAoruiInstructor:AssociateProf.LiuPeiqiABSTRACTAppleindustryisthecharacteristicindustryofShaanxiprovince,andalsohasimportantsignificancefortheeconomy.Butinrecentyears,withtheprosperousde-velopmentofappleindustryandtheincreasingofplantarea,theappleproductionhasbeeninfluencedgraduallybyvariousdiseases,andfruitfarmer'sincomealsode-creased.It’simportanttoeliminatethediseaseproblemhappenedinlargearea.Sotheperfectimageprocessingandintelligentrecognitiontechnologyisonewaytosolvetheproblem.Thispaperfocusesonthreekindsofapple-leafdiseasesincludingspot,rustandmosaic,whicharecommonandhighlyincidence,analyzesthediseases’character-istics,extractsthefeatures,designsanddevelopstherecognitionsystem.Alloftheworkprovidetechnicalreferencetotheremoteidentificationofapplediseases.Maincontentsandconclusionsareasfollows:(1)Accordingtothecharacteristicsofimagestakenunderthenaturalenvironment,theimagepreprocessingmethodswerestudied.Improvedmedianfilteringmethodwasbeusedtoremovethenoisesandkepttheedgeinformationbetter;histogramequaliza-tionmethodwasbeusedtoenhancetheimages(Themethodcouldmaketheenhancedimagesandhavealargedynamicrangeandhighcontrast);fuzzyc-meansclusteringalgorithmwasbeusedtosegmentthediseaseimagesandgotgoodresults.(2)Themethodsabouthowtoextractfeaturesfromimageswerebestudied,es-peciallystudiedthefeaturesincludingcolorshistogram,colorsmoments,graylevelco-occurrencematrix,commonshapesandHuinvariantmoment.Theextractedfea-tureswerebecomparedand15ofthemwerebeselectedastheclassificationfeatureparameters. 西安建筑科技大学硕士学位论文(3)Thesupportvectormachine(SVM)learningmodelwasbestudied.Selecteddiseasesrecognitionmodelbasedonthesupportvectormachine(SVM).Thecorrectmodelparameterswerebetestedandfound.(4)C#andMatlablanguageswerebeusedtoprogramandimplementallthefunc-tionsoftheapple-leafdiseaseimagerecognitionsystem.Theresultoftheexperimentshowedtheaverageaccuracycouldbe91%.Thesystemcouldrecognizetheapple-leafdiseaseseffectively.Keywords:Appleleavesdiseases;Imageanalysis;Patternrecognition;Supportvectormachine(SVM) 西安建筑科技大学硕士学位论文目录1绪论..............................................................................................................................11.1研究的目的和意义............................................................................................11.2国内外研究现状................................................................................................21.2.1国外研究现状..........................................................................................21.2.2国内研究现状..........................................................................................21.3研究目标及内容................................................................................................41.4研究方法............................................................................................................41.5论文的组织结构................................................................................................52病害图像的获取和预处理........................................................................................72.1研究对象的确定................................................................................................72.2病害图像数据的采集........................................................................................82.3病害图像预处理................................................................................................82.3.1灰度变换..................................................................................................82.3.2图像增强处理........................................................................................102.4图像分割方法..................................................................................................132.4.1模糊C均值算法......................................................................................132.4.2FCM算法的应用.....................................................................................172.5本章小结........................................................................................................183苹果叶病害有效特征提取......................................................................................193.1颜色特征提取..................................................................................................193.1.1彩色模型................................................................................................193.1.2常用模型介绍........................................................................................193.1.3颜色特征提取........................................................................................213.2纹理特征提取................................................................................................233.2.1灰度共生矩阵........................................................................................233.3形状特征提取..................................................................................................243.3.1常用形状特征提取................................................................................253.3.2Hu不变矩特征提取.................................................................................263.4本章小结........................................................................................................28I 西安建筑科技大学硕士学位论文4基于支持向量机的智能识别方法.............................................................................294.1支持向量机的分类思想...................................................................................294.1.1分类模型的选择.....................................................................................294.1.2模型参数的选择.....................................................................................304.2支持向量机的理论基础...................................................................................304.2.1线性可分的情况.....................................................................................314.2.2非线性可分的情况.................................................................................344.2.3核函数映射.............................................................................................374.3推广到多类问题...............................................................................................394.3.1一对多的最大响应方法.........................................................................394.3.2一对一的投票方法.................................................................................404.3.3一对一的淘汰方法.................................................................................404.4基于支持向量机的训练与测试.......................................................................414.5实验及分析.......................................................................................................434.6本章小结...........................................................................................................465苹果叶子病害识别系统的设计与实现.....................................................................475.1系统结构...........................................................................................................475.1.1系统工作流程图.....................................................................................475.1.2开发平台.................................................................................................475.2系统的关键技术...............................................................................................485.3系统主要功能...................................................................................................485.4界面设计...........................................................................................................495.5本章小结...........................................................................................................526结论与展望...............................................................................................................556.1结论...................................................................................................................556.2展望...................................................................................................................55致谢...............................................................................................................................57参考文献.........................................................................................................................59攻读硕士学位期间的研究工作.....................................................................................63攻读硕士学位期间发表的论文..............................................................................63附录.................................................................................................................................65II 西安建筑科技大学硕士学位论文附录一：三种病害Hu不变矩特征值.....................................................................65附录二：三种病害纹理特征值.............................................................................70III 西安建筑科技大学硕士学位论文1绪论1.1研究的目的和意义农业病虫害作为农业生产的反面成分，对农作物的生长造成了严重的危害，[1]对农产品造成的经济损失严重，作为一个农业大国，也是一个病虫害高发的国家，我国主要的农作物病虫害有1400余种，每年因病虫害造成的粮食损失约5[2]000万吨，棉花损失约100多万吨，其中蔬菜、果树病虫害更为严重。在苹果产业方面，我国苹果种植面积达8000余万亩，陕西省种植面积达1500余万亩，洛川、白水苹果产业已成为陕西省经济发展的支柱。苹果产业是陕西省的支柱产业和国民经济的六大特色优势产业之一，2009年陕西省苹果种植面积达到1517[3]万亩，占到全国的20%左右。同时，随着最近年份苹果种植面积的不断增大，在苹果的生长过程中，遇到突发性的大规模病害的可能性也不断变大，如果没有得到及时诊断、打药，则会造成严重的经济损失，这就需要果农不定时的对苹果进行病害监督和判断，在实际操作中表现为需要不时地巡视果园，观察苹果生长情况，需要移动梯子进行爬高作业，对于果农来说，这项工作劳动强度大、消耗时间长、费用高并且具有的危险性，而且近年农村从事种植的劳动力逐渐减少，青壮年劳动力数量逐步下降，农村劳动力很多都是老弱人士。农业部在《全国农业和农村经济发展第十二个五年规划》中指出，“农村劳动力已进入总量过剩与结构性短缺并存阶段，关键农时缺人手”。由此可见，面对大面积的苹果种植，如何节约人工成本也是目前急需解决的问题。除了上述问题，目前从事农业技术方面的人比较越来越少，因为各种原因现在的年轻人很少愿意学习农业技术方面的知识，农业技术成为冷门，这也导致了农业基层服务难以做到及时、准确。因此如果能够借助日新月异的科学技术解决上述问题，则可以降低因病害造成的损失、减少果农的工作量和基层农技服务人才缺乏的情况，对陕西苹果产业的发展和经济的增长有促进意义。随着数字图像处理技术和人工智能识别技术的不断完善，以及摄像头监控应用的普及，果农可以通过在果园里装置多个监控摄像头，利用摄像头监控苹果生长情况，并且可以将病害部位拍下来进行识别诊断。所以，研究苹果病害图像识别具有很好的实际意义和应用前景。利用图像分析进行病害识别是一种非常有效的方法，通过对果园安装监控设备，可以在监控中心随时随刻的监控苹果生长情况，减少需要人工进行巡视的情1 西安建筑科技大学硕士学位论文况；当监控到病害情况还可以方便的拍摄到病状图片，然后上传至监控中心的识别系统进行病害诊断，通过诊断结果，果农可以采取对应的防治措施。不但解决了劳动力不足的情况，同时也解决缺少农技专家指导的问题，实现了对大规模种植出现病害预测作用，节约了人工成本，避免了劳动力不足带来的弊端，减少了大规模病虫害造成的损失，有效的维护了果农的利益。通过对上述问题的综合考虑，本文结合数字图像处理和人工智能识别技术，针对病害图像的特点，提取具有代表性的图像特征，设计并开发出苹果叶子病害识别系统。虽然本系统只是针对苹果叶子病害做出判断，但是对其他农作物病害的系统的研究与设计也有一定的借鉴作用。1.2国内外研究现状1.2.1国外研究现状上个世纪后半段，随着信息技术的飞速发展，数字图像处理技术越来越成熟，理所当然的被应用与关乎民生的农业工程中；九十年代，伴随着计算机视觉技术和人工智能识别技术的逐渐完善，农业工程中开始出现结合这几类应用的趋势。[4]1985年安冈善文等对植物叶片受SO2气体感染后的红外图像进行研究，发现受染叶片的红外图像能清晰地显示污染区域，认为可通过植物病叶图像来诊断[5,6]植物染病情况。1989和1992年穗波信雄对缺素的茨菇叶片进行了露天图像采样从病态叶子图像中去除背景，分别提取叶子正常和病态部分的色度直方图进行了讨论。进一步研究，分别把整个叶片图像直方图的形状和位置作为特征，将病态部分和正常部分的面积比作为特征，但是在抽取叶子病态部分的面积时，由于[7]抽取阈值的选取没有进行优化，致使抽取的病态面积偏大。1999年YutakaSasaki等针对不同分光反射特性和光学滤波对病害识别的影响，对黄瓜炭疽病的自动诊[8]断技术进行了研究，采用遗传算法对病害进行识别。2007年Boese等利用假彩色图像计算大叶藻叶片受损面积，认为可提高对复合叶部病虫害的识别率。但是，[9]该算法消耗时间长，需要一定的主观判断。2007年Huang用图像分析技术和神经网络对蝴蝶兰三种病虫害进行检测和分类研究，提出用自适应指数变换方法分割病虫害区域，并抽取彩色和纹理特征，使用BP神经网络对正常与病虫害的分类准确率为97.2%。1.2.2国内研究现状国内在这方面起步较晚，但是从90年代初期开始也有一些高校和科研单位一直在开展植物病害图像处理技术的研究，90年代后期计算机图像分析技术开始2 西安建筑科技大学硕士学位论文被应用于农业工程中，随着研究的深入，近几年该领域的研究有了长足进步，逐步开始转向应用实用化、服务化。[10,11]2002年徐贵力等人研究缺素叶片彩色图像颜色特征提取，提出用百分率直方图法提取缺素叶片图像颜色特征，并用它取代一般直方图以解决叶片大小对[12]颜色特征提取的影响。2003年毛罕平等对番茄缺素叶片的图像利用差分百分率直方图法提取纹理特征，用傅里叶变换法把叶片图像变换到频域中，在频域内分析缺素症状体现出的周期性特征，结合小波变换的特点来提取缺素叶片的时频特[13-15]征。2004年田有文等根据所采集的植物病害图像特点，利用统计模式识别的监督分类方法，采用Fisher准则的线性判别函数能快速、有效、准确的对图像进[16]行真彩色二值化分割。2004年胡春华等在RGB颜色空间中提出用G/B，G/R的统计特征作为缺素黄瓜叶片颜色特征，用HSV颜色系统中的H（色调）相对差值[17]百分比直方图法确定缺素的病态区间。2005年王庆雷等制作的果树病虫害测报与防治技术的专家系统软件。此软件系统具有果树害虫的自动识别，害虫的辅助鉴定、病虫害的预防、防治策略等果树病虫害测报和防治功能。2005年崔艳丽等[18]运用计算机图像分析技术对生产中常见的两种黄瓜病害做了研究。以色调直方图统计特征参数和百分率直方图区间值特征作为区分病变叶片和正常叶片的依据。比较不同色调区域病变叶片和正常叶片的色调分布情况，发现色调在（48~50）[19]和（45~47）区间，区分正常叶片和病变叶片的效果最好。2007年宋凯等将SVM[20]组成的多分类器应用于多种玉米叶部病虫害识别。2007赵玉霞等应用阈值法进行图像分割、区域标记方法和Freeman链码法计算病斑形状特征，根据二叉检索法推断病害。对玉米叶部的锈病斑、灰斑、褐斑、弯孢菌病斑、小斑等5种病害[21]的诊断准确率达80%。2008年毛文华以及陈红等人在HSI颜色空间中，利用H和S分量直方图获取阈值，进行病变区域分割，发现不同病变的颜色特征能很好[22,23]的区分不同病变。2009年何东健等利用Mercer核，把输入空间的样本映射到高维特征空间进行K-均值聚类以及植物病害识别。试验结果表明，在经典聚类算法失效的情况下，核K-均值聚类算法能够得到正确的聚类，识别正确率达[24]82.15%。2011年袁媛等人针对具有复杂背景的作物病叶图像中的叶片提取问题，提出了一种基于先验信息的水平集模型，将纹理与形状信息作为先验信息，构建新的水平集模型，该方法能较准确的将复杂背景中的病叶分割出来。2010年[25]何东健和李宗儒对用手机获取的低分辨率苹果叶部病害图像进行预处理，用最大类间方差法进行病斑分割，优选颜色、纹理、形状等8个有效特征，运用BP3 西安建筑科技大学硕士学位论文网络分类模型，对5种病害进行识别，正确识别率达到92.6%。通过对大量文献资料研究发现，利用数字图像处理技术和智能识别技术来解决苹果病害识别在理论上是可行的。所以，本文针对苹果叶子病害图像进行分析并设计开发识别系统。1.3研究目标及内容本文针对斑点落叶病、锈病、花叶病等3种苹果叶子病害，设计开发能够识别三种病害的智能系统。具体内容如下：（1）对采集来的苹果叶子病害图像进行细致分析，归纳出图像特点，针对这些特点研究、设计并比较多种预处理方法的效果，找出最适合的预处理方法。（2）在图像分割过程，根据苹果叶子病害图像的生物特性，比较不同的图像分割算法的效果，找出最能精确分割出病斑的分割算法。（3）分别提取三种病斑图像的颜色、纹理、形态特征参数，比较并分析三种病斑图像特征参数，找出最能代表各个病斑特性的参数组合。（4）根据苹果叶子病害图像的不同特点，选出对苹果叶子病害具有明显分类效果的特征参数，研究不同的图像识别方法，设计适合苹果叶子病害的支持向量机分类模型。（5）研究基于自然条件下拍摄的苹果叶子病害图像智能识别系统。（6）研究最终是达到能够有效识别斑点落叶病、花叶病、锈病等3种病害的目的。1.4研究方法通过对相关资料的查阅可以发现三种病害具有以下特点：（1）识别以病斑为对象，但是三种病害的病斑在数量、颜色、形状上有很大差异。（2）三种病斑的灰度图像中显示的纹理有区别。（3）三种病斑的背景色都是绿色，便于以同种分割算法进行分割。（4）病斑的颜色会随着时间的不同而改变，而其中两种病斑颜色上会有相似情况出现。根据上述病害特点，相应的研究方法如下：（1）对采集的苹果叶子病害图像，用传统的图像预处理算法进行分析和比较，选择合适的图像预处理方法。4 西安建筑科技大学硕士学位论文（2）针对苹果叶子病害图像的特点，用基于模糊C均值聚类方法对病害叶片进行分割。（3）选择合适的颜色特征、纹理特征以及形状特征提取方法，进行实验分析，找出最佳的分类参数组合。（4）利用基于支持向量机的识别方法完成病害识别。（5）进行苹果叶子病害识别系统设计和开发，为商品化产品的研究提供基础。1.5论文的组织结构本文主要针对苹果叶子的斑点落叶病、锈病、花叶病图像，探讨并完成了基于支持向量机的苹果叶子病害识别技术研究。本文主要内容分为六章，其各章内容安排如下：第一章为绪论，主要介绍研究苹果叶子病害图像识别系统目的与意义，阐述了国内外相关研究现状，分析了研究对象的特点，简述了准备使用研究方法。第二章介绍了病害图像的获取、预处理及基于视觉注意模型的模糊C均值聚类分割方法，为后期的图像特征提取做好基础准备。第三章为已经分割的病斑特征提取方法研究，介绍了颜色、纹理和形状三种特征以及提取相应的特征参数。第四章为苹果病害智能识别方法研究，主要介绍了支持向量机理论，建立支持向量机模型和对识别结果进行分析。第五章为图像识别系统设计与实现，主要介绍系统设计、系统实现关键技术、系统主要功能模块及系统界面介绍。第六章为结论与展望。5 西安建筑科技大学硕士学位论文6 西安建筑科技大学硕士学位论文2病害图像的获取和预处理图像预处理是图像识别过程的基础，是特征提取、图像识别的前期步骤。由于输入的图像在采集过程容易受到外界环境的影响，例如采光明暗程度、采集设备性能的优劣等，会含有噪声干扰、低对比度、图像内容不清晰、图像中包含太多不需要内容等缺点。所以一般需要图像预处理，目的是为了去除上述缺点，提高图像质量，即提高图像所能表达的信息能力，能够使机器更加明白的读懂图像。简明来说，预处理就是考虑实际情况对输入图像进行一定变换来减弱无用信息的影响，突出有用信息的过程。针对图像本身的特点，应该选择不同的预处理方法。本章介绍图像对象的预处理方法，包括苹果叶子病害图像的采集方法和图像灰度变换、去噪、分割等预处理方法。2.1研究对象的确定经过调查发现苹果一般的发病部位在根部、枝干、叶部和果实，常见病害有约100余种，说明苹果易于受到病害感染。因为苹果致病病原物的不一样，对苹果主要危害部位也不一样。但是通过统计发现，虽然苹果病害症状各异，但大多数病害会影响叶子生长情况，使叶子出现不同情况病斑。本文以陕西关中地区较为常见、发病率较高、症状在叶子上表现较明显的苹[26]果斑点落叶病、花叶病、锈病等3种病害的病叶为试验研究对象。首先介绍三种病害的症状情况：（1）斑点落叶病症状：在病害初期叶面会出现褐色小斑点，周围有紫红色斑点，严重时病斑相连，病害后期导致叶子干枯脱落。在潮湿条件下叶子正反面会长出黑色或黑绿色霉状物，为灰斑病菌的分生孢子。灰斑病菌会二次寄生于病斑上，使病斑中央变为灰褐色至灰白色，有的病斑破裂或穿孔。后期病斑迅速扩大，形状不规则，病叶部分变成褐色。（2）花叶病症状：主要表现在叶片上，症状因为感染病毒的不同一般可分为斑驳型、花叶型、条斑型、环斑型、锒斑型等5种类型，本研究采集的样本为花叶型。（3）锈病症状：主要为害幼叶、叶柄、新梢及幼果等幼嫩绿色组织。叶片染病，初在7 西安建筑科技大学硕士学位论文叶面产生油亮的橘红色小圆点，直径1～2mm，后病斑渐扩大，中央色渐深，外围较浅，中央长出许多黑色小点，即病菌性孢子器，并可形成性孢子及分泌黏液，黏液逐渐干枯，性孢子则变黑；后病部变厚变硬，叶背隆起，长出许多丛生的黄褐色毛状物，即病菌锈孢子器。内含大量褐色粉末状锈孢子。2.2病害图像数据的采集本文研究为了确保图像真实性，在系统开发之后能够投入实际应用，并没有[27]采用高级图像采集设备。一般在对小麦和水稻病害进行识别时，获取图像背景采用简单背景。但这些条件对于果农来说要求太高，不符合实际。图像采集的步骤过程如下：（1）采集时间：2013年6月-2013年8月采集斑点落叶病、锈病、花叶病等病害图像，如图2-1所示。（2）采集地点：陕西咸阳礼泉县、杨凌、西北农林科技大学试验园。（3）所用设备：用小米2A手机。（a）花叶病（b）斑点落叶病（c）锈病图2.1采集图像2.3病害图像预处理在自然条件下拍摄的病害彩色图像对比度不明显、图像上会有一些不知来源的斑点，并且受到光线影响图像内容有时不够清晰等问题。所以，在图像分割和提取特征之前需要对图像进行预处理，减少噪声、斑点、光线以及其他因素的干扰，优化图像的质量，为后面的特征提取做好准备。一般的图像预处理方法有以下几种：图像灰度调整、叶片目标提取、图像增强、图像分割等。2.3.1灰度变换灰度变换可加大图像的动态范围，扩展其对比度，使图像更加清晰，特征更加明显。为了使输出灰度直方图的分布情况能够达到所期望的状态，需要改变某段灰度区间的范围来调整输出图像的效果，强化某些部分，弱化其他部分，一般8 西安建筑科技大学硕士学位论文的变换方式有对数变换、伽马变换等非线性变换和阈值变换、分段线性变换等线性变换两类。这里采用分段线性变换来改变图像。分段线性变换的函数形式如式2.1，分段线性函数图如图2.2：y1xxx1x1yy21f(x)(xx)xxxxx112式(2.1)21255y2(xx)yxx222255x2灰度分段线性变换250200输出灰度15010050050100150200250输入灰度图2.2灰度分段线性变换示意图如果一幅图像看起来比较灰暗，说明灰度集中在比较暗的区域，为了使图像变亮，可以通过扩展灰度区间达到效果；相反的，通过压缩灰度空间达到使图像变暗的效果。下面就是分段变换的示例图2.3。灰度拉伸是通过控制输出图像中灰度级的展开程度来控制对比度。一般情况下将灰度范围压缩在[0，255]之间可达到突出目标的效果，并且灰度函数一般是递增的。9 西安建筑科技大学硕士学位论文图2.3灰度变化结果对比2.3.2图像增强处理（1）图像去噪图像增强是为了消除噪声，因为噪声影响的是图像的细节部分，而细节部分往往体现的是图像中所关心内容的特征。中值滤波是一种非线性平滑技术，是1971年由Turky在提出来的。该方法初始时候用于时间序列分析，后来成为了图像去噪的重要工具，能够在较好保留图像边界信息的基础上有效去除噪声。中值滤波实际是一种基于统计排序的滤波方式，就是将像素点邻域内的所有像素值进行排序，取出中间值来替换该点的像素值。在图像处理过程中，是用一个2121ww大小的窗口在图像中移动，22将窗口中21w个像素值进行排序，用排序后序列中的第211w/2个值替换窗口中心点的像素值。其中w是常整数，一般取1，2，3，4。即：gijMedfikjlwkwwlw,,;;式(2.2)式中：gij,是窗体中心的输出值；fij,是输入图像的像素值，Med是取中值函数。对于中值滤波，滤波窗口的大小是关键。窗口过大，滤波结果过于平均，损害了图像的细节特征，使图像边缘模糊；太小则过于欠考虑周围像素的影响，达不到滤波效果。因为在图像中噪声点和边缘点一般是灰度变换比较剧烈的像素，普通中值滤波在改变噪声点灰度值的时候会错误的改变边缘像素灰度值，影响去噪效果。可是边缘点一般不是其邻域的极值，而噪声点一般比较突出，基本都是其邻域的极值，故可以利用这个区别来改进中值滤波。改进的方法如下：对图像进行逐行扫描，每需要处理一个像素时，首先判断这个像素是否为滤波窗口中领域像素的极大或者极小值。是极值的话则理解为噪声，用一般的中值滤波方式进行处理；如果不是极值就不处理。实验表明改进的中值滤波方式能够在不影响边缘的前提下有效处理噪声点。10 西安建筑科技大学硕士学位论文滤波前后效果如图2.4所示，可以看出c图图像质量最好，保留了较好的边缘信息，去除了椒盐噪声。（a）原图（b）中值滤波（c）改进中值滤波图2.4去噪结果（2）直方图均衡化[28]直方图均衡化是一种实用性极高的修正技术，又称作灰度均衡化，意思是将输入图像通过某些映射均匀的分布在每一灰度级上，即每一灰度级有近似数量的像素点数。经过均衡化处理，像素将最大化的分布在各个灰度级上。当灰度范围在[0,1]并且连续时，直方图就是概率密度函数：pxx,01式(2.3)由概率密度函数的性质：1px1x0式(2.4)p()rp()s设图像在转换前的概率密度函数为r，转换后为s，映射函数为sfr()，故可得：drpspr()()srds式(2.5)p()1,0ss1如果要使转换后的图像概率密度函数：s则需要：dspr()rdr式(2.6)变换格式，得：rsfrpd()()r0式(2.7)式2.7称作图像的累积分布函数。11 西安建筑科技大学硕士学位论文式2.7是灰度值[0,1]时情况推导出来的，而[0,255]时，乘以255就可以了。此时的灰度均衡转换公式为：DADf()DDpd()BAMAXDA0式(2.8)DDB为转换后的灰度值，A为转换前的灰度值。当灰度级离散情况是，转换公式为：DDAMAXDf()DHBAiA0i0式(2.9)HAi为第级灰度的像素个数，i0为面积，也就是总像素数。f式2.9中的函数是单调增加函数，所以输出图像不会有灰度反转的情况，保证了图像实质在变换中的稳定，以及图像识别和判读的影响。图2.5为花叶病图像均衡化前后效果对比，图2.6分别为均衡化前后图像直方图。可以看出：直方图均值化扩展了像素取值的范围，增强了图像对比度。（a）原图（b）灰度图像（c）均衡化后图像图2.5均衡化前后效果对比原图像直方图均衡化后直方图图2.6均衡化前后直方图12 西安建筑科技大学硕士学位论文2.4图像分割方法图像分割就是将图像中不同区域分开，这些区域或者是需要关注的部分，或者是不需要的部分。一般来说，这些区域必须互不相交，并且满足灰度、纹理、彩色等特征具有一定的相似性才能够区分。图像分割是图像分析和模式识别系统的重要组成步骤，分割的正确与否直接影响图像分析与处理的结果，进而影响最[29]终对图像的理解。图像分割的种类和方法很多，一般各种方法都只适合部分类别的图像，还没有能够完全适合全部图像的分割方法。常用的图像分割方法有边缘检测、霍夫变换、区域生长、边界跟踪、阈值分割、区域分割和聚合等，通过对比研究，本文采用模糊C均值算法来分割图像。图像分割方法的基础是灰度值的不连续性或者相似性。不连续性是基于图像灰度的不连续变换分割图像，有针对图像的边缘的边缘检测、边界跟踪等方法；相似性是基于预先设定的准则将图像分割成相似的部分，有阈值分割、区域生长等方法。图像分割技术在工程项目、科学研究等方面一直有着长期很和广泛的应用。工业上，用于矿藏分析、产品精度和纯度分析等；生物医学上，用于X光透视、计算机断层图像CT、核磁共振等；公共交通上，用于车辆识别、车辆检测、车辆跟踪等；此外，在神经网络、机器视觉、图像传输、身份识别等等领域都有着广泛应用。2.4.1模糊C均值算法模糊C均值算法（FCM算法）是建立在普通C均值算法的基础之上的一种模糊聚类的算法，以相似度区分各类，相同类之间的相似度最大，反之，不同类之间的相似度最小。普通C均值算法是早期的一种确定的硬性划分算法，而FCM采用的是一种不完全确定的划分方式。便于理解，下面介绍一些关于模糊集合的基本知识。（1）模糊集基本知识隶属度函数表示的是集合A中的对象x属于A的程度大小的函数，记做Ax()，函数自变量就是集合A中的对象，取值范围0Ax()1。Ax()取值1表示对象x完全属于集合A，取值0表示完全不属于A。通过隶属度函数，一个集合A就可13 西安建筑科技大学硕士学位论文以由在空间X{}x上的对象定义。因此对于有限个对象x12,x,......,xn的模糊集合A~可定义入下：A{((x),x|)xX}Aiii~式(2.10)通过上述模糊集合的概念，可以知道模糊集合中的元素隶属性不再是硬性的，所谓模糊，就是摒弃了非1即0的定义，因此在研究聚类时，可以将聚类生成的类看作模糊集合，而样本点隶属度取值就是[0，1]。（2）K均值聚类算法介绍[30][31,32]K均值聚类，即一般称作的C均值聚类，已经应用到多种领域。它是x(1,2...,n)一种比较早使用的聚类算法，算法的主要内容是：把n个向量j分为个cGi(1,2,...,)c组i，求每组能使得价值函数（或目标函数）值达到最小的聚类中心。实际中一般用欧几里德距离作为组j中向量xk与该组的聚类中心ci间的非相似性指标，价值函数定义如下：cc2JJi(||xkci||)i1iG1,kxki式(2.11)c2式中Ji(||xkci||)是组i内的价值函数，ji的值取决于Gi的几何特iG1,kxki性和聚类中心的位置，从图像角度说比较符合图像构成的情况。ci可以用距离函数dxc(,)代替组i中的向量x，则式2.10表示为：kikccJJi(d(xkci))i11iGk,xki式(2.12)用一个cn矩阵U表示划分后的组，矩阵中的值为组中元素的隶属值，对于硬性划分，取值只有0和1，即对于属于组第ij个数据点x，矩阵U中的元素ujij值为1；否则，取值0。当聚类中心v确定时，可得到如下使式2.11值最小的u：iij221对每个ki,如果xvxv，jijkuik0其它式(2.13)14 西安建筑科技大学硕士学位论文如果v与x之间的距离最短，则x属于组。因为是硬性划分，所有的数据iijj各自只属于唯一组，则隶属矩阵U：cuij1，j,1,ni1式(2.14)且：cnuijni11j式(2.15)如果固定u，从统计学可以知道使2.11式值最小的最佳聚类中心就是分组iij中所有数据的均值：1vixkGik,xkGi式(2.16)n这里Gi是Gi的规模或Gij1uij。下面列出K均值算法步骤：步骤1：初始化聚类中心c，i=1，…，c。一般开始聚类中心不知道，常规做法i是从所有数据点中随机取c个点。步骤2：根据式2.12确定隶属矩阵U。步骤3：根据式2.10计算价值函数值，然后和阈值比较，小于某个确定的阀值则结束算法。步骤4：根据式2.13计算新的聚类中心，返回步骤2。K均值算法是不断迭代的，而且无法保证收敛于最优解，并且聚类中心的初始位置非常重要，对后面的迭代影响很大，所以为了取得具有分类性的初始聚类中心，一般会采用一些前端方法进行预处理；或者以均值改变误差的方式，每次选取不同的初始聚类中心，多次运行算法，但是这样比较耗时间。实际上，K均值算法只是一个过程，也可以不从开始计算隶属矩阵U，而是随机的初始化一个，直接进入迭代。K均值算法可以在线方式运行。通过时间平均，导出相应的聚类中心和相应的组。即对于给定的数据点x，该算法求出最近的聚类中心c，并用下面公式进i行修正：c(xc)ii式(2.17)15 西安建筑科技大学硕士学位论文（3）模糊C均值聚类模糊C均值聚类（FCM）算法，也称作模糊ISODATA，和K均值聚类算法一样，也是一种用隶属度来标识集合中数据点属于某个聚类的程度大小来划分类[33]别的算法。1973年，Bezdek提出了该算法，是基于早期硬K均值聚类（HCM）方法的一种改进算法。FCM定义如下：将个向量nxi(i1,2,...,)n分为个模糊组，求出每组的聚类c中心，该聚类中心使相似性的价值函数值最大。FCM与HCM非常相似，基本概念相同，最主要的地方是模糊划分，即每个给定数据点的隶属值在[0,1]之间。同样的，隶属矩阵U元素取值也在[0,1]之间。但是一个数据集的隶属度和等于1：cuij,1j1,...,ni1式(2.18)同样，FCM的价值函数如下：ccnm2J(U,c1,...,cc)Jiuijdiji1i1j式(2.19)式中u介于0，1间；为模糊组ci的聚类中心，dcx为数据点间的欧ijiijij几里德距离，m,1是一个加权指数。构造如下新的目标函数，求得使2.18式达到最小值的必要条件：cnJ(U,c1,...,cc,1,...,n)J(U,c1,...,cc)j1j(uij)1i1cnncm2uijdijj(uij)1i1jj11i式(2.20)这里j，j=1到n，是2.17式的n个约束式的拉格朗日乘子。对该式求导，则使式2.18达到最小的必要条件为：nmuijxjj1cinmuijj1式(2.21)和16 西安建筑科技大学硕士学位论文1uij2/(m)1cdijdk1kj式(2.22)由上面两式，模糊C均值聚类算法迭代过程就比较简单。在批处理方式运行时，FCM算法用下列步骤确定聚类中心和隶属矩阵cU：i步骤1：在满足式2.18中的约束条件下用值在[0,1]间的随机数初始化隶属矩阵U。步骤2：根据式2.21计算c个聚类中心c，i=1，…，c。i步骤3：根据式2.19计算价值函数值，然后和阈值比较，小于某个确定的阀值，或者它和上次价值函数值相比，改变量小于某个阀值，则结束算法。步骤4：用式2.22计算新的U矩阵，返回步骤2。和K均值聚类算法一样，FCM可以先初始化聚类中心，然后执行迭代。由于聚类中心的初始位置非常重要，对后面的迭代影响很大，所以为了取得具有分类性的初始聚类中心，一般会采用一些前端方法进行预处理；或者以均值改变误差的方式，每次选取不同的初始聚类中心，多次运行FCM算法。2.4.2FCM算法的应用由上面的分析可以得到FCM算法关键在两个参数：聚类数目c和是参数m。实际情况中分组数c一般比聚类样本的总数要小，但是要确定c大于1。参数m控制算法柔性，要避免两个极端，m太大导致聚类效果差，而如果m过小则算法向硬聚类算法靠近。算法最终得到的是c个聚类中心和cn的一个二维模糊划分矩阵，矩阵中的元素值是c个类中各个样本点的隶属度。聚类中心表示的是各个类的平均特性，可以代表这个类。从FCM的推导过程中可以知道，该算法特别适合数据类型分布为正态分布的情况，此外，该算法对孤立点比较敏感。3种苹果叶子病害预处理图像、和病斑分割结果如图2.7所示。从图中可以看出，花叶病病斑是在叶片上生成错综复杂的黄色病斑，数量较多，而且不规则；斑点落叶病病斑为褐色圆班，数量较花叶病病斑少，而比锈病病斑多；锈病病斑数量较斑点落叶病少，不过病斑通常比较大，中间为褐色，褐色外为通常一圈橙黄色，最外围通常橘红色。可以看出，三种病斑还是各有特点的。经过试验分析可以看出，该算法对于背景颜色与病斑颜色差距较大且病斑区域较大的图像，可以较好的将病斑分割出来。17 西安建筑科技大学硕士学位论文（a）花叶病病斑分割（b）斑点落叶病病斑分割（c）锈病病斑分割图2.7三种苹果叶病害分割图2.5本章小结本章介绍了图像样本的采集以及样本的预处理方法。对图像的采集方式和地点做了说明，主要说明了图像的预处理方法：图像灰度调整、图像增强、图像分割等。18 西安建筑科技大学硕士学位论文3苹果叶病害有效特征提取相对于单方面特征提取，综合提取多方面特征作为识别参数提高了识别率，而一般用颜色、纹理和形状三个方面的特征作为图像特征参数的提取。由于待识别对象的数据量相当大，部分苹果叶子病害症状又非常相似，用直观特征一般无法识别，所以需要通过对图像信息进行变换和对比试验得到最能代表分类本质的特征。3.1颜色特征提取对图像来说，其内容中具有影响特征的就是图像颜色，因为颜色给出的是最为直接的视觉效果。从人类视觉的角度来看，人类对图像的判断一般基于颜色在图像空间中的分布。因此，颜色特征是最能代表图像的特征之一。颜色特征具有[34]平移、旋转、尺度变化不变性，甚至对各种变形都不敏感。因此，基于颜色特征可有效的识别苹果不同病害。3.1.1彩色模型彩色模型，又叫做颜色模型、彩色空间或者彩色系统，是经过研究而制定的一套规则和规定，目的是用来规范标定和生成各种颜色，从而形成一种通用标准。彩色模型一般采用坐标系统来描述，在坐标系统中的颜色都可以用坐标空间中的单个点来表示。一般常用的彩色模型有：RGB模型、HIS模型、HSV模型、CMY模型、CMYK模型、YIQ模型、YUV模型、Lab模型。下面简单介绍这些模型。3.1.2常用模型介绍（1）RGB模型：工业界的一种常用标准，以红（RED）、绿（GREEM）、蓝（BLUE）三种颜色为基础色，通过改变这三种基色的亮度以及对三者之间的相互叠加生成其他颜色。这个标准几乎囊括了人类视觉所能感知的所有颜色。RGB模型对应的坐标系统如图3.1所示的立方体。红、绿、蓝位于立方体的三个顶点；青、深红、黄位于另外三个顶点；黑色位于原点，白色位于离原点最远的顶点处，显然的，黑色和白色之间的连线就是灰度等级分布；而其他颜色就处于立方体的内部或者外部。一般情况下，将所有颜色归一化到[0,1]范围内。19 西安建筑科技大学硕士学位论文（2）CMY模型、CMYK模型CMY模型（Cyan、Magenta、Yellow）是指按照不同的比例将青、品红、黄三种基色组合来生成其他颜色的方法。该模型又叫做减色法混色模型，原因是它的成色不是直接来自光线色彩，而是由物体反射的光线生成，由于物体都有吸收光线的能力，所以反射光线是被物体吸收后的剩余光线，由此可知，当显示黑色时说明光线被完全吸收，白色说明光线被完全反射。CMYK模型是在原CMY模型中加入了第四种颜色—黑色而得到的，原因是实际中通过颜色混合而得到的黑色不纯。图3.1RGB颜色模型（3）HSI模型HSI模型如图3.2，该模型是从人的视觉系统角度出发设计的，用色调（Hue）、饱和度（Saturation）和亮度（Intensity）三要素来描述颜色。图3.2HSI颜色模型20 西安建筑科技大学硕士学位论文（4）HSV模型HSV模型是指从调色板或颜色轮中挑选颜色的彩色系统，如图3.3所示。模型用色调（hue）、饱和度（saturation）和数值（value）三要素来描述颜色，这个模型的一个特点就是接近人类对彩色的感知，因为一般的图像处理结果都需要通过人的视觉系统来判断，所以这种模型被广泛用于图像处理工程中。该颜色模型的三个分量相互独立，其中色调H表示颜色最接近的光谱波长；饱和度S表示颜色的鲜明程度，它反映的是颜色加入白色的多少，也就是说颜色中含有白色的多少影响着饱和度的深浅；亮度V是人眼感觉到的光的明暗程度，因为人眼接受的都是反射光，所以亮度和物体反射系统关系很大，反射系数大，亮度大，反射系数小，亮度小。图3.3HSV颜色模型（5）其他模型YUV模型是欧洲电视系统使用的颜色生成方式，Y代表亮度，U、V代表色差。YIQ模型是由美国开发的NTSC标准彩色制式，主要用于美国、日本等电视系统，Y代表亮度，I代表色调，Q代表饱和度。Lab模型是由CIE（国际照明委员会）设计和制定的一种彩色标准。该模型不受硬件的干扰，并且可以表示自然界中的任何色彩。3.1.3颜色特征提取（1）颜色直方图颜色直方图是计算图像中含有的各种颜色的频率，也就是计算每一种颜色在21 西安建筑科技大学硕士学位论文图像的像素中所占的比例值。具体是将图像中含有的各种颜色出现次数统计出来并且量化，在坐标系中以颜色作横坐标、颜色的频数作纵坐标得出。图像的颜色[35]直方图定义如下：Lpp{[],[],...,[],...,[c12pcpcplNicl][]1,c0p[]1}cll1式(3.1)p[]c表示第l种颜色像素的频率数。lNN12111ifQT(([,]))jkcljk000elsepc[]lNN12式(3.2)（2）颜色矩[36]颜色矩能简单有效的表示图像的颜色特征，它通过计算颜色的空间分布来反映像素间的相关关系。颜色1阶中心距（mean）、2阶中心矩（variance）定义如下：N1N12iiPjii()PjiNj1Nj1式(3.3)Pj式中N是图像象素总数；ij是图像中第个象素的第个颜色分量。i由于颜色分布信息主要集中在低阶矩中，本文将图像从RGB模型转换到HSV颜色模型，别在H、S、V等3个分量上计算1阶矩和2阶矩，得到6维的颜色特征向量F，如式3.4所示：TF[,,,,,]hsvhsv式(3.4)1.0花叶病锈病0.9斑点落叶病0.80.70.60.5123456图3.4颜色矩特征区分效果从锈病、斑点落叶病和花叶病三种病害图像各随机抽取一张，根据上式求得22 西安建筑科技大学硕士学位论文H、S、V分量的一阶矩和二阶矩作为特征值如图3.4，从中可以看出，不同病害的颜色矩特征值在某些特征方面并没有太大差距，因此不能将其作为有效特征。3.2纹理特征提取图像的纹理特征是反映其同质现象的重要视觉特征，描述的是图像象素的邻域灰度空间分布情况，对图像的分析、识别和解释有着重要的意义。苹果叶子正常部位与病变部位的纹理有很大区别，纹理特征提取方式有很多种，本文重点介绍灰度共生矩阵。3.2.1灰度共生矩阵[37]灰度共生矩阵是常用的一种统计分析法，该方法基于纹理中某一灰度级结[38]构重复出现的情况。这个结构随着纹理的精细情况以不同程度的速度而变化。图像的灰度共生矩阵，反映了图像灰度关于方向、相邻间隔和变化幅度的综合信息，它是分析图像局部模式结构及其排列规则的基础，也是定义一组纹理特征的[39]基础。M定义图像灰度级为N，共生矩阵表示为(,)d，计算方法如式3.5所示：{[(,xyxy),(,)]Sfxy(,)ifxy(,)j}11221122Mi(,)j式(3.5)(,)dS式中：M为NN的矩阵，其含义为：在方向上，相距d个单位，灰度(,)d值为ij,的两个像素对出现的概率。式中分子表示相互之间有空间关系并且灰度值分别为ij,的像素对个数；分母表示S区域中像素对总数。基于灰度共生矩阵有许多基于统计方法的纹理特征量，包括纹理的一致性、对比度、像素对灰度的相关性、熵、能量等等。近年来许多研究都表明共生矩阵特征能比其他通用的方法更好的表现图象的纹理信息。本文选取了灰度共生矩阵[40,41]的能量E(,)d、熵Hd(,)、惯性矩I(,)d和相关性Cd(,)等4个常用参数，其计算公式分别如下：nn2Ed(,)Mij(,)d(,)式(3.6)ij从公式可以看出，主对角线值最大，所以如果能量主要分布在主对角线附近23 西安建筑科技大学硕士学位论文时，对应的图像纹理表现的比较粗；反之，对应的纹理比较平和。nnHd(,)Mij(,)d(,)log2Mij(,)d(,)式(3.7)ijPij(,)熵是图像信息量的量度，当的值分布越均匀，熵值越大，它描述了纹理均衡的逆性质。nn2I(,)di(j)M(,)d(,)ij式(3.8)ij惯性矩可理解为图像的清晰度。粗纹理图像一般比较简单，由于矩阵的数值集中在主对角线附近，由公式可以看出其相应的惯性矩值也较小；反之，细纹理图像比较复杂，则值较大。nnijMij(,)dx(,)yijCd(,)式(3.9)xy,,,相关性描述的是矩阵中行或列元素之间的相似程度的。式中：xyxy分mmx(,)ijmm,M(,)ij别为xy的均值与方差；i是矩阵(,)d中每列元素之和；mmy(,ij)M(,)ijj是矩阵(,)d中每行元素之和。根据上述步骤分别随机抽取锈病、斑纹落点病和花叶病图像，计算纹理特征得到如表3.1所示数据。从数据中可以发现，三种病害的能量、熵、惯性矩和相关的均值和方差值区分较明显，因此通过灰度共生矩阵提取的8个纹理特征可以作为病害识别的有效特征。3.3形状特征提取形状是物体的一个非常直观而又重要的特征，它通常用来描述物体的几何性质。通常情况下，可以通过目标的形状将他们从其他物体中区分出来，因此，在图像识别领域，形态特征的使用非常广泛。在图像处理中，对图像中目标的形状描述就是对该目标的边界或对边界围成区域的描述。24 西安建筑科技大学硕士学位论文表3.1纹理特征数据提取结果锈病斑点落叶病花叶病能量均值0.90020.80820.4380能量标准差7.2178e-0040.00480.0073熵均值0.40710.77062.1978熵标准差0.00750.02110.0534惯性矩均值0.40690.99986.7944惯性矩标准差0.10520.20031.5376相关性均值0.18930.15480.0395相关性标准差0.00240.00310.00163.3.1常用形状特征提取目前在农业病害识别领域，可以描述植物叶部病害区域的形态特征有病斑周长、病斑长度、病斑宽度、病斑面积、病斑似圆度、病斑复杂度、病斑矩形度、[42]病斑伸长度、离散指数等。针对斑点落叶病、花叶病、锈病等图像的特点，选取周长、面积、似圆度、形状复杂性、病斑数、病斑面积与病斑数比值六个形状特征。（1）面积S图像中的面积就是目标的像素个数，对于三种病斑来说，面积反映了病害严重的程度，三种病害之间花叶病感染面积相对比较多，锈病相对来说少。将苹果叶子病害图像二域分割后，可以简单的得到病斑像素个数，即面积值。计算公式如3.10所示：nnSf(,)xy式(3.10)xy11（2）周长L和面积的计算方式相似，图像中的目标周长就是目标边界的像素个数。（3）似圆度C因为苹果叶子病斑大多为圆状，所以用似圆度作为一个特征，似圆度表示图25 西安建筑科技大学硕士学位论文像目标的形状与圆形的近似程度。由式3.11计算得到，。2CS4/L式(3.11)（4）复杂度E复杂度表示图像中目标单位面积的周长大小，花叶病病斑不规则，相同面积花叶病病斑周长必定大于落叶斑点病，所以花叶病斑比落叶斑点病复杂，从两者的图像中可以清楚看出区别。由公式3.12可计算出病斑的复杂度：2LE式(3.12)S（5）病斑个数N三种病害图像中病斑的个数有着明显区别，所以个数可以作为特征参数，花叶病斑个数比较多，锈病和落叶斑点病比较少。（6）病斑面积与病斑数比值RSR式(3.13)N计算平均病斑面积，就是单个病斑中平均包含像素个数，三种病害中落叶斑点病和锈病病斑比较相似，但是一般个数差距比较大，这个特征值有助于区别这两种病斑。3.3.2Hu不变矩特征提取Hu不变矩具有平移、旋转和比例尺度变换下的不变性，因此这些矩的幅值可[43-45]反映物体的形状并能用于形状检索和模式识别。在图像特征提取中Hu不变矩已经是广泛使用的特征量，一般Hu不变矩有七个或者以其中任意组合作为特征。设f(,)xy为二维图像，其(pq)阶统计矩公式如下：pqmxpqyf(,),(,xypq0,1,2,...)式(3.14)xy由帕普利斯（Papoulis）唯一性定理可以知道矩可以被用来表示一幅二维图像，即对于分段连续的二维函数f(,)xy，如果存在非零值，且非零值不为无限，则图像存在各阶矩，并且矩向量{M}唯一。pq零阶矩定义为：mf00(,)xy式(3.15)xy26 西安建筑科技大学硕士学位论文其为该区域的点数，也是目标物体的面积。一阶矩定义为：mx10f(,),xymy01f(,)xy式(3.16)xyxyf(,)xy将零阶矩和一阶矩进行归一化，得到图像的中心矩，中心矩定义如下：pqpq()xxyyfxy()(,)式(3.17)xymm1001xy,mm其中0000(pq)归一化阶中心矩定义为：pqpq(,pq0,1,2,...)1(,pq2,3,...)式(3.18)pq200II由式3.16、式3.17和式3.18可推导出Hu的177个不变矩，如式3.19所示：I1200222I()4220021122I(3)(3)33012210322I()()式(3.19)43012210322I(3)()[3()3()]5301230123012210322(3)()[3()()]210321033012210322I()[()()]4()()6200230122103113012210322I(3)()[()3()]7210330123012210322(3)()[3()()]3012210330122103从三种病害图像中任意各自取出一幅，计算三幅图像的Hu不变矩，比较三者的不变矩值，如图3.5所示，可以发现区别比较明显，因此Hu不变矩可以用作为特征提取。27 西安建筑科技大学硕士学位论文锈病斑点落叶病0.5花叶病0.40.30.20.11234567图3.5Hu不变矩比较图3.4本章小结本章研究了图像的几种特征提取方法，具体介绍了颜色矩、颜色直方图、灰度共生矩阵、Hu不变矩及一些常用形状特征的提取方法。经过对比分析，考虑到苹果叶子病害的实际情况，从提取的22个特征值中选用15个能作为有效分类的特征值。28 西安建筑科技大学硕士学位论文4基于支持向量机的智能识别方法[46]20世纪90年代Vapnik等提出的支持向量机（supportvectorma-chine，SVM）是一种建立在统计学理论和结构风险最小原理基础上的机器学习分类识别方法，同时考虑了训练误差和泛化能力，能够很好的解决训练样本少、非[47]线性、高维数和局部极小点等实际问题。与一些传统的学习算法相比，SVM能更好的适应未知样本。4.1支持向量机的分类思想模式识别技术在开始出现的时候就是以将分类错误达到最小化为目标，经过长时间的发展之后发现过分追求低错误率的代价是需要大量的训练样本，对于长期训练的分类器也许错误率会很低，但是考虑到实际应用中的时间、成本等问题，这种分类方式并不能符合需求。所以如何以少量训练样本达到分类器精确分类成为模式识别技术发展的一个重点内容。而SVM通过对分类模型和模型参数的选择，同时保证训练误差（经验风险）与测试误差（期望风险）达到最小化4.1.1分类模型的选择对于图4.1（a）中所示的两类样本，可以用曲线或者直线分类，但是曲线可以实现完全正确的区分，而直线则有部分错误；同时对于图（b）中的两类样本，简单的直线却可以得到更好的识别效果。（a）训练样本上的两种分类（b）测试样本上的两种分类图4.1分类模型的选择图4-1中较为复杂的曲线模型过渡拟合了训练样本，所以在分类测试样本时效果并不是很理想。因为控制分类模型的复杂性可以防止过渡拟合，对于一些简单的数据解释模型（例如二维空间中的直线、三维空间中的平面和多维空间中的29 西安建筑科技大学硕士学位论文超平面），SVM有更好的效果。4.1.2模型参数的选择如4.2图所示2维空间中的样本，可以采用任意条直线将它们分别，但是一定存在一条最优的选择。最优超平面间隔H2最大HH1图4.2分割超平面一般来说，距离训练样本较远的分类线具有一定的容错能力，可以在实际分类中有较强的适应能力；而距离训练样本太近的分类线太依赖训练样本，对实际分类的适应力就比较差。设H为一条分类线，如图4.2所示，H、H为平行于12分类线的两条直线，并且表示各类中离分类线最近的样本，H和H之间的间隔12称作分类间隔。所以可以归纳出最优分类线的两个性质：训练错误为0以及分类间隔是所有分类线中最大的。图4.2是在2维情况下的特例——最优分类线，而在3维空间中则是具有最大间隔的平面，推广到多维空间的情况就是最优分类超平面。进而SVM也就是找出最优分类超平面：能够分开两类样本并且具有最大分类间隔。找寻最优分类面的算法最后将转化为一个二次型寻优问题，理论上，得到的其实是全局最优点，解决了一般分类方法中无法避免的局部极值问题。4.2支持向量机的理论基础本节主要介绍SVM的理论知识，将分别阐述线性可分、非线性可分和需要核函数映射着三种情况下的SVM。最后将SVM推广至多类问题。30 西安建筑科技大学硕士学位论文4.2.1线性可分的情况所谓线性可分就是区分样本的函数是线性的意思。如果不是，就称作非线性可分。x11,yxy,22,,...,xyNN,xRD对线性可分的数据集，样本的特征向量，Dy{1,1}表示这是一个D维空间，理论上理解为任意维空间；，表示数据集只属于两类。现在找出能够区分两类的最优分割超平面，通过高等数学的方式可以很直观的解释如何找到该分割超平面。T设最优超平面的方程为wxb0，由距离空间距离公式得：样本x与最佳Twxb(,wb)w分割超平面之间的距离为。x归一化分割超平面，即选择w和b使距离超平面最近的样本k能够满足Twxb1k。归一化后分割超平面离最近样本的距离为：Twxb1式(4.1)ww且分类间隔变为：2m式(4.2)w如图4.3。由前面定义的最佳分割超平面的特性—具有最大的分类间隔可知最大化法向T量w就可以得到最大间隔，将w代入关系式wxb1，得b值。k12Jw()w变换式4.2等价于求最小值：2式(4.3)利用前面定义的约束条件：Tywxb()1,i{1,2,...,}N式(4.4)i31 西安建筑科技大学硕士学位论文2wbTwxbww图4.3最佳分割超平面的分类间隔因为已经归一化样本距离，故有：Twxb1式(4.5)k设定+1所在类样本的一侧为正方向，则对于+1对应样本：Twxb1式(4.6)k相应的-1对应样本：Twxb1式(4.7)k至此可以发现求解最优分割超平面其实就是在式4.4的约束下求解二次函数式4.3。这是一个条件极值问题，用拉格朗日乘数法求值。求解方式如下，对约束条件式子乘以拉格朗日乘数i，代入式4.3，通过将约束条件加入极值式子而变为没有约束条件的极值问题，如式4.8，通过w，b和(i1,2,...,N)i来最小化L。N12TLwb(,,)wii[(ywxb)1],i0式(4.8)2i1求对Lw和b的偏导数，令其等于零：NLwb(,,)0wiiiyx式(4.9)wi1NLwb(,,)0iiy0式(4.10)bi132 西安建筑科技大学硕士学位论文展开式4.8，得：NNN1TTLwb(,,)wwiiywxbiiiyi式(4.11)2ii11i1将式4.9和式4.10代入式4.11，得：NNN1TTLwb(,,)w(iiiyx)wiiiyx0i2ii11i1NN1T()iiywxii2ii11式(4.12)NNN1Tiiyy()jjjxxii2ij11i1NNN1Tijijijyyxxi2ij11i1看出上式与w和b无关，仅仅为i的函数，记做：NNN1TLy()ijijijyxxi式(4.13)2ij11i1Niiy00此时约束条件为：i并且i1求出之后，返回代入，可以求得最佳分割超平面的两个参数w和b：Nwyiiix式(4.14)i1Twxbk1x在样本线性可分的条件下，由于关系式，其中k是任意一个距离Twxbk1x最优分类超平面最近的向量，即可使取到最小值的k之一，故可将xw和k代入上式，来求出b：bw1min(x)或者bw1max(x)iiyi1yi1(,)wb一般情况下，由于两类样本中与分割超平面的最近距离不再一定是1且可能不同，因而b为：1bw(min(x)max(wx))式(4.15)ii2yi1yi1式4.15包括了线性可分时的情况。33 西安建筑科技大学硕士学位论文根据优化解的性质（Karush-Kuhn-Tuckercondition），解必须满足：T[(ywxb)1]0,i1...N式(4.16)iiiT0ywxb()10因此对于每个样本，需要满足：i或者ii。从而对那些满Tywxb()10x0足ii的样本i对应的i，必有i；而只有那些满足Tywxb()10x00ii的样本i对应的i，才有i。所以，i只对应那些最接Tywxb()10x近超平面ii的点i，这些点称作支持向量，如图4.4所示：图4.4支持向量(图中用方框框出)***求出上式各个系数，w，b所对应的最优解，w，b后，可以得到最优分类函数：n****hx()sgn((wxb))sgn(yxxbii())式(4.17)i1x(1,2,...,)N这里向量x是等待分类的测试样本，向量i是全部N个训练样本。4.2.2非线性可分的情况0当样本非线性可分的时候，解决方法是加入一个松弛变量i，目的是扩展约束的条件，即约束条件变为：y(wxb)1,0(i1,2,...,N)式(4.18)iiii即：34 西安建筑科技大学硕士学位论文wxb1,y1iii式(4.19)wxb1,y1iii311321图4.5非线性可分时的最佳分割超平面0i时就是线性可分情况，这就说明线性可分属于非线性可分的一个特殊01y(wxb)情况。i时，ii值存在于[0,1]，这种情况意味着分类依然是绝对1的，但是允许错误出现在分类间隔中，保留大部分分类的正确性。i时，yw(xb)0ii，表示会有分类错误的样本。三种情况如图4.5中所示。利用一个附加错误代价系数C之后，目标函数变为：N12fwb(,,)wCi式(4.20)2i1和线性可分情况类似，也是在约束条件下求解函数最小值，只是非线性可分情况增加了一个错误代价项，针对的是对应于0的那些错误样本。由此可知，i最小化式4.20其实是保持了一种平衡，既考虑需要最大分类间隔，也考虑到了最小化训练错误。这里需要注意：理论上是要求错误样本最小化，如果是0最好，但是不能一味的追求最小化错误样本，因为这里的错误是训练错误。所以如果刻意不断最小化训练错误，最终得到的超平面分类间隔会很小，以至于影响分类器的推广能力，考虑到训练样本毕竟是少数，为了以后能够适应更多的分类情况，可以通过代价系数C来调整训练错误最小化和分类间隔的关系。C的取值对分类的几种影响如35 西安建筑科技大学硕士学位论文图4.6所示。(a)C的取值过大导致过渡拟合训练(b)将(a)中的过渡拟合的分类器应用于测样本的小余地分类超平面试样本(c)取值合适的C：允许适当地错分训练样(d)将(c)的较大余地分类器应用与测试样本本从而得到较大余地的分类超平面图4.6惩罚参数C对于分类器性能的影响从图4.6可以知道错误代价系数C的对于非线性分类至关重要，也是因为代价系数C的关系，这种支持向量机一般被称作C-SVM。和线性可分时一样，用拉格朗日乘数法求解：N对于约束条件：iiy0,0iCi,1,2,...,N式(4.21)i1最大化L()：NNN1L()iijyiyj()xixj式(4.22)ii112j1***在求出最优的的值之后，返回代入原式计算出w和b的值，求得的决36 西安建筑科技大学硕士学位论文策函数与4.17式相同。4.2.3核函数映射前面介绍的非线性分类是基于线性分类的基础之上的，由于线性分类器的分类性能的局限性，并不能达到普及应用的地步。所以必须用更为精确的方式解决非线性分类的问题。解决方法是将低维空间的非线性问题变为高维空间的线性问题，利用高维空间的特点求出最佳分类超平面。（1）非线性映射如图4.7所示，n维空间中非线性可分的样本到了更高的D维空间变得线性可分，实际中经常见到的例子是平面上无法分类的样本到了立体空间变得可以分类了。同理，到了高维空间，要求的就是高维空间的分割超平面。nRDR(a)(b)nR(c)D图4.7非线性映射将样本映射到高维特征空间R图4.7表示的是一种理想情况，如果到了高维空间还是无法线性可分那么只能使用前面介绍的方法进行分类，不过这种到高维还是无法分类情况实际中很少应用的到，所以并不需要太多考虑那种复杂情况。此外，映射到高维而求出的分37 西安建筑科技大学硕士学位论文类超平面一般不会再选择映射回低维中，因为一般样本也会映射到高维中，所有问题都在高维空间中解决。（2）优化求解类似于前面推导，最终得到如下的对偶问题。在如下的约束条件下：Niiy0,0iCi,1,2,...,N式(4.23)i1最大化目标函数：NNN1Ly()iijiyj(()())xixj式(4.24)ii112j1N此时，因为有wyii()xii1故最终的决策（分类）函数为：n*Dhx()sgn((w())xb)sgn(iiy(()xi())xb),wRbR,式(4.25)i1同样，由于对非支持向量来说，其0，故上式可以写作：i**hx()sgn(yii(()x())xb)式(4.26)iSV其中，SV表示支持向量（SupportVector）的集合。（3）核函数考虑到对样本进行非线性映射和在高维空间中点积运算的复杂性，需要一种比较灵巧的计算方式来解决这个问题。然而一般情况下不需要一步一步经过大量计算，甚至不需要去关心映射的具体形式。注意到上面讨论的对偶问题中，可以发现式4.24的寻优目标函数和式4.25的决策函数都只是样本特征向量之间的点积运算()()xx。因此，在高维空间实际上只需要进行点积运算，而再高维数ij的向量的点积结果也是一个常数，所以可以抛开映射()x和()x的具体形式而ij直接根据x和x的原特征空间中得到()()xx的常数结果，而这种点积运算是ijij可以用原特征空间中的核函数（kernel）实现的。由泛函理论可知：如果核函数Kxx(,)满足Mercer条件，那么一定对应着某ij38 西安建筑科技大学硕士学位论文D一变换空间R中的内积。nn核函数是一个对称函数K：RRR，通过核函数式子可以发现相乘的两个向量是相同维度的，而相乘结果是实数。计算高维空间中的点积可以用核函数代替：Kxx(,)()()xx式(4.27)ijij这样就解决了映射和高维空间计算的复杂性问题，用核函数代替支持向量机中的点积运算，极大的减少运算量，因为在之前的所有数学推导中映射函数都是成双出现的，恰好为使用核函数提供了方便。这时式4.24的优化目标函数为：NNN1Ly()iijiyjK(,)xixj式(4.28)ii112j1而式4.24的决策（分类）函数也变为：**hx()sgn(iiyKxx(,ij)b)式(4.29)iSV一般常用的核函数有：线性核函数：Kxyxy(,)式(4.30)dKxy(,)(xy1),d1,2,......多项式核函数：式(4.31)2Kxy(,)exp(xy)径向基核函数：式(4.32)Kxy(,)tanh((bxyc))Sigmoid核函数：式(4.33)4.3推广到多类问题之前的问题描述已经表明，似乎SVM是一个二分器，只能用于两类样本的分类，可是情况如果只是这样，SVM是不可能得到广泛的应用的。下面就来讨论如何将二分SVM进行推广，使其能够处理多类问题。有三种常用的方法用于推广SVM解决多类问题，由下面这个例子说明。4.3.1一对多的最大响应方法对A,,,BCD四类样本进行分类。以下面四种方式进行划分训练。39 西安建筑科技大学硕士学位论文A类样本特征向量作为类1，B,C,D类样本特征向量作为类2；B类样本特征向量作为类1，A,C,D类样本特征向量作为类2；C类样本特征向量作为类1，A,B,D类样本特征向量作为类2；D类样本特征向量作为类1，A,B,C类样本特征向量作为类2；可以得到四个不同的分类器，在测试的时候，把需要测试的样本x分别送入这4个分类器进行判断，四个分类器都会有分类结果，将分类结果分别记做f(),(),(),()xfxfxfx，最终的决策结果选择四个结果中最大的。12344.3.2一对一的投票方法将ABCD,,,四类样本两类两类地组成训练集，即(A,B)，(A,C)，(A,D)，(B,C)，(B,D)，(C,D)，得到6个二分器。将测试样本x分别送入上述6个分类器中进行判断，然后采用投票得到结果。投票流程如下：开始设置所有四类投票数为0：vote(A)=vote(B)=vote(C)=vote(D)=0。然后开始进行投票，通过训练集(A,B)训练得到的分类器将x划为为A类，则A类增加一票vote(A)=vote(A)+1，否则B类增加一票vote(B)=vote(B)+1；同理的，如果使用(A,C)训练的分类器将x判定为A类，则A类增加一票vote(A)=vote(A)+1，否则C类增加一票vote(C)=vote(C)+1......最终选择四个投票结果最高的作为最终类别Max(vote(A)，vote(B)，vote(C)，vote(D))。4.3.3一对一的淘汰方法这是专门针对SVM提出的一种多类推广方法，适用于多个二分类器情况。该方法也是通过一对一判断来解决多类问题，对于这需要划分的四个类，两两组合形成6个训练分类器：(A,B)，(A,C)，(A,D)，(B,C)，(B,D)，(C,D)。对于其中的任意一类，有三个二分器进行识别，如果选择A类中样本，(A,B)，(A,C)，(A,D)这3个二分器中都可以来识别，就出现多个判断函数情况。将这些二分器根据置信度从大小进行排序，置信度的大小意味着二分器分类结果的可信度高低，一般情况置信度是以二分器的间隔大小作为判定标准，因为前面已经讨论过，间隔越大的分类器说明两个类之间具有比较好的可分性。将6个二分器按置信度由大到小排序分别编号，这里为了说明方法只是随机的进行编号：为1(A,C)，2(A,B)，3(A,D)，4(B,D)，5(C,D)，6(B,C)。40 西安建筑科技大学硕士学位论文准备完毕后开始进行判断过程：首先输入需要测试的样本为x，首先由1号二分器进行识别，将识别结果用+1，-1和0三类标识。如果识别结果为+1，则x属于类型A，淘汰所有关于类型C的判别函数；反之，如果识别结果为-1，则结果为类型C，淘汰所有关于类型A的判别函数；如果结果为0，称作"拒绝决策"，说明1号二分器无法识别，开始用置信度低一级的2号二分器识别，依次类推。这里假设识别结果为-1，x属于类型C，则还剩下除去包含A类的三个二分器4(B,D)，5(C,D)和6(B,C)。然后测试样本x再由4号二分器进行识别，和前面过程一样，如果识别结果为+1，除去包含D类二分器，那么剩下的二分器只有为6(B,C)。再对测试样本x输入6号二分器进行识别，如果结果为+1，可以得到x属于B类，反之属于C类。识别结束。通过上述淘汰方法可以发现，每次识别后都会有一个类别被排除，相关的二分器也会被排除，所以一般n1（n为类别数目）次判断后就可以得到结果。需要注意的是，由于存在"拒绝决策"的情况，如果直接将结果归类+1或者-1肯定会导致误差。考虑到含有某类的二分器肯定不止一个，如果碰到"拒绝决策"的情况就选用其他二分器进行识别。以上3种多类问题的推广方法是比较常用的，并且经过实际验证取得了很好的效果，相比之下第2种和第3种在很多情况下能取得更好的结果。4.4基于支持向量机的训练与测试Matlab中提供对svm支持的svm工具箱，用于实现训练和分类的功能，其主要是用svmtrain和svmclassify这两个函数实现训练和分类的功能。（1）训练函数svmtrain函数svmtrain用来训练一个svm分类器，调用语法为：SVMStruct=svmtrain(Training，Group)；其中Training是一个二维矩阵，每行表示一个训练样本。Group是一个代表训练样本类标签的1维向量，值为0或1,0表示反例，1表示正例。Group的维数和Training的行数相等。除了上述调用形式，还可以设置一些训练相关的选项，如下：1、设定核函数41 西安建筑科技大学硕士学位论文svmtrain函数可以选择非线性映射时核函数的种类，方式如下：SVMStruct=svmtrain(Training，Group，’Kernel-Function’，Kernel-FunctionValue)；其中，Kernel-FunctionValue的常用合法取值有linear（线性核函数），rbf（径向基核函数），polynomial（多项式核函数）等。2、结果可视化当训练数据是2维的时候，可以利用ShowPlot来得到训练结果的可视化解释，方式如下：SVMStruct=svmtrain(Training，Group，’ShowPlot’，ShowPlotValue)；其中，ShowPlotValue值为1表示可视化。3、错误代价C错误代价系数C对于训练和分类结果有很大影响，在svmtrain中设置一个优化选项boxconstraint，形式如下：SVMStruct=svmtrain(Training，Group，’boxconstraint’，C)；C为错误代价系数，默认值inf，表示错分的代价无限大，分割超平面将尽可能最小化训练错误。（2）分类函数svmclassify函数svmclassify的作用是利用训练得到的一组样本进行分类，调用形式为：Group=svmclassify（SVMStruct，Sample）；其中Sample是需要分类的样本矩阵，每行为一个样本特征向量，总行数为样本数目，总列数是样本特征的维数，和训练样本特征维数相同。支持向量机的分类器结构如图4.8。下面开始进行支持向量机的训练，由第三章实验分析得到15类特征参数作为输入向量，其中颜色特征0个，纹理和形状特征分别8个和7个，支持向量机的输出就是识别结果，显然的输出结果只有三种。由前面介绍的，运用核函数可以降低非线性可分的计算量，所以经过对比本文选用径向基（RBF）核函数进行测试，然后选用少部分样本作为训练集，对支持向量机进行训练，通过选择不同C、参数组合的进行试验，将得到的结果对比分析，确定用于识别的最有效参数值，最终生成支持向量机的模型。利用多分类支持向量机的多分类性能，采用一对一方法，对三种不同类型的病害进行分类识别。42 西安建筑科技大学硕士学位论文具体步骤如下：（1）训练集获取本文实验分别选取斑点落叶病、锈病、花叶病病害图像各10幅作为多分类支持向量机的训练集。采用模糊C聚类分割算法进行分割，然后对病斑进行特征提取，选用由第三章中确定的15类特征参数值作为分类的输入向量。（2）分类模型训练因为有三种病斑，由前面介绍的需要训练三个二分类支持向量机模型。核函数选用径向基函数，运用网格搜索确定最佳核函数参数C、。病害图片训练特征集待测特征集训练SVM模型病害图像识别图4.8SVM病害识别结构图（3）进行识别当三个向量机训练完毕后开始进行分类，采用一对一投票方法对病斑进行分类，得票最多的类别就是该病害所属的类。4.5实验及分析在本文对苹果叶子病害识别的实验中，病害图像来自陕西省咸阳市礼泉县、杨凌区以及西北农林科技大学试验田病害图像，选取斑点落叶病、锈病以及花叶病病害图像各40幅，共120幅图像作为实验集，随机选取斑点落叶病、锈病以及花叶病病害病图像各10幅作为训练样本集，提取的特征值见附录一、附录二，编程环境为Matlab7.0。43 西安建筑科技大学硕士学位论文表4.1不同径向基核函数参数C、下病害样本的识别结果正确识别率C-3（10）RA110501002001000斑点落叶病80%40%40%40%40%40%500花叶病100%75%75%75%75%75%锈病100%100%100%100%100%100%斑点落叶病80%80%80%80%80%80%100花叶病100%75%75%75%75%75%锈病80%100%100%100%100%100%斑点落叶病80%80%80%80%80%80%50花叶病100%75%75%75%75%75%锈病80%100%100%100%100%100%斑点落叶病100%80%75%80%80%80%10花叶病100%100%100%100%100%100%锈病100%100%100%100%100%100%斑点落叶病100%100%80%80%80%80%5花叶病25%25%100%100%100%100%锈病100%100%100%100%100%100%斑点落叶病100%100%80%80%80%80%2.5花叶病20%20%100%100%100%100%锈病100%100%100%100%100%100%（1）识别效果判断的标准最直接的实验识别判断的标准就是正确识别率，显然的，只有正确率高了该分类模型才有效果。识别正确率（RcognitionAccuracy，RA）定义为：NcRA=100%式(4.34)Nt式中N为测试样本总数，N为正确识别出的样本数。tc（2）支持向量机模型最佳参数的确定选取斑点落叶病、锈病以及花叶病病害各10幅作为测试样本，设置一个参数组合的范围，对不同的C、参数组合进行测试，并对测试结果进行罗列比较，44 西安建筑科技大学硕士学位论文从而得到设置范围内的最佳核函数参数。结果如表4.1。-2由测试结果可知，当C＝1，＝10时，支持向量机能达到最佳的分类效果，-2三种病害的正确识别率是100％，所以最佳核函数参数为C＝1，＝10。（3）识别结果分析利用以上确定的模型参数对斑点落叶病、锈病以及花叶病病斑各30幅图像进行识别，识别结果如表4.2所示。表4.2苹果叶子不同病害识别结果识别结果正确识别病害图像正确识别病害名称斑点落叶数N数量花叶病锈病c率RA（%）病斑点落叶病3027032790花叶病3012812893锈病3030272790（4）错误识别结果原因分析从实验结果可得看出斑点落叶病和锈病分别被错误识别了三次，并且是相互识别错误，其原因是斑点落叶病和早期的锈病病斑很像，只是颜色有所差距，在纹理特征和形状特征方面很相近，而选用的特征参数又没有包括颜色特征，所以分类器会错误的分类；而花叶病分别被错误分类到斑点落叶病和锈病各一次，分析其原因是花叶病早期的病斑图像呈斑点状，直到后期才显现出花叶状，所以对于早期的花叶病斑可能会错误分类。由上述错误识别结果的原因分析可以知道，识别的效果和图像预处理过程联系紧密，只有预处理结果好才能得到完美的病斑，进而得到最准确的特征向量，识别结果才能更加完善。其中的关键在图像分割过程，因此图像分割方法需要进行改进加强，才能进一步优化最终的病害正确识别率。45 西安建筑科技大学硕士学位论文4.6本章小结本章介绍了基于支持向量机的苹果叶子病害智能识别方法。基于支持向量机分类器构建支持向量机分类识别模型，选用RBF核函数进行测试，并比较了不同C，参数下的三种苹果叶子病害的正确识别率，用多个参数组合进行实验的-2方式给出了支持向量机的最佳核函数参数为C＝1，＝10。实验结果表明，本文平均正确识别率达到91%，能对苹果叶病害进行有效识别，满足了要求。46 西安建筑科技大学硕士学位论文5苹果叶子病害识别系统的设计与实现在前面四章研究的基础上，以及对多种识别系统的分析，本章介绍苹果叶子病害识别系统的总体结构和开发环境，详细介绍了系统的主要功能和界面设计。5.1系统结构5.1.1系统工作流程系统主要分为三个部分：（1）图像预处理（2）图像特征提取（3）图像模式识别。图像预处理：对图像进行灰度变换、去除噪声、图像均衡化、图像分割等操作过程得到病斑图像。下面步骤的的颜色、纹理和形状特征参数提取都是对预处理过程分离出来的病斑图像进行操作。图像特征特征提取：对分割出来的病斑提取特征，提取的是纹理和形状共15个特征，在实际中也可以考虑加入提取其他特征的功能，这样系统更加完善。图像的分类识别：用支持向量机模型进行分类识别，得到识别结果。5.1.2开发平台因为Matlab程序必须在Matlab环境中运行，因此对一些实际的应用问题就不能运用，而结合C#编程则可以填补这种不足。系统选择MicrosoftVisual[48]Studio2010（EnterpriseEdition）和Matlab7.0来共同实现，Windows7旗舰版操作系统。在图像处理方面可以利用的开发软件很多，但是Matlab应该是其中最为方便的，因为其数字图像处理工具箱含有丰富的图像处理函数，能够满足各种处理情况：（1）输入输出：读取或者写入图像文件、对图像文件的采集和输出等。（2）复原：还原退化的图像文件。（3）增强：实现直方图均衡化和规定化、滤除噪声、锐化图像等功能。（4）分割：包括阈值分割、霍夫变换、边缘检测、区域分割等功能。（5）处理：可以对图像进行腐蚀、膨胀、开、闭等处理。（6）压缩编码：对图像数据进行压缩后编码。系统的开发以Matlab基本图像处理功能为基础，结合VS2010实现人机交互、47 西安建筑科技大学硕士学位论文文件处理和算法控制，并完成图像噪声处理、图像分割、特征提取及支持向量机训练识别等功能。5.2系统的关键技术用C#编程对Matlab程序调用将大幅减少程序编写量，提高程序开发的正确性和编写效率。本文使用的VS2010和Matlab7.0来实现程序编写。在实际应用使用基于COM的C#、Matlab混合编程，将matlab中图像处理函数封装成.dll文件，然后编写C#程序时进行引用，这种方法在混合语言编程调用中使用十分方便。这种编程方法适用性强，易于实现，并且Matlab的所有函数都可以使用，因此调用工具箱函数或调用函数较多时一般使用。5.3系统主要功能系统按照在图像处理和图像识别过程中的不同功能，可以划分为三大功能模块：图像预处理模块、图像特征提取模块和图像模式识别模块。图5.1是系统的模块划分结构图：苹果叶子病害识别系统预处特征病害系统文件理提取识别帮助病害病害灰度图像图像颜色纹理形状打开保存关闭图像图像帮助关于变换增强分割特征特征特征训练识别图5.1系统功能结构图（1）文件：实现选择苹果叶病斑图像文件等基本操作。（2）预处理：实现了灰度变换、去除噪声、图像均衡化、图像分割等一系列功能。（3）特征提取：实现对病斑图像的颜色、纹理以及形状特征参数提取的功能。48 西安建筑科技大学硕士学位论文（4）病害识别：报括病害图像训练和图像识别两个功能。病害图像训练功能，利用前面已经提取的特征值进行模块训练。病害图像识别功能，对输入的任意一幅病害图像进行病害识别。（5）帮助：介绍各个功能模块的具体使用方法。5.4界面设计演示软件的界面和操作非常直观、简单，界面如图5.2-图5.8：图5.2系统主界面49 西安建筑科技大学硕士学位论文图5.3分段线性变换图5.4中值滤波50 西安建筑科技大学硕士学位论文图5.5病害分割图5.6颜色特征提取51 西安建筑科技大学硕士学位论文图5.7纹理特征提取图5.8图像识别5.5本章小结本章介绍了系统的开发环境、实现功能，探讨了系统开发过程中的关键技术和实现方法，描述了系统的运行界面，最终开发出苹果叶子病害识别系统，对样52 西安建筑科技大学硕士学位论文本的测试结果，具有很高的正确率，因此该系统能够有效区分三类病害图像，实际中具有一定的应用价值。53 西安建筑科技大学硕士学位论文54 西安建筑科技大学硕士学位论文6结论与展望6.1结论本文以苹果叶子病害图像为处理对象，针对三种苹果叶部病害的特点，对病害的识别方法进行了研究。内容包括图像预处理、图像分割、病害特征提取、病害识别等，最后设计并开发了苹果叶子病害图像识别系统。经过研究有如下结论：（1）对苹果叶子病害图像进行分析和识别，可以方便并且有效地将苹果的生长信息进行监控，节约了劳动力和成本，为广大果农及时准确的了解和掌握病害情况提供了可能。（2）在对苹果病害的颜色、纹理和形状特征进行分析的基础上，深入研究了基于视觉的模糊C均值聚类病斑分割方法。实验结果表明，该方法能够有效分割病斑图像，并且满足后面病害特征提取的要求。（3）提取了颜色矩、灰度共生矩阵和Hu不变矩等特征参数，并进行了比较分析。结果表明，颜色特征并不适合系统的分类，而从纹理和形状特征中选出的15类特征可以有效表示苹果叶病斑的特点。（4）研究基于支持向量机分类模型，选择RBF函数作为支持向量机的核函数并进行了训练和测试。支持向量机模型中采用网格搜索的方法选择最优参数。实验结果表明，选用基于径向基核函数的支持向量机模型对苹果叶子病害识别能够达到有效分类，对几种病害的平均正确识别率为91%，满足了识别的需要。（5）在分析苹果叶病斑特征、研究病斑识别模型的基础上，设计开发了苹果叶子病害识别系统。系统测试结果表明，该系统能够有效、快速地对苹果叶子病害进行有效识别，达到了开发的目的。6.2展望本文设计的系统具有较广泛的实用性和前景，经过长时间开发和测试，取得较为满意的效果，但是限于本人研究水平，以及该方面研究的不成熟性，该项研究还有许多需要完善和深入的地方：（1）对病斑的特征需要更加深入的探究，提取更加有效的特征参数，对提取的特征进行组合需要比较内在的关系，找出是否有一定的联系，便于更好的识别55 西安建筑科技大学硕士学位论文图像。（2）进一步研究并改进识别模型，提高识别的正确率，苹果叶子病害识别系统的相关功能还需进一步完善。（3）可以进一步研究如何实现随时随地的在线识别，即通过移动设备连接到中心识别系统来监控苹果生长情况。（4）本文主要针对的是苹果常见的叶部病害，为了提高识别精度、增强系统的实用性和普及性，还可以针对苹果其它部位病害图像进行识别研究，同时也可以研究各个部位病害综合识别的方法。56 西安建筑科技大学硕士学位论文致谢时光飞逝，转眼间三年的研究生生活即将结束，回首往日，辛勤的奋斗都已成为甘甜的回忆，多彩的历程也纷纷缠绕脑海。在此毕业论文完成之际，我由衷地向所有关心、爱护和帮助过我的人，致以最诚挚的感谢和最美好的祝愿。这三年中，首先我要感谢的是我的导师刘培奇副教授，论文是在刘老师的悉心指导下进行的，从课题的选取、资料的搜集、研究方向的把握等诸方面都体现了刘老师严谨的态度、渊博的知识和高度的责任心，刘老师经常在百忙之中抽出时间为我答疑解惑。值此论文完稿之际，我谨向刘老师表示衷心的感谢！在对课题进行研究及论文撰写期间，感谢田维、张小兵、刘剑雄、董伟、乔伟、杨科、马斌、田洋等同学，是你们给了我快乐温馨的生活，在我困难的时候帮助我、失落的时候鼓励我、煎熬的时候陪伴我，同你们一路走来，给我留下了深刻的回忆。同时还要感谢孙捷焓、凡星、孙靖等学长，感谢胡红光、曹东川等学弟，他们在研究生阶段给了我很大的支持，使我得以顺利毕业。此外，深深地感谢各位评审论文和参加答辩的专家们，感谢你们对文章提出了宝贵的指导和修改意见，帮助我完善了论文的撰写，真诚地感谢你们！最后，谨以此文献给辛勤养育我的父亲和母亲！2014年5月57 西安建筑科技大学硕士学位论文58 西安建筑科技大学硕士学位论文参考文献[1]马健，沈佐锐，金晓华.利用计算机视觉技术自动计数麦蚜可靠性研究[J].中国植保导刊.2007,06:9-11.[2]李道亮，傅泽田，田东.智能系统：基础、方法及其在农业中的应用[M].北京:清华大学出版社,2004:46-52.[3]陕西省统计局.陕西结构调整初显成效果农收入显著提高[OL].http://www.stats.gov.cn/was40/gjtjj_detail.jsp?channelid=57792&record=1022010.04.07.[4]安冈善文.图像处理技术在环境中的应用[J].电气学会杂志特集，1985:455-458.[5]穗波信雄.根据图像输入的植物的生体情报[C].农业机械学会关西支部第6次支部研究资料，1989,10：1-12.[6]穗波信雄等.图像处理在植物生长信息提取中的应用[C].农业机械学会关西支部研究会资料,1992.[7]YutakaSasakoi,TsuguoOkamoto.Automaticdiagnosisofplantdisease-recognitionbetweenHealthyanddiseasedleaf[J].农业机械学会志,1999,61(20):119-126.[8]BoeseBL,ClintonPJ,DennisD,GoldenRC,KimB.DigitalimageanalysisofZosteramarinaleafinjury[J].AquaticBotany,2008,88:87-90.[9]HuangK-Y.ApplicationofartificialneuralnetworkfordetectingPhalaenopsisseedlingdiseasesusingcolorandtexturefeatures[J].ComputersandElectronicsinAgriculture,2007,57:3-11.[10]徐贵力.基于计算机视觉技术的无土栽培番茄缺素智能识别研究[D].镇江：江苏大学.2002.[11]徐贵力，毛罕平，李萍萍.缺素叶片彩色图像颜色特征提取的研究[J].农业工程学报，2002，18(4)：151-154.[12]毛罕平，徐贵力，李萍萍.番茄缺素叶片的图像特征提取和优化选择研究[J].农业工程学报，2003，19(2):133-136.[13]田有文，李成华.基于统计模式识别的植物病害彩色图像分割方法[J].沈阳农业大学学报，2004,34(4)：301-304.[14]田有文.基于纹理特征和支持向量机的葡萄病害的识别[J].仪器仪表学报,2005,26(8):606-608.[15]田有文,王立地,姜淑华.基于图像处理和支持向量机的玉米病害识别[J].仪器仪表学报,2006,27(6):2123-2124.[16]胡春华，李萍萍.计算机图像处理在缺素叶片颜色特征识别方面的应用[J].计算机测量与控制，2004,12（9）：859-862.[17]王庆雷，沈佐锐，高灵旺，刘春琴.林果病虫害防治技术专家系统的建立与应用[J].农业网络信息，2005,3：13-15.[18]崔艳丽，程鹏飞，董晓志，刘志华，王双喜.温室植物病害的图像处理及特征值提取方法的研究—基于色度的特征值提取研究[J].农业工程学报，2005,S2：32-35.[19]宋凯，孙晓艳，纪建伟.基于支持向量机的玉米叶部病害识别[J].农业工程学报，2007,23(1)：155-157.[20]赵玉霞，王克如，白中英，李少昆，谢瑞芝，高世菊.基于图像识别的玉米叶部病害诊断研究[J].中国农业科学，2007,40（4）：698-703.[21]毛文华,郑永军,苑严伟,张小超.基于色度和形态特征的蝗虫信息提取技术[J].农业59 西安建筑科技大学硕士学位论文机械学报,2008,39(9):104-107.[22]何东健，王守志，李文，王艳春.基于核K-均值聚类算法的植物叶部病害识别[J].农业机械学报,2009,40(3):152-155.[23]何东健.数字图像处理(第二版)[M].西安：西安电子科技大学出版社.2008.:35-36.[24]袁媛，李淼，梁青，胡秀珍，张伟.基于水平集的作物病叶图像分割方法[J].农业工程学报.2011,02:208-212.[25]何东健，李宗儒.基于手机拍摄图像分析的苹果病害识别技术研究[J].计算机工程与设计.2010,31(13):3051-3053,3059.[26]黄丽丽，张管曲，康振生，严勇敢.果树病害图鉴[M].西安：西安地图出版社.2001.[27]刁志华.大田小麦叶部病害智能诊断系统研究与应用[D].合肥.中国科学技术大学.2010.[28]张德丰等.MATLAB与外部程序接口编程[M].北京:机械工业出版社,2009:77-86.[29]章毓晋.图像分割[M].北京：科学出版社，2001:169-174.[30]MacQueenJ.Somemethodsforclassificationandanalysisofmultivariateobservations.In:LeCamL,NeymanJ.Proceedingsofthe5thBerkeleySymposiumonMathematicalstatisticsandprobability.Vol1[M].Berkeley:UniversityofCaliforniaPress,1967:281-297.[31]ClausiDA.K-meansIterativeFisher(KIF)unsupervisedclusteringalgorithmappliedtoimagetexturesegmentation[J].PatternRecognition,2002,35(9):1959-1972.[32]KristaRizmanZalik.Anefficientk-meansclusteringalgorithm[J].PatternRecognitionLetters,2008,29(9):1385-1391.[33]BabuskR．FUZZYANDNEURALCONTROL[M].Netherlands:DelftUniversityofTechnology,2001.[34]李向阳，庄越挺，潘云鹤.基于内容的图像检索技术与系统[J].计算机研究与发展，2001,38(3)：344-354.[35]NaofumiWada,ShunichiKaneko,TomoyukiTakeguchi.Usingcolorreachhistogramforobjectsearchincolourand/ordepthscene[J].PatternRecognition,2005,39:881-888.[36]StrickerM,OrengoM.Similarityofcolorimages.InProceedingsoftheSPIEStorageRetrievalImageVideo[J].SanJose,l995:381-392.[37]HaralickR,ShangmuganK,DinsteinI.Texturefeaturesforimageclassification[C].IEEETransSMC-4,1973:467-472.[38]GotliebCCandkreyszigHE.Texturedescriptorsbasedonco-occurrencematrices[J].ComputervisGraphImageProcess.1990:51,70-86.[39]周明全,耿国华,韦娜著.基于内容图像检索技术[M].北京:清华大学出版社,2007.[40]王惠明，史萍.图像纹理特征的提取方法[J].中国传媒大学学报,2006,13(1):49-52.[41]马帅营.基于灰度共生矩阵和BP神经网络集成的纹理图像分类[J].大连民族学院学报,2009,11(3):260-263.[42]马晓丹，祁广云.基于神经网络的大豆叶片病斑的识别与研究[J].黑龙江八一农垦大学学报，2006，18(2):84-87.[43]沈会良，李志能.基于矩和小波变换的数字、字母字符识别研究[J].中国图像图形学报，2000,3(3)：249-252.[44]ButlerJW,ButleMKr,StroudA.DataAcquisitionandProcessinginBiologya60 西安建筑科技大学硕士学位论文ndMedicine[M].NewYork:PergamonPress.1964.[45]CHENC.Improvedmomentinvariantsforshapediscrimination,PatternRecognition[M],1993:683-686.[46]VapnikV.Thenatureofstatisticallearningtheory[M].1995.[47]ZHANGYan,FENGShiqiang,PANDazhi,etal(张炎,冯世强,潘大志,等).ApplicationofStatisticsandManagement(数理统计与管理)[M],2008,27(2):211.[48]陈兵旗，孙明.实用图像处理专业教程[M].北京：清华大学出版社.2004.[49]贺行建.基于内容的图像检索技术研究及其软件实现[D].合肥：中科院合肥智能机械研究所，2006.61 西安建筑科技大学硕士学位论文62 西安建筑科技大学硕士学位论文攻读硕士学位期间的研究工作攻读硕士学位期间发表的论文[1]刘培奇，毕傲睿.一种改进的基于纹理的图像修复算法[J].工业控制计算机，2014.03.63 西安建筑科技大学硕士学位论文64 西安建筑科技大学硕士学位论文附录附录一：三种病害Hu不变矩特征值表1斑点落叶病Hu不变矩值斑点落Hu不变矩叶病123456714.13149.154618.785817.500035.775424.985434.440226.465414.545430.715429.328962.398545.454558.219336.606414.798333.148330.827969.054544.194962.756742.87716.444714.436113.425630.073419.247027.330756.498014.555532.604430.322167.921443.469761.727062.18064.884510.941410.175522.793114.587620.714471.59253.56727.99057.431216.645910.653415.127888.835019.790444.330541.227492.349359.103583.927092.27555.097111.417510.618323.785015.222421.6158105.732512.840828.763426.750059.919938.348754.4552114.755210.651723.859722.189549.704531.810945.1715123.91918.778819.664518.288040.965026.217637.2290135.248411.756426.334424.491054.859835.110249.8566142.16864.857710.881210.119522.667614.507320.6004158.300318.592741.647638.732386.760255.526678.8477164.40199.860322.087020.540946.011629.447441.8153175.622212.593728.210026.235358.767037.610953.4074184.40249.861422.089520.543246.016829.450841.8201199.576921.452348.053144.6894100.104164.066690.9746208.984020.124245.078141.922693.906760.100385.3424215.412512.124027.157825.256856.575036.208051.4154227.793517.457439.104736.367481.462852.136274.0334238.894919.924644.631141.506992.975459.504384.4960248.576819.212043.035040.022689.650457.376381.474365 西安建筑科技大学硕士学位论文257.070315.837535.475932.992673.903547.298267.1635268.985520.127545.085641.929693.922460.110385.3567276.000713.441630.109128.001562.723340.142957.0029285.429712.162527.244125.337056.754836.323151.5788299.088820.358945.604042.411795.002260.801486.3380309.939922.265449.874446.3832103.898466.495094.4229317.417416.615037.217534.612377.531649.620270.4607323.54397.938317.781916.537237.043223.707633.6649335.834213.068629.273727.224560.982939.029155.4213349.715921.763648.750545.3380101.557064.996592.2950359.829822.018849.322045.8695102.747665.758593.3770365.035711.280025.267123.498452.636533.687347.8360378.985520.127545.085641.929693.922460.110385.3567384.905310.987924.612822.889951.273532.815046.5973393.57067.998117.915816.661737.322323.886333.9185407.250116.240236.378133.831675.782948.501068.8715表2花叶病Hu不变矩值Hu不变矩花叶病123456711.29942.85026.40067.191515.916610.322415.032728.110417.789839.950444.887199.345764.428993.829132.83616.220813.970115.696434.739922.529932.810849.541820.929547.001252.8092116.879275.7999110.388953.99818.769619.693922.127548.973431.760846.253963.74668.218018.455120.735645.892829.762943.344372.61235.729912.867714.457831.998520.752130.221681.04082.28295.12685.760312.74898.268112.041097.081015.531834.879839.189986.736456.251381.9199109.154220.079345.092050.6640112.131472.7208105.904866 西安建筑科技大学硕士学位论文114.623610.141622.775125.589456.635336.729853.4903128.393918.411641.346946.4561102.818366.681097.1089139.087819.933644.764950.2965111.318072.1933105.1366146.426314.095831.654835.566478.716951.050474.3457155.891712.923129.021532.607772.168546.803668.1610169.043019.835444.544250.0486110.769371.8374104.6183171.21912.67406.00516.747114.93309.684514.1037181.51203.31657.44788.368218.520712.011317.4923193.52347.728417.355719.500343.158727.989840.7621209.844721.593948.493354.4856120.589478.2061113.8931216.888615.109833.932038.125084.379754.722979.6941226.414814.070531.598235.502878.576050.959174.2127235.241811.497625.820229.010864.207741.640860.6423246.190413.578330.492834.260875.827349.176471.6166257.353616.129836.222640.698690.075558.416985.0736261.06602.33825.25095.899813.05768.468312.3325277.176615.741535.350739.719087.907457.010883.0259288.272218.144740.747445.7826101.327665.714295.7009296.312413.845931.093834.936077.321750.145673.0280301.93974.25469.554610.735323.759715.408922.4403314.616810.126722.741625.551756.552036.675853.4117322.25984.956811.131412.506927.680717.951826.1436337.237115.874235.648740.053888.648557.491483.7259341.08622.38255.35046.011613.30518.628812.5662351.47173.22817.24938.145118.027111.691217.0261366.714914.728833.076437.163782.252053.343077.6845375.388111.818526.540829.820565.999842.803062.3348383.15816.927115.556317.478538.684125.087936.5360398.925819.578343.966949.3999109.333770.9064103.2624405.069111.118824.969528.055062.092340.268858.644367 西安建筑科技大学硕士学位论文表3绣病Hu不变矩值Hu不变矩锈病123456719.683221.690448.586445.1854109.800570.2723102.597627.696117.239338.616035.912887.268255.851681.543437.785517.439539.064536.330088.281956.500482.490646.684414.973133.539631.191975.796248.509670.824057.052115.796735.384632.907779.965751.178074.719961.97544.42499.91189.217922.399614.335720.930273.98168.918819.978118.579645.148528.895042.186783.37377.557116.927915.742938.255324.483435.745891.60693.59958.06287.498418.221111.661517.0258103.12657.003415.687514.589435.452222.689433.1266112.13234.776410.69909.950124.178715.474422.5926123.70718.303918.600717.298742.035826.902939.2783137.727817.310338.775036.060887.627656.081781.8793147.202216.132936.137833.608181.667752.267376.3103159.036820.242445.343042.1690102.470865.581395.7487162.78816.245313.989613.010331.615020.233629.5411175.117611.463425.678123.880658.029937.139154.2231189.695821.718648.649645.2442109.943370.3637102.7311194.721610.576423.691122.032753.539534.265350.0273209.631121.573748.325044.9423109.209769.8942102.0455218.359218.724641.943139.007194.787360.663888.5692222.20344.935611.055810.281924.985015.990423.3459237.294916.340636.602934.040782.718952.940177.2925247.155416.028135.902933.389781.137051.927775.8145254.522510.130422.692121.103651.281932.820447.9178268.422718.866842.261739.303495.507361.124789.2420271.74243.90308.74278.130719.757612.644818.4615288.196318.359741.125838.247092.940159.481786.843268 西安建筑科技大学硕士学位论文291.80094.03409.03628.403720.420913.069419.0813309.364220.975846.985843.6968106.183267.957399.2176317.318616.393736.721834.151382.987653.112177.5436327.017715.719635.212032.747279.575650.928474.3555336.594814.772433.090130.773874.780247.859469.8747346.268414.041231.452329.250771.079145.490666.4163351.83844.11809.22448.578720.846113.341519.4786368.843819.810144.374741.2684100.282364.180793.7038375.052011.316525.348923.574557.286036.663053.5281387.718317.289038.727336.016487.519956.012781.7786391.33652.99386.70606.236615.15499.699214.1608405.416812.133627.179325.276861.422639.310557.393369 西安建筑科技大学硕士学位论文附录二：三种病害纹理特征值表1斑点落叶病纹理特征值斑点落纹理特征叶病ECEHCHICICCC10.20420.00862.92910.00783.55400.88850.27650.009820.17630.00380.82460.00654.48031.12010.23370.001030.94560.00740.07350.00112.45730.61430.00520.006040.40860.00414.14900.00246.07821.51960.10790.003250.77250.00854.07760.00083.98050.99510.26390.004360.24590.00264.66560.00064.07741.01940.37570.004270.53490.00712.76640.00144.78221.19560.05730.006080.15840.00711.02070.00365.90281.47570.35810.004190.95800.00960.08970.00292.07310.51830.06330.0064100.00660.00672.54260.00053.04920.76230.43290.0008110.13910.00532.80320.00511.59570.39890.00910.0016120.44650.00833.27560.00823.75380.93850.00100.0084130.49220.00102.00630.00991.64120.41030.23750.0092140.39920.00650.12280.00800.13580.03400.46480.0039150.21300.00522.74920.00555.62241.40560.30040.0061160.58480.00320.72320.00550.33210.08300.15360.0012170.22270.00984.23620.00892.54090.63520.14380.0019180.91390.00673.43100.00740.30280.07570.31170.0019190.16120.00282.68280.00115.63901.40980.07060.0004200.09250.00081.73360.00301.42540.35640.36600.0028210.56960.00350.91010.00622.18430.54610.18970.0018220.66860.00504.89500.00022.75980.69000.33240.0064230.76920.00381.16950.00605.47491.36870.34200.0022240.06240.00253.97600.00034.22411.05600.17510.0062250.72430.00421.36990.00264.08901.02230.08060.0021260.80220.00150.58620.00361.35000.33750.09260.001170 西安建筑科技大学硕士学位论文270.66740.00171.45020.00401.49680.37420.37530.0065280.07440.00272.96970.00861.44700.36180.23260.0060290.20320.00910.11910.00724.00991.00250.02070.0088300.39740.00530.46670.00280.97130.24280.33170.0049310.43630.00032.69910.00341.23110.30780.36610.0085320.58550.00391.09220.00131.72920.43230.15820.0059330.71370.00390.55440.00522.19600.54900.00820.0013340.97030.00920.86630.00181.14490.28620.00460.0039350.24190.00374.50070.00423.20980.80250.00570.0026360.31230.00722.80480.00541.80880.45220.15240.0009370.16760.00820.76550.00953.88960.97240.27420.0061380.49550.00871.00690.00581.31890.32970.11700.0088390.48370.00333.75000.00901.59040.39760.05360.0010400.31420.00691.83450.00812.10060.52520.03200.0063表2花叶病纹理特征值纹理特征花叶病ECEHCHICICCC10.21030.00574.14530.00415.26871.31720.37220.004620.78750.00550.33500.00852.07090.51770.24210.000130.40280.00723.01210.00652.19480.54870.33990.001140.28720.00330.89660.00450.54690.13670.08330.007250.97840.00391.63400.00131.04760.26190.41240.008660.86630.00160.59300.00513.66160.91540.26800.004770.91050.00800.64480.00283.23020.80760.02840.008980.09120.00073.07230.00534.92181.23050.31740.001290.02330.00050.58650.00454.76321.19080.32030.0018100.07960.00560.48660.00323.01240.75310.07210.0012110.43580.00170.28680.00654.89971.22490.00130.0004120.35940.00983.75460.00624.99621.24910.00040.002571 西安建筑科技大学硕士学位论文130.16650.00540.28320.00943.81800.95450.45700.0019140.98760.00364.59630.00302.88750.72190.29340.0067150.02800.00984.48450.00796.01731.50430.42330.0027160.04780.00172.48850.00912.61470.65370.28520.0085170.44400.00221.14390.00236.01621.50410.40850.0016180.31350.00661.75140.00891.71980.43000.02260.0078190.72210.00034.11880.00704.87751.21940.35390.0090200.97370.00514.21980.00135.02221.25560.40940.0038210.69330.00000.90210.00502.23370.55840.12350.0036220.95550.00173.49650.00031.91720.47930.26000.0043230.07910.00300.02790.00073.96440.99110.36660.0037240.03460.00593.43120.00182.57610.64400.30600.0021250.15400.00013.59230.00360.32650.08160.15290.0019260.05850.00603.48870.00464.06591.01650.39140.0051270.10150.00132.06880.00232.44160.61040.22470.0016280.07600.00013.00420.00840.24210.06050.33220.0072290.32630.00910.53920.00692.14000.53500.24810.0038300.50440.00332.32000.00754.23661.05920.35430.0048310.84330.00292.18480.00504.43141.10790.28910.0084320.30130.00313.82890.00882.35580.58900.15900.0046330.06710.00822.55100.00652.76360.69090.00870.0070340.05820.00774.10600.00712.90000.72500.00290.0038350.34020.00870.73420.00121.26140.31540.00740.0019360.10100.00380.90850.00222.39460.59870.11410.0096370.61530.00214.79730.00382.98740.74690.36820.0031380.77680.00161.57150.00162.78190.69550.35180.0033390.83780.00212.10430.00811.45440.36360.27260.0042400.50510.00362.24560.00571.82700.45680.00490.004872 西安建筑科技大学硕士学位论文表3绣病纹理特征值纹理特征锈病ECEHCHICICCC10.29280.00351.41470.00943.64540.91140.40020.007420.12420.00201.98590.00211.62830.40710.02900.004030.69780.00141.76490.00810.61990.15500.08130.004740.66130.00551.19520.00745.83021.45760.08020.009950.92140.00791.09080.00022.91120.72780.04160.002760.50900.00052.95110.00011.08540.27140.34240.005770.12960.00220.63760.00485.37351.34340.47370.005680.94210.00894.78220.00772.25180.56300.19860.005490.08790.00762.35370.00622.45450.61360.27820.0012100.42860.00180.24420.00085.09401.27350.39170.0035110.61920.00943.51000.00825.97941.49490.00180.0011120.34950.00042.41180.00072.54050.63510.00890.0046130.25990.00774.73880.00330.93070.23270.45480.0001140.51040.00403.67220.00500.10310.02580.32140.0100150.24190.00360.47930.00160.78640.19660.08910.0018160.72510.00914.50080.00345.88841.47210.03350.0034170.86080.00750.90430.00354.47631.11910.01110.0048180.49790.00614.47330.00192.38530.59630.27140.0081190.83350.00720.80870.00792.18920.54730.17940.0010200.51950.00291.68310.00931.73230.43310.07950.0041210.76770.00044.68900.00031.46750.36690.27830.0054220.85350.00553.70460.00016.31931.57980.18940.0050230.16130.00260.84990.00290.73040.18260.22670.0042240.46010.00620.66900.00285.76491.44120.43070.0008250.03240.00361.44740.00022.11350.52840.25390.0018260.69410.00094.19490.00296.01751.50440.37970.0043270.43320.00831.52720.00240.88220.22060.45410.0052280.31660.00094.87620.00774.91821.22960.23330.000773 西安建筑科技大学硕士学位论文290.72890.00121.07940.00571.78290.44570.39500.0004300.56810.00590.83370.00194.97991.24500.06670.0042310.52380.00051.18980.00460.69970.17490.05800.0091320.95240.00751.58250.00833.86320.96580.12100.0036330.34970.00022.50510.00263.38730.84680.00350.0060340.13020.00422.69730.00184.87521.21880.00050.0040350.56360.00960.11110.00540.11500.02880.00410.0019360.10630.00740.41940.00433.55500.88880.25250.0095370.19820.00263.86120.00001.90390.47600.22610.0001380.11500.00430.71940.00161.60750.40190.48720.0016390.74530.00322.44530.00242.61290.65320.06440.0097400.60980.00441.67960.00432.45400.61350.46260.007174