全网最准一尾中特平:一種青稞網斑病的識別方法技術

技術編號:21185423 閱讀:36 留言:0更新日期:2019-05-22 16:03
本發明專利技術公開了一種青稞網斑病的識別方法,屬于圖像處理領域。將預處理之后的圖像轉換到HSV顏色空間,在HSV色域對圖像進行閾值處理,使顏色在淺褐色和深褐色及中間的顏色都設置為深褐色,其余顏色設置為白色,再與原圖像合并,設置H、S劃分等級及變化范圍,根據設置結果統計圖像中H、S分量數據并創建直方圖,歸一化圖像直方圖高度,將歸一化之后的直方圖高度及對應橫坐標作為圖像特征及標簽訓練KNN分類器,講用于測試的圖像樣本做同樣處理輸入到KNN分類器,獲得預測結果。本發明專利技術利用對圖像濾波消噪,提取顏色空間特征并歸一化,及支持向量機分類,能很好分類出正常青稞葉片和網斑病青稞葉片的圖像,提高了青稞網斑病的識別效率和準確度。

A Recognition Method of Barley Net Spot

572222一尾中特平 www.fbmtd.icu The invention discloses a method for identifying barley net spot, which belongs to the field of image processing. The pre-processed image is transformed into HSV color space, and the image is threshold processed in HSV gamut, so that the color is set to dark brown in light brown, dark brown and the middle color, and the other colors are set to white, then merged with the original image, H and S grading and range of change are set. According to the results, the H and S component data in the image are statistic and histogram is created, and the normalized image is normalized. Like the histogram height, the normalized histogram height and corresponding abscissa are used as image features and labels to train KNN classifier. The image samples used for testing are also processed and input to KNN classifier to obtain the prediction results. By using image filtering and denoising, extracting color space features and normalizing, and classifying by support vector machine, the invention can classify the images of normal barley leaves and barley leaves with reticular spot disease well, and improve the recognition efficiency and accuracy of barley reticular spot disease.

【技術實現步驟摘要】
一種青稞網斑病的識別方法
本專利技術屬于圖像處理領域,尤其涉及一種基于KNN的青稞網斑病識別方法。
技術介紹
網斑病是青稞的重要病害,近年來,由于氣候,土壤等因素,發病的局部地區在感病品種上危害較重,嚴重發生時造成葉片枯死,顆粒無收。主要危害葉片,也侵染葉鞘和穗部。病株減產20%~30%,高感品種可減產50%以上,病麥品質也有所降低。病葉生黃褐色至淡褐色的班塊,病健界限不明,內有縱橫交織的網狀細線,暗褐色,病斑較多時,連成暗褐色條紋狀斑,上生少量孢子、但有的品種缺橫紋或不明顯,成為一類中間型癥狀,或者病葉上產生暗褐色的卵圓形、梭形、長橢圓形病斑,長3~6mm,周圍常變黃色或不清晰,病斑上生黑色霉狀物。病斑可互相匯合,引起葉枯。目前,青稞網斑病處于靠有經驗種植者肉眼判斷階段,經驗不足則可能判斷失誤,導致治療方法有誤,耽誤青稞病情,影響產量。該方法可以智能診斷出青稞網斑病,并有很好的準確性。
技術實現思路
針對現有欠缺的診斷青稞網斑病的技術問題,本專利技術提供一種基于KNN的青稞網斑病識別方法。該方法能減少青稞網斑病對人為診斷經驗的依賴,能增強特征表現型,提高分類準確性。本專利技術包含圖像預處理,提取顏色特征并對其特征進行處理,訓練階段和測試階段。能對圖像及特征做很好的處理,能準確預測出青稞網斑病。因而本專利技術技術方案為一種青稞網斑病的識別方法,該方法包括:步驟1:獲取青稞正常圖像樣本和青稞網斑病圖像樣本;步驟2:對步驟1獲得的圖像在RGB各通道內采用均值濾波進行去噪處理;步驟3:將步驟2得到圖像的每個像素的顏色空間從RGB轉到HSV,計算出各像素點的H值和S值;步驟4:將圖像中顏色為淺褐色到深褐色之間的像素點全部置為深褐色;步驟5:將H平均劃分為16個等級,S平均劃分為8個等級,H分量變化為0到180,S變化范圍為0到255;步驟6:對每一幅圖像進行如下處理;對每個像素點的H值,根據步驟5劃分出的16個等級,統計每個等級的像素點個數及概率,并作出概率直方圖;對每個像素點的S值,根據步驟5劃分出的8個等級,統計每個等級的像素點個數及概率,并作出概率直方圖;統計每個像素H值出現的概率,并作出概率直方圖;統計每個像素S值出現的概率,并作出概率直方圖;步驟7:將步驟6得到的4幅直方圖組合為一幅直方圖,然后歸一化該直方圖高度值;步驟8:將青稞樣本分為健康、疑似健康、疑似患病、患病4類,對待檢測青稞圖像進行識別時,首先按照步驟2-步驟7的方法對待檢測圖像進行處理,然后計算待檢測青稞圖像的直方圖高度值與所有樣本圖像直方圖高度值之間的歐氏距離,選取歐式距離最下的a個樣本圖像,然后判斷這a個樣本圖像屬于哪一類,則判斷待檢測青稞的健康狀況為該類。進一步的,所述步驟2中的均值濾波方法為:其中:Sxy表示中心點在(x,y)處,大小為m×n的濾波器窗口;h(s,t)表示原始圖像,d(x,y)表示均值濾波后得到的圖像。對輸入的圖像進行去噪預處理,對輸入的圖像進行去噪預處理,采用均值濾波,可以去除均勻噪聲和高斯噪聲,雖然會給圖像帶來一定模糊,但條銹病特征較明顯,均值濾波在消噪的同時對特征表達沒有明顯影響。算術均值濾波器就是簡單地計算窗口區域的RGB各通道分別的均值,然后將均值賦給窗口中心處的像素。進一步的,所述步驟4中淺褐色的HSV值為(37°,26%,76%),深褐色的HSV值為(30°,100%,59%)。進一步的,所述步驟5中H、S的計算方法為:r=R/255g=G/255b=B/255其中:R、G、B為像素點對應在RGB色域內各通道的值;Amax=max(r,g,b)Amin=(r,g,b)Δ=Amax-Amin進一步的,所述步驟7中歸一化的具體方法為Data=[Data1,Data2,...Datak],其中Datai為提取的直方圖高度;計算為所有值之和x=[Data1/count,Data2/count,...,Datak/count],x為歸一化之后特征,Datai/count為歸一化后每一個縱坐標值。本專利技術將預處理之后的圖像轉換到HSV顏色空間,在HSV色域對圖像進行閾值處理,使顏色在淺褐色和深褐色及中間的顏色都設置為深褐色,其余顏色設置為白色,再與原圖像合并,設置H、S劃分等級及變化范圍,根據設置結果統計圖像中H、S分量數據并創建直方圖,歸一化圖像直方圖高度,將歸一化之后的直方圖高度及對應橫坐標作為圖像特征及標簽訓練KNN分類器,講用于測試的圖像樣本做同樣處理輸入到KNN分類器,獲得預測結果。本專利技術利用對圖像濾波消噪,提取顏色空間特征并歸一化,及支持向量機分類,能很好分類出正常青稞葉片和網斑病青稞葉片的圖像,提高了青稞網斑病的識別效率和準確度。附圖說明圖1為本專利技術一種青稞網斑病的識別方法的流程圖。具體實施方式一種青稞網斑病的識別方法,該方法包括:步驟1:獲取青稞正常圖像樣本和青稞網斑病圖像樣本;步驟2:對步驟1獲得的圖像在RGB各通道內采用均值濾波進行去噪處理;所述步驟2中的均值濾波方法為:其中:Sxy表示中心點在(x,y)處,大小為m×n的濾波器窗口;h(s,t)表示原始圖像,d(x,y)表示均值濾波后得到的圖像。對輸入的圖像進行去噪預處理,對輸入的圖像進行去噪預處理,采用均值濾波,可以去除均勻噪聲和高斯噪聲,雖然會給圖像帶來一定模糊,但條銹病特征較明顯,均值濾波在消噪的同時對特征表達沒有明顯影響。算術均值濾波器就是簡單地計算窗口區域的RGB各通道分別的均值,然后將均值賦給窗口中心處的像素。步驟3:將步驟2得到圖像的每個像素的顏色空間從RGB轉到HSV,計算出各像素點的H值和S值;步驟4:將圖像中顏色為淺褐色到深褐色之間的像素點全部置為深褐色;所述步驟4中淺褐色的HSV值為(37°,26%,76%),深褐色的HSV值為(30°,100%,59%)。步驟5:將H平均劃分為16個等級,S平均劃分為8個等級,H分量變化為0到180,S變化范圍為0到255;所述步驟5中H、S的計算方法為:r=R/255g=G/255b=B/255其中:R、G、B為像素點對應在RGB色域內各通道的值;Amax=max(r,g,b)Amin=(r,g,b)Δ=Amax-Amin步驟6:對每一幅圖像進行如下處理;對每個像素點的H值,根據步驟5劃分出的16個等級,統計每個等級的像素點個數及概率,并作出概率直方圖;對每個像素點的S值,根據步驟5劃分出的8個等級,統計每個等級的像素點個數及概率,并作出概率直方圖;統計每個像素H值出現的概率,并作出概率直方圖;統計每個像素S值出現的概率,并作出概率直方圖;步驟7:將步驟6得到的4幅直方圖組合為一幅直方圖,然后歸一化該直方圖高度值;所述步驟7中歸一化的具體方法為Data=[Data1,Data2,...Datak],其中Datai為提取的直方圖高度;計算為所有值之和x=[Data1/count,Data2/count,...,Datak/count],x為歸一化之后特征,Datai/count為歸一化后每一個縱坐標值。步驟8:將青稞樣本分為健康、疑似健康、疑似患病、患病4類,對待檢測青稞圖像進行識別時,首先按照步驟2-步驟7的方法對待檢測圖像進行處理,然后計算待檢測青稞圖像的直方圖高度值與所有樣本圖像直方圖本文檔來自技高網...

【技術?;さ恪?/strong>
1.一種青稞網斑病的識別方法,該方法包括:步驟1:獲取青稞正常圖像樣本和青稞網斑病圖像樣本;步驟2:對步驟1獲得的圖像在RGB各通道內采用均值濾波進行去噪處理;步驟3:將步驟2得到圖像的每個像素的顏色空間從RGB轉到HSV,計算出各像素點的H值和S值;步驟4:將圖像中顏色為淺褐色到深褐色之間的像素點全部置為深褐色;步驟5:將H平均劃分為16個等級,S平均劃分為8個等級,H分量變化為0到180,S變化范圍為0到255;步驟6:對每一幅圖像進行如下處理;對每個像素點的H值,根據步驟5劃分出的16個等級,統計每個等級的像素點個數及概率,并作出概率直方圖;對每個像素點的S值,根據步驟5劃分出的8個等級,統計每個等級的像素點個數及概率,并作出概率直方圖;統計每個像素H值出現的概率,并作出概率直方圖;統計每個像素S值出現的概率,并作出概率直方圖;步驟7:將步驟6得到的4幅直方圖組合為一幅直方圖,然后歸一化該直方圖高度值;步驟8:將青稞樣本分為健康、疑似健康、疑似患病、患病4類,對待檢測青稞圖像進行識別時,首先按照步驟2?步驟7的方法對待檢測圖像進行處理,然后計算待檢測青稞圖像的直方圖高度值與所有樣本圖像直方圖高度值之間的歐氏距離,選取歐式距離最下的a個樣本圖像,然后判斷這a個樣本圖像屬于哪一類,則判斷待檢測青稞的健康狀況為該類。...

【技術特征摘要】
1.一種青稞網斑病的識別方法,該方法包括:步驟1:獲取青稞正常圖像樣本和青稞網斑病圖像樣本;步驟2:對步驟1獲得的圖像在RGB各通道內采用均值濾波進行去噪處理;步驟3:將步驟2得到圖像的每個像素的顏色空間從RGB轉到HSV,計算出各像素點的H值和S值;步驟4:將圖像中顏色為淺褐色到深褐色之間的像素點全部置為深褐色;步驟5:將H平均劃分為16個等級,S平均劃分為8個等級,H分量變化為0到180,S變化范圍為0到255;步驟6:對每一幅圖像進行如下處理;對每個像素點的H值,根據步驟5劃分出的16個等級,統計每個等級的像素點個數及概率,并作出概率直方圖;對每個像素點的S值,根據步驟5劃分出的8個等級,統計每個等級的像素點個數及概率,并作出概率直方圖;統計每個像素H值出現的概率,并作出概率直方圖;統計每個像素S值出現的概率,并作出概率直方圖;步驟7:將步驟6得到的4幅直方圖組合為一幅直方圖,然后歸一化該直方圖高度值;步驟8:將青稞樣本分為健康、疑似健康、疑似患病、患病4類,對待檢測青稞圖像進行識別時,首先按照步驟2-步驟7的方法對待檢測圖像進行處理,然后計算待檢測青稞圖像的直方圖高度值與所有樣本圖像直方圖高度值之間的歐氏距離,選取歐式距離最下的a個樣本圖...

【專利技術屬性】
技術研發人員:唐樟春,金濤,薛琦,劉杰,夏艷君,余明東,
申請(專利權)人:電子科技大學,
類型:發明
國別省市:四川,51

網友詢問留言 已有0條評論
  • 還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。

1