一種葉類蔬菜病害診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及葉類蔬菜病害診斷技術(shù)領(lǐng)域，具體涉及一種基于葉面圖像病征的葉類 蔬菜病害診斷方法。
【背景技術(shù)】
[0002] 葉類蔬菜在生產(chǎn)過程中常由于天氣、環(huán)境等因素發(fā)生病害，而以往農(nóng)戶由于缺乏 病害知識等原因常出現(xiàn)漏診與誤診，貽誤病害治療，嚴(yán)重時將導(dǎo)致葉類蔬菜大規(guī)模減產(chǎn)、品 質(zhì)下降，制約葉類蔬菜生產(chǎn)效益。而提高農(nóng)作物病害防治、增加經(jīng)濟收益有賴于對病害及時 和正確的診斷。據(jù)不完全統(tǒng)計，有些常見疾病的初診正確率不到60%，至于相對少見的疾 病，初診的正確率更低。因而，病害識別作為病害診斷的重要步驟可謂是葉類蔬菜診斷防治 的關(guān)鍵與基礎(chǔ)。
[0003] 以往，農(nóng)民在實際生產(chǎn)過程中主要依靠眼觀、自身經(jīng)驗來識別、判斷作物病害情 況，為此部分植物學(xué)專家也出過不少相關(guān)的診斷目錄。但該方法受限于農(nóng)民自身對病害 的識別能力，并且許多病害往往是等到高發(fā)時才被診斷出結(jié)果，貽誤治療，大大影響作物 的收成。近年來，隨著圖像處理技術(shù)和農(nóng)業(yè)信息化發(fā)展的逐步完善，國內(nèi)外學(xué)者開始廣 泛著手于應(yīng)用圖像處理技術(shù)進行了植物病害識別診斷的研宄。許多相關(guān)學(xué)者進行了許 多研宄，如Okamoto, T等利用圖像的處理與識別來診斷植物的病害（Sasaki Y, Okamoto Tj Imou Kj et al. Automatic diagnosis of plant disease: Recognition between healthy and diseased leaf[J]. Journal of the Japanese society of agricultural machinery, 1999, 61)，曹麗英等運用圖像處理技術(shù)與BP神經(jīng)網(wǎng)絡(luò)算法進行了玉米病害的 識別和診斷研宄（曹麗英，張曉賢，傘曉輝，等.基于圖像處理技術(shù)和BP神經(jīng)網(wǎng)絡(luò)算法 的玉米病害診斷方法的研宄[J].計算機科學(xué)，2012, 39(10) :300-302.)。由此可見，使用圖 像處理與模式識別技術(shù)能有效地對病害進行診斷，許多專家與學(xué)者也通過實驗進行了很多 方法的驗證。
[0004] 然而，在葉類蔬菜病害診斷的準(zhǔn)確性與快捷性上，目前所用的方法仍有局限，許多 方法未能與領(lǐng)域知識進行很好的結(jié)合，使得在葉類蔬菜病害診斷過程中也伴有漏診與誤診 的情況。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是在葉類蔬菜病害診斷的準(zhǔn)確性與快捷性上，目前所 用的方法仍有局限，許多方法未能與領(lǐng)域知識進行很好的結(jié)合，使得在葉類蔬菜病害診斷 過程中也伴有漏診與誤診的問題。
[0006] 為此目的，本發(fā)明提出一種葉類蔬菜病害診斷方法，所述方法包括：
[0007] Sl :對葉類蔬菜葉面圖像進行降噪處理，得到所述葉類蔬菜葉面圖像的第一色調(diào) 圖像；
[0008] S2:對所述第一色調(diào)圖像進行顏色特征提取，得到所述葉類蔬菜葉面圖像的特征 信息值以及第二色調(diào)圖像；
[0009] S3:對所述第二色調(diào)圖像進行紋理特征提取，得到所述第二色調(diào)圖像的紋理特征 值；
[0010] S4 :計算預(yù)設(shè)的葉類蔬菜病害圖片庫中所有圖片的所述紋理特征值的均值；
[0011] S5 :根據(jù)所述紋理特征值的均值，得到病害閾值點；
[0012] S6:根據(jù)預(yù)設(shè)的判別函數(shù)以及所述病害閾值點，將所述葉類蔬菜葉面圖像的特征 信息值為線性相關(guān)的葉類蔬菜確診為病害葉類蔬菜。
[0013] 可選的，在所述步驟Sl之前，所述方法還包括如下預(yù)處理過程：
[0014] 根據(jù)預(yù)設(shè)的葉類蔬菜病害診斷知識庫與預(yù)設(shè)的葉類蔬菜病害圖片庫，得到的葉類 蔬菜病害特征表，所述葉類蔬菜病害特征表包括病害名稱以及病害類型，所述病害類型包 括：病害形狀、病害顏色、病害大小、病害特征以及病害曼延方式，所述病害特征根據(jù)所述葉 類蔬菜病害診斷知識庫確定。
[0015] 可選的，所述步驟Sl具體包括：
[0016] 根據(jù)預(yù)設(shè)的加色法混色RGB模型，對葉類蔬菜圖像進行顏色特征提取，得到所述 葉類蔬菜圖像的紅色R信息、綠色G信息、藍色B信息；
[0017] 根據(jù)預(yù)設(shè)的六角錐體HSV模型與預(yù)設(shè)的加色法混色RGB模型的轉(zhuǎn)換公式，將所述 紅色R、綠色G、藍色B信息轉(zhuǎn)化為色調(diào)H信息，飽和度S信息以及亮度V信息；
[0018] 將所述色調(diào)H信息平均等分為16個梯度，按照所述16個梯度顯示繪制所述葉類 蔬菜圖像的第一色調(diào)圖像。
[0019] 可選的，在所述步驟S3中，所述第二色調(diào)圖像的紋理特征值為通過求解灰度共生 矩陣得到，所述灰度共生矩陣的角二階矩為圖像灰度分布均勻程度和紋理粗細度，所述灰 度共生矩陣的慣性矩為圖像中的局部灰度相關(guān)性、所述灰度共生矩陣的相關(guān)性COR為，所 述灰度共生矩陣的逆差距L為圖像紋理的同質(zhì)性，所述灰度共生矩陣的熵為圖像所具有的 信息量的度量。
[0020] 可選的，在所述步驟S3中，所述方法進一步包括對所述紋理特征值的篩選步驟：
[0021] 根據(jù)所述紋理特征值的相關(guān)性，對提取的紋理特征值進行選擇。若數(shù)據(jù)表現(xiàn)出線 性可分則選用；如該數(shù)據(jù)表現(xiàn)出線性不可分或線性可分性不強則放棄；
[0022] 將選擇獲得的圖像紋理特征值輸入判定函數(shù)進行對應(yīng)的參數(shù)計算。
[0023] 可選的，所述步驟S5具體包括：
[0024] S5. 1計算各訓(xùn)練集內(nèi)樣本的投影
[0025] S5. 2計算樣本的正定矩陣Lw
[0026] S5. 3根據(jù)核FISHER判別方法，計算判別分界閾值點yQ。
[0027] 可選的，所述步驟S6具體包括：
[0028] 根據(jù)S5求解的判別函數(shù)與閾值點進行決策分類，如果數(shù)值滿足線性相關(guān)，則確診 為對應(yīng)的病害；如果不滿足，則需根據(jù)計算值與病癥具體特征化值的比對再進行識別判定。