一種基于圖像處理和模式識別技術(shù)的稻瘟病孢子顯微圖像識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及稻瘟病孢子顯微圖像識別方法，特別涉及一種基于圖像處理和模式識 別技術(shù)的稻瘟病孢子顯微圖像識別方法。
【背景技術(shù)】
[0002] 水稻稻瘟病病害的早期檢測和病害程度判別是對稻瘟病進(jìn)行預(yù)測預(yù)報(bào)和化學(xué)防 治的基礎(chǔ)和關(guān)鍵。由于病害初期階段癥狀表現(xiàn)不明顯，農(nóng)業(yè)生產(chǎn)者往往缺乏作物病害診斷 的專業(yè)知識，使得受害作物得不到有效控制，作物受害面積迅速擴(kuò)大，病害加重。稻瘟病病 害識別與分級檢測，主要分為大田檢測和實(shí)驗(yàn)室檢測兩方面進(jìn)行。大田檢測通常根據(jù)農(nóng)學(xué) 專家或者農(nóng)業(yè)生產(chǎn)者的肉眼觀察來完成，這種診斷方式常常會受到各種主觀因素的影響， 導(dǎo)致判別不準(zhǔn)確。而實(shí)驗(yàn)室檢測是指采集染病樣本，在實(shí)驗(yàn)室環(huán)境下由專業(yè)的技術(shù)檢測人 員完成對稻瘟病孢子的識別與數(shù)目統(tǒng)計(jì)。由于樣本數(shù)巨大，并且孢子個(gè)體很小，傳統(tǒng)顯微鏡 孢子計(jì)數(shù)需要大量時(shí)間，而長時(shí)間觀察易造成眼睛疲勞。此外，如果樣本中的病原孢子中混 有其他種類的病原孢子，將對傳統(tǒng)顯微鏡孢子計(jì)數(shù)造成很大的干擾，大大增加了對初期災(zāi) 情的發(fā)現(xiàn)難度。
[0003] 圖像識別是計(jì)算機(jī)應(yīng)用領(lǐng)域中利用計(jì)算機(jī)對圖像進(jìn)行處理、分析和理解，以識別 各種不同模式的目標(biāo)和對象的技術(shù)?；趫D像識別技術(shù)對稻瘟病孢子進(jìn)行自動識別與統(tǒng)計(jì) 具有快速、低成本、智能化等優(yōu)點(diǎn)，但目前尚無其他針對稻瘟病孢子顯微圖像的計(jì)算機(jī)自動 識別技術(shù)。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是為了解決大田檢測通常根據(jù)肉眼觀察判別不準(zhǔn)確、目前實(shí)驗(yàn)對樣 本數(shù)需求巨大，并且孢子個(gè)體很小，傳統(tǒng)顯微鏡孢子計(jì)數(shù)需要大量時(shí)間，而長時(shí)間觀察易造 成眼睛疲勞增加了對初期災(zāi)情的發(fā)現(xiàn)難度的問題，而提出的一種基于圖像處理和模式識別 技術(shù)的稻瘟病孢子顯微圖像識別方法。
[0005] 上述的發(fā)明目的是通過以下技術(shù)方案實(shí)現(xiàn)的：
[0006] 步驟一、成像系統(tǒng)獲取圖像即原始圖像轉(zhuǎn)灰度圖；
[0007] 步驟二、將灰度圖進(jìn)行圖像增強(qiáng)處理，得到的直方圖均衡化效果圖；
[0008] 步驟三、將直方圖均衡化效果圖進(jìn)行局部自適應(yīng)閾值分割，得到二值化效果圖；
[0009] 步驟四、將二值化效果圖進(jìn)行形態(tài)學(xué)變換的去噪處理，得到去噪效果圖；
[0010] 步驟五、將去噪效果圖通過Canny邊緣檢測，得到只含有邊緣信息的前景圖，將只 含邊緣信息的前景圖進(jìn)行輪廓提取得到輪廓的個(gè)數(shù)，并將各輪廓以輪廓樹的形式保存起 來；按照輪廓樹逐一繪制出前景圖的各輪廓，即得到疑似稻瘟病孢子的圖形輪廓；
[0011] 步驟六、采集提取出的疑似稻瘟病孢子的圖形輪廓特征值，利用圖形輪廓特征值 對疑似稻瘟病孢子的圖形輪廓進(jìn)行分類統(tǒng)計(jì)出稻瘟病孢子的圖形輪廓和雜質(zhì)的圖形輪廓； 從而識別出稻瘟病孢子顯微圖像；最終完成稻瘟病孢子的識別并統(tǒng)計(jì)稻瘟病孢子數(shù)量；其 中，采集提取出的疑似稻瘟病孢子的圖形輪廓特征值包括形態(tài)特征和光密度特征兩種；形 態(tài)特征包括：寬度、高度、面積、周長、偏心率、圓形度和矩形度特征；光密度特征包括綜合 光密度、平均灰度、光密度方差以及特征灰度；即完成了一種基于圖像處理和模式識別技術(shù) 的稻瘟病孢子顯微圖像識別方法。
[0012] 發(fā)明效果
[0013] 本發(fā)明是一種智能化的稻瘟病孢子顯微圖像識別處理方法。其步驟為：圖像預(yù)處 理、圖像分割、孢子特征提取、模式識別。優(yōu)點(diǎn)：引入自適應(yīng)閾值分割與自適應(yīng)邊緣檢測算 法，使輪廓提取的信息損失降到最小；分類器設(shè)計(jì)采用投票的方法，避免單個(gè)分類器分類精 度較低的情況，提高整體的分類精度。當(dāng)各分類器的分類結(jié)果差別較大時(shí)，采用對原圖像的 分類結(jié)果作為參考和降低貝葉斯分類器權(quán)值的方法進(jìn)行判別，并返回提示信息，可進(jìn)行人 為更改分類結(jié)果。圖像質(zhì)量的影響通過以上研宄，已完成了對稻瘟病孢子顯微圖像的預(yù)處 理、邊緣檢測、輪廓提取工作，但考慮到實(shí)際拍攝圖像的質(zhì)量差異問題，在此對于質(zhì)量較差 的圖像處理進(jìn)行如下分析。
[0014] 如圖7所示為一質(zhì)量較差樣本，圖像中存在著大量的噪聲即干擾信息，對該樣本 進(jìn)行直方圖均衡化處理后的效果如圖8。
[0015] 可知，稻瘟病孢子的輪廓與背景的對比度得到了加強(qiáng)，但部分干擾色塊仍存在較 強(qiáng)干擾，按照本設(shè)計(jì)的處理方法繼續(xù)進(jìn)行Canny邊緣檢測。
[0016] 如圖9 (a)~（d)可發(fā)現(xiàn)，不同的閾值對于檢測的效果影響很大。對于圖9 (a)~ (d)，選擇10的低閾值和350的高閾值比較合理，而選取其他閾值則將無法識別出所需信 息。選取該閾值進(jìn)行輪廓識別可以得到如圖10(a)~（b)的效果。
[0017] 可見，閾值的選擇對圖像的分割提取至關(guān)重要，只有當(dāng)閾值選擇合適時(shí)才能完成 對稻瘟病孢子的識別。而人為修改閾值費(fèi)時(shí)費(fèi)力，喪失了計(jì)算機(jī)圖像識別的優(yōu)越性，因此對 原算法進(jìn)行了改良，采用自適應(yīng)閾值的二值化與邊緣檢測算法。
【附圖說明】
[0018] 圖1【具體實(shí)施方式】一提出的稻瘟病孢子圖像識別過程框圖；
[0019] 圖2【具體實(shí)施方式】二提出的稻瘟病孢子顯微原圖；
[0020] 圖3【具體實(shí)施方式】二提出的灰度化效果圖；
[0021] 圖4【具體實(shí)施方式】一提出的直方圖均衡化效果圖；
[0022] 圖5【具體實(shí)施方式】六提出的Canny邊緣檢測效果圖；
[0023] 圖6【具體實(shí)施方式】七提出的灰度圖輪廓提取效果圖；
[0024] 圖7【具體實(shí)施方式】一提出的成像系統(tǒng)獲取圖像即原始圖像；
[0025] 圖8【具體實(shí)施方式】一提出的直方圖均衡化效果圖；
[0026] 圖9 (a)【具體實(shí)施方式】一提出的閾值為10100的Canny邊緣檢測效果圖；
[0027] 圖9 (b)【具體實(shí)施方式】一提出的閾值為10350Canny邊緣檢測效果圖；
[0028] 圖9 (c)【具體實(shí)施方式】一提出的閾值為80100Canny邊緣檢測效果圖；
[0029] 圖9 (d)【具體實(shí)施方式】一提出的閾值為100350Canny邊緣檢測效果圖；
[0030] 圖10(a)【具體實(shí)施方式】一提出的輪廓提取效果圖；
[0031] 圖10(b)【具體實(shí)施方式】一提出的形狀提取效果圖；
[0032] 圖11【具體實(shí)施方式】四提出的自適應(yīng)二值化示意圖；
[0033] 圖12【具體實(shí)施方式】五提出的膨脹腐蝕去噪處理后的圖像示意圖；
[0034] 圖13【具體實(shí)施方式】六提出的自適應(yīng)Canny邊緣檢測示意圖；
[0035] 圖14【具體實(shí)施方式】七提出的原始圖像輪廓提取示意圖；
[0036] 圖15【具體實(shí)施方式】三提出的原始圖像的灰度直方圖從比較集中的某個(gè)灰度區(qū)間 變成在全部灰度范圍內(nèi)的均勻分布的示意圖；
[0037] 圖16【具體實(shí)施方式】二提出的RGB模型示意圖。
【具體實(shí)施方式】
【具體實(shí)施方式】 [0038] 一：本實(shí)施方式的一種基于圖像處理和模式識別技術(shù)的稻瘟病孢子 顯微圖像識別方法，具體是按照以下步驟制備的：
[0039] 步驟一、成像系統(tǒng)獲取圖像即原始圖像轉(zhuǎn)灰度圖；
[0040] 步驟二、將灰度圖進(jìn)行圖像增強(qiáng)處理，得到的直方圖均衡化效果圖如圖4 ;
[0041] 步驟三、將直方圖均衡化效果圖進(jìn)行局部自適應(yīng)閾值分割，得到二值化效果圖；
[0042] 步驟四、將二值化效果圖進(jìn)行形態(tài)學(xué)變換的去噪處理，得到去噪效果圖；
[0043] 步驟五、將去噪效果圖通過Ca