基于Curvelet-SC玉米病害識別方法
【專利摘要】本發明屬于基于機器視覺的識別檢測【技術領域】，具體為一種基于Curvelet和Shape Context的玉米病害檢測方法。根據曲線波和形狀上下文相結合的新方法來提高玉米病害識別的速度和抗干擾能力。利用區域生長法(Seeded Regional Growing Algorithm，SRG)對玉米葉部病害圖像進行分割。進而提出曲線波模系數相關法獲提取玉米葉部病害的有效輪廓。然后，結合形狀上下文算法(Shape Context，SC)獲取病害圖像的形狀直方圖特征。最后，采用n fold cross-validation法，在玉米葉部病害數據庫上進行驗證。本發明對其它病害識別具有一定的指導意義。
【專利說明】基于0111^6161:-30玉米病害識別方法
【技術領域】
[0001]本發明屬于基于機器視覺的檢測【技術領域】，涉及一種玉米病害特征識別檢測的方法，特別涉及一種采用和311叩6 00111:6X1:的技術實現玉米病害檢測識別。
【背景技術】
[0002]目前基于計算機視覺的玉米病害識別方法有了一定的研究成果，但尚存在如下問題:
[0003](1)難以解決“顏色特征易受自然光變化而變化”帶來的顏色干擾。玉米病害顏色特征在自然光的照射下，顏色特征會有所變化，該變化給病害的識別帶來了難度，再者病害的顏色特征僅適合瞬態的病害分割，而不適合穩定的病害識別。
[0004](2)難以解決“形狀特征多樣”帶來的難題。由于玉米病害種類的繁多，每種病害的形狀特征也變得復雜多樣，多樣的形狀特征讓玉米病害的識別變得相對困難。
[0005]目前，國內外玉米病害識別方法中提取的特征有:顏色特征、紋理特征和形狀特征。顏色特征包括868顏色、1--顏色直方圖(1--的標準偏差、均值、方差及三種色素之間的相關系數013色彩特征。紋理特征包括灰度共生矩陣的慣性值，小波變換的范數，色度矩、色彩共生紋理。與病害的顏色特征相比，紋理特征不易受外界自然光的影響，對于病害識別具有較好的穩定性。形狀特征包括病害的面積、周長、圓度、偏心率和矩形度等。形狀特征適合于病害具有明顯的形狀特征及病害和健康組織之間有清晰邊界的場合。而相應的病害識別方法有神經網絡法、支持向量機法和模板匹配法。其中，對于神經網絡法和支持向量機法，隨著樣本數目的增加病害識別模型也變得復雜，網絡結構和模型的參數確定也變得更難確定，識別的精度和速度會受到影響。
[0006]本發明提出基于和311叩6 00111:6X1:的玉米病害識別模型。所提方法對玉米葉部病害識別的正確率可達95%以上，對于其它農作物病害的識別具有一定的指導意義。
【發明內容】
[0007]本發明所要解決的技術問題是，設計一種基于和311叩6 00111:6X1:的玉米病害檢測方法，此方法在病害識別的正確率和效率上有一定的提高。
[0008]本發明所采用的技術方案是:首先，提出曲線波模系數相關法，獲實現病害邊緣。接著，利用形狀上下文算法(部叩^獲取病害圖像的形狀直方圖特征。然后，利用目標圖像和模板圖像的形狀直方圖之間的匹配度進行病害識別。最后，用01-088^811(181:1011法,在玉米葉部病害數據庫上對所提方法進行驗證。
[0009]本發明的目的在于采用和311叩6 00111:6X1:技術實現玉米病害的正確識別。
【專利附圖】
【附圖說明】
[0010]附圖1是:玉米6種病害圖像
[0011]附圖2是:玉米灰斑病害圖像
[0012]附圖3是:玉米灰斑病害圖像灰度化圖像
[0013]附圖4是:玉米灰斑病害圖像分割圖像
[0014]附圖5是:邊緣檢測結果
【具體實施方式】
[0015]下面結合附圖對本發明作進一步詳細說明。
[0016]具體過程如下:
[0017]1、病害圖像灰度化
[0018]彩色病害圖像轉化為灰度病害圖像。根據人眼對圖像的敏感度，采用公式⑴對圖像進行轉化。病害灰度圖像如圖3所示。
[0019]^(1, = 0.31^(1, ^)+0.596(1, ^)+0.118(1,(1)
[0020]2病害圖像分割
[0021]米用區域生長法(366(16(1 1^6^101181六1801~1訪111，306)對玉米葉部病害圖像進行分割。病害圖像分割結果如圖4所示。
[0022]3基于曲線波的玉米葉部病害的輪廓提取
[0023]曲線波(。巧“的)能多尺度多方向更精確地描述目標的紋理特征。為了抑制病害圖像的噪音對病害輪廓提取的干擾，提出曲線波模系數相關法獲取病害輪廓。該方法的基本思想是:在相鄰尺度上，目標的邊緣的幅值較大，而噪音的邊緣會迅速衰減。根據玉米病害圖像的大小，本發明對其進行5尺度分解。
[0024]具體的實現步驟如下:
[0025]第1步:計算第3尺度和第2尺度之間的相關系數
[0026]第2步:用公式⑵檢測第3尺度邊緣點
[0027]001-(8,2^-1) (1, ^)-001-(8,2^) (1, ? 13 8 = 3 (3)
[0028]其中，丁3是閾值。
[0029]第3步:根據下列規則，檢測第2尺度邊緣點
[0030]如果第3尺度的3個或3個以上的相關系數矩陣屬于邊緣，則對應的第2尺度的系數矩陣為邊緣，否則，為噪音。
[0031]第4步:根據下列規則，檢測第1、4和5尺度邊緣點
[0032]8(8, | ? 8 = 1,4,5
[0033]其中，？3是閾值。
[0034]第5步:重構各尺度邊緣點實現邊緣檢測。
[0035]圖5的邊緣檢測結果。由邊緣檢測結果可以看出，所述提出的曲線波模系數相關法獲取病害輪廓輪廓線清晰，噪聲少，為后續的病害特征提取打下了堅實的基礎。
[0036]4基于311叩6 00111:6x1:的玉米葉部病害特征提取
[0037]基于311?)6 00111:6x1: (80)的玉米葉部病害識別的算法流程:
[0038](1).將獲取的邊緣檢測點集6,7)轉換到對數極坐標中(108 0 )。直角坐標和極對數坐標之間的轉換關系如下:
[0039]廣=^X2+ 火；/7 = 108(^2 十/); 6 = 31-01311 -
X
[0040](2).在極對數坐標中，計算點集直方圖
[0041]將得到的極坐標變換結果分為12個方向，每個方向30度，每個方向上按照以10?1-為步長劃分為5份，這樣整個空間就被劃分為60個區域(化!!)。
[0042]對輪廓上的一給定點5，其屬性用落入60個區域中的每個區域的像素點的個數來描述，這樣，每個特征點可以用一個1X60維行向量來描述。若邊緣點的總個數為!1，則病害特征可用一個11X60維矩陣來描述。
[0043](3).計算模板圖像和目標圖像之間的相似度
[0044]目標圖像輪廓上的點的與模板圖像輪廓上的％之間的相似度可用公式⑷計算:
1厶[/7,⑷-化⑷]2
[0045]0,~(4)
7 】2合 '⑷+ -)
[0046]其中，I 00和分別為點和％點對應的直方圖值，X = 60。
[0047]越小，表示點和％點越匹配。
[0048]貝1]，模板圖像和目標圖像之間的相似度可用公式(5)計算關(5)
VI
[0050]設目標病害圖像輪廓上點的個數為!1，模板病害圖像輪廓上點的個數為!II。這樣一共得到個匹配值，然后對這!!X！！！個匹配值進行統計，設定一個閾值，對于匹配度大于閾值的不統計，匹配度小于閾值進行統計，若小于閾值的匹配點的個數大于預先設定的閾值12時，則判定模板圖像和目標圖像相匹配。
[0051]本發明優點在于，。巧61的形狀描述符用于玉米葉部病害識別正確率可達98.3%，是一種有效的病害識別方法。所提方法對玉米葉部病害識別的同時，對其它病害識別具有一定的指導意義。
【權利要求】
1.一種基于Curvelet和Shape Context的玉米病害檢測方法，其特征在于，根據曲線波和形狀上下文相結合的新方法，所述利用區域生長法(Seeded Reg1nal GrowingAlgorithm, SRG)對玉米葉部病害圖像進行分割。所述提出曲線波模系數相關法獲提取玉米葉部病害的有效輪廓。然后，結合形狀上下文算法(Shape Context, SC)獲取病害圖像的形狀直方圖特征。
2.根據權利I所述基于Curvelet和ShapeContext的玉米病害檢測方法,其特征還在于，能夠提高玉米病害的識別速度和抗干擾能力。所述采用Curvelet和Shape Context的玉米病害檢測方法，在玉米葉部病害數據庫上進行驗證。對其它病害的識別具有一定的指導意義。
【文檔編號】G06K9/00GK104318227SQ201410668931
【公開日】2015年1月28日 申請日期:2014年11月19日 優先權日:2014年11月19日
【發明者】羅菁, 耿樹澤 申請人:天津工業大學