The invention relates to a sunflower disease recognition method based on SIFT feature extraction algorithm, which includes: acquiring the image of sunflower leaf disease to be recognized, image enhancement, denoising, smoothing and sharpening pretreatment for the image of sunflower leaf disease to be recognized, and separating the image of sunflower leaf disease to be recognized from each of the sample banks. If the number of SIFT feature vectors matched with a reference image of sunflower leaf diseases to be identified is greater than or equal to a predetermined threshold, the sunflower leaf corresponding to the image of sunflower leaf diseases to be identified is determined to be the sunflower leaf of the disease. If the number of SIFT feature vectors matching the image of sunflower leaf disease to be recognized is less than the predetermined threshold, it is determined that the sunflower leaf corresponding to the image of sunflower leaf disease to be recognized is not any kind of disease in the sample library.
【技术实现步骤摘要】
基于SIFT特征提取算法的向日葵病害识别方法
本专利技术涉及农业病虫害识别领域,特别涉及一种基于SIFT特征提取算法的向日葵病害识别方法。
技术介绍
众所周知,传统的病害诊断方法主要是植保人员通过肉眼识别,并结合植物病害的病原菌的形态进行判断,这种方法诊断效率低,很难及时、准确的判断病害类型。精准农业”为农耕者提供了新的思路,通过运用信息技术来快速有效的识别植物病害,相对于传统的识别方法,识别速度快、准确率高,还具有时效性。以苹果、黄瓜和辣椒等作物病害为例对植物叶部病害的图像进行分析,对于图像的颜色信息采用水平集和改进C-V模型研究,经验证这种方法大大提高了病害的识别率。
技术实现思路
为解决上述技术问题,本专利技术的目的是提供一种基于SIFT特征提取算法的向日葵病害识别方法。本专利技术基于SIFT特征提取算法的向日葵病害识别方法,包括:获取待识别向日葵叶部病害图像,对所述待识别向日葵叶部病害图像进行图像增强、去噪、平滑、锐化预处理;基于SIFT特征提取算法提取所述待识别向日葵叶部病害图像的SIFT特征向量,将待识别向日葵叶部病害图像分别与样本库中的各类病害参考图像进行SIFT特征向量进行匹配度分析,若待识别向日葵叶部病害图像与一类病害参考图像的SIFT特征向量相匹配的数量大于或等于预定阈值,则判定该待识别向日葵叶部病害图像对应的向日葵叶为该类病害向日葵叶;若待识别向日葵叶部病害图像与样本库中的各类病害参考图像的SIFT特征向量相匹配的数量都小于预定阈值,则判定该待识别向日葵叶图像对应的向日葵叶不是样本库中的任何一类病害。进一步地,所述的预处理包括:直方图的均 ...
【技术保护点】
1.一种基于SIFT特征提取算法的向日葵病害识别方法,其特征在于,包括:获取待识别向日葵叶部病害图像,对所述待识别向日葵叶部病害图像进行图像增强、去噪、平滑、锐化预处理;基于SIFT特征提取算法提取所述待识别向日葵叶部病害图像的SIFT特征向量,将待识别向日葵叶图像分别与样本库中的各类病害参考图像进行SIFT特征向量进行匹配度分析,若待识别向日葵叶部病害图像与一类病害参考图像的SIFT特征向量相匹配的数量大于或等于预定阈值,则判定该待识别向日葵叶部病害图像对应的向日葵叶为该类病害向日葵叶;若待识别向日葵叶部病害图像与样本库中的各类病害参考图像的SIFT特征向量相匹配的数量都小于预定阈值,则判定该待识别向日葵叶部病害图像对应的向日葵叶不是样本库中的任何一类病害。
【技术特征摘要】
1.一种基于SIFT特征提取算法的向日葵病害识别方法,其特征在于,包括:获取待识别向日葵叶部病害图像,对所述待识别向日葵叶部病害图像进行图像增强、去噪、平滑、锐化预处理;基于SIFT特征提取算法提取所述待识别向日葵叶部病害图像的SIFT特征向量,将待识别向日葵叶图像分别与样本库中的各类病害参考图像进行SIFT特征向量进行匹配度分析,若待识别向日葵叶部病害图像与一类病害参考图像的SIFT特征向量相匹配的数量大于或等于预定阈值,则判定该待识别向日葵叶部病害图像对应的向日葵叶为该类病害向日葵叶;若待识别向日葵叶部病害图像与样本库中的各类病害参考图像的SIFT特征向量相匹配的数量都小于预定阈值,则判定该待识别向日葵叶部病害图像对应的向日葵叶不是样本库中的任何一类病害。2.根据权利要求1所述的基于SIFT特征提取算法的向日葵病害识别方法,其特征在于,所述的预处理包括:直方图的均衡化、同态滤波,其中,所述直方图的均衡化具体包括:对输入的待处理图像统计其直方图,求出式中,L是灰度级;pr(rk)是取第k级灰度值的概率;nk是在图像中出现第k级灰度的次数;N是图像中像素总数;根据统计出来的直方图用累积分布函数做变换,求出变换后的新灰度,累积分布函数如下:用新灰度代替旧灰度,求出PS(s),把灰度值相等或者近似的合并到一起;所述同态滤波具体包括:对原始图像f(x,y)取对数,目的就是将乘法运算转化为加法运算:z(x,y)=lnf(x,y)=lni(x,y)+lnr(x,y)对对数函数做傅里叶变换,目的就是将图像转换到频域:F(z(x,y))=F[lni(x,y)]+F[lnr(x,y)]即Z=I+R选择适当的传递函数,压缩照射分量i(x,y)的变化范围,削弱I(u,v),增强r(x,y)的对比度,提升R(u,v),增强高频分量,即确定一个H(u,v);选择一个同态滤波器函数H(u,v)来处理原图像f(x,y)的对数的傅里叶变换Z(u,v),得S(u,v)=Z(u,v)H(u,v)=I(u,v)H(u,v)+R(u,v)H(u,v),逆变换到空域得到s(x,y)=F-1(S(u,v));对取指数即得到最终的结果g(x,y)=exp(s(x,y)),相当于高通滤波。3.根据权利要求1所述的基于SIFT特征提取算法的向日葵病害识别方法,其特征在于,SIFT特征向量的提取步骤包括:尺度空间极值提取;特征点定位;特征方向赋值;提取特征点描述;一幅二维图像的尺度空间L(x,y,σ)表示可由一个变换尺度的高斯核函数G(x,y,σ)与原图像I(x,y)卷积得,如下式:L(x,y,σ)=G(x,y,σ)*I(x,y)其中,(x,y)表示图像点的像素坐标,I(x,y)表示图像数据,σ称为尺度空间因子,*表示卷积运算;其中,尺度空间...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。