基于SIFT特征提取算法的向日葵病害识别方法技术

本发明专利技术涉及一种基于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；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。

Sunflower disease identification method based on SIFT feature extraction algorithm

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。进一步地，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，尺度空间因子σ是高斯正态分布的方差，表明了图像被平滑的程度，σ值越小表示图像被平滑的程度越小，相应的尺度也越小；高斯差分尺度空间DoG，DoG算子是两个尺度不同的高斯函数的差，将其作为灰度图像的增强算子，能有效地用于增强图像的边缘，即不断地对原始灰度图像进行模糊，保留原始图像上的边缘部分，也能够去除图像噪声，尤其适用于带有大量随机噪声的图像，设k为两个相邻尺度间的比例因子，则DoG算子定义如下：D(x,y,σ)＝(G(x,y,σ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)DoG算子计算简单，是尺度归一化的LoG算子的近似；在DoG金字塔中的第一层的尺度因子与高斯金字塔中的第一层是一致的；DoG空间极值检测，需要检测26个像素的DoG值，从中选出DoG值最大或者最小值作为候选特征点，记下它的位置和对应尺度；这26个像素是这样选择的，DoG空间任一层(最底层和最顶层除外)的任意像素的同一层中的相邻8个像素以及它上一层和下一层的9个相邻像素；取得候选特征点后，接下来要精确定位特征点位置，也即在候选特征点中剔除低对比度点和不稳定的边缘响应点，特征点的像素的值必须是与周围的点有明显的差异；特征点不能是边缘点；利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向数，使算子具备旋转不变性；对于每个高斯图像；每个点L(x,y)的梯度的模m(x,y)与方向θ(x,y)通过如下公式计算得到：上式中，L(x,y)所用尺度为关键点所在尺度；以关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度方向；梯度直方图的范围是360度，其中每10度一个柱，总共36个柱；直方图的峰值则代表了该关键点处邻域梯度的主方向，即作为该关键点的方向；在梯度方向直方图中，当存在另一个相当于主峰值80％能量的峰值时，则将这个方向认为是该关键点的辅方向；一个关键点可能会被指定具有多个方向，一个主方向，一个以上辅方向，至此，图像的关键点已检测完毕，每个关键点有三个信息：位置、所处尺度、方向；由此确定一个SIFT特征区域；将坐标轴旋转为关键点的方向，以确保旋转不变性，特征点描述子的生成。进一步地，当待识别向日葵叶图像和病害参考图像的SIFT特征向量生成后，待识别向日葵叶图像中的关键点与病害参考图像中欧式距离最近的前两个关键点，在这两个关键点中，采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。进一步地，所述样本库中存储有四类病害的病害参考图像，四类病害分别为细菌性叶斑病、白粉病、黑斑病、霜霉病。与现有技术相比，本专利技术基于SIFT特征提取算法的向日葵病害识别方法至少有如下优点：本专利技术采用SIFT算法识别向日葵叶部不同病害，首先在大田里获取向日葵图像；其次考虑到拍摄图像时，不可避免的会受到各种天气、环境、拍摄角度等因素的影响导致图像质量差以及模糊不清等情况，进行图像识别前要对图像进行预处理，选用直方图均衡化对图像进行去雾处理，采用同态滤波法对图像进行去噪处理；再次，采用SIFT算法提取预处理后的图像特征向量，即对待识别图像进行尺度空间极值提取、特征点定位、特征方向赋值、提取特征点描述这几步骤，得到图像特征向量；最后采用关键点特征向量的欧式距离来作为待识别图像与图库中图像的关键点的相似性判定度量，完成向日葵叶部病害图像的识别，识别率达到93.33％以上，识别效果较好。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。附图说明图1是本专利技术基于SIFT特征提取算法的向日葵病害识别方法的框图；图2是本专利技术基于SIFT特征提取算法的向日葵病害识别方法的本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：吕芳，刘波波，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：内蒙古,15