一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法技术

本发明专利技术公开了一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法，包括如下步骤：(1)图像预处理：进行图像背景校正、中值滤波处理和图像增强处理；(2)图像分割：对预处理后的图像进行二值化操作、形态学运算和边缘检测，得到疑似稻瘟病孢子的图形轮廓；(3)支持向量机检测识别：从疑似稻瘟病孢子的图形轮廓中提取出最具代表性的形状特征参数和纹理特征参数，将所述形状特征参数和纹理特征参数作为输入向量训练支持向量机分类器模型，利用训练好的支持向量机分类器模型对稻瘟病孢子进行检测识别。本发明专利技术能实现对稻瘟病菌孢子的快速、准确识别，可为水稻稻瘟病病害的早期检测和病害程度判别提供技术支持。

A microscopic image recognition method for Magnaporthe grisea based on support vector machine

The invention discloses a method for detecting and recognizing microspore images of Magnaporthe grisea based on support vector machine, which comprises the following steps: (1) image preprocessing: image background correction, median filtering and image enhancement; (2) image segmentation: binarization operation, morphological operation and edge of the preprocessed image. (3) Support Vector Machine Detection and Recognition: The most representative shape feature parameters and texture feature parameters are extracted from the shape profile of suspected rice blast spores, and the shape feature parameters and texture feature parameters are used as input vectors to train support vector machine classifier. In the model, a trained support vector machine classifier was used to detect and identify the rice blast spores. The invention can realize the rapid and accurate identification of the spores of the rice blast fungus, and can provide technical support for the early detection of the rice blast disease and the discrimination of the disease degree.

【技术实现步骤摘要】
一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法
本专利技术涉及稻瘟病检测
，具体涉及一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法。
技术介绍
由稻瘟病菌引起的稻瘟病是世界上水稻三大病害之一，给水稻的产量和质量造成了严重的影响。长期的生产实践证明，水稻稻瘟病病害的早期检测和病害程度判别是对稻瘟病进行预测预报和化学防治的基础和关键。由于在病害的初期阶段病害症状不明显，以及农业生产者缺乏相应的作物诊断知识，使得病情得不到较好的诊断，作物病害加重。当前阶段，稻瘟病害的识别诊断主要分为田地检测和实验室检测两方面进行。田地检测主要靠人为判断或依靠专业书籍提供的相关病斑图像进行对比判断，会引起人为误判，效率低下，专家依赖性大，难以及时对症下药，引起水稻减产。而实验室检测则由专业的技术检测人员对采集到的染病样本进行稻瘟病孢子的识别与数目统计。由于孢子个体很小不易观察、样本数量巨大、且样本中混有的其他种类的病源孢子会对显微镜计数造成干扰等原因，大大增加了对灾情初期的发现难度。
技术实现思路
针对上述现有技术，本专利技术的目的是提供一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法。该方法能实现对稻瘟病菌孢子的快速、准确识别，可为水稻稻瘟病病害的早期检测和病害程度判别提供技术支持。为实现上述目的，本专利技术采用如下技术方案：本专利技术的第一方面，提供一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法，包括如下步骤：(1)图像预处理：获取稻瘟病菌显微图像，将所述稻瘟病菌显微图像转化为灰度图像，并进行图像背景校正、中值滤波处理和图像增强处理；(2)图像分割：对预处理后的图像进行二值化操作、形态学运算和边缘检测，得到疑似稻瘟病孢子的图形轮廓；(3)支持向量机检测识别：从疑似稻瘟病孢子的图形轮廓中提取出最具代表性的形状特征参数和纹理特征参数，将所述形状特征参数和纹理特征参数作为输入向量训练支持向量机分类器模型，利用训练好的支持向量机分类器模型对稻瘟病孢子进行检测识别。优选的，步骤(1)中，采用改进的基准背景法进行图像背景校正，具体为：将图像矩阵划分为4×4子矩阵并计算每一块子矩阵的平均灰度，沿行对子矩阵的平均灰度进行检测，当灰度值突降时，用相邻子矩阵平均灰度的均值代替该子矩阵的灰度值；随后在均匀化的子矩阵灰度中选定基本背景灰度B，以子矩阵平均灰度的中值作为基准背景灰度B；计算子矩阵转换系数M(p)，计算方法为：其中，I(p)为像素灰度；Ib(p)为照明信号；In(p)为噪声信号；Id(p)为损坏信号；然后插值得到每个像素的转换系数，使整个图像的背景灰度值较为均匀地分布在B值附近。优选的，步骤(1)中，采用4×4型滤波模板对背景校正后的图像进行中值滤波处理。优选的，步骤(1)中，所述图像增强处理具体为：将中值滤波处理后的图像进行直方图均衡化处理，得到直方图均衡化效果图。优选的，步骤(2)中，所述二值化操作具体为：将图像增强处理后得到的直方图均衡化效果图进行局部自适应阈值分割，得到二值化效果图。进一步的，所述局部自适应阈值分割的操作步骤如下：1)对于大小为h*k的原始图像，将其划分为H*K个子区域，其中h和k分别为H和K的整数倍；2)对每个子区域分别计算其梯度直方图，以便于将子区域中的与边缘有关系的点提取出来，以获得比原图像的灰度直方图更好的性质；3)分别对步骤1)中的每一个子区域施行Otsu阈值分割，完成二值化操作得到二值化效果图。优选的，步骤(2)中，采用6*6的圆盘结构元素对直方图均衡化后的二值化效果图进行形态学闭运算和开运算，得到去噪效果图。优选的，步骤(2)中，所述边缘检测具体为：将形态学运算得到的去噪效果图通过Canny边缘检测，得到只含有边缘信息的前景图，将只含边缘信息的前景图进行轮廓提取得到轮廓的个数，并将各轮廓以轮廓树的形式保存起来；按照轮廓树逐一绘制出前景图的各轮廓，得到疑似稻瘟病孢子的图形轮廓。进一步的，所述Canny边缘检测的具体过程为：1)使用一个5*5内核的高斯平滑滤波器对图像进行卷积降噪；2)计算梯度幅值和方向，所用公式如下：其中：Gx为检测水平边沿的横向模板，Gy检测垂直边沿的纵向模板，G为梯度幅值，θ为梯度方向。3)非极大值抑制，以排除非边缘像素，仅保留一些候选边缘；4)设置滞后阈值，滞后阈值通常需要设置一个高阈值和一个低阈值：若某一像素位置的幅值超过高阈值，该像素被保留为边缘像素；若某一像素位置的幅值小于低阈值，该像素被排除；若某一像素位置的幅值在两个阈值之间，该像素仅仅在连接到一个高于高阈值的像素时被保留。优选的，步骤(3)中，所述形状特征参数包括：面积、周长、最小外接矩形长轴、最小外接矩形短轴、圆形度和矩形度；所述纹理特征参数包括：角度二阶矩、反差矩、熵、对比度、相关系数、大(小)梯度优势、灰度(梯度)分布不均匀性、熵和对比度。本专利技术的第二方面，提供一种基于支持向量机的稻瘟病菌孢子显微图像检测识别系统，包括：图像预处理模块、图像分割模块和支持向量机检测识别模块；所述图像预处理模块包括：稻瘟病菌孢子显微图像获取单元，用于获取稻瘟病菌孢子原始图像，并将原始图像转化为灰度图像；图像背景校正单元，用于补偿不平衡的背景强度及不平衡光照引起的图像不规则；中值滤波操作单元，用于减少图像采集过程中环境的扰动以及采样、量化、传输在图像中产生的噪声和其他干扰影响；图像增强处理单元，采用直方图均衡化的方法进行图像增强，用于突出图像中的有用信息，扩大图像中不同物体特征之间的差别；所述图像分割模块包括：二值化操作单元，用于对具有不同特征的图像采用不同的阈值进行分割；形态学运算单元，用于消除孢子的内外环空洞和去除图像中目标物上比结构元素小的突刺和无用边界，得到去噪效果图；边缘检测单元，通过Canny边缘检测，得到只含有边缘信息的前景图，将只含边缘信息的前景图进行轮廓提取得到轮廓的个数，并将各轮廓以轮廓树的形式保存起来；按照轮廓树逐一绘制出前景图的各轮廓，得到疑似稻瘟病孢子的图形轮廓；所述支持向量机检测识别模块包括：特征提取单元和检测识别单元，所述特征提取单元用于提取最具代表性的形态特征参数和纹理特征参数；所述检测识别单元用于接收所述形态特征参数和纹理特征参数，对支持向量机分类器模型进行训练，利用训练好的支持向量机分类器模型对稻瘟病孢子进行检测识别。本专利技术的有益效果：(1)本专利技术的稻瘟病菌孢子检测方法补偿了由于不平衡的背景强度及不平衡光照引起的图像不规则，解决了不均匀的光照会在检测到的图像中产生背景噪声而影响图像的检测精度和分析结果的问题。(2)本专利技术采用自适应阈值分割与自适应边缘检测算法，使轮廓提取的信息损失降到最小。(3)本专利技术采用的支持向量机是具有分割效果优、计算效率高、参数设置简便等优点，它兼顾训练误差和泛化能力，有助于对稻瘟病菌孢子进行快速、准确地识别。附图说明图1：本专利技术检测识别方法的流程示意图。图2：经图像预处理后的效果图。图3：经图像分割处理后的效果图。图4：图像在支持向量机检测识别阶段的效果图。具体实施方式应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。正如
技术介绍
部分所本文档来自技高网...

【技术保护点】
1.一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法，其特征在于，包括如下步骤：(1)图像预处理：获取稻瘟病菌显微图像，将所述稻瘟病菌显微图像转化为灰度图像，并进行图像背景校正、中值滤波处理和图像增强处理；(2)图像分割：对预处理后的图像进行二值化操作、形态学运算和边缘检测，得到疑似稻瘟病孢子的图形轮廓；(3)支持向量机检测识别：从疑似稻瘟病孢子的图形轮廓中提取出最具代表性的形状特征参数和纹理特征参数，将所述形状特征参数和纹理特征参数作为输入向量训练支持向量机分类器模型，利用训练好的支持向量机分类器模型对稻瘟病孢子进行检测识别。

【技术特征摘要】
1.一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法，其特征在于，包括如下步骤：(1)图像预处理：获取稻瘟病菌显微图像，将所述稻瘟病菌显微图像转化为灰度图像，并进行图像背景校正、中值滤波处理和图像增强处理；(2)图像分割：对预处理后的图像进行二值化操作、形态学运算和边缘检测，得到疑似稻瘟病孢子的图形轮廓；(3)支持向量机检测识别：从疑似稻瘟病孢子的图形轮廓中提取出最具代表性的形状特征参数和纹理特征参数，将所述形状特征参数和纹理特征参数作为输入向量训练支持向量机分类器模型，利用训练好的支持向量机分类器模型对稻瘟病孢子进行检测识别。2.根据权利要求1所述的方法，其特征在于，步骤(1)中，采用改进的基准背景法进行图像背景校正，具体为：将图像矩阵划分为4×4子矩阵并计算每一块子矩阵的平均灰度，沿行对子矩阵的平均灰度进行检测，当灰度值突降时，用相邻子矩阵平均灰度的均值代替该子矩阵的灰度值；随后在均匀化的子矩阵灰度中选定基本背景灰度B，以子矩阵平均灰度的中值作为基准背景灰度B；计算子矩阵转换系数M(p)，计算方法为：其中，I(p)为像素灰度；Ib(p)为照明信号；In(p)为噪声信号；Id(p)为损坏信号；然后插值得到每个像素的转换系数，使整个图像的背景灰度值较为均匀地分布在B值附近。3.根据权利要求1所述的方法，其特征在于，步骤(1)中，采用4×4型滤波模板对背景校正后的图像进行中值滤波处理。4.根据权利要求1所述的方法，其特征在于，步骤(1)中，所述图像增强处理具体为：将中值滤波处理后的图像进行直方图均衡化处理，得到直方图均衡化效果图。5.根据权利要求1所述的方法，其特征在于，步骤(2)中，所述二值化操作具体为：将图像增强处理后得到的直方图均衡化效果图进行局部自适应阈值分割，得到二值化效果图；优选的，所述局部自适应阈值分割的操作步骤如下：1)对于大小为h*k的原始图像，将其划分为H*K个子区域，其中h和k分别为H和K的整数倍；2)对每个子区域分别计算其梯度直方图，以便于将子区域中的与边缘有关系的点提取出来，以获得比原图像的灰度直方图更好的性质；3)分别对步骤1)中的每一个子区域施行Otsu阈值分割，完成二值化操作得到二值化效果图。6.根据权利要求1所述的方法，其特征在于，步骤(2)中，采用6*6的圆盘结构元素对直方图均衡化后的二值化效果图进行形态学闭运算和开运算，得到去噪效果图。7.根据权利要求1所述的方法，其特征在于步骤(2)中，所述边缘检测具体为：将形态学运算得到的去噪效果图通过Canny边缘检测，得到只含有边缘信息的前景图，将只含边缘信息...

【专利技术属性】
技术研发人员：王震，王金星，褚桂坤，王莹，张磊，刘会香，刘双喜，
申请(专利权)人：山东农业大学，
类型：发明
国别省市：山东,37