一种青稞网斑病的识别方法技术

本发明专利技术公开了一种青稞网斑病的识别方法，属于图像处理领域。将预处理之后的图像转换到HSV颜色空间，在HSV色域对图像进行阈值处理，使颜色在浅褐色和深褐色及中间的颜色都设置为深褐色，其余颜色设置为白色，再与原图像合并，设置H、S划分等级及变化范围，根据设置结果统计图像中H、S分量数据并创建直方图，归一化图像直方图高度，将归一化之后的直方图高度及对应横坐标作为图像特征及标签训练KNN分类器，讲用于测试的图像样本做同样处理输入到KNN分类器，获得预测结果。本发明专利技术利用对图像滤波消噪，提取颜色空间特征并归一化，及支持向量机分类，能很好分类出正常青稞叶片和网斑病青稞叶片的图像，提高了青稞网斑病的识别效率和准确度。

A Recognition Method of Barley Net Spot

The invention discloses a method for identifying barley net spot, which belongs to the field of image processing. The pre-processed image is transformed into HSV color space, and the image is threshold processed in HSV gamut, so that the color is set to dark brown in light brown, dark brown and the middle color, and the other colors are set to white, then merged with the original image, H and S grading and range of change are set. According to the results, the H and S component data in the image are statistic and histogram is created, and the normalized image is normalized. Like the histogram height, the normalized histogram height and corresponding abscissa are used as image features and labels to train KNN classifier. The image samples used for testing are also processed and input to KNN classifier to obtain the prediction results. By using image filtering and denoising, extracting color space features and normalizing, and classifying by support vector machine, the invention can classify the images of normal barley leaves and barley leaves with reticular spot disease well, and improve the recognition efficiency and accuracy of barley reticular spot disease.

【技术实现步骤摘要】
一种青稞网斑病的识别方法
本专利技术属于图像处理领域，尤其涉及一种基于KNN的青稞网斑病识别方法。
技术介绍
网斑病是青稞的重要病害，近年来，由于气候，土壤等因素，发病的局部地区在感病品种上危害较重，严重发生时造成叶片枯死，颗粒无收。主要危害叶片，也侵染叶鞘和穗部。病株减产20％～30％，高感品种可减产50％以上，病麦品质也有所降低。病叶生黄褐色至淡褐色的班块，病健界限不明，内有纵横交织的网状细线，暗褐色，病斑较多时，连成暗褐色条纹状斑，上生少量孢子、但有的品种缺横纹或不明显，成为一类中间型症状，或者病叶上产生暗褐色的卵圆形、梭形、长椭圆形病斑，长3～6mm，周围常变黄色或不清晰，病斑上生黑色霉状物。病斑可互相汇合，引起叶枯。目前，青稞网斑病处于靠有经验种植者肉眼判断阶段，经验不足则可能判断失误，导致治疗方法有误，耽误青稞病情，影响产量。该方法可以智能诊断出青稞网斑病，并有很好的准确性。
技术实现思路
针对现有欠缺的诊断青稞网斑病的技术问题，本专利技术提供一种基于KNN的青稞网斑病识别方法。该方法能减少青稞网斑病对人为诊断经验的依赖，能增强特征表现型，提高分类准确性。本专利技术包含图像预处理，提取颜色特征并对其特征进行处理，训练阶段和测试阶段。能对图像及特征做很好的处理，能准确预测出青稞网斑病。因而本专利技术技术方案为一种青稞网斑病的识别方法，该方法包括：步骤1：获取青稞正常图像样本和青稞网斑病图像样本；步骤2：对步骤1获得的图像在RGB各通道内采用均值滤波进行去噪处理；步骤3：将步骤2得到图像的每个像素的颜色空间从RGB转到HSV，计算出各像素点的H值和S值；步骤4：将图像中颜色为浅褐色到深褐色之间的像素点全部置为深褐色；步骤5：将H平均划分为16个等级，S平均划分为8个等级，H分量变化为0到180，S变化范围为0到255；步骤6：对每一幅图像进行如下处理；对每个像素点的H值，根据步骤5划分出的16个等级，统计每个等级的像素点个数及概率，并作出概率直方图；对每个像素点的S值，根据步骤5划分出的8个等级，统计每个等级的像素点个数及概率，并作出概率直方图；统计每个像素H值出现的概率，并作出概率直方图；统计每个像素S值出现的概率，并作出概率直方图；步骤7：将步骤6得到的4幅直方图组合为一幅直方图，然后归一化该直方图高度值；步骤8：将青稞样本分为健康、疑似健康、疑似患病、患病4类，对待检测青稞图像进行识别时，首先按照步骤2-步骤7的方法对待检测图像进行处理，然后计算待检测青稞图像的直方图高度值与所有样本图像直方图高度值之间的欧氏距离，选取欧式距离最下的a个样本图像，然后判断这a个样本图像属于哪一类，则判断待检测青稞的健康状况为该类。进一步的，所述步骤2中的均值滤波方法为：其中：Sxy表示中心点在(x,y)处，大小为m×n的滤波器窗口；h(s,t)表示原始图像，d(x,y)表示均值滤波后得到的图像。对输入的图像进行去噪预处理，对输入的图像进行去噪预处理，采用均值滤波，可以去除均匀噪声和高斯噪声，虽然会给图像带来一定模糊，但条锈病特征较明显，均值滤波在消噪的同时对特征表达没有明显影响。算术均值滤波器就是简单地计算窗口区域的RGB各通道分别的均值，然后将均值赋给窗口中心处的像素。进一步的，所述步骤4中浅褐色的HSV值为(37°，26％，76％)，深褐色的HSV值为(30°，100％，59％)。进一步的，所述步骤5中H、S的计算方法为：r＝R/255g＝G/255b＝B/255其中：R、G、B为像素点对应在RGB色域内各通道的值；Amax＝max(r,g,b)Amin＝(r,g,b)Δ＝Amax-Amin进一步的，所述步骤7中归一化的具体方法为Data＝[Data1,Data2,...Datak]，其中Datai为提取的直方图高度；计算为所有值之和x＝[Data1/count,Data2/count,...,Datak/count],x为归一化之后特征，Datai/count为归一化后每一个纵坐标值。本专利技术将预处理之后的图像转换到HSV颜色空间，在HSV色域对图像进行阈值处理，使颜色在浅褐色和深褐色及中间的颜色都设置为深褐色，其余颜色设置为白色，再与原图像合并，设置H、S划分等级及变化范围，根据设置结果统计图像中H、S分量数据并创建直方图，归一化图像直方图高度，将归一化之后的直方图高度及对应横坐标作为图像特征及标签训练KNN分类器，讲用于测试的图像样本做同样处理输入到KNN分类器，获得预测结果。本专利技术利用对图像滤波消噪，提取颜色空间特征并归一化，及支持向量机分类，能很好分类出正常青稞叶片和网斑病青稞叶片的图像，提高了青稞网斑病的识别效率和准确度。附图说明图1为本专利技术一种青稞网斑病的识别方法的流程图。具体实施方式一种青稞网斑病的识别方法，该方法包括：步骤1：获取青稞正常图像样本和青稞网斑病图像样本；步骤2：对步骤1获得的图像在RGB各通道内采用均值滤波进行去噪处理；所述步骤2中的均值滤波方法为：其中：Sxy表示中心点在(x,y)处，大小为m×n的滤波器窗口；h(s,t)表示原始图像，d(x,y)表示均值滤波后得到的图像。对输入的图像进行去噪预处理，对输入的图像进行去噪预处理，采用均值滤波，可以去除均匀噪声和高斯噪声，虽然会给图像带来一定模糊，但条锈病特征较明显，均值滤波在消噪的同时对特征表达没有明显影响。算术均值滤波器就是简单地计算窗口区域的RGB各通道分别的均值，然后将均值赋给窗口中心处的像素。步骤3：将步骤2得到图像的每个像素的颜色空间从RGB转到HSV，计算出各像素点的H值和S值；步骤4：将图像中颜色为浅褐色到深褐色之间的像素点全部置为深褐色；所述步骤4中浅褐色的HSV值为(37°，26％，76％)，深褐色的HSV值为(30°，100％，59％)。步骤5：将H平均划分为16个等级，S平均划分为8个等级，H分量变化为0到180，S变化范围为0到255；所述步骤5中H、S的计算方法为：r＝R/255g＝G/255b＝B/255其中：R、G、B为像素点对应在RGB色域内各通道的值；Amax＝max(r,g,b)Amin＝(r,g,b)Δ＝Amax-Amin步骤6：对每一幅图像进行如下处理；对每个像素点的H值，根据步骤5划分出的16个等级，统计每个等级的像素点个数及概率，并作出概率直方图；对每个像素点的S值，根据步骤5划分出的8个等级，统计每个等级的像素点个数及概率，并作出概率直方图；统计每个像素H值出现的概率，并作出概率直方图；统计每个像素S值出现的概率，并作出概率直方图；步骤7：将步骤6得到的4幅直方图组合为一幅直方图，然后归一化该直方图高度值；所述步骤7中归一化的具体方法为Data＝[Data1,Data2,...Datak]，其中Datai为提取的直方图高度；计算为所有值之和x＝[Data1/count,Data2/count,...,Datak/count],x为归一化之后特征，Datai/count为归一化后每一个纵坐标值。步骤8：将青稞样本分为健康、疑似健康、疑似患病、患病4类，对待检测青稞图像进行识别时，首先按照步骤2-步骤7的方法对待检测图像进行处理，然后计算待检测青稞图像的直方图高度值与所有样本图像直方图本文档来自技高网...

【技术保护点】
1.一种青稞网斑病的识别方法，该方法包括：步骤1：获取青稞正常图像样本和青稞网斑病图像样本；步骤2：对步骤1获得的图像在RGB各通道内采用均值滤波进行去噪处理；步骤3：将步骤2得到图像的每个像素的颜色空间从RGB转到HSV，计算出各像素点的H值和S值；步骤4：将图像中颜色为浅褐色到深褐色之间的像素点全部置为深褐色；步骤5：将H平均划分为16个等级，S平均划分为8个等级，H分量变化为0到180，S变化范围为0到255；步骤6：对每一幅图像进行如下处理；对每个像素点的H值，根据步骤5划分出的16个等级，统计每个等级的像素点个数及概率，并作出概率直方图；对每个像素点的S值，根据步骤5划分出的8个等级，统计每个等级的像素点个数及概率，并作出概率直方图；统计每个像素H值出现的概率，并作出概率直方图；统计每个像素S值出现的概率，并作出概率直方图；步骤7：将步骤6得到的4幅直方图组合为一幅直方图，然后归一化该直方图高度值；步骤8：将青稞样本分为健康、疑似健康、疑似患病、患病4类，对待检测青稞图像进行识别时，首先按照步骤2‑步骤7的方法对待检测图像进行处理，然后计算待检测青稞图像的直方图高度值与所有样本图像直方图高度值之间的欧氏距离，选取欧式距离最下的a个样本图像，然后判断这a个样本图像属于哪一类，则判断待检测青稞的健康状况为该类。...

【技术特征摘要】
1.一种青稞网斑病的识别方法，该方法包括：步骤1：获取青稞正常图像样本和青稞网斑病图像样本；步骤2：对步骤1获得的图像在RGB各通道内采用均值滤波进行去噪处理；步骤3：将步骤2得到图像的每个像素的颜色空间从RGB转到HSV，计算出各像素点的H值和S值；步骤4：将图像中颜色为浅褐色到深褐色之间的像素点全部置为深褐色；步骤5：将H平均划分为16个等级，S平均划分为8个等级，H分量变化为0到180，S变化范围为0到255；步骤6：对每一幅图像进行如下处理；对每个像素点的H值，根据步骤5划分出的16个等级，统计每个等级的像素点个数及概率，并作出概率直方图；对每个像素点的S值，根据步骤5划分出的8个等级，统计每个等级的像素点个数及概率，并作出概率直方图；统计每个像素H值出现的概率，并作出概率直方图；统计每个像素S值出现的概率，并作出概率直方图；步骤7：将步骤6得到的4幅直方图组合为一幅直方图，然后归一化该直方图高度值；步骤8：将青稞样本分为健康、疑似健康、疑似患病、患病4类，对待检测青稞图像进行识别时，首先按照步骤2-步骤7的方法对待检测图像进行处理，然后计算待检测青稞图像的直方图高度值与所有样本图像直方图高度值之间的欧氏距离，选取欧式距离最下的a个样本图...

【专利技术属性】
技术研发人员：唐樟春，金涛，薛琦，刘杰，夏艳君，余明东，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51