基于对数频域分层梯度方向直方图的苹果病害识别方法技术

基于对数频域分层梯度方向直方图的苹果病害识别方法，先对原始的苹果病害叶片RGB彩色图像经过滤预处理，转化成YUV颜色模型，利用K均值聚类和EM方法结合对苹果叶片图像进行分割得到病斑图像，再分别计算病斑图像的对应的RGB、L*a*b*和YUV三个图像的分层梯度方向直方图，进行傅里叶变换，再取对数，得到的三个对数频域分层梯度方向直方图，再整合为一个向量，利用PCA进行维数约简，得到苹果病害叶片图像的特征向量，建立苹果病害叶片标准模版库，对于一幅待识别的苹果病害叶片，提取其特征向量，然后计算待识别叶片图像的特征向量与标准模版库中的特征向量之间的余弦距离，最后判断待识别苹果病害叶片的病害类别，本发明专利技术能够快速、准确地识别苹果病害类别。

Apple disease recognition method based on histogram of histogram in log frequency domain

Apple diseases recognition method of logarithmic frequency domain layered gradient direction histogram based on the original apple leaf disease RGB color image processed into pre filter, YUV color model, using K clustering and EM method based on apple leaf image segmentation to get the spot image, the layered RGB, L*a*b* and YUV in the direction of the gradient image three the histogram is calculated and the corresponding spot image of the Fourier transform, then get the three log log, the frequency-domain layered gradient direction histogram, and then integrated into a vector, the use of PCA dimension about Jane, and get the feature vectors in apple leaf image, establish the standard template library in apple leaves, for a map the identification of diseases in apple leaves, extract the feature vector, and then calculate the feature vector and the standard template library to identify leaf images in Finally, the invention can identify the apple disease categories quickly and accurately.

【技术实现步骤摘要】
基于对数频域分层梯度方向直方图的苹果病害识别方法
本专利技术涉及植物病害叶片图像处理和模型识别
，特别涉及基于对数频域分层梯度方向直方图的苹果病害识别方法。
技术介绍
苹果是人们最喜欢的水果之一，但苹果病害严重影响了苹果的正常生长，降低了苹果的产量和质量。如何防治苹果病害是国际社会多年来一直面临的问题，也是目前计算机和图像处理领域的一个研究方向。由于我国苹果种植区域范围广、基础设施不完善、基层植保专家队伍少、苹果病害现场诊断不方便等问题，使得传统的苹果病害防治不足，急需远程、智能化的苹果病害自动诊断和识别手段和技术。尽管苹果病害的种类和出现的症状多种多样，但绝大多数的苹果病害症状往往首先在苹果的叶子上表现出来，病害使得苹果的叶片的颜色、形状和纹理发生变化，症状在叶子上表现最明显的病害有斑点落叶病、锈病和花叶病等。叶片症状一直是基层农林防护人员和果农检测和判断苹果病害发生及其危害程度的重要依据之一。苹果病害叶片图像中包含有大量的病害特征信息，所以利用苹果叶片图像可以自动识别苹果是否有病害，也可以进一步判别病害的类别，由此对症下药，起到病害防治作用。毕傲睿针对斑点落叶病、锈病、花叶病等三种苹果叶子病害，开发了一种能够识别三种病害的智能系统【毕傲睿.苹果叶子病害图像识别系统的设计与实现[D].西安建筑科技大学硕士学位论文,2014】；师韵等人基于主分量分析算法，提出了一种基于叶片颜色、形状和纹理特征相结合的苹果病害识别方法【师韵,王旭启,张善文.基于主分量分析的苹果叶部3种常见病害识别方法.江苏农业科学,2016,44(9):337-340】。由于苹果在不同生长时期，正常叶片和病害叶片呈现不同的颜色，而且同一幅叶片上叶柄、叶脉、叶表层的绿色也不相同，特别是病斑区域在染病的初期、中期、后期也呈现不同颜色和大小和形状，使得基于苹果病害叶片图像的病害类别识别方法研究既是一个难题有具有挑战性。
技术实现思路
为了克服上述现有技术的缺点，本专利技术的目的在于提供基于对数频域分层梯度方向直方图的苹果病害识别方法，提高大田苹果病害叶片图像处理和病害类别检测和识别的智能化和自动化程度，实现苹果病害自动检测、诊断和识别。为了达到上述目的，本专利技术采用的技术方案为：基于对数频域分层梯度方向直方图的苹果病害识别方法，包括以下步骤：1)苹果病害叶片图像预处理：对于原始的苹果病害叶片RGB彩色图像，进行滤波、增强、平滑和归一化处理；2)苹果病害叶片病斑提取：将预处理后的叶片图像转化成YUV颜色模型，利用K均值聚类和EM方法结合提取病害叶片的病斑图像；3)病斑直方图计算：计算病斑图像对应的RGB、L*a*b*和YUV三个图像的分层梯度方向直方图；4)傅里叶变换幅度谱计算：分别计算三个分层梯度方向直方图的快速离散傅里叶变换，然后计算其幅度谱，再对每个幅度谱进行归一化；5)取对数：分别对归一化后的三个幅度谱取对数，再将三个对数幅度谱整合为一个向量；6)维数约简：利用主分量分析对整合特征向量进行维数约简，提取约简维数为100的最大特征值对应的特征向量，作为苹果病害叶片图像的特征向量；7)建立苹果病害叶片图像标准模版库：对每幅已知病害类别的苹果病害叶片图像进行上述操作，提取特征向量，根据已知病害类别的苹果病害叶片图像的特征向量，建立苹果病害叶片图像的标准模版库；8)计算相似度：计算待识别苹果叶片图像的特征向量与标准模版库中的特征向量之间的余弦距离，作为他们的相似度；9)病害类型识别：确定最大的相似度对应标准模板库中特征向量对应的类别，为待识别苹果叶片图像的类别，达到利用病害叶片图像识别苹果病害类别。所述的步骤2)的具体步骤为：将RGB彩色苹果病害叶片图像转化成YUV颜色模型，得到YUV模型中的颜色分量Y、U和V，分别对Y、U和V三个分量图像，利用K均值聚类法对每个小区域图像进行K均值聚类，步骤如下：(a)、针对Y分量的小区域图像集合{IY1,IY2,...,IY400}，设Ck(k＝1,2,...,K)为K类的初始聚类中心，K为聚类数；由于每一个小区域图像中病斑色彩变化一般不会太大，为了便于病斑像素聚类，一般指定每一小区域聚类数为2，即K的值取为2，则由每个小区域聚类得到的特征值数为2；(b)、对于小区域图像集合中的每一个IYi(i＝1,2,...,400)，找到离它最近的聚类中心，并将其归到离它最近的类中；(c)、采用K均值聚类方法重新计算分类后各类中心点，记为C'k(k＝1,2,...,K)；(d)、转到步骤(b)重复进行，直到平方误差准则函数收敛，其定义如下：其中，E为数据库中所有对象的平方误差的总和，y为空间中的点，Ck为第k类的聚类中心；(e)、当E值小于给定的阈值，就表明准则函数达到了收敛，这时的聚类中心Ck为IYi(i＝1,2,...,400)的第k类的聚类中心，作为该小区域图像的特征指标；重复以上步骤可以得到每个小区域图像IYi(i＝1,2,...,400)的聚类中心；(f)、对于Y和U分量图像的各个小区域图像的IUi和IVi(i＝1,2,...,400)，分别重复以上步骤(a)到步骤(e)，得到Y和U分量图像的每个小区域图像IUi和IVi(i＝1,2,...,400)的聚类中心；由以上步骤(a)到步骤(f)得到Y、U和V三个分量图像的各个小区域图像的聚类中心，作为后续EM方法中的混合高斯分布的期望的初始值；(g)、利用EM方法对每个小区域图像进行聚类，得到K类聚类中心其中EM方法中的混合高斯分布是由K种不同的高斯分布混合生成，每个分布都是相互独立的，K个高斯分布的期望参数初始值为K类聚类中心Ck(k＝1,2,...,K)；(h)、计算原始彩色病害叶片图像中各像素点与各类聚类中心的欧式距离，来划分类别，对原始彩色病害叶片图像进行分割，得到彩色的病斑图像G。所述的步骤8)中相似度的计算公式为：其中，s为两幅苹果病害叶片图像的特征向量vi和vj的相似度，T为向量转置，||vi||和||vj||分别为vi和vj的欧氏距离。本专利技术的有益效果为：利用符合人眼对颜色感知的YUV颜色模型对病斑颜色进行聚类分割，相对于传统的RGB等颜色空间上的聚类分割得到了更好的病斑分割效果。利用数字图像处理技术对苹果病害叶片图像进行处理后，建立标准苹果病害叶片的特征向量模板库，通过模板匹配方法实现对苹果病害叶片图像的自动识别和分类，提高苹果病害检测和识别的智能化和自动化程度，实现对视频苹果叶片图像中苹果病斑的自动检测和病害识别。本专利技术具有特征提取速度快、识别正确率高、识别效果稳定和实用性强等优点，提取的苹果病害叶片图像的特征向量具有旋转不变性、平移不变性和尺度不变性，能够在普通PC计算机上实现，对操作系统没有特别要求。附图说明图1-1、图1-2和图1-3分别是三种原始苹果病害叶片图像。图2-1、图2-2和图2-3分别是三种图像的病斑图像。图3-1、图3-2和图3-3分别对应图2-1的RGB图像、YUV图像和LAB图像。图4-1、图4-2和图4-3分别对应图3-1的分层梯度方向直方图、频域分层梯度方向直方图和对数频域分层梯度方向直方图。图5-1、图5-2和图5-3分别对应图3-1、图3-2和图3-3的对数频域分层梯度方向直方图。具体实施方式下面结合附图本文档来自技高网...

【技术保护点】
基于对数频域分层梯度方向直方图的苹果病害识别方法，其特征在于，包括以下步骤：1)苹果病害叶片图像预处理：对于原始的苹果病害叶片RGB彩色图像，进行滤波、增强、平滑和归一化处理；2)苹果病害叶片病斑提取：将预处理后的叶片图像转化成YUV颜色模型，利用K均值聚类和EM方法结合提取病害叶片的病斑图像；3)病斑直方图计算：分别计算病斑的RGB、L*a*b*和YUV三个图像的分层梯度方向直方图；4)傅里叶变换幅度谱计算：分别计算得到的分层梯度方向直方图的快速离散傅里叶变换，然后计算其幅度谱，再对每个幅度谱进行归一化；5)取对数：分别对归一化后的三个幅度谱向量取对数，再将三个对数幅度谱整合为一个向量；6)维数约简：利用主分量分析对整合特征向量进行维数约简，提取约简维数为100的最大特征值对应的特征向量，作为苹果病害叶片图像的特征向量；7)建立苹果病害叶片图像标准模版库：对每幅已知病害类别的苹果病害叶片图像进行上述操作，提取特征向量，根据已知病害类别的苹果病害叶片图像的特征向量，建立苹果病害叶片图像的标准模版库；8)计算相似度：计算待识别苹果叶片图像的特征向量与标准模版库中的特征向量之间的余弦距离，作为他们的相似度；9)病害类型识别：确定最大的相似度对应标准模板库中特征向量对应的类别，为待识别苹果叶片图像的类别，达到利用病害叶片图像识别苹果病害类别。...

【技术特征摘要】
1.基于对数频域分层梯度方向直方图的苹果病害识别方法，其特征在于，包括以下步骤：1)苹果病害叶片图像预处理：对于原始的苹果病害叶片RGB彩色图像，进行滤波、增强、平滑和归一化处理；2)苹果病害叶片病斑提取：将预处理后的叶片图像转化成YUV颜色模型，利用K均值聚类和EM方法结合提取病害叶片的病斑图像；3)病斑直方图计算：分别计算病斑的RGB、L*a*b*和YUV三个图像的分层梯度方向直方图；4)傅里叶变换幅度谱计算：分别计算得到的分层梯度方向直方图的快速离散傅里叶变换，然后计算其幅度谱，再对每个幅度谱进行归一化；5)取对数：分别对归一化后的三个幅度谱向量取对数，再将三个对数幅度谱整合为一个向量；6)维数约简：利用主分量分析对整合特征向量进行维数约简，提取约简维数为100的最大特征值对应的特征向量，作为苹果病害叶片图像的特征向量；7)建立苹果病害叶片图像标准模版库：对每幅已知病害类别的苹果病害叶片图像进行上述操作，提取特征向量，根据已知病害类别的苹果病害叶片图像的特征向量，建立苹果病害叶片图像的标准模版库；8)计算相似度：计算待识别苹果叶片图像的特征向量与标准模版库中的特征向量之间的余弦距离，作为他们的相似度；9)病害类型识别：确定最大的相似度对应标准模板库中特征向量对应的类别，为待识别苹果叶片图像的类别，达到利用病害叶片图像识别苹果病害类别。2.根据权利要求1所述的基于对数频域分层梯度方向直方图的苹果病害识别方法，其特征在于，所述的步骤2)的具体步骤为：将RGB彩色苹果病害叶片图像转化成YUV颜色模型，得到YUV模型中的颜色分量Y、U和V，分别对Y、U和V三个分量图像，利用K均值聚类法对每个小区域图像进行K均值聚类，步骤如下：(a)、针对Y分量的小区域图像集合{IY1,IY2,...,IY400}，设Ck(k＝1,2,...,K)为K类的初始聚类中心，K为聚类数；由于每一个小区域图像中病斑色彩变化一般不会太大，为了便于病斑像素聚类，一般指定每一小区域聚类数为2，即K的值取为2，则由每个小区域聚类得到的特征值数为2；(b)、对于小区域图像集合...

【专利技术属性】
技术研发人员：张善文，黄文准，尤著宏，
申请(专利权)人：西京学院，
类型：发明
国别省市：陕西,61