農(nóng)作物病害危害程度自動(dòng)測(cè)定論文

導(dǎo)語：農(nóng)作物病害危害程度自動(dòng)測(cè)定論文一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1圖像處理

紋理是圖像分析中常用的概念，紋理是指在圖像中反復(fù)出現(xiàn)的局部模式和它們的排列規(guī)則，圖像的紋理描述可以提供區(qū)域的平滑、稀疏、規(guī)則性等特性。粗糙性和方向性是人們區(qū)分紋理時(shí)所用的兩個(gè)最主要特征[1]。目前紋理特征的計(jì)算方法主要有基于圖像結(jié)構(gòu)模型(structuralmodel)的方法、基于圖像統(tǒng)計(jì)模型(statisticmodel)的方法、基于濾波器模型(filtermodel)的方法、基于隨機(jī)場(chǎng)模型（randomfieldmodel）的方法以及基于分形模型(fractalmodel)[2]的方法等。在傳統(tǒng)的紋理識(shí)別方法中，例如共生矩陣法和行程長度法，其本質(zhì)上僅是一種對(duì)圖像紋理的全局統(tǒng)計(jì)表示，缺少局部和細(xì)節(jié)信息，所以識(shí)別效率低，而且易受噪聲影響。

基于分形的紋理分類方法是把自然紋理粗糙度和分形維數(shù)相關(guān)聯(lián)的一種紋理分類方法。其重要特點(diǎn)是：在一定范圍內(nèi)獨(dú)立于分辨率，獨(dú)立于視角而穩(wěn)定存在的物質(zhì)表示量。1997年，Gregory等利用了lineardiscriminantanalysis(線性判別分析)，采用二維圖像的分形維數(shù)(由譜方法計(jì)算)、分形誤差和傳統(tǒng)的co-occurrencematrix(共存矩陣)紋理測(cè)度(例如矩特征、熵、對(duì)比度、相關(guān)性等)，結(jié)果表明分形維數(shù)和分形誤差測(cè)度要優(yōu)于基于共存矩陣的傳統(tǒng)特征[3]。其原因在于分形布朗運(yùn)動(dòng)的長相關(guān)性和尺度不變特性。

1.1基于分形紋理特征提取

分形維數(shù)己經(jīng)作為區(qū)分紋理粗糙度的有效特征而廣泛應(yīng)用于紋理分類領(lǐng)域。分形維數(shù)有多種不同的計(jì)算方法，不同的方法計(jì)算的分形維數(shù)可以用來進(jìn)行紋理分類的特征提取方

法。因?yàn)閮H僅利用分形維數(shù)不能完全分開所有的自然紋理，在分類中常常需要用到其它特征，例如空隙特征(lacunatityfeature)、分形簽名特征(signatures)、維數(shù)升降因子slope[4]、分形方向特征[5]、局部分形維數(shù)、擴(kuò)展分形特征[6]、多重分形(multi-fractal)、多尺度分形維數(shù)(multi-scalefractaldimension)、分形模型擬合誤差ER等。

考慮到圖像的熵特征滿足，平移、旋轉(zhuǎn)不變性，把熵特征作為紋理分類的一個(gè)有效特征來使用。使用了分形維數(shù)特征、空隙特征和熵特征來進(jìn)行自然紋理的分類。在分形維數(shù)特征中，采用功率譜方法、計(jì)盒維數(shù)法、毯子覆蓋法三種方法進(jìn)行計(jì)算。相應(yīng)計(jì)算得到的分形維數(shù)稱為功率譜分維、盒子維數(shù)、毯子維數(shù)。

1.2基于分形的圖像分割方法

圖像分割是圖像處理領(lǐng)域的經(jīng)典問題，章毓晉對(duì)圖像分割方法有過詳細(xì)論述[7]。圖像分割常用的理論上具有數(shù)學(xué)形態(tài)學(xué)、統(tǒng)計(jì)模式識(shí)別、神經(jīng)網(wǎng)絡(luò)、信息論、模糊理論、小波分析、遺傳算法、分形理論等。在ATR系統(tǒng)中，進(jìn)行有效的圖像分割可以為后續(xù)的圖像識(shí)別提供有效依據(jù)。對(duì)于紋理圖像，可以在進(jìn)行特征提取的基礎(chǔ)上，利用多種方法實(shí)現(xiàn)圖像分割。

基于分形的圖像分割方法基本上是首先計(jì)算圖像的局部分形維數(shù)(或其它分形特征)，然后采用有監(jiān)督分類或無監(jiān)督分類的方法達(dá)到圖像分割的目的。對(duì)于有監(jiān)督分類，利用神經(jīng)網(wǎng)絡(luò)通過網(wǎng)絡(luò)訓(xùn)練和網(wǎng)絡(luò)測(cè)試驗(yàn)證的分類性能，在圖像分割的應(yīng)用中，可以采用交互方法完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，然后利用整個(gè)圖像的每個(gè)像素領(lǐng)域進(jìn)行分形特征的計(jì)算，利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行分類，最終達(dá)到分割的目的。對(duì)于無監(jiān)督分類，常用的方法是閾值分割和聚類分割。

2自然紋理圖像自動(dòng)分類的BP網(wǎng)絡(luò)設(shè)計(jì)

BP網(wǎng)絡(luò)是采用Widrow-Hoff學(xué)習(xí)算法和非線性可微轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。一個(gè)典型的BP網(wǎng)絡(luò)采用的是梯度下降算法，也就是Widrow-Hoff算法所規(guī)定的。以三層BP網(wǎng)絡(luò)為例，BP網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，分為輸入層、中間層、輸出層三個(gè)部分。

利用BP網(wǎng)絡(luò)來實(shí)現(xiàn)自然紋理圖像的分類問題，主要目的在于測(cè)試紋理特征在分類中的性能。下面介紹網(wǎng)絡(luò)設(shè)計(jì)過程。

（1）輸入輸出向量：輸入向量山特征選擇而定，若選擇特征的個(gè)數(shù)為N，則輸入向量為N維。輸出向量分別為：[10000]、[01000]、[00100]、[00010]、[00001]分別表示對(duì)應(yīng)的sand,water,brick,grass,straw圖像。

（2）網(wǎng)絡(luò)結(jié)構(gòu)：根據(jù)分類的需要，設(shè)計(jì)了一個(gè)有三層結(jié)構(gòu)的log-sigmoid/log-sigmoid網(wǎng)絡(luò)。對(duì)于N維輸入向量，網(wǎng)絡(luò)輸入層有N個(gè)神經(jīng)元。識(shí)別5類不同的紋理，輸出有5個(gè)神經(jīng)元。根據(jù)經(jīng)驗(yàn)，網(wǎng)絡(luò)的隱含層設(shè)計(jì)了10個(gè)神經(jīng)元。

（3）網(wǎng)絡(luò)訓(xùn)練：首先建立5類圖像的訓(xùn)練圖像庫，把每類圖像按照角度為10-180度、步長為10度進(jìn)行旋轉(zhuǎn)，各自得到18個(gè)不同旋轉(zhuǎn)角度的圖像。在每幅圖像上計(jì)算N個(gè)特征。這樣，輸入樣本個(gè)數(shù)為18×N輸出向量如前所述為含有5個(gè)元素的列向量。網(wǎng)絡(luò)訓(xùn)練采用MATLAB上具函數(shù)來實(shí)現(xiàn)，使用trainbpx函數(shù)進(jìn)行快速訓(xùn)練，當(dāng)訓(xùn)練超過3000個(gè)時(shí)間單位或者網(wǎng)絡(luò)平方和誤差小于0.1時(shí)停止.網(wǎng)絡(luò)的訓(xùn)練。

（4）網(wǎng)絡(luò)測(cè)試:對(duì)于訓(xùn)練完成的網(wǎng)絡(luò)，可以利用訓(xùn)練樣本集進(jìn)行測(cè)試，來驗(yàn)證網(wǎng)絡(luò)對(duì)于訓(xùn)練樣本的分類能力。也可以采用不同的測(cè)試樣本進(jìn)行測(cè)試，驗(yàn)證網(wǎng)絡(luò)的泛化能力。文中采用的測(cè)試樣本圖像庫為:把每類圖像按照角度為15-3550、步長為20°進(jìn)行旋轉(zhuǎn)，各自得到18個(gè)不同旋轉(zhuǎn)角度的圖像。

分別利用空隙特征LA、盒維數(shù)特征CD、功率譜分維FD、毯子維數(shù)BD和熵特征EN其中的一個(gè)特征進(jìn)行神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，識(shí)別5類不同紋理。實(shí)驗(yàn)結(jié)果如表1所示。

采用四個(gè)特征相結(jié)合進(jìn)行分類實(shí)驗(yàn)，比較四個(gè)特征組合后的分類性能，實(shí)驗(yàn)結(jié)果如表2所示。

可見不同特征的組合方式對(duì)于分類器有較大影響：適當(dāng)選取不同的紋理特征互相組合，可以提高分類器的性能。

3結(jié)論

通過研究基于圖像處理技術(shù)的植物病害圖像實(shí)時(shí)采集分類并進(jìn)行危害程度自動(dòng)測(cè)定的系統(tǒng)，可以做到有目的地科學(xué)進(jìn)行病害圖像分割處理，既可提高病害識(shí)別的準(zhǔn)確性又可以縮短植物病害防治實(shí)施周期，同時(shí)能降低防治使用成本，利于實(shí)現(xiàn)我國植物病害防治方法的自動(dòng)化和現(xiàn)代化，并將有助于創(chuàng)立我國自主的植物病害防治的新方法。

參考文獻(xiàn)：

[1]李厚強(qiáng).基于分形和神經(jīng)網(wǎng)絡(luò)的紋理分析.中國科學(xué)技術(shù)大學(xué)博士學(xué)位論文[D].2000:1-2

[2]孫即祥等著.模式識(shí)別中的特征提取與計(jì)算機(jī)視覺不變量[M].北京:國防工業(yè)出版社2001:182-209

[3]G.McGarry,M.Deriche.ModellingMammographicImagesUsingFractionalBrownianMotion[J].ProceedingsoftheIEEERegionTenConference,DigitalSignalProcessingApplications.Brisbane,Australia.1997:299-302.

[4]劉文萍，吳立德.紋理特征提取及分割[J].計(jì)算機(jī)應(yīng)用與軟件.2001,18(11):44-49

[5]S.Mukhopadhyay,B.Chanda.MultiscaleMorphologicalSegmentationImages[J].IEEETrans.OnImageProcessing.2003,12(5):533-548

[6]L.M.Kaplan,ExtendedFractalAnalysisforTextureClassificationandSegmentation.IEEETrans[J].ImageProcessing.1999,8:1572-1585

[7]章毓晉.圖像分割[M].北京:科學(xué)出版社.2001:169-174

摘要：農(nóng)作物在生長和發(fā)育過程中，經(jīng)常受到各種因素的影響，導(dǎo)致農(nóng)作物發(fā)生病害。準(zhǔn)確、快速的處理與識(shí)別植物病害圖像，并自動(dòng)可*的對(duì)其進(jìn)行危害程度測(cè)定是進(jìn)行農(nóng)作物病害防治的關(guān)鍵。為此研究了利用分形理論對(duì)農(nóng)作物病變?nèi)~片自然紋理圖像進(jìn)行處理，利用BP網(wǎng)絡(luò)來實(shí)現(xiàn)自然紋理圖像的分類問題。分析各種不同的特征在分類器中的性能，提出了一種紋理特征性能的比較方法。

關(guān)鍵詞：農(nóng)作物病害；基于分形的圖像處理；BP網(wǎng)絡(luò)設(shè)計(jì)