局部线性与卷积网络融合的病害图像分割算法

由于植株病害图像样本少,且具有严重的空间非线性特征,现有分割方法难以对其建立准确的训练库,导致对于植株病害图像的分割识别性能不佳。为此提出并设计了局部线性与卷积网络融合的病害图像分割算法。为了实现植株病害图像的精准分割,上述算法将分割处理过程转换成多输出回归问题。采取局部线性处理,提取得到植株病害图像的特征空间和距离场空间,对其进行粗糙分割;利用卷积神经网络对粗糙结果采取非线性计算,根据多层卷积网络和误差损失,搜索出图像的代表性特征;并设计了共享字典,在迭代过程中对距离场图像块进行更新,消除字典中奇异点的同时,反复线性映射修复之前环节的处理偏差。通过在多类别病害图像集中建立仿真,验证了局部线性与卷积网络融合算法能够显著提升多病害图像分割的准确性,并且具有更好的噪声鲁棒性。

基于WT-Otsu算法的植物病害叶片图像分割方法

植物病害叶片图像分割是植物病害识别和植物分类的基础。为了解决作物病斑叶片的分割效率和实时性,在小波变换(wavelet transform)和Otsu法的基础上,提出一种基于WT-Otsu算法的植物病害叶片图像分割方法。首先,利用二维小波变换提取作物病斑图像的边缘点;其次,利用Otsu法在这些边缘点搜索最佳分割阈值;最后,利用该阈值分割图像。利用该方法在真实辣椒病害叶片图像上进行了分割试验,结果表明,该方法对病害叶片图像分割有效可行。

基于颜色均值显著点聚类的作物病害叶片图像分割方法

作物病害叶片图像分割是病害类型识别方法的一个重要步骤,其分割效果直接影响后续的识别结果。病害叶片图像的复杂多样性使得很多现有的图像分割方法不能有效应用于作物病害叶片图像分割中。针对复杂的自然病害叶片图像分割难题,提出一种基于颜色均值显著点聚类的作物病害叶片图像分割方法。该方法建立在HIS颜色空间,首先构造基于像素点HIS模型的带权无向图,然后计算病害叶片图像像素点的邻域的颜色均值,再计算该点前后两个邻域的颜色均值差作为该点的颜色跳跃度,当跳跃度大于设置的一个阈值时,该像素点为病斑点。结果表明,该算法具有较高的分割精确度和较好的抗噪声性能。

基于显著区域和PHOG的黄瓜病害识别方法研究

快速准确地识别黄瓜病害类型是黄瓜病害防治的前提,针对现有基于病害叶片图像的黄瓜病害识别方法中的病斑分割和特征提取难题,提出一种基于显著区域和方向梯度直方图的黄瓜病害叶片图像分割与识别方法。首先,利用叶片图像的亮度和颜色低阶特征,结合多尺度分析确定原始采用病害叶片图像的显著图;其次,利用K-均值算法分割显著图,得到病斑图像;再提取病斑图像的方向梯度直方图特征;最后利用支持向量机(support vector machine,简称SVM)进行病害识别。在4种常见黄瓜病害叶片图像数据库上进行测试,平均正确识别率大于90%。结果表明,该方法能够准确分割和识别复杂背景下的黄瓜病害叶片图像,为田间开放环境下实现黄瓜病害的快速自动识别提供了依据。

基于自适应中心对称局部二值模式的作物病害识别方法

基于局部二值模式(LBP)算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点,针对作物病害叶片图像的特点,提出一种自适应中心对称局部二值模式(Adaptive Center-Symmetric Local Binary Patterns,ACSLBP)算法,并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征,利用模糊C均值聚类算法对病害叶片图像进行分割,再将分割后的病斑图像进行分块,然后采用自适应阈值提取每个子块的ACSLBP纹理直方图,结合作物病害叶片图像的颜色特征,利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验,平均识别率高达95%以上,表明该方法是有效可行的。

基于边缘检测的作物病害检测方法

准确分割植物叶片病斑图像是作物病害检测和诊断的前提。在边缘检测算法的基础上,提出了一种作物病害检测方法。该方法能够更好的兼顾作物病害叶片图像的全局和局部特征。与传统的分割算法相比,该方法的分割速度较快,分割效果好,而且能够适应大田复杂环境的病害叶片图像检测。采用该方法对多幅作物病害叶片进行图像分割,实验结果表明:该方法能够较好地将病斑部分分割出来,分割结果不受叶片纹理的干扰,平均分割正确率能够达到90%以上,具有一定的有效性和实用价值。

基于分层卷积神经网络的冬枣果实病害识别方法

冬枣皮薄肉脆,富含维生素C和矿物质,深受消费者喜爱。但冬枣病害种类繁多,采用传统人工检查的方式成本高、效率低,严重制约了冬枣的产业化发展。使用传统计算机视觉的冬枣病害识别方法其准确度在很大程度上取决于人为选择的特征是否合理,具有较大的不稳定性。为了解决该问题提出一种基于分层卷积神经网络(HCNN)的冬枣果实病害识别方法。HCNN包括三个结构相同的CNN(卷积神经网络)和一个支持向量机(SVM)分类器。在进行识别的过程中,首先将原始冬枣果实病害图像的RGB、HIS和Lab三种图像分别输入HCNN的三个CNN;然后在分类层将三个CNN得到的特征图整合为一个特征向量;最后通过SVM分类器对病害图像进行分类。该方法能够自动地从冬枣果实病害图像中提取到有效的特征,不需要人工设定特征提取方法。在果实病害图像数据集上进行一系列实验,平均识别准确率达90%以上。实验结果表明,该方法充分利用图像不同颜色的特征,能够实现精确、稳定和高效的冬枣果实病害类型识别,为冬枣果实病害防治系统的发展提供参考。