图像处理研究

20世纪50年代出现的数字图像处理技术在60年代初期便成为一门正式的学科。近20多年来，随着数字图像处理技术的专业化、各种模式识别技术的日趋成熟，数字图像处理技术在农作物缺素识别诊断、种子质量检验、农产品品质检测与分级等方面得到了广泛研究，并且在农业领域显示出巨大的应用潜力。但是图像识别在作物病虫害方面的研究起步相对较晚，文献较少[1]。

2.1国外研究现状

国外对农作物病害的图像识别研究起于20世纪80年代。安冈善文等（1985）对作物叶片受有害气体污染后的红外图像进行了研究，叶子的红外图像清晰显示了被污染的区域，并提出可通过病叶来诊断植物病害[2]。穗波信雄等（1989）利用分别对缺乏钙、铁、镁营养元素的茨菇叶片进行了一些基础研究，他们利用直方图分析了颜色特征，利用RGB颜色直方图波峰分布位置，来提取叶片的颜色特征，又用阐值法分割出叶片上病态部分和正常部分，并计算出两者的面积比作为特征。他们提取的特征不明显，较难区分开缺素病[3]。YuatakaSASAKI（1999）研究了黄瓜炭疽病的自动识别技术。根据不同的分光反射特性和光学滤波对病害识别的影响，采用遗传算法，从分光反射特性和形状特性的角度建立了识别参数，对病害进行了识别。由于他们未充分利用病害的颜色及纹理信息，因此识别精度不高[4]。LuigiBodria等（2002）对不同真菌感染的小麦进行了多光谱图像识别，研究使用200W的疝气灯作为光源，并配备了一个低通滤光装置，使光源的辐射波长在360nm~430nm之间，相机分别用690nm的单一波段和4个多光谱波段(450nm，550nm，690nm，740nm)采集图像。研究分别在实验室和田间进行，可以在病害的前2-3天通过肉眼识别出病害[5]。Mohammed E1-Helly等（2004）开发了综合图像处理系统自动检测叶片病斑来识别病害类型，此系统利用人工神经网络作为分类器，能较好的识别黄瓜白粉病、霜霉病和受潜叶虫危害的叶片。Mohammad Sammany（2007）等利用遗传算法优化神经网络的结构和参数来识别植物病害图像；同时把支持向量机和神经网络两种方法应用于识别植物病害。后来，他们利用粗糙集来减少神经网络分类器的输入特征向量，以此提高分类效率[6]。2008 年Sanyal 等通过分析图像的彩色纹理，实现了水稻褐斑病和稻瘟病的自动识别，为病害识别提供了新的技术和方法[7]。Tellaeche等（2008）根据场景的透视几何原理，利用Hough变换，gabor滤波方法就可以探测出农作物的排列，加之相应的区域标记法、贝叶斯等识别算法就可以识别出行之间的杂草，解决了不同透视角度与不同空间频率下的杂草识别国内在这方面起步较晚，但是有一些高校或者科研院所一直在开展农作物病害图像识别技术的研究[8]。Bruno O M通过分析叶基于复杂性估计分形维数来识别植物。根据复杂性,分析了他们的内部和外部的形状。计算程

序开发过程中,分析和提取叶片图像的特点,从而使自动识别。结果提出了从两个实验中,首先确定从巴西大西洋森林植物物种和巴西Cerrado灌木丛,使用50叶样本来自十个不同物种,和第二识别四个不同物种从西番莲属,为每个类使用二十叶样品。比较是由两种方法来估计分形维数(盒和多尺度闵可夫斯基)。讨论的结果来确定最好的方法来分析形状的复杂性,基于性能的技术,当估计分形维数和识别植物[9]。

2.2国内研究现状

陈佳娟等（2001）采用计算机视觉技术，根据棉花叶片的孔洞及叶片边缘的残缺，来测定棉花虫害的受害程度。该方法应用局部门限法完成图像与背景的分割；用高斯拉普拉斯算子，进行棉花图像的边缘检测；利用边缘跟踪算法确定棉叶中的孔洞；利用膨胀算法确定叶片边缘的残缺。实验结果表明，该方法可有效的测定棉花虫害的受害程度，其测定误差小于0.05[10]。张长利等(2001)利用遗传算法训练的多层前馈神经网络实现番茄成熟度的自动判别的研究。对50个不同成熟度的番茄样本进行检测，结果表明，遗传算法与人工神经网络相结合，在农产品品质自动检测中具有巨大的潜力和广阔的应用[11]。徐贵力，毛罕平等（2003）针对无土栽培番茄缺乏营养元素智能识别研究中，如何提取缺素叶片纹理特征问题，提出了差分百分率直方图法。特征有效性不受叶片大小、形状差异和叶片图像中叶片周边白色背景的影响，实验验证该方法能较好地提取出缺素叶片纹理特征。最后利用K一近邻模式识别法进行模式识别，识别的准确率在80%以上[12]。程鹏飞(2005)选取合适的色度学系统，从颜色和纹理两方面人为地选择合适的特征参数，利用模糊K一近邻法建立分类器对植株叶片进行模式识别。但人为地选择特征参数，影响识别准确度度，可以利用一些优化算法来对特征参数进行优化选择[13]。田有文，牛妍（2009）探讨了采用支持向量机（SVM）对黄瓜病害进行分类的方法；提取了病斑的形状、色、质地、发病时期等特征作为特征向量，利用支持向量机分类器，选取4种常见核函数，以Matlab7.0为平台对10类常见病害进行识别。结果表明，SVM方法在处理小样本问题中具有良好的分类效果，线性核函数和径向基核函数的SVM分类方法在黄瓜病害的识别方面优于其他类型核函数的SVM[14]。王娜（2009）利用计算机视觉技术实现玉米叶部病害的自动识别诊断。综合运用数字图像处理技术、图像纹理、颜色、形状特征分析方法、遗传算法、费歇尔判别分析方法可以有效识别基于田间条件下采集的病害图像，为田间开放环境下实现大田作物病虫害的快速智能诊断提供借鉴[1]。吴兰兰（2009）提出了利用分形维数来识别玉米和杂草的方法。将田间采集到的原始图像转化到HSI空间,利用H分量的不变特性进行图像变换,以消除光照的影响,有利于图像的分割处理[15]。刘鹏（2011）以次郎甜柿为研究对象，应用快速独立分量方法对病害图像进行处理，

去除病害图像中的随机噪声。提取病害甜柿表面图像的纹理特征参数和颜色特征参数后采用支持向量机（SVM）识别甜柿表面病害。研究表明快速独立分量方(FASTICA)法可以很好地扩展病害区域边缘。采用图像纹理特征参数和颜色特征参数结合构建支持向量时，识别准确率和速度都高于只用单一特征参数的情况。在选择图像纹理特征参数和颜色特征参数结合作为支持向量的基础上，对结构参数进行优化选择[16]。曹维时（2012）为了有效的鉴定玉米种子纯度，在图像处理方法及其在玉米种子图像特征的分类算法的研究，提出了基于离散小波变换（DWT）计算纯度鉴定和BP神经网络。通过这种方法，得到的RGB颜色模型特征参数的玉米种子的冠部，然后三个颜色值进行处理，并采用二级离散小波变换分析。平均每个波段作为BP神经网络的输入样本，与玉米种子纯度鉴定结果作为神经网络的输出样本[17]。刘丽娟（2013）针对玉米生长期叶部病害的图像，以图像模式识别技术提取病害玉米叶片图像的有效特征，对目标图像进行去噪、增强，引入HSI模型进行颜色特征提取，引入光滑度、平均灰度等0 个参数进行纹理特征提取，针对传统的BP 神经网络算法所存在的学习过程收敛速度慢、算法易陷入局部极小点和鲁棒性差等缺陷，引入遗传算法对其进行优化和改进，使之具备准确分类并识别玉米叶部病害的能力，在此基础上构建了玉米叶部病害图像识别系统，通过测试比较，证明该系统能够准确识别玉米作物的叶部病害[18].温长吉（2013）提出一种基于改进人工蜂群算法的脉冲耦合神经网络图像分割算法，该文算法为病害彩色图像分割提供了一种较为有效的方法[19]。刘仲鹏针对玉米生长期叶部病害的图像,引入图像模式识别技术,实现病害图像的预处理。基于传统算法的不足，提出一种改进的小波图像增强算法，提高了图像的识别精度；深入研究了病害图像的直方图均衡化预处理、基于矢量中值滤波的图像增强操作算法，并引入超绿特征值进行图像分割，从而实现了对目标图像的去噪、增强，为下一步的特征提取与病害识别打下了良好基础[20]。可以看出，近些年来，国内外专家学者对农作物病害识别检测进行了广泛的研究，通过对农作物病害图像的预处理，提取病害特征参数，使用不同的分类器达到智能识别的目的。