一種基于可見光圖像的柑橘黃龍病檢測方法
【專利摘要】本發(fā)明公開了一種基于可見光圖像的柑橘黃龍病檢測方法，在訓(xùn)練階段，采集大量已感染柑橘黃龍病的柑橘葉片的圖像以及正常葉片的圖像，提取紋理特征和顏色特征的特征值，將上述特征值與正常葉片的特征值通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型；在進(jìn)行識別階段，提取待識別葉片圖像的特征，輸入上述最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型中，即判斷柑橘樹是否健康。本發(fā)明還可進(jìn)一步判斷黃龍病的種類，以及是否是非黃龍病黃化。本發(fā)明能夠?qū)Ω涕冱S龍病進(jìn)行早期、準(zhǔn)確、非破壞性診斷，具有檢測精度高的優(yōu)點。
【專利說明】—種基于可見光圖像的柑橘黃龍病檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理研究領(lǐng)域，特別涉及一種基于可見光圖像的柑橘黃龍病檢測方法。
【背景技術(shù)】
[0002]柑橘是世界上產(chǎn)量最大的水果之一，也是我國南方地區(qū)種植規(guī)模最大的水果之
一。而柑橘黃龍病(HLB)是柑橘生產(chǎn)中的一種毀滅性病害,其危害大,蔓延速度快。一旦柑橘感染HLB，輕者嚴(yán)重影響產(chǎn)量和品質(zhì)，重者則造成柑橘樹的枯死，迄今尚無有效的藥物治療方法。
[0003]為了防止HLB病菌擴散，目前柑橘生產(chǎn)采用的首要措施是連根挖除病株。在我國，累計超過上百萬畝的柑橘園因HLB被摧毀。因此，HLB被認(rèn)為是柑橘的癌癥，給果農(nóng)及相關(guān)產(chǎn)業(yè)造成了巨大的經(jīng)濟損失。如何準(zhǔn)確可靠地診斷柑橘HLB，以便及早挖除病株，對于控制疫情蔓延、提高柑橘產(chǎn)量和品質(zhì)，具有重要意義。盡管當(dāng)前已存在一些柑橘HLB的診斷方法，如目前最可靠的PCR檢測方法，但是其在基層生產(chǎn)中難以普及應(yīng)用。主要原因在于PCR檢測過程較繁瑣、周期較長、檢測費用較高且需在特定實驗室環(huán)境下進(jìn)行，對檢測人員也有一定的技術(shù)要求。而其他諸如田間診斷、嫁接診斷、電鏡觀察、血清學(xué)診斷、DNA探針雜交等方法，也因為診斷準(zhǔn)確率低、耗時長、成本高、過程繁瑣等原因而無法在實際中推廣應(yīng)用。
[0004]因此，亟需開展快速、無損、簡易、費用低廉、準(zhǔn)確可靠且能夠被廣大柑橘果農(nóng)采用的HLB檢測方法的研究。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供一種基于可見光圖像的柑橘黃龍病檢測方法，該方法以柑橘葉片作為研究對象，分析基于染病柑橘葉片的可見光圖像，確定葉片的圖像特征，建立能準(zhǔn)確反映HLB的檢測模型，對柑橘黃龍病進(jìn)行早期、準(zhǔn)確、非破壞性診斷。
[0006]本發(fā)明的目的通過以下的技術(shù)方案實現(xiàn):一種基于可見光圖像的柑橘黃龍病檢測方法，在訓(xùn)練階段，采集大量已感染柑橘黃龍病的柑橘葉片的圖像以及正常葉片的圖像，提取紋理特征和顏色特征的特征值，將上述特征值與正常葉片的特征值通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型；在進(jìn)行識別階段，提取待識別葉片圖像的特征，輸入上述最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型中，即判斷柑橘樹是否健康。
[0007]具體的，所述訓(xùn)練階段包括如下步驟:
[0008](I)采集已感染柑橘黃龍病的柑橘葉片的彩色圖像以及正常葉片的彩色圖像；
[0009](2)將彩色圖像灰度化后，采用灰色共生矩陣獲取灰度圖像的紋理特征，提取灰度共生矩陣的能量、熵、對比度、相關(guān)度作為灰度檢測特征值；
[0010](3)利用彩色圖像的HSV顏色空間，計算該顏色空間中的一階矩、二階矩和三階矩，將上述三個值作為HSV檢測特征值；[0011](4)將灰度檢測特征值和HSV檢測特征值輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型。
[0012]由于HLB葉片的顏色特征較難分辨，僅利用HSV下的顏色特征有時候仍不能達(dá)到很好的分辨效果，故還可加入HSI空間的顏色矩，具體步驟是:利用彩色圖像的HSI顏色空間，計算該顏色空間中的一階矩、二階矩和三階矩，將上述三個值作為HSI檢測特征值；將灰度檢測特征值、HSV檢測特征值、HSI檢測特征值均輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型。
[0013]在實際應(yīng)用中，不僅需要判斷是否健康，有時還需要判斷黃龍病的種類，即是屬于均勻黃化、花葉、斑駁的哪一種，同時有可能出現(xiàn)葉片具有黃化的現(xiàn)象，但是這一黃化并不是黃龍病導(dǎo)致，即非黃龍病黃化，其既不屬于健康的一類，也不屬于黃化病，這也需要進(jìn)行區(qū)分，為此，采用下述步驟進(jìn)行識別，具體步驟是:
[0014](2-1)選擇已知黃龍病種類為均勻黃化的圖像以及非黃龍病黃化的圖像，將步驟
(3)得到的HSV檢測特征值輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的、判斷均勻黃化與非黃龍病黃化的BP神經(jīng)網(wǎng)絡(luò)模型；
[0015](2-2)選擇已知黃龍病種類為花葉的圖像以及非黃龍病黃化的圖像，將步驟(3)得到的HSV檢測特征值輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的判斷花葉與非黃龍病黃化的BP神經(jīng)網(wǎng)絡(luò)模型；
[0016](2-3)選擇已知黃龍病種類為斑駁的圖像以及非黃龍病黃化的圖像，將步驟(3)得到的HSV檢測特征值輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的判斷斑駁與非黃龍病黃化的BP神經(jīng)網(wǎng)絡(luò)模型；
[0017](2-4)選擇正常葉片的圖像以及非黃龍病黃化的圖像，將步驟(2)、(3)得到的灰度檢測特征值和HSV檢測特征值以及補充的HSI檢測特征值輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，得到最優(yōu)的判斷健康與非黃龍病黃化的BP神經(jīng)網(wǎng)絡(luò)模型。
[0018]具體的，所述步驟(2)，在將彩色圖像灰度化之前通過中值濾波進(jìn)行圖像平滑，通過Sobel算子進(jìn)行圖像銳化。中值濾波是一種非線性濾波方法，在一定條件下可以克服線性濾波器處理圖像細(xì)節(jié)模糊的問題，其基本思想是把局部區(qū)域的像素按灰度等級進(jìn)行排序，取該領(lǐng)域中灰度的中值作為當(dāng)前像素的灰度值。其算法步驟:(I)將濾波模板在圖像中漫游，并將模板中心與圖像中某個像素位置重合；(2)讀取模板中對應(yīng)像素的灰度值；
(3)將這些灰度值從小到大排列；(4)取這一列數(shù)據(jù)的中間數(shù)據(jù)賦給對應(yīng)模板中心位置的像素。中值濾波器的主要功能是讓與周圍灰度值差別較大的像素值改取與周圍像素接近的值，達(dá)到消除孤立噪聲點的目的。然而，由于中值濾波的上述特點，使得平滑后的圖像邊緣和圖像輪廓變得模糊，其實質(zhì)在于圖像的能量集中在低頻部分，而噪聲及圖像邊緣信息集中在高頻部分。因此需要在平滑后使用圖像銳化來使圖像清晰。Sobel算子是典型的基于一階導(dǎo)數(shù)的邊緣檢測算子，該算子引入了類似局部平均的運算，能很好地消除噪聲的影響。實際中，常用的 Sobel 算子模板為[-1,0, I ;-2，0，2 ;-1，0，I]和[1,2, I ;0，0，O ;_1，-2，-1]，本文采用的是后一種模板，通過與圖像做平面卷積運算，實現(xiàn)對圖像邊緣的增強。
[0019]具體的，所述步驟(2)中，計算灰度共生矩陣時取距離為1，角度分別為0、45、90、135，共得到4個灰度共生矩陣。
[0020]更進(jìn)一步的，所述灰度共生矩陣是對圖像上保持某距離的兩像素分別具有某灰度的狀況進(jìn)行統(tǒng)計得到的，提取方法如下:取圖像(NXN)中任意一點(x，y)及偏離它的另一點(x+a, y+b), a、b為距離差分值,設(shè)該點對的灰度值為(gl, g2),令點(x, y)在整個畫面上移動，得到各種(gl，g2)值，設(shè)灰度值的級數(shù)為k，則(gl，g2)的組合共有k的平方種；對于整個畫面，統(tǒng)計出每一種(gl，g2)值出現(xiàn)的次數(shù)，然后排列成一個方陣，再用(gl，g2)出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率P(gl，g2)，這樣即得到灰度共生矩陣。
[0021]距離差分值(a，b)取不同的數(shù)值組合，可以得到不同情況下的聯(lián)合概率矩陣。本發(fā)明中，所述距離差分值(a，b)取值根據(jù)紋理周期分布的特性來選擇，對于較細(xì)的紋理，選取(1，0)、(1，1)、(2,0)等小的差分值。
[0022]當(dāng)a = I, b = O時,像素對是水平的，即O度掃描；當(dāng)a = O, b = I時,像素對是垂直的，即90度掃描；當(dāng)a = I, b = I時,像素對是右對角線的，即45度掃描；當(dāng)a = -1,b = I時，像素對是左對角線，即135度掃描。這樣，兩個像素灰度級同時發(fā)生的概率，就將(x，y)的空間坐標(biāo)轉(zhuǎn)化為“灰度對”(gl，g2)的描述，形成了灰度共生矩陣。通常用一些標(biāo)量來表征灰度共生矩陣的特征。本發(fā)明選取了其中的能量、熵、對比度、相關(guān)度4個特征來表征灰度共生矩陣:
[0023]I)能量 E
[0024]
【權(quán)利要求】
1.一種基于可見光圖像的柑橘黃龍病檢測方法，其特征在于，在訓(xùn)練階段，采集大量已感染柑橘黃龍病的柑橘葉片的圖像以及正常葉片的圖像，提取紋理特征和顏色特征的特征值，將上述特征值與正常葉片的特征值通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型；在進(jìn)行識別階段，提取待識別葉片圖像的特征，輸入上述最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型中，即判斷柑橘樹是否健康。
2.根據(jù)權(quán)利要求1所述的基于可見光圖像的柑橘黃龍病檢測方法，其特征在于，所述訓(xùn)練階段包括如下步驟: (1)采集已感染柑橘黃龍病的柑橘葉片的彩色圖像以及正常葉片的彩色圖像； (2)將彩色圖像灰度化后，采用灰色共生矩陣獲取灰度圖像的紋理特征，提取灰度共生矩陣的能量、熵、對比度、相關(guān)度作為灰度檢測特征值； (3)利用彩色圖像的HSV顏色空間，計算該顏色空間中的一階矩、二階矩和三階矩，將上述三個值作為HSV檢測特征值； (4)將灰度檢測特征值和HSV檢測特征值輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型。
3.根據(jù)權(quán)利要求2所述的基于可見光圖像的柑橘黃龍病檢測方法，其特征在于，在步驟(3)后，提取HSI空間的顏色矩，具體步驟是:利用彩色圖像的HSI顏色空間，計算該顏色空間中的一階矩 、二階矩和三階矩，將上述三個值作為HSI檢測特征值；將灰度檢測特征值、HSV檢測特征值、HSI檢測特征值均輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型。
4.根據(jù)權(quán)利要求3所述的基于可見光圖像的柑橘黃龍病檢測方法，其特征在于，還包括步驟: (2-1)選擇已知黃龍病種類為均勻黃化的圖像以及非黃龍病黃化的圖像，將步驟(3)得到的HSV檢測特征值輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的、判斷均勻黃化與非黃龍病黃化的BP神經(jīng)網(wǎng)絡(luò)模型； (2-2)選擇已知黃龍病種類為花葉的圖像以及非黃龍病黃化的圖像，將步驟(3)得到的HSV檢測特征值輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的判斷花葉與非黃龍病黃化的BP神經(jīng)網(wǎng)絡(luò)模型； (2-3)選擇已知黃龍病種類為斑駁的圖像以及非黃龍病黃化的圖像，將步驟(3)得到的HSV檢測特征值輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、學(xué)習(xí)，得到最優(yōu)的判斷斑駁與非黃龍病黃化的BP神經(jīng)網(wǎng)絡(luò)模型； (2-4)選擇正常葉片的圖像以及非黃龍病黃化的圖像，將步驟(2)、(3)得到的灰度檢測特征值、HSV檢測特征值、HSI檢測特征值輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，得到最優(yōu)的判斷健康與非黃龍病黃化的BP神經(jīng)網(wǎng)絡(luò)模型。
5.根據(jù)權(quán)利要求2所述的基于可見光圖像的柑橘黃龍病檢測方法，其特征在于，所述步驟(2)，在將彩色圖像灰度化之前通過中值濾波進(jìn)行圖像平滑，通過Sobel算子進(jìn)行圖像銳化。
6.根據(jù)權(quán)利要求1所述的基于可見光圖像的柑橘黃龍病檢測方法，其特征在于，所述步驟(2)中，計算灰度共生矩陣時取距離為1，角度分別為0、45、90、135，共得到4個灰度共生矩陣。
7.根據(jù)權(quán)利要求2所述的基于可見光圖像的柑橘黃龍病檢測方法，其特征在于，所述步驟(2)中，提取灰度共生矩陣的能量、熵、對比度、相關(guān)度作為灰度檢測特征值，步驟如下: (1)能量E的計算公式為:
8.根據(jù)權(quán)利要求2所述的基于可見光圖像的柑橘黃龍病檢測方法，其特征在于，所述步驟(3)、(4)中，一階矩為均值,二階矩為方差,三階矩為斜度。
【文檔編號】G06T7/00GK104008551SQ201410255640
【公開日】2014年8月27日 申請日期:2014年6月10日 優(yōu)先權(quán)日:2014年6月10日
【發(fā)明者】鄧小玲, 劉佳凱, 邢夏瓊, 梅慧蘭 申請人:華南農(nóng)業(yè)大學(xué)