基于稀疏表示的蘋果病害識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理和模式識別，具體涉及基于稀疏表示的蘋果病害識別方法。
【背景技術(shù)】
[0002] 蘋果廣泛分布于中國乃至世界多個地區(qū)，是多國居民食用的主要水果之一，蘋果 中含有豐富的碳水化合物、維生素、微量元素、果膠等，這些物質(zhì)對人類身體具有很多益處。 但是，蘋果是一種易染病水果，蘋果的病害種類很多，危害較大的病害有腐爛病、早期落葉 病、套袋蘋果黑點(diǎn)病、銹病、白粉病等。蘋果病害防治在蘋果生命周期中都具有重要的地位 和作用。由于廣大果農(nóng)病害防治技術(shù)水平不高，防治粗放，農(nóng)藥亂配濫用現(xiàn)象比較普遍，一 些果農(nóng)為了防治病害，從蘋果樹發(fā)芽、開花、結(jié)果的全過程都定期噴灑不同種類農(nóng)藥，由此 造成蘋果農(nóng)藥殘留嚴(yán)重超標(biāo)。科學(xué)、合理、安全地防治蘋果病害，對人們的身體健康、延長果 樹的結(jié)果年限，增長果樹壽命以及減少環(huán)境污染等都具有重要意義。
[0003] 事實(shí)表明，及早發(fā)現(xiàn)蘋果病害情況和正確診斷病害類別，是進(jìn)行科學(xué)防治蘋果病 害的前提。只有知道病害的類別，才能對癥下藥。由于不同病害蘋果病斑的顏色、紋理和形 狀之間的差異很大，所以果農(nóng)經(jīng)常根據(jù)蘋果病斑診斷病害的類別。由于病害蘋果病斑復(fù)雜、 多樣、無規(guī)律，而且病害初期病斑特征不夠明顯，所以基于人工觀察的方法往往難以對病害 做出科學(xué)、準(zhǔn)確地診斷。隨著計(jì)算機(jī)和圖像處理技術(shù)的不斷提高，自動植物病害識別方法研 究是目前學(xué)術(shù)界的一個比較熱門的研究方向。很多經(jīng)典的蘋果識別方法都需要提取蘋果病 斑圖像的特征，但由于蘋果病斑的復(fù)雜性，使得這些方法的識別效果不佳。
[0004] 稀疏表示是一種新的目標(biāo)識別方法，在人臉識別中得到了廣泛應(yīng)用。Wright 等人提出 了稀疏表示分類方法[Wringt J，Yang A Y，Ganesh A，et al. Robust face recognition via sparse representation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2009,31 (2) :210-227]。該方法能夠有效解決人臉識別過程中的 特征選擇和對遮擋的魯棒性問題。雖然稀疏表示方法在目標(biāo)識別領(lǐng)域得到了廣泛研究和應(yīng) 用，但很少看到將稀疏表示方法應(yīng)用于果實(shí)病害識別中的研究報道。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是現(xiàn)有蘋果病害識別效果不佳的問題。
[0006] 為了解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是提供一種基于稀疏表示的蘋 果病害識別方法，包括以下步驟：
[0007] S1，病害蘋果的病斑圖像分割，將每幅病害蘋果圖像轉(zhuǎn)換成灰度級為0~255、維 數(shù)為32 X 32的數(shù)字灰度圖像矩陣，記為g (X，y)，X和y表示該圖像中某像素的坐標(biāo)值，利用 直方圖法計(jì)算圖像任一灰度級為i的概率P1;
[0008] 任設(shè)一個初始閾值d將病害蘋果圖像各個像素按灰度值大小分為CJP C2兩類，計(jì) 算C1類的概率之和以及灰度均值分別為 CN 105160354 A 仇叱卞> 2/7 頁
[0009]
(1)
[0010] 計(jì)算C2類的概率之和以及灰度均值分別為
[0011]
(2)
[0012] 計(jì)算圖像的總平均灰度為
[0013] μ = ω J μ j+ω；, μ 2 ⑶
[0014] 計(jì)算圖像的類間方差為
[0015] σ = ω1(μ1-μ)2+ω2(μ2-μ) 2 (4)
[0016] 從1到255改變d值，使式（4)中〇取最大值時的分割閾值作為圖像分割的最佳 閾值，記為D，由D分割病害蘋果圖像，得到病害蘋果二值化的病斑圖像；
[0017] S2,構(gòu)建稀疏表示最優(yōu)化問題，假設(shè)有η幅k類已知蘋果病害類別的二值化病 斑圖像作為訓(xùn)練集，在訓(xùn)練集中，設(shè)第i類共有Ii 1幅病斑圖像，i = 1，2, ...，k，則η = W. .. +nk，將η幅圖像中的每幅圖像按列排成一個m維向量，其中，把第i類的所有叫幅 圖像向量化構(gòu)成矩陣
，該矩陣的每一列都代表一幅向量化圖像，所 有k類的η幅向量化圖像構(gòu)成矩陣W = [W1, W2, . . .，WJ ;
[0018] 根據(jù)稀疏編碼原理，構(gòu)造一個正則化的非負(fù)矩陣優(yōu)化問題：
[0019]
[0020] 其中，W為基矩陣，X為系數(shù)矩陣，I |x| Ihl=E U Ixlj Uxij表示y在W中第i類第 j個訓(xùn)練樣本上的投影系數(shù)，λ > 0為正則參數(shù)；
[0021] 由迭代方法求解X，迭代公式如下
[0022] X - (-Χ. *min (0，（ λ /2) E-WTy)) · AWtWX) (6)
[0023] 式（6)中：E為一個元素全為1的矩陣，表示兩矩陣中的對應(yīng)元素之積， 表示兩矩陣中的對應(yīng)元素之商；
[0024] S3,利用迭代法求解式（6)的最優(yōu)化問題，求解步驟如下：
[0025] (1)、輸入正則參數(shù)λ和最大迭代次數(shù)M，需要根據(jù)實(shí)際分類問題選取λ和Μ，λ 的取值范圍為0.5~0.9 ;
[0026] (2)、標(biāo)準(zhǔn)化y和W的列，使其具有單位I2范數(shù)，初始化非負(fù)η維列向量X ;
[0027] (3)、計(jì)算a = ( λ /2)E_WTy，E為元素全為1的矩陣；
[0028] (4)、迭代1 = 1:]?
[0029] X - (-X. *min (0, a)) · / (AtAx);
[0030] 迭代結(jié)束，得到稀疏系數(shù)；
[0031] S4,計(jì)算訓(xùn)練樣本與待定的未知病害類別樣本的殘差，對于任意第i類二值化病 斑圖像，定義S1(X)為一個η維列向量，其中S 1(X)的非零元素僅是X與第i類有關(guān)的部 分，計(jì)算第i類訓(xùn)練樣本與未知類別樣本y的殘差ε i(y) = I Iy-A δ Jx) I |2, i = 1，2，...， k ;選擇殘差最小值1所屬的類別，即為y的識別結(jié)果，作為待定樣本的病害類別。
[0032] 在上述基于稀疏表示的蘋果病害識別方法中，在Sl中，利用Matlab軟件中的函數(shù) 'imread'和'rgb2gray'將每幅病害蘋果圖像轉(zhuǎn)換成灰度級為O~255、維數(shù)為32X32的 數(shù)字灰度圖像矩陣。
[0033] 在上述基于稀疏表示的蘋果病害識別方法中，在Sl中，利用Matlab軟件中的函數(shù) 'histc'計(jì)算圖像的直方圖，計(jì)算像素為i的概率p 1:
[0034]
(7)
[0035] 式（7)中，T1為灰度值為i的像素?cái)?shù)，N為總像素?cái)?shù)。
[0036] 在上述基于稀疏表示的蘋果病害識別方法中，在Sl中，由D分割病害蘋果圖像，
[0037] (8)
[0038] 然后，設(shè)計(jì)一個3 X 3的正方形結(jié)構(gòu)元素，利用閉合運(yùn)算平滑病害蘋果圖像G (X，y) 邊界并填充病斑內(nèi)部的缺口，再將病斑的分尚部分連接在一起，最后，對得到的病斑區(qū)域進(jìn) 行開啟運(yùn)算以消除病斑周圍的噪聲，得到病害蘋果二值化的病斑圖像。
[0039] 本發(fā)明提供的基于稀疏表示的蘋果病害識別方法能夠克服現(xiàn)有蘋果病害識別方 法因蘋果病斑復(fù)雜、多樣、排列無規(guī)律、且病斑的顏色、形狀和紋理隨時間變化等原因造成 病害識別率不高和識別效果不穩(wěn)定等問題。
【具體實(shí)施方式】
[0040] 下面結(jié)合實(shí)施例對本發(fā)明進(jìn)一步說明。
[0041 ] 本發(fā)明提供的基于稀疏表不的蘋果病害識別方法包括蘋果病斑分割、構(gòu)建稀疏表 示的最優(yōu)化問題、求稀疏系數(shù)和病害類別識別四部分。
[0042] 第一步，病斑分割。
[0043] 利用Matlab軟件中的函數(shù)'imread'和'rgb2gray'將每幅病害蘋果圖像轉(zhuǎn)換成 灰度級為〇~255、維數(shù)為32X32的數(shù)字灰度圖像矩陣，記為g(x，y)，x和y表示該圖像中 某像素的坐標(biāo)值；利用Matlab軟件中的函數(shù)'histc'計(jì)算圖像的直方圖；計(jì)算像素為i的 概率P 1:
[0044]
(1)
[0045] 式中，為灰度值為i的像素?cái)?shù)，N為總像素?cái)?shù)。
[0046] 任設(shè)一個初始圖像分割閾值d，由d將病害蘋果圖像化分為CJP C 2兩類，計(jì)算C i 類的概率之和以及灰度均值分別為
[0047]
(2)
[0048] 計(jì)算C2類的概率之和以及灰度均值分別為
[0049]
(3)
[0050] 計(jì)算圖像的總平均灰度為
[0051] μ = Q1U^o2U2 (4)
[0052] 計(jì)算圖像的類間方差為
[0053] σ = ω j ( μ j-μ )2+ω2 ( μ 2-μ )2 (5)
[0054] 從1到255改變d值，計(jì)算使式（5)中σ取最大值時對應(yīng)的分割閾值，記為D，把 D作為圖像分割的最佳閾值，由D分割病害蘋果圖像，
[0055]
(6)
[0056] 然后，設(shè)計(jì)一個3 X 3的正方形結(jié)構(gòu)元素，利用閉合運(yùn)算平滑病害蘋果圖像G (X，y) 邊界并填充病斑內(nèi)部的缺口，再將病斑的分尚部分連接在一起；最后，對得到的病斑區(qū)域進(jìn) 行開啟運(yùn)算以消除病斑周圍的噪聲，得到病害蘋果二值化的病斑圖像。
[0057] 第二步，構(gòu)建稀疏表示的最優(yōu)化問題。
[0058] 蘋果病害類別識別就是利用訓(xùn)練集中的樣本來確定未知樣本的類別。假設(shè)有η幅 k類已知蘋果病害類別的二值化病斑圖像作為訓(xùn)練集。在訓(xùn)練集中，設(shè)第i類共有Il1幅病 斑圖像，i = 1，2，. . .，k，則n = ni+n；；+. . . +]\;將η幅圖像中的每幅圖像按列排成一個m維 向量，其中，把第i類的所有叫幅圖像向量化構(gòu)成矩陣％ ，該矩陣的 每一列都代表一幅向量化圖像。所有k類的η幅構(gòu)成矩陣W = [W1, W2, ...，Wj。
[0059] 根據(jù)稀疏編碼原理，構(gòu)造一個正則化的非負(fù)矩陣優(yōu)化問題：
[0060]
[0061] 其中，W為基矩陣，X為系數(shù)矩陣，I |x| Ihl=E U Ixlj Uxij表示y在W中第i類第 j個訓(xùn)練樣本上的投影系數(shù)，λ > 0為正則參數(shù)。
[0062] 由迭代方法求解X，迭代公式如下
[0063] X ^ (-Χ. *min (0, ( λ /2) E-ffTy)) · / (WtWX) (8)
[0064] 式（8)中：E為一個元素全為1的矩陣，表示兩矩陣中的對應(yīng)元素之積， 表示兩矩陣中的對應(yīng)元素之商。
[0065] 第三步，求解。利用迭代法求解式（6)的最優(yōu)化問題。
[0066] 求解步驟如下：
[0067] (1)輸入正則參數(shù)λ和最大迭代次數(shù)M，需要根據(jù)實(shí)際分類問題選取λ和Μ，λ 的取值范圍為0.5~0.9。
[0068] ⑵標(biāo)準(zhǔn)化y和W的列，使其