基于计算机视觉的柑橘溃疡病图像分割的研究
发布时间：2020-05-25 01:11
【摘要】：随着计算机视觉技术的快速发展和广泛应用,通过图像技术来处理农作物的病害图像,以达到智能识别病害的目的,为农作物病害的预防与诊断提供了新的途径。图像分割技术是识别病害的关键一步,在病害图像中提取病斑区域,剔除杂草、背景等不需要的区域,突出感兴趣的部分,在实际生产中,有效、准确的图像分割是病害识别的先决条件。在传统的图像分割中,一般采用阈值法来进行分割,但是在进行复杂背景下的病害图像分割时,阈值法分割的效果往往不那么理想,无法准确的将病斑区域进行完整分割,针对这种情况,本文提出了一种基于朴素贝叶斯分类的图像分割方法,将概率论引入到图像分割中,实现图像分割准确率的提高,利用该方法进行多组实验,实现复杂背景下的病斑区域的提取,并统计分割病斑区域的像素点个数。本文主要研究的内容有:(1)归纳现有的图像分割技术,总结分析不同的图像分割技术的适用性与局限性。(2)详细介绍朴素贝叶斯分类的理论基础,分析基于朴素贝叶斯分类的图像分割的方法,介绍实现病斑分割的具体实现步骤。首先对柑橘溃疡病叶片的图像进行预处理,通过中值滤波进行去噪,存储为统一的格式和像素。之后将病害图像分成样本集和训练集,在训练集选取像素点颜色特征值,包括病斑区域和背景区域的分类选取,统计形成其概率函数。最后对实验集图像上的颜色特征值进行分离,得出后验概率,从而实现病斑区域的分割。(3)对分割方法进行验证。本文采用主观散点图判别和客观误分割率相结合的方法对分割方法进行评价,采用Photoshop软件手动对实验图像逐个进行病斑像素点的统计,作为分割标准计算的实际像素值。之后采用传统的阈值分割和基于支持向量机的分割方法来对实验图像进行分割,并统计其像素点。最后将本文算法与两种传统算法的分割效果进行比较。(4)本文病害分割的算法采用Python的集成环境anaconda进行编程操作,实现病斑区域的智能分割与计算,从而为后期的病害识别和诊断提供了较为准确和实用的工具。本文提出的基于朴素贝叶斯的病害图像分割效果较好,误分割率仅3.58%,远远优于阈值法和基于支持向量机的图像分割法,在效率方面,分割时间虽然较阈值法长,但仍在合理的范围内,后续需要对分割算法进行修改,缩短分割时间。基于朴素贝叶斯的病害分割方法可以自行减小外界因素对分割的影响,通过大数据量的计算,将外界的影响降到最低。可以说基于朴素贝叶斯的病害分割方法实现了精确分割,对柑橘溃疡病来说是一种有效的病害分割方法。
【图文】：
Ｆｉｇ．３－２邋Ｔｈｅ邋ｈｉｓｔｏｇｒａｍ邋ｏｆ邋Ｃｉｔｒｕｓ邋ｃａｎｋｅｒ邋ｏｆ邋ＢＡＬ邋ｃｈａｎｎｅｌ逡逑在运用灰度直方图进行阈值的选取时，多适应于直方图出现明显双峰时，即前景和逡逑背景在灰度直方图上呈现出两个山峰状态的图像，如图３－２（ｂ）所示，直方图呈现明显的逡逑两个山峰，且两山峰之间有明显的低谷部分，图３－２（ｃ）无明显的山峰与山谷，也就是说逡逑病害图像在通道内对比不明显，背景与前景的颜色相近，而图３－２（ａ）有明显的山谷，但逡逑是其中一个山峰不够明显，没有图３－２（ｂ）的山峰对比明显，因此，，本文在进行阈值分割逡逑时，统一选取Ａ通道图像作为阈值分割的病害图像。逡逑在进行阈值分割时，固定阈值的选取是其中重要的一步，其阈值选取的精确与否将逡逑直接影响到阈值分割的最后效果，因此，本文通过两种方法相结合的方式来确定固定的逡逑阈值，分别是通过Ａ通道图像直方图的选点和Ａ通道图像选取像素点颜色的方法。首先，逡逑选取多张训练集图像
逦（Ｅ）逦（Ｆ）逡逑图３－３部分固定阈值法的分割原图和效果图逡逑Ｆｉｇ．３－３邋Ａ邋ｐａｒｔ邋ｏｆ邋ｔｈｅ邋ｉｍａｇｅ邋ｏｆ邋ｏｒｉｇｉｎａｌ邋ａｎｄ邋ｆｉｘｅｄ邋ｔｈｒｅｓｈｏｌｄ逡逑在运用自适应阈值法进行分割时不需要人为设定固定的阈值，只需要将要分割的图逡逑像确定，计算机就将ＲＧＢ图像转化为Ａ通道的图像，之后根据公式（２－１１）计算前景和背逡逑景的最大类间方差ｇ，在确定最大类间方差ｇ时的阈值Ｔ即为适合图像分割的最适阈值，逡逑并进行分割，其分割图像如下：逡逑S蜜蜸茫渴蚯劐义希ǎ猓╁危ǎ猓╁危ǎ悖╁危ǎ洌╁危ǎ澹╁危ǎ妫╁义希龋牛龋拢椋殄义希ǎ粒╁危ǎ拢╁危ǎ板危ǎ模╁危ǎ牛╁危ǎ疲╁义贤迹常床糠肿允视︺兄捣ǖ姆指钤己托Ч煎义希疲椋纾常村澹铃澹穑幔颍翦澹铮驽澹簦瑁邋澹椋恚幔纾邋澹铮驽澹铮颍椋纾椋睿幔戾澹幔睿溴澹幔酰簦铮恚幔簦椋沐澹簦瑁颍澹螅瑁铮欤溴澹恚澹簦瑁铮溴义希常保不谥С窒蛄炕牟『ν枷穹指铄义显诨谥С窒蛄炕胁『κ保疚牟捎猛枷竦难丈卣骼唇蟹掷啵茫桑恚幔纾澹叔义贤枷癫杉ぞ咚婊杉盗芳遥牵峦枷裣袼氐愕难丈卣髦担谘∪≌獠糠郑遥牵卵丈劐义险髦抵螅剐枰渥怀晌龋樱盅丈占涞氖担蛊涓屎霞扑慊耐枷穹治觯义细莶『ν枷竦难丈卣髦岛蜕鲜剑ǎ玻常矗ⅲǎ玻常担╁澹危ǎ玻常叮┘扑
本文编号：2679308
【图文】：
Ｆｉｇ．３－２邋Ｔｈｅ邋ｈｉｓｔｏｇｒａｍ邋ｏｆ邋Ｃｉｔｒｕｓ邋ｃａｎｋｅｒ邋ｏｆ邋ＢＡＬ邋ｃｈａｎｎｅｌ逡逑在运用灰度直方图进行阈值的选取时，多适应于直方图出现明显双峰时，即前景和逡逑背景在灰度直方图上呈现出两个山峰状态的图像，如图３－２（ｂ）所示，直方图呈现明显的逡逑两个山峰，且两山峰之间有明显的低谷部分，图３－２（ｃ）无明显的山峰与山谷，也就是说逡逑病害图像在通道内对比不明显，背景与前景的颜色相近，而图３－２（ａ）有明显的山谷，但逡逑是其中一个山峰不够明显，没有图３－２（ｂ）的山峰对比明显，因此，，本文在进行阈值分割逡逑时，统一选取Ａ通道图像作为阈值分割的病害图像。逡逑在进行阈值分割时，固定阈值的选取是其中重要的一步，其阈值选取的精确与否将逡逑直接影响到阈值分割的最后效果，因此，本文通过两种方法相结合的方式来确定固定的逡逑阈值，分别是通过Ａ通道图像直方图的选点和Ａ通道图像选取像素点颜色的方法。首先，逡逑选取多张训练集图像
逦（Ｅ）逦（Ｆ）逡逑图３－３部分固定阈值法的分割原图和效果图逡逑Ｆｉｇ．３－３邋Ａ邋ｐａｒｔ邋ｏｆ邋ｔｈｅ邋ｉｍａｇｅ邋ｏｆ邋ｏｒｉｇｉｎａｌ邋ａｎｄ邋ｆｉｘｅｄ邋ｔｈｒｅｓｈｏｌｄ逡逑在运用自适应阈值法进行分割时不需要人为设定固定的阈值，只需要将要分割的图逡逑像确定，计算机就将ＲＧＢ图像转化为Ａ通道的图像，之后根据公式（２－１１）计算前景和背逡逑景的最大类间方差ｇ，在确定最大类间方差ｇ时的阈值Ｔ即为适合图像分割的最适阈值，逡逑并进行分割，其分割图像如下：逡逑S蜜蜸茫渴蚯劐义希ǎ猓╁危ǎ猓╁危ǎ悖╁危ǎ洌╁危ǎ澹╁危ǎ妫╁义希龋牛龋拢椋殄义希ǎ粒╁危ǎ拢╁危ǎ板危ǎ模╁危ǎ牛╁危ǎ疲╁义贤迹常床糠肿允视︺兄捣ǖ姆指钤己托Ч煎义希疲椋纾常村澹铃澹穑幔颍翦澹铮驽澹簦瑁邋澹椋恚幔纾邋澹铮驽澹铮颍椋纾椋睿幔戾澹幔睿溴澹幔酰簦铮恚幔簦椋沐澹簦瑁颍澹螅瑁铮欤溴澹恚澹簦瑁铮溴义希常保不谥С窒蛄炕牟『ν枷穹指铄义显诨谥С窒蛄炕胁『κ保疚牟捎猛枷竦难丈卣骼唇蟹掷啵茫桑恚幔纾澹叔义贤枷癫杉ぞ咚婊杉盗芳遥牵峦枷裣袼氐愕难丈卣髦担谘∪≌獠糠郑遥牵卵丈劐义险髦抵螅剐枰渥怀晌龋樱盅丈占涞氖担蛊涓屎霞扑慊耐枷穹治觯义细莶『ν枷竦难丈卣髦岛蜕鲜剑ǎ玻常矗ⅲǎ玻常担╁澹危ǎ玻常叮┘扑
本文编号：2679308
本文链接：https://www.wllwen.com/nykjlw/dzwbhlw/2679308.html
