【摘要】：隨著計算機(jī)視覺技術(shù)的快速發(fā)展和廣泛應(yīng)用,通過圖像技術(shù)來處理農(nóng)作物的病害圖像,以達(dá)到智能識別病害的目的,為農(nóng)作物病害的預(yù)防與診斷提供了新的途徑。圖像分割技術(shù)是識別病害的關(guān)鍵一步,在病害圖像中提取病斑區(qū)域,剔除雜草、背景等不需要的區(qū)域,突出感興趣的部分,在實際生產(chǎn)中,有效、準(zhǔn)確的圖像分割是病害識別的先決條件。在傳統(tǒng)的圖像分割中,一般采用閾值法來進(jìn)行分割,但是在進(jìn)行復(fù)雜背景下的病害圖像分割時,閾值法分割的效果往往不那么理想,無法準(zhǔn)確的將病斑區(qū)域進(jìn)行完整分割,針對這種情況,本文提出了一種基于樸素貝葉斯分類的圖像分割方法,將概率論引入到圖像分割中,實現(xiàn)圖像分割準(zhǔn)確率的提高,利用該方法進(jìn)行多組實驗,實現(xiàn)復(fù)雜背景下的病斑區(qū)域的提取,并統(tǒng)計分割病斑區(qū)域的像素點(diǎn)個數(shù)。本文主要研究的內(nèi)容有:(1)歸納現(xiàn)有的圖像分割技術(shù),總結(jié)分析不同的圖像分割技術(shù)的適用性與局限性。(2)詳細(xì)介紹樸素貝葉斯分類的理論基礎(chǔ),分析基于樸素貝葉斯分類的圖像分割的方法,介紹實現(xiàn)病斑分割的具體實現(xiàn)步驟。首先對柑橘潰瘍病葉片的圖像進(jìn)行預(yù)處理,通過中值濾波進(jìn)行去噪,存儲為統(tǒng)一的格式和像素。之后將病害圖像分成樣本集和訓(xùn)練集,在訓(xùn)練集選取像素點(diǎn)顏色特征值,包括病斑區(qū)域和背景區(qū)域的分類選取,統(tǒng)計形成其概率函數(shù)。最后對實驗集圖像上的顏色特征值進(jìn)行分離,得出后驗概率,從而實現(xiàn)病斑區(qū)域的分割。(3)對分割方法進(jìn)行驗證。本文采用主觀散點(diǎn)圖判別和客觀誤分割率相結(jié)合的方法對分割方法進(jìn)行評價,采用Photoshop軟件手動對實驗圖像逐個進(jìn)行病斑像素點(diǎn)的統(tǒng)計,作為分割標(biāo)準(zhǔn)計算的實際像素值。之后采用傳統(tǒng)的閾值分割和基于支持向量機(jī)的分割方法來對實驗圖像進(jìn)行分割,并統(tǒng)計其像素點(diǎn)。最后將本文算法與兩種傳統(tǒng)算法的分割效果進(jìn)行比較。(4)本文病害分割的算法采用Python的集成環(huán)境anaconda進(jìn)行編程操作,實現(xiàn)病斑區(qū)域的智能分割與計算,從而為后期的病害識別和診斷提供了較為準(zhǔn)確和實用的工具。本文提出的基于樸素貝葉斯的病害圖像分割效果較好,誤分割率僅3.58%,遠(yuǎn)遠(yuǎn)優(yōu)于閾值法和基于支持向量機(jī)的圖像分割法,在效率方面,分割時間雖然較閾值法長,但仍在合理的范圍內(nèi),后續(xù)需要對分割算法進(jìn)行修改,縮短分割時間�；跇闼刎惾~斯的病害分割方法可以自行減小外界因素對分割的影響,通過大數(shù)據(jù)量的計算,將外界的影響降到最低。可以說基于樸素貝葉斯的病害分割方法實現(xiàn)了精確分割,對柑橘潰瘍病來說是一種有效的病害分割方法。
【圖文】：

Ｆｉｇ．３－２邋Ｔｈｅ邋ｈｉｓｔｏｇｒａｍ邋ｏｆ邋Ｃｉｔｒｕｓ邋ｃａｎｋｅｒ邋ｏｆ邋ＢＡＬ邋ｃｈａｎｎｅｌ逡逑在運(yùn)用灰度直方圖進(jìn)行閾值的選取時，多適應(yīng)于直方圖出現(xiàn)明顯雙峰時，即前景和逡逑背景在灰度直方圖上呈現(xiàn)出兩個山峰狀態(tài)的圖像，如圖３－２（ｂ）所示，直方圖呈現(xiàn)明顯的逡逑兩個山峰，且兩山峰之間有明顯的低谷部分，圖３－２（ｃ）無明顯的山峰與山谷，也就是說逡逑病害圖像在通道內(nèi)對比不明顯，背景與前景的顏色相近，而圖３－２（ａ）有明顯的山谷，但逡逑是其中一個山峰不夠明顯，沒有圖３－２（ｂ）的山峰對比明顯，因此，，本文在進(jìn)行閾值分割逡逑時，統(tǒng)一選�。镣ǖ缊D像作為閾值分割的病害圖像。逡逑在進(jìn)行閾值分割時，固定閾值的選取是其中重要的一步，其閾值選取的精確與否將逡逑直接影響到閾值分割的最后效果，因此，本文通過兩種方法相結(jié)合的方式來確定固定的逡逑閾值，分別是通過Ａ通道圖像直方圖的選點(diǎn)和Ａ通道圖像選取像素點(diǎn)顏色的方法。首先，逡逑選取多張訓(xùn)練集圖像

邐（Ｅ）邐（Ｆ）逡逑圖３－３部分固定閾值法的分割原圖和效果圖逡逑Ｆｉｇ．３－３邋Ａ邋ｐａｒｔ邋ｏｆ邋ｔｈｅ邋ｉｍａｇｅ邋ｏｆ邋ｏｒｉｇｉｎａｌ邋ａｎｄ邋ｆｉｘｅｄ邋ｔｈｒｅｓｈｏｌｄ逡逑在運(yùn)用自適應(yīng)閾值法進(jìn)行分割時不需要人為設(shè)定固定的閾值，只需要將要分割的圖逡逑像確定，計算機(jī)就將ＲＧＢ圖像轉(zhuǎn)化為Ａ通道的圖像，之后根據(jù)公式（２－１１）計算前景和背逡逑景的最大類間方差ｇ，在確定最大類間方差ｇ時的閾值Ｔ即為適合圖像分割的最適閾值，逡逑并進(jìn)行分割，其分割圖像如下：逡逑S蜜蜸�？黍秦辶x希ǎ猓╁危ǎ猓╁危ǎ悖╁危ǎ洌╁危ǎ澹╁危ǎ媯╁義希齲牛齲攏椋殄義希ǎ粒╁危ǎ攏╁危ǎ板危ǎ模╁危ǎ牛╁危ǎ疲╁義賢跡常床糠腫允視︺兄搗ǖ姆指鈐己托Ч煎義希疲椋紓常村澹鈴澹穡幔潁翦澹錚駑澹簦瑁邋澹椋恚幔紓邋澹錚駑澹錚潁椋紓椋睿幔戾澹幔睿溴澹幔酰簦錚恚幔簦椋沐澹簦瑁潁澹螅瑁錚歟溴澹恚澹簦瑁錚溴義希常保不謚С窒蛄炕牟『ν枷穹指鑠義顯諢謚С窒蛄炕脅『κ�，本文采用图像惦y丈卣骼唇蟹擲啵茫桑恚幔紓澹叔義賢枷癲杉ぞ咚婊杉盜芳遙牽巒枷襝袼氐愕難丈卣髦擔(dān)諮∪≌獠糠鄭遙牽卵丈劐義險髦抵�，粍庤要将其转粦焉为｝x櫻盅丈占淶氖擔(dān)蠱涓屎霞撲慊耐枷穹治觶義細(xì)薟『ν枷竦難丈卣髦島蛻鮮劍ǎ玻常矗�、（２－３�(dān)╁澹危ǎ玻常叮┘撲

本文編號：2679308