基于图像分析的植物及其病虫害识别方法研究(txt+pdf+epub+mobi电子书下载)

作者：张善文,李建荣,张传雷

出版社：中国经济出版社

格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT

基于图像分析的植物及其病虫害识别方法研究试读：

张传雷，副教授、加拿大瑞尔森大学（Ryerson University）博士后、IEEE会员、ACM会员、CCF会员和中国电子学会高级会员。2000—2010年，任摩托罗拉（中国）研发经理、高级工程师等职，有多年的移动与互联网产品的研发经验。主要从事模式识别、信息处理、图像处理、物联网和大数据挖掘等方面的基础应用研究。

近5年来主持天津市自然科学基金（重点项目）、天津市留学回国人员科技活动启动项目（优秀类）、天津市应用基础与前沿技术研究计划（一般项目）、天津市科技特派员项目、天津市津南区科技计划项目、天津市高等学校科技发展基金计划项目和天津市2015年度高校聘请外专特色项目各1项，参与国家自然科学基金1项，相应成果发表在国际SCI、EI检索期刊上，有30余篇。

目前担任学术期刊IEEE Trans. on Industrial Informatics、IEEE Access、Computers in Biology and Medicine、KSII Trans. on Internet and Information Systems、Computers and Electronics in Agriculture、Soft Computing、Applied Soft Computing，以及《中国矿业大学学报》《煤炭学报》《北京理工大学学报》和多个国际学术会议论文的审稿人。内容简介

利用植物叶片图像对植物分类和病害识别是目前较为有效的方式之一，也是未来数字化植物研究的发展趋势。这一方法对植物物种智能化分类，有效预防农作物病害发生，提高农作物产量，有效控制农药对农产品和生态环境的污染等方面，都具有非常重要的现实意义。

本书在总结国内外现有研究成果的基础上，以提高植物及其病害识别的准确率和效率为目标，对植物叶片及叶部病害的图像分割、特征提取等关键技术开展了系统研究。第1章　绪论1.1　研究背景及意义1.1.1　研究背景

在地球上的生物中，植物、人类和环境的关系最为紧密。植物维持着地球大气中氧气和二氧化碳的平衡，也是人类生活所必需的资源。植物是地球陆地覆盖面积最大、对人类生存环境和生存质量影响最显著的因子，是人类生存与发展的重要资源。首先，植物在人类生命中不可或缺，它为人类提供了最基本的生活必需品，是人类的衣食来源。其次，植物在水土的保持和维护等方面都起着非常重要的作用。同时，植物也是中国传统医学的重要原材料，具有巨大的医学价值、生态价值和经济价值。

随着人口的持续增长，社会生产力的逐步提高，世界生物多样性正在急剧减少，目前已发现大量物种正濒临灭绝。例如，在过去的60年里，中国约有200种植物在人口增长和经济发展的压力下濒临灭绝，有4000～5000种植物的生存受到威胁，占中国植物总数的15%～20%，这个数字远远超过了世界10%～15%的平均值。生态平衡将会随着大量植物物种的灭绝而遭到破坏，这将对优良品种的培育产生重大影响，也会削弱我国的传统药材生产能力，减少传统中药的来源，阻碍工业、农业、卫生保健和科技的发展，也带来了严重的土地沙漠化和水土流失问题，同时也让环境的净化能力明显下降。农作物病害频发是植物生存面临的另一个严重问题，其发生的范围非常大，已经严重制约了世界范围内农作物的产量、质量和农业生产的可持续发展。

幸运的是，人类已经意识到了这一危机，开始加强对植物的保护。植物保护的首要工作就要对其开展分类研究，这就涉及植物分类学，它是研究物种起源、演化过程和演化趋势的学科，它以形态学为基础，整合了各种相关学科。通过对植物的性质和特点进行分析、比较和归纳，植物分类学可以对植物进行物种鉴定、名称识别、分类和命名，并根据植物进化规则，建立分类系统来反映植物形态的差异，以及物种遗传与进化的关系。由于植物种类繁多，并且对植物的准确识别需要具备专业知识，导致人们很难准确快速地识别植物的种类。近年来，随着计算机技术的快速发展，图像处理和识别的技术也在农作物的研究中得到了应用。比如在计算机图像获取设备的帮助下，可以使用图像处理和模式识别技术来实现对植物的快速识别的愿望。

同时，对植物病害自动识别的研究工作也非常重要。随着科学技术的发展，数码相机和智能手机也可以用来采集农作物病害的图像，并利用电脑进行处理。研究表明，可以采用图像处理和模式识别的方法来判断植物病害，以便及时采取预防和控制措施。在农业机器人、精准农业和农作物条件监测等领域，人们也广泛应用图像处理和模式识别技术。相关研究表明，结合农作物的疾病、纹理、形状和颜色的生物学特性，图像分析技术可以快速识别农作物病害，可以减少农药对环境的污染，可以减少病害导致的损失，从而在经济和环境等方面对社会做出贡献。大部分植物的病害往往先表现在叶片上，一般会导致叶片出现病斑，而且病害的类型不同，病斑的颜色、形状和纹理不同。因此，基于叶片图像的植物病害识别方法一直是植物保护、图像处理、计算机视觉和模式识别等众多领域的一个重要的研究方向，也出现了非常多的植物病害识别方法。

保护生态系统，恢复和重建受损的植被，也是研究人员关心的热点问题。在生态重建和生态恢复的过程中，要能对植物进行正确的分类与识别，常规的识别方法主要依赖野外调查，成本高且费时费力，而计算机自动识别技术将成为突破这一障碍的主要手段。

准确提取叶片的形状特征、纹理及其他信息，来代替或辅助人类视觉的计算机图像处理和模式识别技术，可在很大程度上提高植物分类的效率和精度，且有助于推动智慧农业的发展。由于植物叶片存活的时间比较长，采集比较方便，且基本上处于平面状态，适合进行二维图像处理工作（见图1-1）。因此，基于叶片图像的植物种类识别方法，无论是从计算机图像的模式识别角度看，还是从植物分类学的角度来看，都是一项简单有效的方法。这是本书以叶片图像作为研究对象来对植物进行分类与识别的重要依据。图1-1　20种不同种类植物的叶片1.1.2　研究意义

如何快速识别农作物的各种疾病是农业工作者们面临的一大难题。在对植物种类及其病害进行自动识别与分类时，最直接有效的方法就是根据其叶子来识别，因为叶片比较容易收集。叶片的形状、颜色和纹理等特征均可以作为分类的依据。因此，基于图像分析的植物叶片识别技术具有重要的现实意义，它在植物保护与生物多样性识别等方面得到了广泛应用。1.2　研究现状概述1.2.1　基于叶片图像的植物分类研究概述

对植物分类学的应用研究由来已久。植物叶片分类系统涉及多学科知识，包括计算机视觉识别技术、数学等，相关的研究包括植物叶片图像特征的提取算法、植物叶片图像特征分类器设计等，它是一项多学科高度交叉的综合性体系。虽然植物识别系统和植物叶片病害分类研究的起步相对较晚，但在不远的将来，肯定会成为植物及其病害识别和分类的主流方法。

一般而言，形态特征和纹理特征是植物叶片的主要分类特征。植物叶片特征的范围包括局部特征和全局特征。国外的相关研究始于20世纪80年代中期，有学者提取了叶片面积、周长、长度、宽度等17种简单的叶形特征，在定量描述的基础上，对其中的13个特征开展了定性描述并完成了对植物的测试（Guyer et al.，2000）。有学者研究了橡树的叶形，提取了27个叶片形状，并利用主成分分析（PCA）方法对橡树进行了分类（Ingrouille et al.，2006）。

有学者根据叶片的矩特征和几何特征，用BP神经网络作为分类器对15种瑞典树种进行了分类（Osikar et al.，1980）。有学者使用紧密度、圆度和叶片形状因子，以50个理想的叶子形状图形作为对照，来识别其他植物叶片的形状。实验结果表明，识别效果是有效的，这也为计算机识别植物种类打下了基础（Yonekawa et al.，1996）。有学者使用多角近似方法在两级叶片顶点上获得叶片轮廓。为了识别9种枫叶叶片的类型，不同叶片被分配到9种类型的最相似模板里。首先，对叶片开展归一化处理，保留原有的近似多边形，以提高叶形的识别率；其次，引入叶边锯齿的数目。对14株植物的实验结果表明，与以往方法相比，本次实验的效果有了明显改善，但对叶片种类的研究受到了限制（Cholhong et al.，1999）。有学者用70个样本中图像分形维数的方法，对叶片的复杂程度开展了估计和分析，为植物叶片分形理论的发展奠定了良好的基础（Bruno et al.，2008）。

相关研究在中国起步较晚。有学者对植物的自动分类技术开展了初步研究，描述了叶片的形状特征，并取得了一定成果（傅兴，陆汉清，1994）。有学者提出了基于计算机的植物叶片形状识别系统，该系统利用叶片形状特征，如长宽比、叶基部凹陷、叶裂缝，以及最宽处位置不同等特征对叶片形状进行自动识别该系统，该系统测试结果虽好，但不能对植物物种加以识别（朱静等，2005）。有学者对植物识别模型的特点进行了分析，论证了用图像处理和识别技术来自动提取植物的特征是可行的，但没有给出详细的实验结果（祁亨年等，2006）。

有学者利用自组织特征映射（BP）作为分类器，来识别15种植物的叶片，实验结果的平均精度较高。具体做法是：利用二维离散小波变换方法对图像进行分解，统计叶片图像在不同尺度下的小波系数中提取的72个纹理特征值，计算近似长宽比的8个叶片形状特点和7个叶片轮廓不变矩，得到了80个特征值。但是，由于叶片形状比较复杂，小波变换被用于叶片图像的分解时，其算法复杂且耗时（张蕾等，2006）。有学者利用叶片轮廓坐标来计算叶片矩形度、偏心度、圆度等7个不变矩和几何描述因子，同时引入了一个新的移动中心球分类器。这种分类器可以节省计算时间和存储空间，可以通过形状特征来对植物叶片快速开展分类和鉴定（王晓峰等，2008）。有学者利用叶片的8个形状特征，通过神经网络分类器来分类，得到了较高的识别率（侯铜等，2009）。有学者通过提取叶裂数、叶裂程度和叶片排列方式等特征对叶片轮廓进行分析，得到了6个精确阈值来对叶片进行分类。这表明，叶裂特征可以用来识别植物的种类（张静等，2008）。1.2.2　基于叶片图像的植物病害识别研究概述

由于绝大多数植物病害症状会在植物叶片上表现出来，使植物叶片的颜色、形状和纹理发生变化，因此病害叶片症状是发现病害和判断病害种类的主要依据之一。特征有效选择、病害准确分割和病害有效诊断是农作物病害识别的关键技术。近年来，国内外研究人员对植物叶片病害的识别方法开展了广泛研究，通过对植物病害叶片图像开展增强、分割等预处理方式，提取病害叶片的统计分类特征，再利用支持向量机（SVM）等分类器达到智能识别的目的。

有学者利用遗传算法（GA）优化神经网络（NN）的结构和参数，以提高病害叶片的分类效率（Sammany et al.，2007）。有学者通过对棉花病害叶片的图像进行增强、分割和特征提取，并结合支持向量机来识别棉花病害，取得了较好的效果（Camargo et al.，2009）。有学者利用朴素贝叶斯分类器和NN分类器对玉米病斑图像开展分类，病害识别率达83%以上（王克如等，2003）。有学者采用SVM对不同受害程度的小麦病害叶片的图像进行识别，识别率高达97%（王海光等，2008）。

有学者综合运用数字图像处理技术来提取玉米病害叶片图像的特征向量，并采用GA和Fisher判别分析法来识别玉米叶部病害，识别率达90%以上（王娜等，2009）。有学者利用叶片图像的颜色统计特征，对黄瓜不同时期的炭疽病和褐斑病进行了分类和识别（岑喆鑫等，2007）。有学者综合运用图像处理和NN等方法，研究了黄瓜叶部病害的识别方法（王树文等，2004）。有学者对黄瓜霜霉病叶片的受害程度进行了识别研究（施伟民等，2012）。

有学者结合颜色、形状、纹理等外部特征，在农业病害领域应用图像处理和模式识别技术来识别农业植物的病害，不但可以得到病害叶片的图像，而且可以给用户实时传输病害的种类、程度和防治方法等信息，因此说这是一项有效的农作物快速诊断病害方法（邵陆寿，葛婧等，2007；戴之祥，邵陆寿等，2007；马德贵，邵陆寿等，2008）。有学者构建了一个基于病斑图像处理的病害诊断系统，其自动化程度高（刘君等，2012）。

目前，国内外研究人员研究农作物病害的方法，可以分为两种：（1）利用遥感图像技术，如使用高光谱成像技术来实现对温室黄瓜病害的分类，（2）以往为大多数研究人员所使用的图像处理技术。

目前，国内外研究人员对植物病害的研究主要集中在图像分割、图像特征提取和病害识别等方面，他们在农作物病害智能诊断方面做了大量工作。有学者认为，植物受病害感染后，其代谢功能将会受到影响，从而导致植物的外部形态和细胞出现变化，也可能会引起植物全身出现症状。虽然症状多种多样，但大多数会通过叶片的纹理、颜色和形状表现出来。然而，对于不同类型的致病性病原体，叶片所表现出来的病害的图案、颜色和形状也是不同的，因此可以根据病害的特征来识别它们（王克如等，2005）。1.2.2.1　基于颜色特征的植物病害识别

Ahmad等通过彩色图像信息实验得出，在无氮缺水的情况下，玉米叶片的颜色会发生变化，这可为农民进行灌溉和施氮肥做参考。有学者在蘑菇叶病害诊断分析的基础上，使用RGB颜色空间模型的两个柱状图，研究蘑菇叶片在正常情况下和病理情况下的两种特征颜色。通过计算机视觉分析技术来诊断蘑菇叶片是否缺少钙、铁和镁等营养元素（穗波信雄，1989）。有学者提取了番茄营养缺乏病3种颜色特征值的均值，即标准差、方差和3种颜色RGB值之间的相关系特征，以此来识别缺乏营养的番茄叶片（徐贵力等，2003）。有学者在识别辣椒黄斑疾病时，利用中值滤波前的预处理手段来提取纹理特征，以及使用双峰法，有效地区分了正常叶片和病理叶片（崔艳丽等，2005）。在利用神经网络技术识别斑点区域的研究工作中，有学者根据大豆叶片斑图的RGB颜色特征进行了实验并验证了该技术的有效性（马晓丹等，2006）。1.2.2.2　基于纹理特征的植物病害识别

纹理一般是图像中由灰度分布在空间位置上反复出现而形成的。灰度共生矩阵是由Haralick提出的一种用来分析图像纹理特征的重要方法，它建立在图像的二阶组合条件概率密度函数的基础上，即通过计算图像中特定方向和特定距离的两像素间从某一灰度过渡到另一灰度的概率，反映图像在方向、间隔和变化幅度等方面的信息。灰度共生矩阵是常用的纹理统计分析方法之一。

有学者提取了红辣椒斑点病斑的均匀性、惯性矩、能量和熵的共生矩阵纹理特征，是识别该病害的较好参数（张静等，2006）。有学者对玉米病害开展分类鉴定的方法是通过提取玉米叶片病害的Haar小波特征。从玉米叶片的纹理特征等方面提取玉米叶片的特征向量，再将输入空间的样本，映射到高维特征空间的K均值聚类上，用来识别玉米叶片的病害（宋凯等，2007）。有学者利用该方法对玉米、葡萄等植物的病害进行了鉴定（田有文等，2010）。1.2.2.3　基于形状特征的植物病害识别

有学者对黄瓜炭疽热的自动诊断方法开展了研究，从形状特征和光谱反射特性的角度，利用遗传算法建立了识别参数，并确定了该病害的识别特征（Yuataka Sasaki et al.，1999）。有学者通过对两种孢子植物的主成分进行分析，从图像中得到了芽孢和其他孢子的形状特征，并得到了孢子的表面积、周长、半径、脊的数量和凸起参数（如大小和圆度）（Chesmore et al.，2003）。有学者利用图像相似度测度和用户相关反馈技术，提取了相关植物叶片矩形区域的形状特征，并开发了图像检索系统（李峥嵘等，2007）。1.2.2.4　基于光谱特征的植物病害识别

利用数字红外热成像技术，有学者研究了采用多光谱成像技术提取受感染的辣椒叶片表面的多光谱图像，并取得了成效；利用了叶片的高光谱图像采集系统，对白粉病、黄瓜霜霉病等病害的高光谱图像数据进行了研究；利用了450～900nm范围特征波长的图像，提取出了黄瓜叶片的特征向量，对黄瓜病害的诊断率达到了98%（冯杰等，2002）。有学者研究了黄瓜叶片在蒸腾作用下所受的霜霉病的影响，结果表明，由于气孔开孔的异常，感染后的叶片温度比未受感染时下降了0.8℃。由于细胞膜不再完整，导致大量受到病毒感染的细胞组织损失殆尽，叶片出现了萎黄病的相关症状。通过对小麦冠层光谱中受麦二叉蚜攻击的特征谱分析，有学者发现在694nm光谱反射率中，植被指数的光谱中心在800nm和694nm组合的光谱中可以检测到该病害（Miriam et al.，2004）。1.2.2.5　其他植物病害的识别方法

有学者利用穷举搜索法和颜色共生矩阵来得到叶片的纹理特征，并在高斯分类器的帮助下得到了最优的特征参数（Burks et al.，2000）。有学者利用时域差分算子提取了叶片的纹理特征（毛罕平等，2003）。有学者通过模糊BP神经网络模型，对26种葡萄的常见病害进行了诊断，得到了模糊隶属度的表达方法（刘树文等，2006）。有学者利用区域标记法、阈值法，并结合Freeman链码法，根据具有代表性病灶的玉米叶片的图像特征对玉米叶部的疾病进行了识别（赵玉霞等，2007）。有学者采用遗传算法得到了玉米叶片病害的特征，如纹理、颜色和形状等，实现了鉴定玉米叶片病害的目标（王娜等，2009）。

根据上述研究，植物病害的纹理特征通常采用共生矩阵等方法获得，但仅用单一特征会影响植物病害的识别率。植物病害的颜色特征常常是以RGB为主，有较为明显的缺点——不但识别率不高而且算法运行时间长。形状特征的提取最为直接，虽然植物病斑的形状不规则，但是一般情况下分析几个常用的特征就能得到较理想的结果。基于遥感图像处理技术的植物病害识别方法对设备的要求很严格，例如，要用到红外摄像机或光谱仪设备。但是，这些设备的价格往往较为昂贵，不利于推广和使用。1.2.3　深度学习在植物种类及病害识别领域的研究概述

由前两节可知，国内外很多专家和学者都致力于利用数字图像处理技术来识别植物的种类和病害。植物的基本特征包括叶片的形状特征和纹理特征，而对特征的描述范围又分为全局与局部。随着数字图像处理技术的发展，对植物叶片加以识别的算法也变得多种多样，可分为以下3类：（1）基于关系结构匹配的植物叶片识别方法；（2）基于统计的植物叶片识别方法；（3）基于机器学习的植物叶片识别方法。

尽管植物分类方法取得了非常大的进展，但在研究过程中仍存在许多问题。以往的植物叶片分类方法，一般采用两步法：（1）从输入的图像中提取叶片的特征；（2）根据特征，利用训练分类器开展数据分类。该方法的效果在很大程度上取决于人们的选择是否合理，但他们在选择特征时往往会感到盲目。虽然现在按人工设定的特性分类也有非常好的效果，但这些特性都是针对特定的数据而设计的。当使用相同的特性来处理不同的数据集时，得到的结果可能会不同，因此该特性是不可迁移的。

近年来，深度学习引起了国内外学者浓厚的研究兴趣，并在计算机视觉、图像分类与识别、目标检测和语音识别等众多领域取得了突破性进展。深度学习是机器学习研究的一个新领域，目的是建立和模拟人脑的分析和学习的神经网络，以及模拟人脑解释数据的机制。作为无监督学习的一种，深度学习采用了神经网络的层次结构，包括输入层、隐层（多层）、多层网络输出层，它们只存在相邻节点之间的连接，在同一层和跨层节点之间不存在相互连接。深度学习建立了与人脑相似的层次模型结构，对输入数据逐层抽取，建立了从底层信号到高级语义的良好映射关系。

谷歌、百度和阿里巴巴等公司近年来投入了大量资源来研发深度学习技术，并取得了重大进展，例如在语音、图像和在线广告等领域。从实际应用的效果来看，深度学习可能是近10年来机器学习领域最成功的研究。深度学习模型不仅避免了提取图像特征时比较耗时的问题，而且大大提高了图像识别的精度，提高了在线操作的效率。

近年来，很多学者从深度学习的模型设计、训练方式、参数初始化、激活函数选择和实际应用等多个方面进行研究，提出了很多深度学习模型，例如卷积神经网络（CNN）、深度波尔茨曼机（DBM）、深度置信网络（DBN）等，并成功应用于图像识别和植物病害识别中。由于CNN能够直接输入原始图像，现已被广泛应用于计算机视觉和图像识别与分类等领域。CNN是一项将人工神经网络与模拟视觉系统、深度学习技术相结合的新方法，在图像识别领域有着广泛的应用。卷积神经网络具有局部感知的区域性、层次性、特征提取与分类相结合的全局训练等特征，其优点是，不仅更接近于生物学，而且降低了网络模型的复杂度，减少了权值的数量。在处理多维图像时，该模型的优势更加明显。作为一项专门用于二维形状识别的多层感知器，卷积神经网络对图像的平移、缩放、倾斜等处理不会引起图像的变形。1.3　主要植物叶片数据集介绍

在研究植物叶片分类及其病虫害识别方法的过程中，研究者们分别建立了一些不同的数据集，包括瑞典植物叶片数据集、ICL植物叶片数据集、Flaria植物叶片数据集等。下面我们对这些数据集分别进行简要介绍。1.3.1　瑞典植物叶片数据集(1)

瑞典植物叶片数据集（Swedish Leaf Database）包含15类叶片图像（见表1-1），每类75幅。表1-1　瑞典植物叶片数据集中的15类植物名称

这个数据集有几个明显的特性：（1）图像中的叶片是手动对齐的，并且只有非常小角度的旋转。（2）只有同一侧的叶子被捕获。但事实上，叶子的两边形状通常是不同的。（3）叶片质量好，无严重的局部损失。由于数据集具有上述3个特性，因此数据集有一个很大的空间布局，其蕴含的空间信息可以用来提高图像的分类精度。值得注意的是，在实际中这样的先验条件是不存在的。1.3.2　ICL植物叶片数据集

ICL植物叶片数据集（Intelligent Computing Laboratory Leaf (2)Database）。在该数据集中，图像均由智能计算机实验室的成员在合肥植物园收集得到。目前，在该数据集中的样本有220个类别，每类包含26～1078个叶片样本。1.3.3　Flaria植物叶片数据集(3)

Flaria植物叶片数据集（Flaria Leaf Database）（见表1-2）包含33类植物的1907个RGB叶片图像，每个品种都有40～60个样本叶片，它们大部分都是来自中国长江三角洲的常见植物。表1-2　Flaria数据集续表1.3.4　Cleared植物叶片数据集(4)

Cleared植物叶片数据集是一个在线采集树叶的图像集，由来自世界各地实验室的不同人员参与收集。其目的是便于在叶片的结构和功能方面开展研究，保存和归档植物叶片的数据，促进学术交流。1.3.5　叶片形状数据集(5)

叶片形状数据集由印度学者和研究人员开发，是为了纯学术交流和研究而开发的，对于评估各种图像的处理算法非常有用，目前由18种不同类型的叶片图像组成。1.3.6　ImageCLEF

ImageCLEF（Cross Language Evaluation Forum）旨在提供一个跨语言标注和检索图像的评价论坛。2012年，其所采用的数据集包括了126种来自法国地中海地区的植物，总共11572个样本。1.3.7　MEW数据集

MEW（Middle European Woody）数据集是基于叶片形状的植物种类识别的实验而创建的，它主要包含生长在捷克共和国的乔木和灌木叶片。MEW 2014有200个种类，每个种类包含4～168个样本，总共包含15074个叶片样本。1.3.8　PlantVillage植物病害叶片数据集

PlantVillage是一个关于植物及其健康的在线平台，可以提问和回答关于农业和植物方面的问题。平台发布了一个含有正常和病害植物(6)叶片图像的数据集，包含14种植物共54309个图像。在植物病害叶片数据集中，包含了26种常见疾病。参考文献

［1］胡秋霞．基于图像分析的植物叶部病害识别方法研究［D］．咸阳：西北农林科技大学，2013.

［2］张善文，张传雷，程雷．基于监督正交局部保持映射的植物叶片图像分类方法［J］．农业工程学报，2013.

［3］董红霞．基于图像的植物叶片分类方法研究［D］．长沙：湖南大学，2013.

［4］田杰．基于计算机视觉的小麦叶部病害识别方法研究［J］．学术论文联合比对库，2014.

［5］田杰．基于图像分析的小麦叶部病害识别方法研究［D］．咸阳：西北农林科技大学，2015.

［6］张娟．基于图像分析的梅花种类识别关键技术研究［D］．北京：北京林业大学，2011.

［7］刁智华．大田小麦叶部病害智能诊断系统研究与应用［D］．合肥：中国科学技术大学，2010.

［8］孙丹．农业昆虫与害虫防治［J］．河南科技学院学报（自然科学版），2002.

［9］谢宝剑．基于卷积神经网络的图像分类方法研究［D］．合肥：合肥工业大学，2015.

［10］张艳令．烟草病害自动识别诊断系统的研究［D］．泰安：山东农业大学，2015.

［11］朱圣盼．基于计算机视觉技术的植物病害检测方法的研究［D］．杭州：浙江大学，2007.

［12］张宁，刘文萍．基于图像分析的植物叶片识别技术综述［J］．计算机应用研究，2011.

［13］张宁．基于图像分析的植物叶片识别算法研究［D］．北京：北京林业大学，2013.

［14］李旺，唐少先．基于图像处理的农作物病害识别研究现状［J］．湖南农机，2012.

［15］杨利伟．基于有序序列傅里叶变换的植物叶片识别系统的研究与实现［D］．合肥：中国科学技术大学，2013.

［16］张宁，刘文萍．基于图像分析的植物叶片识别技术综述［J］．计算机应用研究，2011，28（11）：4001-4007.

［17］张教海，李亚兵，别墅，等．数字图像处理在棉花形态特征提取上的应用［J］．湖北农业科学，2007.

［18］张善文，贾庆节，井荣枝．基于正交线性判别分析的植物分类方法［J］．安徽农业科学，2012.

［19］张善文，孔韦韦，王震．基于稀疏表示字典学习的植物分类方法［J］．浙江农业学报，2017.

［20］杨朝辉．计算机舌诊中裂纹舌图像的诊断分类研究［D］．哈尔滨：哈尔滨工业大学，2010.

［21］迟文龙．基于FSVM的煤层气单井故障诊断研究［D］．大连：大连理工大学，2013.

［22］苏恒强．玉米病害图像识别系统的设计与实现［D］．长春：吉林大学，2010.

［23］王少莉．化工企业安全生产预警模型研究［D］．天津：天津理工大学，2017.

［24］Anon. A leaf recognition algorithm for plant classification using PNN (Probabilistic Neural Network) [EB/OL]. [2018-11-01]. http://flavia.sourceforge.net/.

［25］WANG F, LIAO D W, LI J W, et al. Two-dimensional multifractal detrended fluctuation analysis for plant identification [J]. Plant Methods, 2015, 11 (1): 12.

［26］WU S G, BAO F S, XU E Y, et al. A leaf recognition algorithm for plant classification using probabilistic neural network [C]//Anon. IEEE 7th International Symposium on Signal Processing and Information Technology, Cario, Egypt. [S.l.: s.n.], 2007.

［27］Anon. Cleared leaf imagedatabase [EB/OL]. [2018-07-02]. http://clearedleavesdb.org/.

［28］Anon. Contourtracing [EB/OL]. [2018-07-02]. http//www.imagepro cessingplace.com/downloads_V3/root_downloads/image_databases/leaf%20shape%20database/leaf_shapes_downloads.htm.

［29］陈良宵，王斌．基于形状特征的叶片图像识别算法比较研究［J］．计算机工程与应用，2017，53（9）.

［30］王献锋，张善文，王震，等．基于叶片图像和环境信息的黄瓜病害识别方法［J］．农业工程学报，2014.

［31］王怡萱，阚江明，张俊梅，等．基于VC++的植物种类模式识别系统研究［J］．湖北农业科学，2011.

［32］马珍玉．基于深度学习和SVM的植物叶片识别系统的研究与测试［D］．呼和浩特：内蒙古农业大学，2016.

［33］田凯，张连宽，熊美东，等．基于叶片病斑特征的茄子褐纹病识别方法［J］．农业工程学报，2016.

［34］贾婧，王忠芝．基于共生矩阵的图像检索系统的研究［J］．微计算机信息，2010.

［35］覃天足．基于人工智能的景物识别算法［J］．电子世界，2018.

［36］孙泽浩．基于深度学习的恶意代码检测技术［J］．网络安全技术与应用，2018.

［37］佚名．《红外与激光工程》“深度学习及其应用”专题征稿［J］．红外与激光工程，2017：348.

［38］杨小微．让“自由课堂”走向“深度学习”［J］．江苏教育，2017.

［39］银温社，胡杨升，董青青，等．基于深度学习的细胞癌恶化程度预测方法研究［J］．软件导刊，2018.

［40］凌翔，王昔鹏，赖锟．基于小波低频分量的交通标志定位算法研究［J］．西部交通科技，2017.

［41］李丽君，魏霖静．基于二元共生模式的图像检索系统［J］．控制工程，2018.

［42］吴超，邵曦．基于深度学习的指静脉识别研究［J］．计算机技术与发展，2017.

［43］穆向昕．标准化推动视频技术的发展［J］．演艺科技，2018.

［44］陈寅，周平．植物叶形状与纹理特征提取研究［J］．浙江理工大学学报，2013.

［45］宋光慧．基于迁移学习与深度卷积特征的图像标注方法研究［D］．杭州：浙江大学，2016.

［46］宁永强，段敏燕，余重玲．互联网街景安全保密信息处理平台设计与实现［J］．遥感信息，2016.

［47］张恒亨．基于传统方法和深度学习的图像精细分类研究［D］．合肥：合肥工业大学，2014.

［48］余子健．基于FPGA的卷积神经网络加速器［D］．杭州：浙江大学，2016.

［49］耿雪．基于视觉词典稀疏表示的商品检索［D］．北京：北京交通大学，2016.

［50］白鹏．基于卷级神经网络的双目立体视觉研究［D］．杭州：浙江大学，2016.

［51］严考碧．基于特征学习的多示例多标记学习研究［D］．桂林：广西师范大学，2016.

［52］陈鸿翔．基于卷积神经网络的图像语义分割［D］．杭州：浙江大学，2016.

［53］卢伟，胡海阳，王家鹏，等．基于卷积神经网络面部图像识别的拖拉机驾驶员疲劳检测［J］．农业工程学报，2018.

［54］李竺强，朱瑞飞，高放，等．三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类［J］．光学学报，2018.

［55］陈智．基于卷积神经网络的语义分割研究［D］．北京：北京交通大学，2018.

［56］何柳．表单识别中的关键问题研究［D］．沈阳：沈阳工业大学，2016.(1)　http://www.isy.liu.se/cvl/ImageDB/public/blad/.(2)　http://www.intelengine.cn/source.htm.(3)　http://flavia.sourceforge.net/.(4)　http://clearedleavesdb.org/.(5)　http://www.imageprocessingplace.com/downloads_V3/root_downloads/image_databases/leaf%20shape%20database/leaf_shapes_downloads.htm.(6)　http://www.plantvillage.org.第2章　叶片图像分类特征及图像预处理2.1　叶片图像识别步骤

基于图像分析的植物叶片识别的步骤主要包括：使用数码相机或其他设备开展图像的采集工作，对图像进行预处理操作，图像边缘的提取操作，图像形状特征的提取操作，目标对象的匹配和识别。

图像采集是指获取目标图像，可以通过相关设备来得到。为了提高图像的质量，需要对图像进行预处理操作，主要包括图像的去噪、尺寸调整和分割等。图像的边缘保留了原始图像较大的部分，对图像边缘的提取是存储叶片边缘信息的一项常用算法。图像特征的提取方式是基于计算机图像分析的一种算法，涉及计算机视觉和图像处理的概念。图像特征类型的提取方法各不相同，合适的图像特征可以大大增强图像识别的精度。目标对象是指需要识别的对象。根据模式识别方法可以对图像进行分类。在此过程中，先发现训练样本的属性，找到分类规则；然后根据这种规则对非训练样本数据进行分类。

叶片的识别系统通常分测试和训练两个阶段。在训练阶段，对训练样本的图像进行图像预处理和特征提取操作后，得到其综合特征向量，放入分类器训练学习后得到成熟的训练结果。在测试阶段，对测试样本的图像进行预处理和特征提取操作后，得到其特征值，放入分类器识别后，便可识别植物的类别。2.2　植物叶片图像的分类特征

叶片是植物进行光合作用的主要器官，也是植物开展蒸腾作用的主要途径。研究植物叶片的各种参数，对植物的分类工作具有十分重要的意义。本书选取植物叶片为研究对象，运用数字图像处理技术对其进行分析并提取叶片形状的参数，以便对植物的种类和病害类型进行识别。在植物叶片及病虫害识别领域，较为常用的特征主要包括颜色、形状和纹理等特征，可以根据不同图像的特点，选择并提取合适的特征。1．颜色特征

颜色是人们识别和记忆图像的主要特征，它对图像的尺寸、视角等方面的依赖性较小，具有较高的鲁棒性。描述颜色特征的方法主要包括颜色直方图、颜色矩和颜色集等。其中，颜色直方图表示图像中各种颜色出现的频率。颜色矩指图像中任何的颜色分布都可以用它的矩来表示，通常用一阶矩、二阶矩和三阶矩来表示图像的颜色分布。颜色集是一种对颜色直方图的近似表达，可以将图像表达为一个二进制的颜色集。2．形状特征

形状是图像表达的一个重要特征，通常被认为是由一条封闭的轮廓曲线所包围的区域。形状特征主要包括几何特征、区域描述特征、不变矩和傅里叶形状描述等。

几何特征包括周长、面积、主轴和方向角等。图像的区域描述特征主要包括伸长度、凸凹性、复杂度和偏心度等，主要是一些区域度量值的比值，具有平移、缩放和旋转的不变性。不变矩是一种区域物体形状的表示方法，具有线性特性，对于图像的平移、缩放和旋转同样具有不变性。傅里叶形状描述可以用来作为植物叶片的分类特征，主要是用物体边界的傅里叶变换来描述其形状。3．纹理特征

纹理特征是物体表面共有的内在特性，包括物体表面结构排列的重要信息。在图像识别领域，常用的纹理特征主要包括Tamura纹理特征、灰度共生矩阵和小波变换表示的纹理特征等。Tamura纹理特征的6个分量分别对应人类对纹理的视觉感知的6种属性，它们分别是对比度、线像度、规整度、粗糙度、方向度和粗略度。灰度共生矩阵主要反映了图像灰度分布在方向、局部邻域和变化幅度等方面的综合信息，主要包括角惯性矩、相关性、二阶矩、局部均匀性等。小波变换表示的纹理特征主要用波段在每个分解层次上能量分布的均值和标准方差来表示。2.2.1　颜色特征

在不同季节，植物的叶片会呈现不同的颜色，而周围环境的变化同样会导致叶片的颜色发生变化。植物叶片的颜色特征可以用于叶片图像的形态学分析。正常叶片的叶绿体中有两大类光合色素，其中叶绿素和类胡萝卜素的比值是3∶1，叶绿素a和叶绿素b的比例大约也是3∶1，叶黄素和胡萝卜素的比值大约为2∶1。正常情况下，叶绿素比类胡萝卜素多，因此叶子是绿色的。当温度逐渐降低时，低温导致叶片无法合成新的叶绿素，原有的叶绿素也逐渐被破坏掉，导致叶绿素的含量比类胡萝卜素少，树叶的颜色就会由绿变黄。

在图像的颜色、形状和纹理等特征中，最容易让人识别和感知的是颜色。在提取颜色特征的过程中有以下问题需要解决：（1）如何描述颜色特征，如何根据需要来选择合适的颜色空间；（2）如何量化颜色特征，并用向量法描述选出的颜色空间。（3）如何定义不同颜色的图像之间相似度的标准。2.2.1.1　颜色空间的选取

当前，在数字图像的颜色识别方面，专家和学者做了大量研究，结果表明人类对颜色的感知是三维的。彩色图像识别技术的关键是找到符合人类视觉的颜色模型。图像的颜色特征是由观察者的视觉系统体验和图像本身决定的。为了有效地获得目标图像的颜色特征，必须选择适合人类视觉系统的模型，例如RGB、HSV和YUV等模型。与其他模型相比，RGB模型具有方便性和通用性等优点。

人眼受到不同波长的可见光刺激时，就可以感受到不同的颜色。当有可见光刺激视网膜锥状细胞时，人眼能够感受到红、绿和蓝3种颜色，其波长分别为630nm、530nm和450nm。因为红、绿和蓝3种基色是显示彩色的基础，通常把它们称为RGB颜色模型。其他颜色都可以由RGB三基色按照不同的比例相加而成（见图2-1），因此RGB模型也叫加色模型。图2-1　三基色原理

RGB彩色图像通常用于视频、光照及屏幕图像的编辑工作。根据三基色的基本原理，产生颜色的数量一共为255×255×255=16581375种。根据式（2-1），任意色光F都可以用RGB三基色相加得到：

其中，（255，255，255）为白色，（0，0，0）为黑色。

在图像处理过程中，HSV模型也被广泛应用。与RGB模型相比，HSV模型更符合人们的视觉习惯。HSV的3个元素是H（色相）、S（饱和度）和V（亮度），它构成了人类视觉系统的三要素。色相H表示不同的颜色，如红色、绿色、蓝色和黄色等，它的角度范围是0°～360°；饱和度S表示颜色的深度，如深色和浅色，其取值范围通常为0～1；亮度V表示颜色亮度的等级，其取值范围通常为0～1。一般而言，亮度值主要受光波能量的影响。光波的能量越大，亮度也就越大。如图2-2所示，这是HSV颜色空间模型，在一个倒置的圆锥体中，H表示角度，S表示到长轴的距离，V是长轴。圆锥顶部的亮度值最大，饱和度最高。图2-2　HSV颜色空间模型

对人类的眼睛来说，HSV模型具有直观和容易接受的优点。一般来说，叶片图像是在不同的光照条件下拍摄的，如果使用RGB模型，将无法单独表示亮度和颜色信息；但是对于HSV模型而言，亮度和颜色信息各自独立，颜色不受亮度的影响。因此，如果采集的叶片图像是RGB模型的，就需要将其转换为HSV模型的。

YUV模型也较为常见。在该模型中，Y代表亮度，可理解为灰度值，它是独立的；U和V分别代表色差，其中U表示蓝色，V表示红色。YUV模型很简单，但能充分反映图像灰度的特点，通过失去色度信息来达到节省存储空间的目的。在图像的颜色信息压缩和存储方面，YUV模型扮演着重要角色，但也正是因为该模型在表达图像颜色方面太过简单，因此不适合进行颜色检索。2.2.1.2　常用的叶片颜色分类特征

前文简略介绍过，描述颜色特征的方法主要有颜色直方图、颜色矩和颜色集等，下面详细介绍一下。1．颜色直方图

颜色直方图描述的是不同颜色在图像中的占比，它是一种有效的表示图像颜色内容的方法，适用于图像检索。由于该方法不涉及颜色在图像中的空间位置，故它无法描述图像中具体的目标。通常情况下，颜色直方图用来描述那些难以进行自动分割的图像。颜色直方图有两个明显的缺点：（1）会遗漏图像的颜色空间分布信息；（2）如果颜色直方图空间的维数比较大，并且图像的数据库也比较大时，识别图像所耗费的时间也会比较长。2．颜色矩

颜色矩是一种简单有效的颜色特征表示方法，该方法主要基于图像中任何的颜色分布均可以由其矩来表示的数学思想。实际上，颜色分布的信息主要集中于其低阶矩中，故人们通常采用颜色的一阶、二阶和三阶矩来表示图像颜色分布的信息。3．颜色集

颜色集的思想近似于颜色直方图。该方法的主要思路是将视觉不均衡的颜色空间转化成均衡的颜色空间，并将其量化成若干个二进制文件，再用色彩自动分割技术将图像分成若干区域，而每个区域都用量化颜色空间的某个颜色分量来索引，就可以将图像表达为一个二进制的颜色集。2.2.2　形状特征

在叶片图像识别方法的研究中，形状特征提取具有广泛的应用范围，是第一个被用于分类的标准，故对提取方法的研究相对成熟。在二维图像空间中，可以从分割图像的目标区域中获得形状特征。人们将形状特征的描述方法分为两类：一类是描述形状的区域边界轮廓特征；另一类是目标区域内所有像素的集合。根据叶片目标区域的几何轮廓和区域，利用两种描述方法可提取植物叶片图像的形状特征。

叶片的形状特征是判断叶片种类最重要、最有效的依据。一般而言，不同种类叶片的形状不同，但也不是说叶片的形状是变化无穷的，它的变化还是在一定的范围内。据统计，植物叶片较常见的形状有：针形、披针形（包括倒披针形）、矩圆形（亦称长圆形）、椭圆形、卵形（包括倒卵形）、圆形、条形、匙形、扇形、镰刀形、肾形、心形（包括倒心形）、提琴形、菱形、三角形和鳞形等。

从能否直接测量的角度看，叶片的形状特征可以分为直接特征和间接特征。叶片的直接形状特征是指可以从植物叶片的图像中直接得到的特征；而叶片的间接形状特征是指通过计算等方式得到的特征，它无法从植物叶片的图像中直接测量得到。1．叶片的直接形状特征

常用的直接形状特征包括：叶片的周长（Perimeter）、面积（Area）、最小包围盒（Bounding-box）、纵轴长（Y-length）、横轴长（X-length）、凸包（Convex Hull）、外切圆（Ex-circle）、内切圆（In-circle）等。具体情况见图2-3。图2-3　叶片形状特征示意图（1）叶片的周长，一般来说，周长是指某一物体或区域的边界长度。叶片的周长就是叶片边缘的总长度。常用的计算周长方法有3种，它们分别为：链码法、隙码法和数边界点法。

①链码法，如果将图像中的像素看作点，叶片的周长就是计算出的链码长度。②隙码法，如果将像素看作单位面积的小方块，那么许许多多的小方块就组成了图像中的区域和背景，此时边界用隙码表示，叶片的周长就是计算出的隙码长度。③数边界点法，即用叶片轮廓像素的数目来计算叶片的周长。

这3种方法均以像素长度为单位，其中，链码法的测量精度相对较高，而隙码法和数边界点法的测量精度要低些，原因是像素在斜方向长度方面存在测量误差。所以，如果想让叶片周长的测量值接近其真实值，就应该使用链码法进行测量。（2）叶片的面积，面积是对物体所占范围的一种客观度量，它由物体或区域的边界决定，与其内部灰度级的变化无关。计算叶片面积的方法有3种，它们分别是：边界链码法、像素计数法和边界坐标计算法。

①边界链码法，若区域的边界编码已知，则只需将值为1的行程长度累计相加，就能得到该区域的面积；若给出物体的封闭边界，则对应的连通区域的面积就是区域的外边界所包围的面积与内边界所包围的面积之差。②像素计数法，统计叶片边界和内部像素的总数，边界和内部像素点的总和与单个像素面积的乘积，即为叶片的面积。③边界坐标计算法，在平面上，一条封闭曲线所包围的面积由其轮廓积分来表示。（3）最小包围盒（外接矩形），当物体的边界已知时，用其外接矩形的尺寸来表达它的基本形状是最简单的方法。（4）纵轴长，最小包围盒的长度就是叶片的长度，或者指叶片轮廓上相距最远的两个像素点之间的连线。（5）横轴长，最小包围盒的宽就是叶片的宽度，或者指与长轴垂直且距离最长的叶片轮廓上的两个像素点之间的连线。（6）凸包，指包含叶片的最小凸集，它是最小的凸多边形，目标区域内的点都在这个多边形上，或者在其内部。（7）外切圆，指与叶片外切的圆，即能包围叶片的最小圆；又指在目标区域里能够找到的以区域重心为圆心，以重心与轮廓的最大距离为半径的圆。（8）内切圆，是与叶片内切的圆，即叶片能包含的最大圆。它是在目标区域里能够找到的以区域重心为圆心，并以重心与轮廓的最小距离作为半径的圆。2．叶片的间接形状特征

常用的间接形状特征包括：纵横轴比（Aspect Ratio）、矩形度（Rectangularity）、面积凹凸比（Area Convexity）、圆周长凹凸比（Perimeter Convexity）、球型度（Sphericity）、圆形度（Circularity）、偏心率（Eccentricity）、形状因子（Form Factor）和最佳匹配椭圆（The Best Match Ellipse）。（1）纵横轴比，是叶片最小包围盒的长和宽的比值。（2）矩形度，图像的区域面积与其最小外接矩形的面积之比即为矩形度，它反映了区域对其最小外接矩形的充满程度。当区域为矩形时，矩形度为1；当区域为圆形时，矩形度为π/4；对于不规则的区域，矩形度介于0～1之间。（3）面积凹凸比，是叶片面积与叶凸面积的比值。（4）圆周长凹凸比，是叶片周长与叶凸包周长的比值。（5）球型度，是叶片的内切圆半径与外切圆半径的比值，用来描述物体边界的复杂程度。（6）圆形度，用来表示边界各点到叶片区域重心的平均距离与距离的均方差的比值。（7）偏心率，是叶片长轴和短轴的比值。（8）形状因子，是叶片面积和叶片周长平方值的比值。（9）最佳匹配椭圆，是能够包围目标叶片图像的最小椭圆。2.2.3　纹理特征

纹理的形成与灰度分布在空间位置上的反复出现有关，在图像空间中，有某种位置关系的两个像素间会存在一定的灰度关系，称为图像中灰度的空间相关特性。灰度直方图是对图像的单个像素进行某个灰度值的统计的结果，灰度共生矩阵是统计图像上有着特定方向和特定距离的两个像素分别具有的灰度状况并反映了图像变换的综合信息。灰度共生矩阵就反映了像素灰度相对位置的空间信息。灰度共生矩阵是一种通过研究图像灰度的空间相关特性从而描述图像纹理的方法，它将图像的灰度信息和之间的结构转化为量化的矩阵，即将纹理的识别过程转化成计算矩阵中的元素的过程，这样做处理起来很方便并且结果清晰。

灰度共生矩阵是图像像素的联合概率分布，也是纹理分析中常用的统计方法（Hassan M.，et al.，2012）。在图像的纹理特征中，灰度共生矩阵是研究图像纹理特征的一个有效方法，在图像分析、目标检测识别、生物学和医学等领域有着广泛应用。灰度共生矩阵的各个元素，由图像中两个位置上的像素组成的像素对应灰度级联合概率密度定义。灰度共生矩阵是建立在图像的二阶组合条件概率密度函数的基础上，即通过计算图像中特定方向和特定距离的两像素间从某一灰度过渡到另一灰度的概率，反映图像在方向、间隔、变化幅度及快慢等方面的综合信息。（1）二阶矩

二阶矩反映了图像灰度分布的均匀程度和纹理粗细度。因为它是灰度共生矩阵各元素的平方和，又称为能量。二阶矩值大时纹理粗，能量大；反之，纹理细且能量小。（2）对比度

对比度可理解为图像的清晰度。对比度大，纹理的沟纹深，图像清晰；反之则沟纹浅，图像模糊。（3）相关

相关是用来衡量灰度共生矩阵元素在行或列方向上的相似程度。例如，水平走向纹理在水平方向上的相关就大于其他方向上的相关。（4）熵

熵是图像所具有信息的度量，反映了图像中纹理的复杂程度或非均匀度。若图像没有任何纹理，则灰度共生矩阵几乎为零矩阵，熵值接近为零；若图像有较多的细小纹理，则灰度共生矩阵中的数值近似相等，则图像的熵值最大；若图像中分布着较少的纹理，则该图像的熵值较小。（5）逆差矩

逆差矩可提取出图像旋转不变的特征，简单的方法是针对0°、45°、90°和135°角度下的同一特征求平均值和均方差。

纹理特征被广泛应用于图像识别和图像分类等领域。许多专家和学者都提出了不同的纹理特征提取方法，如灰度共生矩阵、自相关函数法和灰程长度法等；同时，专家和学者们也提出了许多新的纹理特征提取理论，如分形理论、马尔可夫随机场理论和小波理论等。本章从特征、模型和结构等方面总结了近年来纹理特征的提取方法和分类，包括几何方法、结构方法、模型方法和信号处理方法等。而基于叶片图像特征并融合观叶鉴定植物物种的方法，已被大多数专家和学者接

试读结束[说明：试读内容隐藏了图片]

下载完整电子书