基于Markov隨機(jī)場(chǎng)和K均值聚類的小麥葉部病害圖像分割.pdf

1、隨著全球氣候的逐漸惡化，作物生長(zhǎng)環(huán)境變得愈加脆弱，極端氣候現(xiàn)象出現(xiàn)頻率升高，作物病害的爆發(fā)呈顯著上升的趨勢(shì)。我國是農(nóng)業(yè)大國，農(nóng)業(yè)安全與我國經(jīng)濟(jì)發(fā)展和人民生活息息相關(guān)，高效、精準(zhǔn)地防治作物病害是當(dāng)今研究領(lǐng)域的一項(xiàng)重大課題。隨著計(jì)算機(jī)視覺技術(shù)應(yīng)用領(lǐng)域的日益廣泛，以及各類模式識(shí)別技術(shù)的快速發(fā)展，通過利用圖像技術(shù)處理農(nóng)作物病害圖像，并提取特征參數(shù)，建立分類器，可以實(shí)現(xiàn)智能識(shí)別病害的目的，為病害的診斷以及預(yù)防提供新的手段。
　　病害圖像識(shí)別

2、主要包括圖像預(yù)處理、病害圖像分割、病斑特征值提取及分類識(shí)別等步驟，有效的病害圖像分割是病害識(shí)別的先決條件，直接影響了識(shí)別的效率和精度。葉部病斑是病害侵染作物的主要癥狀表現(xiàn)，是圖像分割的主要研究對(duì)象。作物葉部病害圖像分割就是從復(fù)雜背景圖像中分割出葉片病斑，由于背景的復(fù)雜性（光照不可控、背景地物多樣、葉片交叉重疊以及雜草等），大田復(fù)雜背景環(huán)境下的圖像分割一直是病害識(shí)別領(lǐng)域的技術(shù)瓶頸。
　　針對(duì)復(fù)雜背景下作物病害圖像分割的特點(diǎn)，以小麥葉

3、部典型癥狀病害（葉銹病、葉枯?。閷?shí)驗(yàn)對(duì)象，提出一種基于Markov隨機(jī)場(chǎng)和K均值聚類的復(fù)雜背景下葉部病害圖像分割方法。利用該方法對(duì)多組圖像進(jìn)行實(shí)驗(yàn)，結(jié)果表明該算法具有較好的準(zhǔn)確性和魯棒性。最后設(shè)計(jì)了葉片病害分割與計(jì)算系統(tǒng)，實(shí)現(xiàn)復(fù)雜背景下的病斑提取，并計(jì)算葉片上的相對(duì)病斑那面積。主要研究?jī)?nèi)容有:
　　(1)歸納分析現(xiàn)有的圖像分割方法?？偨Y(jié)不同分割算法的適用性和局限性。詳細(xì)介紹了Markov隨機(jī)場(chǎng)的理論基礎(chǔ)，分析了基于隨機(jī)場(chǎng)理論的迭

4、代條件模式(ICM)在圖像分割過程中的具體實(shí)現(xiàn)。
　　(2)復(fù)雜背景下病斑圖像分割。圖像經(jīng)中值濾波去噪后，采用統(tǒng)一尺寸800*800JPG格式導(dǎo)入計(jì)算機(jī)。采用逐步分割的方法分割病斑圖像:首先，利用Markov隨機(jī)場(chǎng)和數(shù)學(xué)形態(tài)學(xué)方法，對(duì)原始彩色圖像進(jìn)行處理，去除泥土、背景地物、陰影等復(fù)雜背景，分割出帶病斑的植株葉片;再采用特征空間聚類法將作物病斑圖像從植株葉片圖像中分割出來;最后，根據(jù)分割出的植株葉片圖像和病斑圖像，統(tǒng)計(jì)對(duì)應(yīng)區(qū)域的像

5、素面積，計(jì)算相對(duì)病斑面積比，作為衡量病害的嚴(yán)重程度指標(biāo)。
　　(3)分割方法驗(yàn)證。采用誤分率作為檢驗(yàn)分割精度指標(biāo)，對(duì)多組小麥葉銹病、葉枯病病害圖像做分割實(shí)驗(yàn)，并以Photoshop手動(dòng)逐像素分割作為分割標(biāo)準(zhǔn)值計(jì)算誤分率。結(jié)果表明，算法平均誤分率為3.53％。采用該方法和傳統(tǒng)方法(最大類間方差OTSU)做實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)結(jié)果直觀地表明，本文算法比較完整的分割出病斑區(qū)域，算法準(zhǔn)確度高、適用性好。
　　(4)在Matlab平臺(tái)下開發(fā)