摘 要

食物是人们日常生活的基础，所以准确识别病变并诊断作物更为重要。尽管植物病害的症状各不相同，但大多数植物病害症状或多或少地出现在叶子上。因此，可以通过分析受感染的叶子来开始鉴定作物疾病。手动监测植物病害非常困难，需要很长的时间来处理。因此在此背景下，将图像处理技术用于检测植物疾病十分重要，需要一种智能化的方法来代替人工检测来加快鉴定识别速度、提高识别正确率。

通过Matlab软件编写图像检测算法。首先通过Markov随机场和ICM分割法将植物叶片从复杂的背景图像中分割出来，然后通过k-means均值聚类将植物病斑从植物叶片图像中分割出来，并计算出病斑面积和健康面积的比例大小，接着通过Matlab软件搭建GUI界面，编辑并完善软件的界面，在对植物病斑图像进行检测计算的同时也进行软件的调试，使GUI检测出来的图像更加完整、清晰。最后对GUI运行得到的植物病斑图像进行分析。

关键词：植物病斑；图像分割；图像识别；

Research on Plant Patch Image Detection Algorithms

Introduction

Food is the basis of people's daily life, so it is more important to accurately identify diseases and diagnose crops. Although plant disease symptoms vary, most plant disease symptoms appear more or less on leaves. Therefore, crop diseases can be identified by analyzing infected leaves. Manual monitoring of plant diseases is very difficult and takes a long time to deal with. Therefore, in this context, it is very important to apply image processing technology to detect plant diseases. An intelligent method is needed to replace manual detection to accelerate identification speed and improve recognition accuracy.

The image detection algorithm is written by Matlab software. First, the plant leaves are segmented from the complex background image by Markov random field and ICM segmentation. Then, the plant lesions are segmented from the plant leaf image by k-means mean clustering, and the proportion of the lesion area and the healthy area is calculated. Then build the GUI interface through Matlab software, edit and improve the software interface. In the detection and calculation of the plant lesion image, the software is also debugged, so that the image detected by the GUI is more complete and clear. Finally, the image of the plant lesion obtained from the GUI operation is analyzed.

Keywords ：Plant disease； Image Segmentation；Image Identification；

目录

1.绪论 -1-

1.1研究背景 -1-

1.2国内研究现状 -1-

1.3国外研究现状 -2-

1.4研究的目的和意义 -3-

1.5研究内容及章节安排 -3-

2.系统流程图及总体设计方案 -5-

2.1系统流程图 -5-

2.2总体设计方案 -5-

3.图像预处理 -7-

3.1图像采集 -7-

3.2去躁 -9-

3.2.1邻域平均法 -9-

3.2.2低通滤波法 -9-

3.2.3中值滤波 -9-

4.病害图像分割和病斑特征值提取 -11-

4.1目标叶片分割 -11-

4.1.1基于Markov随机场的图像分割 -11-

4.1.2以ICM分割叶片区域 -14-

4.1.3形态学处理 -15-

4.2病斑分割 -17-

4.2.1算法K-means聚类 -17-

4.2.2算法原理 -17-

4.2.3算法流程 -18-

4.2.4算法的优缺点及改进 -19-

4.3相对病斑面积 -20-

5.平台搭建及测试结果 -22-

5.1平台搭建 -22-

5.1.1 MATLAB 2016a 的安装过程 -22-

5.1.2 GUI 界面设计 -22-

5.2测试结果及分类 -23-

结论 -32-

致谢 -33-

参考文献 -34-

1.绪论

1.1研究背景

中国是一个人口众多的国家，人民的生产和生活需要依靠农业。农民在寻找合适的农药和种植正确的农作物方面有着广泛的多样性。农产品质量和数量由于受到植物病害的影响显著下降。植物病害的研究是指对植物的视觉观察模式的研究。监测植物健康和疾病在成功种植作物方面发挥着重要作用。在早期阶段，植物疾病的监测和分析由该领域的专家手动完成。这需要大量的工作并且需要一些处理时间。图像处理技术可用于检测植物疾病。在大多数情况下，疾病症状出现在叶子，茎和果实上。通过植物叶子检测疾病被认为是疾病症状的指标。本文介绍了用于检测植物病害的图像处理技术。

1.2国内研究现状

1997年，徐娟发表了水果分级并行处理的具体算法在深刻研究静态果实视觉图像并行处理技术的时候，其中详细的算法涵盖了并行处理和经典算法的大小，果形和颜色的并行处理算法，让并行处理机上的分级速度得以优化。1989年，陈佳娟等获得棉花图像的直方图形状外征通过应用截面法，分割一个棉花图像在土壤背景里面，这个使分割精度大大提高^[1]。2002年，黄永林研究了果实实时分级动态图像采集与分层自动控制系统，然后实时采集水果动态图像和设计分级控制系统的硬件，最终取得了同步跟踪果实实时位置信息的能力。2003年，付峰研究了球形图像的灰度变换和颜色变换模型，提出了柑橘图像的灰度和颜色畸变校正模型，实验结果表明该模型具有良好的有效性和真实的灰度和果实颜色。它被证明对恢复有益。2010年，赖军臣等利用Markov随机场高斯模型，分割测试了玉米叶枯病、弯孢霉、灰枯病、大枯萎病和小枯萎病的图像，能够高质量地分离一些正确的病斑区域和叶片，分类率达到96.35%，这种方法让玉米斑点图像显现特别不错的分割效果^[2]。2012年，何丹丹等获取连续光滑的水稻叶片边缘通过一些最小外接矩形算法、中值滤波及Canny算子 ^[3]，这些算法有很多的优势，例如鲁棒性好和准确度高。夏心怡和苏真伟等人在分割棉花中的异性斑纹（纤维）时，利用透射光将棉花与异性斑纹的灰度差别增大对其灰度直方图采用自适应局部阈值分割，再通过比较异性斑纹与正常纤维的斜率，较好地将斑纹分割出来。谷凌燕和戈振扬等人在分割植物根系的斑纹过程中，充分利用了根斑与背景区域在HIS色彩模型中H分量的独立性，应用H分量作为分割的阈值条件，有效快速地将根斑分割了出来。马晓丹，关海鸥等人在对玉米叶部染病程度的研究中，利用了叶部病斑在RGB颜色特征中R值明显高于非病斑部分的特点，选取R值作为门限阈值，再与双峰法和直方图的凹凸性分析相结合，使用统计验证的方式较好的分割出了病斑。但由于R，G，B值本身受光照影响较大，所以还必须根据亮度值来选取相应的门限。刘金帅和赖惠成等人在分割棉花图像过程中，利用了棉花颜色特征与背景颜色特征的差异，对棉絮、棉枝和土壤等物质进行分类，根据分类结果，分别提取HSV，HIS和YCbCr等3种颜色空间的像素值，利用Fisher线性判别分析的分类模型进行门限处理，结果发现，在YCbCr颜色空间下产生的分割噪声最小。陈占良和张长利等人在分割大豆的灰斑病时，将采集到的RGB彩色图像灰度化，通过灰度直方图呈现的双峰特性，利用Ostu全局自动阈值法和Sobel边缘检测算子很好地将病斑区域分离出来。不足之处在于，大多数的微分算子（如Robert算子，Prewitt算子，Sobel算子和Canny算子等）都有其局限性，它们中有的对噪声敏感，有的精度低，并且都有一个共同的缺陷：不能得到连续的单像素边缘，所以通常还需对边缘进行修补工作。毛亮和薛月菊等人在研究荔枝的图像分割算法中，运用稀疏场水平集方法对目标区域轮廓进行了精确提取，从而将荔枝的图像分割出来，不仅很好地克服了随机噪声的影响，而且还较好地保持了果实区域的完整性。袁媛和李淼等人在对黄瓜病叶的分割中，提出了一种先验信息的水平集模型，在引入了纹理信息和形状信息之后，新的水平集模型能够准确并且成功地实现了目标病斑与复杂背景的自动分离

1.3国外研究现状

1985年，安冈善文等人有一项是对植物叶片吸收污染气体So₂的红外图像进行了研究^[4]，叶片的污染区域在叶片的红外图像中显现的很清楚，这表明可以通过植物叶片的病害情况来判断其疾病状态。1989年，穗波信雄利用茨菇的缺素症来进行研究^[5]。穗波信雄去掉了带有病斑的叶片图像的背景，并从去掉背景的含有带有病斑的叶片的图像中分别提取出叶片的健康和病害部分的色度直方图。之后，他又进一步用各种缺少元素的叶片，来提取叶片中的健康和病害部分的区域。最终结果显示，叶片症状的原因可以用叶片病害区域所占的比例来确定。1999年，YuatakaSASAKI研究了自动识别黄瓜炭疽病的技术^[6]。根据形状特征及光谱反射特征，利用遗传算法来建立识别参数，对病害进行诊断和识别。但是结果识别出的结果的准确度并不高，因为他们对于利用纹理信息及疾病颜色的利用不充分。2002年，LuigiBodria等对小麦因不同真菌所导致的感染的多光谱图像进行了识别研究^[7]。研究中，他们使用了疝气灯作为光源，并且装配了一个低通滤光装置，光源的辐射波长被设定在360纳米~430纳米之间，相机分别用4个多光谱波段及690纳米的单一波段来对图像进行采集。分别在实验室和田野中进行了研究，且在病害的前2-3天可以通过肉眼来观察到病害。2004年，MohammedE1-Helly等开发了一个能够自动检测植物叶片病斑的成像系统 ^[8]，用来识别病害的名称类型，更好地识别黄瓜白粉病，霜霉病和叶子矿工损坏的叶片使用人工神经网络作为分类器。2009年，J.S.Smith和A .Camargo采用基于遗传算法的最优直方图阈值图像分割法，他们利用此分割法设计出了能够分类识别植物病害的系统，以此系统将香蕉植株叶片的黑点与背景分离^[9]。2011年，Tobias Baum等，采用Sobel边缘检测算法对大麦斑块图像成功进行了分割^[10]。Tushar H Jaware等使用k均值聚类方法对植物病害叶片图像进行分割^[11]，利用OTSU算法，对病害图像绿色分量的屏蔽阈值进行了计算，通过去除感染的边缘特征及置零的RGB像素，获得较好的分割结果。Nalwa，Binford以及Uarlick等专家就对图像分割中的边缘检测方法给予了高度的定义和评，它试图通过检测包含不同区域的边缘来解决图像分割问题。而对于植物病斑的图像分割来说，同样具有很强的适应性，因为病斑的边界往往在图像中都处于非常显眼的位置，所以处理起来十分简单方便，且具有直观性。BlascoJ，AleixosN在对柑橘皮病斑的研究中，经过了种子的选取、区域生长迭代法和分裂合并3个步骤，将柑橘皮病斑区域很好的分割出来，准确率在95%左右。Osh-er和Sethian提出的水平集算法，是一种有效解决曲线演化的数值方法，且计算稳定，适宜任意维数空间。其算法的本质就是与活动轮廓的模型相结合，求解这些模型所得到的偏微分方程

1.4研究的目的和意义

为了使农民合理有效地使用农药来提高农作物产量，农民需要正确理解作物生长。尽管已经测量和分析了对植物病变的损害过程和程度，但是该领域的研究主要通过人工测量进行。手动测量方法效率低下，延长研究时间，不保证测量精度，并且无法快速准确地掌握数据统计和分析控制，往往是疾病分布。

在这方面，研究使用计算机视觉技术和模式识别方法以分析病变大小和颜色等特定信息，并智能地检测在不同生长阶段受影响的叶子的计算机形态。它决定了植物的破坏程度，满足了农民对疾病诊断和管理的需求，可用于因环境污染而过度使用农药的问题，可用于分类指导和自动化，提高科学管理水平，重要的是提供技术支持和应用的理论意义和前景。

1.5研究内容及章节安排

本课题对MATLAB软件的使用方法和应用进行了研究，并对计算机图像处理技术在此基础上的实现进行了深入的学习，验证了相关方法的可行性。论文的主要内容有：