一种基于次要颜色聚类分析的水稻病害识别方法和系统

技术领域

本发明涉及图像目标识别技术领域，具体为一种基于次要颜色聚类分析的水稻病害识别方法和系统。

背景技术

水稻作为中国最重要的粮食作物之一，其产量和品质对于保障国家粮食安全具有重要意义。然而，水稻病害的发生严重影响了水稻的生长和产量，给农业生产带来了巨大的经济损失。因此，水稻病害的准确识别是防治病害、提高水稻产量的关键环节。针对水稻常见稻瘟病、稻纹枯病等多种病害的智能识别技术成为保障水稻安全生产的重点，但是传统的识别方法存在着鲁棒性差、识别精度低等问题。因此，需要提供改良现有的水稻病害识别方法，以解决存在的不足之处。

颜色特征统计方法是一个有效的水稻病害识别方法，目前在研究中主要采用颜色直方图进行识别。通常，首先根据图像中的颜色特征，生成颜色直方图。然后，利用对统计出的颜色直方图进行比较，比较不同图像之间的颜色分布差异。最后，通过相似度度量方法对无病害图像颜色直方图和目标颜色直方图进行比较，识别当前目标图像的类别。

然而传统颜色直方图在提取颜色特征的过程中，关注的是主要颜色信息，也就是直方图中像素占比较高的bin，而对于在直方图中占比较低的少而重要的次要颜色特征信息有所忽视。导致无病害图像和有病害图像在比较颜色直方图的过程中差异较小。其次，水稻有病害的图像和无病害的图像均存在纹理特征不足的问题，使得通过提取特征点的方法很难提取到足够的特征点进行匹配。

发明内容

本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

因此，本发明的目的是提供一种基于次要颜色聚类分析的水稻病害识别方法和系统，能够有效避免现有技术中的少而重要的次要颜色信息被忽视的问题，提高了对于像水稻无病害和有病害这两类图像的差异性。在保证识别过程中鲁棒性的同时，能够在复杂环境下稳定的完成水稻病害的识别。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种基于次要颜色聚类分析的水稻病害识别方法，具体步骤如下：

S10、通过高分辨率摄像机分类采集水稻叶片有病害图像和无病害图像；

S20、对收集到的每一张图像进行预处理操作，实现前背景分割；

S30、进行颜色空间转换，将采集到的RGB图像转换到HSV颜色空间，利用H通道和S通道生成二维颜色直方图；

S40、学习采集到的无病害图像和已知病害图像的二维颜色直方图特征及形态学特征；

S50、通过均值颜色直方图自动求取阈值，将二维颜色直方图分为主要颜色直方图和次要颜色直方图，并归一化；

S60、对得到的次要颜色直方图中的每个bin进行K-means聚类分析，去除噪声bin干扰，并取反增强后归一化；

S70、通过形态学分析对聚类过程中保留的所有次要颜色根据其梯度方向和梯度幅值进行编码后归一化；

S80、根据主要、次要颜色直方图信息以及形态学编码生成一维特征向量，进行SVM进行分类识别。

作为本发明所述的一种基于次要颜色聚类分析的水稻病害识别方法的一种优选方案，其中，所述步骤S30中，进行颜色空间转换，将采集到的RGB图像转换到HSV颜色空间，利用H通道和S通道生成二维颜色直方图的具体步骤如下：

对采集到的RGB图像进行颜色空间转换，转到HSV颜色空间；

去除V通道光照对图像的影响，根据H和S通道的取值范围分成若干个段；

根据分段个数生成由H通道和S通道组成的二维颜色直方图。

作为本发明所述的一种基于次要颜色聚类分析的水稻病害识别方法的一种优选方案，其中，所述步骤S50中，通过均值颜色直方图自动求取阈值

将待检测图像二维颜色直方图与无病害图像二维颜色直方图对应位置bin取均值，生成二维均值颜色直方图；

把二维均值颜色直方图中bin的频率按照从大到小的顺序，排列成一维颜色直方图；

利用阈值

将该位置左右两个邻近的bin的频率求均值，该值作为分割二维颜色直方图中主要颜色和次要颜色的阈值；

分割待检测图像二维颜色直方图，分为主要颜色直方图和次要颜色直方图并归一化。

作为本发明所述的一种基于次要颜色聚类分析的水稻病害识别方法的一种优选方案，其中，所述步骤S60中，对次要颜色进行K-means聚类分析去除噪声bin干扰，并取反增强后归一化的具体步骤如下：

设置簇的个数，以bin为单位对次要颜色进行聚类分析；

在聚类后，根据各个簇中像素点的分布情况，通过计算各个簇的方差

去除方差较大的簇所在的bin；

将剩余得到的次要颜色直方图中的bin进行取反操作，增强次要颜色信息。

作为本发明所述的一种基于次要颜色聚类分析的水稻病害识别方法的一种优选方案，其中，所述步骤S70中，通过形态学分析对聚类过程中保留的所有次要颜色根据其梯度方向和梯度幅值进行编码后归一化的具体步骤如下：

通过保留下的簇的所有像素点计算其梯度方向和幅值，并根据梯度方向生成一维直方图，且合理的设置间隔；

将一维直方图中bin的频率按照顺序排列成一维特征向量。

作为本发明所述的一种基于次要颜色聚类分析的水稻病害识别方法的一种优选方案，其中，所述步骤S80中，根据主要、次要颜色直方图信息以及形态学编码生成一维特征向量，进行SVM进行分类识别的具体步骤如下：

将主要和次要颜色直方图分别根据频率按照顺序排成一维特征向量。并连接成一个整体的一维特征向量；

将由主要和次要颜色直方图生成的一维特征向量与形态学特征向量进行连接；

把由三种特征，主要、次要颜色及形态学特征生成一维特征向量，利用SVM分类器进行分类。

一种基于次要颜色聚类分析的水稻病害识别系统，包括：

图像采集模块，用于对收集水稻的图像数据；

图像分割模块，用于对收集到的每一张图像进行预处理操作，实现前背景分割；

二维直方图生成模块，用于将RGB图像转换到HSV颜色空间，利用H和S通道用于生成二维颜色直方图；

特征学习模块，用于学习采集到的无病害和已知病害样本图像的二维颜色直方图特征，以及形态学特征；

阈值分割模块，根据生成的均值直方图，利用动态阈值

次要颜色聚类分析模块，用于对次要颜色直方图每个bin聚类分析，去除图像中像素点成离散分布状态的噪声bin；并取反增强后归一化；

次要颜色特征形态学编码模块，通过形态学分析对聚类过程中保留的所有次要颜色根据其梯度方向和梯度幅值进行编码后归一化；

分类识别模块，用于根据主要、次要颜色直方图信息以及形态学编码生成的一维特征向量，利用SVM进行分类识别。

与现有技术相比，本发明具有的有益效果是：本发明采用次要颜色聚类分析的水稻病害识别方法和系统，能够有效地提取和识别水稻叶片的主要颜色信息和次要颜色信息，解决了传统颜色直方图统计过程中只关注主要颜色信息而忽略了次要颜色信息的问题，提高了病害识别的准确性和鲁棒性；将RGB图像转换到HSV空间生成二维颜色直方图，减少了数据的复杂性，有助于提到处理效率和节约储存空间。采用K-means聚类分析方法对提取出的次要颜色信息进行聚类分析，解决次要颜色直方图中含有噪声像素的bin对水稻病害识别的影响。学习次要颜色的特征形态学特征，可以解决颜色分布相近的病害特征带来的仅通过颜色信息无法区分的问题。采用次要颜色聚类分析的水稻病害识别方法能够有效避免现有技术中的少而重要的次要颜色信息被忽视的问题，提高了对于像水稻无病害和有病害这两类图像的差异性。在保证识别过程中鲁棒性的同时，能够在复杂环境下稳定的完成水稻病害的识别。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明实例提供的基于次要颜色聚类分析的水稻病害识别方法的流程图；

图2为本发明实例提供的图像预处理实现前背景分割的流程图；

图3为本发明实例提供的动态阈值将均值颜色直方图分为主要颜色直方图和次要颜色直方图的流程图；

图4为本发明实例提供的动态阈值将直方图分为主要颜色直方图和次要颜色直方图，以及取反的示意图；

图5为本发明实例提供的基于次要颜色聚类分析的水稻病害识别方法系统的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

本发明提供一种基于次要颜色聚类分析的水稻病害识别方法和系统，能够有效避免现有技术中的少而重要的次要颜色信息被忽视的问题，提高了对于像水稻无病害和有病害这两类图像的差异性。在保证识别过程中鲁棒性的同时，能够在复杂环境下稳定的完成水稻病害的识别。

如图1所示，在一个实施例中，提出了一种基于次要颜色聚类分析的水稻病害识别方法，具体可以包括以下步骤：

S10、通过高分辨率摄像机分类采集水稻叶片有病害和无病害图像，采集图像应包括旋转、尺度变化、遮挡、光照变化等多种实际情况，以确保数据量充足，在训练阶段可以更好的学习到各类特征；

S20、对收集到的每一张图像进行预处理操作，实现前背景分割；

S30、将RGB图像转换到HSV 颜色空间利用H通道和S通道生成二维颜色直方图；

S40、学习采集到的无病害和已知病害样本图像的二维颜色直方图特征，及形态学特征；

S50、通过均值颜色直方图求取阈值

S60、对得到的次要颜色直方图中的每个bin进行K-means聚类分析，去除图像中像素点成离散分布状态的噪声bin；并取反增强后归一化；

S70、通过形态学分析对聚类过程中保留的所有次要颜色根据其梯度方向和梯度幅值进行编码后归一化；

S80、根据主要、次要颜色直方图信息以及形态学编码生成一维特征向量，利用SVM进行分类识别。

在一个实施例中，如图2所示，S20具体可以包括以下步骤：

S21、实现得到的RGB图像先转换为灰度图像，以便进一步处理并降低计算复杂度。

S22、对灰度图像进行Otsu阈值分割；具体的，通过寻找一个最佳阈值，使得前景和背景之间的类间方差最大化，将图像分割为前景和背景两部分。提取出感兴趣的目标区域。Otsu的阈值分割法的优点在于其简单、快速且对光照和对比度变化具有一定的鲁棒性。非常适用于水稻种植的田间环境。

S23、进行滤波和平滑处理，去除图像中的噪声。

S24、将得到的灰度图像重新转化为RGB图像。

在一个实施例中，S30具体可以包括以下步骤：

S31、将RGB图像转换到HSV颜色空间；

具体的，在本发明实验中，将RGB转换到HSV空间，其颜色空间更符合人类视觉的感知系统，更具有直观性；并且HSV颜色空间中H色调的取值范围大为0°～360°生成的颜色直方图呈现出间距大、分布离散的特点，更具有灵活性，有利于本实例中颜色的识别；与此同时，HSV能够独立地分离亮度V，从而避免了光照变化对实验结果的影响。

S32、对H通道和S通道生成二维颜色直方图统计；设置其大小为

在一个实施例中，S40、学习采集到的无病害和已知病害样本图像的二维颜色直方图特征，及形态学特征。学习采集到无病害图像二维颜色直方图特征，归一化，生成特征向量具体为：

S41、将样本中无病害图像累积生成二维颜色直方图并归一化，设为

在一个实施例中，如图3所示，S50具体可以包括以下步骤：

S51、动态阈值

(1-1)

利用统计学分析均值颜色直方图中每种颜色的占比，动态获取阈值，在下式（2-1）中，将二维颜色直方图中的非零bin，按照频率大小，降序排列成一维颜色直方图

(2-1)

阈值设为：

(3-1)

其中，

(3-2)

本发明实施例中，

S52、利用S51中求取的将待检测图像的二维颜色直方图

(4-1)

(4-2)

其中，

根据上述公式定义了颜色直方图中主要颜色和次要颜色bin的选取规则。主要颜色直方图中的bin根据阈值进行设置：大于阈值的保持不变，小于等于阈值的则设为零。对于次要颜色直方图，bin小于等于阈值的保持不变，大于阈值的设为零。

S53、对得到的主要和次要颜色直方图进行归一化。

在一个实施例中，S60对得到的次要颜色直方图中的每个bin进行K-means聚类分析，去除图像中像素离散分布状态的噪声bin。并取反增强后归一化。具体步骤如下：

S61、根据次要颜色在直方图中占的bin的个数确定检测图像I分配的簇的个数，一般略大于其所占个数，将次要颜色所占分配到距离其最近的中心点所代表的簇中。

S62、更新中心点，重新计算每个簇的中心点，即该簇中所有对象的均值作为新的中心点。

S63、迭代，重复步骤S61和步骤S62，直到中心点不再发生明显变化。

S64、去除图像中像素离散分布状态的噪声bin。

在聚类后，根据各个簇中像素点的分布情况，通过计算各个簇的方差

S65、对得到的次要颜色直方图进行取反操作，增强次要颜色信息。如图4所示，在本发明中实例中，反向操作是用

(5-1)

其中，

S70、通过形态学分析对聚类过程中保留的所有次要颜色根据其梯度方向和梯度幅值进行编码后归一化。

S71、对于S60中保留下来的簇的所有像素点计算其梯度方向及幅值，表达式如下：

(6-1)

(6-2)

(6-3)

(6-4)

其中

S72、根据梯度方向生成一维直方图，设每20度作为一个间隔，累积次要颜色在[020 40 60 80 100 120 140 160]中9个方向的幅值累加情况。将编码后的形态学特征进行归一化处理，确保各个特征在相同的尺度上进行分类分析。

S73、将归一化后的形态学特征与代表颜色的特征

S80、用于根据主要和次要颜色直方图信息以及形态学编码生成的一维特征向量，进行SVM进行分类识别。在一个实施例中，步骤S80具体可以包括以下步骤：

S81、将生成的一维特征向量作为输入，将水稻病害的类别作为输出，构建SVM分类模型。使用步骤S40得到无病害水稻样本和已知病害类型的水稻图像样本作为训练集，生成分类标签。将步骤S70中生成的一维特征向量作为输入，应用训练好的SVM分类器比较输入特征向量与训练集中各个类别的相似度，将输入图像划分到最相似的类别中，从而到达识别水稻病害的目的。

S82、使用独立的测试集来评估SVM模型的分类性能。通过计算准确率、召回率、等指标来评估模型的分类性能，并根据需要进行模型调优。

如图5所示，在一个实施例中，提供了一种基于次要颜色聚类分析的水稻病害识别系统，具体可以包括图像采集模块10、图像分割模块20、二维直方图生成模块30、特征学习模块40、阈值分割模块50、次要颜色聚类分析模块60、次要颜色特征形态学编码模块70、分类识别模块80。

图像采集模块10：用于获取水稻病害的图像数据。

图像分割模块20：用于对图像进行分割，提取水稻叶片图像，去除背景信息，实现图像前背景分割；

二维直方图生成模块30：用于将RGB图像转换到HSV颜色空间，利用H和S通道用于生成二维直方图。

特征学习模块40：用于学习采集到的无病害和已知病害样本图像的二维颜色直方图特征，及形态学特征。

阈值分割模块50：用于根据均值直方图利用动态阈值

次要颜色聚类分析模块60：用于对次要颜色直方图每个bin聚类分析，去除图像中像素点成离散分布状态的噪声bin。并取反增强后归一化。

次要颜色特征形态学编码模块70：用于通过形态学分析对聚类过程中保留的所有次要颜色根据其梯度方向和梯度幅值进行编码后归一化。

生成特征向量分类识别模块80：用于根据主要、次要颜色直方图信息以及形态学编码生成的一维特征向量，进行SVM进行分类识别。

虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。