柑桔溃疡病智能诊断关键技术研究.pdf

Research on Key Technologies of Citrus Canker Intelligent Detection A Thesis Submitted to Chongqing University in Partial Fulfillment of the Requirement for the Degree of Doctor of Engineering by Zhang Min Supervisor: Prof. Zhu Qingsheng Major: Computer Application Technology Computer College of Chongqing University, Chongqing, China April, 2008 中文摘要 摘 要 本文主要研究基于图像识别的柑桔溃疡病智能检测技术。柑桔溃疡病是一种 致毁性的植物检疫性病害，极易扩散，严重危害到农业生产，而传统的病害检测 方法不能满足现代生产需要。本文以计算机视觉系统为主要手段，综合利用数字 图像处理、统计学习、模式识别等技术，提出了一种快速准确检测柑桔溃疡病的 方法，并在此基础上实现了柑桔溃疡病智能检测系统。本文的主要贡献是： 首先，提出一种图像边缘摘要的方式来描述对象的边缘信息。图像边缘摘要的 核心是采用多边形逼近的思想，利用链码表达图像边缘，进而生成图像边缘摘要。 图像边缘摘要是图像形状的近似表达，能够使用很少的信息描述一副图像中所有连 续边缘的位置、长度、方向等信息。使用图像边缘摘要代替原始图像进行模板匹配， 在一定程度上减少了计算量并且提高了系统的鲁棒性。 其次，本文提出一种新的Boosting 学习算法，称为SceBoost 算法。采用对称 交叉熵作为弱分类器的相似性度量。利用 Boosting 学习方法进行特征选择时，不 仅考虑候选特征的分类能力，还考虑候选特征和已选特征之间的分类结果相似性， 这样能够将那些具有较强分类能力并且相对独立的特征优先选择出来，降低了特征 选择中的冗余。我们将 SceBoost 学习算法应用于柑桔溃疡病斑的特征选择中并对 算法进行了优化。实验结果表明，SceBoost 特征选择算法在没有增加时间复杂度 级数的情况下，能得到具有更强分类能力和独立性的特征集。 第三，Riesenhuber 和Poggio 模拟人脑视皮层神经活动提出了HMax 模型，并 在此基础上得到了HMax 特征用于物体识别，该特征具有良好的选择性和不变性， 在基于形状和纹理的灰度图像识别中取得了很好的效果。但该模型没有考虑在视觉 系统中非常重要的色觉信息，不能准确的模拟彩色图像的识别过程。本文提出一种 ColorHMax 特征，在特征构造中我们模拟视皮层中色觉形成过程的得到一个层次 模型，称为ColorHMax 模型。本文用Boosting 算法训练学习这种ColorHMax 特征 用于柑桔溃疡病检测，和其他特征空间的比较实验结果表明 ColorHMax 特征在彩 色图像识别上表现良好。 第四，本文在级联AdaBoost 分类器结构的基础上引入了辅助判决函数，提出 了一种改进的级联 AdaBoost 分类器结构。当样本被级联框架中的某级 AdaBoost 分类器判为假后，使用该级的辅助判决函数对其进行二次判决。辅助判决函数不 仅考虑了当前级分类器的判决结果，还考虑了前面分类器的历史判决信息，将两 者的结果按一定方式组合起来进行综合的评价，可以达到更好的分析效果。本文 在柑桔溃疡病病斑的检测实验中采用了改进的AdaBoost 分类器级联框架进行病斑 I 重庆大学博士学位论文 检测。实验结果表明，该方法与其他级联分类器结构相比具有更好的识别效果， 能够提高检测的速度并且得到较好的检测效果。