数学建模农作物病虫害等级识别问题教案分析.docVIP

2014年重庆理工大学研究生数学建模 论文题目： 农作物病虫害等级识别问题 参赛学生 姓名：***** 学院：************ 摘要： 在农作物的生长和发育过程中，常常受到多种外在因素的影响，导致农作物发生病虫害。研究农作物病虫害的发生以及农作物对病虫害的防治等问题均需要了解农作物的病虫害类型以及其危害程度。因此能否快速，准确的判断病虫害类型和测量农作物危害程度是摆在我们面前的一个十分具有研究意义的实际课题。 本文以图像处理为研究基础，对农作物病虫害程度等级分类方法进行了研究和实验。对彩色图像的颜色模型以及其转换方法，图像预处理方法，图像分割方法，图像的特征提取，病虫害类型的自动分类和识别的实现方法进行了系统仔细的研究实验。 我们运用计算机MATLAB软件，分析结果如下： 对于问题一，在农作物图像的特征提取方面，我们针对类似于植物叶片的彩色图像，首先在图像处理与识别的实现过程中使用的关键技术是图像去噪，图像分割[1-2]。针对实际图像噪声类型的复杂性即不同种类的图像噪声，采用均值滤波，中值滤波，小波分解和重构等方法，完成了图像的噪声抑制。其中小波理论在去噪领域得到了越来越多的重视，并获得了非常好的效果[3]。在文中利用给出的前40个图片作为训练数据，利用建立在傅里叶变换缺点基础上的小波变换工具，完成图像的去噪任务。小波变换将图像数据按不同分辨率分成子带图像，每一层小波分解成四个子带，即为垂直方向低频和水平方向高频，垂直和水平方向均为高频，垂直和水平方向均为低频，垂直方向高频和水平方向低频，分别表示为LL,LH,HL,HH。LL子带反映概貌信号，其余子带反映细节信号，概貌信号又可以进一步分解成四个子带，总的子带数为3K+1，其中K为分解的层数。图像边缘检测的目的是增强图像边缘及灰度跳板部分。图像的微分操作：设函数满足可微条件，作为数字图像，微分操作转化为差分运算，设G(f)为f的离散梯度，则，在实际图像处理中，边缘检测算子检查每个像素的领域并对灰度变化率进行量化，也包括方向的确定。对于图像颜色特征转换，本文是将原始图像提取其R,G,B三个分量的信息，把原始RGB图像转换为HSV空间，利用其中的H分量。假设阈值取为t，最佳阈值t,应该满足类间方差最大准则：。分割后采用数学形态学进行处理。在特征提取中，我们采用形状特征提取，病斑区域面积S可通过扫描图像，累加同一标记的区域中像素的个数来表示。病斑区域的伸长度，当病斑区域越成长形，则e越小，当病斑区域为圆形时，e=1。 对于问题2：每个叶子在不同的生长期和发病期都有不同的形状，颜色等特征。怎样提取最优表达特征是分出叶子病变的关键。由于兵特的病斑多样性和复杂性，在叶子植物病害识别及其危害程度测定和分级中，主要采用模式识别的角度，整合病斑的纹理特征对农作物危害及危害程度进行分级。 对于问题3：分类器的设计对识别效果也起着举足轻重的作用。利用机器学习中的最近领域法和神经网络算法。 关键词：农作物病虫害 图像识别 危害等级 LBP，PCA，KNN，BP神经网络 问题的重述 在农业生产中，农作物病虫害的防治一直是农林业中最普遍而又十分重视的问题。然而农作物常见病害的识别都需要用到眼睛，农业生产者往往缺乏农作物病害识别的全面知识，因此农业生产者对病害的识别会出现偏差，导致对农作物病害盲目地喷洒农药。如果要想精确获得农作物病害的病种信息，必须请植保专家进行病原鉴定和去侵染性测定，但是这往往需要几天的时间，从而会耽误治病的最佳时机。图像识别技术在农作物病虫害识别中具有毋庸置疑的优越性，作为信息科技使用图像识别技术能够正确高效的分辨出农作物遭遇病虫害的不同等级，然后根据不同级别，农业生产者才能采取正确的对策解决问题。因此如何利用图像识别技术帮助人们在农业领域实现新的突破是我们面临的一个新的实际课题。我们就当前国内外的研究现状与成果的相关情况，建立数学模型分析研究下面的问题： 问题一：预处理过程 基于小波变换实现图像的噪声抑制； 利用灰度直方图均衡化作为灰度调整的重要方法，将图像中所有的点的灰度按照线性灰度变换函数进行变换； 使用边缘检测而算子检查每个像素的领域并对灰度变化率进行量化； 利用图像分割技术，把图像分成各具特性的区域并提取出感兴趣的目标，对于彩色图像，主要采用在颜色空间内划分像素来完成； 问题二：特征提取是模式识别的核心问题。利用颜色特征，形状特征和纹理特征这三个方面，来获得准确的识别效果。 问题三：分类器的设计十分重要。利用分类器的分类特性，将每个类区分开来，以提高识别率。 问题分析与建模思路 问题一： 图像采样时，系统难免受到外部因素的干扰，使得图像中存在着一些噪声，对特征提取有不良影响，所以应对图像进行滤波除噪。本文针对常用的均值滤波去噪和基于偏