基于多重分形和LVQ神经网络小麦病害智能识别.docVIP

基于多重分形和LVQ神经网络小麦病害智能识别 　　摘要：针对不同小麦病害有不同的形状特征，利用多重分形分析提取小麦病害图像的8个多重分形谱值作为小麦病害的形状特征参数，并利用这8个特征参数来索引图像数据库作为学习向量量化（LVQ）神经网络的输入，进行样本训练、分类识别。试验结果表明，该算法对小麦病害的识别率可达90.0%以上。 　　关键词：小麦病害； 多重分形谱； 智能识别； LVQ神经网络 　　中图分类号：TP391.41；S435.12 文献标识码：A 文章编号：0439-8114（2013）07-1669-03 　　小麦是我国仅次于水稻的第二大粮食作物，在满足人们的生活需求和保证粮食安全方面具有非常重要的作用。而小麦病害每年都有大面积发生，严重影响了小麦的产量和质量。传统小麦病害主要依靠农业生产者或科研人员的视觉判断识别病害的种类、严重程度及受害区域，这种识别方法主观性强，诊断结果容易出现偏差。因此，研究小麦病害的智能识别具有重要的社会和经济意义。 　　目前，国内外很多学者对农作物病害图像的识别方法进行了研究，Pydipati等[1，2]使用颜色共生矩阵获取纹理特征，并分别用神经网络分类器和广义二乘矩判别式分类器进行柑橘病害的判别分析，达到了很好的识别效果； 田有文等[3-5]将支持向量机方法应用于黄瓜、葡萄、玉米、番茄等病害的识别中；陈兵旗等[6]提取小麦的颜色特征进行小麦病害识别，提高了病害识别的准确率。现有的研究当中大多数是基于纹理特征和颜色特征在可见光范围内进行病害识别研究，这些方法算法比较复杂，运行时间较长，并且达不到理想的识别效果。试验引入多重分形理论，提取小麦病害图像的8个多重分形谱值作为小麦病害的形状特征，然后采用学习向量量化（Learning Vector Quantization，LVQ）神经网络对小麦病害进行识别，算法简单，速度快，并且可以达到很高的识别率。 　　1 小麦病害图像的获取 　　试验图像主要来自数码相机拍摄的静态图片、小麦病虫害及防治原色图册[7]上的图片以及网络图片库等。共收集小麦不同病害部位、不同生长阶段的200多张病害图片，每种病害样本70个。主要研究的小麦病害是条锈病、叶锈病和白粉病。 　　所采集到的小麦叶部病害图片都是彩色图像，其计算量大，影响图像处理的速度，为了提高图像处理的速度，需要将彩色图像转换为灰度图像。根据人眼对R、G、B三色的敏感程度，可以使用加权平均值法将彩色图像灰度化，转换公式为： 　　Gray=0.30×R+0.59×G+0.11×B （1） 　　然后，将灰度图像转换为二值图像，便于计算机做进一步的处理。小麦条锈病病害原图及转换后的灰度图像如图1。 　　2 基于多重分形理论的小麦病害图像局部边缘分割和多重分形特征谱的提取 　　2.1 多重分形 　　分形理论作为非线性科学的一个分支，它研究的对象是由非线性系统产生的不可微和不光滑的复杂几何形体。仅用一个分形维数不能完整刻画自然界中复杂的几何形体，必须同时使用多个维数才能刻画其全面的特征。多重分形就是用多个维数从全局和局部两个方面来描述自然界中复杂几何形体的整体特征。而分形维数不仅可以度量图像表面的复杂程度和不规则程度，它还具有小波变换的多尺度、多分辨率的变换不变性。由于对多重分形理论研究的角度不同，处理不同问题时的描述不同，导致多重分形理论在数学上没有严格的定义。 　　根据图像特征及图像处理的需要来调整多重分形参数是多重分形分析的重点，可以用基于测度理论的α～f（α）语言来描述多重分形，其中α称为Holder指数，因为概率密度的奇异性由它控制，分形体小区域的局部分形维数也是由它反映出来的，所以通称α为奇异性指数。f（α）称为多重分形的奇异谱，一般称为多重分形谱，它反映复杂分形体图像的全局信息。不同信息的奇异性不同，则（α～ f（α））的分布规律不同[8]。 　　2.2 基于多重分形理论的图像局部边缘分割 　　图像分割的目的是把小麦叶部病害图像与背景分开，便于提取小麦叶部病害的轮廓特征。基于多重分形理论图像分割的实现步骤如下。 　　1）计算图像的奇异性指数α。奇异性指数α代表图像的局部信息，定义V（i）为i×i的一个方形区域，定义I（x，y）为V（i）的中心点，则该点的奇异性指数α（x，y）=■（其中i=2n+1，n取0和正整数）。i的取值反映图像的奇异性范围；经过试验证实，i的取值越小越能反映图像的局部奇异性，i的取值越大则更能反映图像广泛的奇异性。选取i≤2，并且经过试验选用效果比较好的Min测度修改方法计算奇异性指数α。 　　2）计算图像的多重分形谱f（α）。f（α）代表图像的全局信息，根据上一步计算出的奇异性指数计算α的最大值和最小值，即αmax=max（α（i，j））