基于GGCM植物病变区域的分割与识别研究-电子与通信工程专业论文.docxVIP

摘 要 在国内外学者对植物病害叶片识别研究的基础上，本文提出了一种基于灰度梯度共生 矩阵的植物病害区域分割与识别的研究方法。以生产过程中棉花常见的黄萎病为主要研究 对象，对该病的病害程度进行分类识别，不仅能够更好地预防和治理病害，而且还能够节 省人力、财力，同时，提高了作物的产量，减少了农药对环境的污染。 采集带有黄萎病的棉花叶片，采用灰度化、二值化、小波去噪、形态学处理技术对图 像进行处理，在前期处理的基础上运用 Otsu 法实现图像分割。图像分割过程通过以下三 个步骤：（1）颜色空间变换，将棉花病害叶片图像从 RGB 色彩空间分别转变到 HSV 和 YCbCr 色彩空间。（2）利用 Otsu 算法分别对 B 分量(蓝色分量)、S 分量（饱和色度）、Cr 分量（红色色度）进行阈值分割，将 B 分量分割后的图像进行取反操作，B 取反后的图 像与 S 分量分割后的图像进行融合得到的二值图像，再进行形态学处理得到棉花叶片的 图像，使棉花叶片与背景区域分割开来。（3）将得到棉花叶片的图像和 Cr 分量分割后图 像进行相与运算，再进行形态学中的开运算，从而得到病变区域的图像，完成了病害图片 的整个分割过程。其次采用灰度梯度共生矩阵和颜色矩分别来提取病害区域的纹理和颜色 特征，同时还要计算棉花病害区域的面积以及棉花叶片的面积，进而求出相对面积，将提 取的 3 个类型特征融合在一起，从而得到棉花病害区域的识别特征。按照病害程度分为四 个类别，应用 BP 神经网络分类器对棉花病害的程度进行分类。 本文还对提取的棉花病害区域的叶片所有特征向量进行优选，选择一些较为显著的特 征参数，此做法能有效地减少所要提取特征的维数，使提取的融合特征向量从 25 维减至 8 维，不仅减少了训练的所需时间还提升了 BP 神经网络识别的效率。该研究对棉花黄萎 病的预防治理提供了有效而先进的技术支持，还利于对棉花的病虫害预防和处理。 关键词：图像分割；颜色特征；纹理统计特征；相对面积；BP 神经网络 I Abstract This paper puts forward a kind of research method of plant disease region segmentation and recognition of gray gradient co-occurrence matrix based on scholars research on plant disease recognition in the domestic and foreign. The production process of Cotton Verticillium Wilt in common as the main research object of the extent of disease classification and recognition of the disease, not only to better prevent and control the disease, but also to save manpower and financial resources,while improving crop yields and reducing the environment pollution of pesticides. Cotton leaf collection with verticillium wilt, using grayscale, binary, wavelet denoising, morphological processing techniques for image preprocessing, image segmentation using Otsu method on the basis of preprocessing. Image segmentation process by following three steps:(1)color space transform, cotton disease leaf images were converted from RGB color space to HSV and YCbCr color space. (2) use of Otsu algorithm respectively to B component (blue component), S component (chroma saturation), Cr component (red chrominance) separately thresholding, the B component of