疾病的研究点提取基于进化算法

文摘

根据玉米病斑图像中表现的特点,本文设计two-histogram基于进化算法的分割方法,结合图像分析的玉米病虫害,充分考虑颜色和纹理特征的害虫和疾病的病变,浓度和灰度图像,由两个元组来构建一个二维直方图,解决问题的一维直方图无法清楚地划分为目标和背景双峰分布,改善了传统二维直方图在害虫损害病变提取中的应用。染色体编码适合损伤图像的特点,设计了基于遗传算法的第二分割首先进行。与损伤图像的分析结果,确定初始种群并行选择、最优保存策略,和自适应变异算子来提高搜索效率。最后,通过设置阈值波动,我们继续寻找最佳阈值的波动范围的实现全局搜索和局部搜索。

1。介绍

近年来,随着国家更关注的问题,“农业、农村和农民,”“精准农业”的概念正逐渐在增加。使用信息技术和计算机技术的新的理想,帮助农民进行农业生产已经提上议事日程的。为了解决模糊性和主观性的问题在作物病虫害的探测和识别,图形和图像处理技术引入农业害虫的识别和控制。作物病虫害图像分类和识别技术是图像处理技术的应用领域的作物病虫害识别(1]。图像的分类和识别技术将能够依靠计算机图像来获取大量的信息,为基础的诊断疾病和害虫可以弥补传统诊断技术的缺点,更少的输入参数的特点,快速诊断、精度高、和良好的实时性能,所以它有重要意义的及时提供必要的信息和病虫害的防治的农业工人。

研究作物病虫害的诊断和图像识别在机器视觉在国外应早些时候(2- - - - - -4]。早在1985年,相关人员确定病斑形状特征的粮食。近年来,随着计算能力的发展,特别是发展的模式识别和图像处理,计算机视觉技术开发。然后,计算机视觉技术应用于农作物的害虫和疾病的识别和检测。Keagy Zayas,克里斯多夫等人研究了计算机视觉的识别技术和应用的识别存储粮食害虫。实验结果表明,该研究具有较高的识别效率。Gassoumi研究昆虫在棉花地里的识别和应用基于特征提取的计算机图像处理技术来识别害虫。Gassoumi也提出了一个模糊神经网络识别算法;该算法可以识别12种害虫的研究内容,而且识别率在90%以上。村上等人取样的叶子黄瓜和使用各种方法,如灰度同现矩阵来识别害虫。 Where the thrips pest identified, recognition rate is as high as 90%. Shariff proposes a classification algorithm based on fuzzy logic, which is aimed at the 6 kinds of pests in rice. Experimental results show that the algorithm has good classification and recognition rate.

相对而言,研究领域的分类和识别作物病虫害在中国比国外更先进。尽管如此,在中国的一些大学和研究机构在这一领域积累了一定的研究基础。这主要是因为中国版本的“食品行业科技发展规划”;计划清楚地表明,增加粮食生产需要信息技术的支持。目前,中国农业信息化建设相对落后,因此有必要加强农业信息技术研究,逐步世界领先的农业技术。然而,有许多研究方向的农业信息建设、智能识别和检测的病虫害是要解决的关键问题之一。因此,它有一个长期的战略意义来解决实际问题。在我们国家,许多研究人员研究和解决了这个问题通过使用计算机视觉,和一些实际问题已经解决了5,6]。其中,秋等人以及其他利用人工神经网络技术(7]。他们开发了一种实时检测系统领域的9种害虫的农作物。与计算机视觉技术的迅速发展,微害虫种群密度计算的问题已经解决了。实验室IPMIST的中国农业大学计算人口密度粉虱的作物根据他们的研究结果。实验结果表明,识别精度可以达到90%以上。

陈等人利用数字图像处理技术和局部阈值法分割目标区域和不属预定目标的区域,和研究结果应用于棉花叶虫洞的识别区域和缺陷程度和害虫的叶子边缘的水平。实验结果表明,该算法是有效的,和误差范围小于0.056]。张等人使用神经网络来确定番茄育种的程度。训练神经网络遗传算法来实现的。许等人也在研究番茄种质资源,但他们的研究是确定丢失的文化过程中的养分。特征提取改进后采用不同比例直方图消除叶形状和环境的影响。因此,提取的纹理特征的精度丢失的营养改善,而且识别率高达80%。王也用数字图像处理和神经网络8),但他结合专家知识和信息技术,以发挥长途农作物病虫害的识别和检测。程等人的颜色和质地树叶作为起点。它是通过使用色彩理论,根据这两个特性来选择适当的参数,并使用模糊最近的邻居分类。水稻病虫害的形象被王收集和周和其他人9),以虫为对象基于神经网络完成识别的实验结果,与准确性高达90%。

梁等人收集不同种类的昆虫图像(10获得图像的特征。他们表现出的特点获得了基于神经网络的数学形式加入粗糙集。实验结果表明,分类精度高。田et al ., 2009年,妞妞等人等人提出一种病虫害的识别方法基于支持向量机的。该方法是基于线性核函数和径向基函数的支持向量机基于黄瓜疾病和害虫的识别方法。实验结果表明,该算法具有较好的识别精度比其他领域的支持向量机黄瓜和表明,该算法有更好的分类精度为小样本数据集。根据实验结果,在这项研究中提出的方法提供了一个在训练集分类精度高达94.12%和81.82%测试集和支持向量机分类器(11,11- - - - - -14]。提取的特征输入一些分类器包括SVM(支持向量机)11,13,15]。分类是一个经典的数据挖掘方法,该方法已被应用在许多领域1,16- - - - - -21]。2011年,刘等人也用支持向量机识别病虫害。他们把柿子表面留下的痕迹,昆虫为研究对象,然后使用的纹理和颜色特征提取作为参数。支持向量机使用乙状结肠作为核函数的分类和识别。实验结果表明,该算法可以更好地识别水果病虫害。秋等人研究了基于模糊决策分类器,分类和识别和研究成果将应用于识别存储粮食害虫。形式的害虫,识别特性的复杂性,通过分类器的分类,和准确性高达95.2%。实验结果表明,该算法是针对害虫分类的影响。此外,秋等人也意识到田间害虫和疾病的监控;实验结果表明,该监测技术具有较高的实用性。 Chen et al. study wheat pests. In addition to the study of the classification of pests, the image segmentation technology is applied to the study. They take the aphids as the target; the experimental results show that the algorithm is effective, and the recognition accuracy is up to 90.7%.

2。进化算法

进化算法是一种迭代搜索算法提出的1975年荷兰。进化算法(22,23)是基于达尔文的生物进化理论,这是生物进化的本质与自然的人口融入算法,算法和并行智能。同时,合理设计进化算法(24)可以有效地避免局部优化问题在解决问题的过程中,算法具有较强的鲁棒性。进化算法本质上是一种随机搜索的概率,但自适应,它指的是“适者生存”的进化思想。该算法给出了每个单独的健身价值的人口,代表个人的生存概率在生物进化的过程25]。个人的健康越高,越高的概率进入下一代的繁衍。正是这种选择策略使得进化算法具有自适应性的过程中解决实际问题,产生更好的后代。进化算法的问题并不直接解决这个问题最优解的解空间搜索,但基因编码的问题的解决方案和解决问题之间的映射的建立和基因编码。每个潜在候选解决方案都有一个对应的基因编码。算法的过程中,代码搜索的解决方案。在确定潜在候选解的编码方法,生成初始种群。初始种群搜索算法的起点,这是第一代的人口乘法和科学合理设置的初始种群,这有助于算法来得到问题的最优解更快和更有效率。人口的过程中进化,进化算法作为唯一指标评估人口的质量。分析的算法问题的模型。 The fitness function is designed to solve the problem, and the fitness value is used to evaluate the probability of survival to the next generation in the evolution process of the population and the survival of the fittest. As well as the process of biological evolution, evolutionary algorithms need to experience the three processes of selection, crossover, and mutation. Selection, crossover, and mutation are referred to as genetic operations of evolutionary algorithms. It is because of the genetic operation, which makes the population of individual reproduction of more diversity, we can produce different solutions, to avoid falling into the local optimal dilemma. Evolutionary algorithm, for the whole process as natural biological evolution generally, continues to produce better offspring and algorithm convergence in the last population. The optimal solution of the individual with the highest fitness value is obtained by genetic decoding.

3所示。分析疾病和害虫的农作物

因为植物病害的多样性,许多困难是机器视觉的诊断。大田作物害虫和疾病有各种类别和复杂多样的症状,这使得作物害虫分类和识别领域更加困难。作物病虫害的研究和分析表明,由于叶病虫害发生相同,有些症状很相似;很难区分。叶病虫害很难区分,因为发生的一部分是相同的,和一些症状是相似的。在本节中,将使用玉米疾病和害虫图像为研究对象,研究叶病虫害、和分析病变区域的图像视觉特征和统计特征。使用图像分析和机器视觉技术相结合和转换的一些信息在图像很难描述到目标计算机可以识别和处理的叶的识别已成为一个重要的基础疾病和疾病在疾病和害虫的分类和识别。

3.1。分析图像的灰色

作物病虫害的灰色图像包含图像的许多特性。其中,灰色可以广义直方图代表图像的灰度统计信息,可以得到特定类型的图像的描述信息。如图1,它需要玉米大斑病的形象分析目标,进行256灰度直方图的原始图像,并使用灰度直方图进行分析。从视觉的角度分析,叶疾病具有明显的外部位置通过观察的特征。病斑的灰色值明显高于那些没有症状的病变区域。从的角度统计信息,它可以发现图像的灰度值的玉米现货疾病显示一个峰值分布,和100区域的灰度值变化显著,以及快速下降的频率。

农作物的叶的感染过程是病原体入侵当地的一面,逐渐向外传播形成绿色斑点的大小不同,颜色和形状。病变和健康的叶面积不同的颜色差异,以及这种差异出现在灰度图像性能灰色不均一。如图2的灰度值直方图显示病变位置广泛分布在面积超过100,和好的叶位置的灰度值大致分布低于100。为特定类型的病害虫图像、病变和nondisease区域的灰度值在不同的灰色区间。这是符合观察病变的外观特征和nondiseased叶子;它也与病变的生成规则一致。很明显,灰色害虫图像中病灶位置的平均值高于无病领域的表1和2。的灰度值方差的图像点面积大,分布不均匀,没有症状区域的灰度值收敛性及其分布是均匀的。灰度值的直方图,病变分布更平均。在图像灰度值的分布分散,集中分布的卫生区域。

3.2。恒生指数的分析浓度

HSI颜色空间模型的图像颜色描述通过使用三种索引、色度值、饱和度值,和亮度值(26]。色度值被定义为波长的颜色,它反映了颜色的彩色图像。农作物的叶的感染过程是病原体入侵当地的一面,逐渐向外传播形成绿色斑点的大小不同,颜色和形状。因此,HSI颜色空间的颜色值可以更清楚地反映在疾病和害虫图像的颜色不同。一般害虫斑点会出现黄、红棕、棕色和其他奇怪的颜色。因此,它可以更有效的反映了视觉特征和统计特征的病叶通过分析图像的颜色值的病虫害HSI颜色空间。如图3玉米大斑病的形象转化为HSI颜色空间从RGB颜色空间进行分析。为了方便观察和分析和获取颜色值在HSI颜色空间,计算转换形象这是分为256年的水平。病斑在转换图像的位置无病相比具有明显的外部不同位置,双峰现象可观测到的统计直方图。

大点的位置转换图像的疾病和叶位置没有症状进行分析,如图4。分析结果表明,损伤位置的固定性的色度值和无病和色度值的位置没有明显差别集中在一定的时间间隔,和分布是均匀的。在表中3和4,可以发现,在HSI颜色空间浓度,值是一个重要的指标来评估对象表面的颜色,而叶疾病发生后颜色发生明显变化。这种变化可以反映的使用浓度,作为判断点的位置的重要基础疾病。

4所示。发现疾病的分割方案基于遗传算法

4.1。分割点的疾病的主要步骤提取基于遗传算法

数字图像处理、图像匹配、图像分类、识别技术,是图像分割的基地的工作通常是基于[27]。图像分割可用于提取图像中有意义的特征,可用于获取所需的图像信息。图像分割的目的是分解模块与图像中相同或相似的特性,得到一些基本元素具有不同的特点。通过图像分割的基本元素被称为图像元素。害虫图像可以更容易地和迅速处理后提取的图像元素从害虫图像。因此,图像分类和识别的实现发挥着基础性的作用,根据作物病虫害图像的特点,设计一种有效的图像分割算法,提取植物病害和虫害的病变区域。病虫害的形象特征可分为视觉特征和统计特征(28]。害虫和疾病的形象的视觉特性指的特点,可以通过人的视觉识别系统,如图片的颜色,叶病变亮度,纹理和形状。图像的统计特征的病虫害得到通过一定的图像变换,如颜色,统计直方图和图像频谱。

基于图像灰度值阈值分割是一种非常有效的方法,可以降低计算成本,可用于特殊的实时应用程序。因此,阈值方法的广泛应用。在本节中,我们提出一个基于进化算法的阈值分割算法的融合引导滤波算法设置权重矩阵实现病变斑点的提取。具体的过程如图5。

以下是详细的处理流程的主要步骤:(1)构造二维直方图,利用颜色和灰色信息建立二维直方图交谈后原始害虫损害图像灰度和彩色图像。病虫害病变图像设计的目标类;其他部分设置为背景使直方图能反射更多的害虫图像信息。从一维到二维的转换,它可以更清楚地反映现货信息分布和集群。(2)得到二值矩阵标记点疾病的基于遗传算法的应用。阈值搜索利用遗传算法是基于色度的设计和灰色直方图和阈值是由第二个优化。设计染色体编码适合病虫害图像阈值的特点结合图像分析的结果;经验值的初始种群选择结合随机值,提高优化效率。测量位置的函数疾病细分设计来评估个人的优点,根据目标和背景的测量方法的结合一维直方图和二维直方图。结合害虫和疾病的形象的特点,遗传操作的策略是为了提高搜索效率,加快算法的收敛速度。最后,利用遗传算法得到最优阈值获取二进制矩阵发现疾病的分割,图像中标记虫害的疾病。(3)点的权重矩阵提取计算通过使用有向图。简单的二元分割的结果被用来提取疾病;容易失去原来的病灶边缘,形状,质地,和其他特征,不利于病虫害的分类和识别。因此,指导介绍了滤波算法的概念。过滤操作图像分割是基于灰色的方向指南。计算权重矩阵的病变区域提取和优化病变提取的结果。恢复分段病变边缘、纹理模糊性和粗糙的位置;最好是保持害虫病变图像边缘,形状,质地,和特点。

4.2。结合遗传算法和Chroma-Gray直方图

阈值分割是一种有效的图像分割方法,和理想情况下的阈值分割是图像的统计直方图双峰,和硅谷直方图作为分割阈值分离对象和背景(29日]。但在大多数情况下,图像直方图不是双峰形式;它更多的是一种单一的峰或multipeak形状;这将使直方图的阈值分割的选择困难。二维直方图分割方法由传统的一维直方图分割,基于图像分割的阈值。二维直方图,,分别代表两个指标的形象。把两个元组的频率随着垂直坐标建立三维坐标的图像信息。设置两个元组的频率分别是对应像素的灰度值和像素灰度值;联合概率密度定义如下: 在哪里是图像的大小。为了形成灰度同现矩阵,代表了灰色的空间变化,二维直方图分为四个区域通过使用两个阈值,如图60和1,区域代表的背景和目标,分别,区域3和区域2代表边界的信息结构和噪声。

在前一节中害虫损害形象的分析,我们可以知道病变位置在图像灰度值特征和没有症状位置灰度值特性具有明显的差距,但单一灰度信息不能确定病灶的位置在图像;它也是容易地区的误判形势。因此,本研究提出了一个基于chroma-gray直方图分割方法。同时,这种方法使用图像灰度信息和充分考虑图像的色度信息来确定现货区。灰色图像转化为HSI色度空间和HSI空间提取灰度值和色度值,分别。分为色度值nongreen区域的浓度,分裂,灰度值分为。计算两个元组的频率色度值和灰度值组成的。地区的分布概率0和1是由区域和阈值后分割。公式(2)和公式(3)是用来表示两个区域的分布概率。

区域0定义为背景区域和区域1是目标区域。区域2和区域3微不足道的噪声点和分散的点,表示如下:

因此,在一个二维直方图,距离度量定义的区域0和区域1可以表示如下: 在哪里,元素的平均值的区域0和1。是人口的平均值。算出的值图像分割的阈值是最大的价值。

如图7,灰色叶斑病的玉米为例,疾病和害虫图像的二维直方图转化为图像的灰度值和色度值,灰色的形象和色度值设置为256年的水平,如。两个元组的联合概率密度是。

如果一个人使用的二维直方图大津方法如公式(5为分割),然后计算是指数增长的数量。在任何和,,,,需要执行累积计算,完成6次的分裂和繁殖。任意图像处理的时间复杂度。在chroma-gray二维直方图的分割,本文使用遗传算法寻找最优阈值;结合一维、二维直方图的目标和测量方法的背景,两届执行优化基于直方图分割阈值,。使用遗传算法的阈值优化速度比穷举搜索实现阈值优化的最优解和相应的图像分割性能好和稳定。

4.3。编码设计和种群初始化

4.3.1。编码设计

利用遗传算法优化段二维直方图的作物疾病,主要步骤如下:在图像阈值优化的过程中,根据疾病的特征图像,使用遗传算法来解决潜在的解决方案在解决方案空间。这关键一步也会影响效率,优化收敛速度,等等。在分析部分3.2,我们可以用数据的统计分析得到不同的疾病编码图像灰色和浓度分布和特征。使用二进制编码,图像的灰色和色度分为256年的水平,与8-binary编码数量,也就是说,从00000000到11111111,疾病对应图像灰色和色度值0到255的256个十进制数区间。

4.3.2。种群初始化

最初的起点是人口最优阈值搜索。根据灰色和害虫图像的色度特性,给出了初始种群的灰色空间和色度空间。在本文中,我们采用相同的策略为灰色和色度形象;5经验值有良好的影响实验和5随机值从0到255年被选为随机生成的初始种群。

4.4。适应值函数的设计

遗传算法用于评估个人的健康,并在此基础上,它可以产生更好的后代。适应度函数是一个函数的计算人口的健身价值,而且它是一个重要的函数,它直接影响到算法的搜索效率和收敛。因此,适应度函数设计的二维直方图阈值分割是非常重要的。适应度函数的设计,通常通过解决问题的建模和计算目标函数,在转型过程中形成的一些具体的实际问题的适应度函数,反映了个人的优点。

设置给定图像浓度水平分割阈值的浓度,灰度和灰色的分割阈值。第一搜索,假设,也就是说,。地区的分布概率3不容忽视,和距离测量的第一个优化表达如下: 在哪里地区的分布概率3和吗区域3中元素的意思。寻求第一次搜索的门槛是最大的。

在第二个搜索优化,到公式(5);然后公式(7)是

寻求第二次搜索时的门槛是最大的,这两个优化的结果作为最终的阈值。

因此,公式(6)和公式(7)被用作two-segmentation适应度函数的方法,本文采用,分别。

4.5。基因的设计策略

4.5.1。平行的选择

选择是基因操作的第一步;目的是选择交叉的个体组成的群体,突变和其他操作。个人有更好的健身价值可以产生新一代种群的选择。为了保证多样性的人口再生产的过程中,跟上算法的收敛速度,本文采用的方法结合健身价值与最优保存策略选择。

具体设计如下:第一,个人选择概率是给每个人按人口比例分配法的健康。交叉和变异操作后,母公司的个体人口和后代人口排序根据健身价值,分别。最高的个体采用保护策略,直接用亲本种群中的最优个体nonoptimal个体的后代人口形成新的后代种群。系综选择方法能保证种群的多样性,适应健身价值比例,同时,它可以节省最优个体加快收敛速度,提高解的精度。

在进化算法,计算过程分为三个阶段:初始,中间,和最后阶段,不同时期采用不同的最优保存策略。进化计算的早期阶段,患者最好的健身(最大的健身)代替前一代的第五高的个人健身价值生成,以避免本地搜索结果的收敛和放大的优化区间分割阈值。在中间段进化计算,上一代的最佳个体代替个人的健康是排在最后,所以最优个体保存在下一代,并能保证算法的收敛性。进化计算,年底前两个等级的人以前健身值代替个人的二阶健身人群中,所以该算法收敛迅速在最优解附近,提高了优化效率。

4.5.2。单点交叉

交叉(30.)是产生新个体的过程。通过结构交换个人,新的个人是不同的父亲,保证人口的多样性进化的过程。通过交叉操作,遗传算法的搜索空间扩大,和算法具有强大的搜索能力。本文采用单点交叉方法,配对的个体选择交叉操作被分配一个十字架在二进制编码的字符串,和交叉位结构划分点的交换和重组配对个体。后者的一部分编码比特串结构交换的形成一个新的个体的人口。由随机函数产生随机数来确定交点和设置交叉概率为0.7。

4.5.3。自适应变异

变异算子(31日)是遗传算法的一个重要组成部分。它可以有效地提高算法的局部搜索能力的变异算子产生个体不同于父母的财产;与此同时,它可以增加个体的多样性,避免不成熟的现象。变异概率的选择尤其重要;点的值太大,很容易失去优秀的个体;否则很难跳出局部最优。在本文中,使用自适应变异算子,下午将会改变个人健身价值;更大的个人健身是较小的变异概率,而个人的小型健身是一个大型突变的概率。

变异概率的计算公式如下: 在哪里个人的健身价值是突变,是人口最大的健身价值,人口的平均健身价值,,是系数,代表的变化,,。

4.6。基于Gray-Oriented图提取效果的优化

为了使二进制图像分割更精致的纹理边缘,提出了一种新的计算方法的重量病变提取利用的理念面向过滤(32,33)执行过滤操作的二值化图像分割得到的矩阵,并计算权重矩阵转换到病变区域。引导滤波平滑操作,保留图像的边缘图的指导下。定义是输入图像处理,是引导图,是过滤后的输出图像的操作。引导过滤被认为是在一个窗口以像素为中心,在那里是一个线性变换的引导图吗和表达的是(9)如下: 在系数和常量在窗口。

在本文中,我们定义一个权重矩阵病变区域提取的过程中,让原始图像和疾病是提取图像病变;然后该地区开采过程表示如下:

灰度图像边缘纹理罚款;因此,灰度图像作为指导图介绍直接过滤的概念;的二进制矩阵被定义为图像分割结果,在一个窗口为中心的像素。转换一个线性变换的图表示如下:

指导过滤需要系数和输出图像之间的差异降到最低和输入图像。同样,系数和需要减少权重矩阵的区别和二值化矩阵。在窗口中,我们考虑到成本函数如下: 在哪里是一个正则化矩阵,以防止从太大,保持过滤计算稳定。根据线性回归分析,最优解的表达式,可以表示如下: 在哪里和gray-guided的方差和均值图吗在窗口和窗口元素的数量。与此同时,的意思是在窗口的所有元素。因为元素可以被包含在多个窗口的价值,由于改变窗口中心的变化,有必要计算的平均值和在窗口中以元素为中心。的主要过滤输出最终的权重矩阵是由于以下公式: 在哪里,。为了减少噪声点,分散点的影响,在这里设置一个系数,体重矩阵公式(16)。

可以看出,权重矩阵细节纹理和边缘效应相似的灰度引导图吗虽然有特性类似于二值化矩阵。和指导滤波器的快速实现,只有时间复杂度,是一个很好的性能和可以快速实现滤波算法。

5。实验结果和分析

5.1。实验结果

图8显示点提取算法的效果。图像测试重点是图像的玉米疾病在200×200像素,其中包括常见的叶枯病,Cochliobolus heterostrophus和灰色的疾病。实验结果表明,该算法能有效段病变位置,减少错误点,并保留原始损伤图像颜色、边缘和纹理特征。

图9显示的效果设置不同的病变区域提取的值矩阵计算重量。实验表明,损伤提取区域保留好和完整的边缘和纹理但包含大量的散点。与价值的增加,散射点逐渐减少,病灶边缘纹理逐渐变得模糊,粗糙。因此,值设置为0.2。

5.2。比较和分析

图10本文的算法的比较与一维大津阈值分割方法和EM聚类分割方法。实验结果表明,有一些错误点当大津法和EM方法用于分割,nonlesion位置是误诊为病变和病变的位置和nonlesion误判。该算法可以有效地确定损伤的位置,错误越少,该地区与细纹理边缘提取,病变区域的原始图像保持良好的一致性。

G-MRF [34)和TSRG算法(35)玉米害虫和疾病的病灶分割算法。图11显示了该算法的实验比较结果与GMRF TSRG算法。实验结果表明,G-MRF算法可以保持形状和质地的损伤更完整,但容易受到其他分散点,导致少量的错误点。虽然TSRG算法可以避免分散点其他nonlesion领域的影响,其病变区域不能保留原病灶的形状。该算法不仅能保持原始的损伤结构的特点,但也避免分散点的影响,提取高质量。

6。总结

首先,分析玉米病虫害损失图像的数据,在灰色和色度空间的形象在全球和地方统计数据分析的特点,考虑损伤位置的差异获得无病位置的颜色,纹理,等等,至于害虫图像分割和提取的损伤。根据分析病虫害图像,灰度图像和彩色图像HSI彩色空间是由两个元组来构建一个二维直方图,为了更好地描述像素的分布,解决一维直方图无法清楚地分为目标和背景双峰分布情况,并改善使用传统的二维直方图害虫损害病变提取。对二维直方图阈值优化问题,本文阈值优化的设计过程是基于遗传算法;设计病虫害染色体编码的图像数据特征,结合图像分析,结果在初始种群的选择,使用并行选择、最优保存策略,和自适应变异算子,提高了搜索效率;同时,通过设置阈值的波动,最优阈值波动范围继续搜索,实现全局搜索和局部搜索相结合。病变的二元分割提取结果,介绍了指导滤波算法,使用gray-oriented图来计算图像分割上的指导和过滤操作,计算权重矩阵,在分段病变边缘,纹理修复,模糊性和粗糙的位置优化病变提取结果和病虫害的更好的记忆力损伤图像的边缘和纹理特征。

最后,病变区域提取的实验结果表明,该算法是有效的和讨论权重矩阵参数设置的影响实验结果。通过与传统的大津算法比较,EM聚类算法表明作物疾病的算法的适用性,昆虫,害虫的图像,同时,通过与高斯磁流变液和tsrg算法比较测试;该算法提取影响现货地区优势。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金支持与批准号61573157,该基金的中国广东省自然科学基金批准号广东省2014 a030313454,教育部授予2015年kqncx193,广东高等教育与创新基金会,中国(批准号2016 ktscx121)。

引用

1. w . j . Wang, l·刘,黄,“农作物病虫害图像识别技术的总结,“计算机工程与科学,36卷,不。7,1363 - 1370年,2014页。视图:谷歌学术搜索
2. 下午Keagy和t . f . Schatzki象鼻虫损害小麦射线照片,机器识别”光学在农业和林业卷,1836学报学报119年,页108 - 1993年国际光学工程学会。视图:谷歌学术搜索
3. c . Ridgway r·戴维斯和j·钱伯斯成像的高速检测害虫昆虫和其他污染物在谷物粮食交通“美国加州萨克拉门托,2001年7月至8月29日的1。视图:谷歌学术搜索
4. i . y . Zayas和p . w . Flinn检测昆虫散装小麦样品与机器视觉”美国农业工程师学会的事务第41卷。。3、883 - 888年,1998页。视图:出版商的网站|谷歌学术搜索
5. 李郭陈,x, x,“病小麦图像诊断算法”,中国农业机械学会的事务,40卷,不。12日,第195 - 190页,2009年。视图:谷歌学术搜索
6. x邹,”作物害虫识别在计算机视觉,研究现状”计算机系统和应用程序,20卷,不。6,238 - 242年,2011页。视图:谷歌学术搜索
7. 刘d .秋张h . x, y . Liu”设计的基于机器视觉检测系统对农业领域害虫,”中国农业机械学会的事务,38卷,不。1,第122 - 120页,2007。视图:谷歌学术搜索
8. k .王”的诊断作物疾病、害虫和杂草图像识别的基础上,“中国农业科学院,2005年。视图:谷歌学术搜索
9. g j . Wang和周,“黄色天牛的研究基于神经网络识别系统,”农业网络信息,卷2,39-41,2006页。视图:谷歌学术搜索
10. z梁、f·刘问:赵,r·杜”的应用数学形态学在昆虫分类总科的水平,”动物分类学,32卷,不。1,第152 - 142页,2007。视图:谷歌学术搜索
11. 顾,v . s .盛,刘贤美泰,w . Romano和李,“增量支持向量学习序数回归,”IEEE神经网络和学习系统,26卷,不。7,1403 - 1416年,2015页。视图:出版商的网站|谷歌学术搜索|MathSciNet
12. 顾和v . s .盛”,一个健壮的正则化算法ν支援向量分类。”IEEE神经网络和学习系统,卷1,1 - 8,2016页。视图:出版商的网站|谷歌学术搜索
13. z夏,x, x,问:刘,和n .熊”的LSB匹配隐写式密码解密使用不相邻像素之间的差异,”多媒体工具和应用程序,卷75,不。4、1947 - 1962年,2016页。视图:出版商的网站|谷歌学术搜索
14. z夏,x, x,和王,“一个安全的和动态multi-keyword排名搜索方案在加密的云数据”IEEE并行和分布式系统,2016年。视图:谷歌学术搜索
15. 太阳王z夏,x, x, b . Wang“隐写式密码解密的最低有效位匹配使用multi-order差异,”安全性和通信网络,7卷,不。8,1283 - 1291年,2014页。视图:出版商的网站|谷歌学术搜索
16. h . Chang m·杨和j·杨,“学习一种结构自适应字典稀疏表示分类为基础,“Neurocomputing卷,190年,第131 - 124页,2016年。视图:出版商的网站|谷歌学术搜索
17. x气、g .赵l .沈问:李,和m . Pietikainen”负载:地方纹理方向自适应描述符和材料分类,“Neurocomputing卷。184年,28-35,2016页。视图:出版商的网站|谷歌学术搜索
18. x的歌,j . Zhang y汉,j .江”Semi-supervised web图像分类特征选择通过层次回归,”多媒体系统,22卷,不。1,41-49,2016页。视图:出版商的网站|谷歌学术搜索
19. z z梁,j .太阳,林,Du, j . Chen和z明,“小说多个规则集基于蚁群算法的数据分类算法,”应用软计算杂志,38卷,第1011 - 1000页,2016年。视图:出版商的网站|谷歌学术搜索
20. y, z Lai z粉丝,j .崔和朱问:“廖判别回归学习的图像分类,”Neurocomputing卷,166年,第486 - 475页,2015年。视图:出版商的网站|谷歌学术搜索
21. r·杨和王z”Cross-oriented·曲克积分及其应用对数据分类,“智能和模糊系统杂志》上,28卷,不。1,第216 - 205页,2015。视图:谷歌学术搜索
22. j . Zhang Z.-H。张,林y . et al .,“进化计算与机器学习:一项调查,”IEEE计算机情报杂志》第六卷,没有。4、68 - 75年,2011页。视图:出版商的网站|谷歌学术搜索
23. m . j . Kavetha“共同进化进化算法:一项调查,”国际高级研究计算机科学杂志》上,4卷,不。4、2013。视图:谷歌学术搜索
24. x江、j . Ma和c . Lei“核进化聚类算法”仿生Computing-Theories和应用程序。BIC-TAl . m .锣锅,t的歌,和g·张,Eds。卷,682通信在计算机和信息科学施普林格,新加坡,新加坡,2016年。视图:出版商的网站|谷歌学术搜索
25. c·霍r .曾庆红,y . Wang和m .商,“一个基于Multi-Parent交叉的遗传算法对Bi-Objective无约束二元二次规划问题,”仿生Computing-Theories和应用程序。BIC-TAl . m .锣锅,t的歌,和g·张,Eds。卷,682通信在计算机和信息科学施普林格,新加坡,新加坡,2016年。视图:出版商的网站|谷歌学术搜索
26. j·杨和刘c”,研究色彩空间及其变换在数字图像处理中,“商丘职业技术学院杂志》上,8卷,不。2、25 - 27日2009页。视图:谷歌学术搜索
27. c . Lei j . Ma,江x”无监督图像分割基于流域和核进化聚类算法,”仿生Computing-Theories和应用程序。BIC-TAl . m .锣锅,t的歌,和g·张,Eds。卷,682通信在计算机和信息科学施普林格,新加坡,新加坡,2016年。视图:谷歌学术搜索
28. y王研究图像Segemention的关键技术江南大学,北京,中国,2008。
29. y y梁、r .彭日成和朱,“二维大津线灰度图像分割方法,”计算机工程与应用,48卷,不。33岁,178 - 182年,2012页。视图:谷歌学术搜索
30. 江z, y, r·王”连续蚁群优化不同的交叉方案优化,”仿生Computing-Theories和应用程序l . m .锣锅,t的歌,k . Tang和x张,Eds。卷,562通信在计算机和信息科学施普林格,柏林,德国,2015年。视图:谷歌学术搜索
31. 李k和l .熊”社区检测基于一种改进遗传算法”,通信在计算机和信息科学卷。575年,32-39,2016页。视图:出版商的网站|谷歌学术搜索
32. z z, j .郑朱,w .姚明,和吴,“加权引导图像过滤,”IEEE图像处理,24卷,不。1,第129 - 120页,2015。视图:出版商的网站|谷歌学术搜索|MathSciNet
33. k他、j .太阳和x,“引导图像过滤,”IEEE模式分析与机器智能,35卷,不。6,1397 - 1409年,2013页。视图:谷歌学术搜索
34. 美国,研究玉米疾病智能诊断基于疾病的形象石河子大学,北京,中国,2010。
35. j .李智能图像处理算法的研究和实现玉米叶病斑,北京邮电大学,北京,中国,2010。

版权

版权©2017 Kangshun李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。