稀疏表示框架下的農(nóng)作物病害圖像識別方法研究.pdf

1、農(nóng)作物病害是我國主要的農(nóng)業(yè)災(zāi)害之一，病害類型準(zhǔn)確識別是防治農(nóng)作物病害的關(guān)鍵。論文針對當(dāng)下農(nóng)作物病害識別主要針對單一農(nóng)作物及現(xiàn)有偵測技術(shù)檢測識別率較低的問題，綜合利用計算機視覺、圖像處理、模式識別等領(lǐng)域的知識，展開了對小麥、玉米、花生、棉花四種農(nóng)作物常見葉部病害的識別方法研究。主要研究內(nèi)容如下：
　　1)首先采集了華北地區(qū)大面積種植的小麥、玉米、花生、棉花四種農(nóng)作物常見的22種葉部病害共422個病害樣本圖像，在完成對每張病害圖像葉片

2、和病斑分割的基礎(chǔ)上，分別提取了描述農(nóng)作物種類的葉片特征參數(shù)和描述病害類型的病斑特征參數(shù)；然后將這兩類特征參數(shù)組合、歸一化處理，得到病害圖像的數(shù)據(jù)特征向量，構(gòu)建了一個農(nóng)作物葉部病害數(shù)據(jù)集；最后根據(jù)研究成果和研究需求，編制了一個農(nóng)作物葉部病害處理與特征提取軟件。
　　2)實驗表明，直接利用病害原始數(shù)據(jù)特征進(jìn)行病害識別，識別效率不夠理想。為了進(jìn)一步提高農(nóng)作物葉部病害識別率，本文選擇特征選擇的方法去掉病害特征中的冗余信息以及干擾信息。在判

3、別局部保留映射算法的基礎(chǔ)上，本文提出一種基于L2, p范數(shù)的判別局部保留映射算法進(jìn)行特征選擇。具體地，基于判別的局部保持映射算法利用L2范數(shù)去度量樣本之間的距離，很有可能放大野值點的影響，同時，該算法得到的特征是原始特征的線性組合，并不能去掉特征中的冗余信息，所提的樣本特征中還有可能存在部分冗余信息或干擾信息，因此，直接使用該算法提取特征可能會降低最終的分類性能。為了解決以上問題，本文利用L2, p范數(shù)代替?zhèn)鹘y(tǒng)的L2范數(shù)度量樣本之間的距

4、離來降低野值點的影響，并利用映射矩陣行稀疏限制實現(xiàn)特征選擇，增強了農(nóng)作物病害圖像的鑒別信息，有效的提高了最終的分類性能。
　　3)基于協(xié)同表示分類器已在圖像識別領(lǐng)域取得了比較廣泛的應(yīng)用，但是當(dāng)數(shù)據(jù)特征向量存在異常值時，基于協(xié)同表示分類器的圖像識別方法識別效果不佳。此外，研究表明，數(shù)據(jù)特征的重要性和數(shù)據(jù)的的空間局部性對數(shù)據(jù)分類至關(guān)重要?；诖耍疚奶岢鲆环N雙權(quán)重協(xié)同表示分類方法并將其應(yīng)用于農(nóng)作物葉部病害識別。在農(nóng)作物葉部病害數(shù)據(jù)集上