[发明专利]一种基于图像特征压缩与检索的农作物病害图像识别方法

说明书

本发明涉及一种基于图像特征压缩与检索的农作物病害图像识别方法，综合利用机器学习方法与计算机视觉技术，在抽取图像底层视觉特征与SIFT特征的基础上，进一步融合中层语义信息，构建图像库索引，利用特征压缩与图像检索技术实现农作物病害图像的识别。与现有的农作物病害图像识别方法相比，本发明的方法避免了背景去除、病斑分割与分类器构建等较为复杂且效率低下的计算过程，有效提高了农业病害图像识别的效率，满足实际农业生成中的实时性需求。本发明的方法避免了背景去除、病斑分割与分类器构建等较为复杂且效率低下的计算过程，有效提高了农业病害图像识别的效率，满足实际农业生成中的实时性需求。

技术领域

本发明涉及一种作物病害图像识别方法，具体涉及一种基于图像特征压缩与检索的农作物病害图像识别方法。

背景技术

农作物在整个生长周期内由于受到环境等因素的影响，容易发生各种各样的病害。据联合国粮农组织公布的数据，由于病害导致的农作物自然损失率超过三分之一，每年都会造成巨大的经济损失。随着机器学习方法与图像处理技术的发展，利用计算机视觉技术进行农作物病害图像的识别能够避免传统人工诊断方法的弊端，例如：主观因素大、时效性差等。然而由于农业环境较为复杂，拍摄的弄作物病害图像往往带有复杂的背景，且存在光照不均匀等问题，导致现有的针对农作物病害图像识别方法的研究大都需要背景去除、病斑分割、底层视觉特征提取、分类器构建等几个关键的步骤，尤其是背景去除与病斑分割需要较为复杂的图像分割方法，算法效率较低；另一方面分类器构建大多是利用知识向量机或神经网络，模型构建与训练过程均较为复杂，不能满足实际农业生产中的需求。

基于内容的图像检索方法是建立在多媒体信息的内容语义上，能够更为客观地反映图像本质的特征。该方法具有特征维度高、响应速度快等特点，在商业应用中取得了成功，例如百度识图。基于该方法进行农作物病害图像识别，能够克服使用背景去除、病斑分割、分类器构建等步骤所产生的方法效率低下问题；同时，该方法需要大规模的图像数据库，还需要恰当的特征抽取以及索引构建与查询等关键技术的支持。

发明内容

为解决上述现有方法中存在的问题，本发明的目的是提供一种基于图像特征压缩与检索的农作物病害图像识别方法。利用积累的大量农作物病害图像数据，构建相应的图像数据库，针对病害的特点抽取需要的特征数据，再对底层视觉特征进行聚类，并计算特征的权重构建索引，最后依据相似度判定待识别病害图像与图像数据库中图像的匹配程度，从而得到待识别病害图像的识别结果。

一种基于图像特征压缩与检索的农作物病害图像识别方法，包括以下步骤：

步骤1：对现有的农作物病害图像数据按照农作物种类与病害种类进行分类与整理，形成图像数据样本库，作为索引构建的训练样本，要求每种病害的图像资源具有一定的冗余和重复性，即要求每种病害的图像数量达到五十张或以上；

步骤2：根据农作物病害的特点，抽取区分度较为明显的图像底层视觉特征并进行归一化处理，具体包括以下步骤：

步骤21：对于颜色特征，考虑不同色彩空间中区分度较大的特征，抽取每个病斑区域的RGB色彩空间中的B分量与HIS色彩空间中的H分量，并分别计算其一阶矩、二阶矩、三阶矩；

步骤22：对于纹理特征，考虑病斑症状与算法运行效率，抽取水平方向上的灰度共生矩阵能量、熵以及对比度；

步骤23：对于形状特征，考虑病斑不同时期具有不同的形状，抽取相对值特征，包括：圆度、矩形度、离心率、球状比、紧密度、广度、内切圆半径、离散指数、伸长度及形状参数；

步骤24：为提高特征计算效率，对上述抽取的底层视觉特征进行归一化；

步骤3：利用尺度不变特征变换描述子SIFT提取病害图像的128维局部SIFT特征，以避免光线、颜色等环境变化所造成的图像干扰，并对提取的特征进行归一化处理；