[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

摘要

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。

主权项

1.一种基于图像特征压缩与检索的农作物病害图像识别方法，其特征在于：主要包括图像数据库索引构建与待识别图像检索两大部分，其中图像数据库索引构建包含图像数据样本库构建、图像底层视觉特征抽取、SIFT特征抽取、图像中层语义信息提取与压缩；待识别图像检索除需要做上述处理之外，还需要进行相似度计算与排名、根据索引查找候选图像的操作，具体包括以下步骤：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；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；步骤4：提取病害图像中蕴含的中层语义信息，基于BoW(Bag of Word)词典，利用k‑means聚类算法计算步骤2和3中抽取的特征所对应的BoW特征，获得的聚类中心对应词典中的单词，聚类中心的个数为词典的大小，并利用TF‑IDF模型计算病害图像直方图中各单词的权值，具体包括以下步骤：步骤41：参考BoW模型，采用k‑means聚类方法对步骤2和3中抽取的底层视觉特征与SIFT特征进行聚类，获得的聚类中心对应词典中的单词，从而构建BoW词典；步骤42：对每张病害图像，首先计算图像中每个单词即特征向量到BoW词典中所有单词的欧氏距离，然后利用最近邻法计算该单词属于BoW词典中的类别，最后通过统计词典中的视觉单词在图像中出现的次数，将图像映射到视觉BoW词典上，从而将一幅病害图像转化为一个全局的统计直方图向量；步骤43：首先计算病害图像i的直方图向量中单词w的词频，即单词w在图像i中出现的频率TFw,i：其中，count(wi)为词w在图像i中出现的次数，|ni|为图像中所有单词的个数；其次计算病害图像i的直方图向量中单词w在整个图像库中的普遍程度，即逆向文档频率IDFw,i：其中，Nw表示包含词w的图像数量，N为总图像数量；再次计算病害图像i的直方图向量中单词w的权值，即TF‑IDF值：TF‑IDF＝TFw,i*IDFw,i最后将该权值与上节图像的向量编码相乘即得最终的图像直方图向量。步骤5：对图像数据库中的所有图像进行上述步骤2到4的处理，构建图像库索引；步骤6：给定待识别图像，按照上述步骤2到4进行相同的处理，提取底层视觉特征与SIFT特征，并进行相应的归一化操作，计算对应的BoW特征；步骤7：利用余弦相似度，对待识别图像的两个BoW特征与图像库索引进行相似度求解，首先对BoW特征进行排序，归一化求求解权重，再按照权重进行融合得到最终的相似度，最终依据相似度排名返回指定个数的候选图像列表，作为识别结果。