稀疏表示框架下的农作物病害图像识别方法研究

摘要

农作物病害是我国主要的农业灾害之一，病害类型准确识别是防治农作物病害的关键。论文针对当下农作物病害识别主要针对单一农作物及现有侦测技术检测识别率较低的问题，综合利用计算机视觉、图像处理、模式识别等领域的知识，展开了对小麦、玉米、花生、棉花四种农作物常见叶部病害的识别方法研究。主要研究内容如下：
　　1)首先采集了华北地区大面积种植的小麦、玉米、花生、棉花四种农作物常见的22种叶部病害共422个病害样本图像，在完成对每张病害图像叶片和病斑分割的基础上，分别提取了描述农作物种类的叶片特征参数和描述病害类型的病斑特征参数；然后将这两类特征参数组合、归一化处理，得到病害图像的数据特征向量，构建了一个农作物叶部病害数据集；最后根据研究成果和研究需求，编制了一个农作物叶部病害处理与特征提取软件。
　　2)实验表明，直接利用病害原始数据特征进行病害识别，识别效率不够理想。为了进一步提高农作物叶部病害识别率，本文选择特征选择的方法去掉病害特征中的冗余信息以及干扰信息。在判别局部保留映射算法的基础上，本文提出一种基于L2, p范数的判别局部保留映射算法进行特征选择。具体地，基于判别的局部保持映射算法利用L2范数去度量样本之间的距离，很有可能放大野值点的影响，同时，该算法得到的特征是原始特征的线性组合，并不能去掉特征中的冗余信息，所提的样本特征中还有可能存在部分冗余信息或干扰信息，因此，直接使用该算法提取特征可能会降低最终的分类性能。为了解决以上问题，本文利用L2, p范数代替传统的L2范数度量样本之间的距离来降低野值点的影响，并利用映射矩阵行稀疏限制实现特征选择，增强了农作物病害图像的鉴别信息，有效的提高了最终的分类性能。
　　3)基于协同表示分类器已在图像识别领域取得了比较广泛的应用，但是当数据特征向量存在异常值时，基于协同表示分类器的图像识别方法识别效果不佳。此外，研究表明，数据特征的重要性和数据的的空间局部性对数据分类至关重要。基于此，本文提出一种双权重协同表示分类方法并将其应用于农作物叶部病害识别。在农作物叶部病害数据集上的实验结果表明，本文提出的双权重协同表示分类方法相对于支持向量机、神经网络、稀疏表示、协同表示、正则化鲁棒编码、加权稀疏表示、加权组稀疏表示分类、协同近邻表示等先进分类算法，在农作物叶部病害识别时具有明显的优势。

目录

声明

1 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 论文研究内容和结构安排

2 农作物叶部病害图像数据库的建立

2.1 引言

2.2 图像采集与预处理

2.3 农作物叶部病害图像特征提取及数据集构建

2.4 系统实现

2.5 本章小结

3 基于L2, p范数的判别局部保留映射的特征选择

3.1 引言

3.2 相关算法

3.3 基于L2, p范数的判别局部保留映射算法

3.4 实验

3.5 本章小结

4 双权重协同表示分类

4.1 引言

4.2 相关算法

4.3 双权重协同表示分类器

4.4 实验

4.5 本章小结

5 总结与展望

5.1 总结

5.2 展望

参考文献

附录

致谢

攻读学位期间的科研成果