基于多分类器融合的玉米叶部病害识别研究

摘要

随着模式识别技术的发展和农业信息化进程的推进，农作物的病害识别越来越受到人们的关注。目前，国内外学者在这方面做了很多相关的研究，虽取得了一定的成果，但在实际应用中，仍然面对诸多难题。针对传统的病害识别大多是采取单一分类模型，本文以玉米叶部常见的7种病害为研究对象，对多分类器集成决策下的病害识别进行了相关的研究，其主要工作如下:
　　(1)针对单分类器识别的局限性和玉米叶部病害的复杂性，提出了一种基于自适应加权的多分类器融合的玉米叶部病害识别方法。首先，对采集的玉米叶部病害图像的病害区域分别提取颜色、颜色共生矩阵和颜色完全局部二值模式3种特征，并相应地构建3个基于支持向量机的单分类器;然后，利用K近邻和聚类分析的方法计算各单分类器的自适应动态权值;最后，通过线性加权的方式进行融合判决，得到最终的分类标签。利用该方法对7种常见的玉米叶部病害图片进行了实验，平均识别率达94.71％。结果表明，其性能优于目前常见的单一特征或特征组合构建的同类分类器及多分类器融合方法。研究结果为其他农作物病害诊断提供了借鉴和参考。
　　(2)针对上述方法中，有效邻域样本间存在一定程度的相关干扰的问题，提出了一种基于多分类器行为的改进的自适应加权的多分类器融合的玉米叶部病害识别方法。首先，按照上述方式构造3个基分类器，然后利用多分类器行为和K近邻方法筛选出待测样本的有效邻域，并在有效邻域内构建邻域样本的全信息相关矩阵，计算每个基分类器的全信息相关度来作为其性能参数;最后，以投票加权的方式进行融合判决，输出最终的分类结果。实验对比结果表明，该方法能进一步提高多分类器融合体系下玉米叶部病害整体的识别性能。

目录

声明

致谢

摘要

第一章 绪论

1．1 选题背景与研究意义

1．1．1 选题背景

1．1．2 研究意义

1．2 国内外的研究现状

1．2．1 病害识别的国内外研究现状

1．2．2 多分类器集成的国内外研究现状

1．3 研究方案和技术路线

1．3．1 研究方案

1．3．2 技术路线

1．4 本文的组织结构安排

第二章 玉米叶部病害图像的采集和预处理

2．1 玉米叶部病害图像的采集

2．2 玉米叶部病害图像的预处理

2．2．1 背景去除

2．2．2 玉米叶部病害图像数据库

2．2．3 图像变换

2．2．4 本文预处理方法

2．3 玉米叶部病害图像的分割

2．3．1 最大类间方差法

2．3．2 超绿特征法

2．3．3 Mean shift算法

2．3．4 K均值聚类法

2．3．5 本文分割方法

2．4 实验结果及分析

2．5 本章小结

第三章 多特征多分类器融合的玉米叶部病害识别

3．1 引言

3．2 玉米叶部病害的特征提取

3．2．1 颜色矩

3．2．2 颜色共生矩阵

3．2．3 颜色完全局部二值模式

3．3 自适应加权的多分类器融合的玉米叶部病害识别方法

3．3．1 多分类器融合

3．3．2 自适应加权的多分类器融合的识别方法

3．4 实验结果及分析

3．4．1 实验参数选取

3．4．2 实验结果及分析

3．5 本章小结

第四章 基于多分类器行为的动态加权的病害识别

4．1 引言

4．2 基于多分类器行为的动态加权的病害识别方法

4．2．1 多分类器行为

4．2．2 全信息相关度

4．2．3 改进的动态加权的病害识别方法

4．3 实验结果及分析

4．3．1 基于不同参数的实验

4．3．2 基于不同方法的实验结果分析

4．4 本章小结

第五章 总结与展望

5．1 工作总结

5．2 工作展望

参考文献

攻读硕士学位期间的学术活动及成果情况