基于椭圆型度量学习的小麦叶部病害识别

摘要

特征提取和相似性度量是基于图像处理的农作物病虫害识别方法中的两大关键问题.以感染小麦白粉病的叶片为研究对象,提出了一种基于椭圆型度量学习的小麦叶部病害严重度识别算法.该算法首先给出了一种滑窗最大值(Moving window maximum,MWM)特征提取方法,对分割后的病斑图像采用滑窗法提取HSV颜色特征和LBP纹理特征,在同一水平条滑窗上取每一维特征的最大值作为这一水平条的特征,这种MWM特征表示方法能有效减弱小麦叶片弯曲、倾斜、拍摄角度不同等对识别率的影响;然后,引入对样本数据具有更好区分性的椭圆型度量,根据样本的类内与类间高斯分布的对数似然比定义椭圆型度量矩阵,为了保持最大化的分类信息,将特征子空间学习和椭圆型度量学习同时进行;最后,利用得到的椭圆型度量计算特征向量之间的距离实现不同严重度病害的识别.对比实验结果表明,本文算法使得小麦白粉病严重度的识别正确率达到了100％,优于SVM方法的88.33％、BP神经网络方法的90％.