技术摘要：
本发明提供了一种基于图像处理的苹果树病虫害的识别方法，用于识别三种常见的苹果树病虫害，属于图像处理技术领域。一种基于图像处理的苹果树病虫害识别方法主要包括六个步骤：首先进行苹果树图像信息采集；然后使用自动色彩增强算法去除其光照的影响；通过均值漂移聚  全部
背景技术：
中国是世界上苹果种植面积最大，也是总产量最高的国家。据官方数据显示，2015 年中国苹果树种植总面积在3500万亩左右，苹果总产量在4000万吨以上。随着我国农业结 构的不断调整以及生产布局的逐步优化，苹果的生长环境得以改善，生产效益有了较大提 高，但与国际先进水平相比，仍存在明显差距。 在苹果生产作业中，病虫害的发生与发展一直是果农们面对的一大难题。在苹果 树的种植中有三种常见的病害：斑点落叶病、轮纹病、褐腐病。斑点落叶病的主要症状为初 期树叶上出现褐色圆点，逐渐扩大为红褐色，边缘紫褐色，病部中央常具深色斑点或同心轮 纹；轮纹病主要症状为树干发病，以皮孔为中心形成暗褐色、水渍状或小溃疡斑，边缘开裂 翘起，呈青灰色；褐腐病主要症状为果实表面出现浅褐色小斑，软腐状，病斑扩展速度极快， 在10摄氏度情况下经十天即可使整个苹果腐烂。 传统的苹果树病虫害检测过多依赖于专家的经验，效率低且不具有智能性是影响 其病虫害检测性能的重要限制。大部分果树的病况不能够及时的被发现而导致病虫害蔓 延，即使后期进行治疗后也会影响苹果的产量。因此果树实时监控技术的发展在整个苹果 产业中是十分重要的。 目前苹果树病虫害识别方法研究主要有基于向量机的病虫害识别方法和基于高 光谱成像的病虫害识别方法。然而现有的研究中很少考虑光照的影响；由于在识别过程中 对全部苹果树图像进行处理而导致了算法实时性较差，准确率不高；大部分研究只是判断 苹果树是否患病而未对所患病虫害种类进行分类。
技术实现要素：
本发明提供了一种基于图像处理的苹果树病虫害的识别方法，用于识别三种常见 的苹果树病虫害。 本发明采用如下方法来实现：一种基于图像处理的苹果树病虫害的识别方法，其 特征在于，包括： 步骤一、对苹果树图像进行信息采集； 步骤二、对所采集的苹果树图像使用自动色彩增强算法进行图像增强预处理； 步骤三、对预处理后的图像使用均值漂移聚类算法进行初步聚类分割，保留图像 中枝干、树叶、苹果三部分； 步骤四、利用Tamura算法提取步骤三中聚类保留图像的线性度、粗糙度、对比度、 方向度四类特征值； 步骤五、将步骤四中的四类特征值作为输入量，通过构造和训练得到径向基神经 6 CN 111598001 A 说　明　书 2/11 页 网络模型； 步骤六、利用步骤五中得到的径向基神经网络模型与Softmax分类器结合确定苹 果树所患病虫害类型。 步骤二中，在图像预处理的过程中使用自动色彩增强算法增强图像去除光照的影 响，该算法考虑了图像中颜色和亮度的空间位置关系，进行局部特性的自适应滤波，实现具 有局部和非线性特征的图像亮度与色彩调整和对比度调整，同时满足灰色世界理论假设和 白色斑点假设，具体步骤如下： 步骤二一：分别对苹果树图像的R、G、B通道进行单独处理，计算每个像素点的R(x) 值，进行适应局部图像对比度，Sα(t)能够放大较小的差异，并且丰富大的差异，公式如下： 其中，R(x)为计算参数时的中间结果，I(x)、I(y)表示两个不同像素点的亮度，d (x，y)为两个像素点的距离，Sα(t)为坡度函数，α为可调斜率，公式如下： 步骤二二：利用下面的公式将R(x)展到[0，1]之间，得到增强后的苹果树图像的R、 G、B通道，获得全局白平衡，公式如下： 其中，L(x)为归一化后的中间值。 步骤二三：求解最优化问题，获得处理后的苹果树图像，自动色彩增强算法可以看 作是对规范的直方图均衡化方法的一种平滑和局部修正的方法，公式如下： 其中，ω表示权重，M为相对调节参数，公式如下： ω(x,y)＝1/||(x-y)||   (5) M＝maxx  L(x)   (6) 步骤三中，所述均值漂移聚类算法是一种无参数密度估计算法，可以看作是使多 个随机中心点向着密度最大的方向移动，最终得到多个最大密度中心，通过算法将所需果 树区域初步的分割出来，使用均值漂移聚类算法聚类分割具体过程为： 步骤三一：在未被标记的苹果树图像像素点中随机选择一个点作为初始中心点 center； 步骤三二：找出与中心点center亮度差在设定的阈值O之内的所有像素点，记做集 合Z，认为这些点属于类c，同时把这些点属于这个类的概率加1； 步骤三三：以center为中心点，计算从中心点center开始到集合Z中每个元素的向 7 CN 111598001 A 说　明　书 3/11 页 量，将这些向量相加，得到偏移向量shift； 步骤三四：中心点center沿着偏移向量shift的方向移动，移动距离是偏移向量的 模； 步骤三五：重复步骤三二、三三、三四，直到偏移向量shift迭代到收敛，记住此时 的中心点center，这个迭代过程中遇到的点都归到类c中； 步骤三六：如果收敛时当前类c的center与其它已经存在的类中心的亮度差小于 阈值，那么把类c与这个类合并，否则把c作为新的类，增加1类； 步骤三七：重复步骤三一、三二、三三、三四、三五直到所有的点都被标记访问； 步骤三八：根据每个类对每个点的访问频率，取访问频率最大的那个类，作为当前 点集的所属类，最终完成对苹果树图像的聚类分割。 步骤四中，所述提取的四类特征值分别为： 粗糙度 对比度 方向度 线性度 式中k＝0，1，...，5 α 44＝μ4/σ S kbest(i,j)＝2 g(i，j)----------分割后苹果树图像灰度中位于(i，j)处像素的灰度值 μ4----------------四次矩 σ2----------------方差 p-----------------分割后苹果树图像灰度直方图中的峰值 np----------------分割后苹果树图像灰度直方图中所有的峰值 Wp--------------对于某个峰值p，Wp代表该峰值所包含的所有的离散区域 Φp---------------波峰中心位置 PDd---------------在距离内的n×n大小的局部方向共生矩阵 步骤五中，所述对已聚类分割后的苹果树图像进行训练识别，具体为：构建径向基 神经网络模型，径向基神经网络是一种三层神经网络，其包括输入层、隐层、输出层；从输入 空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性；构建径向基 神经网络模型的具体步骤如下： 步骤五一一：将从分割后苹果树灰度图像中提取的粗糙度、对比度、方向度、线性 度四类特征值作为输入层输入矢量，用径向基作为隐单元的“基”构成隐含层空间； 步骤五一二：将隐单元输出的线性加权和作为网络的输出，此处的权即为网络可 调参数； 8 CN 111598001 A 说　明　书 4/11 页 步骤五一三：利用径向基函数、激活函数、损失函数构成线性方程组，网络的权由 线性方程组直接解出，进而求出基函数的中心、方差以及隐含层到输出层的权值等三个神 经网络的参数； 所采用的径向基函数是高斯核函数，形式为k(||x-xc||)＝exp{-||x-xc||^2/(2* σ)^2)}，其中xc为核函数中心，σ为函数的宽度参数，控制函数的径向作用范围，其具体表述 如下： 径向基神经网络的激活函数可表示为： 其中xp为第p个输入样本，ci为第i个中心点，h为隐含层的结点数，n是输出的样本 数或分类数，径向基神经网络的结构可得到网络的输出为： 采用最小二乘的损失函数表示： 采用自组织选取中心学习方法进行径向基神经网络的学习训练，其具体表述如 下： 步骤五二一：无监督学习过程，求解隐含层基函数的中心与方差； 步骤五二二：有监督学习过程，求解隐含层到输出层之间的权值； 首先，在分割后苹果树灰度图像特征值中选取h个中心做k-means聚类，对于高斯 核函数的径向基，方差由公式求解： 其中，i＝1，2，…，h； cmax为所选取中心点之间的最大距离； 隐含层至输出层之间的神经元的连接权值可以用最小二乘法直接计算得到，即对 损失函数求解关于权值w的偏导数，使其等于0，可以化简得到计算公式为： 其中，p＝1，2，…，P；i＝1，2，…，h； 利用以上公式计算出的各类参数完成径向基神经网络模型的搭建，并且使用该神 经网络模型对数据集中的分割后苹果树灰度图像特征值进行训练，得到训练后的特征值并 输出。 步骤六中，所述Softmax分类器具体为：应用Softmax回归模型，该模型在处理多分 类问题时，类标签y可取得K个不同值；因此，在对于苹果树灰度图像特征值训练集，则有m个 已标记样本{(x(1)，y(1))，…，(x(m)，y(m))}，特征向量x的维度为n 1，其中x0＝1对应截距项； 设输入测试元素为x，则x可表示为经过训练的分割后苹果树灰度图像的特征值， 9 CN 111598001 A 说　明　书 5/11 页 在分类测试过程中，则每种类别j应当存在一个识别概率，因此可将假设函数公式h0(x)设 置为： 在式(16)中，θ1，θ，…，θ∈Rn 12 k 通常表示为分类器模型参数，而其中的 通常是对分类识别概率数据的一种归一化处理，使得所有概率之和为1，这样做的目的是要 提高分类的精度； 在Softmax分类器进行苹果树患病图像分类测算的过程中，若将参数θ以矩阵的形 式进行表示，则该矩阵为： Softmax的代价函数J(θ)则为： 在Softmax损失函数中对类标记的k个可能值进行累加，根据该代价函数，将x分类 为类别j的概率则为： 根据对上述公式的求导，得出梯度公式为： 通过以上公式的应用完成对经过训练的分割后苹果树灰度图像特征值数据的处 理，最终确定苹果树所患病虫害类型为斑点落叶病、轮纹病、褐腐病中的一种。 综上所述，本苹果树病虫害识别算法通过摄像头对自然环境下的苹果树拍照来实 现数据图像的采集，对摄像头采集到的数据图像进行运算和分析，去除自然因素的影响，在 复杂背景中识别苹果树所患病虫害。本苹果树病虫害识别算法主要包括患病苹果树图像信 息采集，图像预处理，初步聚类分割，图像特征提取，训练径向基神经网络模型并结合 Softmax分类器五个方面。其中，患病苹果树图像信息采集是本算法的基础，主要采集RGB苹 果树图像；图像的预处理是使用自动色彩增强算法去除图像中光照的影响并对图像进行增 强；初步聚类分割和图像特征提取是使用均值漂移聚类算法分割苹果树图像(树干、树叶、 苹果)，然后使用特征值提取算法提取所需分割保留图像的图像特征；训练径向基神经网络 10 CN 111598001 A 说　明　书 6/11 页 模型是通过构建神经网络模型并将图像特征值作为输入量，通过对数据库内已患病苹果树 图像进行训练，得到模型参数，完成径向基神经网络模型搭建，最后与Softmax分类器结合， 确定分类器参数，完成三种苹果树病虫害分类识别。 有益效果为：本发明提出的苹果树病虫害识别方法，在检测方式上利用数字图像 处理技术完成苹果树病虫害的识别检测,无需额外的硬件设备，方便快捷且实用性强。创新 性的使用自动色彩增强算法增强原始图像去除其中光照的影响，为后续的图像处理提供便 利。通过统计聚类方法获取患病苹果树图像中枝干、树叶、苹果部分，并通过统计特征提取 分割后图像中的线性度、粗糙度、对比度、方向度四类图像特征值，提高了苹果树病虫害图 像识别速率以及准确性。采用训练径向基神经网络模型与Softmax分类器结合的方案最终 确定苹果树所患病虫害，进一步提高识别的准确性。 附图说明 为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简 单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域 普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。 图1为本发明提供的一种基于图像处理的苹果树病虫害的识别方法实施例流程 图； 图2为本发明提供的苹果树图像聚类识别流程示意图； 图3为本发明提供的径向基神经网络训练流程图。