[发明专利]植物叶片受害症状的自动识别方法

权利要求书

1.植物叶片受害症状的自动识别方法，其特征是，包括以下步骤：

1)获取目标叶片图像

以白色复印纸为背景，在光线良好的顺光条件下离体或活体拍摄而得到的高分辨率、叶尖向上的公正RGB图像；

2)目标叶片图像处理

首先运行识别程序并赋值微分块数、微分方向、边缘处理方式等参数，并对参数有效性判别后打开图像，然后分析计算目标叶片图像每一像素的R、G、B和L值最后检查目标叶片图像的有效色值范围；

3)进行图像微分和区域图像标准色值分析

首先对目标叶片图像从左向右按等距离进行纵向微分得△X,然后根据公式(1)计算每个△X段的R,G,B以及L色彩平均值和G/L值，

SDG_i＝100×(G/L_i-G/L_min)/(G/L_max-G/L_min)(1)

式中，SDGi为第i分段的标准色值，G/Li为第i单元的色值比，G/Lmin为单元色值之极小值，G/Lmax为单元色值的极大值；

4)根据区域图像标准色值进行二次函数回归分析和回归参数计算

以标准色值为y轴，叶片微分单元为X轴构建二次曲线函数：

y＝aX²+bX+c(2)

式中，a为二次项系数、b为一次项系数、c为常数项，且a≠0，

求解式(2)的导函数式：

2aX+b＝0(3)

并判别式(3)在等于零时的极值：

X＝-b/2a(4)

式中，

5)用方差分析法进行阈值参数的计算

对目标叶片图像从上向下按等距离进行横向微分并按步骤3)进行图像微分和区域图像标准色值计算，对起始点进行位移若干像素后重复计算3到5次，以此为基础，进行方差阈值分析；

目标叶片图像横向微分后的阈值Ts由式(5)进行判别：

Ts(i)＝Minimum{(Gx(1),Gx(2),……Gx(n)}(5)

式中,n是微分的块数，

通过式(6)可求得Gx(1),Gx(2),……Gx(n)：

Gx(1)＝Fx(1)+Fy(n),Gx(2)＝Fx(2)+Fy(n-1),……Gx(n)＝Fx(n)+Fy(1)(6)

而Fx(m)和Fy(m)可由式(7)和式(8)计算得到：

Fx(m)=(mΣi=1k(x‾i-x‾)2/k-1)/(Σi=1kΣj=1n(xij-x‾i)2/k(m-1))---(7)]]>

Fy(m)=(mΣi=1k(x‾i-x‾)2/k-1)/(Σi=1kΣj=n1(xij-x‾i)2/k(m-1))---(8)]]>

式中，m＝1,2……n，Fx(m)是以阈值为分界点叶片上部和下部标准色值间方差分析结果的F值，Fx(m)是叶片上部和下部标准色值方差分析结果的F值，X_ij是在i重复和j分块的标准色值，是i重复的标准色值平均值，是标准色值的总体平均值，k为重复次数；

6)用优化参数进行目标叶片受害症状判别分析

构建三组分段判别函数，如式(9)所示：

fl(a,R,-b/2ax‾,Ts,Fv,Mv)=lnql+Cl0+Σi=13Clixi---(9)]]>

式中，a为二次函数的二次项系数、R为二次函数的相关系数、为极值比、是标准色值的总体平均值、Ts为方差分析法获得的阈值、Fv为阈值两侧标准色值的方差分析F值、Mv为阈值两侧平均标准色值比；q_l为样叶频率项、C_l0为判别函数的常数项、C_l1为判别函数的系数项、x_i判别函数的自变量向量；

根据式(9)进行判别：

如果f1(a,R,-b/2ax‾,Ts,Fv,Mv)=max1<=l<=mfl(a,R,-b/2ax‾,Ts,Fv,Mv)}]]>则归为“∧”型受害症状组，

如果f2(a,R,-b/2ax‾,Ts,Fv,Mv)=max1<=l<=mfl(a,R,-b/2ax‾,Ts,Fv,Mv)}]]>则归为“∨”型受害症状组，

如果f3(a,R,-b/2ax‾,Ts,Fv,Mv)=max1<=l<=mfl(a,R,-b/2ax‾,Ts,Fv,Mv)}]]>则归为其他症状组；其中，m＝3。