[发明专利]基于稀疏表示的苹果病害识别方法

摘要

本发明公开了一种基于稀疏表示的苹果病害识别方法，包括以下步骤：S1：病害苹果的病斑图像分割，得到二值化病斑图像；S2：构建稀疏表示最优化问题；S3：利用迭代法求解最优化问题，得到稀疏系数；S4：计算训练样本与待定的未知病害类别样本的残差，把残差最小值所属的类别，作为待定样本的病害类别。本发明提供的基于稀疏表示的苹果病害识别方法具有特征提取速度快，识别率高，识别效果稳定，实时性强和实施性容易等优点。

主权项

基于稀疏表示的苹果病害识别方法，其特征在于，包括以下步骤：S1，病害苹果的病斑图像分割，将每幅病害苹果图像转换成灰度级为0～255、维数为32×32的数字灰度图像矩阵，记为g(x，y)，x和y表示该图像中某像素的坐标值，利用直方图法计算图像任一灰度级为i的概率p_i；任设一个初始阈值d将病害苹果图像各个像素按灰度值大小分为C₁和C₂两类，计算C₁类的概率之和以及灰度均值分别为${\mathrm{\ω}}_1={\mathrm{\Σ}}_{i=0}^{d-1}{p}_i,{\mathrm{\μ}}_1=\frac{1}{{\mathrm{\ω}}_1}{\mathrm{\Σ}}_{i=0}^{d-1}i\·p_i---\left(1\right)$计算C₂类的概率之和以及灰度均值分别为${\mathrm{\ω}}_2={\mathrm{\Σ}}_{i=d}^{255}{p}_i,{\mathrm{\μ}}_1=\frac{1}{{\mathrm{\ω}}_2}{\mathrm{\Σ}}_{i=d}^{255}i\·p_i---\left(2\right)$计算图像的总平均灰度为μ＝ω₁μ₁+ω₂μ₂     (3)计算图像的类间方差为σ＝ω₁(μ₁‑μ)²+ω₂(μ₂‑μ)²     (4)从1到255改变d值，使式(4)中σ取最大值时的分割阈值作为图像分割的最佳阈值，记为D，由D分割病害苹果图像，得到病害苹果二值化的病斑图像；S2，构建稀疏表示最优化问题，假设有n幅k类已知苹果病害类别的二值化病斑图像作为训练集，在训练集中，设第i类共有n_i幅病斑图像，i＝1，2，...，k，则n＝n₁+n₂+...+n_k，将n幅图像中的每幅图像按列排成一个m维向量，其中，把第i类的所有n_i幅图像向量化构成矩阵该矩阵的每一列都代表一幅向量化图像，所有k类的n幅向量化图像构成矩阵W＝[W₁，W₂，...，W_k]；根据稀疏编码原理，构造一个正则化的非负矩阵优化问题：$\min ={\left|\right|y-\mathrm{WX}\left|\right|}_2^2+\mathrm{\λ}{\left|\right|X\left|\right|}_{\mathrm{1,1}},$满足X≥0     (5)其中，W为基矩阵，X为系数矩阵，||X||_1，1＝∑_ij|X_ij|，X_ij表示y在W中第i类第j个训练样本上的投影系数，λ＞0为正则参数；由迭代方法求解X，迭代公式如下X←(‑X.*min(0，(λ/2)E‑W^Ty))./(W^TWX)     (6)式(6)中：E为一个元素全为1的矩阵，‘.*’表示两矩阵中的对应元素之积，‘./’表示两矩阵中的对应元素之商；S3，利用迭代法求解式(6)的最优化问题，求解步骤如下：(1)、输入正则参数λ和最大迭代次数M，需要根据实际分类问题选取λ和M，λ的取值范围为0.5～0.9；(2)、标准化y和W的列，使其具有单位l₂范数，初始化非负n维列向量X；(3)、计算a＝(λ/2)E‑W^Ty，E为元素全为1的矩阵；(4)、迭代i＝1：Mx←(‑x.*min(0，a))./(A^TAx)；迭代结束，得到稀疏系数；S4，计算训练样本与待定的未知病害类别样本的残差，对于任意第i类二值化病斑图像，定义δ_i(x)为一个n维列向量，其中δ_i(x)的非零元素仅是x与第i类有关的部分，计算第i类训练样本与未知类别样本y的残差ε_i(y)＝||y‑Aδ_i(x)||₂，i＝1，2，...，k；选择残差最小值所属的类别，即为y的识别结果，作为待定样本的病害类别。