论文部分内容阅读
图像分割是指将我们感兴趣的目标从背景中分割出来,分割结果的好坏直接影响后期的图像分析和识别。基于作物病害图像的分割技术就是将病斑从病害图像中分割出来,以便于后期病害的诊断和识别。支持向量机(SVM,Support Vector Machine)是基于统计学习理论的一种分类方法,现在已经被广泛应用于很多领域,如数据分类、模式识别、图像分割等。近年来,基于SVM的分割技术已经广泛应用于图像分割中,并且已取得很好的分割效果。将SVM的分类用到病斑图像的分割,其实质就是利用病变部分和绿色健康部分的像素点的不同特征,输入到SVM分类器,供其学习,之后将学习好的分类器对整幅图像的像素分类,病变部分一类,其他的一类,最终实现病斑的分割。所以,如果输入到SVM分类器中的样本点能够代表大多数像素点的信息且数目尽可能少,最终就会得到真实的病斑图像。所以,对于分割结果来说,学习样本点的选择很重要。传统SVM图像分割算法利用人工选择训练所需的像素点,但是这样做受人的主观影响比较大,而且费时费力。如何自动选择分布良好且能够代表其类别的像素点,提高分割准确率的同时降低运算量,是本文的研究重点。通过大量仿真试验本文提出基于SVM和模糊C-均值聚类(Fuzzy C-Means,FCM)的病斑图像分割算法。本文的主要研究内容包括:(1)对基于SVM的图像分割方法进行深入的研究,指出了现存的SVM算法在进行图像分割方面训练样本不能自动选取的问题。(2)基于模糊C-均值算法(FCM)的特点,文中将FCM与SVM结合起来,提出了基于FCM和SVM相结合的作物病害图像分割算法。在将FCM用于训练样本自动选取的过程中,为了保证选取的训练样本能广泛的代表两类图像,对FCM进行了改进。这个过程称之为病害的初分割。初分割后得到病害部分和绿色健康的两部分图像,之后各选取适量的训练样本,分别提取样本的颜色和纹理属性信息,将其进行SVM分类器的训练,最后用训练好的SVM分类器对图像进行分割,最终实现训练样本自动选取的病斑图像的分割。并将本文算法与人工选取训练样本分割病斑的效果进行对比。(3)在图像分割结果评价准则方面,本文选用“分类正确率”和“直方图”进行效果评定。(5)为了满足用户的需要,本文利用MATLAB语言,研究开发出了作物病害图像分割界面的开发。