论文部分内容阅读
随着计算机视觉技术的快速发展和广泛应用,通过图像技术来处理农作物的病害图像,以达到智能识别病害的目的,为农作物病害的预防与诊断提供了新的途径。图像分割技术是识别病害的关键一步,在病害图像中提取病斑区域,剔除杂草、背景等不需要的区域,突出感兴趣的部分,在实际生产中,有效、准确的图像分割是病害识别的先决条件。在传统的图像分割中,一般采用阈值法来进行分割,但是在进行复杂背景下的病害图像分割时,阈值法分割的效果往往不那么理想,无法准确的将病斑区域进行完整分割,针对这种情况,本文提出了一种基于朴素贝叶斯分类的图像分割方法,将概率论引入到图像分割中,实现图像分割准确率的提高,利用该方法进行多组实验,实现复杂背景下的病斑区域的提取,并统计分割病斑区域的像素点个数。本文主要研究的内容有:(1)归纳现有的图像分割技术,总结分析不同的图像分割技术的适用性与局限性。(2)详细介绍朴素贝叶斯分类的理论基础,分析基于朴素贝叶斯分类的图像分割的方法,介绍实现病斑分割的具体实现步骤。首先对柑橘溃疡病叶片的图像进行预处理,通过中值滤波进行去噪,存储为统一的格式和像素。之后将病害图像分成样本集和训练集,在训练集选取像素点颜色特征值,包括病斑区域和背景区域的分类选取,统计形成其概率函数。最后对实验集图像上的颜色特征值进行分离,得出后验概率,从而实现病斑区域的分割。(3)对分割方法进行验证。本文采用主观散点图判别和客观误分割率相结合的方法对分割方法进行评价,采用Photoshop软件手动对实验图像逐个进行病斑像素点的统计,作为分割标准计算的实际像素值。之后采用传统的阈值分割和基于支持向量机的分割方法来对实验图像进行分割,并统计其像素点。最后将本文算法与两种传统算法的分割效果进行比较。(4)本文病害分割的算法采用Python的集成环境anaconda进行编程操作,实现病斑区域的智能分割与计算,从而为后期的病害识别和诊断提供了较为准确和实用的工具。本文提出的基于朴素贝叶斯的病害图像分割效果较好,误分割率仅3.58%,远远优于阈值法和基于支持向量机的图像分割法,在效率方面,分割时间虽然较阈值法长,但仍在合理的范围内,后续需要对分割算法进行修改,缩短分割时间。基于朴素贝叶斯的病害分割方法可以自行减小外界因素对分割的影响,通过大数据量的计算,将外界的影响降到最低。可以说基于朴素贝叶斯的病害分割方法实现了精确分割,对柑橘溃疡病来说是一种有效的病害分割方法。