一种基于机器学习算法的树叶病害识别方法

专利主权项内容

1.一种基于机器学习算法的树叶病害识别方法，其特征在于，其步骤为：1)采集树叶样本图像，共收集健康图像和病害图像各一百幅，并对图像进行预处理；具体过程为：首先对样本图像大小进行尺寸调整和灰度化处理，调整尺寸为100*100，然后将原图像的像素灰度值k归一化得到r并计算各灰度级的分布概率p(r)，然后利用累积变换函数T(·)对归一化的灰度值r进行变换得到s并按照相同的灰度级将其转换为标准的灰度值，从而得到经均衡化处理后的新图像；所述累积变换函数如下：kkkk上式中n为像素总数，n为不同灰度级的像素数目，L为灰度级数，j＝0，1，...，k；j最后采用中值滤波算法对图像进行去噪处理；2)设定图像在像素点(a, b)处的灰度值为k(a, b)，以像素点(a, b)为中心的B×B窗口，其中B表示窗口的边长，C表示差值，计算图像中各个像素(a, b)的阈值v(a, b)，计算公式如下：对图像中各个像素点(a, b)用v(a, b)值逐点进行二值化：采用自适应阈值分割法对预处理后的样本图像进行分割，突出样本图像的纹理特征；3)基于RGB颜色空间提取样本图像的颜色特征和分割图像的纹理特征；所述的颜色特征包括RGB三个通道的均值、方差、偏度、峰度、熵和梯度六个特征，纹理特征包括角二阶矩ASM、熵ENT、对比度CON和逆差阵IDM；所述的颜色特征表示如下：A.均值：B.方差：C.偏度：D.峰度：E.熵：F.梯度：上式中，p(k)表示在图像中像素灰度值为k的分布概率，n为其频数，n为像素总数，L为灰度级数，为均值，δ为方差，k为偏度，k为峰度，k为熵，M×N表示图像的大小，/>表示灰度值为k的像素在水平方向的梯度，/>表示灰度值为k的像素在垂直方向的梯度，k为其平均梯度；k2kFE<所述的纹理特征表示如下：A.角二阶矩：B.熵：C.对比度：D.逆差阵：其中，G(i, j)为灰度共生矩阵中的元素，L为灰度级数；4)提取出所有样本图像的特征，设为样本特征集m，采用交叉验证的方法构建SVM分类模型；5)利用网格寻优法寻找最优参数，寻找到的惩罚因子C和核参数g的最优值是7000和0.006；6)利用步骤5)寻找的最优参数，即可得到最优的SVM分类模型，将测试样本图像输入到训练好的SVM分类模型，得到识别结果。 来源：百度搜索马克数据网