導語：農作物病害危害程度自動測定論文一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

1圖像處理

紋理是圖像分析中常用的概念，紋理是指在圖像中反復出現的局部模式和它們的排列規則，圖像的紋理描述可以提供區域的平滑、稀疏、規則性等特性。粗糙性和方向性是人們區分紋理時所用的兩個最主要特征[1]。目前紋理特征的計算方法主要有基于圖像結構模型(structuralmodel)的方法、基于圖像統計模型(statisticmodel)的方法、基于濾波器模型(filtermodel)的方法、基于隨機場模型（randomfieldmodel）的方法以及基于分形模型(fractalmodel)[2]的方法等。在傳統的紋理識別方法中，例如共生矩陣法和行程長度法，其本質上僅是一種對圖像紋理的全局統計表示，缺少局部和細節信息，所以識別效率低，而且易受噪聲影響。

基于分形的紋理分類方法是把自然紋理粗糙度和分形維數相關聯的一種紋理分類方法。其重要特點是：在一定范圍內獨立于分辨率，獨立于視角而穩定存在的物質表示量。1997年，Gregory等利用了lineardiscriminantanalysis(線性判別分析)，采用二維圖像的分形維數(由譜方法計算)、分形誤差和傳統的co-occurrencematrix(共存矩陣)紋理測度(例如矩特征、熵、對比度、相關性等)，結果表明分形維數和分形誤差測度要優于基于共存矩陣的傳統特征[3]。其原因在于分形布朗運動的長相關性和尺度不變特性。

1.1基于分形紋理特征提取

分形維數己經作為區分紋理粗糙度的有效特征而廣泛應用于紋理分類領域。分形維數有多種不同的計算方法，不同的方法計算的分形維數可以用來進行紋理分類的特征提取方

法。因為僅僅利用分形維數不能完全分開所有的自然紋理，在分類中常常需要用到其它特征，例如空隙特征(lacunatityfeature)、分形簽名特征(signatures)、維數升降因子slope[4]、分形方向特征[5]、局部分形維數、擴展分形特征[6]、多重分形(multi-fractal)、多尺度分形維數(multi-scalefractaldimension)、分形模型擬合誤差ER等。

考慮到圖像的熵特征滿足，平移、旋轉不變性，把熵特征作為紋理分類的一個有效特征來使用。使用了分形維數特征、空隙特征和熵特征來進行自然紋理的分類。在分形維數特征中，采用功率譜方法、計盒維數法、毯子覆蓋法三種方法進行計算。相應計算得到的分形維數稱為功率譜分維、盒子維數、毯子維數。

1.2基于分形的圖像分割方法

圖像分割是圖像處理領域的經典問題，章毓晉對圖像分割方法有過詳細論述[7]。圖像分割常用的理論上具有數學形態學、統計模式識別、神經網絡、信息論、模糊理論、小波分析、遺傳算法、分形理論等。在ATR系統中，進行有效的圖像分割可以為后續的圖像識別提供有效依據。對于紋理圖像，可以在進行特征提取的基礎上，利用多種方法實現圖像分割。

基于分形的圖像分割方法基本上是首先計算圖像的局部分形維數(或其它分形特征)，然后采用有監督分類或無監督分類的方法達到圖像分割的目的。對于有監督分類，利用神經網絡通過網絡訓練和網絡測試驗證的分類性能，在圖像分割的應用中，可以采用交互方法完成神經網絡的訓練，然后利用整個圖像的每個像素領域進行分形特征的計算，利用訓練好的網絡進行分類，最終達到分割的目的。對于無監督分類，常用的方法是閾值分割和聚類分割。

2自然紋理圖像自動分類的BP網絡設計

BP網絡是采用Widrow-Hoff學習算法和非線性可微轉移函數的多層網絡。一個典型的BP網絡采用的是梯度下降算法，也就是Widrow-Hoff算法所規定的。以三層BP網絡為例，BP網絡的結構如圖1所示，分為輸入層、中間層、輸出層三個部分。

利用BP網絡來實現自然紋理圖像的分類問題，主要目的在于測試紋理特征在分類中的性能。下面介紹網絡設計過程。

（1）輸入輸出向量：輸入向量山特征選擇而定，若選擇特征的個數為N，則輸入向量為N維。輸出向量分別為：[10000]、[01000]、[00100]、[00010]、[00001]分別表示對應的sand,water,brick,grass,straw圖像。

（2）網絡結構：根據分類的需要，設計了一個有三層結構的log-sigmoid/log-sigmoid網絡。對于N維輸入向量，網絡輸入層有N個神經元。識別5類不同的紋理，輸出有5個神經元。根據經驗，網絡的隱含層設計了10個神經元。

（3）網絡訓練：首先建立5類圖像的訓練圖像庫，把每類圖像按照角度為10-180度、步長為10度進行旋轉，各自得到18個不同旋轉角度的圖像。在每幅圖像上計算N個特征。這樣，輸入樣本個數為18×N輸出向量如前所述為含有5個元素的列向量。網絡訓練采用MATLAB上具函數來實現，使用trainbpx函數進行快速訓練，當訓練超過3000個時間單位或者網絡平方和誤差小于0.1時停止.網絡的訓練。

（4）網絡測試:對于訓練完成的網絡，可以利用訓練樣本集進行測試，來驗證網絡對于訓練樣本的分類能力。也可以采用不同的測試樣本進行測試，驗證網絡的泛化能力。文中采用的測試樣本圖像庫為:把每類圖像按照角度為15-3550、步長為20°進行旋轉，各自得到18個不同旋轉角度的圖像。

分別利用空隙特征LA、盒維數特征CD、功率譜分維FD、毯子維數BD和熵特征EN其中的一個特征進行神經網絡設計，識別5類不同紋理。實驗結果如表1所示。

采用四個特征相結合進行分類實驗，比較四個特征組合后的分類性能，實驗結果如表2所示。

可見不同特征的組合方式對于分類器有較大影響：適當選取不同的紋理特征互相組合，可以提高分類器的性能。

3結論

通過研究基于圖像處理技術的植物病害圖像實時采集分類并進行危害程度自動測定的系統，可以做到有目的地科學進行病害圖像分割處理，既可提高病害識別的準確性又可以縮短植物病害防治實施周期，同時能降低防治使用成本，利于實現我國植物病害防治方法的自動化和現代化，并將有助于創立我國自主的植物病害防治的新方法。

參考文獻：

[1]李厚強.基于分形和神經網絡的紋理分析.中國科學技術大學博士學位論文[D].2000:1-2

[2]孫即祥等著.模式識別中的特征提取與計算機視覺不變量[M].北京:國防工業出版社2001:182-209

[3]G.McGarry,M.Deriche.ModellingMammographicImagesUsingFractionalBrownianMotion[J].ProceedingsoftheIEEERegionTenConference,DigitalSignalProcessingApplications.Brisbane,Australia.1997:299-302.

[4]劉文萍，吳立德.紋理特征提取及分割[J].計算機應用與軟件.2001,18(11):44-49

[5]S.Mukhopadhyay,B.Chanda.MultiscaleMorphologicalSegmentationImages[J].IEEETrans.OnImageProcessing.2003,12(5):533-548

[6]L.M.Kaplan,ExtendedFractalAnalysisforTextureClassificationandSegmentation.IEEETrans[J].ImageProcessing.1999,8:1572-1585

[7]章毓晉.圖像分割[M].北京:科學出版社.2001:169-174

摘要：農作物在生長和發育過程中，經常受到各種因素的影響，導致農作物發生病害。準確、快速的處理與識別植物病害圖像，并自動可*的對其進行危害程度測定是進行農作物病害防治的關鍵。為此研究了利用分形理論對農作物病變葉片自然紋理圖像進行處理，利用BP網絡來實現自然紋理圖像的分類問題。分析各種不同的特征在分類器中的性能，提出了一種紋理特征性能的比較方法。

關鍵詞：農作物病害；基于分形的圖像處理；BP網絡設計