一種基于移動互聯(lián)網(wǎng)模式和葉片顏色分析的小麥生長狀態(tài)診斷方法
【專利摘要】本發(fā)明公開了一種基于移動互聯(lián)網(wǎng)模式和葉片顏色分析的小麥生長狀態(tài)診斷方法，其特征是按如下步驟進(jìn)行：1智能手機(jī)采集小麥葉片圖像，并傳輸至后臺服務(wù)器；2后臺服務(wù)器將小麥葉片圖像進(jìn)行消除光照影響處理后獲得預(yù)處理樣本圖像；3對預(yù)處理樣本圖像通過顏色分析方法獲取小麥的生長狀態(tài)信息和病害結(jié)果并反饋給所述智能手機(jī)；4所述智能手機(jī)接收所述生長狀態(tài)信息和病害結(jié)果并進(jìn)行顯示。本發(fā)明能實(shí)時獲取和分析小麥葉片信息，全面反應(yīng)小麥作物生長情況和病蟲害情況，并提高小麥生長狀態(tài)診斷的準(zhǔn)確性。
【專利說明】—種基于移動互聯(lián)網(wǎng)模式和葉片顏色分析的小麥生長狀態(tài)診斷方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明是一種涉及圖像處理領(lǐng)域，具體地說是一種基于移動互聯(lián)網(wǎng)模式和葉片顏色分析的小麥生長狀態(tài)診斷方法。
【背景技術(shù)】
[0002]在作物生長的過程中，植物葉片作為植物自身最重要生理器官之一，葉片的顏色變化與作物的氮含量、葉綠素含量有著密不可分的關(guān)系，而氮含量、葉綠素含量又與植物光合速率、營養(yǎng)狀況等密切相關(guān)。而葉片水分信息可以直接反映出整個植株的水分狀況，從而對植物水分虧缺情況與植物生理生化反應(yīng)和生長發(fā)育狀況有所反映。一般情況下，使用化學(xué)方法或者專用儀器獲取作物葉片氮含量、葉綠素含量等營養(yǎng)含量；使用烘干法或者專用儀器進(jìn)行作物葉片含水率的測量；或者使用高光譜或者紅外的方法對圖像葉片含水率進(jìn)行測量。但是這些專業(yè)方法的使用，需要專業(yè)的化學(xué)知識和實(shí)驗(yàn)操作技能；且檢測儀器價格相對較高。
[0003]小麥常見病害的種類很多，其中普遍發(fā)生、危害嚴(yán)重的主要有白粉病、鐵銹病、條銹病等。但是由于農(nóng)作物常見病害的癥狀是復(fù)雜的、模糊的，而植保專家對常見病害癥狀的描述大多數(shù)采用語言文字，帶有模糊性的敘述，不能采用精確、定量的符號對癥進(jìn)行描述，從而形成了作物常見病害診斷標(biāo)準(zhǔn)含糊不清，妨礙了農(nóng)技人員和種植戶對農(nóng)作物常見病害進(jìn)行正確判斷。
[0004]計算機(jī)視覺的圖像處理技術(shù)是一種快捷、便利的檢測方法，具有無損傷和實(shí)時等特點(diǎn)，成為植物葉片信息獲取的新手段。但現(xiàn)有技術(shù)中，基于圖像的作物信息獲取方法主要存在以下缺點(diǎn):
[0005]1、對于野外田間采集的圖像，受到光照強(qiáng)度的影響，可能對其識別的精度有一定的影響，缺少預(yù)處理消除光照的影響的過程，從而影響植物葉片信息獲取的準(zhǔn)確率；
[0006]2、現(xiàn)有的基于圖像的作物信息獲取方法，獲取的作物信息比較單一，只獲取作物的葉綠素含量，或者只獲取作物的常見病害情況，不能全面的反應(yīng)作物生長情況；
[0007]3、現(xiàn)有的基于圖像的作物信息獲取方法，大多數(shù)基于計算機(jī)與掃描儀或者數(shù)碼相機(jī)連接在一起組成采集系統(tǒng)，對于野外大田試驗(yàn)的信息采集處理是有一定困難。

【發(fā)明內(nèi)容】

[0008]本發(fā)明是為避免現(xiàn)技術(shù)所存在的不足之處，提出一種基于移動互聯(lián)網(wǎng)模式和葉片顏色分析的小麥生長狀態(tài)診斷方法，能實(shí)時獲取和分析小麥葉片信息，全面反應(yīng)小麥作物生長情況和病蟲害情況，并提高小麥生長狀態(tài)診斷的準(zhǔn)確性。
[0009]為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是:
[0010]本發(fā)明一種基于移動互聯(lián)網(wǎng)模式和葉片顏色分析的小麥生長狀態(tài)診斷方法的特點(diǎn)是按如下步驟進(jìn)行:[0011]步驟A、智能手機(jī)采集小麥葉片圖像，并傳輸至后臺服務(wù)器；
[0012]步驟B、所述后臺服務(wù)器將所接收的小麥葉片圖像利用雙重同態(tài)濾波方法進(jìn)行消除光照影響處理后獲得預(yù)處理樣本圖像；
[0013]步驟C、對所述預(yù)處理樣本圖像通過顏色分析方法獲取小麥的生長狀態(tài)信息和病害結(jié)果并反饋給所述智能手機(jī)；
[0014]步驟D、所述智能手機(jī)接收所述生長狀態(tài)信息和病害結(jié)果并進(jìn)行顯示。
[0015]本發(fā)明圖像顏色特征的小麥生長狀態(tài)診斷方法的特點(diǎn)也在于，
[0016]所述步驟B中的雙重同態(tài)濾波方法是按如下步驟進(jìn)行:
[0017]步驟B1、將所述小麥葉片圖像中的R矩陣、G矩陣和B矩陣進(jìn)行同態(tài)濾波分別獲得色彩均衡化的R矩陣、G矩陣和B矩陣；
[0018]步驟B2、利用所述色彩均衡化的R矩陣、G矩陣和B矩陣分別獲得由色度H矩陣、飽和度S矩陣和亮度I矩陣構(gòu)成的HSI色彩空間矩陣，對所述亮度I矩陣進(jìn)行同態(tài)濾波用于消除光照影響；
[0019]步驟B3、將所述HSI色彩空間矩陣轉(zhuǎn)換成RGB色彩空間矩陣，獲得所述預(yù)處理樣本圖像。
[0020]所述步驟C中通過顏色分析方法獲取小麥生長信息和病害結(jié)果是如下步驟進(jìn)行:
[0021]步驟Cl、對所述預(yù)處理樣本圖像利用Otsu閾值分割方法進(jìn)行圖像分割處理獲得葉片信息圖像，并利用R、G、B分量值的比較法進(jìn)行病害圖像分割處理獲得病害葉片圖像；
[0022]步驟C2、對所述葉片信息圖像提取R均值、G均值、B均值并計算R均值與G均值之間的差值以及綠色標(biāo)準(zhǔn)化值；
[0023]步驟C3、將所述葉片信息圖像轉(zhuǎn)換為灰度圖像，并提取所述灰度圖像的灰度均值作為灰度的特征參數(shù)；
[0024]步驟C4、由所述綠色標(biāo)準(zhǔn)化值建立氮含量的回歸模型，由所述R均值與G均值之間的差值建立葉綠素含量的回歸模型；并根據(jù)灰度均值和G均值建立小麥葉片含水率模型；
[0025]步驟C5、對所述病害葉片圖像提取R均值、G均值、B均值并以所述G均值為參照值獲得小麥病害特征參數(shù)；
[0026]步驟C6、根據(jù)所述小麥病害特征參數(shù)進(jìn)行分類統(tǒng)計獲得病害種類區(qū)域；
[0027]步驟C7、對待識別小麥葉片圖像通所述步驟B、步驟Cl至步驟C3處理后輸入到所述氮含量的回歸模型、葉綠素含量的回歸模型和葉片含水率模型中分別獲得待識別小麥葉片的氮含量、葉綠素含量和含水率；由所述氮含量、葉綠素含量和含水率構(gòu)成小麥的生長狀態(tài)息;
[0028]步驟CS、對待識別小麥葉片圖像通過所述步驟B、步驟Cl和步驟C5獲得所述待識別小麥葉片圖像的病害特征參數(shù)，根據(jù)所述待識別小麥葉片圖像的病害特征參數(shù)獲得與所述病害種類區(qū)域距離最近的病害種類，從而獲得病害結(jié)果。
[0029]與已有技術(shù)相比，本發(fā)明的有益效果體現(xiàn)在:
[0030]1.本發(fā)明通過對小麥葉片圖像進(jìn)行分析和診斷，并利用葉片顏色分析方法對小麥生長狀態(tài)包括小麥葉片的氮含量、葉綠素含量，小麥葉片含水率，以及常見病害情況等相關(guān)作物信息分別建立相應(yīng)識別模型，綜合包含了小麥大多數(shù)的信息，從而更全面、細(xì)致地反應(yīng)小麥的長勢信息。[0031]2.本發(fā)明使用雙重同態(tài)濾波方法進(jìn)行圖像預(yù)處理減弱光照的影響，在保證圖像色調(diào)飽和度基本不失真的情況下，實(shí)現(xiàn)圖像亮度的不均及校正，從而為葉片識別提供了較為精準(zhǔn)的預(yù)處理圖像。
[0032]3.本發(fā)明利用手機(jī)用戶普及率高的優(yōu)勢，通過智能手機(jī)獲取小麥葉片圖像，并實(shí)時傳遞給后臺服務(wù)器，有利于用戶實(shí)時了解小麥的長勢和常見病害信息，指導(dǎo)用戶及時做出相應(yīng)的對應(yīng)措施，利用智能手機(jī)為作物生長狀態(tài)診斷系統(tǒng)搭載平臺，大大提高了其便攜性和普及性?？梢詫F(xiàn)場處理和通過網(wǎng)絡(luò)的遠(yuǎn)程處理有機(jī)地結(jié)合，更有利于作物生長狀態(tài)診斷系統(tǒng)的推廣與應(yīng)用，從而實(shí)現(xiàn)高效快速診斷小麥生長狀態(tài)。
[0033]4.本發(fā)明使用移動物聯(lián)網(wǎng)模式即手機(jī)-服務(wù)器模式，有別于現(xiàn)有的獨(dú)立計算機(jī)、專用設(shè)備、獨(dú)立手機(jī)等模式，兼具圖像信息獲取方便-快捷、可運(yùn)行復(fù)雜程序-精度高、后臺算法可升級-用戶透明、性價比高等特點(diǎn)。
【專利附圖】

【附圖說明】
[0034]圖1為本發(fā)明總體結(jié)構(gòu)框圖；
[0035]圖2為本發(fā)明光照預(yù)處理流程圖；
[0036]圖3為本發(fā)明圖像分析整體流程圖。
【具體實(shí)施方式】
[0037]本實(shí)施例中，一種基于移動互聯(lián)網(wǎng)模式和葉片顏色分析的小麥生長狀態(tài)診斷方法，如圖1所示，是按如下步驟進(jìn)行:
[0038]步驟A、智能手機(jī)采集小麥葉片圖像，并傳輸至后臺服務(wù)器，在本實(shí)施例中，智能手機(jī)作為前端，主要負(fù)責(zé)對小麥葉片圖像進(jìn)行采集和結(jié)果顯示，后臺服務(wù)器負(fù)責(zé)圖像預(yù)處理、特征提取和狀態(tài)診斷。
[0039]步驟B、后臺服務(wù)器將所接收的小麥葉片圖像利用雙重同態(tài)濾波方法進(jìn)行消除光照影響處理后獲得預(yù)處理樣本圖像，對于前端傳輸?shù)降男←溔~片圖像在進(jìn)行獲取各種參數(shù)信息之前，需要對其進(jìn)行預(yù)處理操作，使用雙重同態(tài)濾波進(jìn)行預(yù)處理的主要目的是消除或減弱野外大田中對小麥葉片進(jìn)行采集時光照強(qiáng)度對圖像產(chǎn)生的影響；首先通過中值濾波和銳化處理后，然后進(jìn)行同態(tài)濾波消除或者減弱光照的影響，從而完成圖像預(yù)處理操作。同態(tài)濾波是一種在頻域中壓縮圖像亮度范圍和增強(qiáng)圖像對比度的方法，其基本思想是將圖像的非可加性元素轉(zhuǎn)換成可加性元素，并分別對元素進(jìn)行濾波。如圖2所示，使用雙重同態(tài)濾波方法進(jìn)行圖像預(yù)處理是按如下步驟進(jìn)行:
[0040]步驟B1、將小麥葉片圖像(即RGB色彩空間矩陣)中的R矩陣、G矩陣和B矩陣進(jìn)行同態(tài)濾波分別獲得色彩均衡化的R矩陣、G矩陣和B矩陣，實(shí)現(xiàn)第一次同態(tài)濾波，獲得的小麥葉片圖像的色彩較為均勻；
[0041]步驟B2、利用色彩均衡化的R矩陣、G矩陣和B矩陣分別獲得由色度H矩陣、飽和度S矩陣和亮度I矩陣構(gòu)成的HSI色彩空間矩陣，對亮度I矩陣進(jìn)行同態(tài)濾波用于消除光照影響，實(shí)現(xiàn)第二次的同態(tài)濾波過程，由于在HIS色彩空間，亮度分量與圖像的彩色信息無關(guān)，所以在對圖像亮度分量進(jìn)行同態(tài)濾波的過程中，不會改變圖像的基本色度信息；
[0042]步驟B3、將HSI色彩空間矩陣轉(zhuǎn)換成新的RGB色彩空間矩陣，從而獲得預(yù)處理樣本圖像。由此實(shí)現(xiàn)圖像亮度的不均勻地有效校正，消除或減弱野外大田中對小麥葉片進(jìn)行采集時光照強(qiáng)度對圖像產(chǎn)生的影響。
[0043] 步驟C、對預(yù)處理樣本圖像通過顏色分析方法獲取小麥的生長狀態(tài)信息和病害結(jié)果并反饋給智能手機(jī)，小麥生長狀態(tài)信息包括小麥葉片氮含量、葉綠素含量、葉片含水率等信息，病害結(jié)果主要是小麥的常見病害，包括小麥鐵銹病、條銹病和白粉病這3種常見病害的有效識別；如圖3所示，基于顏色分析方法獲取小麥生長狀態(tài)和病害結(jié)果按如下步驟進(jìn)行診斷:
[0044]步驟Cl、對預(yù)處理樣本圖像利用Otsu閾值分割方法進(jìn)行圖像分割處理獲得葉片信息圖像，并利用R、G、B分量值的比較法進(jìn)行病害圖像分割處理獲得病害葉片圖像；
[0045]Otsu閾值分割方法是一種使類間方差最大的自動確定閾值的方法，由于其算法具有較為簡單和處理速度比價快的特點(diǎn)，常被用于獲取閾值。
[0046]在小麥的種植過程中，以鐵銹病、條銹病和白粉病這3種小麥常見的常見病害為研究對象，常見病害圖像分割是從圖像中分離出只包含常見病害像素的圖像，分割的效果直接影響特征提取和常見病害識別的準(zhǔn)確性。通過分析小麥常見病害的圖像樣本發(fā)現(xiàn)，小麥健康葉片部位為綠色，而發(fā)生病變的部位通常為黃色、褐色、白色等非綠色。因此，基于顏色特征進(jìn)行常見病害圖像分割，能夠有效分離出常見病害部位的圖像。
[0047]利用R、G、B分量值的比較法進(jìn)行病害圖像分割處理的過程為:
[0048]首先加載預(yù)處理樣本圖像，該圖像包含的像素數(shù)為MXN，然后遍歷圖像的所有像素點(diǎn)。對于預(yù)處理樣本圖像中行的每一個像素點(diǎn)所包含的R、G、B分量值，比較其R、G、B分量值的大小，當(dāng)G>R且G〈B時，判斷為健康部位像素點(diǎn)，將該像素點(diǎn)的R、G、B值都置為0，即置為黑色；否則，當(dāng)R>G或B>G時，判斷為常見病害部位像素點(diǎn)，保持該像素點(diǎn)的R、G、B分量值不變，從而獲得病害葉片圖像。
[0049]步驟C2、對葉片信息圖像提取R均值、G均值、B均值的直方圖統(tǒng)計特征并進(jìn)行R、
G、B的有效組合，從而計算R均值與G均值之間的差值g —g，以及綠色標(biāo)準(zhǔn)化值—g —;
G-\-B + R
[0050]利用式⑴分別統(tǒng)計葉片信息圖像的R均值、G均值和B均值的直方圖統(tǒng)計特征:
【權(quán)利要求】
1.一種基于移動互聯(lián)網(wǎng)模式和葉片顏色分析的小麥生長狀態(tài)診斷方法，其特征是按如下步驟進(jìn)行: 步驟A、智能手機(jī)采集小麥葉片圖像，并傳輸至后臺服務(wù)器； 步驟B、所述后臺服務(wù)器將所接收的小麥葉片圖像利用雙重同態(tài)濾波方法進(jìn)行消除光照影響處理后獲得預(yù)處理樣本圖像； 步驟C、對所述預(yù)處理樣本圖像通過顏色分析方法獲取小麥的生長狀態(tài)信息和病害結(jié)果并反饋給所述智能手機(jī)； 步驟D、所述智能手機(jī)接收所述生長狀態(tài)信息和病害結(jié)果并進(jìn)行顯示。
2.如權(quán)利要求1所述的圖像顏色特征的小麥生長狀態(tài)診斷方法，其特征在是，所述步驟B中的雙重同態(tài)濾波方法是按如下步驟進(jìn)行: 步驟B1、將所述小麥葉片圖像中的R矩陣、G矩陣和B矩陣進(jìn)行同態(tài)濾波分別獲得色彩均衡化的R矩陣、G矩陣和B矩陣； 步驟B2、利用所述色彩均衡化的R矩陣、G矩陣和B矩陣分別獲得由色度H矩陣、飽和度S矩陣和亮度I矩陣構(gòu)成的HSI色彩空間矩陣，對所述亮度I矩陣進(jìn)行同態(tài)濾波用于消除光照影響； 步驟B3、將所述HSI色彩空間矩陣轉(zhuǎn)換成RGB色彩空間矩陣，獲得所述預(yù)處理樣本圖像。
3.如權(quán)利要求書I所述的基于移動互聯(lián)網(wǎng)模式和葉片顏色分析的小麥生長狀態(tài)診斷方法，其特征是，所述步驟C中通過顏色分析方法獲取小麥生長信息和病害結(jié)果是如下步驟進(jìn)行: 步驟Cl、對所述預(yù)處理樣本圖像利用Otsu閾值分割方法進(jìn)行圖像分割處理獲得葉片信息圖像，并利用R、G、B分量值的比較法進(jìn)行病害圖像分割處理獲得病害葉片圖像； 步驟C2、對所述葉片信息圖像提取R均值、G均值、B均值并計算R均值與G均值之間的差值以及綠色標(biāo)準(zhǔn)化值； 步驟C3、將所述葉片信息圖像轉(zhuǎn)換為灰度圖像，并提取所述灰度圖像的灰度均值作為灰度的特征參數(shù)； 步驟C4、由所述綠色標(biāo)準(zhǔn)化值建立氮含量的回歸模型，由所述R均值與G均值之間的差值建立葉綠素含量的回歸模型；并根據(jù)灰度均值和G均值建立小麥葉片含水率模型； 步驟C5、對所述病害葉片圖像提取R均值、G均值、B均值并以所述G均值為參照值獲得小麥病害特征參數(shù)； 步驟C6、根據(jù)所述小麥病害特征參數(shù)進(jìn)行分類統(tǒng)計獲得病害種類區(qū)域； 步驟C7、對待識別小麥葉片圖像通所述步驟B、步驟Cl至步驟C3處理后輸入到所述氮含量的回歸模型、葉綠素含量的回歸模型和葉片含水率模型中分別獲得待識別小麥葉片的氮含量、葉綠素含量和含水率；由所述氮含量、葉綠素含量和含水率構(gòu)成小麥的生長狀態(tài)信息； 步驟C8、對待識別小麥葉片圖像通過所述步驟B、步驟Cl和步驟C5獲得所述待識別小麥葉片圖像的病害特征參數(shù)，根據(jù)所述待識別小麥葉片圖像的病害特征參數(shù)獲得與所述病害種類區(qū)域距離最近的病害種類，從而獲得病害結(jié)果。
【文檔編號】G06T7/00GK103955938SQ201410206856
【公開日】2014年7月30日 申請日期:2014年5月15日 優(yōu)先權(quán)日:2014年5月15日
【發(fā)明者】江朝暉, 楊春合, 營米, 張靜, 饒元, 劉連忠, 陳祎瓊 申請人:安徽農(nóng)業(yè)大學(xué)