專利名稱：基于多光譜圖像處理的水稻稻葉瘟病檢測(cè)分級(jí)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于多光譜圖像處理的水稻稻葉瘟病檢測(cè)分級(jí)方法。
背景技術(shù)：
稻瘟病是水稻生產(chǎn)上最主要的病害之一，廣泛分布于世界各稻作區(qū)，水稻
的整個(gè)生育期都可發(fā)病，造成大面積的危害，流行年份一般減產(chǎn)10% 20%，嚴(yán) 重的達(dá)40% 50%。其中，尤以稻葉瘟和稻穗瘟引起的損失最大。葉瘟的年發(fā) 病率在40%至50%;重的可達(dá)80%;穗頸瘟可達(dá)50%。稻瘟病菌群體組成復(fù) 雜，且變異較快，抗瘟品種推廣3-5年后往往失去抗性。而在目前農(nóng)藥防治中， 病情數(shù)據(jù)采集是依靠人眼進(jìn)行病情分級(jí)測(cè)報(bào)。葉瘟病情的分級(jí)以包括病斑的顯 現(xiàn)以及病斑占葉片的面積比例為尺度，劃分標(biāo)準(zhǔn)要求比較精確，不同病情級(jí)別 之間的病斑危害面積與葉面積的比值指標(biāo)僅相差1%，普通人很難進(jìn)行準(zhǔn)確的病 情區(qū)分。即使是專家肉眼分析評(píng)判，也需要花費(fèi)大量時(shí)間和精力，效率不高。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于多光譜圖像處理的水稻稻葉瘟病檢測(cè)分級(jí) 方法，以稻瘟病菌作為病原物，分析基于感病水稻葉片的多光譜圖像，確定稻 葉稻檢測(cè)的圖像特征，建立能準(zhǔn)確反映稻葉瘟病害的檢測(cè)模型和病害程度的定 量描述模型，對(duì)稻葉瘟進(jìn)行早期、準(zhǔn)確、非破壞性診斷。
本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是
利用多光譜圖像檢測(cè)平臺(tái)，采集到水稻的紅色、綠色及近紅外三個(gè)通道的
冠層灰度圖像信息，采用Matlab軟件實(shí)現(xiàn)的稻葉瘟檢測(cè)的多光譜圖像處理算法， 包括背景噪聲的消除和枯葉的灰度分析，基于Matlab的圖像處理過(guò)程，分為以 下五個(gè)步驟
1) 利用在近紅外圖像中，冠層葉面與背景圖像的灰度值差異較大的特性，將 背景和冠層葉面圖像分離；同時(shí)計(jì)算出冠層葉面在圖像的像素點(diǎn)值；
2) 利用在紅通道圖像中，枯黃部位葉面與健康部位葉面灰度值差異較大的特 性，將枯黃部位葉面與健康部位葉面圖像分離，標(biāo)記枯黃葉面區(qū)域；
3) 在紅通道圖像中，利用葉尖判定算法，將枯黃葉尖與其它枯黃部位葉面圖 像分離；
4) 在紅、綠通道圖像中，根據(jù)稻瘟病菌侵入機(jī)理，利用枯黃葉尖邊緣灰度值
3差異判定算法，將自然枯黃葉尖與發(fā)病枯黃葉尖圖像分離；同時(shí)計(jì)算出發(fā)病葉 面在圖像的像素點(diǎn)值；
5)根據(jù)發(fā)病部位葉面積與冠層總?cè)~面積像素點(diǎn)的比值，計(jì)算得出該圖像中葉 瘟病害的評(píng)價(jià)等級(jí)。
本發(fā)明具有的有益效果是
本發(fā)明主要用于快速、準(zhǔn)確、穩(wěn)定、實(shí)時(shí)、非破壞性的水稻稻瘟病感染診 斷并且準(zhǔn)確地指出病斑所在的位置以及感染程度分級(jí)，減少由于全面噴灑而造 成的藥物用量，降低生產(chǎn)成本并減少污染，為變量噴藥提供數(shù)據(jù)支持，提高精 確噴藥的決策水平，實(shí)現(xiàn)精細(xì)農(nóng)業(yè)起到積極的作用。


圖1是枯黃葉尖的判定方法示意圖。
圖2是可見(jiàn)/近紅外多光譜圖像水稻稻瘟病診斷分級(jí)的流程圖。
具體實(shí)施例方式
本研究的多光譜圖像水稻稻瘟病診斷方法的圖像采集3CCD攝相機(jī)通過(guò)可 調(diào)節(jié)角度、高度、移動(dòng)底座的三腳架、屋頂可沿設(shè)計(jì)軌跡移動(dòng)的懸掛機(jī)構(gòu)或安 裝有可調(diào)節(jié)機(jī)械伸展臂高度、角度的車輛固定，分別用于室內(nèi)及室外使用。植 物和標(biāo)定板的可見(jiàn)/近紅外多光譜的圖像采集所用的燈源為日光，當(dāng)室內(nèi)無(wú)陽(yáng)光 時(shí)采用人工光源。
采集到的多光譜圖像信息同時(shí)包含紅色、綠色及近紅外三個(gè)通道的灰度圖 像信息。多光譜攝像機(jī)分別通過(guò)RS-232串口線及圖像采集卡數(shù)據(jù)線與計(jì)算機(jī)相 連接。由RS-232串行口控制圖像信息的采集，通過(guò)圖像采集卡輸入計(jì)算機(jī)。通 過(guò)分析植物冠層圖像三個(gè)通道的信息，分離土壤背景，去除泥土、枯葉等干擾 因素，提取病害信息，最后診斷植物是否感染病害及病癥出現(xiàn)的位置(標(biāo)定和 診斷均由Matlab編寫的應(yīng)用軟件完成)并計(jì)算得出該圖像中葉瘟病害的評(píng)價(jià)等 級(jí)。
利用多光譜圖像檢測(cè)平臺(tái)，采集到水稻的紅色、綠色及近紅外三個(gè)通道的 冠層灰度圖像信息，利用3CCD可見(jiàn)/近紅外多光譜攝像機(jī)實(shí)時(shí)采集綠光波段 (550nm士40nm),紅光波段(650nm士40nm),近紅外波段(800nm土40nm)三個(gè)波段通 道的單色灰度圖像，采用Matlab軟件實(shí)現(xiàn)的稻葉瘟檢測(cè)的多光譜圖像處理算法， 包括背景噪聲的消除和枯葉的灰度分析，基于Matlab的圖像處理過(guò)程，分為以 下五個(gè)步驟
l)利用在近紅外圖像中，冠層葉面與背景圖像的灰度值差異較大的特性，將背景和冠層葉面圖像分離；同時(shí)計(jì)算出冠層葉面在圖像的像素點(diǎn)值；
2) 利用在紅通道圖像中，枯黃部位葉面與健康部位葉面灰度值差異較大的特 性，將枯黃部位葉面與健康部位葉面圖像分離，標(biāo)記枯黃葉面區(qū)域；
3) 在紅通道圖像中，利用葉尖判定算法，將枯黃葉尖與其它枯黃部位葉面圖 像分離；
葉尖判定算法用圖像進(jìn)行葉瘟分級(jí)，與苗瘟分級(jí)最顯著的區(qū)別在于需要 剔除因營(yíng)養(yǎng)自然缺失造成的葉面部分圖像。營(yíng)養(yǎng)缺失造成的葉面枯黃，其表象 一般是從葉尖開(kāi)始發(fā)生；而屬于真菌病害的稻葉瘟，可以從葉面的任何部位入 侵，進(jìn)行危害。因此需要從圖像中預(yù)先將枯黃葉尖篩選出來(lái)。水稻葉片的形狀 特征是修長(zhǎng)，且邊沿光滑，因此，本研究中使用的枯黃葉尖判定算法為如果 在枯黃區(qū)域?qū)ο筮呇叵袼攸c(diǎn)中，存在有一點(diǎn)，其上方、下方、左方、右方相臨 像素點(diǎn)中至少有三個(gè)被判定屬于背景區(qū)域，則此對(duì)象為枯黃葉尖(如圖1所示)。
4) 在紅、綠通道圖像中，根據(jù)稻瘟病菌侵入機(jī)理，利用枯黃葉尖邊緣灰度值 差異判定算法，將自然枯黃葉尖與發(fā)病枯黃葉尖圖像分離；同時(shí)計(jì)算出發(fā)病葉 面在圖像的像素點(diǎn)值；
枯黃葉尖邊緣灰度值差異判定算法在稻瘟病菌侵入植株過(guò)程中，稻瘟病 菌形成附著胞，附著胞在細(xì)胞壁產(chǎn)生黑色素沉積，最終形成黑色素層。通過(guò)黑 色素層，稻瘟病菌得以穿透寄主葉片表面，侵染寄生。黑色素是稻瘟菌穿透表 皮侵入稻株不可缺少的物質(zhì)，因此在面積較大的染病區(qū)域，可以顯示出葉面健 康部分與染病部分邊緣交界處色差明顯。而對(duì)于因?yàn)闋I(yíng)養(yǎng)自然缺失造成的葉面 枯黃，其邊界則無(wú)上述特征。因此在自然枯黃葉尖和因稻瘟病菌侵染引起的枯 黃葉尖的分離中，首先將在紅、綠色通道圖像銳化，使得發(fā)病和健康區(qū)域交界 輪廓清晰分明。在此圖像中，如果枯黃葉尖區(qū)域邊沿像素點(diǎn)中，存在有一點(diǎn)， 其相臨葉面像素點(diǎn)與此點(diǎn)的灰度值之差大于灰度數(shù)據(jù)有效范圍(0-255)的2/5， 即約等于100，則此枯黃葉尖區(qū)域被判定為發(fā)病面積；否則判定為自然枯黃葉尖。
5) 根據(jù)發(fā)病部位葉面積與冠層總?cè)~面積像素點(diǎn)的比值，計(jì)算得出該圖像中葉 瘟病害的評(píng)價(jià)等級(jí)。
整個(gè)方法的流程圖如圖2所示
多光譜攝像機(jī)為美國(guó)Redlake公司的MS3100Duncan Camera;圖像采集卡 為美國(guó)National Instrument公司的PCI1424或1428數(shù)據(jù)采集卡。
權(quán)利要求
1、一種基于多光譜圖像處理的水稻稻葉瘟病檢測(cè)分級(jí)方法，其特征在于利用多光譜圖像檢測(cè)平臺(tái)，采集到水稻的紅色(R)、綠色(G)及近紅外(IR)三個(gè)通道的冠層灰度圖像信息，采用Matlab軟件實(shí)現(xiàn)的稻葉瘟檢測(cè)的多光譜圖像處理算法，包括背景噪聲的消除和枯葉的灰度分析，基于Matlab的圖像處理過(guò)程，分為以下五個(gè)步驟1)利用在近紅外圖像中，冠層葉面與背景圖像的灰度值差異較大的特性，將背景和冠層葉面圖像分離；同時(shí)計(jì)算出冠層葉面在圖像的像素點(diǎn)值；2)利用在紅通道圖像中，枯黃部位葉面與健康部位葉面灰度值差異較大的特性，將枯黃部位葉面與健康部位葉面圖像分離，標(biāo)記枯黃葉面區(qū)域；3)在紅通道圖像中，利用葉尖判定算法，將枯黃葉尖與其它枯黃部位葉面圖像分離；4)在紅、綠通道圖像中，根據(jù)稻瘟病菌侵入機(jī)理，利用枯黃葉尖邊緣灰度值差異判定算法，將自然枯黃葉尖與發(fā)病枯黃葉尖圖像分離；同時(shí)計(jì)算出發(fā)病葉面在圖像的像素點(diǎn)值；5)根據(jù)發(fā)病部位葉面積與冠層總?cè)~面積像素點(diǎn)的比值，計(jì)算得出該圖像中葉瘟病害的評(píng)價(jià)等級(jí)。
全文摘要
本發(fā)明公開(kāi)了一種基于多光譜圖像處理的水稻稻葉瘟病檢測(cè)分級(jí)方法。利用可見(jiàn)/近紅外多光譜攝像機(jī)實(shí)時(shí)采集綠光波段，紅光波段，近紅外波段三個(gè)波段通道的單色灰度圖像，然后使用Matlab軟件，通過(guò)圖象處理方法編寫應(yīng)用軟件，進(jìn)行圖像處理。包括背景及噪聲、干擾等的消除和作物病斑信息的識(shí)別分析，實(shí)現(xiàn)植物是否發(fā)病及病斑位置和分級(jí)的準(zhǔn)確快速處理。每張圖片的病害識(shí)別時(shí)間僅為數(shù)秒。本發(fā)明用于快速、準(zhǔn)確、穩(wěn)定、實(shí)時(shí)、非破壞性的水稻稻瘟病感染診斷并且準(zhǔn)確地指出病斑所在的位置以及感染程度分級(jí)，減少由于全面噴灑而造成的藥物用量，降低生產(chǎn)成本并減少污染，為變量噴藥提供數(shù)據(jù)支持，提高精確噴藥的決策水平，實(shí)現(xiàn)精細(xì)農(nóng)業(yè)起到積極的作用。
文檔編號(hào)G06T7/00GK101539531SQ20091009734
公開(kāi)日2009年9月23日 申請(qǐng)日期2009年4月9日 優(yōu)先權(quán)日2009年4月9日
發(fā)明者勇 何, 雷 馮, 孫光明 申請(qǐng)人:浙江大學(xué)