油菜花害虫图像特征提取与识别定稿(2)

1、本科毕业论文题 目油菜花害虫图像特征提取与识别Canola flower pests image feature extraction and recognition专 业 机械设计制造及其自动化姓 名孙斌学 号2010307200101指导教师徐胜勇职 称讲 师中国·武汉 二零一四年 五月分类号密级本科毕业论文 油菜花害虫图像特征提取与识别Canola flower pests image feature extraction and recognition学生姓名： 孙斌学生学号： 2010307200101学生专业： 机械设计制造及其自动化 指导教师： 徐胜勇讲师工学院二一四年

2、五月油菜花害虫图像特征提取与识别摘 要油菜作为我国国产第一大油料作物，其适应性强,在轮作复种中有重要地位。油菜既是油料作物、蛋白质作物,又是工业原料作物、能源作物和富含高附加值产品的作物,今后植物油将与石油和煤馏油产品一样重要。油菜生产在全国有举足轻重的作用,直接关系到农民收入和国民经济发展。所以油菜的产收直接影响着我国油料种植业的发展。虽然我国油菜种植面积和总产量均居世界首位,但单产量不高,究其原因,病虫害是重要因素之一。以蚜虫、菜青虫、跳甲、猿叶甲为首的害虫严重影响了我国的油菜生产，因此看来病虫害的防治仍是一个极其关键的问题。但传统的作物病害检测是农业生产者和植保专家通过以往经验来进行肉眼

3、判断,这种方法工作量大，而且具有人为的不确定性,人工检测的方法已难以满足现代农业的发展需要。所以研究计算机视觉技术识别病害虫，是实现这一目标的有效方法之一。本课题主要是利用计算机视觉技术（OpenCV）为基础，分别用三个方法对油菜花害虫的建立识别系统，首先利用彩色图像灰度转化二值化阀值处理，获取该图像的一些几何特征或者其他更多特征；然后利用边缘检测进行害虫轮廓的提取，最后使用利用颜色空间转换方法，将图像从RGB空间转换到HSV空间，并利用色彩H和纯度S建立H-S颜色直方图等三种算法。用机器视觉代替人眼，通过收集油菜花害虫各类图片，建相应类别的模板，再利用处理待检测图片与模板相互对比，从而实现蚜

4、虫、菜青虫、猿叶甲和跳甲等害虫的辨别。关键词 ：计算机视觉；二值化；边缘检测；颜色直方图；油菜害虫1ABSTRACTRape as a domestic first big oil crops in China, and its adaptability is strong, has an important status in the rotation cropping. Rape is a oil crops, protein crop, and crops for industrial raw materials, energy and crops that are rich in hi

5、gh value-added products, vegetable oil in the future will be as important as oil and coal distillation oil products. Rapeseed production has important role in the country, is directly related to the farmers' income and national economic development. So the yield of rape charge directly affects t

6、he development of our country's oil crop.Although our rape planting area and output are the highest in the world, but the single output is not high, investigate its reason, plant diseases and insect pests is one of the important factors. To aphids and the caterpillar, flea beetle, Colaphellus bo

7、wringii Balye led by pests seriously affected the rapeseed production in our country, so a look of plant diseases and insect pests prevention and control is still a very critical problem. But the traditional crop disease detection is agricultural producers and plant protection expert judgment to the

8、 naked eye by past experience, this approach big workload, but also of the uncertainty of human, artificial detection method has been difficult to meet the needs of the modern agricultural development. Identification of pest, so the computer vision technology is one of the effective methods to achie

9、ve this goal.This topic mainly using computer vision technology (opencv) as the foundation, with three methods for the establishment of rape pests identification system, the first use of color image gray level threshold binarization processing, access to some of the image geometric features or other

10、 more; Then using contour extraction, edge detection of pests finally use of color space transformation method is used, the image from the RGB space to ihs space, and use the color purity of H and S establish H - S three algorithms such as color histogram. Using machine vision to replace the human e

11、ye, by collecting rape pests of various kinds of images, to build the corresponding categories of templates, and recycling images to be detected and the template contrast each other, so as to realize the aphids,the caterpillar, flea beetle, and Colaphellus bowringii Balye led.Key Words ：Computer vis

12、ion；Thresholding；Edge detection；Color histogram；Rapeseed pests；I目 录摘 要IABSTRACTII1. 绪论11.1油菜花害虫图像识别的意义11.2国内外研究概况11.3 研究课题的提出22.总体设计方案与前期准备工作42.1系统总体设计42.2油菜病害虫图像的采集与模板的建立42.3图像预处理53.基于阀值分割的病虫害特征提取63.1实验原理63.2算法流程与重要函数调用63.2.1 固定阀值分割63.2.2 OSTU阀值分割73.2.3自适应阀值分割93.3实验结果94.基于边缘检测的病虫害特征提取144.1实验原理144.2

13、重要函数调用说明144.2.1 Canny边缘检测144.2.2 Sobel边缘检测144.2.3 Laplacian边缘检测144.3实验结果154.4实验结果分析185.基于彩色直方图的病虫害特征提取205.1实验原理205.2算法流程与函数调用说明205.3实验结果215.4结果分析236.待检测图片与模板匹配246.1彩色图像灰度转化二值化阀值处理246.2图像边缘检测处理法266.3彩色直方图处理法297.实验总结及展望31附 录:32参考文献42致 谢4431. 绪论1.1油菜花害虫图像识别的意义油菜作为我国第一大油料作物，油菜的成本收益情况直接影响着我国油料种植业的发展。2000

14、年以来种植面积己突破1.1亿亩，总产己近1200万吨，占世界油菜种植面积和总产量的30%左右1。其中长江流域又占世界的 1/4，是世界上最大的油菜产区2。油菜适应性强,在轮作复种中有重要地位；油菜既是油料作物、蛋白质作物,又是工业原料作物、能源作物和富含高附加值产品的作物。油菜生产在全国有举足轻重的作用,直接关系到农民收入和国民经济发展。最近二十年,油菜的育种工作取得了很大的发展。但与此不相适应的是油菜病虫害却有日趋严重之势,菌核病等病虫害预测预报技术,特别是中长期预测预报技术研究进展缓慢。我国油菜种植面积单产量不高,病虫害是重要因素之一3。以蚜虫、菜青虫、核杆菌、病霉病、霜霉病为首的病虫害严

15、重影响了我国的油菜生产，因此病虫害的防治仍是一个极其关键的问题。对于缺乏专业知识和培训的普通劳动者，无法准确预测、诊断、防治病虫害，常常会导致防治时间和防治措施不当，或者农药使用不当。长期使用农药虽然在一定程度上抑制病虫害，但是成本高，同时也造成环境污染、生态破坏、病虫抗药性、人畜中毒等一系列严重影响。随着社会的进步，人们的环保意识、生态意识日渐增强，无污染、无毒害、安全优质的食品日益受到青睐,这对病虫害检测防治技术提出了更高的要求。传统的作物病害检测是农业生产者和植保专家通过经验进行肉眼判断,该方法劳动强度大，并且由于人为主观因素的影响有很大的不确定性。所以，迫切需要一种比较快速而方便的方法

16、来代替人工检测4。近年来，计算机视觉技术被广泛应用到作物的病虫害诊断中，并产生了大量的研究成果5-10。由作物遭受病虫害会导致植株的外部特征发生变化，计算机视觉使用的各种图像传感器拥有远超人类的视觉分辨能力，因此很适用于植物病虫害的诊断。研究一种基于计算机视觉技术的田间油菜病虫害诊断方法，可以方便、快速、准确的识别出害虫的种类，对油菜病虫害的检测与防治、环境保护、提高油菜产量和品质、提高农民收入和国民经济有着重要的意义。1.2国内外研究概况农作物病虫害是指植物受到其他生物侵染或由于不适宜的环境条件而引起的正常生理机能的破坏，是制约高产、优质、高效益农业持续发展的主要因素之一11。国内外目前识别

17、农作物病虫害实际采用的方法只要有声测、诱集、近红外等，这些方法由于人工检测效率低下、噪声干扰等原因，很难准确地识别出病虫害的种类、密度等信息，难以满足病虫害识别的要求12。国内外对于农作物病虫害的识别技术进行了大量的研究13。近年来，利用机器视觉技术监测植物病虫害已引起了国内外许多研究者的兴趣，并由此展开了一些研究工作14。葛婧在盆栽试验的基础上综合运用图像处理、植物病理学、色度学、几何特征、距离特征等方面的知识,研究了常见的玉米小斑病、水稻纹枯病、水稻稻瘟病等作物病害受害程度的检测检测模型。经检验证明本该方法可以代替传统的人工检测方法,具有较好的推广和应用价值4。但是该项研究中没有对多种病虫

18、害混合发生的情况进行研究，同时此项研究主要针对病虫害侵害的叶片进行了检测，并没有对花、茎、果实及各个部位进行检测。崔艳丽等运用计算机图像处理技术对生产中常见的两种黄瓜病害作了研究，比较了几种常见的色度学系统，以色调H作为颜色特征参数的研究领域，发现色调H偏度可以较为明显的区分不同病变情况15。王克如等将作物病虫害识别的专家知识与数字图像处理、神经网络结合，综合运用人工智能和网络技术，研究实现了作物病害的远程图像识别与诊断16。赵芸针对受菌核病和菓青虫危害后的油菜的光谱维数据和空间维数据,建立了一套油菜病虫害关键信息的识别获取方法,包括对油菜按感染菌核病时间的快速分类模型,油菜叶片菜青虫孔自动识

19、别和重构模型,以及优化的轻度虫害油菜叶片的叶脉识别算法,实现了油菓受病虫害危害的实时监测17。虽然都能对病虫害进行一定程度上的诊断，但是没能对植株的各个特征进行研究，而且这种诊断系统不适合小型农田使用。陈鹏程等对土耳其斯坦叶螨危害程度不同的棉叶进行光谱测试，通过分析发现，棉花受叶螨危害后单叶光谱的红边发生明显的蓝移现象，红边振幅与最小振幅的比值以及红边峰值面积的值随着螨害加重逐渐减小，结果认为红边能很好地反映棉叶受棉叶螨危害的程度18。计算机图像处理系统已被用于检测各种生物体包括微生物和植物20 - 22。相对于那些报道较少的昆虫，蜜蜂和黄蜂的翅脉23-24已经可以利用形态特征自动检测。最近，

20、标本水稻已经能使用数字图像检测处理系统进行检测识别25。以上研究中，有对一种病虫害的诊断，也有对病虫害的宏观检测；有对叶片的研究，有对色调的研究，也有进行光谱分析的，这些研究都能在一定程度上检测和诊断病虫害，但是诊断病虫害需要研究多种因素（形态、颜色、纹理等），而且需要使用方便、快捷、成本低，这就需要我们做进一步的研究。1.3 研究课题的提出油菜作为我国乃至全世界的重要油料作物,如何保证其生长过程中各个阶段免受病虫害及各种胁迫的影响,最大限度提高产量,受到了精细农业领域的广泛关注。前面介绍的用于快速获取不同楦物病虫害信息的技术在油菜种植中也被采用。到目前为止,油菜种植领域的研究主要集中在叶片营

21、养状况和生长情况的监测,对油菜病虫害的研究还较少。因此，能够建立一套油菜病虫害关键信息的识别获取方法，对我国的农业保护及农业经济发展有着至关重要的意义。计算机视觉已经是工程领域、也是科学领域中的一个富有挑战性的重要研究领域。大量先进的新理论和方法不断地涌现，为计算机视觉技术应用于农业领域提供了丰富的理论支撑。同时，INTEL公司开发的OpenCV作为跨平台计算机视觉库，提供了大量计算机视觉算法的开源代码，这为开发大型、复杂的计算机视觉软件提供了良好基础。而基于计算机视觉技术的植物外部特征分析技术是当前多个学科的研究热点和难点，大量的期刊、国际会议对其理论及其应用进行了专门的讨论。在水稻、棉花植

22、株上，基于计算机视觉技术的病虫害诊断技术已经有了一定成果。因此，从理论和技术上，计算机视觉技术应用与油菜的病虫害诊断是可行的。本课题的研究对象主要是四种油菜花害虫包括蚜虫、菜青虫、猿叶甲和跳甲。油菜花害虫的识别系统，是以计算机视觉技术（opencv）为基础，利用机器视觉代替人眼，通过收集油菜花害虫各类图片，建相应类别的模板，再利用处理待检测图片与模板相互对比，然后判别蚜虫、菜青虫、猿叶甲和跳甲。2.总体设计方案与前期准备工作2.1系统总体设计论文的技术路线如图1所示。首先是油菜病虫害图像的收集。因为课题研究时间的局限性，不能从油菜花田地直接拍摄害虫的图片。因此在网络上搜索以及在书本中查找各类油

23、菜花害虫，最终确定研究的四种害虫分别为蚜虫、菜青虫、跳甲、猿叶甲。其次是对图片进行预处理，以方便之后对其的特征提取。图像预处理包括图像有效部分的分割提取以及图片的滤波处理。在预处理之后，使用图像二值化、图像边缘检测以及HSV彩色直方图三种方式进行害虫特征的提取以及建立模板，最后再用待检测图片来测试这三种方法的识别效果，并进细分析归类。 图1 技术路线2.2油菜病害虫图像的采集与模板的建立本课题中主要是利用计算机视觉技术对图片进行处理，其中一种方法需要提取图像的颜色特征值来创建颜色直方图。因此，选取的油菜花害虫图片必须要是彩色图片，为了方便后续处理，本课题选取的油菜缺素图片统一是“jpg”格式。

24、油菜花害虫图像的获取主要来自以下两种途径：一是在网络上搜索图片；二是在书本图集收集图片。通过筛选最终得到了可供实验所用的油菜花害虫图片。主要的油菜花病害虫分为蚜虫、青菜虫、圆叶甲、跳甲四大种类。得到足够的图片后，再将这些图片分为两组，其中一组作为害虫模板图片，另一组作为待检测图片。建立油菜害虫图像模板时，首先需要选取害虫颜色轮廓等特征非常明显的图片，这样在后面的模板匹配时才能提取出更为明显的特征。另外，为了选取匹配效果最好的模板，根据害虫的测试方法，将建立的模板分为三种，最后通过四种害虫的待检测图片分别去匹配上述三种模板，得出最佳识别方式。图3：裁剪后图片像素375*219图2：原图像素535

25、*444选取好特征明显的缺素图片后，利用画图工具对图片进行裁剪，将图片裁剪成375*219的像素并保存，以跳甲图片操作为例，具体的操作示例如下图所示： 2.3图像预处理滤波是信号处理及图像处理中的一个基本操作，旨在特定的应用程序中，选择性地提取图像中被认为传达重要信息的部分。滤波去除图像中的噪声，提取感兴趣的视觉特征等等。线性滤波方法具有低通特性,去除噪声的同时也使图像的边缘变模糊,破坏了图像的原有特征,而中值滤波方法既能去除噪声又能保护图像的边缘,它是一种非线性处理方法。本课题选择中值滤波函数，对图像进行滤波处理，用来消除图像中的盐椒噪声，利于后期图像特征的提取。为了使主程序简洁明了，该中值

26、滤波函数直接以函数调用方式使用。以蚜虫图片操作为例，具体的操作示例如下图所示：图4：原图 图5：中值滤波图通过基本的图像预处理后，模板图片和待检测图片的前期处理已经基本完成。接下来，就是通过测试三种图片特征提取方式来正式进入本课题的实验。3.基于阀值分割的病虫害特征提取3.1实验原理通过观察油菜病虫害的图像可以得知，油菜虫害的外貌一般与油菜植株具有较大的差异。考虑到彩色图像处理的难度和速度，论文首先尝试了用灰度图像进行识别。根据灰度级的差异将油菜病虫害从背景图像中分割出来，最常用的方法是阀值分割。图像的二值化处理就是将图像上的点的灰度置为0或255，也就是使整个图像呈现出明显的黑白效果。二值化

27、图像的集合性质只与像素的值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。更重要的是，在二值图像的基础上，还可以进一步对图像处理，获得该图像的一些几何特征或者其他更多特征。将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。阈值是把目标和背景区分开的标尺，选取适当的阈值就是既要尽可能保存图像信息，又要尽可能减少背景和噪声的干扰，这是选择阈值的原则。论文中分别采用了三种不同的阀值分割方法：手动选取阈值、OTSU、自适应二值化。1. 手动选取阀值实质上是固定阀值分割，但通过人工的干预，不断地调节固定阀值的大小，

28、以得到最佳的分割结果。2. OSTU法OSTU法是按图像的灰度特性,将图像分成背景和目标2部分。背景和目标之间的类间方差越大,说明构成图像的2部分的差别越大。因此,使类间方差最大的分割意味着错分概率最小。3. 自适应二值化通过计算像素的邻域的平均灰度，这样做的好处在于每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的。亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。3.2算法流程与重要函数调用3.2.1 固定阀值分割1.RGB空间转灰度cvCvtColor(

29、pSrcImage, pGrayImage, CV_BGR2GRAY); pSrcImage为原始图像,pGrayImage为目标图像，原始图像是RGB图像。2 图像的二值化(手动调节)cvThreshold(g_pGrayImage, g_pBinaryImage, pos, 255, CV_THRESH_BINARY);本函数二值化函数对像素进行处理。其中g_pGrayImage是输入的灰度图像， g_pBinaryImage是输出的二值图像；pos是设置的固定阀值；255为阀值最大值。通过提供一个滑动条来方便固定阀值的调节，函数为：cvCreateTrackbar(pstrWindows

30、ToolBarName,pstrWindowsBinaryTitle,&nThreshold,255,on_trackbar);3.2.2 OSTU阀值分割Otsu算法步骤如下：设图象包含L个灰度级(0,1,L-1)，灰度值为i的的象素点数为Ni ，图象总的象素点数为N=N0+N1+.+N(L-1)。灰度值为i的点的概率为：P(i) = N(i)/N.门限t将整幅图象分为暗区c1和亮区c2两类，则类间方差是t的函数：=a1*a2(u1-u2)2 (2)式中，aj 为类cj的面积与图象总面积之比，a1=sum(P(i) i->t, a2 = 1-a1; uj为类cj的均值，u1 =

31、 sum(i*P(i)/a1 0->t, u2 = sum(i*P(i)/a2, t+1->L-1,该法选择最佳门限t使类间方差最大，即：令u=u1-u2，b = maxa1(t)*a2(t)u2代码实现：int otsu (IplImage *image, int rows, int cols, int x0, int y0, int dx, int dy, int vvv)unsigned char *np; / 图像指针int thresholdValue=1; / 阈值int ihist256; / 图像直方图，256个点int i, j, k; / various cou

32、ntersint n, n1, n2, gmin, gmax;double m1, m2, sum, csum, fmax, sb;/ 对直方图置零memset(ihist, 0, sizeof(ihist);gmin=255; gmax=0;/ 生成直方图/*for (i = y0 + 1; i < y0 + dy - 1; i+) np = &imagei*cols+x0+1;for (j = x0 + 1; j < x0 + dx - 1; j+) ihist*np+;if(*np > gmax) gmax=*np;if(*np < gmin) gmin=

33、*np;np+; /* next pixel */for(j=y0;j<dy;j+)for(i=0;i<dx;i+)unsigned char temp=CV_IMAGE_ELEM(image,uchar,j,i);ihisttemp+;/ set up everythingsum = csum = 0.0;n = 0;for (k = 0; k <= 255; k+) sum += (double) k * (double) ihistk; / x*f(x) 质量矩n += ihistk; /f(x) 质量if (!n)/ if n has no value, there

34、is problemsfprintf (stderr, "NOT NORMAL thresholdValue = 160n");return (160);/ do the otsu global thresholding methodfmax = -1.0;n1 = 0;for (k = 0; k < 255; k+) n1 += ihistk;if (!n1) continue; n2 = n - n1;if (n2 = 0) break; csum += (double) k *ihistk;m1 = csum / n1;m2 = (sum - csum) / n

35、2;sb = (double) n1 *(double) n2 *(m1 - m2) * (m1 - m2);/*/* bbg: note: can be optimized. */if (sb > fmax) fmax = sb;thresholdValue = k;/ at this point we have our thresholding value，debug code to display thresholding valuesif ( vvv & 1 ) fprintf(stderr,"# OTSU: thresholdValue = %d gmin=%

36、d gmax=%dn",thresholdValue, gmin, gmax);return(thresholdValue);3.2.3自适应阀值分割void cvAdaptiveThreshold( const CvArr* src, CvArr* dst, double max_value, int adaptive_method=CV_ADAPTIVE_THRESH_MEAN_C, int threshold_type=CV_THRESH_BINARY, int block_size=3, double param1=5 );Src输入图像；dst输出图像；max_value：

37、使用 CV_THRESH_BINARY 和 CV_THRESH_BINARY_INV 的最大值；adaptive_method，自适应阈值算法使用CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C；threshold_type：取阈值类型：必须是CV_THRESH_BINARY或CV_THRESH_BINARY_INV两者之一；block_size用来计算阈值的象素邻域大小，必须取奇数；param1是与方法有关的参数。3.3实验结果本实验所用四种害虫的图片编号分别为：菜青虫（c01，c03），跳甲（tj02，tj04），蚜虫(y0

38、1,y02),猿叶甲（yyj04，yyj07）。图6：a.tj02源图像（左） b.灰度图（中） c. 手动二值化图d.二值化自适应阈值 c.二值化Ostu15图8：a.tj02源图像（左） b.灰度图（中） c. 手动二值化图 d.二值化自适应阈值 c.二值化Ostu图7：a.tj02源图像（左） b.灰度图（中） c. 手动二值化图d.二值化自适应阈值 c.二值化Ostu图10：a.y02源图像（左） b.灰度图（中） c. 手动二值化图 d.二值化自适应阈值 c.二值化Ostu图9：a.tj04源图像（左） b.灰度图（中） c.手动二值化图d.二值化自适应阈值 c.二值化Ostu图12

39、：a.yyj02源图像（左） b.灰度图（中） c.手动二值化图 d.二值化自适应阈值 c.二值化Ostu图11：a.y01源图像（左） b.灰度图（中） c.手动二值化图 d.二值化自适应阈值 c.二值化Ostu图13：a.yyj04源图像（左） b.灰度图（中） c.手动二值化图 d.二值化自适应阈值 c.二值化Ostu3.4实验结果分析通过对比这四种害虫的实验效果图，可以清晰辨别出跳甲、猿叶甲、蚜虫的特征。手动选取二值化阈值一般取100到170左右即可，而对于菜青虫来说，c1图中的阈值下并没有很好的将环境色与虫子本体的区分开来，因此在识别菜青虫的时候还需要额外的调整阈值，使虫子特征更加显

40、著，而从Kmeans和Ostu的实验结果来看这两种计算方法对于环境中的颜色并不能良好的去除掉，不过对于跳甲、猿叶甲、蚜虫来说特征还是相当明显的。二值化自适应阈值的处理方式相对于手动调试阈值的区别在于其将虫子本体的黑色特征以及背景色全部白化了，使虫子的整体框架以及虫子甲克上的曲线更加平面化。三种二值化的处理效果大致相近，但是Ostu的效果稍微明显一些。结论：根据对实验结果的观察，蚜虫、跳甲、猿叶甲和菜青虫的图像二值化处理以后能够十分有效的剔除背景色的干扰，保留害虫本体特征，除去背景色干扰以后进行特征的有效提取。这种特征提取处理方式在合理的控制阈值范围下可以有效地区分这四种害虫，而且算法比较简单。

41、但是对于背景色比较复杂的图像来说存在着一定的局限性，特别是对于菜青虫这种与环境色比较相近的虫类来说，要识别其特征存在一定的困难。因此我们在下面讲使用另外一种算法来处理图像。4.基于边缘检测的病虫害特征提取4.1实验原理图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图象的边缘部分集中了图象的大部分信息，图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象分割所依赖的重要特征。边缘提取时保留图像灰度变化剧烈的区域，从数学上,最直观的方法是微分,对于数字图像来说就是差分

42、，从信号处理的角度来看,就是用高通滤波器，保留高频信号。以下程序用Canny算子、Sobel算子、Laplace算子实现图像的边缘检测。在实际情况中理想的灰度阶跃及其线条边缘图像是很少见到的，其中的强度变化不是瞬间的，而是跨越了一定的距离。这就使得在边缘检测中首先要进行的工作是滤波。本实验在图片预处理时就已经进行了中值滤波处理，所以接下去只要将图片先进行灰度化处理然后通过各种算子来检测即可。4.2重要函数调用说明4.2.1 Canny边缘检测 cvCanny(g_pSrcImage, g_pCannyImg, threshold, threshold * 3, 3); g_pSrcImage输

43、入图像；g_pCannyImg输出的边缘图像；threshold第一个阈值；threshold * 3第二个阈；aperture_size=3 算子内核大小；4.2.2 Sobel边缘检测 cvSobel( const CvArr* src, CvArr* dst, int xorder, int yorder, int aperture_size=3 );Src：输入图像 ；Dst：输出图像 ；Xorder：x 方向上的差分阶数；Yorder：y 方向上的差分阶数 ；aperture_size：扩展 Sobel 核的大小，必须是 1, 3, 5 或 7。Scharr 滤波器系数是：对 x-方

44、向 以及转置矩阵对 y-方向。4.2.3 Laplacian边缘检测函数 cvLaplace 计算输入图像的 Laplacian变换，方法是先用 sobel 算子计算二阶 x- 和 y- 差分，再求和:dst(x,y) = d2src/dx2 + d2src/dy2对 aperture_size=1 则给出最快计算结果，相当于对图像采用如下内核做卷积：类似于 cvSobel 函数，该函数也不作图像的尺度变换，所支持的输入、输出图像类型的组合和cvSobel一致。函数调用格式为：void cvLaplace( const CvArr* src, CvArr* dst, int aperture_

45、size=3 )；Src：输入图像 ；Dst：输出图像 ；Aperture_size：核大小 (与 cvSobel 中定义一样)。4.3实验结果本实验中下面四种害虫的图片编号分别为；菜青虫（c1，c3），跳甲（tj01，tj02），蚜虫（y01，y02），跳甲（yyj01，yyj04）。图14：a.c1源图像（左） b.灰度图（中） c. canny边缘检测图 d.彩色Sobel（左） e.灰度图Sobel（中） f. 灰度图Laplace图15：a.c3源图像（左） b.灰度图（中） c. 边缘检测图 d.彩色Sobel（左） e.灰度图Sobel（中） f. 灰度图Laplace19图16

46、：a.tj02源图像（左） b.灰度图（中） c. 边缘检测图 d.彩色Sobel（左） e.灰度图Sobel（中） f. 灰度图Laplace图17：a.tj01源图像（左） b.灰度图（中） c.边缘检测图 d.彩色Sobel（左） e.灰度图Sobel（中） f. 灰度图Laplace2120图18：a.y01源图像（左） b.灰度图（中） c.边缘检测图 d.彩色Sobel（左） e.灰度图Sobel（中） f. 灰度图Laplace图19：a.y02源图像（左） b.灰度图（中） c.边缘检测图 d.彩色Sobel（左） e.灰度图Sobel（中） f. 灰度图Laplace图20：

47、a.yyj01源图像（左） b.灰度图（中） c. 边缘检测图 d.彩色Sobel（左） e.灰度图Sobel（中） f. 灰度图Laplace图21：a.yyj04源图像（左） b.灰度图（中） c. 边缘检测图 d.彩色Sobel（左） e.灰度图Sobel（中） f. 灰度图Laplace4.4实验结果分析根据实验结果图，根据不同的边缘检测来看，边缘检测可以保留害虫的背部轮廓和形状轮廓。其中彩色Sobel中因为保留了部分颜色，这时蚜虫，其触角、主体以及腿部的轮廓特征即使处于略微复杂的环境下也可进行检测识别。灰度图的sobel和灰度图Laplace检测都可以勾勒出害虫的轮廓，但是灰度图的L

48、apalce的轮廓有些模糊，这时候手动调节的canny边缘就比较实用了。但是由于猿叶甲和跳甲同属于甲虫类，其体型和外部整体轮廓有着较大的相似之处，要识别他们需要从其背部的轮廓着手。跳甲背部有着独特的条形轮廓而猿叶甲的背部则显得比较单一，而且如果背景稍加复杂一些的话猿叶甲的边缘识别会受到一定影响，这时候彩色Sobel，就可以有效的描绘出轮廓特征和颜色特征。最后是菜青虫，本实验中菜青虫c1的边缘轮廓受到了叶片脉络的严重影响，c2受到的影响相对较少但是也不符合本实验的特征识别要求。因此，结合实际图片的害虫本体轮廓以及背景部分对边缘检测效果造成的影响程度，我们将实验效果按照四种虫类的特征鲜明程度排序，

49、蚜虫跳甲猿叶甲>菜青虫。结论：本实验方法对于蚜虫和跳甲具有较好的识别效果。5.基于彩色直方图的病虫害特征提取5.1实验原理RGB颜色空间基于对红、绿、蓝三原色的使用。这些颜色被选中是因为当他们结合在一起时，可以生成广阔色域中的颜色。事实上，人类的视觉系统也建立在对三原色的感知上，人眼圆锥细胞对红、绿、蓝光谱具备敏感性。RGB空间通常是在数字图像领域的默认颜色空间11。但RGB颜色空间模型并不对应于人眼的视觉特性，因此很少用于特征提取与识别领域。HSV颜色模型是基于人眼特性而建立的彩色模型。HSV中颜色的参数分别是：色彩（H），纯度（S），明度（V）。HSV模型的三维表示从RGB立方体演化

50、而来，设想从RGB沿立方体对角线的白色顶点向黑色顶点观察，就可以看到立方体的六边形外形。六边形边界表示色彩，水平轴表示纯度明度沿垂直轴测量。HSV六棱锥中，H参数表示色彩信息，即所处的光谱颜色的位置。该参数用一角度量来表示，红、绿、蓝分别相隔120度。互补色分别相差180度。纯度S为一比例值，范围从0到1，他表示所选颜色的纯度和该颜色最大纯度之间的比率。S=0时只有灰度。V表示色彩的明亮程度，范围从0到1，有一点要注意，他和光强度之间并没有直接的联系。RGB转HSV的公式为：max=max(R,G,B) min=min(R,G,B) if R = max, H = (G-B)/(max-min

51、)if G = max, H = 2 + (B-R)/(max-min) if B = max, H = 4 + (R-G)/(max-min) H = H * 60 if H < 0, H = H + 360 V=max(R,G,B) S=(max-min)/max 5.2算法流程与函数调用说明 RGB空间到HSV空间的转换cvCvtColor(src,dst_image,CV_BGR2HSV);src是源图像，dst_image是输出图像；CV_BGR2HSV指定了颜色模型的转换是从RGB空间到HSV空间。调用此函数之后，输出图像的通道数量仍然为3，但存储的信息不再是RGB三个原色分

52、量的灰度值，而是HSV三个分量的信息。直方图的创建： CvHistogram * hist = cvCreateHist(dim,&size,flag,*range,uniform); 创建二维直方图，每个维度上均分；cvCreateHist(dim,&size,flag,*range,uniform):dim为hist的维度；size为总分区间数；flag为标记图像是什么类型，是CV_HIST_ARRAY,还是CV_HIST_TREE,然后就可以选择如何保存数据，如果CV_HIST_ARRAY,就用CvMatND（多维密集数组）；如果CV_HIST_TREE,就使用CvSpa

53、rseMat（多维稀疏数组）；range为每个维度的范围；uniform为归一化标识。5.3实验结果图22： a.y01源图像（左） b.HSV空间（中） c. 彩色直方图（右）图23： a.y03源图像（左） b.HSV空间（中） c. 彩色直方图（右）图25: a.tj02源图像（左） b.HSV空间（中） c. 彩色直方图（右）图24: a.tj01源图像（左） b.HSV空间（中） c. 彩色直方图（右）下列图片四种害虫原图分别编号为：蚜虫（y01，y03），跳甲（tj01，tj02，tj03），菜青虫（c01，c02），猿叶甲（yyj01，yyj02）。23图26: a.c01源图像（左） b.HSV空间（中） c. 彩色直方图（右）图27: a.c02源图像（左） b.HSV空间（中） c. 彩色直方图（右） 图28: a.yyj01源图像（左） b.HSV空间（中） c. 彩色直方图（右） 图29: a.yyj02源图像（左） b.HSV空间（中） c. 彩色直方图（右）475.4结果分析根据上面实验结果，可以看出对于蚜虫来说，它经过HSV处理以后，彩色直方图中一共存在五个颜色通道，y01和y02中五个颜色通道的特征十分相近，因此可以可以假设HSV处理以后对蚜虫的识别效果良好。菜青虫c01和c02的HSV直方图中可以看到一共主要有6