基于不變矩的作物病害識(shí)別方法

王旭啟+張善文+王獻(xiàn)鋒

摘要：針對(duì)作物病害識(shí)別的復(fù)雜性，提出一種基于不變矩（invariants moments，IM）算法的病害識(shí)別方法。對(duì)作物病害葉片圖像進(jìn)行不變矩特征提取，采用最近鄰分類(lèi)器對(duì)作物病害葉片進(jìn)行識(shí)別。以芹菜病害葉片為材料，進(jìn)行病害識(shí)別，結(jié)果表明，該方法是有效可行的。

關(guān)鍵詞：作物病害葉片；特征提??；不變矩；最近鄰分類(lèi)器

中圖分類(lèi)號(hào)： TP391.41文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2014）06-0378-02

收稿日期：2013-10-09

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：61272333）；陜西省教育廳自然科學(xué)研究項(xiàng)目（編號(hào)：2013JK887）。

作者簡(jiǎn)介：王旭啟（1976—），男，河南遂平人，碩士，講師，從事模式識(shí)別研究。E-mail：wjdw716@163.com。作物病害是限制我國(guó)農(nóng)業(yè)生產(chǎn)的重要因素。由于作物病害造成的損失巨大，所以作物病害檢測(cè)一直是農(nóng)業(yè)科技工作者的研究重點(diǎn)。實(shí)際生產(chǎn)中，農(nóng)民及農(nóng)業(yè)科技工作者主要依靠自身經(jīng)驗(yàn)診斷作物病害，這種診斷方法的識(shí)別能力有限，通常在作物病害程度比較重時(shí)才能識(shí)別，而且費(fèi)時(shí)費(fèi)力，嚴(yán)重影響作物病害預(yù)報(bào)準(zhǔn)確率。絕大多數(shù)作物病害會(huì)通過(guò)葉子表現(xiàn)出來(lái)，因此基于作物葉片癥狀的作物病害識(shí)別方法是研究熱點(diǎn)之一。近年來(lái)，學(xué)者們對(duì)作物病害識(shí)別及檢測(cè)方法進(jìn)行了廣泛研究，通過(guò)對(duì)農(nóng)作物病害圖像進(jìn)行預(yù)處理，提取病害特征參數(shù)，使用不同分類(lèi)器達(dá)到智能識(shí)別的目的[1-6]。程鵬飛從顏色、紋理兩方面人為地選擇合適的病害分類(lèi)特征參數(shù)，利用模糊K近鄰法建立分類(lèi)器對(duì)植株葉片進(jìn)行模式識(shí)別，但人為選擇特征參數(shù)會(huì)影響植物病害的識(shí)別準(zhǔn)確度[7]。田有文等探討利用SVM對(duì)黃瓜病害進(jìn)行分類(lèi)，提取黃瓜葉片病斑的形狀、顏色、質(zhì)地、發(fā)病時(shí)期等特征作為特征向量，利用SVM分類(lèi)器，選取4種常見(jiàn)核函數(shù)，以Matlab7.0為平臺(tái)對(duì)10類(lèi)常見(jiàn)病害進(jìn)行識(shí)別，結(jié)果表明，SVM方法在處理小樣本問(wèn)題時(shí)具有良好的分類(lèi)效果[8]。祁廣云等應(yīng)用改進(jìn)的GA訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了大豆葉斑病病斑區(qū)域的提取，結(jié)果表明，應(yīng)用該方法識(shí)別病斑區(qū)域的準(zhǔn)確率達(dá)90%，克服了彩色直方圖熵法分割病斑圖像不清晰的弊端[9]。由于病害葉片形狀、顏色的復(fù)雜性，導(dǎo)致很多作物病害識(shí)別方法及技術(shù)不能滿足自動(dòng)化作物病害檢測(cè)系統(tǒng)的需要。本研究提取作物病害葉片的不變矩分類(lèi)特征，利用最近鄰分類(lèi)器對(duì)作物病害進(jìn)行檢測(cè)，旨在為作物病害識(shí)別提供一種新方法。

1作物病害葉片圖像特征提取

不變矩作為復(fù)雜圖像的分類(lèi)特征被廣泛應(yīng)用于二維圖像識(shí)別領(lǐng)域。有學(xué)者由二維圖像幾何矩的非線性組合推導(dǎo)出了7項(xiàng)具有旋轉(zhuǎn)、平移、尺度不變性的不變矩，并且證明了這些矩保留了數(shù)據(jù)的分類(lèi)信息[10]。具體算法如下：

對(duì)于二維圖像f（x，y），其定義域?yàn)镃，它的p+q級(jí)矩定義為：

Mpq=∫Cxpyqf（x，y）ds。（1）

實(shí)際應(yīng)用中人們經(jīng)常采用離散化形式來(lái)近似計(jì)算圖像的p+q級(jí)矩：

Mpq=∑（x，y）∈Cxpyqf（x，y）。（2）

圖像的中心距μpq定義為：

μpq=∑（x，y）∈C（x-x）p（y-y）qf（x，y）。（3）

式中，x=M10M00，y=M01M00。

對(duì)μpq進(jìn)行正則化得：

ηpq=μpq/μγ00。（4）

式中，γ=p+q+1為正則化因子，p、q為正整數(shù)。

利用ηpq可以計(jì)算以下7個(gè)不變矩：

Hu1=η20+η02，（5）

Hu2=（η20-η02）2+4η211，（6）

Hu3=（η30-3η12）2+（η03-3η21）2，（7）

Hu4=（η30+η12）2+（η03+η21）2，（8）

Hu5=（η30-3η12）（η30+η12）[（η30+η12）2-3（η03+η21）2]+

（3η21-η03）（η21+η03）[3（η30+η12）2-（η03+η21）2]，（9）

Hu6=（η20-η02）[（η30+η12）2-（η03+η21）2]+

4η11（η30+η12）（η03+η21），（10）

Hu7=（3η21-η03）（η30+η12）[（η30+η12）2-3（η03+η21）2]+

（3η12-η30）（η21+η03）[3（η30+η12）2-（η03+η21）2]。（11）

這些不變矩組成的向量[Hu1，Hu2，…，Hu7]對(duì)于平移、旋轉(zhuǎn)、比例尺變化具有保持不變的性質(zhì)，因此可以作為作物病害葉片圖像的分類(lèi)特征，對(duì)作物病害葉片進(jìn)行識(shí)別。

2結(jié)果與分析

本研究以芹菜病害葉片作為研究對(duì)象，針對(duì)高發(fā)病率且具有顯著危害的斑枯病、灰霉病、葉斑病、霜霉病進(jìn)行病害識(shí)別。利用圖像采集系統(tǒng)，選擇光照強(qiáng)度適中的時(shí)間拍攝病害葉片，從發(fā)病初期開(kāi)始直至病情非常嚴(yán)重時(shí)期，平均每隔2 d采集1次病葉圖像。拍攝前調(diào)節(jié)相機(jī)白平衡，確保拍攝到的作物葉片圖像顏色盡量接近葉片本身的顏色。利用Matlab軟件中的‘rgb2gray 提取分割后病斑圖像每點(diǎn)像素的R、G、B值，將病斑圖像轉(zhuǎn)換為灰度圖像：

Gray=0.299R+0.587G+0.114B。（12）

采集到芹菜4種病害葉片樣本的灰度圖像如圖1所示。從斑枯病、灰霉病、葉斑病、霜霉病4種病害葉片數(shù)據(jù)庫(kù)中各選擇100幅葉片。從圖2可以看出，同種病害的葉片之間差異很大，利用經(jīng)典的模式識(shí)別方法對(duì)芹菜病害葉片進(jìn)行識(shí)別的識(shí)別率不高。因此，本研究利用不變矩作為病害的識(shí)別特征，對(duì)芹菜病害進(jìn)行識(shí)別。

將所有葉片圖像劃分為訓(xùn)練集與測(cè)試集，訓(xùn)練集用于訓(xùn)練最近鄰分類(lèi)器，測(cè)試集用于測(cè)試算法的性能。本試驗(yàn)從斑枯病、灰霉病、葉斑病、霜霉病每種病害100幅葉片中分別隨機(jī)分配n幅圖像作為訓(xùn)練集，其余作為測(cè)試集。首先利用最大方差法[11]對(duì)每幅黃瓜病斑葉片進(jìn)行分割，得到黃瓜葉片的病斑圖像。將每幅圖像轉(zhuǎn)換成灰度圖像Gray，再利用公式（1）至公式（11）計(jì)算灰度圖像Gray的7個(gè)不變矩，由此組成1個(gè)特征向量X=[Hu1，Hu2，…，Hu7]。計(jì)算每種病害的訓(xùn)練集中病害葉片特征向量的平均值，分別記為Mi（i=1，2，3，4）。對(duì)于待分類(lèi)的葉片圖像特征向量X，計(jì)算X到每個(gè)模式類(lèi)均值Mi的歐氏距離平方‖X-Mi‖2，然后把X判別至距離最小的類(lèi)。

‖X-Mi‖2=（X-Mi）T（X-Mi）=XTX-2MTiX+MTiMi。（13）

由于公式（13）的第1項(xiàng)與i無(wú)關(guān)，所以可以將公式（13）的第1項(xiàng)去掉，整理成1個(gè)線性判別函數(shù)：

MTiX-12MTiMi=ΔTiA。（14）

式中：Δi=Mi

-12MTiMi，A=X

1。

在識(shí)別過(guò)程中，要求取ΔTiA最小值對(duì)應(yīng)的下標(biāo)病害類(lèi)別，也是本測(cè)試樣本所屬的病害類(lèi)別。

重復(fù)50次上面葉片圖像的劃分及病害識(shí)別試驗(yàn)，記錄每次試驗(yàn)中識(shí)別率的最大值，再計(jì)算50次試驗(yàn)識(shí)別率最大值的平均值，作為基于不變矩（invariants moments，IM）算法的識(shí)別結(jié)果（表1）。為了比較，表1還給出了基于PCA+PNN、神經(jīng)網(wǎng)絡(luò)（ANN）、貝葉斯方法（Bayesian）[12]等植物病害識(shí)別方法的識(shí)別結(jié)果。

表1芹菜病害識(shí)別結(jié)果

識(shí)別方法識(shí)別率（%）訓(xùn)練樣本30個(gè)訓(xùn)練樣本40個(gè)訓(xùn)練樣本50個(gè)PCA+PNN72.48±2.53 75.30±2.3580.28±2.55ANN70.38±2.43 74.22±2.30 78.97±2.36Bayesian74.41±2.75 79.46±2.3881.27±2.15IM79.14±2.87 81.17±2.7985.50±2.41

由表1可以看出，IM算法的識(shí)別率最高，這是由于IM算法的不變矩分類(lèi)特征具有旋轉(zhuǎn)、平移、尺度不變性，有利于病害分類(lèi)、識(shí)別。所有算法的識(shí)別率都隨著訓(xùn)練集中樣本數(shù)的增多而增加，這是由于訓(xùn)練樣本越多，得到的識(shí)別特征越穩(wěn)定。試驗(yàn)過(guò)程中還發(fā)現(xiàn)，本系統(tǒng)對(duì)于芹菜病害的識(shí)別率不高，這是因?yàn)榘l(fā)病初期病斑較小、癥狀較輕，葉片的完整度與無(wú)病害情況相似，發(fā)病后期無(wú)論哪種病害，葉片都出現(xiàn)大面積干枯、壞死，并且病斑顏色也從最初的綠色逐漸變成灰褐色，甚至出現(xiàn)病葉萎縮，給病害分割帶來(lái)困難，導(dǎo)致后期特征提取差別不明顯。一般情況下可以通過(guò)增大訓(xùn)練樣本量的方法提高識(shí)別精度。

3結(jié)論

本研究針對(duì)病害葉片圖像的復(fù)雜性，提出了一種基于不

變矩的病害識(shí)別方法。本方法能夠得到病害葉片的分類(lèi)特征，利用最近鄰分類(lèi)器進(jìn)行病害識(shí)別。本方法識(shí)別率高，不足之處是不變矩對(duì)圖像的描述太過(guò)籠統(tǒng)，沒(méi)有反映作物病害葉片的細(xì)節(jié)，而且計(jì)算量較大。所以，筆者下一步研究方向是挖掘簡(jiǎn)單魯棒的作物病害葉片分類(lèi)特征。

參考文獻(xiàn)：

[1]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[2]Pydipati R，Burks T F，Lee W S. Statistical and neural network classifiers for citrus disease detection using machine vision[J]. Transactions of the ASAE，2005，48（5）：2007-2014.

[3]姜淑華，田有文，孫海波. 農(nóng)作物病害危害程度自動(dòng)測(cè)定與分級(jí)的研究[J]. 農(nóng)機(jī)化研究，2007（5）：61-63.

[4]柴阿麗，李寶聚，石延霞，等. 基于計(jì)算機(jī)視覺(jué)技術(shù)的番茄葉部病害識(shí)別[J]. 園藝學(xué)報(bào)，2010，37（9）：1423-1430.

[5]李波，劉占宇，黃敬峰，等. 基于PCA和PNN的水稻病蟲(chóng)害高光譜識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（9）：143-147.

[6]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統(tǒng)計(jì)特征的黃瓜炭疽病和褐斑病的識(shí)別研究[J]. 園藝學(xué)報(bào)，2007，34（6）：1425-1430.

[7]程鵬飛. 植物病害的圖像處理及特征值提取方法的研究[D]. 晉中：山西農(nóng)業(yè)大學(xué)，2005.

[8]田有文，牛妍. 支持向量機(jī)在黃瓜病害識(shí)別中的應(yīng)用研究[J]. 農(nóng)機(jī)化研究，2009（3）：36-39.

[9]祁廣云，馬曉丹，關(guān)海鷗. 采用改進(jìn)遺傳算法提取大豆葉片病斑圖像[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（5）：142-145.

[10]吳冬梅，李俊威，劉凌志，等. 基于Zernike不變矩的人形識(shí)別研究[J]. 計(jì)算機(jī)應(yīng)用與軟件，2013，30（8）：162-165.

[11]王祥科，鄭志強(qiáng). Otsu多閾值快速分割算法及其在彩色圖像中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用，2006，26（增刊）：14-15.

[12]趙玉霞，王克如，白中英，等. 貝葉斯方法在玉米葉部病害圖像識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用，2007，43（5）：193-195.

‖X-Mi‖2=（X-Mi）T（X-Mi）=XTX-2MTiX+MTiMi。（13）

由于公式（13）的第1項(xiàng)與i無(wú)關(guān)，所以可以將公式（13）的第1項(xiàng)去掉，整理成1個(gè)線性判別函數(shù)：

MTiX-12MTiMi=ΔTiA。（14）

式中：Δi=Mi

-12MTiMi，A=X

1。

在識(shí)別過(guò)程中，要求取ΔTiA最小值對(duì)應(yīng)的下標(biāo)病害類(lèi)別，也是本測(cè)試樣本所屬的病害類(lèi)別。

重復(fù)50次上面葉片圖像的劃分及病害識(shí)別試驗(yàn)，記錄每次試驗(yàn)中識(shí)別率的最大值，再計(jì)算50次試驗(yàn)識(shí)別率最大值的平均值，作為基于不變矩（invariants moments，IM）算法的識(shí)別結(jié)果（表1）。為了比較，表1還給出了基于PCA+PNN、神經(jīng)網(wǎng)絡(luò)（ANN）、貝葉斯方法（Bayesian）[12]等植物病害識(shí)別方法的識(shí)別結(jié)果。

表1芹菜病害識(shí)別結(jié)果

識(shí)別方法識(shí)別率（%）訓(xùn)練樣本30個(gè)訓(xùn)練樣本40個(gè)訓(xùn)練樣本50個(gè)PCA+PNN72.48±2.53 75.30±2.3580.28±2.55ANN70.38±2.43 74.22±2.30 78.97±2.36Bayesian74.41±2.75 79.46±2.3881.27±2.15IM79.14±2.87 81.17±2.7985.50±2.41

由表1可以看出，IM算法的識(shí)別率最高，這是由于IM算法的不變矩分類(lèi)特征具有旋轉(zhuǎn)、平移、尺度不變性，有利于病害分類(lèi)、識(shí)別。所有算法的識(shí)別率都隨著訓(xùn)練集中樣本數(shù)的增多而增加，這是由于訓(xùn)練樣本越多，得到的識(shí)別特征越穩(wěn)定。試驗(yàn)過(guò)程中還發(fā)現(xiàn)，本系統(tǒng)對(duì)于芹菜病害的識(shí)別率不高，這是因?yàn)榘l(fā)病初期病斑較小、癥狀較輕，葉片的完整度與無(wú)病害情況相似，發(fā)病后期無(wú)論哪種病害，葉片都出現(xiàn)大面積干枯、壞死，并且病斑顏色也從最初的綠色逐漸變成灰褐色，甚至出現(xiàn)病葉萎縮，給病害分割帶來(lái)困難，導(dǎo)致后期特征提取差別不明顯。一般情況下可以通過(guò)增大訓(xùn)練樣本量的方法提高識(shí)別精度。

3結(jié)論

本研究針對(duì)病害葉片圖像的復(fù)雜性，提出了一種基于不

變矩的病害識(shí)別方法。本方法能夠得到病害葉片的分類(lèi)特征，利用最近鄰分類(lèi)器進(jìn)行病害識(shí)別。本方法識(shí)別率高，不足之處是不變矩對(duì)圖像的描述太過(guò)籠統(tǒng)，沒(méi)有反映作物病害葉片的細(xì)節(jié)，而且計(jì)算量較大。所以，筆者下一步研究方向是挖掘簡(jiǎn)單魯棒的作物病害葉片分類(lèi)特征。

參考文獻(xiàn)：

[1]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[2]Pydipati R，Burks T F，Lee W S. Statistical and neural network classifiers for citrus disease detection using machine vision[J]. Transactions of the ASAE，2005，48（5）：2007-2014.

[3]姜淑華，田有文，孫海波. 農(nóng)作物病害危害程度自動(dòng)測(cè)定與分級(jí)的研究[J]. 農(nóng)機(jī)化研究，2007（5）：61-63.

[4]柴阿麗，李寶聚，石延霞，等. 基于計(jì)算機(jī)視覺(jué)技術(shù)的番茄葉部病害識(shí)別[J]. 園藝學(xué)報(bào)，2010，37（9）：1423-1430.

[5]李波，劉占宇，黃敬峰，等. 基于PCA和PNN的水稻病蟲(chóng)害高光譜識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（9）：143-147.

[6]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統(tǒng)計(jì)特征的黃瓜炭疽病和褐斑病的識(shí)別研究[J]. 園藝學(xué)報(bào)，2007，34（6）：1425-1430.

[7]程鵬飛. 植物病害的圖像處理及特征值提取方法的研究[D]. 晉中：山西農(nóng)業(yè)大學(xué)，2005.

[8]田有文，牛妍. 支持向量機(jī)在黃瓜病害識(shí)別中的應(yīng)用研究[J]. 農(nóng)機(jī)化研究，2009（3）：36-39.

[9]祁廣云，馬曉丹，關(guān)海鷗. 采用改進(jìn)遺傳算法提取大豆葉片病斑圖像[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（5）：142-145.

[10]吳冬梅，李俊威，劉凌志，等. 基于Zernike不變矩的人形識(shí)別研究[J]. 計(jì)算機(jī)應(yīng)用與軟件，2013，30（8）：162-165.

[11]王祥科，鄭志強(qiáng). Otsu多閾值快速分割算法及其在彩色圖像中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用，2006，26（增刊）：14-15.

[12]趙玉霞，王克如，白中英，等. 貝葉斯方法在玉米葉部病害圖像識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用，2007，43（5）：193-195.

‖X-Mi‖2=（X-Mi）T（X-Mi）=XTX-2MTiX+MTiMi。（13）

由于公式（13）的第1項(xiàng)與i無(wú)關(guān)，所以可以將公式（13）的第1項(xiàng)去掉，整理成1個(gè)線性判別函數(shù)：

MTiX-12MTiMi=ΔTiA。（14）

式中：Δi=Mi

-12MTiMi，A=X

1。

在識(shí)別過(guò)程中，要求取ΔTiA最小值對(duì)應(yīng)的下標(biāo)病害類(lèi)別，也是本測(cè)試樣本所屬的病害類(lèi)別。

重復(fù)50次上面葉片圖像的劃分及病害識(shí)別試驗(yàn)，記錄每次試驗(yàn)中識(shí)別率的最大值，再計(jì)算50次試驗(yàn)識(shí)別率最大值的平均值，作為基于不變矩（invariants moments，IM）算法的識(shí)別結(jié)果（表1）。為了比較，表1還給出了基于PCA+PNN、神經(jīng)網(wǎng)絡(luò)（ANN）、貝葉斯方法（Bayesian）[12]等植物病害識(shí)別方法的識(shí)別結(jié)果。

表1芹菜病害識(shí)別結(jié)果

識(shí)別方法識(shí)別率（%）訓(xùn)練樣本30個(gè)訓(xùn)練樣本40個(gè)訓(xùn)練樣本50個(gè)PCA+PNN72.48±2.53 75.30±2.3580.28±2.55ANN70.38±2.43 74.22±2.30 78.97±2.36Bayesian74.41±2.75 79.46±2.3881.27±2.15IM79.14±2.87 81.17±2.7985.50±2.41

由表1可以看出，IM算法的識(shí)別率最高，這是由于IM算法的不變矩分類(lèi)特征具有旋轉(zhuǎn)、平移、尺度不變性，有利于病害分類(lèi)、識(shí)別。所有算法的識(shí)別率都隨著訓(xùn)練集中樣本數(shù)的增多而增加，這是由于訓(xùn)練樣本越多，得到的識(shí)別特征越穩(wěn)定。試驗(yàn)過(guò)程中還發(fā)現(xiàn)，本系統(tǒng)對(duì)于芹菜病害的識(shí)別率不高，這是因?yàn)榘l(fā)病初期病斑較小、癥狀較輕，葉片的完整度與無(wú)病害情況相似，發(fā)病后期無(wú)論哪種病害，葉片都出現(xiàn)大面積干枯、壞死，并且病斑顏色也從最初的綠色逐漸變成灰褐色，甚至出現(xiàn)病葉萎縮，給病害分割帶來(lái)困難，導(dǎo)致后期特征提取差別不明顯。一般情況下可以通過(guò)增大訓(xùn)練樣本量的方法提高識(shí)別精度。

3結(jié)論

本研究針對(duì)病害葉片圖像的復(fù)雜性，提出了一種基于不

變矩的病害識(shí)別方法。本方法能夠得到病害葉片的分類(lèi)特征，利用最近鄰分類(lèi)器進(jìn)行病害識(shí)別。本方法識(shí)別率高，不足之處是不變矩對(duì)圖像的描述太過(guò)籠統(tǒng)，沒(méi)有反映作物病害葉片的細(xì)節(jié)，而且計(jì)算量較大。所以，筆者下一步研究方向是挖掘簡(jiǎn)單魯棒的作物病害葉片分類(lèi)特征。

參考文獻(xiàn)：

[1]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.

[2]Pydipati R，Burks T F，Lee W S. Statistical and neural network classifiers for citrus disease detection using machine vision[J]. Transactions of the ASAE，2005，48（5）：2007-2014.

[3]姜淑華，田有文，孫海波. 農(nóng)作物病害危害程度自動(dòng)測(cè)定與分級(jí)的研究[J]. 農(nóng)機(jī)化研究，2007（5）：61-63.

[4]柴阿麗，李寶聚，石延霞，等. 基于計(jì)算機(jī)視覺(jué)技術(shù)的番茄葉部病害識(shí)別[J]. 園藝學(xué)報(bào)，2010，37（9）：1423-1430.

[5]李波，劉占宇，黃敬峰，等. 基于PCA和PNN的水稻病蟲(chóng)害高光譜識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（9）：143-147.

[6]岑喆鑫，李寶聚，石延霞，等. 基于彩色圖像顏色統(tǒng)計(jì)特征的黃瓜炭疽病和褐斑病的識(shí)別研究[J]. 園藝學(xué)報(bào)，2007，34（6）：1425-1430.

[7]程鵬飛. 植物病害的圖像處理及特征值提取方法的研究[D]. 晉中：山西農(nóng)業(yè)大學(xué)，2005.

[8]田有文，牛妍. 支持向量機(jī)在黃瓜病害識(shí)別中的應(yīng)用研究[J]. 農(nóng)機(jī)化研究，2009（3）：36-39.

[9]祁廣云，馬曉丹，關(guān)海鷗. 采用改進(jìn)遺傳算法提取大豆葉片病斑圖像[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（5）：142-145.

[10]吳冬梅，李俊威，劉凌志，等. 基于Zernike不變矩的人形識(shí)別研究[J]. 計(jì)算機(jī)應(yīng)用與軟件，2013，30（8）：162-165.

[11]王祥科，鄭志強(qiáng). Otsu多閾值快速分割算法及其在彩色圖像中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用，2006，26（增刊）：14-15.

[12]趙玉霞，王克如，白中英，等. 貝葉斯方法在玉米葉部病害圖像識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用，2007，43（5）：193-195.