一种基于图像处理的苹果病害检测系统的制作方法

本发明涉及图像处理，尤其涉及一种基于图像处理的苹果病害检测系统。

背景技术：

1、苹果炭疽叶枯病是一种由炭疽病菌引起的病害，主要危害苹果树的叶片，严重时也可危害果实。该病害会导致苹果树大量落叶，树势变弱，产量下降。为了及时预防该病害，需要在早期就及时发现干预。早期病斑面积小，分布少，由于光照，叶子叶脉，脏污等环境因素干扰，人工难以及时观察到病斑存在及严重程度，因此需要对苹果叶子进行病害检测，防止错过最佳干预时间。

2、现有技术中，通过采用单一的阈值对苹果叶子的灰度图像进行图像分割，得到病斑图像，进而根据病斑图像进行病害检测。

3、由于病斑初期为颜色较浅，面积较小的黄褐色或红褐色小点，周围有不规则红褐色或黄褐色晕圈，与叶子本身颜色呈现渐变的相似的颜色，因此在环境干扰下灰度图像呈现不出较为明显的变化，无法采用单一的阈值分割处理。但由于病斑相对于叶子本身具有凹陷，放射性生长的特征，因此使用区域生长算法，按照病斑自身生长特性进行生长，能够取得效果较好，更符合现实变化情况的分割图像。

4、因此，如何选取区域生长算法中的生长种子点以及生长准则，以获取更准确的病斑图像成为亟需解决的问题。

技术实现思路

1、有鉴于此，本发明实施例提供了一种基于图像处理的苹果病害检测系统，以解决如何选取区域生长算法中的生长种子点以及生长准则，以获取更准确的病斑图像的问题。

2、本发明实施例中提供了一种基于图像处理的苹果病害检测系统，该系统包括：

3、疑似强病斑区域获取模块，用于采集苹果叶片图像，对所述苹果叶片图像进行灰度化处理，得到苹果叶片的灰度图像，获取所述灰度图像中的至少一个疑似强病斑区域；

4、强病斑区域获取模块，用于分别计算每个所述疑似强病斑区域中的各个像素点的梯度值以及梯度方向，根据所述各个像素点的梯度值以及梯度方向，分别获取每个所述疑似强病斑区域中的强病斑区域；

5、方向集合获取模块，用于针对任一强病斑区域，根据所述强病斑区域中预设的n个邻域方向，将所述强病斑区域中的所有像素点划分为n个方向集合；

6、强病斑特征值获取模块，用于获取每个所述强病斑区域的方向集合，针对任一邻域方向，根据所述邻域方向上所有方向集合中各个像素点的梯度值和灰度值，确定所述邻域方向的强病斑特征值；

7、图像处理模块，用于获取每个所述邻域方向的强病斑特征值，根据每个所述邻域方向的强病斑特征值，对所述灰度图像进行区域生长，得到苹果病害检测结果。

8、进一步的，所述强病斑区域获取模块中根据所述各个像素点的梯度值以及梯度方向，分别获取每个所述疑似强病斑区域中的强病斑区域，包括：

9、计算所述灰度图像中每个像素点的梯度值，将所述灰度图像中除疑似强病斑区域以外的区域作为无病斑区域，获取所述无病斑区域中各个像素点的梯度值，计算所述无病斑区域的梯度值均值；

10、针对任一疑似强病斑区域，选择所述疑似强病斑区域中梯度值小于所述无病斑区域的梯度均值的像素点作为目标像素点，将所有目标像素点组成的区域作为目标强病斑区域；

11、对所述目标强病斑区域中的每个像素点的梯度方向作反向延长线，得到所有反向延长线之间的至少一个交点，获取每个所述交点的坐标；

12、根据每个所述交点的坐标，对所有交点进行聚类，得到至少一个簇类，统计每个所述簇类中的交点数量，根据簇类的总数量和每个所述簇类中的交点数量得到强病斑区域。

13、进一步的，所述强病斑区域获取模块中根据簇类的总数量和每个所述簇类中的交点数量得到强病斑区域，包括：

14、对每个所述簇类中的交点数量进行归一化处理，得到归一化值，计算所有归一化值的均值，将所述均值与预设均值之间的差值绝对值作为分布系数；

15、将所述目标强病斑区域中梯度值最小的像素点作为实际中心点，选取所述簇类中的交点数量最多的簇类作为目标簇类，针对任一目标簇类，获取所述目标簇类的簇类中心，得到所述簇类中心与所述实际中心点的距离；

16、将所述分布系数与常数1的相加结果作为第一变量，将所述距离与常数1的相加结果作为第二变量，将第一变量与第二变量的乘积的倒数作为发射系数；

17、若所述发射系数在预设范围内，则将所述目标簇类中的交点所属的反向延长线上的像素点组成的区域标记为强病斑区域。

18、进一步的，所述方向集合获取模块中根据所述强病斑区域中预设的n个邻域方向，将所述强病斑区域中的所有像素点划分为n个方向集合，包括：

19、选取所述强病斑区域中梯度值最小的像素点作为目标中心点，以目标中心点为中心，建立预设尺寸的网格，根据所述网格按照预设的n个邻域方向对所述强病斑区域中的所有像素点进行分类，将位于同一邻域方向的像素点作为一个方向集合，得到n个方向集合。

20、进一步的，所述强病斑特征值获取模块中根据所述邻域方向上所有方向集合中各个像素点的梯度值和灰度值，确定所述邻域方向的强病斑特征值，包括：

21、针对任一强病斑区域，选取所述强病斑区域中梯度值最小的像素点作为目标中心点，计算所述强病斑区域在所述邻域方向上的方向集合中各个像素点与所述目标中心点之间的梯度方向角度，组成梯度方向角度集合，根据所述梯度方向角度集合得到角度区间；

22、获取所有强病斑区域在所述邻域方向上对应的角度区间，在所有角度区间中选取至少三个角度区间得到至少一个角度区间交集，将每个所述角度区间交集所涉及的角度区间的数量作为每个所述角度区间交集的权重系数，选择所述权重系数大于预设值的所述角度区间交集进行合并，得到初始角度区间；

23、将所述目标中心点分别放入每个所述强病斑区域在所述邻域方向上对应的方向集合中，分别获取每个所述方向集合中的最大灰度值和最小灰度值，计算所有最大灰度值的均值作为最大均值，计算所有最小灰度值的均值作为最小均值，将所述最大均值与所述最小均值之间的差值作为初始阈值差；

24、将所述灰度图像按照灰度级划分出明显光照区域和无明显光照区域，根据所述明显光照区域和所述无明显光照区域的灰度值对所述初始角度区间和所述初始阈值差进行增加或减少，得到所述邻域方向的强病斑特征值。

25、进一步的，所述强病斑特征值获取模块中将所述灰度图像按照灰度级划分出明显光照区域和无明显光照区域，包括：

26、构建所述灰度图像的灰度直方图，在所述灰度直方图中将灰度级划分为多个灰度级区间，针对任一灰度级区间，将所述灰度级区间中包含的每个灰度级对应的频数进行累加，得到所述灰度级区间的频数和；

27、将所有灰度级区间的频数和进行相加得到总频数和，将每个所述灰度级区间的频数和与所述总频数和之间的比值作为区间频率；

28、选取所述区间频率中区间频率最大对应的灰度级区间作为目标区间，针对所述灰度直方图中除所述区间频率最大对应的灰度级区间以外的任一灰度级区间，计算所述区间频率最大对应的灰度级区间的区间频率与所述灰度级区间的区间频率之间的差值，若所述差值小于预设差值，则将所述灰度级区间作为目标区间，将所有目标区间中包含的像素点组成的区域作为无明显光照区域；

29、在所有目标区间中选择灰度级最大对应的灰度级区间作为阈值区间，将所有灰度级区间中大于所述阈值区间的灰度级区间作为参考区间，针对任意两个相邻的参考区间，若所述两个相邻的参考区间的区间频率之间的差值小于预设差值，则将所述两个相邻的参考区间作为最终区间，将所有最终区间中包含的像素点组成的区域作为明显光照区域。

30、进一步的，所述强病斑特征值获取模块中根据所述明显光照区域和所述无明显光照区域的灰度值对所述初始角度区间和所述初始阈值差进行增加或减少，得到所述邻域方向的强病斑特征值，包括：

31、计算所述明显光照区域中所有像素点的灰度值的均值作为第一灰度均值，计算所述无明显光照区域中所有像素点的灰度值的均值作为第二灰度均值，将所述第一灰度均值与所述第二灰度均值之间的差值与所述初始阈值差相加得到最终阈值差；

32、计算所述明显光照区域中所有像素点的梯度方向角度的均值作为第一角度均值，计算所述无明显光照区域中所有像素点的梯度方向角度的均值作为第二角度均值，将所述第一角度均值与所述第二角度均值之间的差值作为目标角度差值，将所述初始角度区间中的最小值减去所述目标角度差值作为最小角度，将所述初始角度区间中的最大值加上所述目标角度差值作为最大角度，将所述最小角度和所述最大角度组成最终角度区间；

33、将所述最终阈值差和所述最终角度区间作为所述邻域方向的强病斑特征值。

34、进一步的，所述图像处理模块中根据每个所述邻域方向的强病斑特征值，对所述灰度图像进行区域生长，得到苹果病害检测结果，包括：

35、在所述明显光照区域中，将梯度值最小的像素点作为初始种子点，按照所述预设的n个邻域方向进行生长，针对所述初始种子点的任一邻域方向，将在所述邻域方向上与所述初始种子点相邻的像素点作为生长点，将在所述邻域方向上与所述生长点相邻的像素点作为待生长点，若所述生长点的灰度值与所述待生长点的灰度值之间的差值小于或等于所述邻域方向的最终阈值差，且所述生长点的梯度方向角度在所述邻域方向的最终角度区间内，则将所述生长点和所述初始种子点标记为病斑点；

36、获取所述初始种子点的每个邻域方向上的病斑点，对所有病斑点中除梯度值最小的像素点以外的所有像素点的梯度方向作反向延长线，获取所有反向延长线的交点，根据所有反向延长线的交点和所有病斑点中梯度值最小的像素点计算发射系数，若所述发射系数在所述预设范围内，则将所述生长点作为新的种子点继续生长，得到所述明显光照区域中的所有病斑点；

37、将所述明显光照区域中的所有病斑点和所述无明显光照区域作为苹果病害检测结果。

38、进一步的，所述疑似强病斑区域获取模块中对所述苹果叶片图像进行灰度化处理，得到苹果叶片的灰度图像，获取所述灰度图像中的至少一个疑似强病斑区域，包括：

39、对所述灰度图像进行阈值分割和开闭运算，得到疑似强病斑灰度图像，对所述疑似强病斑灰度图像进行掩膜得到至少一个疑似强病斑区域。

40、本发明实施例与现有技术相比存在的有益效果是：

41、本发明提供了一种基于图像处理的苹果病害检测系统，包括疑似强病斑区域获取模块，用于采集苹果叶片图像，对所述苹果叶片图像进行灰度化处理，得到苹果叶片的灰度图像，获取所述灰度图像中的至少一个疑似强病斑区域；强病斑区域获取模块，用于分别计算每个所述疑似强病斑区域中的各个像素点的梯度值以及梯度方向，根据所述各个像素点的梯度值以及梯度方向，分别获取每个所述疑似强病斑区域中的强病斑区域；方向集合获取模块，用于针对任一强病斑区域，根据所述强病斑区域中预设的n个邻域方向，将所述强病斑区域中的所有像素点划分为n个方向集合；强病斑特征值获取模块，用于获取每个所述强病斑区域的方向集合，针对任一邻域方向，根据所述邻域方向上所有方向集合中各个像素点的梯度值和灰度值，确定所述邻域方向的强病斑特征值；图像处理模块，用于获取每个所述邻域方向的强病斑特征值，根据每个所述邻域方向的强病斑特征值，对所述灰度图像进行区域生长，得到苹果病害检测结果。其中，根据病斑的凹陷性特征以及发射性特征按照8邻域的方向寻找满足病斑特征规律的强病斑区域，然后将强病斑区域按照8邻域的方向分组后得到各个邻域方向的强病斑特征值，用于后续对灰度图像进行区域生长的生长条件，再遍历灰度图像，将灰度图像中梯度值最小的像素点作为种子点，按照8邻域的方向遍历周围像素点，将强病斑特征值作为生长条件，通过区域生长算法得到更准确的病斑图像，获得苹果病害检测结果，方便人们及时进行苹果病害预防处理。