【植物疾病的识别】使用叶片图像检测植物疾病研究【图像采集、分割、特征提取】附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

植物疾病的早期识别与防治对农业生产至关重要，能够有效减少产量损失，降低农药滥用带来的环境危害。叶片作为植物与外界环境交互的重要器官，其形态、颜色和纹理变化往往是植物患病的直观体现。基于叶片图像的植物疾病识别技术通过计算机视觉手段实现自动化检测，具有高效、非侵入性的优势。本文将从图像采集、分割和特征提取三个关键环节，探讨基于叶片图像的植物疾病识别方法。

叶片图像采集

高质量的叶片图像是后续疾病识别的基础，图像采集需兼顾图像清晰度、颜色真实性和病斑信息的完整性，同时考虑实际应用场景的可行性。

采集设备与参数设置

• 硬件选择：根据应用场景可选用不同设备，实验室环境下常用单反相机（如佳能 EOS 系列）或工业相机（搭配微距镜头），确保图像分辨率达到 1200 万像素以上，以捕捉叶片表面的细微病斑；田间便携式采集可采用智能手机（如配备高清摄像头的 iPhone 或安卓旗舰机型），结合专用支架减少拍摄抖动。

• 光照控制：自然光下采集需选择阴天或多云天气，避免强光导致的叶片反光和阴影；室内采集可采用 LED 环形光源（色温 5500K-6500K），从多角度均匀照射叶片，保证颜色还原准确，病斑与健康区域的对比度适中。

• 拍摄参数：焦距设置需使叶片充满图像主要区域，对焦清晰，避免模糊；光圈优先模式下选择 f/8-f/11 的光圈值，保证叶片前后景都处于景深范围内；ISO 控制在 100-400，减少图像噪声。

采集规范与样本多样性

• 叶片选择：采集不同发病阶段的叶片样本，包括早期（病斑初现）、中期（病斑扩散）和晚期（病斑融合），确保样本覆盖疾病发展的全周期；同时包含健康叶片作为对照，避免误判。

• 背景处理：拍摄时可采用统一颜色的背景板（如白色或蓝色），减少复杂背景对后续分割的干扰；对于田间采集的图像，需记录叶片所处的植物品种、生长环境（如温度、湿度）等元数据，辅助提升识别鲁棒性。

• 数据量要求：为避免模型过拟合，每个疾病类别需采集至少 200 张图像，涵盖不同植株、不同叶片位置（如新叶、老叶）的样本，必要时通过数据增强（如旋转、缩放、亮度调整）扩充数据集。

叶片图像分割：病斑区域提取

图像分割的目的是从叶片图像中分离出病斑区域，排除健康组织和背景的干扰，为特征提取提供针对性区域。由于病斑形态多样（如斑点状、块状、霉层状），且可能与健康组织存在颜色渐变，分割需结合叶片和病斑的视觉特性。

基于颜色特征的分割方法

• 颜色空间转换：RGB 颜色空间易受光照影响，通常转换至 HSV 或 LAB 空间。HSV 空间的 H（色相）通道能有效区分病斑与健康叶片的颜色差异（如病害常导致 H 值向黄色或褐色偏移），S（饱和度）和 V（明度）通道可辅助排除光照不均的影响；LAB 空间的 a 通道（红 - 绿分量）对病斑的红色、褐色特征敏感，适合检测坏死型病斑。

• 阈值分割：在目标颜色通道上采用自适应阈值（如 Otsu 算法）或基于聚类的阈值（如 K-means 聚类），将图像分为病斑、健康叶片和背景三类。例如，对番茄早疫病叶片的 HSV 图像，通过设定 H 通道阈值（30-60）和 S 通道阈值（50-200），可初步分割出褐色圆形病斑。

• 形态学后处理：分割后往往存在噪声点或区域断裂，需通过形态学操作优化：采用腐蚀运算去除小面积噪声，膨胀运算连接断裂的病斑区域，最后通过区域填充填补病斑内部的孔洞，得到完整的病斑轮廓。

基于边缘与纹理的分割方法

• 边缘检测：对于病斑与健康组织边界清晰的情况（如炭疽病的黑色边缘病斑），可采用 Canny 算子提取边缘，结合霍夫变换检测病斑的轮廓形状，再通过区域生长算法填充内部区域。

• 纹理分割：针对具有特殊纹理的病斑（如白粉病的白色粉状物、锈病的锈色孢子堆），可利用灰度共生矩阵（GLCM）提取纹理特征（如对比度、熵），通过支持向量机（SVM）对图像像素进行分类，实现病斑分割。

深度学习分割方法

对于复杂背景或病斑形态不规则的场景，基于深度学习的分割模型（如 U-Net、DeepLab 系列）表现出显著优势。这类方法通过编码器 - 解码器结构自动学习病斑的深层特征，无需人工设计特征，分割精度更高。例如，在水稻稻瘟病叶片分割中，U-Net 模型结合注意力机制，能有效聚焦病斑区域，即使病斑与健康组织颜色接近，也能实现精准分割。

病斑特征提取

从分割后的病斑区域中提取具有判别性的特征，是区分不同疾病类别的关键。特征需能反映病斑的颜色、形状和纹理特性，同时具备抗干扰性和稳定性。

颜色特征

• 颜色均值与方差：计算病斑区域在 HSV 或 LAB 空间各通道的均值（如 H 均值反映病斑整体色调）和方差（反映颜色均匀性，如霉菌病斑的颜色方差较大）。

• 颜色直方图：统计病斑区域在 RGB 或 HSV 通道的像素值分布，通过直方图的峰值位置和宽度描述颜色特征。例如，晚疫病的病斑直方图在 RGB 的红色通道有明显峰值，而健康叶片则在绿色通道峰值更高。

• 颜色矩：采用一阶矩（均值）、二阶矩（方差）和三阶矩（偏度）量化颜色分布的统计特性，偏度可区分病斑的颜色偏向（如正向偏度表示病斑偏红色调）。

形状特征

• 几何参数：包括病斑的面积（反映发病程度）、周长、圆形度（4π× 面积 / 周长 ²，圆形病斑的圆形度接近 1，不规则病斑则较小）、长宽比（描述病斑的拉伸程度）。

• 轮廓特征：通过傅里叶描述子对病斑轮廓进行编码，提取轮廓的主要形状信息，忽略细微波动。例如，细菌性角斑病的病斑轮廓呈多边形，傅里叶描述子的低频分量可有效表征这一特征。

• 位置分布：病斑在叶片上的分布模式（如沿叶脉分布、随机分布）也是重要特征，可通过计算病斑中心与叶片主脉的距离、病斑之间的平均距离等参数描述。

纹理特征

• 灰度共生矩阵（GLCM）特征：在病斑的灰度图像上计算 GLCM，提取对比度（反映纹理清晰度）、相关性（像素间的关联程度）、能量（纹理的均匀性）和熵（纹理复杂度）。锈病病斑的 GLCM 熵值较高，表明纹理复杂，而斑点病的熵值较低。

• 局部二值模式（LBP）特征：通过比较每个像素与周围像素的灰度值，生成二进制编码，统计编码的直方图作为纹理特征。LBP 对光照变化不敏感，适合描述病斑表面的粗糙程度（如白粉病的 LBP 特征与健康叶片差异显著）。

• Gabor 小波特征：利用不同尺度和方向的 Gabor 滤波器对病斑图像进行卷积，提取多尺度下的纹理方向信息，适合检测具有方向性的病斑纹理（如病毒病导致的叶片皱缩纹理）。

特征选择与融合

提取的特征可能存在冗余，需通过特征选择方法优化：

• 过滤式选择：采用互信息或 ReliefF 算法评估特征与疾病类别的相关性，保留高相关性特征。

• 包裹式选择：结合分类器（如 SVM）通过搜索策略选择最优特征子集，提高分类精度。

特征融合可采用串联融合（将颜色、形状、纹理特征拼接为高维向量）或加权融合（根据特征重要性分配权重），提升特征的判别能力。

应用与挑战

基于叶片图像的植物疾病识别技术已在多种作物中应用，如小麦锈病、葡萄霜霉病、柑橘溃疡病等。然而，实际应用中仍面临挑战：

• 复杂环境干扰：田间图像的光照变化、叶片遮挡、背景杂乱会影响分割与特征提取精度。

• 相似病斑区分：不同疾病可能导致相似的叶片症状（如番茄早疫病与晚疫病的病斑颜色相近），需更精细的特征或结合其他信息（如气味、生长环境）辅助识别。

• 小样本问题：部分稀有疾病的样本量不足，导致模型泛化能力差，可通过迁移学习或数据增强缓解。

⛳️ 运行结果

🔗 参考文献

[1] 黄世国.基于图像的昆虫识别关键技术研究[D].西北大学,2008.DOI:10.7666/d.y1253999.

[2] 姚明胜.基于叶片特征的植物种类识别研究及识别系统实现[D].郑州大学,2016.

[3] 唐俊,邓立苗,陈辉,et al.基于机器视觉的玉米叶片透射图像特征识别研究[J].中国农业科学, 2014.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇