基于图像分析的植物及其病虫害识别方法研究

利用植物叶片图像对植物分类和病害识别是目前较为有效的方式之一，也是未来数字化植物研究的发展趋势。这一方法对植物物种的智能化分类，有效预防农作物病害发生，提高农作物产量，有效控制农药对农产品和生态环境的污染等方面，都具有非常重要的现实意义。 本书在总结国内外现有研究成果的基础上，以提高植物及其病害识别的准确率和效率为目标，对植物叶片及其叶部病害的图像分割、特征提取等关键技术开展了系统研究。

张传雷，副教授、加拿大瑞尔森大学（Ryerson University）博士后、IEEE会员、ACM会员、CCF会员和中国电子学会高级会员。2000—2010年，任摩托罗拉（中国）研发经理、高级工程师等职，有多年的移动与互联网产品的研发经验。主要从事模式识别、信息处理、图像处理、物联网和大数据挖掘等方面的基础应用研究。 近5年来主持天津市自然科学基金（重点项目）、天津市留学回国人员科技活动启动项目（优秀类）、天津市应用基础与前沿技术研究计划(一般项目)、天津市科技特派员项目、天津市津南区科技计划项目、天津市高等学校科技发展基金计划项目和天津市2015年度高校聘请外专特色项目各1项，参与国家自然科学基金1项，相应成果发表在国际SCI、EI检索期刊上，有30余篇。 目前担任学术期刊IEEE Trans. on Industrial Informatics、IEEE Access、Computers in Biology and Medicine、KSII Trans. on Internet and Information Systems、Computers and Electronics in Agriculture、Soft Computing、Applied Soft Computing，以及《中国矿业大学学报》《煤炭学报》《北京理工大学学报》和多个国际学术会议论文的审稿人。

第1章绪论1 11研究背景及意义1 12研究现状概述4 13主要植物叶片数据集介绍11 参考文献15 第2章叶片图像分类特征及图像预处理20 21叶片图像识别步骤20 22植物叶片图像的分类特征21 23植物叶片图像预处理技术33 参考文献45 第3章植物叶片图像常用的分割方法56 31图像分割定义56 32基于边缘检测的图像分割方法57 33基于灰度阈值的图像分割方法64 34基于区域的图像分割方法70 35分水岭算法72 36基于小波的图像分割方法74 37基于聚类分析的图像分割方法75 38基于水平集的图像分割方法79 39基于图论的图像分割方法79 参考文献81 第4章最大最小判别映射植物叶片图像分类方法研究95 41最大最小判别映射方法96 42实验结果与分析102 43小结105 参考文献105 第5章基于叶片图像和监督正交最大差异伸展的植物识别方法 研究108 51监督正交最大差异投影算法109 52实验结果与分析112 53小结115 参考文献116 第6章采用局部判别映射算法的玉米病害识别方法研究119 61局部判别映射算法121 62实验结果与分析124 63小结126 参考文献127 第7章监督正交局部保持映射的植物叶片分类方法研究130 71监督正交局部保持映射131 72实验结果与分析137 73小结141 参考文献141 第8章基于叶片图像处理和稀疏表示的植物识别方法146 81稀疏表示和植物识别148 82实验结果与分析156 83小结159 参考文献160 第9章基于稀疏表示字典学习的植物分类方法162 91基于稀疏表示的植物分类方法164 92实验结果与分析168 93小结174 参考文献174 第10章环境信息在黄瓜病害识别方法中的应用研究179 101叶片图像获取179 102实验结果与分析182 103小结186 参考文献187 第11章基于判别映射分析的植物叶片分类方法191 111最大边缘准则（MMC）192 112判别映射分析算法（DPA）192 113实验结果194 114小结195 参考文献196 第12章基于卷积神经网络的植物病害识别方法198 121植物病害识别方法的简介198 122卷积神经网络200 123基于三通道CNNs的植物病害识别方法204 124实验结果与分析206 125小结210 参考文献211 第13章基于环境信息和深度自编码网络的农作物病害预测模型214 131农作物的致病因素及病害预测模型简介214 132材料与方法215 133实验结果与分析220 134小结221 参考文献222 第14章基于改进深度置信网络的大棚冬枣病虫害预测模型225 141冬枣病虫害及预测模型简介225 142植物病虫害环境信息获取225 143深度置信网络226 144冬枣病虫害预测模型231 145实验方法232 146小结234 参考文献234 后记239 第1章绪论1 11研究背景及意义1 12研究现状概述4 13主要植物叶片数据集介绍11 参考文献15 第2章叶片图像分类特征及图像预处理20 21叶片图像识别步骤20 22植物叶片图像的分类特征21 23植物叶片图像预处理技术33 参考文献45 第3章植物叶片图像常用的分割方法56 31图像分割定义56 32基于边缘检测的图像分割方法57 33基于灰度阈值的图像分割方法64 34基于区域的图像分割方法70 35分水岭算法72 36基于小波的图像分割方法74 37基于聚类分析的图像分割方法75 38基于水平集的图像分割方法79 39基于图论的图像分割方法79 参考文献81 第4章最大最小判别映射植物叶片图像分类方法研究95 41最大最小判别映射方法96 42实验结果与分析102 43小结105 参考文献105 第5章基于叶片图像和监督正交最大差异伸展的植物识别方法 研究108 51监督正交最大差异投影算法109 52实验结果与分析112 53小结115 参考文献116 第6章采用局部判别映射算法的玉米病害识别方法研究119 61局部判别映射算法121 62实验结果与分析124 63小结126 参考文献127 第7章监督正交局部保持映射的植物叶片分类方法研究130 71监督正交局部保持映射131 72实验结果与分析137 73小结141 参考文献141 第8章基于叶片图像处理和稀疏表示的植物识别方法146 81稀疏表示和植物识别148 82实验结果与分析156 83小结159 参考文献160 第9章基于稀疏表示字典学习的植物分类方法162 91基于稀疏表示的植物分类方法164 92实验结果与分析168 93小结174 参考文献174 第10章环境信息在黄瓜病害识别方法中的应用研究179 101叶片图像获取179 102实验结果与分析182 103小结186 参考文献187 第11章基于判别映射分析的植物叶片分类方法191 111最大边缘准则（MMC）192 112判别映射分析算法（DPA）192 113实验结果194 114小结195 参考文献196 第12章基于卷积神经网络的植物病害识别方法198 121植物病害识别方法的简介198 122卷积神经网络200 123基于三通道CNNs的植物病害识别方法204 124实验结果与分析206 125小结210 参考文献211 第13章基于环境信息和深度自编码网络的农作物病害预测模型214 131农作物的致病因素及病害预测模型简介214 132材料与方法215 133实验结果与分析220 134小结221 参考文献222 第14章基于改进深度置信网络的大棚冬枣病虫害预测模型225 141冬枣病虫害及预测模型简介225 142植物病虫害环境信息获取225 143深度置信网络226 144冬枣病虫害预测模型231 145实验方法232 146小结234 参考文献234 后记239