基于CBIR的阿育吠陀植物病害鉴定

摘要

阿育吠陀当然通过出口阿育吠陀药物为印度带来了大量的外汇收入。植物病害在世界范围内造成农业和医药行业的重大生产和经济损失。植物和树木的健康监测和疾病检测是一个关键问题。本文提出了一种基于药用植物叶片图像中重要特征提取的药用植物识别方法。基于内容图像检索(CBIR)的病害识别是植物病害研究中最重要的部分，主要涉及药用植物病害的准确检测。本文提出了一种基于叶片颜色直方图和边缘直方图特征的植物识别方法。Canny边缘检测对于发现植物叶片的强边缘也非常有用，并用于绘制边缘直方图，边缘直方图是检测的参数之一。应用canny边缘检测算法，在强边缘上绘制边缘直方图。颜色直方图将层分开来绘制红色、绿色和蓝色层直方图，以检查样本图像中每个颜色像素的强度，这是测试图像是健康还是感染的另一个参数

关键字

图像处理，CBIR, Canny边缘检测算法，印度草药系统，边缘直方图，颜色直方图。

介绍

药用植物是阿育吠陀医学体系的支柱，在治疗某些慢性疾病方面很有用。阿育吠陀被认为是世界上对抗疗法的一种替代形式。这种医学体系有着悠久的历史。古代的铭文文献谈到了它的力量。阿育吠陀当然通过出口阿育吠陀药物为印度带来了大量的外汇收入，因为许多国家都倾向于这种医学体系。某些药用植物的种群数量有相当大的减少。因此，我们需要在印度种植更多的这些植物。这项复兴工作需要容易识别药用植物。植物病害会导致农产品质量和数量的大幅下降，成为一个两难的问题。叶片病害是农业生产和经济损失的主要原因。 Monitoring of health and detection of diseases in leaves is critical for agriculture and medical system. The most significant part of research on plant disease to identify the disease based on CBIR (Content based image retrieval) that is mainly concerned with the accurate detection of diseased plant. It is important for Ayurveda practitioners and also traditional botanists to know how to identify the medicinal plants through Computers. Based on the color space, histogram, and edge detection techniques, we can able to find the disease of plant. Hence here is a proposal of identification of these plants using leaf edge histogram, color histogram.

本文提出了一种基于边缘特征的药用植物鉴别方法。将彩色图像转换为其灰度等效图像。从这个灰度图像，计算边缘直方图。为此应用了canny边缘检测算法。下一个信息即面积由所提出的算法计算。下一个信息是图像的颜色，以整个图像的直方图的形式提取。将这些算法应用于测试图像和数据库图像，计算边缘直方图和颜色直方图的差值。获取这些参数的平均值。对数据库中的所有叶图像重复此过程，并计算测试图像和数据库图像之间平均值参数的差值。给出最小值的测试图像和数据库图像对依次为正确识别的植物图像。

基于内容的图像检索(CBIR)提供了基于出版、医学、建筑等方面的图像的高效搜索和检索。

2相关工作

A.疾病种类

植物病害大致可分为三类。它们是细菌性、真菌性和病毒性疾病。

B.识别健康或受感染植物的参数

选择边缘直方图来寻找给定的植物形状。由于边缘检测是用来表征植物边界的，因此被认为是特征提取和分类的重要阶段。

边缘检测算子选择涉及的变量包括:

边缘方向:操作符的几何形状决定了它对边缘最敏感的特征方向。可以优化操作符以查找水平、垂直或对角线边。

噪声环境:在有噪声的图像中边缘检测是很困难的，因为噪声和边缘都包含高频内容。试图减少噪声导致模糊和扭曲的边缘。用于有噪声图像的操作符通常范围更大，因此它们可以平均足够的数据来折扣局部的有噪声像素。这导致检测边缘的定位不准确。

边缘结构:并非所有的边缘都涉及强度的阶跃变化。诸如折射或焦距差等效果会导致物体的边界由强度的逐渐变化来定义。

颜色直方图有助于发现植物图像中像素的颜色分布。RGB颜色中所有不同的颜色和深浅的颜色都来自于红色、绿色和蓝色的不同组合。RGB颜色中所有不同的颜色和深浅的颜色都来自于红色、绿色和蓝色的不同组合。RGB数字图像中每个像素的颜色是由分配给每个像素的每个颜色通道的色调值(0-255)决定的。换句话说，每个像素都有一个数值色调值，分别分配给三个颜色通道R、G和B。

C.基于内容的图像检索(CBIR)

术语[CBIR]描述了根据可以自动从图像中提取的特征(如颜色、纹理和形状)从大型集合中检索所需图像的过程。基于内容的图像检索(CBIR)提供了基于图像内容的高效搜索和检索。在当前大量图像数据库的应用中，传统的图像索引方法已被证明是不够的。当前，用户对传统的信息检索技术不满意。基于内容的图像检索技术是实现准确、快速检索的重要手段。传统的数据库只允许在元数据上进行文本搜索。基于内容的图像检索(Content - Based Image Retrieval, CBIR)是一种利用可视内容(通常称为特征)，以查询的形式从大规模图像数据库中根据用户的要求搜索图像的技术。边缘向图像传递了必要的信息，因此可以应用于图像检索。边缘直方图描述符捕获边缘的空间分布。检索可能涉及相对简单的问题，即查找具有低级特征的图像(例如查找日落图像)或高级概念(例如查找包含自行车的图像)。随着互联网的发展，以及数码相机、图像扫描仪等图像采集设备的普及，数字图像采集的规模正在迅速增加。本文组织结构如下: Section 2 introduces canny edge detection algorithm; Section 3 gives the literature review; Section 4 discusses our proposed methods; Section 5 gives the experimental results and section 6 gives the conclusion to the problem

3算法

a. Canny边缘检测算法

Canny边缘检测算法被称为最优边缘检测算法。Canny的意图是增强在他开始工作时已经存在的许多边缘探测器。canny边缘检测器首先平滑图像，以消除和噪声。然后查找图像梯度以突出具有高空间导数的区域。然后，算法沿着这些区域跟踪并抑制任何不在最大值(非最大抑制)的像素。梯度阵列现在进一步减少了迟滞。迟滞是用来跟踪未被抑制的剩余像素。迟滞使用两个阈值，如果幅度低于第一个阈值，则将其设置为零(作非边缘)。如果震级高于高阈值，则将其制成边。如果大小在两个阈值之间，那么它被设置为零，除非有一个从这个像素到一个梯度大于T2的像素的路径。 The methodology here is that first picked up the images of healthy and infected plants. Then apply the canny edge detection algorithm on samples. Canny edge detection algorithm preserving the structural properties to be used for further image processing. The purpose of edge detection in general is to significantly reduce the amount of data in an image. The aim of this algorithm with regards to the following criteria:

我)检测方法:检测到真实边缘点的概率最大，而错误检测到非边缘点的概率最小。这对应于最大化信噪比。

(二)定位:检测到的边缘应该尽可能接近真实的边缘。

(二)定位:检测到的边缘应该尽可能接近真实的边缘。

Canny边缘检测算法

该算法分5步运行:

1.平滑:模糊图像以消除噪声。通过特定核大小(N)的高斯滤波和高斯包络参数Sigma实现。

2.发现梯度:在图像的渐变幅度较大的地方，应该标记边缘。

3.Non-maximum抑制:只有局部最大值应该被标记为边。找到梯度方向，并使用这些方向执行非极大值抑制。

4.双阈值:势边由阈值确定。

5.基于滞后的边缘跟踪:最终边是通过压制所有没有连接到非常确定(强)边的边来确定的。

四、提出的方法

本文提出了一种基于边缘特征的药用植物鉴别方法。将彩色图像转换为其灰度等效图像。从这个灰度图像，计算边缘直方图。为此应用了canny边缘检测算法。下一个信息是图像的颜色，以整个图像的直方图的形式提取。植物病害对农业和林业造成重大生产和经济损失。细菌、真菌和病毒感染，以及昆虫的侵扰导致植物疾病和损害。这些药用植物被用于阿育吠陀医学。人工鉴定药用植物需要先验知识。颜色直方图在RGB颜色空间中获得。 This system of medicine is useful in the treatment of certain chronic diseases such as cancer, diabetes, blood pressure, skin problems etc. But, the knowledge of these plants dies with the experts, because of the fact that the experts do not share with others. Hence it is necessary to use technology and develop tools for the recognition and use of medicinal plants from their image.

健康和受感染植物的RGB图像将恢复。将CANNY的边缘检测技术应用于RGB图像，对分层图像的边缘进行检测。选择植物的试验样品。当选择测试样本(健康或感染)时，将在测试图像上再次开始训练过程，并绘制测试样本强边缘的直方图。直方图是一种用来显示中心趋势的工具。对于任何统计数据，都可以利用均值、中位数、众数等较好的旧参数直接求出。颜色直方图将RGB图像的层分为红、绿、蓝直方图，检查该测试图像中每个颜色像素的强度，有助于识别健康和感染样本。

C.图像采集

药用植物叶片的图像是由5 - 12百万像素的相机获得的，它可以根据我们的要求使用。相机与叶片之间的距离保持在15cm，图像从俯视图拍摄。所有的照片都是在自然光下拍摄的，背景是白色的。

D.保存到数据库的图片:

从相机中获取图像后，必须将图像保存到数据库中，并应用精明的边缘检测算法。

本文提出了一种基于边缘特征的药用植物鉴别方法。将彩色图像转换为其灰度等效图像。从这个灰度图像，计算边缘直方图。为此应用了canny边缘检测算法。

e .直方图

五、实验结果

Canny边缘检测器首先平滑图像以消除噪声。然后查找图像梯度以突出具有高空间导数的区域。然后，算法沿着这些区域跟踪并抑制任何不在最大值(非最大抑制)的像素。梯度阵列现在进一步减少了迟滞。迟滞是用来跟踪未被抑制的剩余像素。迟滞使用两个阈值，如果幅度低于第一个阈值，则将其设置为零(作非边缘)。如果震级高于高阈值，则将其制成边。如果大小在两个阈值之间，那么它被设置为零，除非有一个从这个像素到一个梯度大于T2的像素的路径。应用Canny后绘制强边的边缘直方图

边缘检测算法，然后绘制颜色直方图，分离出每种颜色像素强度的红、绿、蓝层直方图，得到测试样本的均值和中值，并存储到数据库中。

6结论

综上所述，我想总结的是，Canny边缘检测算法是一种高效准确的检测健康和感染植物边缘的技术，可以显著减少数据量，过滤掉无用信息，同时保留图像中重要的结构特性。应用Canny边缘检测算法绘制健康植株和感染植株的强边缘直方图。在训练过程中，将测试图像的层划分为红、绿、蓝三层直方图，这是用数据库图像测试图像的参数之一。本文将检测样本与患病样本进行比较，这些步骤将根据图像直方图的平均中值显示比较结果，并显示疾病类型，这些步骤需要几分钟。这项工作帮助人类在现实世界中对药用植物进行分类，被认为是制药业、阿育吠陀从业者和植物学家的重要任务。

参考文献

1. H.Al-Hiary, S Bani-Ahmad, M Reyalat, M Braik, Z ALRahamneh，“植物病害的快速准确检测与分类”，《国际计算机应用杂志》，第17卷，第1期，pp. 31-38，美国计算机科学基金会2011年3月出版。
2. 杨晓明，Dr.S.N.Geethalakshmi，“一种增强植物叶片识别的混合方法”，计算机科学与信息技术学报，第1卷，第9期，pp. 370-375，印度。2011.
3. S.阿南提，S。Vishnu Varthini，“植物叶片病害的检测和分类”，IJREAS，第2卷，第2期，2012年2月。
4. Arunkumar beyyala1, Sai priya beyyala1，“图像处理在作物病害诊断中的应用”，《国际生命科学、生物技术和药物研究杂志》，第1卷，第2期，2012年4月。
5. “基于图像处理的叶片病害检测与评价研究”，《工程技术与创新》，第1卷，第3期，pp. 66-70, 2012年6月。
6. Pranjali Vinayak Keskar, Shubhangi Nimba Masare, Manjusha Suresh Kadam，教授夫人Seema U. Deoghare，“叶病检测与诊断”，国际电气电子新兴趋势杂志，第2卷，第2期，2013年4月。
7. Jayamala K. Patil, Raj Kumar，“植物病害检测的图像处理进展”，高级生物信息学应用与研究杂志，卷。2，第2期，第135-141页，2011年6月。
8. Vinita M. Tajane, n.j.教授。杨伟，“基于图像的药用植物病害信息检索”，《工程技术学报》，2013年11月，第2卷第11期。