阿育吠陀使用CBIR植物疾病鉴别

文摘

印度阿育吠陀也带来大量的收入通过外汇出口的阿育吠陀药物。植物疾病造成重大生产和全球经济损失在农业和医药行业。卫生监测和检测疾病的植物和树木是至关重要的问题。本文提出一种识别方法基于一些重要的药用植物叶片图像特征提取。最重要的一部分,研究植物病害识别基于CBIR的疾病(基于内容的图像检索),主要关心的是患病的药用植物的准确检测。本文提出了一种方法,即确认植物根据其叶子颜色直方图和边缘直方图等特性。精明的边缘检测也是非常有用的强边缘叶植物和用于绘制边缘直方图的参数进行测试。边缘直方图绘制在强边缘后运用精明的边缘检测算法。颜色直方图分离层画出红色,绿色和蓝色层柱状图检查样本图像中的每个像素颜色的强度是另一个参数进行测试,图像是健康的或感染

关键字

图像处理,CBIR,精明的边缘检测算法,阿育吠陀医药系统,边缘直方图,颜色直方图。

介绍

药用植物形成了一个叫做阿育吠陀医学系统的支柱,是有用的治疗某些慢性病。阿育吠陀是一种替代对抗疗法。这个系统医学有着悠久的历史。碑文的古代文学说话的力量。印度阿育吠陀也带来大量的收入通过外汇出口的阿育吠陀药物,因为许多国家的倾斜对医学这一系统。有相当大的损耗,某些物种的药用植物的人口。因此我们需要在印度种植更多的植物。这振兴工作需要容易识别的药用植物。植物病害已经成为一个难题,因为它会导致显著减少农产品的质量和数量。疾病造成重大生产和农业产业的经济损失。 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.

这里的方法给出了识别药用植物根据其边缘特征。的彩色图像转换为灰度图像。从这个灰度图像,计算边缘直方图。为此运用精明的边缘检测算法。下一个信息。,the area is calculated by the proposed algorithm. The next information is the color of the image which is extracted in the form of the histogram for the overall image. These algorithms are applied for the test image and the database image and difference in edge histogram and color histogram is calculated. Obtain the average value of these parameters. Repeat this process for all the leaf images in the database and calculate the difference in the average value parameter between the test and database image. The test image and database image pair which gives the least values is the correctly identified image in turn the plant.

基于内容的图像检索(CBIR)提供有效的搜索和检索的图像根据其出版、医学、建筑等。

二世。相关工作

a类型的疾病

植物病害可能大致分为三种类型。细菌,真菌和病毒疾病。

b参数识别健康或受感染的植物

边缘直方图形状选择找到给定的工厂。由于边缘检测是用来描述植物边界,这被认为是一个重要的阶段特征提取和分类。

变量参与边缘检测算子的选择包括:

 Edge orientation: The 运营商 决定 的 几何 特征 对 edges. 方向 最 敏感运营商可以优化寻找水平,垂直或斜边缘。

 Noise environment: Edge 检测 很难 在 嘈杂 的 images, 自 噪声 和 边缘 包含 高频 content .试图减少噪音导致边缘模糊和扭曲。运营商用于噪声图像通常是更大的范围,因此他们可以足够的数据平均折扣局部噪声像素。这将导致更少的检测边缘的精确定位。

 Edge structure: Not intensity. 所有 边 涉及 一 个 阶 跃 变化效果如折射或可怜的集中会导致对象与边界强度定义为一个渐进的变化。

像素的颜色直方图可以帮助寻找颜色分布植物形象。所有不同的颜色和色调的颜色RGB颜色来自不同组合的红色、绿色和蓝色。所有不同的颜色和色调的颜色RGB颜色来自不同组合的红色、绿色和蓝色。RGB数字图像中每个像素的颜色是由色调值(0 - 255)分配给每个颜色每个像素渠道。换句话说,每一个像素都有数值的色调值分配每个三个颜色通道的R, G, B。

基于内容的图像检索(CBIR)

术语(CBIR)描述的过程从大量检索所需的图像特征的基础上(如颜色、纹理和形状),可以自动从图像中提取。基于内容的图像检索(CBIR)提供有效的搜索和基于内容检索的图像。目前在许多大型图像数据库的应用程序、传统的图像索引方法已被证明是不够的。现在天用户不满意传统的信息检索技术。因此,基于内容的图像检索技术是一种准确、快速检索。传统的数据库允许文本搜索元数据。基于内容的图像检索(CBIR)技术使用视觉内容,通常称为功能,搜索图像从大规模图像数据库根据用户的查询请求的形式边传达必要的信息,图片,因此可以应用于图像检索。边缘直方图描述符捕捉边缘的空间分布。检索可能涉及的相对简单的问题找到图像与低水平特征(如发现了日落的影像)或高水平的概念(如发现图片包含自行车)。随着互联网的发展,可用性的图像捕获设备,如数码相机、图像扫描仪、数字图像集合的大小是迅速增加。本文的组织结构如下; 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

三世。算法

一个精明的边缘检测算法

精明的边缘检测算法对许多被称为最优边缘检测器。精明的意图是提高许多边缘探测器已经在他开始工作的时间。精明的边缘检测器首先消除图像消除和噪音。然后发现图像梯度强调空间衍生品高的地区。然后算法追踪沿着这些地区和抑制任何像素不是最大(nonmaximum抑制)。梯度数组现在进一步减少滞后。滞后是用来跟踪剩下的像素没有被抑制。磁滞使用两个阈值,如果下面的大小是第一阈值,它被设置为0 (nonedge)。如果幅度高于阈值高,这是一个优势。如果阈值之间的大小是2,然后它被设置为零,除非有一个路径从这个像素的像素梯度高于T2。 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:真正的边缘点检测的概率应该最大化而错误检测非边缘点的概率应该最小化。这对应于最大化信号噪声比。

(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。

精明的边缘检测算法

该算法运行在5独立的步骤:

1。平滑:模糊图像的去除噪声。通过高斯滤波实现特定的内核大小(N)和高斯包络参数σ。

2。发现梯度:边缘应标记在图像的梯度大的大小。

3所示。Non-maximum抑制:只有局部极大值应该被标记为边缘。找到梯度方向和使用这些方向进行非极大值抑制。

4所示。双阈值:潜在的边缘是由阈值决定的。

5。边缘跟踪滞后:最后的边缘是由压制所有边缘不连接到一个非常确定的(强大的)边缘。

四、提出方法

这里的方法给出了识别药用植物根据其边缘特征。的彩色图像转换为灰度图像。从这个灰度图像,计算边缘直方图。为此运用精明的边缘检测算法。接下来的信息中提取图像的颜色直方图的形式整体形象。植物病害原因主要在农业和林业生产和经济损失。细菌、真菌和病毒感染,以及遭昆虫导致植物病害和破坏。阿育吠陀药物使用的药用植物。药用植物的人工识别需要先验知识。颜色直方图得到在RGB颜色空间中。 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.

健康和感染植物的RGB图像将回升。运用精明的RGB图像的边缘检测技术来检测分层图像的边缘。选择测试样本的植物。当测试样本(健康或感染)被选中时,训练过程将开始再次测试图像的直方图和情节强边缘的测试样本。直方图是一个工具用来显示中央倾向。对于任何统计数据可以使用老式的参数的意思是,中位数和模式,可以直接找到他们。颜色直方图分离层的RGB图像分成红、绿、蓝颜色直方图来检查每个颜色像素的强度测试图像,有利于健康和感染样本的识别。

c .图像采集

药用植物的叶子的图像从一个5到12像素的相机,它可以按我们的要求。相机之间的距离和叶被保持15厘米的照片拍摄前视图。所有的图片都在自然日光与白色背景。

d图像保存到数据库:

从相机拍摄图像后保存在数据库,运用精明的边缘检测算法。

这里的方法给出了识别药用植物根据其边缘特征。的彩色图像转换为灰度图像。从这个灰度图像,计算边缘直方图。为此运用精明的边缘检测算法。

e .直方图

诉实验结果

精明的边缘检测器首先消除图像消除噪音。然后发现图像梯度强调空间衍生品高的地区。然后算法追踪沿着这些地区和抑制任何像素不是最大(nonmaximum抑制)。梯度数组现在进一步减少滞后。滞后是用来跟踪剩下的像素没有被抑制。磁滞使用两个阈值,如果下面的大小是第一阈值,它被设置为0 (nonedge)。如果幅度高于阈值高,这是一个优势。如果阈值之间的大小是2,然后它被设置为零,除非有一个路径从这个像素的像素梯度高于T2。画的边缘直方图强边缘后运用精明的

边缘检测算法,然后画出颜色直方图分离的红,绿蓝层直方图每一种颜色的像素强度找到测试样本的均值和中值存储在数据库中。

VI。结论

风上面讨论的所有信息,我想得出这样的结论:精明的边缘检测算法是一种有效和准确的技术检测边缘的健康和受感染的植物和显著减少,过滤掉无用的信息的数据量,同时保留重要的结构属性在一个图像。情节强边缘直方图的健康和受感染的植物在应用精明的边缘检测算法。在培训过程中不同层次的测试图像分成红、绿、蓝层柱状图的参数进行测试图像与数据库的图像。本文比较测试样本与病变样本,这些步骤将花几分钟来显示比较结果的基础上平均中值图像直方图的值并显示哪种类型的疾病。药用植物的工作帮助人类分类在现实世界中,被认为是一个重要的任务在制药行业,阿育吠陀从业者和植物学家。

引用

1. H。Al-Hiary S Bani-Ahmad, M Reyalat, M Braik和Z ALRahamneh,“快速、准确检测和植物病害分类”,国际期刊《计算机应用,17卷,问题1,pp, 31-38发表的2011年3月计算机科学的基础。
2. N。Valliammal Dr.S.N。Geethalakshmi,“混合增强植物叶子上识别方法”,计算机科学和信息技术的世界日报》(WCSIT), 1卷,问题9日,页。370 - 375年,印度。2011年。
3. S . Ananthi年代。毗瑟挐Varthini,植物叶子上疾病的检测和分类,IJREAS,卷2,问题2,2012年2月。
4. Arunkumar beyyala1, Sai priya beyyala1申请疾病的诊断作物使用图像处理”,国际生命科学生物技术和制药研究期刊》的研究,1卷,问题2,2012年4月。
5. k . Padmavathi“调查和监测疾病检测和评估使用图像处理”,国际研究杂志》上的工程科学,技术和创新(IRJESTI), 1卷,问题3,第70 - 66页,2012年6月。
6. Pranjali Vinayak凯斯卡,Shubhangi宁巴Masare, Manjusha Suresh Kadam教授夫人Seema Deoghare,“叶疾病检测和诊断”,国际期刊的新兴趋势在电气和电子产品,2卷,问题2,4 - 2013。
7. Raj Kumar Jayamala k·帕蒂尔,“植物病害图像处理检测”的进步,先进的生物信息学应用和研究杂志》上,卷。2,问题2,页135 - 141,- 2011年6月。
8. Vinita m . Tajane Prof.N.J。Janwe,“基于图像的药用植物疾病CBIR检索”,国际工程研究与技术杂志》上(IJERT)、2问题11卷,2013年11月。