基于FCM和SVM相結合的作物病害圖像分割方法研究.pdf

1、圖像分割是指將我們感興趣的目標從背景中分割出來，分割結果的好壞直接影響后期的圖像分析和識別?；谧魑锊『D像的分割技術就是將病斑從病害圖像中分割出來，以便于后期病害的診斷和識別。支持向量機(SVM, Support Vector Machine)是基于統(tǒng)計學習理論的一種分類方法，現(xiàn)在已經被廣泛應用于很多領域，如數(shù)據(jù)分類、模式識別、圖像分割等。近年來，基于SVM的分割技術已經廣泛應用于圖像分割中，并且已取得很好的分割效果。將SVM的分類用

2、到病斑圖像的分割，其實質就是利用病變部分和綠色健康部分的像素點的不同特征，輸入到SVM分類器，供其學習，之后將學習好的分類器對整幅圖像的像素分類，病變部分一類，其他的一類，最終實現(xiàn)病斑的分割。所以，如果輸入到SVM分類器中的樣本點能夠代表大多數(shù)像素點的信息且數(shù)目盡可能少，最終就會得到真實的病斑圖像。所以，對于分割結果來說，學習樣本點的選擇很重要。傳統(tǒng)SVM圖像分割算法利用人工選擇訓練所需的像素點，但是這樣做受人的主觀影響比較大，而且費時

3、費力。如何自動選擇分布良好且能夠代表其類別的像素點，提高分割準確率的同時降低運算量，是本文的研究重點。
　　本研究主要內容包括：⑴對基于SVM的圖像分割方法進行深入的研究，指出了現(xiàn)存的SVM算法在進行圖像分割方面訓練樣本不能自動選取的問題。⑵基于模糊C-均值算法(FCM)的特點，文中將FCM與SVM結合起來，提出了基于FCM和SVM相結合的作物病害圖像分割算法。在將FCM用于訓練樣本自動選取的過程中，為了保證選取的訓練樣本能廣泛的

4、代表兩類圖像，對FCM進行了改進。這個過程稱之為病害的初分割。初分割后得到病害部分和綠色健康的兩部分圖像，之后各選取適量的訓練樣本，分別提取樣本的顏色和紋理屬性信息，將其進行SVM分類器的訓練，最后用訓練好的SVM分類器對圖像進行分割，最終實現(xiàn)訓練樣本自動選取的病斑圖像的分割。并將本文算法與人工選取訓練樣本分割病斑的效果進行對比。⑶在圖像分割結果評價準則方面，本文選用“分類正確率”和“直方圖”進行效果評定。⑷為了滿足用戶的需要，本文利用