Sistem Software Pentru Analiza Imaginilor

SCOPUL LUCRĂRII

„Sistem software pentru analiza imaginilor ’’ își propune să realizeze un software care să ajute la detecția/analiza imaginilor de parți de plante afectate de diverse ciuperci. Detecția automată cu ajutorului unui sistem software este un subiect căutat, care oferă beneficii pentru monitorizarea domeniilor de culturi, deoarece acesta poate detecta afecțiunile plantelor de la primele simptome apărute pe frunzele acestora, diagnosticarea plantelor în stadiul incipient este importantă în scopul de a vindeca și a controla afecțiunea.

CAPITOLUL 1. INTRODUCERE

În literatura de specialitate în decursul anilor s-au realizat mai multe studii cu privire la diferite metode folosite la prelucrarea imaginilor digitale : Detecție, Cuantificare și Clasificare, pentru a detecta ciuperca plantei vizibil afectată din imagini. Deși primele simptome ale ciupercii pot apărea în orice parte a plantei, metodele folosite pot analiza simptomele vizibile pe frunzele plantei. Există mai multe boli care afectează plantele, cu potențialul de a provoca pierderi economice, sociale și ecologice devastatoare. În acest context, diagnosticarea bolilor într-un mod corect și la timp este de maximă importanță. Există mai multe modalități de a detecta patologiile plantelor, unele plante nu au nici un simptom ascociat vizibil, sau apare doar atunci când este prea târziu pentru a acționa. În aceste cazuri în mod normal, sunt necesare o serie de analize sofisticate, de obicei prin intermediul unui microscop puternic. În alte cazuri, semnele pot fi detectate numai în anumite părți ale spectrului electromagnetic, care nu sunt vizibile pentru om. O abordare comună în acest caz este utilizarea unor tehnici de teledetecție care explorează multiple și hiperspectrale capturi de imagini. Metodologile care adoptă această abordare folosesc adesea instrumente digitale de procesare a imaginii pentru a atinge obiectivele lor.

Majoritatea bolilor, totuși generează un fel de manifestare vizibilă în spectru. În marea majoritate a cazurilor, diagnosticul sau cel putin o primă parere despre boală, se face cu ochiul liber de către oameni. Evaluatori instruiți pot fi eficienți în recunoașterea și cuantificarea bolilor, cu toate acestea ei au asociat unele dezavantaje care pot afecta eforturile în multe cazuri Bock și colaboratorii (2010) au facut o listă a câtorva dintre aceste dezavantaje :

Evaluatorii pot obosii și pierde din concentrare, reducând astfel din precizie

Nu poate fi variabilitate substanțială între evaluatori (subiectivitate)

Este nevoie de a dezvolta diagrame standard pentru evaluare

Pregătirea trebuie sa fie repetată pentru a păstra calitatea, evaluatorii sunt costisitori

Evaluările vizuale pot fi distructive daca probele sunt colectate în domeniul de evaluare și ulterior în laborator

Evaluatorii sunt predispuși la diverse iluzii (de exemplu numărul si mărimea leziunilor și zona infectată)

În funcție de aplicații multe dintre aceste probleme pot fi rezolvate, sau cel puțin reduse, prin folosirea imaginilor digitale și prelucrarea imaginilor, și în unele cazuri, recunoaștere și instrumente automate de clasificare. Au fost propuse diferite sisteme pentru soluționarea și reducerea afectării, prin utilizarea analizei imaginilor și a instrumentelor de recunoaștere automată a formelor. Aceștia vor analiza pozele cu frunze ale plantelor , detecta afecțiunea și calcula gradul de afectare.

Stadiul actual in domeniu

În ceea ce privește metodele folosite la prelucrarea imaginilor digitale în decursul timpului s-au efectuat studii în domeniu. În urmatoarele paragrafe va fi o analiză a studiilor efectuate și rezultatelor obținute.

Detecția

Pe parcursul timpului s-au adunat informații aplicând tehnici de prelucare a imaginilor uneori nu se permite doar detectarea cupercii, de asemenea pentru estimarea severității acesteia nu sunt multe metode axate în problemele detecției. Subsecțiunile sunt divizate în funcție de soluțiile tehnice implementate in algoritm.

Rețele neuronale

În anul 2007 a fost propusă de Abdullah (2007) o metodă care încearca să diferențieze o anumită boală de alte patologii care afectează frunzele arborelui de cauciuc. Algoritmul nu este implementat pentru orice fel de segmentare. În schimb, analiza componentelor principale este aplicată direct valorii RGB la pixelii unei imagini de rezoluție mică( 15×15 pixeli) imaginea frunzelor. Principalele două componente sunt apoi introduse într-o rețea neuronală multistrat perceptron cu un strat ascuns, a căror rezultate dezvaluie dacă proba este infectată cu boala de interes sau nu.

Prăguirea

Metoda propusă de Sena Jr. (2003) are rolul de a face diferența toamna între plante de porumb afectate de omidă si cele sănătoase, folosind imagini digitale. Algoritmul se împarte în două secțiuni: procesarea imaginilor și analiza imaginilor. La partea de procesare a imaginii aceasta este transformata la o scara de gri, prăguit si filtrat pentru a elimina urmele false. În analiza imaginii întreaga imagine este divizată în 12 blocuri. Blocurile a căror părți de frunze sunt mai mici decât 5% din suprafața totală sunt eliminate. Pentru fiecare bloc rămas, numărul de obiecte conectate, reprezintă regiunile afectate.

Analiza regresiei duble segmentate

Pentru analiza regresiei duble segmentate Story (2010) a realizat studii în domeniu și a propus o metodă pentru monitorizarea și detecția timpurie a deficitului de calciu în salata verde. Primul pas al algoritmului este segmentarea plantei prin prăguire astfel regiunea este izolată. Conturul regiunii de interes este reaplicat imaginii originale, astfel încat este luată în considerare numai aria de interes. Analiza regresiei duble segmentate este efectuată pentru a identifica unde în timp a fost prezent un punct de schimbare între plantele deficitare de nutrienți și plantele sănătoase.

Cuantificarea

Metodele prevăzute în această secțiune vizează să cuantifice gravitatea de afectare a unei ciuperci. O astfel de gravitate poate fi dedusă fie din zona de frunze care sunt afectate de această boală, sau de cât de adânc este înrădăcinată afecțiunea , care poate fi estimată prin mijloacele de culoare și caracteristicile texturii.

Este de remarcat faptul că problema de determinare a severității unei boli prin analiza și măsurarea simptomelor sale este dificilă, chiar dacă se face manual de către unul sau mai mulți specialiști, care trebuie să compare orientările de diagnostic cu simptomele, cât mai exact posibil. Ca urmare, măsurătorile manuale vor conține întotdeauna un anumit grad de subiectivitate, ceea ce înseamnă că referințele folosite pentru a valida metodele automate nu sunt exact „adevărul de la sol’’. Este important să se ia în considerare acest lucru atunci când se evaluează performanțele acestor metode.

Metodele prezentate în cele ce urmează sunt grupate în funcție de principalele strategii care le folosesc pentru a estima aceste verității ale bolilor. Aceste metode sunt următoarele:

Prăguirea

Este una dintre primele metode utilizate pentru procesara digitală a imaginii, care a fost propusă de Lindow și Web . Imaginile au fost capturate folosind o cameră video analogică , sub o iluminare cu lumină roșie pentru a evidenția zona necrotică. Acele imagini au fost mai târziu digitalizate și stocate într-un calculator . Testele au fost efectuate cu ajutorul frunzelor de tomate , ferigă și paltin . Identificarea regiunilor necrotice se face printr-o simplă prăguire. Algoritmului apoi i se aplică un factor de corecție pentru a compensa variațiile pixelilor în părțile sănătoase ale frunzelor , astfel încât cel puțin o parte dintre pixelii din regiunile sănătoase care au fost clasificate incorect ca parte a zonelor bolnave să poată fi realocate pentru setul corect .

Un alt studiu comparativ a fost realizat de Price și colaboratorii ( 1993) , pentru prelucrarea de imagini digitale cu metode vizuale și digitale pentru cuantificarea severității ruginii pe frunzele de cafea . Ei au testat două sisteme de imagistica diferite (imagini capturate cu aparat de fotografiat alb-negru dispozitiv cuplat ( CCD ) și cu un aparat foto CCD color ), în ambele cazuri, segmentarea a fost realizată printr-o simplă prăguire . Potrivit autorilor , sistemele bazate pe procesarea imaginii au avut o performanță mai bună decât evaluările vizuale , în special pentru cazurile cu simptome mai severe . De asemenea, au observat că imagistica culoare are potențial mare în diferențierea între frunze ruginite și non- ruginite.

Tucker și Chakraborty ( 1997) și-au propus să cuantifice și să identifice bolile de floarea-soarelui și ovăz care afectează frunzele . Primul pas al algoritmului este o segmentare al cărui prag variază în funcție de boala care este regasită ( tăciunele sau rugina ) . Rezultatele pixelilor sunt conectate în grupuri reprezentând regiunile bolnave . În funcție de caracteristicile leziunilor , acestea sunt clasificate în categoria corespunzătoare ( de tip A sau B în cazul de mană și de mărime , în caz de rugină ) . Autorii au raportat rezultate bune , dar au observat unele erori datorate iluminării nepotrivite din timpul capturării imaginilor .

În aceeași metodă Skaloudova și colaboratorii ( 2006) măsoară daunele cauzate în frunze de acarieni . Algoritmul se bazează pe o binarizare în două etape . Prima etapă diferențează frunza de fundal , și a doua etapă separă regiunile deteriorate de suprafața sănătosă . Estimarea finală este dată de raportul dintre numărul de pixeli în daunele regiunii împărțit la numărul total de pixeli ai frunzei .

O metodă pentru a identifica regiuni ale frunzelor care conțin leziunilor cauzate de boli a fost propusă de Camargo și Smith ( 2009a ). Testele au fost realizate folosind frunzele dintr-o varietate de plante cum ar fi banane, porumb, lucernă, ​​bumbac și soia . Algoritmul lor se bazează pe două operațiuni principale . Mai întâi , o transformare culoare la HSV și I1I2I3 spațiilor se realizează , din care doar H și două versiuni modale I3 sunt utilizate în etapele ulterioare . După aceea , se aplică o binarizare bazată pe histograma intensități tehnicii ( Prewitt 1970 ), pentru a separa regiunile sănătoase și bolnave . Potrivit autorilor , abordarea lor a fost capabil să diferențieze în mod corespunzător zonele bolnave și sănătoase pentru o mare varietate de condiții și de specii de plante.

Metoda propusă de Macedo- Cruz și colaboratorii ( 2011) urmărește să cuantifice prejudiciul cauzat de îngheț în culturile de ovăz . Imaginile folosite de autori au fost capturate direct în domeniile de cultură . Primul pas al algoritmului este conversia de la RGB la reprezentare L * a * b *. Autorii utilizează trei strategii diferite de binarizare : metoda Otsu lui , Isodata algoritm , și binarizarea neclară . Fiecare strategie generează o valoare de prag pentru fiecare canal de culoare, care sunt combinate cu o medie simplă astfel încât o singură valoare de prag este atribuită fiecărui canal . Dacă este necesar , partițiile rezultate pot fi prăguite din nou , și așa mai departe , până când sunt îndeplinite anumite criterii de oprire . Partițiile finale rezultate dau naștere la o serie de clase care, după etichetare în mod corespunzător , dezvăluie amploarea prejudiciului suferit de culturi.

Patil și Bodhe ( 2011) au propus o metodă de evaluare a severității bolii legate de fungi la frunzele de trestie de zahăr . Metoda îndeplinește două segmentari : primul urmărește să separe frunzele de restul scenei , și se realizează prin intermediul unei binarizări simple, în a doua segmentare imaginea este convertită din RGB la modelul de culoare HSI , și binarizarea este aplicată pentru a separa regiunile bolnave . Pragul de binarizarea se calculează prin așa numita metodă de binarizare , care se bazează pe histograma imaginii scară de gri . Imaginea binară este în final folosită pentru a determina raportul dintre partea infectată în raport cu întreaga frunză .

Analiza culorii

Pentru analiza culorii s-au realizat mai multe studii din care o sa amintim de studiul realizat de Boese și colaboratorii ( 2008 ) care au propus o metodă de estimare a severității rănilor pe frunze , care pot fi cauzate de deshidratare , lingoare , și hrănirea ierbivorilor . Primul pas al algoritmului este segmentarea nesupravegheată a frunzelor într-un număr de clase ( șase și zece ) . În cele ce urmează , un expert etichetează clasele într-unul din cele cinci posibilități ( cele trei tipuri de leziuni , plus țesutul sănătos și de fond) . După aceea , cuantificarea este doar o chestiune de măsurare a zonelor ocupate de fiecare dintre leziuni . Potrivit autorilor , abordarea lor este încă o serie de probleme care limitează utilitatea , dar este o îmbunătățire față de alte abordări pentru a cuantifica leziuni complexe la mai multe frunze.

Contreras – Medina și colaboratorii ( 2012 ) a propus un sistem de cuantificare cu cinci tipuri diferite de simptome la frunze de plante . Sistemul lor, este defapt compus din cinci module independente : 1 ) algoritm cloroză , care combină componentele de roșu și verde ale imaginii pentru a determina partea gălbuie a frunzei , care indică gravitatea clorozei ; 2 ) algoritm necroză , care utilizează componenta albastru pentru a distinge frunzele de fundal , iar componenta verde pentru a identifica și cuantifica regiunile necrotice ; 3 ) algoritmul de deformare a frunzelor , care utilizează componenta albastră a segmentului, frunza și calculează sfericitatea frunzei ca măsură de deformare a acesteia ; 4 ) algoritmul pete albe, pentru care se aplică o prăguire la componenta albastră a imaginii pentru a estima suprafața ocupată de aceste pete ; 5 ) algoritm mozaic , care utilizează canalul albastru, o serie de operațiuni morfologice și detectorul de margine Canny pentru a identifica și cuantifica venele prezente în frunză.

Logica Fuzzy

In lucrarea lor, Sannakki și colaboratorii (2011) au prezentat o metodă de cuantificare pentru simptomele bolii bazată pe logica fuzzy. Testele au fost realizate folosind frunze de rodie.Algoritmul începe cu conversia imaginilor la L * a * b * spațiu de culoare. Pixelii sunt grupați într-un număr de clase prin K-mijloace de grupare. Potrivit autorilor, unul dintre grupuri v-a corespunde zonelor bolnave, cu toate acestea, programul calculează procentul de infectare al frunzei. În cele din urmă, un sistem de inferență fuzzy este folosit pentru estimarea finală a gradului de afectare al bolii.

Zhou și colaboratorii (2011) a propus o metodă de evaluare a gradului de infestare cu pureci în culturile de orez.Prezența purice – plantă de orez se manifestă mai intens în tulpină, astfel că a fost partea plantei pe care s-au concentrat autorii. În algoritm, după ce regiunile de interes sunt extrase, cu metoda dimensiuni caracteristici de valoare sunt extrase folosind metoda numărării pe casete. Aceste caracteristici sunt folosite pentru a obține un model de regresie. În cele din urmă, un mijloc neclar înseamnă că algoritmul este utilizat pentru a clasifica regiunile într-una din cele patru clase: lipsa vreunui atac, infestare ușoară, infestare moderată și infestare severă.

Sisteme bazate pe recunoaștere

Scopul lucrării de Boissard și colaboratorii (2008) a fost un literar TLE diferit de celelalte prezentate în această lucrare, metoda lor încearcă să cuantifice numărul de muște albe pe frunzele de trandafiri, ca parte de detectare a dăunătorilor precoce. Metoda utilizează două sisteme bazate pe cunoaștere (KBS) pentru a estima numărul de insecte. Primul TEM și așa-numita clasificare KBS, ia rezultatele numerice din unele operațiuni de procesare a imaginii, și interpretează în concepte de nivel superior, care, la rândul lor, sunt explorate pentru a ajuta algoritmul de a alege și păstreze doar regiunile care conțin insecte. Al doilea sistem, așa-numita supraveghere KBS, selectează instrumentele de procesare a imaginii care urmează să fie aplicate, precum și parametrii care trebuie utilizați, în scopul de a colecta și a alimenta cele mai semnificative informații primului sistem. Potrivit autorilor, propunerea lor a avut unele probleme, dar a fost un plus bun pentru eforturile spre automatizarea operațiunilor cu efect de seră.

Regiuni în creștere

Pang și colaboratorii (2011) au propus o metodă pentru segmentele leziunilor cauzate de șase tipuri de boli care afectează culturile de porumb.Algoritmul începe prin identificarea toți pixeliilor pentru care nivelul canalului roșu (R) este mai mare decât nivelul de culoare verde (G). Potrivit autorilor, aceste pixelii fac parte dintr-o regiune bolnavă în 98% din cazuri. Regiunile conectate sunt apoi identificate și etichetate.A doua parte a algoritmului încearcă să identifice pixeli pentru care R <G care sunt de fapt o parte a leziunilor. Pentru a face asta, algoritmul ia regiunile conectate sub formă de semințe și aplică o tehnica de creștere a regiunii pentru a defini mai precis regiunile bolnave.Condiția de terminare pentru procedura de creștere este dată de valorile de prag obținute prin aplicarea metodei Otsu la fiecare regiune conectată.

Pachete de procesare a imaginii partea terță

Olmstead și colaboratorii (2001) au comparat două metode diferite (una vizuală și un calcul) pentru cuantificarea infecției făinării în frunze de cireș. Imaginile au fost capturate folosind un scaner .Analiza imaginii, care este de fapt aplicarea prăguirii, a fost realizată utilizând Pro SigmaScan (v. 4.0) pachete software. Pentru a genera un standard de comparație dintre cele două metode, coloniile au fost pictate manual ciuperci albe și prezentate la analiza imaginii, oferind valorile de referință. Potrivit autorilor, evaluarea vizuală furnizează estimări mult superioare în comparație cu cea de calcul.

Clasificarea

Metodele de clasificare pot fi văzute ca extensii ale metodelor de detectare, dar în loc de a încerca să detecteze o singură boală specifică prin mijloace diferite și simptome, acestea încearcă să identifice și eticheteze oricare patologie care afectează planta. Ca și în cazul cuantificării, metodele de clasificare includ aproape întotdeauna un pas de segmentare, care este urmat în mod normal de extracția unui număr de caracteristici care vor alimenta un fel de clasificatori. Metodele prezentate în cele ce urmează sunt grupate în funcție de tipul de strategie de clasificare utilizat.

Rețelele neuronale

O încercare de foarte devreme pentru a monitoriza sănătatea plantelor a fost efectuat de Hetzroni și colaboratori (1994). Sistemul lor a încercat să identifice deficiențele de fier, zinc și de azot prin monitorizarea frunzelor de salată. Capturarea imaginilor a fost făcută de o camera video analogică, și numai după aceea imaginile vor fi digitalizate.Primul pas al algoritmului propus este segmentarea imaginilor în frunze și context. În cele ce urmează o serie de dimensiuni și culori caracteristici sunt extrase din ambele modele de culori RGB și HSI. Acești parametri din urmă sunt cei ce alimentează rețelele neuronale și clasificatoarele statistice, care sunt utilizate pentru a determina starea de plantelor.

Pydipati și colaboratorii ( 2005 ) a comparat doua abordari diferite pentru a detecta și clasifica trei tipuri de boli de citrice . Autorii colectat 39 caracteristici de textură , și au creat patru subseturi diferite ale acestor caracteristici pentru a fi utilizat în două abordări diferite de clasificare . Prima abordare sa bazat pe Mahalanobis, clasificator de distanță minimă , folosind vecinul principiul cel mai apropiat. A doua abordare, funcții de bază radiale utilizate ( RBF ) clasificatoare de rețele neuronale antrenate cu algoritmul de propagare înapoi . Potrivit autorilor , ambele abordări de clasificare au evoluat la fel de bine ca atunci când se utilizează cele mai bune din cele patru subseturi , care conțineau zece nuanțe și saturația texturi caracteristice.

Metoda propusă de Al Bashish și colaboratorii ( 2010) încearcă să identifice cinci boli diferite de plante. Autorii nu au precizat speciile de plante folosite în teste , iar imaginile au fost capturate în situ . După o etapă de preprocesare pentru a curăța imaginea, un K – mijloc de clusterizare algoritmi ritm este aplicat pentru a împărți imaginea în patru grupuri . Potrivit autorilor , cel puțin unul dintre clusterelor trebuie să corespundă uneia dintre boli . După aceea , pentru fiecare grupeze o serie de caracteristici de culoare și textură sunt extrase cu ajutorul așa – numitul Color co – evenimențiază metoda care operează cu imagini în format HSI . Aceste caracteristici sunt alimentate la o MLP rețea neuronală cu zece straturi ascunse , care îndeplinește clsificarea finală.

Kai și colaboratorii ( 2011 ) au propus o metodă de a identifica trei tipuri de boli în frunze de porumb . Mai întâi , imaginile sunt convertite în reprezentarea de culoare YCbCr . Aparent , se aplică anumite reguli în timpul prăguirii pentru a segmenta corespunzător regiunilor bolnave . Cu toate acestea , din cauza lipsei de claritate , nu este posibil să se deducă exact cum se face acest lucru . Autorii apoi extrag un număr de caracteristici de textură din matricea produsă cu niveluri de gri . În cele din urmă , caracteristicile sunt supuse la o rețea neuronală MLP cu un strat ascuns .

Wang și colaboratorii ( 2012) a propus o metodă de a diferenția între perechile de boli în grâu și viță de vie . Imaginile sunt segmentate de un algoritm, K – mijloace , apoi 50 de culori, forma și textura caracteristică sunt extrase . Autorii au raportat rezultate bune pentru toate tipurile de rețele neuronale.

Mașini support vector

Meunkaewjinda și colaboratorii (2008 ) a propus o metodă de a se identifica și să clasifica bolile care afecteaza viță de vie . Metoda folosește mai multe reprezentari de culoare ( HSI , L * a * b * , UVL și YCbCr ) de-a lungul executării acesteia. Separarea dintre frunze și fond se efectuează de către o rețea neuronală MLP , care este cuplată cu o bibliotecă de culoare, prioritar construită printr-o hartă de organizare de sine stătătoare ( SOM ) . Culorile prezente pe frunze sunt apoi grupate prin intermediul unei hărții de auto-organizare nesupravegheată și neantrenată . Un algoritm genetic determină numărul de clustere care urmează să fie adoptate în fiecare caz . Regiunile bolnave și sănătoase sunt apoi separate de o mașină Vector Suport ( SVM ) . După câteva manipularile suplimentare , imaginea segmentată este supusă unui SVM multiclass , care efectuează clasificarea în crustă , rugină , sau nici o boala .

Sistemul propus de Yao și colaboratorii (2009) nu găsește cadrul se identifice și să clasifice cele trei tipuri de boli care afecteaza culturile de orez. Algoritmul aplică mai întâi un anumit tip de transformare de culoare a imaginii originale RGB, rezultând în două canale (Y1 și Y2). Apoi, imaginea este segmentat prin metoda Otsu lui, după care regiunile bolnave sunt izolate. Culoare, forma si textura sunt caracteristici extrase, acesta din urmă din spațiul de culoare HSV. În cele din urmă, în trăsăturile sunt supuse uui Vector mașină de sprijin, care efectuează clasamentul final.

Metoda propusă de Camargo și Smith (2009b) încearcă să identifice trei tipuri diferite de boli care afecteaza plantele de bumbac. Autorii au folosit imagini nu numai de frunze, dar, de asemenea, de fructe și tulpini. Segmentarea imaginii este realizată folosind o tehnică dezvoltată de autori (Camargo și Smith 2009a), care a fost descriși mai devreme în această lucrare (Secțiunea "Prăguire"). După aceea, un număr de caracteristici sunt extrase din regiunile bolnave. Aceste elemente sunt apoi utilizate pentru a alimenta un SVM. Metoda-unu contra unu (Hsu și Lin 2002) a fost folosit pentru a permite SVM-ului să se ocupe de mai multe clase. Autorii au concluzionat ca elementele din textura au cel mai mare potențial de diferențiere.

Jian și Wei ( 2010) au propus o metodă de a recunoaște trei tipuri de boli la frunzele de castravete . Ca și în cele mai multe abordări , separarea în regiuni sănătoase și bolnave se face printr-o procedură simplă, prăguire . În cele ce urmează , o varietate caracteristici de culori , forme și texturii sunt extrase . Aceste caracteristici sunt prezentate cu SVM – Radial Basis Function ( RBF ) ca nucleu , care efectuează clasamentul final.

Clasificator fuzzy

Metoda propusă de Hairuddin și colaoratorii. (2011) încearcă să identifice patru deficiențe nutriționale diferite în plante de palmier de ulei. Imaginea este segmentată în funcție de similitudini de culoare. După segmentare, o serie de caracteristici de culori și texturi sunt extrase și prezentat un clasificator neclare care, în loc să scoată deficiențelor înșiși, dezvăluie sumele de îngrășăminte care trebuie utilizat pentru a corecta aceste deficiențe. Din păcate, detaliile tehnice prevăzute în acest document sunt superficiale, ceea ce face dificil să se ajungă la o înțelegere clară cu privire la abordarea adoptată de autori.

Xu și colab. (2011) au propus o metodă de a detecta deficiențe de azot și potasiu în plante de tomate. Algoritmul începe extragerea un număr de caracteristici de imagine color. Caracteristicile de culoare sunt toate bazate pe componenta b * al L * a * b * spațiu de culoare. Caracteristicile texturii sunt extrase cu ajutorul a trei metode diferite: operatori diferență, transformata Fourier și pachete Wavelet de descompunere. Selecția și combinarea caracteristicilor a fost realizată prin intermediul unui algoritm genetic. În final, combinația optimă a caracteristicilor este utilizată ca intrare a unui K apropiat, vecin neclar clasificator, care este responsabil pentru identificarea finală.

Normele pe bază de caracteristică

În cele două documente, Kurniawati și colaboratorii (2009a, 2009b) au propus o metodă de a identifica și eticheta trei tipuri diferite de boli care afectează culturile de orez. Ca și în multe alte metode, segmentarea regiunilor sănătoase și bolnave se realizează prin intermediul unor prăguiri. Autorii au testat două tipuri de prăguiri, lui Otsu și local entropie, cu cele mai bune rezultate fiind obținute prin acesta din urmă. Ulterior, sunt extrase o serie de forme și culori caracteristice. Aceste caracteristici sunt baza pentru un set de reguli care determină boala care se potrivește cel mai bine cu caracteristicile regiunii selectate.

Zhang (2010) a propus o metodă pentru identificarea și clasificarea leziunilor din frunzele de citrice. Metoda se bazează în principal pe două seturi de caracteristici. Primul set a fost selectat având ca scop principal de a separa leziunile de restul frunzei, care se realizează prin stabilirea unor praguri pentru fiecare parte în caracteristici și aplicare a unui sistem de vot ponderat. Al doilea set își propune să ofere cât mai multe informații posibile despre leziuni, astfel încât se face o diferențiere între boli. Clasificarea finală este, din nou, realizat prin intermediul pragurilor artistice și un sistem de vot ponderat. O versiune mai detaliată a (Zhang 2010) pot fi găsite în (Zhang Meng și 2011).

Analiza de culoare

Metoda propusă de Wiwart și colaboratorii (2009) are drept scop de a detecta și diferenția între patru tipuri de deficiențe de minerale (azot, fosfor, potasiu și magneziu). Testele au fost efectuate folosind fasole, mazăre și frunze galbene. Anterior analizei de culoare, imaginile sunt convertite în HSI și L * a * b * spații de culoare. Prezența sau absența deficiențelor este apoi determinat de diferențele de culoare din frunzele sănătoase testate. Aceste diferențe sunt cuantificate prin distanțele euclidiene calculate în ambele spații de culoare.

Pugoy și Mariano (2011) a propus un sistem de a identifica doua tipuri diferite de boli care atacă frunzele de orez. Algoritmul convertește prima imagine din RGB în HSI spațiul de culoare. Tehnica K-mijloace se aplică mulțimii de pixeli într-un număr de grupuri. Acele grupări sunt apoi comparate cu o bibliotecă care se referă la culorile pentru bolile respective. Această comparație rezultată în valori care indică probabilitatea ca fiecare regiune să fie afectată de fiecare dintre boli.

Hărți individuale de organizare

Metoda propusă de Phadikar și Sil (2008) detectează și diferențiază două boli care afectează culturile de orez, explozie și pete maro. Mai întâi, imaginea este convertită în spațiul de culoare HSI. Apoi, o binarizare pe bază de entropie este folosită pentru a segmenta imaginea. Un detector de margine este aplicat imaginii segmentată, iar intensitatea componentelor verzi este utilizată pentru a detecta pete. Fiecare regiune conținând fiecare punct detectat este apoi redimensionat prin interpolare, astfel încât toate regiunile să aibă o dimensiune de 80 x 100 pixeli. Valorile pixelilor (scara gri) sunt în cele din urmă cele care alimentează o hartă individual de organizare (SOM), care efectuează clasamentul final.

Analiza diferențială

Pydipati și colaboratorii (2006) propun o metoda are ca scop să detecteze și să clasifice trei tipuri diferite de boli citrice. Metoda se bazează foarte mult pe metoda de culoare cocurență (CCM), care, la rândul său, a fost dezvoltat prin folosirea matricelor de dependență la nivel de gri spațiale (SAM lui) (Shearer și Holmes 1990). Rezultați Matricele CCM, care sunt generate din reprezentarea culorii HSI a imaginilor, sunt folosite pentru a extrage 39 caracteristici de textură. Numărul de caracteristici s-a redus cu ajutorul unei proceduri de reducere a redundanței. Autorii au observat că eliminarea de caracteristici de intensitate îmbunătățește rezultatele, ca nuanță și saturație, caracteristici sunt mult mai robuste la temperatura ambiantă și variații ușoare decât cele anterioare. Clasificăriile finale au fost realizate cu ajutorul analizei discriminante.

Funcția membru

Anthony și Wickramarachchi (2009) au propus o metodă de a face diferența între cele trei boli diferite care atacă plantele de orez. Imaginea este segmentată printr-o procedură de prăguire – versiunea în tonuri de gri a imaginii utilizate, astfel de procedură este obținută după asignarea -ING greutați diferite la fiecare componentă a reprezentării sale RGB. Imaginile rezultate, conținând numai regiuni care conțin presupuse simptome ale bolilor, sunt apoi convertite în L * a * b * format, și se extrage un număr de culori și de forme caracteristici. Valorile acestor caracteristici sunt comparate cu niște intervale valorice referință, stocate într-un tabel de căutare prin intermediul așa numitei funcții membru, care sa furnizeze un singur rezultat similar pentru fiecare boală posibilă. Rezultatul mai mare determină afectarea plantei.

2. Considerații teoretice

Modelele de culoare folosite în desfășurarea lucrării vor fi prezentate în ceea ce urmează.

Utilizarea culorilor în prelucrarea imaginilor este motivată de urmatoarele două considerații:

-în analiza automată a imaginilor culoarea este în parametru ce descrie foarte bine un obiect și acesta poate fi mai usor de identificat sau extras dintr-o scenă

– ochiul uman poate distinge mii de nuanțe de culoare față de doar cateva zecii de nuanțe de grii

Scopul modelelor de culoare este acela de a facilita specificarea culorilor într-o formă standardizată, unanim acceptată. Un model de culoare reprezintă specificarea unui sistem de coordonate și a unui subspațiu în acest sistem în care fiecare culoare poate fi reprezentată de un singur punct.

Problema de bază în studiul culorilor este producerea acestora utilizând un set de surse de lumina. În general, numărul surselor este 3, datorită modelului cu 3 tipuri de receptori ai retinei. Orice culoare poate fi reprodusă prin amestecarea a cel mult 3 surse primare de culoare.

Modele de culoare

Scopul unui model de culoare (denumit și spațiu de culoare sau sistem de culoare) este de a ușura specificarea culorilor în anumite standarde. În esență, un model de culoare este o specificare a unui sistem de coordonate și a unui subspațiu în care fiecare culoare este reprezentată de un singur punct. Multe din modelele de culoare utilizate în prezent sunt orientate fie, spre hardware (cum sunt culorile monitoarelor și a imprimantelor) fie spre aplicații în care manipularea culorii este un scop (ex. crearea culorilor grafice pentru animații). Deși în prezent sunt utilizate numeroase modele de culoare, în practică, cele mai utilizate modele orientate spre hardware sunt:

modelul RGB (red, green, blue) pentru monitoarele color și pentru o gamă largă de camere video;

modelele CMY (cyan = azuriu, magenta = purpuriu (roșu închis spre violet), yellow = galben)

CMYK (cyan, magenta, yellow, black) pentru imprimantele color;

modelul HSI (hue, saturation, intensity), este modelul care este foarte apropiat de modul uman de descriere și interpretarea a culorii.

Modelul de culoare RGB

În desfășurarea lucrării unul din modelele de culoare folosit este modelul RGB. În cadrul acestui model fiecare culoare este o combinație de roșu (Red), verde(Green) și albastru(Blue). Acest model se bazează pe sistemul cartezian de coordonate. Suspațiul de culorii este un cub ca in Figura 1, nuanțele de gri se situează pe diagonala cubului, de la punctul Black(0, 0, 0) la punctul White(1, 1, 1), iar culorile sunt puncte pe și în interiorul cubului. Valorile RGB au fost normalizate, astfel încât cubul RGB este cubul unitate.

Imaginile color reprezentate RGB sunt alcătuite din 3 plane de imagine independente, câte unul pentru fiecare culoare primară. Acest model este folosit în special la monitoare și la camere digitale, acolo unde culorile sunt produse prin emisia simultană a 3 surse de lumină: roșie, verde și albastră.Culoarea neagră se află în originea sistemului RGB iar culoarea albă este situată diagonal opusă culorii negre. Scara nivelelor de gri (punctele cu valori egale ale celor trei componente RGB) pornind de la negru la alb se află pe linia dreaptă care unește aceste două puncte de culoare. Culorile din cadrul acestui model se află fie pe suprafața fie în interiorul cubului RGB și sunt definite prin vectori ce plecă din origine.[1]

Figura 1. Cubul RGB

În cazul Figurii 1 se consideră că valorile celor trei componente RGB sunt normalizate în domeniul [0,1].

O culoare se obține prin combinarea celor trei culori primare. Ținând cont de cantitatea de culoare primară folosită, se pot crea toate culorile care pot fi afișate de computer sau monitor. Astfel, dacă nu este foloită nicio culoare primară, rezultatul va fi culoarea neagră. Dacă se va combina roșu cu verde se va obține culoarea galbenă. În urma combinării culorii primare roșii cu albastru, se va obține culoarea secundară purpuriu, iar prin combinarea tuturor culorilor primare la intensitate maximă, roșu, verde, albastru, rezultatul va fi culoarea albă. În concluzie, prin combinarea culorilor principale la intensități diferite, se poate crea orice culoare. În imaginea de mai jos sunt reprezentate combinațiile de culori din modelul de culoare RGB,

Figura 2. Combinații de culori RGB

Modelul de culoare HSI

O imagine color reprezentată în modelul de culoare RGB poate fi văzută ca fiind formată din trei imagini de intensitate monocrome (o imagine în roșu, una în verde și alta în albastru). Acest lucru devine mai clar daca luam cubul RGB din Figura 2 și îl așezăm pe colțul (punctul) de culoare neagră (0,0,0) cu colțul (punctul) de culoare albă (1,1,1) situat direct deasupra celui de culoare neagră ca și în Figura 3 a. După cum s-a spus și în secțiunea Modelului de culoare RGB scala de gri se află de-a lungul liniei ce unește aceste două puncte (colțuri). Această linie este numită axa intensităților, și în Figura 3 a are o poziționare verticală.

Intersecția dintre planul considerat și axa intensităților va reprezenta intensitatea (valoare normalizată din intervalul [0,1]) punctului de culoare. De asemenea, se poate observa că saturația unei culori crește în funcție de creșterea distanței punctului de culoare față de axa intensităților. Astfel, saturația punctelor de pe axa intensităților este zero deoarece punctele ce aparțin aceste axe sunt de fapt gri.

b)

Figura 3. Relația conceptuală dintre modelele de culoare RGB și HIS

Pentru a înțelege cum poate fi determinată nuanța (eng. hue) în cazul unui punct de culoare din modelul RGB, se consideră Figura 3 b în care este prezentat un plan definit de trei puncte (negru, alb și cyan). Faptul că punctele de culoare albă și neagră sunt conținute în plan, indică faptul că și axa intensităților este inclusă în planul respectiv. Mai mult, toate punctele conținute în segmentul de plan definit de axa intensităților și marginile cubului au aceeași nuanță (în cazul de față cyan).

4. Diagrama cromatică CIE

Din diagrama cromatică a CIE, se poate observa că toate nuanțele ce pot fi generate de către trei puncte de culoare vor aparține triunghiului determinat de cele trei puncte de culoare. Dacă două din cele trei puncte de culoare sunt punctele alb și negru iar cel de-al treilea punct va fi de o anumită culoare, atunci toate punctele din interiorul triunghiului vor avea nuanța celui de-al treilea punct de culoare., deoarece culoarea neagră și albă nu pot schimba nuanța. Desigur, ce va diferi la punctele din interiorul triunghiului de culoare va fi intensitatea precum și saturația. Dacă se rotește planul întunecat din Figura 3 b în jurul axei intensităților se vor obține diferite nuanțe.

Conform acestor raționamente, prezentate mai sus, se ajunge la concluzia că valorile intensității, nuanței și saturației din cadrul spațiului HSI pot fi obținute din cubul de culoare RGB.

În funcție de poziția planului de puncte de culoare perpendicular pe axa intensităților forma, obținută prin intersecția planului respectiv cu fețele cubului RGB, poate fi triunghiulară sau hexagonală. Acest lucru poate fi vizualizat mai bine dacă s-ar privi în jos dinspre punctul de culoare albă spre cel de culoare neagră, cazul din Figura 5 a. Se observă că unghiul dintre 2 culori primare este de iar, unghiul dintre o culorile secundare și cele primare este de . Astfel, unghiul dintre două culori secundare este tot de . Figura 4 b reprezintă aceeași formă hexagonală cu un punct de culoare.

Nuanța punctului este determinată de un unghi față de un punct de referință. Uzual (dar nu neapărat întotdeauna) un unghi de față de axa culorii roșu specifică o nuanță 0, iar nuanța va crește odată cu creșterea unghiului în sensul invers al “acelor de ceasornic” (sens trigonometric).

Saturația (distanța de la axa verticală este ) reprezintă lungimea 17 vectorului pornind de la origine până la punctul considerat. Originea este dată de intersecția planului punctului de culoare cu axa verticală a intensității.

Figura 5. Nuanța și saturația în cazul modelului de culoare HSI

Punctul este un punct de culoare aleator ales. Unghiul format cu axa de roșu reprezintă nuanța iar lungimea vectorului reprezintă saturația. Intensitatea tuturor culorilor din oricare din aceste plane este dată de poziția acestui plan pe axa verticală a intensităților din Figura 3.

Conversia culorii din formatul RGB în formatul HSI

Având o imagine în formatul RGB, componenta H pentru fiecare pixel se obține utilizând relația:

unde:

Saturația este dată de:

iar intensitatea se calculează cu relația:

În cazul relațiilor (13) s-a considerat că valorile RGB sunt normalizate în intervalul [0,1] iar unghiul este măsurat în raport cu axa culorii roșu a spațiului HSI. Valorile nuanței pot fi normalizate la intervalul [0,1] prin împărțirea tuturor valorilor obținute cu relația (1) la . Celelalte două componente ale modelului HSI au valori în acest interval dacă valorile componentelor modelului RGB sunt în intervalul [0,1].

Conversia culorii din modelul HSI în modelul RGB

Având valori ale componentelor HSI în intervalul [0,1], se dorește găsirea valorilor corespunzătoare RGB tot în același interval. Aplicarea ecuațiilor depinde de valorile componentei H. Există trei sectoare de interes (ce separă culorile primare), corespunzătoare câte unui interval de (Figura 4).

Înainte de realizarea calculelor de conversie din HSI în RGB , componenta H, se convertește din domeniul [0,1] în domeniul său original [ , ] prin simpla înmulțire cu .

Sectorul RG ( H < ): Când H este în acest sector, componentele RGB se calculează utilizând relațiile:

Sectorul GB ( ). Dacă valoarea lui H este în acest sector, mai întâi se scade din aceasta, valoarea , adică:

După care, componentele RGB se calculează utilizând relațiile:

Sectorul BR ( ), dacă valoarea lui H este în acest sector, mai întâi se scade din valoarea acestuia , adică:

după care, componentele RGB se calculează utilizând relațiile:

Binarizarea imaginilor

Binarizarea sau prăguirea (“thresholding”) imaginilor este un caz special al întinderii maxime a contrastului, pentru care a = b. Rezultatul operaței de binarizare este o imagine care conține doar două nivele de gri: alb și negru. Pentru imagini în tonuri de gri, operația de binarizare se scrie matematic astfel:

unde T este o valoare de prag, reprezentând o valoare întreagă din intervalul [0,L). Pentru imaginile color, binarizarea se poate face în următorul mod:

unde v este un vector tridimensional ce reprezintă culoarea pixelului (de exemplu v = (R, G, B) ), iar Y (v) reprezintă luminanța (Y = 0.3R+0.6G+ 0.1B ). În urma acestei transformări, contrastul este maximizat la nivelul întregii imagini.

Figura 6. Funcția de binarizare