当前位置：首页 > news >正文

基于HSV颜色空间的农作物病虫害检测系统开发

news 2026/7/4 13:04:35

1. 项目概述与背景

在农业生产中，病虫害是影响作物产量和品质的主要因素之一。传统的人工检测方法不仅效率低下，而且受主观因素影响较大。基于计算机视觉的病虫害检测技术为解决这一问题提供了新的思路。本项目利用Matlab开发了一套基于颜色特征的农作物病虫害检测系统，通过分析叶片颜色变化来判断病虫害程度。

颜色作为植物健康状况最直观的指标之一，能够反映多种生理变化。当植物受到病虫害侵袭时，叶片中的叶绿素、类胡萝卜素等色素含量会发生变化，导致颜色特征发生改变。这种变化往往早于肉眼可见的病斑出现，因此基于颜色特征的检测方法具有早期预警的潜力。

提示：HSV颜色空间特别适合用于植物病害检测，因为其色调(H)分量可以直接反映叶片的颜色变化，而饱和度(S)和明度(V)分量则相对独立，减少了光照条件对检测结果的影响。

2. 系统设计原理

2.1 颜色空间选择与转换

本系统采用HSV颜色空间作为主要分析空间，相比RGB空间具有以下优势：

色调(H)分量直接对应颜色信息，与人类感知一致
饱和度(S)和明度(V)分量分离，便于单独分析
对光照变化具有更好的鲁棒性

RGB到HSV的转换公式如下：

function [h,s,v] = rgb2hsv(r,g,b) r = double(r)/255; g = double(g)/255; b = double(b)/255; cmax = max([r,g,b]); cmin = min([r,g,b]); delta = cmax - cmin; % 计算H分量 if delta == 0 h = 0; elseif cmax == r h = 60 * mod((g-b)/delta,6); elseif cmax == g h = 60 * ((b-r)/delta + 2); elseif cmax == b h = 60 * ((r-g)/delta + 4); end % 计算S分量 if cmax == 0 s = 0; else s = delta/cmax; end % 计算V分量 v = cmax; end

2.2 特征提取方法

2.2.1 HSV分量量化

为提高计算效率并突出主要特征，我们对HSV三个分量进行量化处理：

色调(H)：0-360°量化为8个区间
饱和度(S)：0-1量化为3个级别
明度(V)：0-1量化为3个级别

这种量化方式既保留了足够的颜色区分度，又大大减少了特征维度。量化后的特征向量维度为8×3×3=72维。

2.2.2 颜色直方图构建

对于每张叶片图像，我们计算其量化后的HSV联合直方图。具体步骤：

将图像转换为HSV空间
对每个像素的H、S、V值进行量化
统计各量化区间内的像素数量
归一化处理，得到概率分布直方图

function hist = color_histogram(img, h_bins, s_bins, v_bins) % 转换颜色空间 hsv_img = rgb2hsv(img); % 初始化直方图 hist = zeros(h_bins, s_bins, v_bins); % 量化参数 h_edges = linspace(0, 1, h_bins+1); s_edges = linspace(0, 1, s_bins+1); v_edges = linspace(0, 1, v_bins+1); % 计算直方图 for i = 1:size(img,1) for j = 1:size(img,2) h = hsv_img(i,j,1); s = hsv_img(i,j,2); v = hsv_img(i,j,3); % 确定量化区间 h_idx = find(h >= h_edges(1:end-1) & h < h_edges(2:end), 1); s_idx = find(s >= s_edges(1:end-1) & s < s_edges(2:end), 1); v_idx = find(v >= v_edges(1:end-1) & v < v_edges(2:end), 1); % 特殊情况处理 if isempty(h_idx) || isempty(s_idx) || isempty(v_idx) continue; end hist(h_idx, s_idx, v_idx) = hist(h_idx, s_idx, v_idx) + 1; end end % 归一化 hist = hist / sum(hist(:)); end

3. 系统实现细节

3.1 训练阶段流程

数据准备：收集不同病虫害程度的叶片图像，分为四类：健康、轻度、中度、重度。每类至少50张样本。
特征提取：对每张图像提取颜色直方图特征。
模板构建：计算每类样本的平均直方图作为该类模板。

% 训练过程示例代码 categories = {'healthy', 'mild', 'moderate', 'severe'}; num_classes = length(categories); template = cell(num_classes, 1); for i = 1:num_classes folder_path = fullfile('dataset', categories{i}); file_list = dir(fullfile(folder_path, '*.jpg')); num_samples = length(file_list); % 初始化特征矩阵 features = zeros(num_samples, h_bins*s_bins*v_bins); % 处理每个样本 for j = 1:num_samples img = imread(fullfile(folder_path, file_list(j).name)); hist = color_histogram(img, h_bins, s_bins, v_bins); features(j,:) = hist(:)'; end % 保存类别模板 template{i} = mean(features, 1); end % 保存模板 save('color_templates.mat', 'template', 'categories');

3.2 测试阶段流程

图像预处理：
- 直方图均衡化增强对比度
- 去除背景干扰（基于绿色分量阈值）
- 尺寸归一化（统一缩放为512×512）
特征提取：同训练阶段方法。
分类决策：采用最近邻分类器，计算测试样本与各模板的巴氏距离：

function [label, confidence] = classify_image(img, template) % 提取测试图像特征 test_feat = color_histogram(img, h_bins, s_bins, v_bins); test_feat = test_feat(:)'; % 计算与各模板的距离 distances = zeros(length(template), 1); for i = 1:length(template) % 巴氏距离计算 distances(i) = -log(sum(sqrt(template{i} .* test_feat))); end % 确定最近类别 [~, idx] = min(distances); label = categories{idx}; % 计算置信度 confidence = 1 - (distances(idx)/sum(distances)); end

4. 关键技术优化

4.1 背景去除算法

为提高检测精度，我们开发了基于颜色阈值的背景去除方法：

function mask = remove_background(img) % 转换到Lab颜色空间 lab = rgb2lab(img); % 基于a通道的阈值处理 a_channel = lab(:,:,2); threshold = graythresh(a_channel); mask = a_channel > threshold*255; % 形态学处理 se = strel('disk', 5); mask = imopen(mask, se); mask = imfill(mask, 'holes'); end