农作物病虫害图像识别技术的研究综述

汪京京，张 武,2，刘连忠，黄 帅

(1.安徽农业大学信息与计算机学院，安徽 合肥 230036；2.农业信息学安徽省重点实验室，安徽 合肥 230036)

1 引言

近年来，全球气候恶化加快，环境条件变得愈发脆弱，农作物病虫害的爆发呈现出上升趋势(病虫害的传播速度取决于环境条件和植物的易感染性[1])。及时、准确地检测识别农作物病虫害才能有效地采取防治措施。传统的病虫害检测识别方法完全依赖于个人的经验和肉眼观察，速度慢、主观性强、误判率高、实时性差。

随着精准农业的兴起，运用信息技术辅助农业生产为农作物病虫害的识别提供了新思路，图像处理技术就是其中之一。图像处理是将图像信号转换成相应的数字信号，并利用计算机对其进行加工处理的过程。农作物病虫害图像识别技术则是图像处理技术在农作物病虫害识别上的应用，成为替代传统人工识别的技术手段，其对农作物病虫害识别具有传统方法所不具备的快速性、准确性、实时性等特点，能够在疾病暴发前及时、准确地识别出病虫害的种类，为农耕人员及时采取措施防治病虫害的传播发展提供必要信息。国内外专家学者在该领域做了大量的研究工作，研究内容主要集中在农作物病虫害的图像分割、特征提取和分类识别三个方面，本文将分别从这三个方面介绍国内外的研究现状，并对将来的发展趋势作以展望。

2 农作物病虫害图像的分割

图像分割是图像处理过程中的前续步骤，是将图像细分为一个个特征(即图像的结构、颜色、灰度、纹理等)子区域或物体的过程，它是图像处理过程中质的转换，提取特征值、构建分类器都是在其基础上进行的。图像分割一直以来都是图像处理技术最困难的任务之一，也是国内外学者研究的热点。分割算法种类繁多，主要分为基于灰度值不连续性和相似性，以阈值分割、边缘检测等为代表的经典分割理论，以及基于数学形态学、模糊聚类等与特定理论相结合的分割方法。

2.1 阈值分割法

阈值分割法是一种简单高效的图像分割方法，它用一个或多个阈值将图像的灰度级划分为几个部分，同一部分的像素是一个整体[2]。阈值分割法是农业病虫害图像识别研究中最早采用的方法，早在1989年，日本的穗波信雄等[3]就首次利用阈值分割法对缺乏钙、镁、铁等微量营养元素的茨菇病态叶片进行分割，但由于提取的RGB直方图形状特征和位置特征不具有代表性，导致分割的效果并不理想。在其基础上，国内的陈佳娟等[4]尝试用局部门限法提取直方图形状特征，在实验室环境下采用局部阈值分割完成了棉花虫害图像与背景的分割。2009年，英国学者Camargo A和Smith J S[5]在其设计的植物病害分类识别系统中，以香蕉叶黑斑病为例，采用最优门限的直方图阈值分割法，成功地将病叶的病斑与背景分割开来，效果良好。阈值分割法的特点是简单，执行效率高，难点在于阈值的选取，作物病虫害区域的颜色、纹理等特征往往与非病区域有着较大的差别，通过分析两者的灰度直方图能够较直观的找出阈值，实现图像的分割。

2.2 边缘检测法

边缘是图像的基本特征，图像的大部分信息都存在于边缘当中，通过对边缘的检测能够有效解决图像的分割问题[6]。边缘检测法是一种经典的图像分割理论，广泛应用于农作物病虫害图像分割中。2011年，Baum T等[7]采用Sobel边缘检测算子，将大麦的菌斑从背景中很好地分离出来。2012年，何丹丹等[8]在对水稻叶片图像的分割实验中，结合最小外接矩形算法、中值滤波和Canny算子，提出一种基于多策略融合技术的水稻叶片边缘检测算法，该算法具备高效、准确、鲁棒等特性。边缘检测法基于在不同区域之间的边缘上像素灰度值的变化往往比较剧烈来解决分割问题[9]，在农作物病虫害图像中，病虫害区域边缘灰度值突变较大，应用边缘检测法来进行分割具有简单易操作等优点。缺点在于边缘检测法的分割效率依赖于边缘检测算子，鲁棒性较差。

2.3 数学形态学法

结合数学形态学来解决图像分割问题近年来逐渐受到重视，其基本思想是用具有一定形态的结构元素去处理和提取图像中的相似形状，以简化图像，保留所需的基本形状信息。1996年，Casady W W等[10]将采集到的水稻稻冠图像，使用数学形态学进行图像分割，结合灰度中值法提取水稻稻冠的高度、面积等特征，获得不错的效果。2012年，王萍等[11]将线性的数学形态学分割和非线性的边缘检测法结合起来，完成了对植物叶片的分割，效果十分明显。2012年，任磊等[12]在棉花图像分割的研究过程中，提出利用鲁棒中值估计对形态学多尺度梯度图像进行梯度修正，并结合改进的分水岭算法进行分割，有效地解决了因阳光直射和阴影遮挡等因素而导致的棉花图像分割精度低、效果差的问题。数学形态学法的缺点在于对边界噪声的敏感，同时，由各种几何基元的并集、交集和差集构成的目标与人类对形状的感觉有一定的差异，这些问题对分割精度所造成的影响在具有复杂生长环境的农作物病虫害图像分割中尤为突出。目前，数学形态学分割法的理论尚未成熟，仍需发展。

2.4 模糊聚类法

模糊聚类理论是由Ruspini于1969年首次提出，模糊聚类分割算法属于模式识别中的无监督学习[13],它规定图像中每个像素的隶属具有模糊性，近年来得到广泛的应用。2009年，王守志等[14]利用基于Mercer核的K-均值聚类分割算法完成对玉米叶部病害病斑特征的分割，正确率达到82%。2012年，Jaware T H等[15]用Otsu's算法[16]计算病害图像绿色像素的屏蔽阈值，消除置零的RGB像素和感染的边缘特征，采用优化的K-均值聚类法进行农作物病害叶片图像的分割，并通过实验验证其算法是一个高效的、高精度的分割算法。2012年，李震等[17]采用基于Lab颜色模型中a、b分量的K-means聚类法识别彩色图像中的红蜘蛛，效果显著。农作物病虫害图像的大量图像数据具有模糊和不确定性等特点，模糊聚类中的隶属度函数正好可以将图像中的模糊性和不确定性模型化[18]，从而有效地应用于图像分割当中。模糊聚类法也存在缺点，对噪声和初始化数据的敏感、算法的运算量大等都影响了其在农业生产中的实际应用，有待进一步改进和优化。

2.5 新方法

各种新方法不断涌现。2010年，赖军臣等[19]引入高斯模型的Markov随机场分割模型(G-MRF)，对玉米大斑病、小斑病、灰斑病和弯孢菌叶斑病等四种主要叶部病害的图像进行分割实验，分割正确分类率达96.35%。2011年，袁媛等[20]首次将基于先验信息的水平集模型应用于具有复杂背景的黄瓜病叶图像分割，效果良好。2012年，虎晓红等[21]提出了一种基于多示例图的分割模型，将多示例学习方法与病虫害图像的分割有效结合起来，对小麦叶部病害图像进行分割。通过对小麦锈病和白斑病图像的分割实验表明，所提出的模型具有较好的鲁棒性，并且分割效果明显优于传统的分割方法。新方法在引入一些新的学科理论的同时，更加注重多种分割方法的有效结合，以达到最优的分割效果。

目前对农作物病虫害图像分割方法的研究大部分还是基于实验室特定的背景、光照条件下开展的，与作物实际生长环境有较大差异,还达不到实际应用的要求。

由于农作物生长环境的复杂性高、气候和光照条件变化大等因素,一方面农作物病虫害图像的获取难度大，另一方面如何在真实复杂的背景条件下，例如叶片的遮挡和重叠、叶片的倾斜和变形、多变的光照因素、杂草和泥土等，有效地将识别目标和背景分割开来，都是研究的难点，也是今后农作物病虫害图像分割算法的重点研究方向。未来，应将研究环境从实验室转移到真正的大田环境中，研究新的分割算法和图像获取技术，实现复杂背景下的高效分割，并结合多种分割算法的特点，寻求最优的分割策略。

3 农作物病虫害图像的特征提取

图像的特征提取是数字图像处理的关键性步骤，它关系到分类器设计的效率和分类的精确度，甚至直接决定了分类算法是否可行。特征提取一般包括特征描述和提取两个过程。特征描述指的是给从图像中分割出来的某种图像属性予以量性的描述或表示，提取指的是计算这些特征的子集，通过数学变换使样本空间降维，以便于目标识别。国内外的专家学者在农作物病虫害图像特征提取上做了大量的研究工作，主要的提取方法按特征属性来分有形态特征提取、颜色特征提取和纹理特征提取等。

3.1 形态特征提取法

形态特征分为轮廓特征和区域特征，它是图像的一种最基本的特征，形状提取法是农作物病虫害识别研究中最早采用的特征提取方法。1995年，Woebbecke D M等人[22]在杂草识别的研究过程中提出用杂草图像的形状特征进行杂草分类，提取了植物冠层的圆度、伸长度、朝向北、周长/厚度、和初始不变中心矩等形态特征，成功识别了多种单子叶杂草和双子叶杂草。2003，Chosmore D等[23]提取了小麦孢子图像的表面积、周长、突起数及突起的大小、最大(小)半径和圆形度等形态特征，成功分类了小麦印度腥黑穗病和黑麦草腥黑穗病孢子。2009年，张红涛等[24]在储粮害虫图像识别的研究中，针对粮虫的二值化图像提取出17个形态特征，并通过优化提取了面积、周长等七个特征的最优特征子空间，识别率达到95%以上。2012年，刁智华等[25]将不变矩理论引入到形状特征提取中，定义了七个Hu不变矩的瞬间参数，提取小麦叶部病害图像的形态特征，并应用到其设计的小麦病害智能识别系统中，得到较高的识别率。形态特征提取的难度较小，在早期的农作物病虫害图像特征提取中有着广泛的应用，但它也存在一些问题：缺乏比较完善的数学形态模型、目标形状信息与人眼的直观感觉的不完全一致等，导致提取的形态特征的有效性受到影响，这些是今后所要解决的研究难点。

3.2 颜色特征提取法

颜色特征是一种基于图像像素点的全局特征，颜色特征提取法也是农作物病虫害图像特征提取中常用到的方法。2002年，徐贵力等[26]用百分率直方图提取了番茄缺素叶片彩色图像的颜色特征，准确率达到70%。2004年，Jafari A等[27]使用R、G和B颜色特征来分类八种杂草，准确率不高。2010年，朱虹等[28]在小麦缺氮的研究过程中，通过对RGB和 HIS两种颜色系统表示的R、G、B、H、S、I和L 参量进行直方图统计量优化，提取了一些简单有效的小麦冠层图像颜色特征，提高了准确率。颜色特征提取法直观高效，但对图像的方向和大小等变化不敏感，不能很好地表示图像中目标的局部特征，在农业图像识别研究中有着其局限性。

3.3 纹理特征提取法

纹理特征也是一种全局特征，是指在图像中反复出现的局部模式和它们的排列规则[29]，纹理特征提取是图像特征提取领域的研究热点。2003年，徐贵力等[30]对无土栽培番茄缺乏营养元素智能识别研究中，利用差分百分率直方图法较好地提取出缺素叶片纹理特征，识别准确率在80%以上。2006年，Pydipati R等[31]使用基于HIS色度空间的颜色共生矩阵(CCM)法提取柑橘黑变病、疤痕和油脂点图像病斑纹理特征，结合广义二乘矩阵构建分类器，精度达到96%。2008年，谷庆魁[32]用空间灰度共现矩阵提取了玉米叶部病害图像的纹理特征，并结合小波变换进行提升小波分解纹理图像，达到良好的效果。纹理特征是一种重要的视觉线索,是图像中普遍存在而又难以描述的特征[33]，具有旋转不变性、抗噪能力强等优点；但另一方面，纹理分析是一个非常耗时的过程，纹理特征提取算法本身的执行效率低是其在实际应用中需要解决的问题。

3.4 颜色、纹理、形态相结合的提取方法

颜色、纹理、形态相结合的提取方法是近年来的研究趋势。2003年毛罕平等[34]在进行西红柿缺素智能识别系统的研究中，结合颜色特征和纹理特征，提出了采用相对差值百分率直方图法、差分算子法提取缺素叶片的颜色、纹理的时域特征，用傅里叶变换法提取纹理的频域特征，用小波变换法提取纹理的时频特征，分类精度达到92.5%以上。2011年，梁佳熙[35]综合考虑颜色、纹理、形态特征的特点，提出同时用RGB和HIS色度系统提取黄瓜霜霉病病叶颜色特征，用灰度共生矩阵提取病叶图像的纹理特征，对病斑部位提取了形态特征，实验结果表明了所提取特征的有效性。2012年， Patil J K等[36]通过计算玉米病叶的HSV直方图的图像的第一、第二及第三阶矩阵提取了颜色特征，通过计算图像的灰度级共生矩阵提取了图像的相关性、能量值、惯性和同质性等纹理特征，从而构建分类器识别病害，取得非常好的效果。颜色、纹理、形态特征单独提取各自有着局限性，将三者相结合的提取算法能最优化地提取到所需要的图像特征信息，是今后的研究趋势。

目前在农作物病虫害图像特征提取上，主要存在三个方面问题。一是提取方法的单一性，大部分病虫害的特征提取都是单一地使用某种方法去提取图像特征，如直方图法提取颜色特征、灰度矩阵法提取纹理特征等，造成对特征参量的分析、优化力度不够，特征提取效率低下。综合考虑多种特征提取算法，同时加大对特征参量优化算法的研究力度，引入新的理论和数学工具来分析、优化、提取特征值是研究趋势所在。二是提取目标的单一性，主要是以病虫害叶片、病斑为目标。造成这方面问题的原因是，多数研究人员是从图像处理的角度出发，对结合作物病理学知识进行特征提取缺乏考虑，发生病虫害的农作物往往在多个方面都有病症体现，如作物的根、茎、花果等其它部位都可能蕴含病状信息。今后的研究重点应着眼于扩大思路，结合作物病理学知识多元化、多角度地提取特征。三是提取特征时间点的单一性，大多数的特征提取都是在农作物病虫害症状十分明显时才进行，严重影响了实时性。定义多个提取时间节点，做到在农作物病虫害爆发的不同时期都能准确地提取到所需要的特征信息，才能为早识别、早防治提供可靠的依据。

4 农作物病虫害图像的分类识别

图像的分类识别，是指以提取的图像特征为对象，构建分类器，以达到目标识别的过程。分类识别是图像处理的后处理步骤，也是整个图像处理过程所要达到的目的，分类的精确度是所有分类算法所追求的结果。高精度、稳定、快速的农作物病虫害图像分类识别算法一直以来都是国内外相关领域专家学者所不懈追求的目标。根据分类判别规则的不同，有基于形状的分类、基于纹理的分类、统计分类等；根据分类结果的数量，有两类分类器和多类分类器之分，多类分类器某种意义下是两类分类器和策略的组合，经典的多类分类器有支持向量机法、神经网络法和模糊聚类法等[37]。

4.1 早期的分类方法

早在1985年，日本的安冈善文等[38]发现被污染的农作物叶片的污染区域在红外图像中有很清晰的显现，并首次提出可以此作为识别农作物病害的依据。1998年，Zayas I Y等[39]结合多光谱分析和模式识别技术来识别害虫，具有一定的识别率。1999年，Sasaki Y等[40]在黄瓜炭疽病的自动识别技术的研究中，采用遗传算法，建立了基于形状特性和分光反射特性的识别参数对病害叶片进行识别。早期的分类方法主要基于视觉系统的直观性，分类精度较低。

4.2 神经网络法

神经网络是一种模仿生物神经网络的结构和功能的数学模型，神经网络法的基本思想是通过对多层感知机样本训练，得到线性决策函数， 将决策函数作为对像素进行分类识别的依据，进而对图像分类识别。2007年，Gassoumi H等[41]开发了模糊神经网络分类识别算法，对提取到的12种常见棉田昆虫进行分类识别，其中的11种分类精度达到90%以上。2009年，祁广云等人[42]提出了采用改进遗传算法的神经网络对大豆叶片病斑进行识别，准确率达到90%以上。在2012年，温芝元等[43]在研究脐橙不同病虫害的通用机器识别技术中，将提取的病虫害图像的颜色特征值作为补偿模糊神经网络输入，建立识别脐橙病虫害的识别模型，得到理想的分类效果。神经网络法有抗噪性强、分类精度高等优点，近年来在农作物病虫害图像的分类识别中得到广泛的应用。但是，其并不完美，也存在缺点，目前神经网络的理论尚不成熟、基于神经网络的图像分类识别计算量大、需要训练的样本数多等问题影响到神经网络在图像识别中的应用，今后研究的目标是要解决好这些问题。

4.3 支持向量机法

支持向量机法是一种基于统计学习理论的机器学习方法，它的基本思想是：在样本空间构建最优分类面，以使分类间隔最大化为原则进行统计分类[44]，支持向量机法在农作物病虫害图像识别领域也有着广泛的应用。2004年，田有文等[45]使用支持向量机分类法(SVM)对番茄病害图像进行分类识别，结果证明以支持向量机为代表的核函数法在农作物病斑形状复杂且训练样本较少的情况下的分类识别具有高识别率、强泛化性等优势。随后，他又选取四种核函数构建支持向量机分类器识别黄瓜病害[46]，进一步证明了此种优势。2010年，刁智华[47]在他的大田小麦病害智能诊断系统中提出了一种采用平衡决策树结构的支持向量机多类分类算法，分类效果较好。2011年，张建华等[48]利用径向基支持向量机识别棉花棉蚜、棉叶螨、棉盲蝽、斜纹夜蛾、烟粉虱等棉花虫害，识别率达到88%以上。支持向量机法能够在样本空间较少的条件下取得很好的分类效果，且分类的图像边缘具有良好的统计特性，在农作物病虫害图像识应用和研究中有着良好的优势，但该方法的性能过于依赖核函数和对样本的训练速度，今后的研究中要解决好这些问题，才能更有效地将其应用到图像识别中。

4.4 模糊聚类法

利用模糊聚类法构建分类器进行图像分类识别也是近年来的研究热点。2006年，杜瑞卿等[49]对提取的28种昆虫的形状参数、球状性、叶状性等七项数学形态特征进行了模糊聚类分类,并结合粗糙集理论进行分析,实验结果得到了较高的准确率。2009年, 赵进辉等[50]利用模糊C-means聚类法识别甘蔗棉蚜虫,准确率达到85%。模糊聚类法在图像分类识别中的基本思想与其在图像分割中相似，收敛速度慢、必须先确定分类数等局限条件使得模糊聚类法在农作物病虫害图像分类识别中的应用受到影响，在实际应用的过程中要结合其他算法使用才能更好地发挥其优势。

4.5 新方法

2007年，Sammany M等[51]同时把支持向量机和神经网络两种方法结合起来应用于识别植物病害，并用粗糙集优化特征参数，提高了分类精度。2010年，管泽鑫等[52]提取水稻病害图像的形态、纹理、颜色特征参数，提出利用逐步判别分析法分类特征参数并利用贝叶斯判别法进行分类识别，识别率高达97.2%。2012年张红涛等[53]采用高光谱图像识别粮仓米象活虫，对 1 320～1 680 nm 之间的 110 个波长的高光谱图像，应用相邻波长指数法进行分析，提出用双区域连通阈值面积比的区域生长法分类粮虫活虫、死虫效果良好。单一的分类方法各有利弊，将多种方法相结合并引入新的技术理念，以求达到最好的图像分类识别效果是今后的研究趋势。

目前农作物病虫害图像分类识别研究上的问题在于：一方面，农作物病虫害的种类繁多且存在变化，同一种疾病不同的时期、不同的环境下表现出来的症状可能不同，而目前的分类识别算法局限性很强，大多只是针对一两类疾病在特定时期的特征识别，鲁棒性差；另一方面，由于目前所开发的农作物病虫害识别系统大多为线下、静态识别，实时性差且识别精度低，导致实际应用效果差，效率低下。未来的研究趋势在于，开发稳定的、精确度高且通用性强的分类识别算法，并结合网络以及遥感等手段，真正实现农作物病虫害在动态、自然真实环境下的自动检测、识别、上报、诊断等功能，这也是未来农作物病虫害的图像识别技术的研究难点和热点。

5 结束语

本文从图像分割、特征提取、分类识别三个方面，对近十几年来国内外的专家学者在农作物病虫害图像识别领域所做的研究做了一个比较全面的综述，不难看出，虽然该领域的研究成果丰富，发展迅速，但在实际应用的过程中也存在很多问题需要解决和改善。

综观近十几年来农作物病虫害图像识别领域的文献，可以得出以下几点总结和预测：一是农作物病虫害图像分割将是今后领域中的研究热点和难点，这是由分割问题本身的复杂性和图像分割在图像识别过程中的关键性所决定的，复杂环境下的作物图像分割是领域内公认的研究难点，只有解决好分割的问题，才能更好地完成图像的特征提取和分类识别。二是农作物虫害图像识别相对于病害图像识别发展较慢，相关的研究文献较少，远达不到实际应用的要求，原因在于虫害相对于病害的动态特性以及害虫本身的迁飞性、昼伏夜出、虫体微小、钻蛀性等隐蔽性特点[54]使得虫害的图像识别问题变的异常困难。所以，今后的一段时间里，农作物病虫害图像识别领域的研究仍会以作物病害图像识别为主，随着病害图像识别技术的发展和成熟，虫害图像识别研究将逐渐成为热点。三是任何单一的农作物病虫害图像识别方法都有这样那样的缺点，引入新的学科理论，结合最新科技，重视多种方法的综合使用以寻求最优的图像识别策略是当今领域主流的研究趋势。

总而言之，如何利用农作物病虫害图像识别技术来更好地解决农作物病虫害问题，保障农业生产具有重要意义和远大的前景。

[1] Lucas B G, Campbell C L, Lucas L T. Introduction to plant diseases:Identification and management [M]. US:Van Nostrand Reinhold, 1992.

[2] Han Si-qi, Wang Lei. A survey of thresholding methods for image segmentation[J]. Systems Engineering and Electronics,2002,24(6):91-94.(in Chinese)

[3] Xinxiong S.In accordance with the image extracting plant growth information[Z]. The 6th Branch Research Data of the Agricultural Society of Mechanical Engineers, 1989:1-2.(in Chinese)

[4] Chen Jia-juan,Zhao Xue-du.Automatic measurement of danger degree of cotton insect pests using computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering, 2001, 17(2):157-160.(in Chinese)

[5] Camargo A, Smith J S. An image-processing based algorithm to automatically identify plant disease visual systems[J]. Bio-systems Engineering,2009(102):9-21.

[6] Duan Rui-ling, Li Qing-xiang, Li Yu-he. Summary of image edge detection[J].Optical Technique,2005,31(3):415-419.(in Chinese)

[7] Baum T,Seiffert U. Hyph area-automated analysis of spatiotemporal fungal patterns[J].Journal of Plant Physiology,2011(68):72-78．

[8] He Dan-dan,Xu Mei.Rice leaf edge detection algorithm based on multi-strategy fusion technique[J]. Journal of Northeast Agricultural University,2012,43(5):65-68.(in Chinese)

[9] Nalwa V S,Binford T O.On detecting edges[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986,8(6):699-714.

[10] Casady W W, Singh N, Costello T A. Machine vision for measurement of rice canopy dimensions [J].Transactions of the ASAE, 1996, 39(5):1891-1898.

[11] Wang Ping,Tang Jiang-feng,Wang Bo, et al. Image segmentation method of plant leaves based on mathematical morphology[J]. Acta Agriculturae Zhejiangensis, 2012,24(3):509-513.(in Chinese)

[12] Ren Lei,Lai Hui-cheng,Chen Qin-zheng, et al. Cotton image segmentation method based on improved watershed[J]. Computer Engineering and Applications,2012,48(34):207-212.(in Chinese)

[13] Sun Ji-gui, Liu Jie, Zhao Lian-yu. Clustering algorithms research[J]. Journal of Software,2008,19(1):48-61.(in Chinese)

[14] Wang Shou-zhi, He Dong-jian,Li Wen, et al. Plant leaf disease recognition based on kernelK-means clustering algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery,2009, 40(3):152-155.(in Chinese)

[15] Jaware T H, Badgujar R D, et al. Crop disease detection using image segmentation [J]. World Journal of Science and Technology, 2012,2(4):190-194.

[16] Ostu N.A threshold selection method from gray level histogram[J].IEEE Transactions on SMC,1979(9):652-655.

[17] Li Zhen,Hong Tian-sheng,Zeng Xiang-ye, et al. Citrus red mite image target identification based onK-means clustering[J]. Transactions of the Chinese Society of Agricultural Engineering,2012,28(23):147-153.(in Chinese)

[18] Diao Zhi-hua,Song Yin-mao,Wang Huan, et al. Study surveys on image segmentation of plant disease spot[J]. Journal of Agricultural Mechanization Research,2012, 10(10):1-11.(in Chinese)

[19] Lai Jun-chen,Tang Xiu-juan,Li Shao-kun,et al.Maize leaf disease spots segmentation based on Gauss-MRF model[J]. Scientia Agricultura Sinica, 2010, 43(7):1363-1369.(in Chinese)

[20] Yuan Yuan,Li Miao,Liang Qing,et al.Segmentation method for crop disease leaf images with complex background[J]. Transactions of the Chinese Society of Agricultural Engineering,2011,27(2):208-212.(in Chinese)

[21] Hu Xiao-hong,Li Bing-jun,Xi Lei. Multi-instance graph approach to wheat leaf disease segmentation[J]. Transactions of the Chinese Society of Agricultural Engineering,2012,28(13):154-159.(in Chinese)

[22] Woebbecke D M,Meyer G E，Bargen K-V, et al. Shape features for identifying young weeds using image analysis[J].Transactions of the ASAE, 1995,38(1):271-281.

[23] Chesmore D, Bernard T, Inman A J, et al. Image analysis for the identification of the quarantine pest Tilletia Indica [J].EPPO Bulletin,2003,3(3):495-499.

[24] Zhang Hong-tao,Mao Han-ping,Qiu Dao-yin. Feature extraction for the stored-grain insect detection system based on image recognition technology[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(2):126-130.(in Chinese)

[25] Diao Zhi-hua,Zheng An-ping,Wu Yuan-yuan.Shape feature extraction of wheat leaf disease based on invariant moment theory[J].IFIP Advances in Information and Communication Technology, 2012(369):168-173.

[26] Xu Gui-li, Mao Han-ping, Li Ping-ping. Extracting color features of leaf color images[J]. Transactions of the Chinese Society of Agricultural Engineering,2002,18(4):150-154.(in Chinese)

[27] Jafari A,Mohtasebi S S,Jahromi H E, et al. Color feature extraction by means of discriminant analysis for weed segmentation[J]. The Canadian Society for Engineering in Agricultural,Food,and Biological Systems,2004.

[28] Zhu Hong, Zheng Li-min, Yin Jian-ling, et al. Nitrogen evaluation of winter wheat based on color features of canopy images[J]. Transactions of the Chinese Society of Agricultural Engineering,2010, 26(2):16-20.(in Chinese)

[29] Tuceryan M, Jain A K. Texture analysis, Handbook pattern recognition and computer vision[M]. Singapore :World Scientific,1993.

[30] Xu Gui-li, Mao Han-ping Li Ping-ping. Research on extraction leaf texture features as sample of nutrient shortage by percent histogram of differentiation[J]. Transactions of the Chinese Society of Agricultural Machinery,2003,34(2):76-79.(in Chinese)

[31] Pydipati R, Burks T F, et al. Identification of citrus disease using color texture features and discriminant analysis[J]. Computers and Electronics in Agriculture,2006(52):49-59.

[32] Gu Qing-kui. A pattern recognition system about maize leaf disease based on computer image processing[D].Shenyang:Shenyang Ligong University,2008.(in Chinese)

[33] Liu li,Kuang Gang-yao. Overview of image textural feature extraction methods[J]. Journal of Image and Graphics, 2009,14(4):622-635.(in Chinese)

[34] Mao Han-ping, Xu Gui-li, Li Ping-ping. Extracting and selecting features of leaf images for diagnosing nutrient deficiency diseases in tomatoes[J]. Transactions of the Chinese Society of Agricultural Engineering, 2003, 19(2):1.(in Chinese)

[35] Liang Jia-xi. The research and application on cucumber scle- rophthora macrospora experimental based on the image processing[D].Changchun:Jilin University, 2011.(in Chinese)

[36] Patil J K, Raj K. Feature extraction of diseased leaf images [J]. Journal of Signal and Image Processing，2012, 3(1)：60-63.

[37] Wang Li-ya. Feature extraction and classification for images[D].Xi’an:Xidian University,2006.(in Chinese)

[38] Shanwen H.Image processing technology in environmental applications[M]∥Electric Association Journal Featured, 1985:455-458.(in Chinese)

[39] Zayas I Y,Inna Y.Detection of insects in bulks wheat samples with machine vision[J].Transaction of the ASAE,1986,6(3):883-888.

[40] Sasaki Y， Okamoto T. Automatic diagnosis of plant disease recognition between healthy and healthy and diseased leaf [J]. Journal of JSAM,1999,61(2)：119-126.

[41] Gassoumi H, Prasad N R, Ellington J J. Neural network-based approach for insect classification in cotton ecosystems[C]∥Proc of International Conference on Intelligent Technologies, 2007:1.

[42] Qi Guang-yun,Ma Xiao-dan,Guan Hai-ou. Extraction of the image of soybean target leaf spot based on improved genetic algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering,2009, 25(5):142-145.(in Chinese)

[43] Wen Zhi-yuan,Cao Le-ping. Image recognition of navel orange diseases and insect pests based on compensatory fuzzy neural networks[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28 (11):152-157.(in Chinese)

[44] Zhang Xue-gong. Intronduction to statistical learning theory and support vector machines[J]. Acta Automatica Sinica,2000,26(1):32-42.(in Chinese)

[45] Tian You-wen, Zhang Chang-shui, Li Cheng-hua. Application of support vector machine to shape recognition of plant disease spot[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004,20(3):134-136.(in Chinese)

[46] Tian You-wen,Niu Yan. Applied research of support vector machine on recognition of cucumber disease[J]. Journal of Agricultural Mechanization Research,2009(3):36-39.(in Chinese)

[47] Diao Zhi-hua. Research and application of intelligent system of field wheat leaf disease detection[D].Hefei:University of Science and Technology of China,2010.(in Chinese)

[48] Zhang Jian-hua,Ji Rong-hua,Yuan Xue, et al. Recognition of pest damage for cotton leaf based on RBF-SVM algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011,42(8):178-183.(in Chinese)

[49] Du Rui-qing,Zhang Zheng-tian,Liu Guang-liang,et al.Application of rough-set theory and fuzzy clustering analysis in insect taxonomy[J]. Acta Entomologica Sinica,2006, 49(1):106-111.(in Chinese)

[50] Zhao Jin-hui , Liu Mu-hua, Yao Ming-yin. Study on image recognition of insect pest of sugarcane cotton Aphis based on rough set and fuzzy C-means clustering[C]∥Proc of the 3rd International Symposium on Intelligent Information Technology Application(IITA 2009), 2009:553-555.

[51] Sammany M,Medhat T.Dimensionality reduction using rough set approach for two neural networks-based applications[C]∥Proc of Rough Sets and Intelligent Systems Paradigms, 2007:639-647.

[52] Guan Ze-xin,Tang Jian,Yang Bao-jun, et al. Study on recognition method of rice disease based on image[J]. Chinese Journal of Rice Science,2010,24(5):497-502.(in Chinese)

[53] Zhang Hong-tao,Mao Han-ping,Han Lü-hua. Detection of live Sitophilus oryzae (L.) in stored wheat by near-infrared hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012,28(8):263-268.(in Chinese)

[54] Wang Ke-ru. Diagnosis of crop disease,insect pest and weed based on image recognition[D].Beijing:Chinese Academy of Agriculture Sciences,2005.(in Chinese)

附中文参考文献：

[2] 韩思奇，王蕾.图像分割的阈值法综述[J].系统工程与电子技术,2002,24(6):91-94.

[3] 穗波信雄.根据图像提取植物的生长信息[Z].农业机械学会关西支部第6次支部研究资料,1989:1-2.

[4] 陈佳娟,赵学笃.采用计算机视觉进行棉花虫害程度的自动测定[J].农业工程学报,2001, 17(2):157-160.

[6] 段瑞玲,李庆祥,李玉和.图像边缘检测方法研究综述[J].光学技术,2005,31(3):415-419.

[8] 何丹丹,徐梅.基于多策略融合技术的水稻叶片边缘检测算法研究[J].东北农业大学学报,2012,43(5):65-68.

[11] 王萍,唐江丰,王博,等. 基于数学形态学的植物叶片图像分割方法研究[J]. 浙江农业学报, 2012,24(3):509-513.

[12] 任磊,赖惠成,陈钦政,等.基于改进分水岭的棉花图像分割方法[J].计算机工程与应用,2012,48(34)：207-212.

[13] 孙吉贵,刘杰,赵连宇.聚类算法研究[J].软件学报,2008,19(1):48-61.

[14] 王守志,何东健,李文,等. 基于核K-均值聚类算法的植物叶部病害识别[J]. 农业机械学报,2009,40(3):152-155.

[17] 李震,洪添胜,曾祥业,等.基于K-means聚类的柑橘红蜘蛛图像目标识别[J].农业工程学报,2012,28(23):147-153.

[18] 刁智华,宋寅卯,王欢,等.基于植物病斑的图像分割研究综述[J].农机化研究,2012, 10(10):1-11.

[19] 赖军臣,汤秀娟,李少昆,等. 基于G-MRF模型的玉米叶斑病害图像的分割[J]. 中国农业科学,2010, 43(7):1363-1369.

[20] 袁媛,李淼,梁青，等. 基于水平集的作物病叶图像分割方法[J]. 农业工程学报,2011,27(2)：208-212.

[21] 虎晓红,李炳军,席磊. 基于多示例图的小麦叶部病害分割方法[J]. 农业工程学报,2012,28(13)：154-159.

[24] 张红涛,毛罕平,邱道尹.储粮害虫图像识别中的特征提取[J].农业工程学报, 2009, 25(2):126-130.

[26] 徐贵力, 毛罕平, 李萍萍. 缺素叶片彩色图像颜色特征提取的研究[J]. 农业工程学报,2002,18(4):150-154.

[28] 朱虹, 郑丽敏,尹健玲，等.基于冠层图像颜色特征提取的小麦氮营养水平评价[J]. 农业工程学报,2010, 26(2):16-20.

[30] 徐贵力,毛罕平,李萍萍.差分百分率直方图法提取缺素叶片纹理特征[J].农业机械学报,2003,34(2):76-79.

[32] 谷庆魁. 基于计算机图像处理的玉米叶部病害识别系统[D].沈阳:沈阳理工大学,2008.

[33] 刘丽,匡纲要.图像纹理特征提取方法综述[J].中国图像图形学报,2009, 14(4):622-635.

[34] 毛罕平,徐贵力，李萍萍.西红柿缺素叶片的图像特征提取和优化选择研究[J].农业工程学报, 2003, 19(2):1.

[35] 梁佳熙.基于图像处理的黄瓜霜霉病实验研究及应用[D].长春:吉林大学,2011.

[37] 王丽亚.图像的特征提取和分类[D].西安：西安电子科技大学,2006.

[38] 安冈善文.图像处理技术在环境中的应用[M]∥电气学会杂志特集,1985:455-458.

[42] 祈广云,马晓丹,关海鸥.采用改进遗传算法提取大豆叶片病斑图像[J].农业工程学报,2009,25(5):142-145.

[43] 温芝元,曹乐平. 基于补偿模糊神经网络的脐橙不同病虫害图像识别[J]. 农业工程学报,2012,28 (11):152-157.

[44] 张学工.关于统计学习理论与支持向量机[J].自动化学报,2000,26(1):32-42.

[45] 田有文,张长水,李成华.支持向量机在植物病斑形状识别中的应用研究[J].农业工程学报, 2004,20(3):134-136.

[46] 田有文,牛妍.支持向量机在黄瓜病害识别中的应用研究[J].农机化研究,2009(3):36-39.

[47] 刁智华.大田小麦叶部病害智能诊断系统研究与应用[D].合肥:中国科学技术大学,2010.

[48] 张建华,冀荣华,袁雪,等.基于径向基支持向量机的棉花虫害识别[J].农业机械学报,2011,42(8):178-183.

[49] 杜瑞卿, 张征田,刘广亮,等. 粗糙集模糊聚类分析法在昆虫分类研究中的应用[J]. 昆虫学报,2006, 49(1):106-111.

[52] 管泽鑫,唐健,杨保军,等.基于图像的水稻病害识别方法研究[J].中国水稻科学,2010,24(5):497-502.

[53] 张红涛,毛罕平,韩绿化.近红外高光谱成像技术检测粮仓米象活虫[J].农业工程学报,2012, 28(8):263-268.

[54] 王克如.基于图像识别的作物病虫草害诊断研究[D].北京:中国农业科学院,2005.