基於圖像分析的植物及其病蟲害識別方法研究（簡體書）

從國內外發展情況來看，依據植物的葉片圖像特徵進行植物分類與病蟲害識別是目前較為有效的方式之一，它也是未來數字化植物研究的一種發展趨勢,對植物分類智能化和有效防治農作物病害的發生，提高農作物的產量，減少農藥對農產品和環境的污染，均具有重要的現實意義。本書在總結國內外研究成果的基礎上，以提高植物及其病害識別準確率和效率為目標，對植物葉片及其葉部病害的圖像分割、特徵提取、病害診斷識別方法等關鍵技術展開系統研究，以期能對相關部門和個人提供參考。

張傳雷，副教授、加拿大瑞爾森大學(Ryerson University)博士後、IEEE會員、ACM會員、CCF會員和中國電子學會高級會員。2000―2010年，任摩托羅拉(中國)研發經理、高級工程師等職，有多年的移動與互聯網產品的研發經驗。主要從事模式識別、信息處理、圖像處理、物聯網和大數據挖掘等方面的基礎應用研究。
近5年來主持天津市自然科學基金(重點項目)、天津市留學回國人員科技活動啟動項目(優秀類)、天津市應用基礎與前沿技術研究計劃(一般項目)、天津市科技特派員項目、天津市津南區科技計劃項目、天津市高等學校科技發展基金計劃項目和天津市2015年度高校聘請外專特色項目各1項，參與國家自然科學基金1項，相應成果發表在國際SCI、EI檢索期刊上，有30餘篇。
目前擔任學術期刊IEEE Trans. on Industrial Informatics、IEEE Access、Computers in Biology and Medicine、KSII Trans. on Internet and Information Systems、Computers and Electronics in Agriculture、Soft Computing、Applied Soft Computing，以及《中國礦業大學學報》《煤炭學報》《北京理工大學學報》和多個國際學術會議論文的審稿人。

第1章緒論1
11研究背景及意義1
12研究現狀概述4
13主要植物葉片數據集介紹11
參考文獻15

第2章葉片圖像分類特徵及圖像預處理20
21葉片圖像識別步驟20
22植物葉片圖像的分類特徵21
23植物葉片圖像預處理技術33
參考文獻45

第3章植物葉片圖像常用的分割方法56
31圖像分割定義56
32基於邊緣檢測的圖像分割方法57
33基於灰度閾值的圖像分割方法64
34基於區域的圖像分割方法70
35分水嶺算法72
36基於小波的圖像分割方法74
37基於聚類分析的圖像分割方法75
38基於水平集的圖像分割方法79
39基於圖論的圖像分割方法79
參考文獻81

第4章最大最小判別映射植物葉片圖像分類方法研究95
41最大最小判別映射方法96
42實驗結果與分析102
43小結105
參考文獻105

第5章基於葉片圖像和監督正交最大差異伸展的植物識別方法
研究108
51監督正交最大差異投影算法109
52實驗結果與分析112
53小結115
參考文獻116

第6章採用局部判別映射算法的玉米病害識別方法研究119
61局部判別映射算法121
62實驗結果與分析124
63小結126
參考文獻127

第7章監督正交局部保持映射的植物葉片分類方法研究130
71監督正交局部保持映射131
72實驗結果與分析137
73小結141
參考文獻141
第8章基於葉片圖像處理和稀疏表示的植物識別方法146
81稀疏表示和植物識別148
82實驗結果與分析156
83小結159
參考文獻160

第9章基於稀疏表示字典學習的植物分類方法162
91基於稀疏表示的植物分類方法164
92實驗結果與分析168
93小結174
參考文獻174

第10章環境信息在黃瓜病害識別方法中的應用研究179
101葉片圖像獲取179
102實驗結果與分析182
103小結186
參考文獻187

第11章基於判別映射分析的植物葉片分類方法191
111最大邊緣準則(MMC)192
112判別映射分析算法(DPA)192
113實驗結果194
114小結195
參考文獻196

第12章基於卷積神經網絡的植物病害識別方法198
121植物病害識別方法的簡介198
122卷積神經網絡200
123基於三通道CNNs的植物病害識別方法204
124實驗結果與分析206
125小結210
參考文獻211

第13章基於環境信息和深度自編碼網絡的農作物病害預測模型214
131農作物的致病因素及病害預測模型簡介214
132材料與方法215
133實驗結果與分析220
134小結221
參考文獻222

第14章基於改進深度置信網絡的大棚冬棗病蟲害預測模型225
141冬棗病蟲害及預測模型簡介225
142植物病蟲害環境信息獲取225
143深度置信網絡226
144冬棗病蟲害預測模型231
145實驗方法232
146小結234
參考文獻234

後記239
第1章緒論1
11研究背景及意義1
12研究現狀概述4
13主要植物葉片數據集介紹11
參考文獻15

第2章葉片圖像分類特徵及圖像預處理20
21葉片圖像識別步驟20
22植物葉片圖像的分類特徵21
23植物葉片圖像預處理技術33
參考文獻45

第3章植物葉片圖像常用的分割方法56
31圖像分割定義56
32基於邊緣檢測的圖像分割方法57
33基於灰度閾值的圖像分割方法64
34基於區域的圖像分割方法70
35分水嶺算法72
36基於小波的圖像分割方法74
37基於聚類分析的圖像分割方法75
38基於水平集的圖像分割方法79
39基於圖論的圖像分割方法79
參考文獻81

第4章最大最小判別映射植物葉片圖像分類方法研究95
41最大最小判別映射方法96
42實驗結果與分析102
43小結105
參考文獻105

第5章基於葉片圖像和監督正交最大差異伸展的植物識別方法
研究108
51監督正交最大差異投影算法109
52實驗結果與分析112
53小結115
參考文獻116

第6章採用局部判別映射算法的玉米病害識別方法研究119
61局部判別映射算法121
62實驗結果與分析124
63小結126
參考文獻127

第7章監督正交局部保持映射的植物葉片分類方法研究130
71監督正交局部保持映射131
72實驗結果與分析137
73小結141
參考文獻141
第8章基於葉片圖像處理和稀疏表示的植物識別方法146
81稀疏表示和植物識別148
82實驗結果與分析156
83小結159
參考文獻160

第9章基於稀疏表示字典學習的植物分類方法162
91基於稀疏表示的植物分類方法164
92實驗結果與分析168
93小結174
參考文獻174

第10章環境信息在黃瓜病害識別方法中的應用研究179
101葉片圖像獲取179
102實驗結果與分析182
103小結186
參考文獻187

第11章基於判別映射分析的植物葉片分類方法191
111最大邊緣準則(MMC)192
112判別映射分析算法(DPA)192
113實驗結果194
114小結195
參考文獻196

第12章基於卷積神經網絡的植物病害識別方法198
121植物病害識別方法的簡介198
122卷積神經網絡200
123基於三通道CNNs的植物病害識別方法204
124實驗結果與分析206
125小結210
參考文獻211

第13章基於環境信息和深度自編碼網絡的農作物病害預測模型214
131農作物的致病因素及病害預測模型簡介214
132材料與方法215
133實驗結果與分析220
134小結221
參考文獻222

第14章基於改進深度置信網絡的大棚冬棗病蟲害預測模型225
141冬棗病蟲害及預測模型簡介225
142植物病蟲害環境信息獲取225
143深度置信網絡226
144冬棗病蟲害預測模型231
145實驗方法232
146小結234
參考文獻234

後記239