直方图均衡化过程例题

       文丨初八没烦恼
       编辑丨初八没烦恼


       小麦条锈病是一种真菌性病害，主要危害小麦叶片，小麦条锈病发生后，轻则可导致减产10%~20%，严重的情况下减产50%左右。
       小麦条锈病分级，是对小麦条锈病病情严重程度评估和诊断，以及病害防控管理工作的重要依据。




       小麦叶锈病的红外热成像
       目前，植物病害图像识别方法主要为传统机器学习和深度学习，传统机器学习方法通常基于手工提取图像的颜色特征、纹理特征、边缘特征等数据信息，
       结合PCA、SVM、AdaBoost、K-means等机器
       学习方法实现作物病害识别分类。
       有研究人员通过小麦叶锈病的红外热成像图像，采用直方图均衡化、中值滤波预处理和阈值分割方法，，识别小麦叶锈病分级正确率达90%。
       还利用数码图像对小麦条锈病进行分级，结果显示识别发病程度较轻的样本和发病程度较重的样本正确率为92.5%和77.5%。
       虽然这些手工提取图像特征的方法在植物病害研究取得较好的识别效果，但是其存在特征工程的依赖、高维稀疏数据的挑战、
       处理复杂关系的能力有限、对大规模数据的处理困难
       和对标注数据的依赖等不足之处。


       随着深度学习技术的发展，UNet、ResNet、L-CSMS等方法逐渐应用于作物病害识别，这些方法实现了图像特征的自主学习，并对训练过程进行优化，提高了作物病害识别性能。
       并且构建MUNet模型并对玉米大斑病和
       玉米北方炭疽病进行分级为94%
       ，基于YOLOv4模型识别番茄病害准确率达94.77%。


       通过改进Faster-RCNN识别小麦条锈病和黄矮病平均精度达91.06%，接着采用MobileNetv2模型结合大间隔最近邻算法，识别小麦赤霉病严重度分级的准确率比基线网络MobileNetv2提高了3.5%。
       也基于改进ResNet模型识别欧洲小麦病害精度达87%
       ，这些研究通过深度学习方法优化网络模型结构提高病害复杂特征的自主学习能力，相较于传统机器学习方法避免了手动特征工程的繁琐过程。


       这样弥补了传统机器学习方法的不足
       ，较好的改善了模型的鲁棒性，提高了作物病害识别监测精度，在作物病害识别监测中得到广泛应用。
       基于图像信息的作物病害识别已经取得了一些进展，但仍存在一些挑战和不足之处，如作物病害等级之间的特征差异较小、建模样本数据集不全面、模型泛化能力低、适用性差等问题。


       因此，需建立更加完善的数据样本集，设计更加精细准确的病害等级识别模型吗，进一步改善病害识别精度。
       基于此，此项研究以小麦条锈病为例，建立大量病害样本信息的数据集，通过改进ResNet模型并对比分析不同的深度学习模型，
       结合精度评价指标优选最适识别模型
       ，为小麦条锈病病害等级识别研究应用提供技术参考。


       研究区概况
       研究区位于新乡市原阳县河南省农业科学院现代农业科技试验示范基地，属于温带大陆性季风气候，四季分明，年平均气温为14.2℃，降水集中在夏季和秋季，全年平均降水量为680mm左右。
       其气候条件比较适合小麦的生长，
       冬季寒冷有利于小麦的休眠
       ，春季气温升高有利于小麦的生长发育。


       并且其土壤资源也比较适宜小麦生长，该地区的土壤肥沃，土层深厚，有机质含量较高，能够为小麦提供良好的土壤环境。
       图像采集方式是将叶片从小麦植株上完整裁剪下来进行垂直拍摄，手机与小麦叶片之间的距离为0.2~0.5m，以获取不同光照条件下的样本，
       图像分辨率为3072像素×4096像素。


       按照农业行业标准，在小麦条锈病抗病育种专家指导下对采集的小麦叶片条锈病样本进行等级划分，并制定图片标签和统一编号。
       为方便网络训练，开展卷积运算操作，
       需要对小麦叶片条锈病害图像规格尺寸进行统一
       ，小麦叶片图像主要信息集中在中间区域，因此，小麦叶片图像需进行批量裁剪后再用于模型的识别研究。


       研究方法
       为验证小麦条锈病数据集在
       深度学习模型上的泛化性
       ，将改进残差网络模型与其他主流网络模型进行试验对比。
       5个对比模型分别为VGG16、MobileNetV2、Swin-Transformer、ResNet34和SResNet34。


       其中
       VGG16、MobileNetV2、Swin-Transformer、ResNet34
       等4种深度模型具有高性能、复杂特征学习能力、迁移学习优势等特点广泛应用于图像识别研究中，并且每个深度模型都有其独特的架构和设计特点。
       例如，VGG16具有深层的卷积结构，适合于对图像进行逐层的特征提取，MobileNetV2则专注于轻量级的设计，适合在资源受限的环境中运行。


       Swin-Transformer则引入了Transformer架构，能够捕捉全局和局部的特征关系，ResNet34则是经典的残差网络结构，
       在解决梯度消失问题上表现出色。
       ResNet模型结构ResNet是目前在图像分类、目标检测和语义分割等领域中最为流行的深度神经网络之一。


       其主要创新在于引入了残差连接，通过在网络中添加跨层连接，解决了深度神经网络训练时出现的梯度消失和梯度爆炸问题，从而使得网络可以更深更宽，提高了网络的表达能力和泛化能力。
       具体来说，
       ResNet的残差连接是指在网络中添加跨层连接
       ，将前一层的输出直接加到后面的层中，从而构成了残差块。


       这样做的主要目的是为了让网络可以学习残差，即网络的输出与输入之间的差异，而不是直接学习输出。
       通过这种方式，网络可以更加容易地学习到恒等映射，从而避免了梯度消失和梯度爆炸问题，
       使得网络可以更深更宽，并且训练效果更好。


       并且ResNet还采用了其他一些技巧来进一步优化网络的性能和泛化能力，例如批量归一化和预训练等方法。
       批量归一化可以加速网络的训练过程，提高网络的泛化能力，而预训练则可以利用更大的数据集来预训练网络，
       从而进一步提高网络的性能和泛化能力。


       为更有效地获取小麦条锈病叶片上的细微特征，提高识别病害不同等级间的准确性，本研究
       在ResNet34模型基础上，提出了S-ResNet34模型。
       ResNet34模型是在ResNet网络模型中添加SE模块和Inception模块，通道注意力机制模块包含压缩模块和激励模块，其作用是在保留原始特征的基础上。


       通过学习不同通道之间的关模型的表现能力，增强模型对特征的重要性建模能力，提高图像分类性能。
       Inception模块包含1×1、3×3、5×5卷积和最大池化，较小尺寸的卷积核擅长提取局部特征，较大尺寸的卷积核有助于捕捉全局特征，
       拓展神经网络层与层之间的卷积运算。


       增加了网络的宽度，使其能够适应不同的分类任务，可以增强网络的表达能力，SE模块和Inception模块如图4所示。
       在ResNet34模型中，利用步长为2，尺寸为7×7的卷积核对输入的小麦叶片图像病害特征进行提取，
       通过一系列的卷积层和激活函数，称为主路径。


       主路径的输出特征与输入特征进行相加，得到残差，
       将残差与输入特征相加，得到最终的残差块输出特征。
       小麦条锈病不同等级病害特征的视觉形状相似，所以可以利用注意力机制和使用更多卷积核调整感受野大小，提取更为精细的小麦叶片条锈病害细粒度特征。


       添加的SE模块可以使网络模型自适应地学习特征通道之间的关系，并对特征进行加权融合，
       增强模型对于小麦叶片图像重要特征的关注程度，从而提升模型性能。
       添加的Inception模块通过使用不同尺寸的卷积核，有助于获取更广泛的小麦条锈病害特征信息和捕捉更多的小麦叶片图像局部化特征，模型可以从不同抽象级别的特征中受益。


       实现多种病害尺度特征的融合，从而更好地适应小麦条锈病害图像视觉任务的需求，提高模型在处理细粒度图像时识别性能。
       同时，通过增加网络的宽度，可以增强网络的表达能力，而且由于尺寸较小的卷积核具有较少的参数量，
       从而在提高网络性能的同时，还具备了计算效率和参数优化的优势。


       为了分析深度学习网络模型在小麦条锈病害等级识别任务中的适用性，对VGG16、MobileNetV2、Swin-Transformer、ResNet34和S-ResNet34等5种深度学习模型进行实验对比，不同模型准确率和损失值变化。
       可知：不同模型准确率和损失值随着训练轮数的增加而变化直至趋于稳定，各模型通过训练不断学习各样本特征，
       准确率呈上升趋势，损失值呈下降趋势
       ，模型的分类识别能力也不断提升。


       不同模型中，以S-ResNet34模型的拟合速度很快，约10个epoch即可就达到较高准确率和较低损失值，MobileNetV2模型次之，约15个epoch即可达到较高准确率和较低损失值。
       VGG16、Swin-Transformer、ResNet34模型
       的拟合速度是约需20个epoch才能达到较高准确率和较低损失值。


       对比各模型训练迭代次数与准确率和损失值的变化，S-ResNet34模型在迭代至40轮左右时，准确率开始收敛。
       ResNet34模型在迭代至60轮左右时，
       准确率才开始收敛，S-ResNet34模型损失值最低
       ，说明S-ResNet34模型提取叶片图像边缘轮廓和病害特征时，通过对特征进行加权融合和采用尺寸不一的卷积核。


       增强了模型对叶片图像重要特征的关注程度和细粒度特征提取，使得模型获取更多条锈病不同等级病害的细粒度特征，从而提升模型识别病害等级的性能。
       本项实验自建小麦叶片条锈病数据集，
       通过改进ResNet34模型，对比不同主流的深度学习模型
       ，完成对小麦条锈病害等级的识别，为深度学习在小麦条锈病病害等级识别研究中的应用提供了一定的技术参考。


       但是
       小麦叶片受背景遮挡、生长位置和太阳高度角等不确定因素
       ，会使小麦叶片在轮廓信息和几何特征等方面存在差异，影响图像的分级效果。
       因此在后期研究中将考虑小麦田间背景复杂的环境，进一步改进小麦条锈病识别的准确性和普适性。


       此项研究仅仅对小麦叶片进行条锈病等级识别研究，未对茎秆，穗部进行研究，模型对小麦条锈病等级识别，仍待有进一步研究验证与改进。

贲樊追1024一幅具有400个像素点4个灰度级的图像,经统计灰度级0、1、2、3在图...
蒯柔娴15612957193 ______ 直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式,这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果.设原始图像在(x,y)处的灰度为f,而改变后的图像为g,则对图像增强的方法可表述为将在(x,y...

贲樊追1024matlab如何实现矩阵图像的直方图均衡化 -
蒯柔娴15612957193 ______ 基于matlab的直方图均衡化代码 2007-04-15 20:15 clear all %一,图像的预处理,读入彩色图像将其灰度化 PS=imread('1.jpg'); %读入JPG彩色图像文件 imshow(PS) %显示出来 title('输入的彩色JPG图像') imwrite(rgb2gray(PS),'...

贲樊追1024直方图均衡化是一种把原图像的直方图变换为各灰度值频率固定的直...
蒯柔娴15612957193 ______ 在几何画板中自己截取吧,比较快捷.然后分别调用MATLAB函数命令histeq()就可以了.

贲樊追1024Matlab中对图像进行直方图均衡化的函数指令是 - 上学吧普法考试
蒯柔娴15612957193 ______ photoshop直方图均衡化案例调整可以通过色阶、曲线等进行调整.执行“图像--调整--色阶”可以看到直方图. 直方图均衡化是通过灰度变换将一幅图象转换为另一幅具有均衡直方图,即在每个灰度级上都具有相同的象素点数的过程. 直方图的观看规则就是“左黑右白”,左边代表暗部,右边代表亮部,而中间则代表中间调.纵向上的高度代表像素密集程度,越高,代表的就是分布在这个亮度上的像素很多.