简介这是一套面向农业信息化与图像处理学习者的病虫害识别系统源码包基于MATLAB实现通过图像预处理、特征提取与分类器训练自动判别植物叶片的病虫害等级适合具备一定编程基础、希望将机器学习落地到农业场景的学生与开发者。压缩包共95个文件以84张jpg样本图片、10个m脚本和1个mat数据文件为主图片按正常、轻微、中等、严重等灾害等级分目录存放脚本覆盖训练、颜色空间转换、特征匹配与量化等环节整体约7.62MB。目前已有4906人学习下载。资源完整呈现了从数据组织到模型训练、测试评估的流程读者可据此复现灰度化、直方图均衡、LBP与GLCM特征提取、SVM分类等关键步骤并借助示例图片调试验证是理解图像处理与机器学习在植保领域应用的实用参考。1. 从一张糊了的叶片照片说起这套病虫害识别系统到底能干什么去年帮一个做植保的朋友看代码他拍着桌子说“模型在测试集上准确率 92%怎么一到地里就瞎了”。我让他把手机里随手拍的叶片照片发过来——逆光、叶片只占画面三分之一、背景还有滴灌带。这就是绝大多数病虫害识别系统翻车的起点实验室里干净背景、居中构图的图和田间地头随手一拍压根不是一回事。这套基于 MATLAB 的病虫害识别系统解决的正是“从拍到的叶片到给出病虫害类别”这条链路。它不追求发论文级别的 SOTA而是把预处理、分割、特征提取、分类、结果可视化串成一条能在普通笔记本上跑通的流水线。适合谁植保专业的学生做课程设计、农业物联网方向的工程师做原型验证、以及需要快速搭一个可解释分类 Demo 的开发者。MATLAB 的好处是矩阵运算和图像处理工具箱成熟imread、rgb2gray、regionprops这些函数开箱即用不用在环境配置上耗掉一整天。下面按“资源是什么、怎么跑、坑在哪”的顺序拆开讲。2. 系统架构与核心模块从图像输入到分类输出的完整链路2.1 为什么选 MATLAB 而不是 Python 做这套系统先说选型理由不然后面每一步都会有人问“为什么不用 OpenCV”。这套系统的核心操作是图像预处理和特征工程MATLAB 的图像处理工具箱Image Processing Toolbox在以下三件事上比裸写 Python 省事第一颜色空间转换。病虫害识别高度依赖颜色特征叶片健康区域是绿色病斑区域偏黄褐或灰白。MATLAB 的rgb2hsv、rgb2lab一行搞定Python 里用 OpenCV 要记cv2.COLOR_BGR2HSV还得注意 BGR 顺序新手极易翻车。第二形态学操作。病斑分割后往往有噪点和孔洞bwareaopen、imfill、strel这些函数参数直观调试时可以直接imshow看中间结果。第三特征提取的批量处理。regionprops一次性返回面积、周长、偏心率、欧拉数等几十个属性配合table类型做特征矩阵非常顺手。当然边界也要说清楚如果要做深度学习端到端分类Python 生态更丰富这套系统的定位是“传统图像处理 机器学习分类器”适合样本量不大、需要可解释特征的场景。2.2 五个核心模块的职责划分整套系统拆成五个模块每个模块对应一个函数文件方便单独调试模块函数文件输入输出图像预处理preprocess.m原始 RGB 图像去噪、增强后的图像病斑分割segment.m预处理图像二值掩膜特征提取extract_features.m原图 掩膜特征向量分类识别classify_leaf.m特征向量类别标签 置信度结果可视化visualize_result.m原图 掩膜 标签标注图 报告这种拆法的好处是分割效果不好时只调segment.m不用动分类器特征区分度不够时只改extract_features.m。我见过太多人把所有逻辑塞进一个脚本改一行要重跑十分钟。2.3 主流程代码与参数说明主入口脚本main.m的逻辑如下% main.m - 病虫害识别系统主入口 clc; clear; close all; % 1. 读取图像支持 jpg/png/bmp imgPath sample_leaf.jpg; rawImg imread(imgPath); % 2. 预处理中值滤波去噪 限制对比度自适应直方图均衡 procImg preprocess(rawImg); % 3. 病斑分割基于 HSV 颜色空间的阈值分割 [mask, maskedImg] segment(procImg); % 4. 特征提取颜色矩 形状特征 纹理特征 features extract_features(procImg, mask); % 5. 分类识别加载预训练模型 load(trained_model.mat, model); [label, score] classify_leaf(features, model); % 6. 结果可视化 visualize_result(rawImg, mask, label, score); fprintf(识别结果%s置信度%.2f%%\n, label, score*100);逐段说明preprocess里用medfilt2做 3×3 中值滤波目的是去掉手机拍摄的椒盐噪声adapthisteq做自适应直方图均衡解决田间光照不均的问题。segment里先把图像转到 HSV 空间因为病斑在 H 通道上和健康绿色区域差异最大用hsv2rgb反查阈值范围比在 RGB 里硬调三个通道靠谱得多。extract_features返回一个 1×N 的特征向量N 取决于你启用了哪些特征组默认配置下是 18 维6 个颜色矩 4 个形状 8 个纹理。提示adapthisteq的ClipLimit参数默认 0.01田间图像建议调到 0.020.03否则暗部病斑会被过度增强成噪点。3. 图像预处理与病斑分割参数怎么调、中间结果怎么看3.1 预处理三步走去噪、增强、归一化预处理不是可选项是必选项。手机拍的叶片图有三个通病噪点、光照不均、尺寸不一。对应三步处理function out preprocess(img) % 统一尺寸到 512x512保持长宽比 targetSize [512, 512]; img imresize(img, targetSize); % 中值滤波去噪窗口大小 3x3 if size(img, 3) 3 img medfilt3(img, [3 3 1]); else img medfilt2(img, [3 3]); end % 转灰度做光照归一化再映射回 RGB gray rgb2gray(img); grayEq adapthisteq(gray, ClipLimit, 0.02, NumTiles, [8 8]); % 用均衡后的灰度图引导 RGB 通道调整 ratio double(grayEq) ./ double(gray eps); out uint8(min(double(img) .* ratio, 255)); endmedfilt3的窗口[3 3 1]表示只在空间维度滤波不跨通道避免颜色串扰。adapthisteq的NumTiles设为[8 8]意思是把图像分成 8×8 块分别做直方图均衡块太小会放大噪声块太大等于全局均衡8×8 是 512×512 图像的经验值。最后那个ratio映射是血泪经验直接对 RGB 三个通道分别做均衡会导致颜色偏移用灰度图的均衡比例去引导 RGB 调整颜色保真度好很多。3.2 HSV 阈值分割病斑提取的关键参数病斑分割的核心思路是健康叶片在 HSV 空间的 H 分量集中在 0.250.45绿色病斑区域 H 分量偏低黄褐或饱和度骤降灰白。所以分割逻辑是“排除法”——先找到健康绿色区域取反得到病斑候选区。function [mask, maskedImg] segment(img) hsv rgb2hsv(img); H hsv(:,:,1); S hsv(:,:,2); V hsv(:,:,3); % 健康绿色区域H 在 [0.20, 0.45]S 0.15V 0.15 healthy (H 0.20) (H 0.45) (S 0.15) (V 0.15); % 病斑 非健康区域但排除背景背景通常 S 很低或 V 很低 background (S 0.08) | (V 0.10); lesion ~healthy ~background; % 形态学清理去掉小于 50 像素的噪点填充孔洞 lesion bwareaopen(lesion, 50); lesion imfill(lesion, holes); % 只保留最大连通区域假设一张图一个主要病斑 lesion bwareafilt(lesion, 1); mask lesion; maskedImg img; maskedImg(repmat(~mask, [1 1 3])) 0; end参数逐个说S 0.15是饱和度下限低于这个值说明颜色发灰可能是病斑也可能是反光需要结合 V 判断。V 0.15排除阴影区域。bwareaopen的 50 是面积阈值图像越小这个值要越小512×512 下 50 大约对应直径 8 像素的噪点。bwareafilt(lesion, 1)只保留最大连通域适合单叶片单病斑的场景如果一张图有多个病斑改成bwareafilt(lesion, 5)保留前 5 个。注意如果叶片本身偏黄比如缺氮H 分量会落在 0.15 附近被误判为病斑。这种情况需要把健康 H 下限从 0.20 降到 0.12或者改用 Lab 空间的 a 分量做辅助判断。3.3 中间结果可视化别等最后才发现分割错了调试分割参数时最有效的办法是把中间结果拼成一张图看figure(Name, 分割中间结果); subplot(2,3,1); imshow(rawImg); title(原图); subplot(2,3,2); imshow(procImg); title(预处理); subplot(2,3,3); imshow(hsv(:,:,1), []); title(H 通道); colormap(gca, hsv); subplot(2,3,4); imshow(healthy); title(健康区域); subplot(2,3,5); imshow(lesion); title(病斑掩膜); subplot(2,3,6); imshow(maskedImg); title(病斑提取);这张图能一眼看出问题如果 H 通道图里病斑和健康区域灰度值接近说明颜色空间选错了如果健康区域掩膜把背景也包进去了说明 S 和 V 的阈值太松。我一般会先把这张图调满意再去跑分类。4. 特征提取与分类器训练18 维特征向量怎么来的4.1 颜色矩、形状特征、纹理特征的提取代码特征提取是整个系统里最影响准确率的环节。18 维特征的构成如下function feat extract_features(img, mask) feat []; % --- 颜色矩对病斑区域计算 R/G/B 三通道的一阶矩和二阶矩 --- lesionPixels img(repmat(mask, [1 1 3])); lesionPixels reshape(lesionPixels, [], 3); for c 1:3 channel double(lesionPixels(:, c)); feat [feat, mean(channel), std(channel)]; % 6 维 end % --- 形状特征面积、周长、偏心率、欧拉数 --- props regionprops(mask, Area, Perimeter, Eccentricity, EulerNumber); if isempty(props) feat [feat, zeros(1, 4)]; else feat [feat, props(1).Area, props(1).Perimeter, ... props(1).Eccentricity, props(1).EulerNumber]; % 4 维 end % --- 纹理特征灰度共生矩阵的 4 个统计量 × 2 个方向 --- gray rgb2gray(img); gray(mask 0) 0; offsets [0 1; 1 0]; % 水平、垂直两个方向 for k 1:size(offsets, 1) glcm graycomatrix(gray, Offset, offsets(k,:), ... NumLevels, 16, Symmetric, true); stats graycoprops(glcm, {Contrast, Correlation, ... Energy, Homogeneity}); feat [feat, stats.Contrast, stats.Correlation, ... stats.Energy, stats.Homogeneity]; % 8 维 end end颜色矩用均值和标准差是因为病斑的颜色分布比健康区域更“散”标准差能捕捉这种离散度。形状特征里Eccentricity对条状病斑如细菌性条斑病区分度高EulerNumber反映孔洞数量对坏死型病斑有用。纹理特征用graycomatrix时NumLevels设为 16 而不是默认的 8是为了保留更多灰度细节但计算量会翻倍512×512 图像下大约多花 0.3 秒。4.2 分类器选型SVM 还是随机森林特征向量只有 18 维样本量通常几百到几千这个规模下 SVM 和随机森林都能用。我的建议是样本量 500用 SVM核函数选 RBFBoxConstraint设 1KernelScale设auto。MATLAB 的fitcsvm会自动做标准化。样本量 5005000用随机森林TreeBagger的NumTrees设 100MinLeafSize设 5。随机森林对特征尺度不敏感不用额外标准化。样本量 5000考虑用集成方法fitcensemble的 AdaBoost 或 Bagging。训练代码示例% 假设 X 是 N×18 特征矩阵Y 是 N×1 类别标签 load(features_dataset.mat, X, Y); % 划分训练集和测试集7:3 cv cvpartition(Y, HoldOut, 0.3); XTrain X(training(cv), :); YTrain Y(training(cv), :); XTest X(test(cv), :); YTest Y(test(cv), :); % 训练 SVM 分类器 t templateSVM(KernelFunction, rbf, BoxConstraint, 1); model fitcecoc(XTrain, YTrain, Learners, t); % 测试集评估 YPred predict(model, XTest); acc sum(YPred YTest) / numel(YTest); fprintf(测试集准确率%.2f%%\n, acc*100); % 保存模型 save(trained_model.mat, model);fitcecoc是 MATLAB 做多分类 SVM 的标准函数内部用一对多策略。BoxConstraint控制惩罚力度值越大越容易过拟合1 是保守起点。如果准确率上不去先别急着调分类器回头检查特征提取——我遇到过特征里混入了 NaN 导致 SVM 直接报错的情况用sum(isnan(X))一查就露馅。4.3 交叉验证与混淆矩阵别只看准确率准确率在类别不平衡时会骗人。比如健康样本 800 张、病斑样本 200 张全猜健康也有 80% 准确率。必须看混淆矩阵% 5 折交叉验证 cvModel crossval(model, KFold, 5); loss kfoldLoss(cvModel); fprintf(5 折交叉验证损失%.4f\n, loss); % 混淆矩阵 figure; confusionchart(YTest, YPred); title(测试集混淆矩阵);混淆矩阵里如果某一类的召回率明显低说明该类特征区分度不够。常见做法是给该类增加特征维度比如病斑颜色偏灰的类别加一个饱和度均值特征。5. 避坑与排查五个让系统从 92% 掉到 60% 的坑5.1 坑一训练集和测试集来自同一批图像现象交叉验证准确率 95%换一批新图直接掉到 60%。原因同一片叶子拍了多张图有的进了训练集有的进了测试集模型实际上在“背图”而不是学特征。解决按叶片个体划分数据集同一片叶子的所有照片只能出现在训练集或测试集之一。用unique按文件名前缀分组再划分。5.2 坑二HSV 阈值在阴天和晴天之间不通用现象晴天拍的图分割正常阴天拍的图病斑全丢。原因阴天光照色温偏冷H 分量整体偏移固定阈值失效。解决在segment.m里加一个白平衡预处理用illumwhite或简单的灰度世界算法校正色温再做 HSV 分割。5.3 坑三imresize默认双线性插值导致小病斑消失现象原图能看到的小病斑缩放到 512×512 后掩膜里没了。原因imresize默认bilinear会平滑掉小于 2 像素的病斑。解决改用nearest插值或者先分割再缩放掩膜。我一般是在原图尺寸下做分割最后把掩膜缩放到统一尺寸。5.4 坑四graycomatrix的NumLevels和图像位深不匹配现象纹理特征全是 0 或 NaN。原因图像是 uint8256 级但NumLevels设了 64量化时把大部分像素归到同一级对比度算出来是 0。解决NumLevels不要超过 32或者先把图像量化到指定级数再算 GLCM。graycomatrix的NumLevels和GrayLimits要配合使用。5.5 坑五分类器保存后加载特征顺序不一致现象训练时准确率 90%加载模型预测新图结果全错。原因extract_features函数改过特征维度顺序变了但模型还是旧顺序训练的。解决在模型文件里同时保存特征名称列表预测前用isequal校验。或者给特征提取函数加版本号模型加载时检查版本。6. 进阶技巧用迁移学习特征替换手工特征手工设计的 18 维特征在简单场景够用但遇到多种病害混发、病斑形态接近的情况区分度就到头了。这时候可以用预训练的 CNN 做特征提取器把 18 维手工特征换成 4096 维深度特征再接 SVM 分类。MATLAB 里用activations函数提取特征% 加载预训练网络需要 Deep Learning Toolbox net resnet18; % 或 squeezenet更轻量 inputSize net.Layers(1).InputSize(1:2); % 对每张图提取全连接层特征 function feat deep_features(imgPath, net, inputSize) img imread(imgPath); img imresize(img, inputSize); img augmentedImageDatastore(inputSize, img); feat activations(net, img, fc1000, OutputAs, rows); endresnet18的fc1000层输出 1000 维squeezenet的pool10层输出 1000 维都比手工特征丰富得多。但要注意深度特征需要更多样本才能发挥优势样本少于 300 张时可能反而不如手工特征稳定。我一般会先用手工特征跑一版基线再换深度特征对比哪个好用哪个。另一个实用技巧是数据增强。MATLAB 的imageDataAugmenter支持随机旋转、平移、缩放、翻转aug imageDataAugmenter(RandRotation, [-20 20], ... RandXTranslation, [-10 10], ... RandYTranslation, [-10 10], ... RandXScale, [0.9 1.1], ... RandYScale, [0.9 1.1]);RandRotation范围不要超过 ±30 度否则叶片形态失真平移范围控制在图像宽高的 5% 以内。增强后的样本量翻 510 倍比较合理再多收益递减。从那以后我每次搭识别系统都强制先跑一遍“最差样本测试”——把手里最糊、最偏、光照最烂的十张图单独拎出来跑这十张过了再谈准确率。希望帮到你。本文还有配套的精品资源点击获取
简介这是一套面向农业信息化与图像处理学习者的病虫害识别系统源码包基于MATLAB实现通过图像预处理、特征提取与分类器训练自动判别植物叶片的病虫害等级适合具备一定编程基础、希望将机器学习落地到农业场景的学生与开发者。压缩包共95个文件以84张jpg样本图片、10个m脚本和1个mat数据文件为主图片按正常、轻微、中等、严重等灾害等级分目录存放脚本覆盖训练、颜色空间转换、特征匹配与量化等环节整体约7.62MB。目前已有4906人学习下载。资源完整呈现了从数据组织到模型训练、测试评估的流程读者可据此复现灰度化、直方图均衡、LBP与GLCM特征提取、SVM分类等关键步骤并借助示例图片调试验证是理解图像处理与机器学习在植保领域应用的实用参考。1. 从一张糊了的叶片照片说起这套病虫害识别系统到底能干什么去年帮一个做植保的朋友看代码他拍着桌子说“模型在测试集上准确率 92%怎么一到地里就瞎了”。我让他把手机里随手拍的叶片照片发过来——逆光、叶片只占画面三分之一、背景还有滴灌带。这就是绝大多数病虫害识别系统翻车的起点实验室里干净背景、居中构图的图和田间地头随手一拍压根不是一回事。这套基于 MATLAB 的病虫害识别系统解决的正是“从拍到的叶片到给出病虫害类别”这条链路。它不追求发论文级别的 SOTA而是把预处理、分割、特征提取、分类、结果可视化串成一条能在普通笔记本上跑通的流水线。适合谁植保专业的学生做课程设计、农业物联网方向的工程师做原型验证、以及需要快速搭一个可解释分类 Demo 的开发者。MATLAB 的好处是矩阵运算和图像处理工具箱成熟imread、rgb2gray、regionprops这些函数开箱即用不用在环境配置上耗掉一整天。下面按“资源是什么、怎么跑、坑在哪”的顺序拆开讲。2. 系统架构与核心模块从图像输入到分类输出的完整链路2.1 为什么选 MATLAB 而不是 Python 做这套系统先说选型理由不然后面每一步都会有人问“为什么不用 OpenCV”。这套系统的核心操作是图像预处理和特征工程MATLAB 的图像处理工具箱Image Processing Toolbox在以下三件事上比裸写 Python 省事第一颜色空间转换。病虫害识别高度依赖颜色特征叶片健康区域是绿色病斑区域偏黄褐或灰白。MATLAB 的rgb2hsv、rgb2lab一行搞定Python 里用 OpenCV 要记cv2.COLOR_BGR2HSV还得注意 BGR 顺序新手极易翻车。第二形态学操作。病斑分割后往往有噪点和孔洞bwareaopen、imfill、strel这些函数参数直观调试时可以直接imshow看中间结果。第三特征提取的批量处理。regionprops一次性返回面积、周长、偏心率、欧拉数等几十个属性配合table类型做特征矩阵非常顺手。当然边界也要说清楚如果要做深度学习端到端分类Python 生态更丰富这套系统的定位是“传统图像处理 机器学习分类器”适合样本量不大、需要可解释特征的场景。2.2 五个核心模块的职责划分整套系统拆成五个模块每个模块对应一个函数文件方便单独调试模块函数文件输入输出图像预处理preprocess.m原始 RGB 图像去噪、增强后的图像病斑分割segment.m预处理图像二值掩膜特征提取extract_features.m原图 掩膜特征向量分类识别classify_leaf.m特征向量类别标签 置信度结果可视化visualize_result.m原图 掩膜 标签标注图 报告这种拆法的好处是分割效果不好时只调segment.m不用动分类器特征区分度不够时只改extract_features.m。我见过太多人把所有逻辑塞进一个脚本改一行要重跑十分钟。2.3 主流程代码与参数说明主入口脚本main.m的逻辑如下% main.m - 病虫害识别系统主入口 clc; clear; close all; % 1. 读取图像支持 jpg/png/bmp imgPath sample_leaf.jpg; rawImg imread(imgPath); % 2. 预处理中值滤波去噪 限制对比度自适应直方图均衡 procImg preprocess(rawImg); % 3. 病斑分割基于 HSV 颜色空间的阈值分割 [mask, maskedImg] segment(procImg); % 4. 特征提取颜色矩 形状特征 纹理特征 features extract_features(procImg, mask); % 5. 分类识别加载预训练模型 load(trained_model.mat, model); [label, score] classify_leaf(features, model); % 6. 结果可视化 visualize_result(rawImg, mask, label, score); fprintf(识别结果%s置信度%.2f%%\n, label, score*100);逐段说明preprocess里用medfilt2做 3×3 中值滤波目的是去掉手机拍摄的椒盐噪声adapthisteq做自适应直方图均衡解决田间光照不均的问题。segment里先把图像转到 HSV 空间因为病斑在 H 通道上和健康绿色区域差异最大用hsv2rgb反查阈值范围比在 RGB 里硬调三个通道靠谱得多。extract_features返回一个 1×N 的特征向量N 取决于你启用了哪些特征组默认配置下是 18 维6 个颜色矩 4 个形状 8 个纹理。提示adapthisteq的ClipLimit参数默认 0.01田间图像建议调到 0.020.03否则暗部病斑会被过度增强成噪点。3. 图像预处理与病斑分割参数怎么调、中间结果怎么看3.1 预处理三步走去噪、增强、归一化预处理不是可选项是必选项。手机拍的叶片图有三个通病噪点、光照不均、尺寸不一。对应三步处理function out preprocess(img) % 统一尺寸到 512x512保持长宽比 targetSize [512, 512]; img imresize(img, targetSize); % 中值滤波去噪窗口大小 3x3 if size(img, 3) 3 img medfilt3(img, [3 3 1]); else img medfilt2(img, [3 3]); end % 转灰度做光照归一化再映射回 RGB gray rgb2gray(img); grayEq adapthisteq(gray, ClipLimit, 0.02, NumTiles, [8 8]); % 用均衡后的灰度图引导 RGB 通道调整 ratio double(grayEq) ./ double(gray eps); out uint8(min(double(img) .* ratio, 255)); endmedfilt3的窗口[3 3 1]表示只在空间维度滤波不跨通道避免颜色串扰。adapthisteq的NumTiles设为[8 8]意思是把图像分成 8×8 块分别做直方图均衡块太小会放大噪声块太大等于全局均衡8×8 是 512×512 图像的经验值。最后那个ratio映射是血泪经验直接对 RGB 三个通道分别做均衡会导致颜色偏移用灰度图的均衡比例去引导 RGB 调整颜色保真度好很多。3.2 HSV 阈值分割病斑提取的关键参数病斑分割的核心思路是健康叶片在 HSV 空间的 H 分量集中在 0.250.45绿色病斑区域 H 分量偏低黄褐或饱和度骤降灰白。所以分割逻辑是“排除法”——先找到健康绿色区域取反得到病斑候选区。function [mask, maskedImg] segment(img) hsv rgb2hsv(img); H hsv(:,:,1); S hsv(:,:,2); V hsv(:,:,3); % 健康绿色区域H 在 [0.20, 0.45]S 0.15V 0.15 healthy (H 0.20) (H 0.45) (S 0.15) (V 0.15); % 病斑 非健康区域但排除背景背景通常 S 很低或 V 很低 background (S 0.08) | (V 0.10); lesion ~healthy ~background; % 形态学清理去掉小于 50 像素的噪点填充孔洞 lesion bwareaopen(lesion, 50); lesion imfill(lesion, holes); % 只保留最大连通区域假设一张图一个主要病斑 lesion bwareafilt(lesion, 1); mask lesion; maskedImg img; maskedImg(repmat(~mask, [1 1 3])) 0; end参数逐个说S 0.15是饱和度下限低于这个值说明颜色发灰可能是病斑也可能是反光需要结合 V 判断。V 0.15排除阴影区域。bwareaopen的 50 是面积阈值图像越小这个值要越小512×512 下 50 大约对应直径 8 像素的噪点。bwareafilt(lesion, 1)只保留最大连通域适合单叶片单病斑的场景如果一张图有多个病斑改成bwareafilt(lesion, 5)保留前 5 个。注意如果叶片本身偏黄比如缺氮H 分量会落在 0.15 附近被误判为病斑。这种情况需要把健康 H 下限从 0.20 降到 0.12或者改用 Lab 空间的 a 分量做辅助判断。3.3 中间结果可视化别等最后才发现分割错了调试分割参数时最有效的办法是把中间结果拼成一张图看figure(Name, 分割中间结果); subplot(2,3,1); imshow(rawImg); title(原图); subplot(2,3,2); imshow(procImg); title(预处理); subplot(2,3,3); imshow(hsv(:,:,1), []); title(H 通道); colormap(gca, hsv); subplot(2,3,4); imshow(healthy); title(健康区域); subplot(2,3,5); imshow(lesion); title(病斑掩膜); subplot(2,3,6); imshow(maskedImg); title(病斑提取);这张图能一眼看出问题如果 H 通道图里病斑和健康区域灰度值接近说明颜色空间选错了如果健康区域掩膜把背景也包进去了说明 S 和 V 的阈值太松。我一般会先把这张图调满意再去跑分类。4. 特征提取与分类器训练18 维特征向量怎么来的4.1 颜色矩、形状特征、纹理特征的提取代码特征提取是整个系统里最影响准确率的环节。18 维特征的构成如下function feat extract_features(img, mask) feat []; % --- 颜色矩对病斑区域计算 R/G/B 三通道的一阶矩和二阶矩 --- lesionPixels img(repmat(mask, [1 1 3])); lesionPixels reshape(lesionPixels, [], 3); for c 1:3 channel double(lesionPixels(:, c)); feat [feat, mean(channel), std(channel)]; % 6 维 end % --- 形状特征面积、周长、偏心率、欧拉数 --- props regionprops(mask, Area, Perimeter, Eccentricity, EulerNumber); if isempty(props) feat [feat, zeros(1, 4)]; else feat [feat, props(1).Area, props(1).Perimeter, ... props(1).Eccentricity, props(1).EulerNumber]; % 4 维 end % --- 纹理特征灰度共生矩阵的 4 个统计量 × 2 个方向 --- gray rgb2gray(img); gray(mask 0) 0; offsets [0 1; 1 0]; % 水平、垂直两个方向 for k 1:size(offsets, 1) glcm graycomatrix(gray, Offset, offsets(k,:), ... NumLevels, 16, Symmetric, true); stats graycoprops(glcm, {Contrast, Correlation, ... Energy, Homogeneity}); feat [feat, stats.Contrast, stats.Correlation, ... stats.Energy, stats.Homogeneity]; % 8 维 end end颜色矩用均值和标准差是因为病斑的颜色分布比健康区域更“散”标准差能捕捉这种离散度。形状特征里Eccentricity对条状病斑如细菌性条斑病区分度高EulerNumber反映孔洞数量对坏死型病斑有用。纹理特征用graycomatrix时NumLevels设为 16 而不是默认的 8是为了保留更多灰度细节但计算量会翻倍512×512 图像下大约多花 0.3 秒。4.2 分类器选型SVM 还是随机森林特征向量只有 18 维样本量通常几百到几千这个规模下 SVM 和随机森林都能用。我的建议是样本量 500用 SVM核函数选 RBFBoxConstraint设 1KernelScale设auto。MATLAB 的fitcsvm会自动做标准化。样本量 5005000用随机森林TreeBagger的NumTrees设 100MinLeafSize设 5。随机森林对特征尺度不敏感不用额外标准化。样本量 5000考虑用集成方法fitcensemble的 AdaBoost 或 Bagging。训练代码示例% 假设 X 是 N×18 特征矩阵Y 是 N×1 类别标签 load(features_dataset.mat, X, Y); % 划分训练集和测试集7:3 cv cvpartition(Y, HoldOut, 0.3); XTrain X(training(cv), :); YTrain Y(training(cv), :); XTest X(test(cv), :); YTest Y(test(cv), :); % 训练 SVM 分类器 t templateSVM(KernelFunction, rbf, BoxConstraint, 1); model fitcecoc(XTrain, YTrain, Learners, t); % 测试集评估 YPred predict(model, XTest); acc sum(YPred YTest) / numel(YTest); fprintf(测试集准确率%.2f%%\n, acc*100); % 保存模型 save(trained_model.mat, model);fitcecoc是 MATLAB 做多分类 SVM 的标准函数内部用一对多策略。BoxConstraint控制惩罚力度值越大越容易过拟合1 是保守起点。如果准确率上不去先别急着调分类器回头检查特征提取——我遇到过特征里混入了 NaN 导致 SVM 直接报错的情况用sum(isnan(X))一查就露馅。4.3 交叉验证与混淆矩阵别只看准确率准确率在类别不平衡时会骗人。比如健康样本 800 张、病斑样本 200 张全猜健康也有 80% 准确率。必须看混淆矩阵% 5 折交叉验证 cvModel crossval(model, KFold, 5); loss kfoldLoss(cvModel); fprintf(5 折交叉验证损失%.4f\n, loss); % 混淆矩阵 figure; confusionchart(YTest, YPred); title(测试集混淆矩阵);混淆矩阵里如果某一类的召回率明显低说明该类特征区分度不够。常见做法是给该类增加特征维度比如病斑颜色偏灰的类别加一个饱和度均值特征。5. 避坑与排查五个让系统从 92% 掉到 60% 的坑5.1 坑一训练集和测试集来自同一批图像现象交叉验证准确率 95%换一批新图直接掉到 60%。原因同一片叶子拍了多张图有的进了训练集有的进了测试集模型实际上在“背图”而不是学特征。解决按叶片个体划分数据集同一片叶子的所有照片只能出现在训练集或测试集之一。用unique按文件名前缀分组再划分。5.2 坑二HSV 阈值在阴天和晴天之间不通用现象晴天拍的图分割正常阴天拍的图病斑全丢。原因阴天光照色温偏冷H 分量整体偏移固定阈值失效。解决在segment.m里加一个白平衡预处理用illumwhite或简单的灰度世界算法校正色温再做 HSV 分割。5.3 坑三imresize默认双线性插值导致小病斑消失现象原图能看到的小病斑缩放到 512×512 后掩膜里没了。原因imresize默认bilinear会平滑掉小于 2 像素的病斑。解决改用nearest插值或者先分割再缩放掩膜。我一般是在原图尺寸下做分割最后把掩膜缩放到统一尺寸。5.4 坑四graycomatrix的NumLevels和图像位深不匹配现象纹理特征全是 0 或 NaN。原因图像是 uint8256 级但NumLevels设了 64量化时把大部分像素归到同一级对比度算出来是 0。解决NumLevels不要超过 32或者先把图像量化到指定级数再算 GLCM。graycomatrix的NumLevels和GrayLimits要配合使用。5.5 坑五分类器保存后加载特征顺序不一致现象训练时准确率 90%加载模型预测新图结果全错。原因extract_features函数改过特征维度顺序变了但模型还是旧顺序训练的。解决在模型文件里同时保存特征名称列表预测前用isequal校验。或者给特征提取函数加版本号模型加载时检查版本。6. 进阶技巧用迁移学习特征替换手工特征手工设计的 18 维特征在简单场景够用但遇到多种病害混发、病斑形态接近的情况区分度就到头了。这时候可以用预训练的 CNN 做特征提取器把 18 维手工特征换成 4096 维深度特征再接 SVM 分类。MATLAB 里用activations函数提取特征% 加载预训练网络需要 Deep Learning Toolbox net resnet18; % 或 squeezenet更轻量 inputSize net.Layers(1).InputSize(1:2); % 对每张图提取全连接层特征 function feat deep_features(imgPath, net, inputSize) img imread(imgPath); img imresize(img, inputSize); img augmentedImageDatastore(inputSize, img); feat activations(net, img, fc1000, OutputAs, rows); endresnet18的fc1000层输出 1000 维squeezenet的pool10层输出 1000 维都比手工特征丰富得多。但要注意深度特征需要更多样本才能发挥优势样本少于 300 张时可能反而不如手工特征稳定。我一般会先用手工特征跑一版基线再换深度特征对比哪个好用哪个。另一个实用技巧是数据增强。MATLAB 的imageDataAugmenter支持随机旋转、平移、缩放、翻转aug imageDataAugmenter(RandRotation, [-20 20], ... RandXTranslation, [-10 10], ... RandYTranslation, [-10 10], ... RandXScale, [0.9 1.1], ... RandYScale, [0.9 1.1]);RandRotation范围不要超过 ±30 度否则叶片形态失真平移范围控制在图像宽高的 5% 以内。增强后的样本量翻 510 倍比较合理再多收益递减。从那以后我每次搭识别系统都强制先跑一遍“最差样本测试”——把手里最糊、最偏、光照最烂的十张图单独拎出来跑这十张过了再谈准确率。希望帮到你。本文还有配套的精品资源点击获取
