马铃薯和柑橘作为全球第三大粮食作物和第一大水果,因受到病虫害的侵害每年造成巨大的经济损失。基于计算机视觉、模式识别和图像处理技术的病虫害智能诊断方法对其可持续发展具有重要的实际意义,也是农业现代化、信息化发展的研究热点和重点。针对马铃薯和柑橘病虫害图像受自然环境影响大、病虫害感兴趣区域(ROI)检测速度慢、识别准确率不够高等问题,以自建的马铃薯和柑橘病虫害图像库(共35类,1650幅)为研究对象,就上述问题进行了深入研究。主要研究内容和创新性成果如下:(1)针对自然环境下的作物病虫害图像易受光照、角度和尺度等因素影响,对病虫害图像预处理方法进行了实验研究。采用颜色空间变换和图像灰度化可以有效消除光照对病虫害识别的影响;采用中值滤波能较好地保留病虫害图像的纹理和边缘细节,且降噪效果好。(2)针对病虫害图像受自然背景影响较大,且直接在原始图像上提取特征时存在计算量大、特征冗余严重等问题,建立了基于Grab-Cut算法的病虫害区域分割方法,能较好获得病虫害区域,但运行时间在1s及以上,且需要人工交互。基于上述问题,提出了一种基于关键特征点的病虫害ROI快速检测方法。先对病虫害图像作金字塔下采样后提取ORB特征点,当其特征点数目小于给定阈值时提取SIFT特征点,再对所提特征点的坐标值分别按水平和垂直方向进行排序,并通过计算K个近邻特征点的均值来确定病虫害区域的坐标并提取ROI。研究表明:该方法能自动实现对病虫害区域的准确定位,每幅病虫害图像ROI检测的平均时间在13ms内。(3)针对在原始病虫害图像上提取特征时计算量大和识别准确率不高的问题,基于病虫害ROI图像,融合HSV颜色直方图和UPLBP纹理直方图两类特征作为病虫害区域总的特征向量,设计了一种基于加权距离的K近邻病虫害识别算法。首先以加权距离分类器作预分类,然后采用K近邻分类器作二次判决得到最终识别结果。研究表明:在自建图像库上,马铃薯和柑橘病虫害的平均识别准确率分别为96.3%、93.48%、94.07%、92.59%,平均运行时间最高为243ms。此外,以基于径向基核函数的非线性支持向量机的病虫害分类模型作对比研究。实验表明:马铃薯和柑橘病虫害的平均识别准确率分别为95.42、92.07%、91.04%、90.37%,平均运行时间最高为113ms。(4)在Windows系统上基于开源计算机视觉库Open CV2.4.13,使用C/C++编程语言,设计并开发了农作物病虫害图像检索系统。该系统能在0.2s左右时间内准确识别出待检索图像的病虫害类别,并给出相应病虫害的治理措施,实现了对马铃薯和柑橘病虫害图像的自动诊断。