小麦是世界四大粮食作物之一,在我国居民的主食消费结构中占有重要的地位。基于图像分析的小麦叶部病害识别,对于小麦病害的防治、农药的定点定量喷洒等具有重要的意义。本研究针对小麦叶部病斑特征的提取和筛选问题,以小麦白粉病、条锈病、叶锈病和秆锈病为研究对象,研究病害图像的分割、特征提取和分类识别的方法和技术。论文的主要内容如下:小麦叶部病害图像预处理和分割算法的研究。针对获取到的小麦叶部病害图像的噪声问题,研究中值滤波方法和小波变换方法的去噪效果,选择合适的颜色空间,研究基于k-means的小麦叶部病害图像分割方法。小麦叶部病害特征参数的提取。针对小麦叶部病害图像的颜色特点,结合前人的颜色特征提取方法,构造新的颜色特征参数,研究RGB空间的颜色特征提取方法。基于灰度共生矩阵、Gabor小波变换方法提取小麦叶部病害的纹理特征参数,基于Hu不变矩方法和几何特征参数提取叶部病害的形状特征参数,得到一个69维的初始特征空间。小麦叶部病害的特征参数选择。由于初始空间的维数较大,需要对特征空间进行降维处理。当样本数值在某一特征上存在交叉时,采用传统的统计分析方法难以对其进行有效筛选,本文设计了一种Variance算法初选与启发式搜索算法相结合的特征选择方法:首先剔除数据差异小的特征,再采用序列前向浮动搜索(SFFS)算法搜索最优特征子集,筛选后得到11维特征向量。作为对比,采用PCA和LDA方法进行降维,得到的特征空间维数分别为30维和3维。小麦叶部病害识别模型的构建。基于支持向量机“一对一”的决策方式构建分类器,对小麦四种病害进行识别,分别在采用不同降维方法得到的特征空间中进行样本的训练和准确率的测试。以支持向量机为分类器、基于五折交叉验证,分别采用本文提出的variance-SFFS的组合方法、LDA方法和PCA方法进行特征筛选得到的特征空间子集进行识别,准确率分别为93.89%,92.98%和78.2%。表明采用本文设计的variance-SFFS方法能更好地选择出相关特征,删除冗余特征,从而提高病害识别的准确性。