利用机器视觉来解决农作物病害诊断问题,进而达到防治病害和节约成本的目的,是现代农业最显著的特点之一。目前有很多关于数字图像处理技术用于这一领域的研究,其中图像分割是最重要的一部分,它关系到特征提取和后续识别的正确率,而如何结合多种分割和预处理技术是本研究的重点。本文以大斑病、小斑病、灰斑病、弯孢叶斑病、锈病和褐斑6种玉米叶部病斑图像为研究对象,实现了玉米叶部病斑的自动识别系统。系统主要由四部分组成：图像预处理,图像分割,特征提取,分类识别,基于系统实现需要,本文主要研究了以下内容：1.图像预处理算法的研究,主要实现了图像缩小、自动裁剪和图像增强算法。由于从大田拍摄的玉米叶片病斑图像像素过大,直接进行处理会影响效率,本文所处理的图像是由索尼a700拍摄的分辨率为3104×2064的图像,无法直接进行分割算法处理,所以要先对原图像进行缩小操作,为了裁剪出病斑所在区域,本文使用了基于人眼视觉的图像自动裁剪技术,使用分块来计算影响人眼视觉的影响因子来裁剪图像,为了更精确地裁剪出目标区域图像,本文在原有的4个影响因子中加入了颜色影响因子,裁剪效果明显要好很多。而裁剪后的图像要经过图像增强,才便于后续的分割处理,由于玉米病斑图像中有些随机杂点,通过中值滤波算法可以很好的过滤掉这些杂点。2.图像分割算法的研究,目前,作物叶部病斑分割的方法大多是利用病叶片和病斑的灰度差异,采用固定阈值分割算法或用明确的判别标准来区分叶片部分和病斑部分。但实际上,由于病叶图像中的对象具有模糊性和不确定性,对象的边界不可能清晰明确,作物叶片和病斑本身颜色的不均匀和灰度值存在着重叠,因此很难用固定阂值或确定的准则来准确的确定病叶图像中不确定的对象。为了提高玉米叶片病斑的分割效果,本文提出了将局部阈值法与区域增长法相结合的作物病害图像自适应分割算法。3.玉米叶片病斑特征的提取与系统验证。本文主要提取了玉米叶片病斑的几个形态特征：面积、周长、圆形度、矩形度和复杂度。通过模糊识别算法来判别病斑种类,验证各个特征对不同病斑的影响因子,通过实验得出图像缩小因子和图像裁剪分块的个数。整个系统,基于文档视图结构,能够完成对病斑图像的预处理、病斑分割,特征提取和自动识别功能,并且所有功能都可以通过点击相应的菜单项实现,操作简单,并且处理过程可以在界面上显示,可视化好。