1.一种基于SLIC‑ELM的水稻病虫害显著图像提取方法，其特征在于，包括以下步骤：步骤1：水稻叶部病害图像获取；

步骤2：SLIC(Simple Linear Iterative Clustering)算法将病虫害图像分成若干小块，在进行分块前，需要提前设置好初始聚类中心k，在CIELAB彩色空间中对图像进行聚类分块；

步骤3：利用Harris角点检测的方法检测出图像显著点，在进行图像显著点时，显著性图像的提取要先进行显著种子检测，通过Harris角点检测的方法检测出图像显著种子，采用显著点坐标平均值±3倍标准差的方式对异常值进行修正；

步骤4：凸包包围显著点，获得显著性区域模糊轮廓；

步骤5：采用GLCM(Gray Level Co‑occurrence Matrix)算法提取图像特征值；

步骤6：构建训练样本集，使用ELM(Extreme Learning Machine)分类器对超像素块进行分类，利用形态学以及代数运算获得显著图，在ELM的训练集中，引入了训练集的像素块特征和标记信息，ELM分类器提取显著性图像进行了如下的处理：

1)GLCM算法从训练集超像素块中抽取4维的纹理特征，在突出区域中定义超像素块和背景区域超像素块标记，构成超像素块的特征向量集；

2)在突出区域中，自动选取突出区域中的超像素块和背景像素块训练样本组；

3)对ELM分类图象进行形态学处理，并进行代数运算，得到显著图。

2.根据权利要求1所述的基于SLIC‑ELM的水稻病虫害显著图像提取方法，其特征在于，所述步骤2中图像分块过程如下：T T

1)初始化k个聚类中心C，包含颜色空间[l a b] 和像素位置[x y] ，在间隔s个像素的

1/2

规则网络上采样，网格间隔为S＝(M*N/K) ，生成尺寸基本相等的超像素块，其中，M*N为待处理图像大小；

式中，dc和ds分别是利用欧式距离表征的颜色距离和位置距离，m和n为图像中像素点编号；

2)在围绕超像素中心的区域执行类似的像素搜寻，计算各聚类中心至2S×2S区域内像素的间距D，以便像素i与它的距离最近的聚类中心相关联，并更新聚类中心调整为属于该聚类的所有像素的平均向量聚类结束后，计算残差，该残差在一定的固定数值上收敛，完成分块，得到k0个超像素块：式中，D为labxy空间中的五维距离。

3.根据权利要求1所述的基于SLIC‑ELM的水稻病虫害显著图像提取方法，其特征在于，所述步骤4中在获得较为规整的若干个显著点后，通过Andrew算法找出显著点集的最小凸多边形，即显著点在凸多边形上或在其内，具体描述如下：

1)将所有的点按照横坐标从小到大进行排序，横坐标相同则按纵坐标从小到大排序；

2)将p0和p1加入凸包，然后从p2开始判断，建立一个栈，初始时p0，p1入栈，对于p2—p(n‑1)中的每个点，按序入栈，若栈顶的两个点与它不构成“向左转”的关系，则桟顶的点出栈，直至没有点需要出栈以后将当前点进栈；

3)将所有的点扫描一遍以后，得到一个“下凸包”，同理，从p(n‑2)开始，反着扫描一遍，便可以得到一个“上凸包”；

4)将两个“半凸包”合在一起就是一个完整的凸包，所有点处理完毕，栈中保存的点就是位于凸包上的点了，即显著性区域轮廓上的点，注意的是由于起点p0在正着扫描和反着扫描时都会将其加入凸包，故需要将最后一个点p0去掉后为最终结果。

4.根据权利要求1所述的基于SLIC‑ELM的水稻病虫害显著图像提取方法，其特征在于，所述步骤5中通过对水稻叶部病害图像特征提取试验，将GLCM灰度共生矩阵提取的纹理特征作为显著性区域和背景的区分特征，从θ＝0°，45°，90°，135°四个方向，d＝1，计算超像素块的同质度、熵、对比度和相关性4个特征的均值获得像素块纹理特征作为训练数据集的特征向量：2

式中，均值Mean＝∑i∑jp(i,j)*i，方差Variance＝∑i∑jp(i,j)*(i‑Mean) 。