基于改進遺傳算法的作物葉片病斑分割算法

摘要：基于改進遺傳算法提出了一種作物病害葉片病斑圖像分割算法。首先，將病害葉片圖像運用分層抽樣得到若干子樣本。在每個子樣本中運用改進遺傳算法極大化樣本的均值與方差比；其次，基于獲得的樣本信息對閾值數目和閾值進行自動預測；最后，利用一種確定性算法對閾值數和閾值進行進一步優化。結果表明，該算法無需考慮葉片圖像的紋理和分割數等先驗信息，具有較高的易用性，能獲得較準確的葉片病斑圖像。

關鍵詞：病害葉片圖像；圖像分割；遺傳算法；改進遺傳算法

中圖分類號： TP391.41 文獻標志碼： A 文章編號：1002-1302（2014）07-0140-03

收稿日期：2013-12-16

基金項目：河南省鄭州市科技攻關計劃（編號：131PPTGG426）；西亞斯國際學院引進人才項目（編號2012YJRC01、2012YJRC02）。

作者簡介：栗娜（1979—），女，鄭州市人，碩士研究生，講師，主要從事計算機應用技術方面的研究。E-mail：19360666@qq.com。

通信作者：張善文，男，博士，教授，研究方向為模式識別及應用。E-mail：wjdw716@163.com。圖像分割是把圖像分割成若干個具有獨特性質的區域，并從中提取出感興趣的目標。在對病害葉片圖像分割方法研究和應用中，人們往往僅對病害葉片的病斑圖像感興趣，這些病斑圖像對應于葉片圖像中特定的、具有獨特性質的區域。作物病害識別一般是根據作物的病害葉片來進行識別。對采集到的作物病害葉片圖像進行分析處理，從而進行病害診斷。基于病害葉片的作物病害診斷過程主要由葉片圖像采集、病斑分割、特征提取和特征識別階段。從病害葉片中分割病斑是作物病害診斷的一個關鍵步驟。其分割結果是否準確直接影響后期的病害診斷效率和效果。如果病斑圖像分割出現錯誤，無論后期的特征提取和模式識別階段多么準確，最終得到的病害診斷結果一定是錯誤的。常用的圖像分割技術有閾值分割法、區域法、人工神經網絡法等[1-5]。但目前還沒有效果很好且普遍適用的葉片病斑圖像分割規則。作物病害葉片圖像成分復雜，病害葉片上的病斑排列無規則，顏色深淺不一，且存在一定的隨機噪聲[6-8]。葉片圖像由病斑部分和正常部分組成，其分割可以看成是1個2類問題，可運用模式識別的分類方法分割圖像[9-11]。筆者采用RGB空間作為模式分類的特征空間，并在此基礎上，根據遺傳算法[12]，求取分割閾值，對葉片圖像進行分割。病害葉片圖像分割方法主要有閾值分割、基于邊緣檢測和連接的分割、區域分割以及基于遺傳算法等的混合分割。其中，閾值分割是最基本和應用最廣泛的分割技術，其分割方法操作簡單、計算量小且性能較穩定。但閾值的確定仍然是一個公認的難題。本研究在改進遺傳算法的基礎上，提出一種作物病害葉片病斑分割方法。

1改進遺傳算法

為了克服標準遺傳算法的不足，介紹一種基于種群的按個體適應度大小排序的選擇算法來代替輪盤賭選擇的遺傳算法。其步驟歸納如下：

（1）在初始種群中，首先對所有的個體按其適應度大小進行排序，再計算個體的支持度和置信度。

（2）按一定的比例復制（即將當前種群中適應度最高的2個個體結構完整地復制到待配種群中）。

（3）按個體所處的位置確定其變異概率并變異；按優良個體復制4份、劣質個體不復制的原則復制個體。

（4）從復制組中隨機選擇2個個體，對這2個個體進行多次交叉，從所得的結果中選擇1個最優個體存入新種群。

（5）若滿足結束條件，則停止；否則，跳轉至第（1）步，直至找到所有符合條件的規則。

該改進算法的優點是在代的每一次演化過程中，子代總是保留了父代中最好的個體，以在“高適應度模式為祖先的家族方向”搜索出更好的樣本，從而保證最終能夠搜索到全局最優解。

2作物病害葉片病斑分割算法

將作物病害葉片的灰度圖像看成是由像素值組成的集。病斑分割算法的具體流程為：（1）采用分層抽樣方法將葉片圖像分成若干個子樣本；（2）在每一個子樣本中運用改進遺傳算法極大化樣本的均值與方差比；（3）利用獲得的樣本信息對閾值數目和閾值進行自動預測。圖1為病斑分割算法的流程圖。

4結論

當前基于圖像處理的作物病害診斷系統得到了很大的發展，使得利用計算機對作物病害進行智能診斷識別成為了可能。通過對作物病害葉片進行圖像處理，能夠客觀、準確、迅速地對作物病害進行診斷，并得到作物病害的種類以及受害程度，從而指導農業人員合理采取防治措施。為了診斷和識別作物病害類型，需要把病斑從葉片圖像中分割并提取出來。葉片病斑圖像分割是圖像分析和圖像處理的首要步驟，是對植物病害圖像進行處理的基礎，是實現植物病害情況自動檢測和田間管理自動化的前提，其結果直接決定著最終分析結果的準確程度。本研究基于改進的遺傳算法，提出了一種病害葉片的病斑分割方法，該方法能夠有效得到病害葉片的病斑圖像，具有應用前景。

參考文獻：

[1]王樹文，張長利. 基于圖像處理技術的黃瓜葉片病害識別診斷系統研究[J]. 東北農業大學學報，2012，43（5）：69-73.

[2]Wang X F，Huang D S. A novel Multi-Layer level set method for image segmentation[J]. Journal of Universal Computer Science，2008，14（14）：2428-2452.

[3]Wang X F，Huang D S，Du J X，et al. Classification of plant leaf images with complicated background[J]. Applied Mathematics and Computation，2008，205（2，SI）：916-926.

[4]Du J X，Huang D S，Wang X F，et al. Computer-aided plant species identification （CAPSI） based on leaf shape matching technique[J]. Transactions of the Institute of Measurement and Control，2006，28（3）：275-284.

[5]Du J X，Huang D S，Wang X F，et al. Shape recognition based on neural networks trained by differential evolution algorithm[J]. Neurocomputing，2007，70（4/6）：896-903.

[6]鄭小東，王曉潔，趙中堂 基于形狀特征的植物葉柄與葉片分割算法[J]. 計算機工程與設計，2010，31（4）：9封3-918.

[7]Li Y F，Zhu Q S，Cao Y K，et al. A leaf vein extraction method based on snakes technique[C]. Proc IEEE International Conference on Neural Networks and Brain，2005：885-888.

[8]虎曉紅，李炳軍，席磊. 基于多示例圖的小麥葉部病害分割方法[J]. 農業工程學報，2012，28（13）：154-159.

[9]傅弘，池哲儒，常杰，等. 基于人工神經網絡的葉脈信息提取[J]. 植物學通報，2004，21（4）：429-436.

[10]趙玉霞，王克如，白中英，等. 貝葉斯方法在玉米葉部病害圖像識別中的應用[J]. 計算機工程與應用，2007，43（5）：193-195.

[11]王靜，張云偉. 一種煙葉病害的圖像增強處理方法[J]. 中國農學通報，2011，27（6）：469-472.

[12]鄭宏，潘勵. 基于遺傳算法的圖像閾值的自動選取[J]. 中國圖象圖形學報，1999，4（4）：65-68.

[13]Lai C C，Chang C Y. A hierarchical evolutionary algorithm for automatic medical image segmentation[J]. Expert Systems With Applications，2009，36（1）：248-259.

[14]Zahara E，Fan S k S，Tsai M D.Optimal multi-thresholding using a hybrid optimization approach[J]. Pattern Recognition Letters，2005，26：1085-1095.