1種基于Otsu算法的植物病害葉片圖像分割方法

張善文等

摘要：植物葉片圖像分割是植物分類和植物病害檢測中的一個關鍵步驟，旨在把葉片圖像分成各具特性的區域并提取出感興趣的部分。在分析自然場景下植物葉片圖像幾種分割方法的優缺點的基礎上，基于Otsu算法，提出了1種葉片圖像分割方法，并進行分割算法試驗。結果表明，該葉片圖像分割方法對葉片中目標（葉片或病斑）-背景類的圖像具有較好的分割效果。

關鍵詞：植物葉片圖像；圖像分割；閾值分割；Otsu算法

中圖分類號： TP391.41 文獻標志碼： A 文章編號：1002-1302（2014）04-0337-03

收稿日期：2013-08-19

基金項目：國家自然科學基金（編號：61272333）；河南省科技攻關計劃（編號：122102210429）；西亞斯國際學院引進人才項目（編號：2012YJRC01、2012YJRC02）。

作者簡介：張善文（1965—），男，陜西閻良人，博士，教授，從事模式識別及其應用研究。Email：wjdw716@163.com。植物是人類生存與發展的重要資源，是人類生產和生活必需的資源，對人類的生存環境起著重要的作用。但由于人類對植物不合理利用和對其生長環境的不斷破壞，使得很多植物種類不斷消失，由此也給人類造成了難以估量的損失，也使人們逐漸意識到保護植物及其生長環境的重要性。要保護植物，首先要識別植物。利用植物葉片進行植物分類和識別是最簡捷、經濟和最有效的方法，也是很多學者研究的一個熱點。植物葉片圖像分割是基于植物葉片進行植物分類的一個關鍵步驟。葉片圖像分割本質是將像素進行分類，由于植物葉片圖像的邊緣的像素灰度值大幅度劇烈變化，即邊緣是目標與背景之間的臨界區，一般可以通過區域間的灰度不連續性來檢測邊緣以達到分割葉片圖像的目的。分類的依據是象素的灰度值、顏色、頻譜特性、空間特性或紋理特性等。很多常用的圖像分割技術，如閾值分割法、區域法、邊緣檢測法、人工神經網絡法及統計學方法已被用于植物葉片圖像分割。目前，很多學者提出了一些比較有效的葉片圖像分割方法[1-8]。如Wang等[1-4]提出一些葉片圖像分割方法，并應用于植物種類分類中，取得了較好的識別結果；Wang等[2]提出了基于數學形態學的植物葉片圖像的預處理方法，運用數學形態學中的開運算和閉運算消除圖像中的孤立噪聲點并填補葉片內部孔洞。鄭小東等[9]將采集到的圖像轉換成二值圖像，然后估算葉柄的大致寬度，根據該寬度對圖像進行粗分割，并根據葉柄在圖像中的位置確定葉柄，實現精確分割葉片圖像；Li等[10]利用基于細胞神經網絡的Snake模型來分割和提取葉脈；虎曉紅等[11]為了提高作物病害的分割效果，提出了一種基于多示例圖的分割模型，將作物病害的分割問題轉化為在多示例圖框架下的分割問題；傅弘等[12]提出一種基于人工神經網絡的葉脈分割方法；Persson等[13]通過建立活動形狀模型（ASM）來分割示例圖的分割模型，將作物病害的分割問題轉化為在多示例圖框架下的分割問題；傅弘等[12]提出一種基于人工神經網絡的葉脈分割方法；Persson等[13]通過建立活動形狀模型（ASM）來分割農作物和野草圖像，取得了83%的有效分割率；Camargo等[14]通過分析灰度直方圖的方法來分割病害葉片；Zheng等[15]使用基于均值位移的分割方法來提取圖像中的綠色葉片；魏蕾[16]利用加權平均法把彩色圖像轉化為灰度圖像，獲得其灰度直方圖多個通道的特性，再對灰度圖像均衡化，選用中值濾波方式去除多幅葉片圖像的噪聲，最后進行圖像分割得到二值圖像，為后續葉片特征的參數選取做準備。中國科學院合肥智能機械研究所智能計算實驗室也相繼開展了對植物葉片的分割和識別工作[1-4，17-19]。

基于圖論的葉片圖像分割方法能夠較好地把握圖像的幾何結構和全局特征[20-23]，通常是把圖像中的像素視為特征點，將一幅圖像表示成一個帶權無向圖，圖中的頂點為被分割元素的集合，圖中的邊對應于一對有相應權重的鄰接頂點，邊上的權重表示相鄰頂點之間相異程度，然后應用聚類或分組的方法對這些點進行劃分，進而完成對圖像的分割。該方法的一個不足是花費時間較長。

雖然上述葉片圖像分割方法針對某類植物葉片圖像或在某種條件下能夠得到較好的分割效果。由于很多方法只利用了圖像灰度特征，并沒有利用圖像的其他有用信息，使得分割結果不理想，特別是對噪聲比較敏感。最大類間方差法（Otsu法）可以自動得到統計意義上的最佳分割閾值[24]，實際應用中該方法對目標與背景類的圖像具有很好的分割效果。本研究基于Otsu法，提出一種葉片圖像分割方法。

1葉片圖像分割方法

2結果與分析

試驗在主頻3.0 GHz，內存2 GB，WinXP操作系統的Matlab試驗平臺下對植物病害葉片圖像進行測試，預分割圖像的格式為400×600的JPG圖像。采摘的時候要從葉柄根部將葉片連同葉柄一起采摘。將采下的樣本葉片置于厚重的書本之中并加以重物，壓1 d左右。根據植物葉片的形狀，在葉柄處向下凸出，為了保證最終取得的樣本葉片完整，要把部分葉柄夾進書中，使計算結果準確。在MATLAB 7.0中，一幅大小為M×N的RGB彩色葉片圖像可以用一個M×N×3的矩陣T來描述，圖像中的每一個像素點對應于紅、綠、藍（R、G、B）3個分量組成的三元組。利用MATLAB 7.0中函數rgb2gray將彩色葉片圖像T轉換為灰度圖像H。由于色調H反映了葉片圖像的分類特征，因此由葉片圖像H可以有效地分割葉片圖像，以便于后續基于葉片的植物種類識別和植物病害識別。這時，對葉片圖像分割就是對圖像H進行Otsu法的多閾值分割，其分割流程歸納為：（1）將葉片圖像RGB模式轉化到HIS模式，得到H直方圖；（2）利用Otsu法的多閾值分割方法對H直方圖進行處理，得到局部最佳閾值；（3）利用局部最佳閾值來分割H直方圖，得到葉片圖像的分類、識別特征。

由圖1-D可以看出，利用Otsu算法可以將葉片圖像中的目標和背景分離。由圖2-D可以看出，利用Otsu多閾值分割方法能夠得到病害葉片圖像的不同分類特征，將此作為后續病害類型識別的依據。所以利用Otsu多閾值分割方法可以自動得到統計意義上的最佳分割閾值。說明本研究提出的葉片圖像分割方法對葉片圖像中目標（即葉片或病斑）-背景類的圖像具有較好的分割效果。

3結論

Otsu多閾值分割方法是一種統計判決法，具有非參數、非監督和計算簡單的特點。而且在一定條件下不受圖像對比度和亮度變化的影響，因而在一些實時圖像處理系統中得到了廣泛的應用。本研究的Otsu多閾值分割算法是建立在對葉片圖像進行識別的基礎上，所以被分割的葉片圖像轉換成了直方圖，再進行分割的。為了進一步提高分割速度、準確度和對復雜圖像的處理能力，需要處理二維直方圖空間或三維顏色空間。

參考文獻：

[1]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.

[2]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）：916-926.

[3]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.

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

[5]Fu H Z C. Combined thresholding and neural network approach for vein pattern extraction from leaf images[J]. Vision，Image and Signal Processing，IEE Proceedings，2006，153（6）：881-892.

[6]Persson M，Astrand B. Classification of crops and weeds extracted by active shape models[J]. Biosystem Engineering，2008，100：484-497.

[7]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystem Engineering，2009，102：9-21.

[8]Zheng L Y，Zhang J T，Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture，2009，65：93-98.

[9]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）：918-921.

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

[11]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.

[12]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.

[13]Persson M，Astrand B. Classification of crops and weeds extracted by active shape models[J]. Biosystem Engineering，2008，100：484-497.

[14]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystem Engineering，2009，102：9-21.

[15]Zheng L Y，Zhang J T，Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture，2009，65：93-98.

[16]魏蕾. 基于圖像處理和SVM的植物葉片分類研究[D]. 楊凌：西北農林科技大學，2012.

[17]王曉峰，黃德雙，杜吉祥，等. 葉片圖像特征提取與識別技術的研究[J]. 計算機工程與應用，2006，42（3）：190-193.

[18]杜吉祥. 植物物種機器識別技術的研究[D]. 合肥：中國科學技術大學，2005.

[19]黃志開. 彩色圖像的特征提取與植物分類研究[D]. 合肥：中國科學技術大學，2006.

[20]許新征，丁世飛，史忠植，等. 圖像分割的新理論和新方法[J]. 電子學報，2010，38（增刊1）：76-82.

[21]劉丙濤，田錚，李小斌，等. 基于圖論Gomory-Hu算法的SAR圖像多尺度分割[J]. 宇航學報，2008，29（3）：1002-1007.

[22]馮林，孫燾，吳振宇，等. 基于分水嶺變換和圖論的圖像分割方法[J]. 儀器儀表學報，2008，29（3）：649-653.

[23]王學松，周明全，樊亞春，等. 彩色圖像色度距離權值的圖論分割算法[J]. 中國圖象圖形學報，2011，16（2）：221-226.

[24]王祥科，鄭志強. Otsu多閾值快速分割算法及其在彩色圖像中的應用[J]. 計算機應用，2006，26（增刊1）：14-15.

由圖1-D可以看出，利用Otsu算法可以將葉片圖像中的目標和背景分離。由圖2-D可以看出，利用Otsu多閾值分割方法能夠得到病害葉片圖像的不同分類特征，將此作為后續病害類型識別的依據。所以利用Otsu多閾值分割方法可以自動得到統計意義上的最佳分割閾值。說明本研究提出的葉片圖像分割方法對葉片圖像中目標（即葉片或病斑）-背景類的圖像具有較好的分割效果。

3結論

Otsu多閾值分割方法是一種統計判決法，具有非參數、非監督和計算簡單的特點。而且在一定條件下不受圖像對比度和亮度變化的影響，因而在一些實時圖像處理系統中得到了廣泛的應用。本研究的Otsu多閾值分割算法是建立在對葉片圖像進行識別的基礎上，所以被分割的葉片圖像轉換成了直方圖，再進行分割的。為了進一步提高分割速度、準確度和對復雜圖像的處理能力，需要處理二維直方圖空間或三維顏色空間。

參考文獻：

[1]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.

[2]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）：916-926.

[3]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.

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

[5]Fu H Z C. Combined thresholding and neural network approach for vein pattern extraction from leaf images[J]. Vision，Image and Signal Processing，IEE Proceedings，2006，153（6）：881-892.

[6]Persson M，Astrand B. Classification of crops and weeds extracted by active shape models[J]. Biosystem Engineering，2008，100：484-497.

[7]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystem Engineering，2009，102：9-21.

[8]Zheng L Y，Zhang J T，Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture，2009，65：93-98.

[9]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）：918-921.

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

[11]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.

[12]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.

[13]Persson M，Astrand B. Classification of crops and weeds extracted by active shape models[J]. Biosystem Engineering，2008，100：484-497.

[14]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystem Engineering，2009，102：9-21.

[15]Zheng L Y，Zhang J T，Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture，2009，65：93-98.

[16]魏蕾. 基于圖像處理和SVM的植物葉片分類研究[D]. 楊凌：西北農林科技大學，2012.

[17]王曉峰，黃德雙，杜吉祥，等. 葉片圖像特征提取與識別技術的研究[J]. 計算機工程與應用，2006，42（3）：190-193.

[18]杜吉祥. 植物物種機器識別技術的研究[D]. 合肥：中國科學技術大學，2005.

[19]黃志開. 彩色圖像的特征提取與植物分類研究[D]. 合肥：中國科學技術大學，2006.

[20]許新征，丁世飛，史忠植，等. 圖像分割的新理論和新方法[J]. 電子學報，2010，38（增刊1）：76-82.

[21]劉丙濤，田錚，李小斌，等. 基于圖論Gomory-Hu算法的SAR圖像多尺度分割[J]. 宇航學報，2008，29（3）：1002-1007.

[22]馮林，孫燾，吳振宇，等. 基于分水嶺變換和圖論的圖像分割方法[J]. 儀器儀表學報，2008，29（3）：649-653.

[23]王學松，周明全，樊亞春，等. 彩色圖像色度距離權值的圖論分割算法[J]. 中國圖象圖形學報，2011，16（2）：221-226.

[24]王祥科，鄭志強. Otsu多閾值快速分割算法及其在彩色圖像中的應用[J]. 計算機應用，2006，26（增刊1）：14-15.

由圖1-D可以看出，利用Otsu算法可以將葉片圖像中的目標和背景分離。由圖2-D可以看出，利用Otsu多閾值分割方法能夠得到病害葉片圖像的不同分類特征，將此作為后續病害類型識別的依據。所以利用Otsu多閾值分割方法可以自動得到統計意義上的最佳分割閾值。說明本研究提出的葉片圖像分割方法對葉片圖像中目標（即葉片或病斑）-背景類的圖像具有較好的分割效果。

3結論

Otsu多閾值分割方法是一種統計判決法，具有非參數、非監督和計算簡單的特點。而且在一定條件下不受圖像對比度和亮度變化的影響，因而在一些實時圖像處理系統中得到了廣泛的應用。本研究的Otsu多閾值分割算法是建立在對葉片圖像進行識別的基礎上，所以被分割的葉片圖像轉換成了直方圖，再進行分割的。為了進一步提高分割速度、準確度和對復雜圖像的處理能力，需要處理二維直方圖空間或三維顏色空間。

參考文獻：

[1]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.

[2]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）：916-926.

[3]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.

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

[5]Fu H Z C. Combined thresholding and neural network approach for vein pattern extraction from leaf images[J]. Vision，Image and Signal Processing，IEE Proceedings，2006，153（6）：881-892.

[6]Persson M，Astrand B. Classification of crops and weeds extracted by active shape models[J]. Biosystem Engineering，2008，100：484-497.

[7]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystem Engineering，2009，102：9-21.

[8]Zheng L Y，Zhang J T，Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture，2009，65：93-98.

[9]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）：918-921.

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

[11]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.

[12]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.

[13]Persson M，Astrand B. Classification of crops and weeds extracted by active shape models[J]. Biosystem Engineering，2008，100：484-497.

[14]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystem Engineering，2009，102：9-21.

[15]Zheng L Y，Zhang J T，Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture，2009，65：93-98.

[16]魏蕾. 基于圖像處理和SVM的植物葉片分類研究[D]. 楊凌：西北農林科技大學，2012.

[17]王曉峰，黃德雙，杜吉祥，等. 葉片圖像特征提取與識別技術的研究[J]. 計算機工程與應用，2006，42（3）：190-193.

[18]杜吉祥. 植物物種機器識別技術的研究[D]. 合肥：中國科學技術大學，2005.

[19]黃志開. 彩色圖像的特征提取與植物分類研究[D]. 合肥：中國科學技術大學，2006.

[20]許新征，丁世飛，史忠植，等. 圖像分割的新理論和新方法[J]. 電子學報，2010，38（增刊1）：76-82.

[21]劉丙濤，田錚，李小斌，等. 基于圖論Gomory-Hu算法的SAR圖像多尺度分割[J]. 宇航學報，2008，29（3）：1002-1007.

[22]馮林，孫燾，吳振宇，等. 基于分水嶺變換和圖論的圖像分割方法[J]. 儀器儀表學報，2008，29（3）：649-653.

[23]王學松，周明全，樊亞春，等. 彩色圖像色度距離權值的圖論分割算法[J]. 中國圖象圖形學報，2011，16（2）：221-226.

[24]王祥科，鄭志強. Otsu多閾值快速分割算法及其在彩色圖像中的應用[J]. 計算機應用，2006，26（增刊1）：14-15.