扁豆病害葉片的病斑剝離分割

李學(xué)俊，趙禮良

1.安徽大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，合肥 230601

2.安徽大學(xué) 計(jì)算智能與信號(hào)處理重點(diǎn)實(shí)驗(yàn)室，合肥 230039

扁豆病害葉片的病斑剝離分割

李學(xué)俊1，趙禮良2

1.安徽大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，合肥 230601

2.安徽大學(xué) 計(jì)算智能與信號(hào)處理重點(diǎn)實(shí)驗(yàn)室，合肥 230039

1 引言

植物病害是農(nóng)業(yè)生產(chǎn)主要的限制因子之一，聯(lián)合國(guó)糧農(nóng)組織的研究結(jié)果表明，農(nóng)作物病蟲(chóng)害自然損失率在37%以上，據(jù)此測(cè)算，若不采取防控措施，我國(guó)每年因病蟲(chóng)危害將損失糧食3 000億斤。國(guó)內(nèi)外很多專(zhuān)家對(duì)病蟲(chóng)害防治進(jìn)行了深入的研究。

盡管病害癥狀各種各樣，但絕大多數(shù)會(huì)在葉片表現(xiàn)出來(lái)。因此，病害造成的葉片病斑數(shù)量和病斑大小是判斷病害發(fā)生程度的主要依據(jù)。目前該方面的監(jiān)測(cè)工作主要靠人工測(cè)量植物葉片的病斑來(lái)完成。但越來(lái)越多的農(nóng)學(xué)專(zhuān)家試圖應(yīng)用機(jī)器視覺(jué)技術(shù)來(lái)進(jìn)行農(nóng)作物病蟲(chóng)害的自動(dòng)識(shí)別，該技術(shù)對(duì)變量噴藥具有重要意義，既降低了勞動(dòng)強(qiáng)度，又提高了工作質(zhì)量[1-3]。植物病害圖片通常在大自然環(huán)境中拍攝，由于光照和背景的影響，直接使用文獻(xiàn)[4-5]提出的FCM算法很難一次分割出病斑。文獻(xiàn)[4]提出自適應(yīng)的利用領(lǐng)域和灰度信息來(lái)提高傳統(tǒng)FCM算法的魯棒性，由于彩色圖片轉(zhuǎn)化成灰度圖像后丟失了太多的彩色信息，正常葉片和病斑可能在灰度上過(guò)度相似，即使提高了算法本身的魯棒性，依然不能將多度相似的部分分開(kāi)。彩色圖像分割能得到較好的分割效果，但通常都是在不同色彩通道下分別分割，再對(duì)結(jié)果進(jìn)行融合，當(dāng)像素顏色映射到三個(gè)直方圖不同位置時(shí)，顏色信息會(huì)發(fā)散，目標(biāo)病斑可能落在不同分類(lèi)上，依然難以提取病斑[5]。文獻(xiàn)[6]提出利用神經(jīng)網(wǎng)絡(luò)方法確定分類(lèi)類(lèi)別數(shù)，但神經(jīng)網(wǎng)絡(luò)在樣本量大的時(shí)候計(jì)算量特別大，導(dǎo)致實(shí)時(shí)性差。針對(duì)上述方法在對(duì)正常葉片和病斑灰度值相近的扁豆病斑圖像分割時(shí)的不足，本文采用了分水嶺算法進(jìn)行一次預(yù)分割和模糊聚類(lèi)算法進(jìn)行再分割相結(jié)合的剝離分割法來(lái)分割病斑目標(biāo)。所謂剝離分割就是通過(guò)多次分割將背景和正常葉片逐步剝離出去以得到目標(biāo)病斑。

本文第2章首先介紹了采用分水嶺算法對(duì)病害圖片進(jìn)行初始分割，并剝離出背景和正常葉片，預(yù)提取出病斑所在區(qū)域。分水嶺算法的分割結(jié)果特別細(xì)致，容易出現(xiàn)過(guò)分割，文獻(xiàn)[7]針對(duì)領(lǐng)域圖像的特點(diǎn)通過(guò)概率計(jì)算進(jìn)行標(biāo)注以提高算法的健壯性，文獻(xiàn)[8]則對(duì)圖像多尺度梯度劃分等級(jí)進(jìn)行標(biāo)注。本文結(jié)合上述兩種方法，采用Otsu對(duì)梯度圖像閾值進(jìn)行自動(dòng)獲取，將低梯度值排除，再使用分水嶺算法進(jìn)行分割。第3章則是對(duì)初始分割后的病斑區(qū)域使用模糊C均值聚類(lèi)算法進(jìn)行二次分割；通過(guò)對(duì)該類(lèi)圖片像素值研究發(fā)現(xiàn)，正常葉片的綠色通道（RGB通道中G分量）平均值通常高于病斑；求取兩類(lèi)的G分量平均值進(jìn)行比較，其中較小的類(lèi)別為病斑類(lèi)別。

2 病斑區(qū)域初始分割

2.1 分水嶺分割

通過(guò)對(duì)大量扁豆病害葉片樣本圖像研究發(fā)現(xiàn)，大多數(shù)扁豆病害葉片上離散的分布著小區(qū)域的病斑。病斑與正常葉片具有相對(duì)明顯的色彩變化。

Beucher等人最早提出將基于數(shù)學(xué)形態(tài)學(xué)的分水嶺算法用于圖像分割，后來(lái)Luc Vincent和Pierre Soille采用模擬浸沒(méi)過(guò)程實(shí)現(xiàn)分水嶺改進(jìn)，大大提高了分水嶺計(jì)算速度，使得分水嶺算法得到了廣泛的應(yīng)用。

一幅拓?fù)涞匦螆D，水會(huì)由山峰流向山谷，山谷與山谷間會(huì)有一道分水嶺，稱(chēng)為山脊。模擬水由山脊流向山谷的過(guò)程應(yīng)用于圖像分割，山脊可以看作物體邊緣，山谷對(duì)應(yīng)分割后的不同區(qū)域。相比圖像本身，分水嶺分割對(duì)圖像梯度更敏感，因此通常都針對(duì)梯度圖像進(jìn)行分水嶺分割。分水嶺算法可以得到單像素寬的、連通的、封閉的及位置準(zhǔn)確的輪廓[5-6]，比較適合病斑區(qū)域的預(yù)分割，因?yàn)椴粫?huì)破壞區(qū)域的連通性和邊緣，而且運(yùn)算速度快。

2.2 彩色梯度

對(duì)梯度圖像進(jìn)行分水嶺分割時(shí)，考慮到葉片病害圖像都是在大自然中拍攝的彩色圖像，一幅彩色RGB圖像可以簡(jiǎn)單地分解成三幅不同通道圖像，只使用其中一幅通道圖像計(jì)算梯度是不合理的，如果簡(jiǎn)單地將每幅通道圖計(jì)算的梯度進(jìn)行簡(jiǎn)單的相加也是不合適的，因?yàn)槿齻€(gè)圖像的邊緣方向極有可能不同，甚至相反，本文計(jì)算梯度的方法如下[7]：輸入彩色圖像 f(x，y)，r、g、b 為RGB色彩模型沿著R、G、B方向的單位向量，向量定義如下：

根據(jù)Dizenzo理論，彩色圖像任一點(diǎn)的梯度為最大變化率方向的變化率，其最大變化率方向用角度θ(x，y)表示如下：

2.3 小梯度值抑制

2.3.1 抑制閾值

若直接將梯度圖進(jìn)行分水嶺分割，會(huì)分割出過(guò)多的小區(qū)域，這也是分水嶺算法自身的缺點(diǎn)，即過(guò)分割現(xiàn)象。

通過(guò)對(duì)葉片病害樣本圖像的觀察，葉片邊緣與背景，葉莖與葉肉，葉肉與病斑彩色變化較明顯，因此在不破壞病斑區(qū)域的條件下，可對(duì)梯度小于某個(gè)閾值δ的部分進(jìn)行抑制。設(shè)原圖中任一點(diǎn)的梯度為g(x，y)有：

2.3.2 形態(tài)學(xué)腐蝕葉片邊緣

在分割中，葉片邊緣梯度值常常大于病斑邊緣梯度值，易導(dǎo)致分水嶺算法將整個(gè)葉片分割成一個(gè)區(qū)域，無(wú)法提取病斑。簡(jiǎn)單背景的葉片圖像，背景均是同一像素值，背景梯度為零。葉片與背景邊緣梯度大，周?chē)荻染咏悖墒褂眯螒B(tài)學(xué)腐蝕操作去除邊緣，以消除病斑分割中葉片邊緣梯度帶來(lái)的不利影響。

假設(shè)輸入圖像 g(x，y)，尺寸為n的結(jié)構(gòu)單元 Sn，圖像的定義域D，則腐蝕公式[8]：

為了盡可能不影響病斑區(qū)域的梯度值，需要腐蝕操作范圍盡可能小，本文腐蝕操作采用的腐蝕結(jié)構(gòu)算子Sn：

2.3.3 Otsu計(jì)算抑制閾值

設(shè)以灰度T為閾值將圖像像素分成兩類(lèi)，灰度從[1，2，…，T]為一類(lèi)，記為 C0；灰度為 [T+1，2，…，L]為另一類(lèi)C1。C0和C1出現(xiàn)的概率分別記P0(T)和P1(T)；兩類(lèi)的灰度值記為u0(T)和u1(T)；兩類(lèi)的方差記為δ20(T)和 δ21(T)；整幅圖像的灰度均值為u。兩類(lèi)的類(lèi)間距離平方和δ2(T)：b以最大類(lèi)間準(zhǔn)則為閾值為T(mén)*：

但許向陽(yáng)等人用數(shù)學(xué)理論證明了該方法找出的最佳閾值是該閾值分割出的兩類(lèi)的均值的平均值，當(dāng)兩類(lèi)的類(lèi)內(nèi)方差差別較大時(shí)，Otsu方法的分割閾值將偏向類(lèi)內(nèi)方差較大的一類(lèi)，從而將類(lèi)內(nèi)方差較大的一類(lèi)的部分像素劃分到類(lèi)內(nèi)方差較小的類(lèi)中[8-9]。簡(jiǎn)單背景圖像的梯度圖像有很多像素值為零的點(diǎn)，其類(lèi)內(nèi)方差必然都會(huì)零；而另一類(lèi)中，像素方差必然大于零。根據(jù)許向陽(yáng)等人的理論，使用Otsu方法求的閾值會(huì)偏向梯度圖像中像素值大的一方。因此直接使用該方法獲得的閾值往往會(huì)偏大。本文取該直接閾值的一半作為梯度抑制閾值。

2.4 確定病斑所在區(qū)域

植物出現(xiàn)病害后，葉片上的病斑逐步擴(kuò)大，在病害早中、期，病斑面積往往小于正常葉片面積。分水嶺將圖像預(yù)分割成多個(gè)大小不一的區(qū)域，由于去除了背景與正常葉片的邊緣，正常葉片和背景連通成一個(gè)最大的區(qū)域，因此可通過(guò)面積排除法將面積最大的背景和正常葉片區(qū)域剝離出去，預(yù)提取病斑區(qū)域。

3 病斑區(qū)域二次分割

3.1 FCM聚類(lèi)分割

分水嶺算法預(yù)分割后的病斑周?chē)杂胁糠终Ｈ~片，有可能是病斑周?chē)荻茸兓皇鞘置黠@，也有可能是前期梯度閾值抑制造成的誤差。由于樣本數(shù)量已大為減少，可通過(guò)簡(jiǎn)單的灰度聚類(lèi)分割剝離出病斑。

對(duì)預(yù)提取病斑區(qū)域的灰度圖研究發(fā)現(xiàn)，病斑與其周?chē)Ｈ~片具有很強(qiáng)的模糊性，這種不確定和精確性主要體現(xiàn)在圖像灰度的不確定性、目標(biāo)邊緣的不確定性等。模糊聚類(lèi)算法（FCM）對(duì)于圖像的這種不確定性有很好的描述能力[9]。FCM算法應(yīng)用于圖像分割就是把圖像的像素點(diǎn)看成數(shù)據(jù)集的樣本點(diǎn)，像素點(diǎn)的特征看成樣本點(diǎn)的特征，則圖像的分割問(wèn)題轉(zhuǎn)化為對(duì)目標(biāo)表達(dá)式的優(yōu)化問(wèn)題：

其中，m＞1，c是聚類(lèi)的類(lèi)數(shù)，n是聚類(lèi)空間的樣本數(shù)，uik是第i類(lèi)中樣本k的隸屬度，dik表示樣本點(diǎn) xk距聚類(lèi)中心vi的歐氏距離。

{U=uik}表示 n×c維的隸屬度矩陣，V={v1，v2，…，vc}表示的s×c維的聚類(lèi)中心矩陣，s是聚類(lèi)空間的維數(shù)，取值為2。該目標(biāo)函數(shù)可以通過(guò)迭代更新隸屬度矩陣U和聚類(lèi)中心V得到最優(yōu)解：

待FCM優(yōu)化收斂結(jié)束后，則聚類(lèi)分割可由下式表示：

3.2 提取病斑

通過(guò)對(duì)病害樣本圖像像素值研究發(fā)現(xiàn)，正常葉片的綠色通道分量平均值往往大于病斑的綠色通道分量值。文中對(duì)FCM算法分割出的目標(biāo)和背景兩類(lèi)，計(jì)算每類(lèi)的綠色分量平均值，其中平均值較小的類(lèi)別為病斑區(qū)域。

4 實(shí)驗(yàn)結(jié)果及分析

本文使用四川農(nóng)業(yè)大學(xué)提供的“農(nóng)作物病蟲(chóng)害診斷圖片數(shù)據(jù)庫(kù)及防治知識(shí)庫(kù)”（http：//ny.sicau.edu.cn/1/）的圖片在PC機(jī)上使用MATLAB 7.0對(duì)病害圖像進(jìn)行了仿真實(shí)驗(yàn)。

以扁豆白絹病為例，如圖1所示，直接使用FCM算法進(jìn)行分割不能得到好的實(shí)驗(yàn)結(jié)果。若采用灰度圖像分割，由于丟失了大量的彩色信息，病斑并不能簡(jiǎn)單地分割出來(lái)，如圖1（b）；若采用彩色分割，雖然分割效果較好，但病斑不只落在某一個(gè)分類(lèi)中，病斑既有紅色標(biāo)記類(lèi)別，也有白色標(biāo)記類(lèi)別，且病斑有些區(qū)域在原圖中并不連通，分割后卻連通了，如圖1（c）。采用本文的剝離分割，病斑清晰并且較為完整的得到了分割，如圖1（d）。

圖1（d）的剝離分割過(guò)程如圖2所示。首先求取圖像的彩色梯度，如圖2（a）所示。若直接對(duì)此梯度圖進(jìn)行分水嶺分割，會(huì)出現(xiàn)嚴(yán)重的過(guò)分割現(xiàn)象，如圖2（b）。為了解決此問(wèn)題，本文進(jìn)行了改進(jìn)。首先采用形態(tài)學(xué)腐蝕操作得到圖2（c）。可發(fā)現(xiàn)葉片邊緣明顯弱化，而病斑邊緣的梯度弱化程度較小。然后再進(jìn)行小梯度抑制操作得到圖2（d）。最后使用分水嶺算法進(jìn)行初始分割，結(jié)果如圖2（e），可見(jiàn)區(qū)域數(shù)明顯減少，大大少于直接分水嶺所分割出的區(qū)域，而且病斑區(qū)域依然完整。

得到分水嶺分割后的預(yù)提取圖2（f）后，以此目標(biāo)區(qū)域作為FCM二次分割的輸入，聚類(lèi)結(jié)果如圖2（g）所示；為了更好地與原圖進(jìn)行比較，進(jìn)一步剝離出病斑類(lèi)別，如圖2（h）所示。

圖3中，本文對(duì)扁豆其他病，如扁豆假尾孢褐斑病、扁豆輪紋斑病、扁豆黑斑病、扁豆角斑病葉片圖像進(jìn)行了剝離分割，均取得了較好的分割效果。

5 結(jié)束語(yǔ)

植物葉片病斑會(huì)因?yàn)椴『Φ牟煌参锷L(zhǎng)期的不同，病害程度的不同，呈現(xiàn)形態(tài)各異，色彩多樣性。目前尚無(wú)對(duì)所有圖像都適合的圖像分割算法，在機(jī)器視覺(jué)進(jìn)行農(nóng)作物病害診斷中，需要針對(duì)不同的病害研究相應(yīng)的算法。針對(duì)扁豆病害葉片圖像正常葉片和病斑相似度高的特征，本文提出了適合該類(lèi)圖片的剝離分割算法，并有效地剝離分割出病斑目標(biāo)，為機(jī)器視覺(jué)對(duì)扁豆病害診斷提供了算法工具和實(shí)驗(yàn)基礎(chǔ)。

本文算法通過(guò)結(jié)合分水嶺變換，Otsu算法和FCM算法的聚類(lèi)，采用二次分割方案實(shí)現(xiàn)。實(shí)驗(yàn)中發(fā)現(xiàn)對(duì)梯度抑制閾值δ具有較強(qiáng)的依賴(lài)，有待繼續(xù)深入研究。

圖1 扁豆白絹病分割比較

圖2 扁豆白絹病剝離分割過(guò)程

圖3 扁豆其他病分割效果

[1]田有文.典型農(nóng)作物葉部病害計(jì)算機(jī)圖像識(shí)別方法的研究[D].沈陽(yáng)：沈陽(yáng)農(nóng)業(yè)大學(xué)，2005.

[2]譚峰，馬曉丹.基于葉片的植物病蟲(chóng)害識(shí)別方法[J].農(nóng)機(jī)化研究，2009，6（1）：41-43.

[3]趙進(jìn)輝，羅錫文，周志艷.基于顏色與形狀特征的甘蔗病害圖像分割方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（9）：101-103.

[4]Cai Weiling，Chen Songcan，Zhang Daoqiang.Fast and robust fuzzy c-means clustering algorithms incorporating local information for image segmentation[J].Pattern Recognition，2007，40（3）：825-838.

[5]林開(kāi)顏，吳軍輝，徐立鴻.彩色圖像分割方法綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2005，10（11）：1-10.

[6]Sowmya B，Sheela Rani B.Colour image segmentation using fuzzy clustering techniques and competitive neural network[J].Applied Soft Computing，2011，11（3）：3170-3178.

[7]Grau V，Mewes A U J，Alca?iz M.Improved watershed transform for medical image segmentation using prior information[J].IEEE，2004，23（4）：447-458.

[8]Gauch J M.Image segmentation and analysis via multiscale gradient watershed hierarchies[J].IEEE，1999，8（1）：69-79.

[9]李海燕.基于二次分水嶺和歸一化割的彩色圖像分割技術(shù)的研究[D].哈爾濱：哈爾濱工程大學(xué)，2011.

[10]王宇，陳殿仁，沈美麗，等.基于形態(tài)學(xué)梯度重構(gòu)和標(biāo)記提取的分水嶺圖像分割[J].中國(guó)圖象圖形學(xué)報(bào)，2008，13（11）：2177-2180.

[11]Gonzalez R C，Woods R E，Eddins S L.數(shù)字圖像處理（Matlab 版）[M].阮秋琦，譯.北京：電子工業(yè)出版社，2005：315-319.

[12]任守綱，馬超，謝忠紅，等.基于分水嶺和梯度的蝴蝶蘭圖像分割方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（9）：125-129.

[13]梁義濤，龐蕊，朱遠(yuǎn)坤.灰度圖像二維Otsu折線(xiàn)閾值分割法[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（33）：178-182.

[14]許向陽(yáng)，宋恩民，金良海.Otsu準(zhǔn)則的閾值性質(zhì)分析[J].電子學(xué)報(bào)，2009，37（12）：2716-2719.

[15]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(xué)報(bào)，2010，38（2A）：76-82.

LI Xuejun1,ZHAO Liliang2

1.School of Computer Science and Technology,Anhui University,Hefei 230601,China
2.Intelligent Computing and Signal Processing Laboratory,Anhui University,Hefei 230039,China

Traditional segmentation methods can obtain better result for these images which have distinct difference between the goal and background area.However these methods are difficult to obtain ideal disease speckle for diseased lentil leave images which have minor difference among normal leaves and disease speckles.So in this paper,it proposes a method that is suitable for diseased lentil leave images.This method has two stages including initial segmentation and secondary segmentation.Color gradient graph of these images is computed,then the Otsu algorithm is applied to eliminate lower gradient.Watershed algorithm is used to pre-segment the images,then a rough target zone based on zone area features is gained.FCM algorithm is applied to rough target zone.By analyzing difference between green alley of disease speckle and normal leaves,disease speckle is acquired.Experimental results show good effect of segmenting disease speckle with this method.

lentil diseased leaves;image segmentation;color gradient;watershed algorithm;Fuzzy C-Means（FCM）

傳統(tǒng)的分割方法針對(duì)目標(biāo)和背景灰度值差距大的圖像能得到較好的分割效果，但在對(duì)正常葉片和病斑灰度值相似度高的扁豆病害葉片圖像分割時(shí)，難以得到理想的目標(biāo)病斑。針對(duì)該問(wèn)題，提出了一種適合正常葉片和病斑相似度高的圖像剝離分割方法。該方法包括初始分割和二次分割兩個(gè)步驟。初始分割是基于樣本圖片的彩色梯度圖，采用最大類(lèi)間標(biāo)準(zhǔn)方差與分水嶺相結(jié)合的算法獲得病斑粗略區(qū)域。二次分割是對(duì)粗略目標(biāo)區(qū)域進(jìn)行模糊C聚類(lèi)分割得到目標(biāo)病斑。實(shí)驗(yàn)結(jié)果表明，該剝離分割算法能提高病斑分割精確度，較好地分割出病斑目標(biāo)。

扁豆病害葉片；圖像分割；彩色梯度；分水嶺；模糊C聚類(lèi)

A

TP391.41

10.3778/j.issn.1002-8331.1301-0049

LI Xuejun,ZHAO Liliang.Image segmentation of diseased lentil leaves for disease speckle.Computer Engineering and Applications,2014,50（23）：181-184.

國(guó)家自然科學(xué)基金（No.61003131）；安徽教育廳自然科學(xué)研究項(xiàng)目（No.KJ2010A032）。

李學(xué)俊（1976—），男，博士，副教授，研究領(lǐng)域?yàn)槟Ｊ阶R(shí)別、智能軟件；趙禮良（1988—），男，碩士研究生，研究領(lǐng)域?yàn)閳D像處理。E-mail：xjli@ahu.edu.cn

2013-01-07

2013-03-07

1002-8331（2014）23-0181-04

CNKI網(wǎng)絡(luò)優(yōu)先出版：2013-04-08,http://www.cnki.net/kcms/detail/11.2127.TP.20130408.1648.015.html