基于改進Bernsen二值化算法的植物病害葉片病斑檢測

張善文， 黃文準， 師 韻

（西京學院信息工程學院，陜西 西安 710123）

基于改進Bernsen二值化算法的植物病害葉片病斑檢測

張善文， 黃文準， 師 韻

（西京學院信息工程學院，陜西 西安 710123）

針對大區域田間復雜背景下植物病害遠程識別中的葉片病斑檢測難問題，提出一種基于改進Bernsen二值化算法的植物病害遠程檢測方法。通過物聯網采集不同區域的植物葉片圖像，根據在RGB和HIS顏色空間中葉片病斑與正常葉片和背景的色調差異的特點，利用改進Bernsen二值化算法分別在圖像的R、G、B、H 4個顏色通道上提取病斑，然后進行病斑圖像融合，得到病斑圖像。采用該方法對多幅物聯網視頻植物病害葉片圖像進行病斑分割。實驗結果表明，該算法在復雜背景環境下能夠有效分割植物病斑圖像，去除大量復雜背景，得到病斑圖像。該方法能夠為大區域植物病害遠程智能監控系統提供技術指導。

病斑檢測；農業物聯網；Bernsen算法；改進Bernsen算法

植物病害一直是我國農業生產中的重要災害之一，主要病害有1 000多種。植物病害是阻礙我國農業生產發展的一個突出問題［1-2］。目前多數農民對植物病害的發生、發展規律了解不多，對病害類型識別的速度慢、主觀性強、誤判率高、實時性差，往往不能準確、及時的掌握病情而影響了最佳防治時機［3-4］。隨著我國農村大部分勞動力轉向了城市，促使了農業大規模種植模式的形成，同時也促進了農業物聯網技術在植物病蟲害防治中的深入研究和廣泛應用，也使得植物病害葉片圖像處理方法研究更加實用化、智能化，也給植物病害監測、預報和防治帶來了新的研究思路［5-7］。劉寶靜［8］提出了一種基于物聯網視覺的植物病斑識別系統設計方法，通過計算機視覺技術采集不同區域的植物圖像，識別植物病斑情況，通過物聯網克服往常植物病害的遠程報警。吳桐［9］在物聯網環境下針對不同的玉米病蟲害，選擇適當的圖像識別方法對葉部病斑、蟲斑及害蟲進行識別，取得了較高的識別率。劉倩［10］提出了一種面向農業物聯網的監測判別模型所使用的數據挖掘和多源信息融合算法，該算法在農業監控系統中具有一定的應用價值。陳光絨等［11］介紹了一種基于ZigBee網絡的農植物病蟲害自動監測系統，對害蟲預報、預警取得了良好效果。翟云飛［12］將農業生產與物聯網技術相結合，提出了一種基于物聯網技術的桃病蟲害發生預測系統。李建榮［13］提出了一種以物聯網結構為基礎的物聯網監控模型。根據病蟲害災變多衡量標準，對獲取的異常物聯網監控信號進行分析，從而實現大區農業中的病蟲害災變臨界監控。張恩迪等［14］設計了一套集遠程農植物環境監控、病蟲害監測、專家數據庫智能分析數據和設備參數智能設置為一體的農業蟲害監控系統。黎貞發等［15］利用物聯網技術，開發了一套集日光溫室小氣候與生態環境監測網絡、數據實時采集與無線傳輸、低溫災害監測與預警發布、遠程加溫控制等于一體的溫室低溫災害監測預警系統?；谵r業物聯網平臺，能夠遠程控制田間的攝像頭，采集葉片圖像信息并通過互聯網快速傳遞到總服務器上，總服務器自動調取病蟲害葉片圖像信息并進行病蟲害識別與診斷，并將結果發布在互聯網上，從而實現通過計算機、智能手機查看田間植物病蟲害狀況。

由以上文獻得知，基于農業物聯網的植物病害檢測方法的關鍵是如何檢測和提取植物病害葉片中的病斑圖像。由于利用物聯網中的圖像傳感器在實際環境中采集到的田間植物病害葉片圖像復雜，葉片中的病斑區域非連通、顏色多樣，而且存在光照不均勻、噪聲干擾和復雜背景等因素，病害葉片的灰度直方圖分布不呈雙峰或明顯的多峰性，所以采用經典的閾值分割算法不容易從農業物聯網視頻圖像中檢測并分割出病斑圖像。由于實際上大部分植物發病后葉片色調發生變化：正常葉片為綠色，而病變葉片會不同程度地變黃，甚至是黃褐色，有些病變也可能為灰白等其他顏色，所以需要采用局部閾值分割法分割病斑圖像。Bernsen算法是一直經典的局部閾值分割算法，比較適合解決光照不均和干擾等圖像分割問題，已被廣泛應用于復雜圖像分割中［16］。本研究針對農業物聯網視頻葉片病斑圖像的顏色特征，在Bernsen算法的基礎上，提出一種基于改進Bernsen算法的的植物病害葉片病斑檢測并分割方法。該方法能夠通過對植物葉片顏色分析，分割出病斑圖像，由此判斷植物病害發生。

1 研究方法

1.1 Bernsen算法

Bernsen算法的基本思想為：設置兩個初始值T1=15和T2=128，計算以任意一個像素g為中心、大小為（2w+1）×（2w+1）窗口內的所有像素灰度值的最大值M與最小值N，得到M和N的均值T。若M-N＞T1，則當前點的閾值為T；若M-N＜T1，則表示該窗口所在區域灰度級差別較小，則窗口在目標區或在背景區，再判斷T與T2的關系：若T ＞ T2，則當前點的灰度值為255；否則，當前點g的灰度值為0。利用閾值T遍歷圖像中每個像素點，得到與原圖像維數相同的二值化圖像。該算法描述如下：設f ( x，y )表示( x，y )處的像素灰度值，以( x，y )為中心、大小為（2w+1）×（2w+1）的區域S內的閾值為：

利用T ( x，y )對f ( x，y )逐點二值化，得到二值化顯著性圖像b ( x，y )：

1.2 基于改進Bernsen算法的病斑圖像分割

經典的Bernsen算法以局部窗口的最大和最小值的均值作為考察點的閾值，所以該算法對噪聲、干擾和孤立像素點比較敏感，不適合復雜病害葉片圖像分割。農業物聯網視頻病害葉片圖像的特點：一是病斑區域空間分布趨于緊湊一致，其內部特征趨于相似，且病斑圖像的顯著性較高，而正常葉片和背景區域分布在病斑區域的周圍，位置比較分散，具有高方差的空間分布；二是視頻葉片圖像中病斑、葉片和背景復雜，其直方圖的峰谷分界線不明顯，所以一般的二值分割方法不適合，可能涉及多個閾值進行圖像分割。

根據上述分析，針對農業物聯網視頻復雜病害葉片圖像的病斑分割難題，提出了一種改進的Bernsen （M-Bernsen）算法，該算法涉及到5個閾值，其基本步驟如下［16-17］：設( x，y )為原圖像G中的任一像素，其灰度值為f ( x，y )，鄰域像素的灰度值為fi( x，y ) ( i = 0，1，…P )。

（1）鄰域設置。由于植物病斑形狀一般是梭形和紡錘形，所以本研究利用圓形鄰域作為M-Bernsen算法的處理單元。圖1為M-Bernsen算法的鄰域結構，P為鄰域內像素數，R為鄰域半徑。

圖1 M-Bernsen算法的鄰域結構

（3）計算每一個點的閾值T2：

（4）為了消除干擾等因素，對f ( x，y )點在鄰域內進行高斯濾波和平滑濾波：

（5）為了消去陰影、偽影、光照不均和一定的噪聲等影響，對閾值T2和高斯濾波圖閾值T3進行平滑濾波，分別得到閾值T22和T33：

式中，T2i( x，y ) (i = 0，1，…P )為T2( x，y )的P個鄰域像素值。

式中，T3i( x，y ) (i = 0，1，…P )為T3( x，y )的P個鄰域像素值。

（7）利用以上閾值進行判別，

利用以上閾值對病害葉片圖像中各個像素逐點二值化，得到二值化圖像 。

由于農業物聯網視頻彩色葉片圖像的復雜性，需要對圖像的不同子空間進行二值化，再進行融合，生成更清晰、病害信息更豐富、更全面的病斑圖像。本研究選擇像素灰度值最小法進行圖像融合。設b1( x，y )，b2( x，y )，…bL( x，y)為L幅不同子空間的二值化圖像，則融合后的二值化圖像為：

b ( x，y ) = min{ b1( x，y )，b2( x，y )…bL( x，y)}

由于視頻病害葉片圖像在RGB和HIS彩色空間中的R、G、B、H彩色通道分量具有顯著性，所以本研究利用M-Bernsen算法對視頻病害葉片圖像進行R、G、B、H分量二值化處理，然后進行融合。

2 結果與分析

2.1 數據準備

為了表明M-Bernsen算法對病斑分割的有效性，利用一些物聯網視頻病害葉片圖像進行實驗驗證。實驗在主頻3.0 GHz、內存2 GB、WinXP 操作系統的Matlab編程平臺下進行。圖像來自于陜西楊凌農業示范區的物聯網視頻葉片圖像數據庫，圖像格式為600×400的JPG格式。其中M-Bernsen算法中的參數選取P=8、R=1，實驗得到a =0.02［16］。

2.2 實驗過程和結果

首先，由視頻彩色圖像提取R、G、B和H分量；然后，對于每一分量，計算M-Bernsen算法的5個閾值，進行二值化；最后，對5個分量的二值化進行融合，得到病斑圖像。圖2（封二）為利用M-Bernsen算法對視頻病害葉片圖像的R、G、B、H四個顏色通道的二值化和融合二值化圖。圖3和圖4（封二）為利用M-Bernsen算法對視頻病害葉片圖像的病斑分割結果。在圖3和圖4中，多幅原始病害葉片圖像有較嚴重的噪聲和背景的影響，并且局部有部分重疊病斑，利用經典的閾值分割方法很難準確分割出病斑圖像。為了對比說明M-Bernsen算法的有效性，圖3和圖4同時給出了基于水平集方法（WS）［18］、基于顏色特征和區域閾值（CT）［19］、基于改進的顯著性區域（MS）［20］的3種主流檢測算法的病斑分割的主觀視覺效果。

2.3 結果分析

通過圖3和圖4比較結果可以看出，對于簡單背景病害葉片圖像，4種方法的分割結果都比較好；而對于復雜背景的視頻病害葉片圖像，該算法能夠有效分割出病斑，病害信息比較清晰；WS算法沒有完全突出病斑區域，分割結果中還存在許多由于噪聲和細小紋理所導致的小斑點，而小斑點對于后續的實際病害類別識別意義不大；CT算法主要突出了病斑區域邊緣，而病斑內部不明顯，部分病斑發生了缺失現象；MS算法錯誤地將復雜背景顯示出來。而該算法不僅能夠均勻地突出病斑區域，而且消除了背景。所以該算法對背景的適應性較強，算法魯棒性較好，分割效果相對穩定。

從圖3和圖4可以看出，改進Bersen算法的分割效果較好。分析其原因：Bersen算法和改進Bersen算法都是動態選局部擇閾值的自適應方法，是把灰度閾值選取為隨像素位置變化而變化的函數。在預取閾值，得到隨像素的變化而變化的局部閾值，所以不是固定的閾值，能反映復雜的病斑圖像。雖然經典的Bernsen算法能夠根據局部灰度特性來自適應地選取閥值，有較大的靈活性，但是仍然存在偽影、筆畫斷裂等現象，對復雜葉片圖像分割效果不好，丟失部分圖像信息。改進Bersen算法是針對彩色復雜葉片圖像的不同色彩子空間進行病斑檢測，然后進行融合，得到的病斑圖像能夠更準確地反映植物的病斑特征。

3 結論與討論

植物病害嚴重影響了我國農業生產的發展，利用農業物聯網能夠建立植物病害監控系統，進行大區域植物病害綜合治理。該系統的關鍵問題之一是如何快速、準確的檢測并分割植物病斑，病斑分割效果直接影響著后期的特征提取和病害類別識別。本研究基于改進的Bersen算法，提出了一種農業物聯網視頻圖像中的病斑檢測方法。該方法能夠從復雜背景病害葉片圖像中分割出病斑，為植物病斑圖像分割提供了一條新思路。但本研究只是從主觀視覺效果上說明該分割方法的有效性，而沒有從準確分割率量化該方法的有效性。下一步的研究重點是量化說明本研究提出方法的有效性以及如何提取低維、有效、魯棒的病害識別特征，進行病害類別識別。

［1］ Wang J J，Zhang W，Liu L Z.Summary of plant diseases and pests image recognition technology［J］.Computer Engineering and Science，2014，36（7）：1363-1369.

［2］ Shital Bankar，Ajita Dube，Prana li Kadam，et al.Plant disease detection techniques using canny edge detection & color histogram in image processing［J］.International Journal of Computer Science and Information Technologies，2014，5（2）：1165-1168.

［3］ Hiary H A，Ahmad S B，Reyalat M，et al.Fast and accurate detection and classification of plant diseases［J］.International Journal of Computer Applications，2011，17（1）：31-38.

［4］ Smith C S.Image pattern classification for the identification of diseases causing agents in plants［J］.Computers and Electronics in Agriculture，2009，66（2）：121-125.

［5］ 孫忠富，杜克明，尹首一.物聯網發展趨勢與農業應用展望［J］.農業網絡信息，2010（5）：5-8.

［6］ 姚世鳳，馮春貴，賀園園，等.物聯網在農業領域的應用［J］.農機化研究，2011，7（7）：190-194.

［7］ Meonghun Lee，Jeonghwan Hwang，Hyun Yoe.Agricultural Production System Based on IOT［C］.16th International Conference on Computational Science and Engineering，2013：833-837.

［8］ 劉寶靜.基于物聯網視覺的自動農業植物病斑遠程識別［J］.科技通報，2013，49（4）：85-87.

［9］ 吳桐.基于物聯網與圖像識別的玉米病蟲害診斷與預防系統［D］.長春：吉農林業大學，2013.

［10］ 劉倩.面向農業物聯網多環境信息融合的監測判別研究［D］.上海：東華大學，2014.

［11］ 陳光絨，李小琴.基于物聯網技術的農植物病蟲害自動測報系統［J］.江蘇農業科學，2015，43（4）：406-410.

［12］ 翟云飛.基于物聯網技術的桃病蟲害發生預測系統研究［D］.保定：河北農業大學，2014.

［13］ 李建榮.大區農業中病蟲害災變臨界的物聯網監控［J］.計算機仿真，2014，31（4）：299-302.

［14］ 張恩迪，張佳銳.基于物聯網的農業蟲害智能監控系統［J］.農機化研究，2015（5）：229-234.

［15］ 黎貞發，王鐵，宮志宏，等.基于物聯網的日光溫室低溫災害監測預警技術及應用［J］.農業工程學報，2013，29（4）：229-236.

［16］ Ahmed Talab A M，Huang Z，Wang J.An Enhanced Bernsen Algorithm Approaches for Vehicle Logo Detection［J］.International Journal of Signal Processing Image Processing & P，2014，7（4）：203-210.

［17］ Madhuri Latha.G，Chakravarthy.G.An Improved Bernsen Algorithm Approaches For License Plate Recognition［J］.IOSR Journal of Electronics and Communication Engineering（IOSR-JECE），2012，3（4）：1-5.

［18］ 任玉剛，張建，李淼.基于分水嶺算法的植物病害葉片圖像分割方法［J］.計算機應用，2012，32（3）：752-755.

［19］ Zhihua D，Huan W，Yinmao S，et al.Image segmentation method for cotton mite disease based on color features and area thresholding［J］.Journal of Theoretical and Applied Information Technology，2013，48（1）.

［20］ Jiangsheng Gui，Li Hao，Qing Zhang，et al.A New Method for Soybean Leaf Disease Detection Based on Modified Salient Regions［J］.International Journal of Multimedia and Ubiquitous Engineering，2015，10（6）：45-52.

（責任編輯 楊賢智）

Improved Bernsen binary algorithm for spot detection of plant disease leaves

ZHANG Shan-wen，HUANG Wen-zhun，SHI Yun
（Department of Information and Engineering，Xijing University，Xi'an 710123，China）

As for the diffcultity of leaf spot disease detection in plant remote identification under complex background of large field，a remote detection method of plant disease was proposed based on improved Bernsen binary algorithm.The disease leaf images were collected by IOT from different areas.According to the different characteristics of color subspace of RGB and HIS of disease leaf and normal leaf and background colors，the spot images were extracted by the improved Bernsen binary algorithm from the four color channels of R，G，B and H，respectively.Then the spot images were obtained by spot image fusion.The proposed method was applied to segment several plant disease leaf images of agricultural IOT.Results showed that the improved algorithm could effectively segment the plant disease images in the complex background environment，remove a large complex background，and obtain the spot image.The proposed method can provide technical guidance for the remote intelligent monitoring system of plant disease in large areas.

lesion detection； agricultural IOT；Bernsen algorithm；improved Bernsen algorithm

TP391.41

A

1004-874X（2016）12-0129-05

10.16768/j.issn.1004-874X.2016.12.022

2016-08-28

國家自然科學基金（61473237）；陜西省自然科學基礎研究計劃項目（2014JM2-6096）

張善文（1965－），男，博士，教授，E-mail：wjdw716@163.com

張善文，黃文準，師韻.基于改進Bernsen二值化算法的植物病害葉片病斑檢測［J］.廣東農業科學，2016，43（12）：129-133.