基于WT—Otsu算法的植物病害葉片圖像分割方法

張會敏+謝澤奇+張善文+張云龍

摘要：植物病害葉片圖像分割是植物病害識別和植物分類的基礎。為了解決作物病斑葉片的分割效率和實時性，在小波變換（wavelet transform）和Otsu法的基礎上，提出一種基于WT-Otsu算法的植物病害葉片圖像分割方法。首先，利用二維小波變換提取作物病斑圖像的邊緣點；其次，利用Otsu法在這些邊緣點搜索最佳分割閾值；最后，利用該閾值分割圖像。利用該方法在真實辣椒病害葉片圖像上進行了分割試驗，結果表明，該方法對病害葉片圖像分割有效可行。

關鍵詞：病害葉片圖像分割；Otsu法；小波變換（WT）；最佳分割閾值

中圖分類號： TP391.41 文獻標志碼： A 文章編號：1002-1302（2017）18-0194-03

收稿日期：2016-06-13

基金項目：國家自然科學基金（編號：61473237）；河南省科技廳基礎與前沿技術研究（編號：172102210510、162300410188）；河南省教育廳高等學校重點科研項目（編號：16A520095）；鄭州大學西亞斯國際學院校級科研項目（編號：2016KY01）；鄭州大學西亞斯國際學院2016年度教改基金（編號：2016JGZD07）。

作者簡介：張會敏（1981—），女，河南漯河人，碩士，副教授，研究方向為圖像處理、模式識別。E-mail：zhm0413@163.com。

通信作者：謝澤奇，碩士，副教授，研究方向為計算機應用、圖像處理。E-mail：xzq0413@163.com。 植物病害葉片圖像分割是利用病害葉片進行植物病害診斷和識別的基礎，是實現植物病害自動檢測和田間植物自動化管理的前提。由于植物病害葉片圖像成分復雜，病害葉片上的病斑形狀和排列順序無規律，葉片病斑的顏色深淺不一，且存在一定的隨機噪聲，植物病害葉片圖像分割方法研究一直是很多學者的主要研究方向。葉片圖像由病斑部分和正常部分組成，其分割是一個二類問題，可利用統計和圖像處理方法分割植物病害葉片圖像。常用的葉片及其病斑圖像分割方法有閾值分割法、區域法、人工神經網絡法等[1-4]。但目前還沒有效果很好且普遍適用的圖像分割規則。Otsu法是由日本學者大津提出的一種全局自動閾值選取法，是一種全局化的動態二值化分割方法，也是灰度圖像二值化分割的常用算法[5-7]。胡波等引入像素灰度級和鄰域灰度級構成二維直方圖，來減小鏡面反射和葉片污損帶來的分割誤差[4]。肖剛等提出了一種改進的二維Otsu圖像分割方法，該方法利用像素鄰域灰度差值的新方法構建二維直方圖，解決了鄰域像素灰度值偏離中心像素灰度值的情況[7]。該方法在建立直方圖的時候雖然考慮了鄰域像素灰度值偏離中心像素灰度值的情況，但是沒有考慮鄰域像素分布情況，導致圖像邊緣和角點分割不準確。田有文等將圖像的RGB空間作為模式分類的特征空間，在此基礎上根據Fisher準則，運用統計模式識別的線性判別函數對彩色圖像進行真彩色分割，取得了較好效果[8]。趙進輝等根據甘蔗苗期赤腐病和環斑病圖像的特點，提出了一種基于顏色和形狀特征的甘蔗病害圖像分割方法[9]。該算法能較好地完成對甘蔗苗期赤腐病和環斑病病斑的分割。虎曉紅等提出了一種基于多示例圖的小麥葉部病害分割方法，該方法將傳統的圖分割拓展到多示例的包空間下對判定函數進行設定[10]。江海洋等提出了一種基于多域多相水平集的黃瓜病害圖像分割方法，該方法使不同的水平集函數在不同的空間域中演化，能夠結合多種特征信息，或加入人為約束[11]。該方法也可以針對不同空間域的特點，使用不同的能量模型，具有較強的靈活性與擴展性。植物病害葉片圖像的復雜性，使得病害葉片圖像分割具有挑戰性。

本研究提出了一種基于小波變換和Otsu法的植物病害葉片圖像分割方法，首先利用二維小波變換提取作物病斑圖像的邊緣點；其次利用Otsu法在這些邊緣點搜索最佳分割閾值；然后利用該閾值分割圖像，最后在辣椒病斑葉片上進行驗證，結果表明該方法簡單有效，分割效果好。

1 材料與方法

1.1 病斑葉片圖像的獲取

本研究中所使用的病害樣本圖像均是在陜西省楊凌市農業蔬菜試驗基地，利用數碼相機采集的辣椒病害葉片圖像。圖像采集系統硬件主要包括數碼相機和方正PC機，Intel Core TM i3-2130 CPU@3.4 GHz、4GB內存，Intel HD Graphics Family顯卡，圖像分辨率為2 592×1 728。數碼相機為尼康D7100套機（18～140 mm STM）、2 020萬像素。在自然光源條件下進行病害葉片圖像采集，以JPG格式存儲，圖像大小設為1 037×692。

1.2 基于WT-Otsu算法的植物病害葉片圖像分割方法

首先簡單介紹小波變換（WT）和Otsu法，在此基礎上提出一種病害葉片圖像分割方法。

1.2.1 基于小波變換的圖像邊緣檢測 小波變換具有良好的時頻局部化特征及多分辨率分析能力，適用于檢測病害葉片圖像中的病斑局部信息[12-13]。由于葉片圖像是二維，因此需要采用二維WT。圖像f（x，y）的WT如圖1所示，在進行二維WT分解后，把圖像信號分解成不同頻帶范圍內的圖像分量，每一層小波分解都將待分解圖像近似部分分解成4個子圖像，即LL（水平與垂直方向均為低頻）、LH（水平低頻、垂直高頻）、HL（水平高頻、垂直低頻）、HH（水平與垂直均為高頻）。經過WT后得到一系列不同分辨率的子圖像，分別描述不同頻率的圖像信息。

病害葉片灰度圖像邊緣檢測描述為（l）對給定的葉片圖像進行二層小波分解；（2）將低頻系數設為0，高頻系數保持不變，最大限度地保留病斑圖像的邊緣特征；（3）再利用處理后的小波系數進行小波重構；（4）選擇合適的閾值對僅由高頻系數重構得到的圖像進行閾值處理，使得低于閾值的設為0，高于閾值的設為1，得到二值化邊緣圖像。endprint

1.2.2 Otsu法 Otsu法的基本思想是假設目標與背景具有不同的灰度值，將圖像以某一灰度為閾值分成目標和背景2組，計算2組之間的方差。當分割的2組子圖像之間的類間方差最大時，求得最佳分割閾值，由此閾值對圖像進行分割。其具體過程描述如下：

對于任意一個灰度范圍[0，m-1]的葉片圖像P（x，y），（x，y）為圖像中任一像素點，像素數為N，ni為灰度級i的像素數，灰度級為i的像素點出現的概率為Pi=ni/N，i=0，1，2，…，m-1。假設閾值k將圖像分割為2類：c1={0，1…，k}，c2={k+1，k+2，…，m}，2類之間的類間方差為

式中：σ為所有類的類間方差，ωi和μi分別為第i類的比例和均值，μr是2類的總均值，ω1=∑ki=0Pi，ω2=∑mi=k+1Pi，μ1=∑ki=0iPiω1，μ2=∑ki=k+1iPiω2，μr=∑m-1i=0ωiμi。

使得σ取得最大值的一組閾值就是所要求的最優閾值。

1.2.3 基于WT和Otsu法的植物病害葉片圖像分割 在通常情況下，植物病害葉片的病斑和正常部分的R、B分量相差較大，而G分量相差不大，且其R、G、B分量的直方圖有重疊部分，不呈現明顯的雙峰狀，所以簡單地用R、G、B顏色分量進行病斑圖像分割，很難使目標和背景分開。由病害葉片圖像和文獻[6-7，13-14]可以看出，基于閾值的病斑圖像分割方法中，其閾值一般取值在圖像的邊緣處。因此，本研究提出一種基于WT和Otsu法的植物病害葉片圖像分割方法。該方法的步驟為（1）首先將原始病害葉片圖像轉換為灰度圖像Gray；（2）利用WT可以得到Gray的二值化邊緣圖像；（3）將二值化邊緣圖像與Gray進行乘運算，得到邊緣灰度圖像；（4）利用Otsu法求取最佳分割閾值；（5）最后對Gray進行病斑分割。

若需要得到彩色病斑圖像，將分割的病斑灰度圖像與原始圖像進行乘運算。

2 結果與分析

本算法是在MATLAB 7.0中進行測試的。假設，1幅大小為M×N的RGB彩色病害葉片圖像可以用1個M×N×3的矩陣表示，圖像中的每一個像素點對應于紅、綠、藍3個分量組成的三元組。各R、G、B單層矩陣中每個元素值表示該元素的灰度值。由imread函數得到RGB數字圖像I，再使用代碼r=I（：，：，1）、g=I（：，：，2）、b=I（：，：，3）可以獲得圖像I RGB的3個分量矩陣[15]。由R、G、B 3個分量的線性和得到灰度圖像：

灰度圖像也可由函數rgb2gray得到灰度圖像Gray。利用WT選取二階Daubechies小波函數對圖像進行二級小波分解，得到圖像的二值化邊緣圖像，再與Gray相乘，得到灰度邊緣圖像BGray。

利用Otsu法計算灰度邊緣圖像BGray的最佳分割閾值，由此對病害葉片灰度圖像Gray進行分割，得到病斑圖像。將分割的灰度病斑圖像與原始圖像進行乘運算，可以得到原始病斑圖像。

圖2為辣椒病害葉片圖像及其分割結果，分割閾值為125。為了說明本研究分割方法的有效性，圖2還給出了基于Otsu[5]、分水嶺算法[1]和鄰域直方圖[3]的病斑分割結果。

從表1、圖2可以看出，本方法與基于Otsu和分水嶺的分割效果基本一致或優于其效果。從主觀上判斷圖2中本方法的結果較理想，用時較少，較好地保留了病斑信息。綜上所述，本研究提出的方法在總體上效果比其他算法好。

由此可見，Otsu法是一種全局閾值搜索方法，可以自動得到統計意義上的最佳分割閾值，但是該方法需要對灰度級范圍內的所有值進行窮盡搜索，所以該方法的分割效率較低。有學者將Otsu與遺傳算法（GA）相結合，利用GA進行最佳閾值搜索取得了較好的效果，但GA容易陷入局部極值點而得到局部最佳閾值，影響病斑分割效果。本研究病害葉片分割的依據是病斑圖像的最佳分割閾值一般出現在圖像的邊緣處。首先利用WT得到圖像的邊緣圖像，再利用Otsu法進行最佳閾值搜索時只需要在邊緣圖像上進行搜索，所以搜索效率得到了較大提高。

3 結論與討論

植物病害葉片圖像分割是病害葉片圖像分析、處理和病害識別的首要步驟，是實現植物病害自動監控和田間植物病害管理自動化的前提。其分割效果直接決定最終病害識別結果的準確程度。病害葉片圖像分割的目的是把葉片圖像中的病斑分割出來。本研究利用WT進行圖像分解，得到邊緣圖像，然后利用Otsu法得到最佳分割閾值，進行圖像分割得到病害圖像。試驗過程和分割結果表明，該方法具有快速、簡單、可靠等優點，能很好地進行植物病害葉片圖像分割，為后續的病害識別奠定了基礎。

參考文獻：

[1]任玉剛，張 建，李 淼，等. 基于分水嶺算法的作物病害葉片圖像分割方法[J]. 計算機應用，2012，32（3）：752-755.

[2]袁 媛，李 淼，梁 青，等. 基于水平集的作物病葉圖像分割方法[J]. 農業工程學報，2011，27（2）：208-212.

[3]邵喬林，安 秋. 基于鄰域直方圖的玉米田綠色植物圖像分割方法[J]. 江西農業學報，2011，23（5） ：126-128.

[4]胡 波，毛罕平，張艷誠. 基于二維直方圖的雜草圖像分割算法[J]. 農業機械化學報，2007，38（4） ：199-202.

[5]Otsu N. A threshold selection method from gray level histograms [J]. IEEE Trans on SMC，1979，9（1）：62-69.

[6]劉健莊，栗文青. 灰度圖像的二維Otsu自動閾值分割法[J]. 自動化學報，1993，19（1）：101-105.

[7]肖 剛，應曉芳，高 飛，等. 基于鄰域灰度差值的二維Otsu分割方法研究[J]. 計算機應用研究，2009，26（4） ：1544-1545.

[8]田有文，李成華. 基于統計模式識別的植物病害彩色圖像分割方法[J]. 吉林大學學報（工學版），2004，34（2）：291-293.

[9]趙進輝，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]. 農業機械學報，2008，39（9）：100-104.

[10]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.

[11]江海洋，張 建，袁 媛，等. 基于MDMP-LSM算法的黃瓜葉片病斑分割方法[J]. 農業工程學報，2012，28（21）：142-148.

[12]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.

[13]Stephani H，Herrmann M，Bauer F，et al. Wavelet-based dimensionality reduction for hyperspectral THz imaging[J]. THz Science and Technology：the International Journal of THz，2010，3（3）：117-129.

[14]張善文，張云龍，尚怡君. 一種基于Otsu算法的植物病害葉片圖像分割方法[J]. 江蘇農業科學，2014，42（4）：337-339.

[15]張善文，雷英杰，馮有前，等. MATLAB在時間序列分析中的應用[M]. 西安：西安電子科技大學出版社，2005.李 明，王 昆，于俊洋. 基于無線傳感器網絡的溫室大棚太陽能集熱調溫系統[J]. 江蘇農業科學，2017，45（18）：197-200.endprint