混合顏色特征下番茄葉霉病病斑雙層K-means聚類分割方法

秦立峰，張延蘇

(1.西北農林科技大學機械與電子工程學院，陜西楊凌 712100；2.農業部農業物聯網重點實驗室，陜西楊凌 712100)

葉霉病是常見的番茄病害之一，目前病害檢測工作主要依靠人工手動查找、篩選、測量植物葉片的病斑來完成，工作效率低，任務繁瑣，且識別準確率不高。致病菌使葉片組織發生畸變，在外觀上與健康葉片不同。因此，可采用圖像處理技術進行番茄葉部病斑的自動分割提取，可以提高準確率和工作效率，實現蔬菜病害自動診斷，是農業信息化技術領域的一個重要研究方向[1-4]。

目前對蔬菜葉部病斑分割主要有特征閾值法和聚類法。最大類間方差法[5]是確定最佳閾值的基本方法。張晴晴等[6]采用改進的最大類間方差法來分割黃瓜葉片中的病害部位。吳娜等[7]提出基于混合顏色空間的雙次Otsu的黃瓜靶斑病圖像分割算法，分別通過R分量和非背景類的Cr分量進行2次Otsu操作，得到最終的分割結果，為病斑分割提供了一種新思路。聚類法分割是將圖像像素根據某特征聚類為病斑類和非病斑類，從而獲取病斑區域。張柏毅等[8]采用模糊C-均值聚類算法在圖像中分離出病斑，避免了背景的混淆。張星龍等[9]針對有陰影影響的病斑葉片，采用最小熵法推算出光源不變圖，用K-means聚類提取出病斑，穩定性和分割精度都比在H分量下處理的效果好。李燦燦等[10]對受光照影響較強的葉片采取2次K-means聚類的植物葉片圖像葉脈提取，克服了光照不均勻問題，降低了誤分割率。秦豐等[11]結合K中值聚類算法和線性判別分析的分割方法對病斑圖像進行分割，獲得了較好的分割效果。

盡管目前對蔬菜病斑分割方法的研究已取得了很大進展，但不同蔬菜病害種類繁多，各具自身特點，方法沒有通用性。在閾值法中引入識別參數過多，構建模型復雜，泛化能力差且實時性不高[12]；聚類法對特征顯著性的要求高，較難適用于復雜環境。針對這些問題，筆者提出了多顏色特征雙層K-means聚類的番茄葉霉病病斑分割算法。

1 番茄葉霉病病斑雙層K-means聚類分割算法

由于番茄葉片圖像較復雜，病斑部位受到健康葉片、泥土、莖稈、雜草等背景的干擾，所以單顏色特征難以完成分割，須采用多顏色特征融合的方法。但是，當特征較多時，最佳閾值難于搜索；而單次K-means聚類也很難獲得滿意的分割結果。因此，該研究提出基于多顏色特征雙層K-means聚類的病斑分割算法。

在I分量下病斑和背景的I值大小相差較多，據此可先剔除背景。首先將彩色圖像經過公式轉化轉換到HSI模型，提取圖片的I分量。根據圖像內容亮度，可將圖像中的對象分為4種：第1種亮度最大，包括一些病斑部位和受光照強烈的葉片；第2種由亮度較大的病斑部位組成；第3種亮度稍暗，包括葉片亮度小的部分和暗的背景的部分；第4種為亮度最低的背景。因此，聚類數設定為k=4。

第一層聚類后，提取出亮度最大的前2類目標，即病斑和受光照強烈的葉片部分的二值圖像。以此二值圖像為掩膜處理原彩色圖像，取非黑色像素的a*、b*分量，進行第2層K-means聚類。聚類數設為2，即為病斑和非病斑兩部分，如圖1所示。其中，圖1(c)為I分量第一層K-means聚類后提取的有病斑葉片，已較好地去除背景；圖1(d)圖是將圖1(c)在La*b*分量下提取a*、b*分量進行第2次K-means聚類后的二值圖像。

2 試驗結果與分析

為驗證提出的多顏色特征雙層K-means聚類算法的性能，在西北農林科技大學園藝學院溫室蔬菜大棚采集21幅圖片并進行病斑分割試驗，圖像大小為256×256，圖像為jpg格式。用提出的分割算法與另外3種分割算法對圖片進行分割處理，結果如圖2所示。

圖1 HSI與La*b*顏色空間組合下的雙層K-means聚類Fig.1 Double-layer K-means clustering under the color space combination of HSI and La*b* color space

圖2 4種分割方法效果對比Fig.2 The effect comparison among 4 segmentation methods

圖2(a)為原始病斑圖像；圖2(b)為R通道采用Otsu法的分割結果；圖2(c)為HSI空間中采用H和I特征雙層K-means聚類后的病斑部位，首先在色調H分量下第一次K-means聚為4類，背景分別為葉片、土地、健康葉片和病斑；再將H值較大的2類像素采用I分量做二次K-menas聚類分割，最終取亮度大的像素點作為分割結果。圖2(d)為La*b*空間中利用a*b*特征聚類，聚類數設為5，取聚類值最大的作為分割結果。從圖2可以看出，R通道的Otsu算法分割結果包含大片非病斑區域；H+I雙層聚類與a*b*特征K-means聚類結果較接近，但也存在較多噪聲；提出的算法分割結果較前3種方法更加精確。

用假陽性率(False positive rate，FPR)、假陰性率(False negative rate，FNR)、重疊系數(Re)對病斑分割結果進行評價分析。使用Photoshop軟件將采集的病斑圖像進行手動病斑分割，并將分割的病斑像素數作為標準結果。在21幅番茄葉霉病病害圖像上進行試驗，統計FPR、FNR和Re值，其中基于K-means聚類的分割算法分別獨立進行5次，統計各指標平均值，結果如表1所示。由表1可知，基于I分量和a*b*分量的雙層K-means聚類分割的平均假陽性率為1.22%，平均假陰性率為3.52%，平均重疊系數為97.53%，表明采用此方法的試驗結果誤差較小，具有較高的準確性。

表1分割結果的假陽性率、假陰性率和重疊系數

Table1Thefalsepositiverate,flasenegativerateandoverlapcoefficientofseqmentationresults

圖片編號No.ofimages像素數Numberofpixels(ps)假陽性率Falsepositiverate∥%假陰性率Falsenegativerate∥%重疊系數Overlapcoefficient(Re)∥%1623870.576.5295.462625660.037.2694.983628071.454.5896.864626191.726.2995.665587740.460.9999.216608676.084.4096.757598330.551.5098.848613431.453.7497.299617761.414.3296.9210590190.731.0599.1711599041.522.5498.0512597580.212.7097.9213584510.780.7199.4214589712.911.2099.0415554541.343.5597.5316667680.1611.4893.2817552721.103.4997.5318582170.260.1099.9119595840.672.3898.1520592521.351.9298.4921607210.833.2697.58平均Average602071.223.5297.53

3 結論

筆者提出了多顏色空間雙層K-means聚類的番茄葉霉病病斑分割方法，通過I分量和a*b*分量下進行2次K-means聚類分割病斑。該試驗結果表明，21幅病害圖像分割結果的平均重疊系數為97.53%，平均假陽性率為1.22%，平均假陰性率為3.52%，表明該算法有較高的精度，分割效果好，可作為進一步病害程度診斷研究的基礎。

[1] 刁智華，刁春迎，魏玉泉，等.精準施藥機器人關鍵技術研究進展[J].農機化研究，2017，39(11)：1-6.

[2] 馬浚誠，溫皓杰，李鑫星，等.基于圖像處理的溫室黃瓜霜霉病診斷系統[J].農業機械學報，2017，48(2)：195-202.

[3] 趙建敏，薛曉波，李琦.基于機器視覺的馬鈴薯病害識別系統[J].江蘇農業科學，2017，45(2)：198-202.

[4] 徐凱宏，米雅婷，谷志新.基于GA-BP神經網絡的溫室番茄病害診斷[J].江蘇農業科學，2016，44(4)：387-390.

[5] 張善文，張云龍，尚怡君.1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.

[6] 張晴晴，張云龍，齊國紅.基于最大類間方差法的黃瓜病害葉片分割[J].安徽農業科學，2017，45(12)：193-195.

[7] 吳娜，李淼，袁媛，等.基于混合顏色空間和雙次Otsu的黃瓜靶斑病圖像分割[J].中國農業大學學報，2016，21(3)：125-130.

[8] 張柏毅，朱景福，劉勇.基于模糊C-均值聚類的作物葉部病斑圖像分割[J].智能計算機與應用，2011，1(5)：50-51.

[9] 張星龍，馮全，楊梅，等.基于光源不變圖和聚類算法的葉片陰影中病斑的分割[J].西北農林科技大學學報(自然科學版)，2015，43(10)：189-194.

[10] 李燦燦，王寶，王靜，等.基于K-means聚類的植物葉片圖像葉脈提取[J].農業工程學報，2012，28(17)：157-162.

[11] 秦豐，劉東霞，孫炳達，等.基于圖像處理技術的四種苜蓿葉部病害的識別[J].中國農業大學學報，2016，21(10)：65-75.

[12] 吳掬鷗，袁曉桂.基于閾值分割技術的圖像分割法研究[J].現代電子技術，2016，39(16)：105-107.