基于改進型模糊邊緣檢測的小麥病斑閾值分割算法

刁智華，刁春迎，袁萬賓，毋媛媛

（1. 鄭州輕工業學院電氣信息工程學院，鄭州 450002；2. 河南省信息化電器重點實驗室，鄭州 450002）

0 引 言

小麥是一個國家命脈性的經濟作物，其產量對人們的生活水平和經濟的發展有直接的影響，而病害的發生是導致作物產量下降的重要原因。作物的病害種類多種多樣，及時檢測出病害種類并采取對應防治是解決作物產量減少的迫切要求。而病害分割是病害檢測的關鍵，分割的病斑信息是進行病害種類識別、病害程度判別、施藥決策等一系列操作的前提[1]。目前，針對作物病斑分割主要有閾值法、邊緣法、人工神經網絡法、分水嶺法、特定理論法以及區域法等，由于分割目標不同使用的方法也不盡相同，在分割要求精確的情況下使用單一某一種方法往往達不到理想的效果，因此方法的混合使用與改進成為提高圖像分割效率的一項關鍵措施[2-7]。如Soumen Biswas等[8]提出的一種新的基于曲線擬合的高階多項式平滑的圖像分割算法， Tripathy等[9]提出的一種基于分布式計算的模糊聚類分割方法，胡秋霞等[10]針對植物病斑背景復雜難以分割的問題對傳統C-V模型進行的改進算法，溫長吉等[11]提出的一種改進蜂群算法優化神經網絡的圖像分割方法，大量試驗表明新算法分割效果明顯，優于現有的圖像分割方法。

目前對小麥病斑圖像分割算法研究表明，一般的圖像分割方法存在較差的適應性和兼容性，和其他方法混合使用難以達到理想的結果，而模糊邊緣檢測算法以較強的適應性成為解決此類問題的優先選用方法[12-13]。傳統的模糊邊緣檢測方法是對預處理后圖像進行一階求導，利用邊緣的不連續性檢測邊緣點，從而實現邊緣的檢測[14]。由于傳統算法錯判率大、容易丟失弱邊緣信息的缺點，國內外研究學者對算法進行了多方位改進[15-23]。在國外，Sanjay等[24]提出一種最大模糊熵的模糊邊緣檢測方法，得到了較好的邊緣圖像。Fatemeh Afsari等[25]提出一種基于區間值直觀模糊邊緣檢測方法，試驗研究結果證明，新方法不僅提高了圖像質量，更能準確地檢測邊緣。在國內，易三莉等[26]通過改進模糊推理規則對模糊邊緣檢測進行了算法改進，具有較好的邊緣檢測能力和抗噪性。陳嫚等[27]提出了一種改進的模糊形態學算法并將其應用到彩色圖像邊緣檢測，邊緣檢測準確且能得到有效的邊緣信息。楊勇[28]等利用新的定義提出一種改進的Pal和King模糊邊緣檢測算法，解決了傳統算法容易導致圖像灰度信息缺失的缺陷。在分析以上改進模糊邊緣檢測方法的優點及參閱大量圖像分割算法的基礎上，本文提出一種基于改進型模糊邊緣增強與閾值分割相結合的圖像分割算法。針對閾值分割簡單快速但存在計算量大、病斑邊緣噪聲明顯的現象，本文將模糊邊緣檢測的概念引入到閾值分割中進行算法改進。首先利用加權均值濾波方法去除噪聲，然后使用改進的圖像增強算法進行圖像增強，在進行 2步圖像預處理后，最后結合改進的閾值變換進行圖像分割，得到小麥病斑的形態信息，為進一步圖像處理提供依據。

1 改進的模糊邊緣檢測算法

在數字圖像中，邊緣指一種特征的結束和另一種特征的開始，不同區域的特征是不同的，邊緣檢測就是利用這種特征的差異性來實現。相比其他方法，模糊邊緣檢測有速度快、邊緣清晰的優點，本文選擇模糊邊緣檢測方法進行小麥病斑的邊緣輪廓檢測，主要步驟有圖像濾波、圖像增強以及邊緣檢測。針對傳統模糊邊緣檢測算法在圖像處理時有弱邊緣信息容易丟失、錯檢等缺點，對傳統模糊邊緣檢測算法進行了改進。

1.1 平滑濾波

在平滑濾波方面，使用梯度倒數均值加權濾波法，令中間像素點梯度為 1且權值賦為圖像所有像素點的均值，既平滑了圖像又保留了邊緣細節。具體算法如下：

令處理圖像模板為M×M（由于一次處理中像素點選取點越多失真越嚴重，本文選 3×3），中間像素點(i, j)的像素值為f(i, j)，平滑濾波后輸出圖像為fout1(i, j)。設置權值矩陣后，定義梯度倒數函數為

利用式（2）消除梯度算子對邊緣方向的依賴，其中⊕為膨脹運算符號，⊙為腐蝕運算符號。

則權值矩陣值為

式中A為所有像素的集合，s、t取值為-1、0、1且s、t不同時為0。加權矩陣的加入使濾波后像素值輸出為模板像素值點乘加權矩陣，即：

1.2 改進的圖像增強

模糊增強以效果明顯的優勢成為圖像處理領域最活躍的課題之一，圖像增強的作用是選擇性地增強想要突出的信息，使差異更大、更直觀，為邊緣的提取做準備。模糊增強有層次之分，單層次在增強某一灰度層次邊緣信息的同時會抑制其他灰度層次的邊緣增強，不會丟失低灰度信息。目前使用模糊增強處理圖像大多是基于單層次的算法，造成了低灰度邊緣信息的丟失。

本文將模糊增強引入到多層次算法中，將圖像看作一個整體矢量，在考慮到模糊隸屬度相關性的基礎上，增加區域間斷點，并對復雜冗余和不適用的算法進行了改進。

定義隸屬度函數為 μij，設待增強圖像灰度級為 x1,x2,…,xK，其中 x0=0，xK+1=L-1，則

選取合適的隸屬度 μc，令 μm≤μc≤μm+1，m=0,1,2,…,K，定義如下非線性變換：

在求取 f1(μij)時，μc作為間斷點把區間分為［μm,μc］與（μc,μm+1］2部分，通過細化區間來減少低灰度邊緣的丟失，如式（7）所示。

式（7）中間斷點μc一直都是進行隨機選取，不但可靠性低，而且容易增加隨機誤差，為解決μc的選取問題，令

其中xc為間斷點灰度級，通過式（8）的改進，減少了邊緣低灰度的抑制缺陷。增強后圖像灰度值輸出為

得到的增強邊緣線把圖像分為目標區域和背景區域，其中目標區域被邊緣線包裹信息突出，背景區域被弱化。邊緣增強后的圖像如圖1所示。

1.3 改進的閾值分割算法

自然條件下拍攝的小麥圖片受環境影響較大，影響病斑分割的主要障礙是在復雜的背景中找出感興趣的部分。小麥葉片感染不同的病害會出現不同的病斑顏色、形態，通常情況下病斑邊界模糊不定，直接分割難以確保病斑形狀的準確性[29]。目前通常使用RGB子區域分量分割方法進行圖像分割，再使用一定的合并方法得到結果，但在子區域分量分割時存在巨大的計算量，且選取的合并方法直接影響合并的結果，沒有一個通用的方法完成所有的工作，實踐中根據具體情況而定，存在一定的被動缺陷。

小麥圖像中非病害部位與病害部位存在較大的顏色差異，閾值分割因簡單快速是解決此類問題的最優方法。但在閾值分割中，算法參數直接影響圖像分割的效果，因此對小麥病斑形狀分割的細致程度可以依靠 2個方面的調控：一是閾值選取，閾值T受像素灰度相對差調控；二是參與計算的數據，數據關乎計算時間，減少參與數據是提高分割算法效率的主要方法。經過多種分割對比試驗，本文提出一種改進的最大類間方差比閾值分割方法，在增強圖像邊緣的基礎上進行閾值分割，改進閾值選取方法，使用改進公式分類計算2類方差，從2方面來提高閾值分割的整體性能。

1）找出圖像增強后整個圖像像素最多點對應的灰度級K，并求出K之前的灰度級像素總數N以及所有像素的灰度均值μ、方差δ2和分布概率p0,p1,p2,…,pk；

式中ijx′為圖像增強后輸出像素值，u，v分別為該像素的坐標值。

2）令x′=128，利用高斯擬合參數給定一個非零初始閾值T0；

圖像被分為C1、C22類，分別為病害部位與非病害部位，T0的函數逼近方式（式（11））選取解決了隨機選取的誤差。

3）計算灰度均值 μ1、μ2和方差、；

4）計算C1、C2的發生概率P1、P2；

5）計算類內方差和類間方差；

6）令 T =，重復2）～5）步驟，第二次運算時取T0=1 2(μ1+μ2)，依次類推，當且僅當得出T為最大值時為最佳閾值。本算法將圖像分為 2部分區別對待，簡化了算法步驟并減少誤差。

2 試驗與結果分析

2.1 試驗設計與樣本來源

在本研究中，以小麥葉部病斑圖像（主要包括白粉病，條銹病，葉銹病，葉枯病）為對象，上述小麥病害發生在大田真實環境中，采用自然發生的方式，不對其進行任何干預。拍攝相機采用尼康D90，配尼康AF-S DX 18~105 mm f/3.5-5.6G 微距鏡頭，無任何補充光源，拍攝時間為8:00、10:00、16:00和18:00，在小麥葉片后放置純黑背景板，拍攝具有景深效果的微距圖像，共獲得小麥病斑圖像1 083張。

分別用傳統固定閾值方法、基于曲線擬合的高階多項式平滑的圖像分割方法[8]以及本文提出的改進閾值分割算法進行了小麥病斑分割對比試驗。計算機處理器為Intel(R) core(TM) i3-2100，內存為 3.10 G，頻率為3.10GHz，使用Windows 7 x86 旗艦版v2016.04型號操作系統，以C++6.0軟件編程實現小麥病斑圖像的分割。

對小麥原始圖像與使用本文改進模糊邊緣增強圖像進行小麥病斑邊緣檢測對比，試驗結果如圖 1所示。分別使用傳統閾值分割算法與基于曲線擬合的高階多項式平滑的圖像分割方法[8]對初始圖像進行分割，使用本文改進閾值分割算法對邊緣增強后圖像進行閾值分割，從分割時間和分割正確率等參數上對比試驗結果，分割圖像如圖2所示。

2.2 結果與分析

由圖 1可得出，小麥病斑的初始輪廓模糊不清，肉眼很難確定輪廓的走勢及小病斑的形態，經過邊緣增強后病斑輪廓清晰、形態凸顯，且病斑區域特征被加強，背景信息被減少，有較為明顯的改進效果，為后續精確分割病斑形狀提供了保證。

圖1 邊緣增強圖像Fig.1 Edge enhanced image

從主觀視覺上評價，圖2b比圖2a噪聲少，分割效果更好；圖2c與圖2b的對比圖像可以看出使用本文提出的改進閾值分割方法相比基于曲線擬合的高階多項式平滑的分割圖像[8]，圖片幾乎無噪聲、小麥病斑形態得到準確的分割，同時病斑的輪廓也較為完整，更好地突出了病斑的形狀特征。從客觀量化參數方面進行評價，對自建小麥病害圖片庫中的 1 083張圖像的分割效果進行正確率、漏檢比、噪聲比、耗時 4個方面的參數統計，其中正確率采用文獻[30]的計算公式，漏檢比為漏檢的病斑面積與實際病斑面積之比，噪聲比為分割出的病斑為噪聲的面積與實際病斑面積之比

式中實際分割的病斑面積是指算法處理的病斑面積，而實際病斑面積是指病斑本身應該具有的面積。

表1為各算法分割指標統計，由表1可以得出，基于曲線擬合的高階多項式平滑的圖像分割方法[8]與傳統固定閾值分割算法相比，在正確率上提高了6.48個百分點，在漏檢比上增加了1.85個百分點，噪聲比減少了7.05個百分點，耗時減少了 0.268 s。但本文改進閾值算法在正確率上高達98.76%，相比傳統固定閾值分割算法提高了8.35個百分點，漏檢比增加了1.29個百分點，噪聲比為1.86%，相比減少了8.36個百分點，在運算時間上減少了 0.331 s。從整體上來說，本文提出的改進閾值分割算法比傳統閾值分割算法及基于曲線擬合的高階多項式平滑的圖像分割方法[8]有更好的分割性能。

圖2 閾值分割圖像結果Fig.2 Threshold segmentation image results

表1 小麥病斑分割結果Table 1 Segmentation results of wheat disease

3 結 論

本文提出一種基于改進邊緣檢測的閾值圖像分割方法，實現了小麥病斑圖像的準確分割。改進算法中引入改進模糊邊緣檢測算法，改變傳統賦權值的一般做法進行平滑濾波，把模糊增強引入到多層次范圍中，以增加間斷點的方法優化邊緣分割參數。在整個圖像分割過程中，使用本文提出的改進閾值算法對小麥病害圖像進行圖像分割，利用平均多次分割結果作為最后分割結果參數。從小麥病斑圖片的分割對比結果可以看出，改進的結合算法更為細致的體現了小麥病斑的形態特征，同時也保留了小麥病斑的邊緣信息。對模糊邊緣增強后的圖像進行改進閾值分割，正確分割率高達98.76%，噪聲比減少了8.36個百分點，耗時減少了0.331 s，但漏檢比增加了1.29個百分點，需要進一步優化。綜合所有的分割后圖像參數，本文改進算法明顯優于傳統算法與基于曲線擬合的高階多項式平滑的圖像分割方法[8]。

[1] Hu Qiuxia, Tian Jie, He Dongjian. Wheat leaf lesion color image segmentation with improved multichannel selection based on the Chan–Vese model[J]. Computers and Electronics in Agriculture, 2017, 135: 260–268.

[2] Arnal Barbedo, Jayme Garcia. A new automatic method for disease symptom segmentation in digital photographs of plant leaves[J]. European Journal of Plant Pathology, 2017,147(2): 349–364.

[3] 刁智華，王歡，宋寅卯，等. 復雜背景下棉花病葉害螨圖像分割方法[J]. 農業工程學報，2013，29(5)：147–152.Diao Zhihua, Wang Huan, Song Yinmao, et al. Segmentation method for cotton mite disease image under complex background[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013,29(5): 147–152. (in Chinese with English abstract)

[4] 吳露露，馬 旭，齊龍，等. 改進Hough 變換的農作物病斑目標檢測方法[J].農業工程學報，2014，30(10)：152–159.Wu Lulu, Ma Xu, Qi Long, et al. A method of target detection for crop disease spots by improved Hough transform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014,30(10): 152–159. (in Chinese with English abstract)

[5] 田杰，韓冬，胡秋霞，等. 基于PCA和高斯混合模型的小麥病害彩色圖像分割[J]. 農業機械學報，2014，45(7)：267–271.Tian Jie, Han Dong, Hu Qiuxia, et al. Segmentation of wheat rust lesion image using PCA and Gaussian mix model [J].Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 267–271. (in Chinese with English abstract)

[6] 張輝，朱家明，唐文杰. 基于聚類和改進型水平集的圖像分割算法[J]. 計算機科學，2017，44(6A)：198–201.Zhang Hui, Zhu Jiaming, Tang Wenjie. Image segmentation algorithm based on clustering and improved double level set[J]. Computer Science, 2017, 44(6A): 198–201. (in Chinese with English abstract)

[7] 李昌興，薛新偉，吳成茂. 一種改進的模糊聚類圖像分割算法[J]. 西安郵電大學學報，2017，22(5)：28–36.Li Changxing, Xue Xinwei, Wu Chengmao. An improved image segmentation algorithm based on fuzzy clustering [J].Journal of Xi'an University of Posts and Telecommunications,2017, 22(5): 28–36. (in Chinese with English abstract)

[8] Soumen Biswas, Dibyendu Ghoshal, Ranjay Hazra. A new algorithm of image segmentation using curve fitting based higher order polynomial smoothing [J]. Optik - International Journal for Light and Electron Optics, 2016, 127(20): 8916–8925.

[9] Tripathy B K, Dishant Mittal. Hadoop based uncertain possibilistic kernelized c-means algorithms for image segmentation and a comparative analysis [J]. Applied Soft Computing, 2016, 46: 886–923.

[10] 胡秋霞，田杰，何東健，等. 基于改進型C-V模型的植物病斑圖像分割[J]. 農業機械學報，2012，43(5)：157–161.Hu Qiuxia, Tian Jie, He Dongjian, et al. Segmentation of plant lesion image using improved C-V model[J].Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(5): 157–161. (in Chinese with English abstract)

[11] 溫長吉，王生生，于合龍，等. 基于改進蜂群算法優化神經網絡的玉米病害圖像分割[J]. 農業工程學報，2013，29(13)：142–149.Wen Changji, Wang Shengsheng, Yu Helong, et al. Image segmentation method for maize diseases based on pulse coupled neural network with modified artificial bee algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013,29(13): 142–149. (in Chinese with English abstract)

[12] 宗曉萍，徐艷，董江濤. 多信息融合的模糊邊緣檢測技術[J]. 物理學報，2006，55(7)：3223–3228.Zong Xiaoping, Xu Yan, Dong Jiangtao. Fuzzy edge detection technique using multi-information fusion algorithm[J]. Acta Physica Sinica, 2006, 55(7): 3223–3228.(in Chinese with English abstract)

[13] 林開顏，司慧萍，周強，等. 基于模糊邏輯的植物葉片邊緣檢測方法[J]. 農業機械學報，2013，44(6)：227–231.Lin Kaiyan, Si Huiping, Zhou Qiang, et al. Plant leaf edge detection based on fuzzy logic[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(6):227–231. (in Chinese with English abstract)

[14] 張文杰，熊慶宇，石為人，等. 基于鄰域加權的多層次模糊邊緣檢測算法[J]. 吉林大學學報(工學版)，2015，45(3)：998–1004.Zhang Wenjie, Xiong Qingyu, Shi Weiren, et al. Weighted neighbor-region based multi -level fuzzy edge detection method[J]. Journal of Jilin University (Engineering and Technology Edition), 2015, 45(3): 998–1004. (in Chinese with English abstract)

[15] Derek Kelly, Avimanyou Vatsa, Wade Mayham, et al.Extracting complex lesion phenotypes in Zea mays [J].Machine Vision and Applications, 2016, 27: 145–156.

[16] Jian Ren, Xiliang Zeng. An image segmentation method of improved sobel operator [J]. Boletín Técnico, 2017, 55(1):193–199.

[17] Nguyen Mong Hien, Nguyen Thanh Binh, Ngo Quoe Viet.Edge detection based on fuzzy C Means in medical image processing system [C]//2017 International Conference on System Science and Engineering, 2017 : 12–15.

[18] Elaraby A, Moratal D. A generalized entropy-based two-phase threshold algorithm for noisy medical image edge detection[J]. Scientia Iranica, 2017, 24(6): 3247–3256.

[19] Li Xiaoguang, Wu Bianxia, Li Yuanbo. Study on improved algorithm for image edge detection based on genetic fuzzy[J].International Journal of Signal Processing, Image Processing and Pattern Recognition, 2016, 9(7): 329–340.

[20] 何潔，孟慶寬，張漫，等. 基于邊緣檢測與掃描濾波的農機導航基準線提取方法[J]. 農業機械學報，2014，45(S1)：265–270.He Jie, Meng Qingkuan, Zhang Man, et al. Crop baseline extraction method for off-road vehicle based on boundary detection and scan-filter[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(S1): 265–270.(in Chinese with English abstract)

[21] 朱偉超，萬新軍，楊波，等. 模糊圖像邊緣精確定位的濾波算法[J]. 光學儀器，2015，37(1)：45–51.Zhu Weichao, Wan Xinjun, Yang Bo, et al. Study of filtering mathods for accurate edge detection of blurred images[J].Optical Instruments, 2015, 37(1): 45–51. (in Chinese with English abstract)

[22] 沈志熙，代東林，趙凱. 基于多特征分步模糊推理的邊緣檢測算法[J]. 電子科技大學學報，2014，43(3)：381–387.Shen Zhixi, Dai Donglin, Zhao Kai. Edge detection based on multi-features and step-by-Step fuzzy inference[J]. Journal of University of Electronic Science and Technology of China,2014, 43(3): 381–387. (in Chinese with English abstract)

[23] 于莉潔，孫瑜亮，繆永偉. 基于深度信息局部二值模式特征的室內場景邊緣檢測[J]. 計算機輔助設計與圖形學學報，2017，29(12)：2162–2170.Yu Lijie, Sun Yuliang, Miao Yongwei. Edge detection on indoor scenes using local binary pattern features[J]. Journal of Computer-Aided Design & Computer Graphics, 2017,29(12): 2162–2170. (in Chinese with English abstract)

[24] Sanjay Kumar Singh, Kirat Pal, Madhav J Nigam. Fuzzy edge detection based on maximum entropy thresholding[J].Iete Journal of Research, 2011, 54(4): 325–330.

[25] Fatemeh Afsari, Esfandiar Eslami, Pooya Eslami.Interval-valued intuitionistic fuzzy generators: Application to edge detection [J]. Journal of Intelligent & Fuzzy Systems,2014, 27(3): 1309–1324.

[26] 易三莉，郭貝貝，馬磊，等. 改進的模糊推理規則圖像邊緣檢測算法[J]. 計算機工程與應用，2016，52(12)：180–183.Yi Sanli, Guo Beibei, Ma Lei, et al. Improved image edge detection algorithm based on fuzzy inference rules[J].Computer Engineering and Applications, 2016, 52(12):180–183. (in Chinese with English abstract)

[27] 陳嫚，朱曉臨，李雪艷，等. 改進的模糊形態學彩色圖像邊緣檢測算法[J]. 合肥工業大學學報，2014，37(8)：922–927.Chen Man, Zhu Xiaolin, Li Xueyan, et al. Improved color image edge detection algorithm based on fuzzy mathematical morphology[J].Journal of Hefei University of Technology,2014, 37(8): 922–927. (in Chinese with English abstract)

[28] 楊勇，黃淑英. 一種改進的Pal和King模糊邊緣檢測算法[J]. 儀器儀表學報，2008，29(9)：1918–1922.Yang Yong, Huang Shuying. Modified Pal and King algorithm for fuzzy edge detection[J]. Chinese Journal of Scientific Instrument, 2008, 29(9): 1918–1922. (in Chinese with English abstract)

[29] Soumen Biswas, Dibyendu Ghoshal, Ranjay Hazra. A new algorithm of image segmentation using curve fitting based higher order polynomial smoothing[J]. Optik-International Journal for Light and Electron Optics, 2016, 127(20):8916–8925.

[30] Meyer G E, Neto J C. Verification of color vegetation indices for automated crop imaging applications[J]. Computers and Electronics in Agriculture, 2008, 63(2): 282–293.