基于改進FCM的作物病害圖像分割方法研究

曹曉麗 齊國紅 井榮枝

Abstract： Focused on the problem of the low segmentation accuracy， a disease segmentation method is proposed based on improved FCM（Fuzzy C Means）. The local spatial information and gray level information of the pixels of the image are considered， and more accurate local spatial information is calculated，which could reduce noise， better preserve the details of the image， thereby make the image segmentation effect more accurate. By Choosing the cucumber disease leaves to verify the algorithm of this paper， and compared with other segmentation methods， the experimental results show that the proposed method is effective and its segmentation accuracy rate is 97.81%.

引言

中國是一個農業大國，農作物的產量直接影響國民經濟發展和人們生活的高追求實現。近年來，由于生態環境的問題突顯，作物自身對環境的耐受能力也在變差，導致作物病害日益惡化，病害種類也在持續增多，直接影響著作物產量、質量和口味[1-3]。之前，作物病害的檢測和識別大多依賴于經驗豐富的農耕人員和實驗室病理學分析的研究人員。其中，借助于農耕人員存在個人主觀性強的缺點，借助于研究人員雖然準確度好、但是花費較高[4]。國內大部分從事農業耕作的一線人員并非是植保專家，缺乏對病害誘因病理學專業分析的深厚學識，無法根據早期癥狀對病害做出判斷甄別。一旦發現了作物病害，為了干預病情蔓延，無差別、大劑量地使用農藥，一方面，延誤了預防的最佳時期，另一方面，農藥的過度使用也將降低作物果實的出產品質。從長遠發展來看，既對資源造成浪費，又破壞了生態可持續發展。

由于作物病害種類繁多，不同病害表現出來的特點千差萬別[5]，而且常常以不同的特征分屬多種類別，因而就對圖像分割的結果精度造成不利影響。將模糊聚類的思想運用到像素點分類中，可以有效解決像素點不確定歸屬問題。此時，根據模糊聚類的思想可以將圖像中的像素點根據隸屬度函數進行類別確定，屬于無監督的分類。模糊C-均值聚類（FCM）根據作物病害圖像中背景和病斑像素點的屬性不同給出類別劃分，首先確定類別數c，計算圖像像素點和聚類中心的加權相似度，根據目標函數，對目標函數進行迭代化最小計算，確定像素點屬于病斑和背景的最佳分割度。毛罕平等[6]結合模糊C-均值聚類（FCM），提出了自適應分割算法，將其運用到棉花病害中，得到了良好的病斑圖像。馬旭等[7]研究了無監督的模糊C均值方法，仿真驗證后的結果顯示有效提高了分割準確率。但是，前述研究中的FCM進行圖像分割時，沒有考慮像素空間信息的問題，基于此，本文研發提出了一種基于改進FCM的作物病害圖像分割算法。研究內容論述如下。

從圖2的分割結果和表1的分類正確率可以看出，本文算法分割出來的病斑更為完整，分割正確率為0.978 1，與其它2種算法相比較，分割準確度更好，正確率更高。

3結束語

在研究現有作物病害圖像分割的基礎上，提出改進FCM用于作物病斑圖像分割，實驗結果表明，該方法能夠較為準確地將病斑分割出來。與學界經典的雙閾值、改進前的FCM分割結果進行對比可知，本文提出的改進FCM算法能夠避免正常綠色區域、及病害葉片的輪廓均被誤判為病斑部分的問題弊端，為后續病斑的識別提供了技術基礎。基于計算機視覺技術在圖像處理方面所表現出來的長足優勢，將作物病害的分割和識別帶入了物聯網時代，加速了現代化農業發展的新進程。尤其是作物的遠程檢測，不但可以隨時了解作物的生產狀況，又節省了人員的時間和精力，經濟效益非常可觀。所以開展關于如何將病害圖像從作物病害葉片中準確分割出來的研究，及時進行病害防治，對于作物產量的提高具有十分重要的意義。

參考文獻

[1] 穆亞梅，馬國俊. 基于物聯網的蘋果樹病蟲防治專家系統的設計與應用[J]. 自動化與儀器儀表， 2012，10（5）：89-90.

[2] 王文山，柳平增，臧官勝，等. 基于物聯網的果園環境信息監測系統的設計[J]. 山東農業大學學報（自然科學版），2012，43（2）：239-243.

[3] DUNN J C. Well-separated clusters and the optimal fuzzy partitions[J]. Journal of Cybernettics，1974，4（1）：95-104.

[4] BEZDEK J C. Pattern recognition with fuzzy objectve function Bezdek J C. Pattern recognition with fuzzy objective function algorithms[M]. Norwell， MA， USA：Kluwer Academic Publishers，1981.

[5] CHENG H D， JIANG H X， SUN Y， et al. Color image segmentation： Advances & prospects[J]. Pattern Recognition， 2001，34（12）：2259-2281.

[6] 毛罕平，張艷誠， 胡波. 基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J]. 農業工程學報，2008，24（9）：136-140.

[7] 馬旭，齊龍，張小超. 基于模糊聚類的玉米大斑病害圖像的分割技術[J]. 農機化研究，2008（12）：24-26.