基于顏色均值顯著點聚類的作物病害葉片圖像分割方法

張善文 張晴晴 齊國紅

摘要 作物病害葉片圖像分割是病害類型識別方法的一個重要步驟，其分割效果直接影響后續的識別結果。病害葉片圖像的復雜多樣性使得很多現有的圖像分割方法不能有效應用于作物病害葉片圖像分割中。針對復雜的自然病害葉片圖像分割難題，提出一種基于顏色均值顯著點聚類的作物病害葉片圖像分割方法。該方法建立在HIS顏色空間，首先構造基于像素點HIS模型的帶權無向圖，然后計算病害葉片圖像像素點的鄰域的顏色均值，再計算該點前后兩個鄰域的顏色均值差作為該點的顏色跳躍度，當跳躍度大于設置的一個閾值時，該像素點為病斑點。結果表明，該算法具有較高的分割精確度和較好的抗噪聲性能。

關鍵詞 病害葉片圖像分割;顯著點;顏色均值顯著點聚類;顏色跳躍度

中圖分類號 S126;TP391文獻標識碼 A

文章編號 0517-6611（2019）10-0228-03

Abstract The segmentation of crop disease leaf image is an important step in disease type recognition method，and its segmentation effect directly affects the subsequent recognition results.Because of the complexity and diversity of disease leaf images，many existing image segmentation methods cannot be effectively applied to crop disease leaf image segmentation.Aiming at the difficult problem of leaf image segmentation in complex natural environment，a method of diseased leaf image segmentation based on color mean salient point clustering is proposed.This method is based on HIS color space.Firstly，weighted undirected graph based on pixel HSI model was constructed.Then，the color mean of the neighborhood of the pixel of the diseased leaf image was calculated.The difference of the color mean of the two neighborhoods before and after the point was calculated as the color leaping degree of the point.When the leaping degree was larger than a threshold，the pixel was a spot pixel.Experimental results showed that the proposed algorithm had higher segmentation accuracy and better noise immunity.

Key words Disease leaf image segmentation;Salient points;Color mean significant point clustering;Color leaping degree

作物病害葉片圖像分割是作物病害圖像分析處理和病害類型識別的基礎工作和重要環節，也是計算機圖像處理和機器視覺領域的研究熱點之一。已經有很多復雜圖像分割方法和技術，包括基于圖論[1-2]、分水嶺方法[3-5]、模糊聚類[6-7]、灰度閾值的[8]、邊緣檢測[9]和混合算法的分割方法[10]等。很多研究成果已經成功應用于病害檢查和識別中。作物病害葉片圖像的復雜多樣性使得作物病害圖像的自動分割目前尚有很多困難和問題[11-13]。在彩色病害葉片圖像檢測中，由于彩色葉片圖像的病斑復雜性和特殊性，對應的灰度圖像邊緣檢測算子一般不能直接應用于彩色圖像。目前彩色病害葉片圖像邊緣檢測問題還沒有較成熟的解決方法，因此研究彩色病害葉片圖像邊緣檢測方法還處于初始階段。作物病害葉片圖像作為特殊目標，即要求能夠更全面、更準確地分割出來的病害區域。在分割中，當病斑區域與周邊區域的對比度不明顯時，它將導致誤判，其結果表現為非病斑區域被保留下來。由于葉脈部分與其他部位的對比度較低，提取的病害區域會包含一些不相關的部分，從而影響病害分割的準確性。不準確的分割將會影響到后續病害識別的精確性。因此，分割后的病害區域需要校正。病害區域的顏色是非常復雜的，難以用RGB色彩空間中的顏色來描述。

1 均值顯著點聚類方法

假設觀測到一組樣本Y1，Y2，…，Yn，通常觀測值按時間出現先后排列。對于第m個點Ym的期望有EY1=…=EYm-1=a1，EYm=…=EYn=a2，且1

在像素均值顯著點聚類模型中，假設像素點為Y1，Y2，…，Yn為該點的灰度值，且服從獨立正態分布，則顯著點的個數至多為1個的均值顯著點模型可表述為：

2 性能分析

為了說明該算法的有效性，使用圖像分割的類別平均準確率（Meanacc）和平均區域重合度（MeanIU）為分割精度指標[14]。在分割時應考慮算法的分割時間。

式中，ncl為分割圖像像素所屬類別，p表示圖像中像素正確對應的像素類別，q表示圖像中像素錯誤分類后所屬像素類別，tp為分割中p類別的像素總數tp=jnpj，npp為分割中正確分割為類別p的像素總數，npq為分割中屬于類別p但被誤分為q的像素數量。

3 試驗與分析

為了測試該方法的有效性，將其應用于黃瓜病害葉片圖像病斑分割中，并與基于SVM分割方法[11]、基于K-means聚類法[12]和基于改進最大類間方差（Otsu）的方法[13]進行了對比。

將上述方法在50幅病害葉片圖像上的類別平均準確率和平均區域重合度作為評價指標。圖2為利用該方法和4種現有的分割方法對3種病害葉片圖像的分割結果。表1為利用4種方法對50幅圖像進行分割的平均準確率和平均區域重合度以及分割時間。

從圖2和表1可以看出，該方法優于其他3種方法，而且能夠減少復雜背景信息對病斑的干擾。其原因是，該方法充分利用了病害葉片圖像中的病斑像素的顯著性特性，以彩色圖像的HSI顏色值為特征值，在水平、垂直、對角線方向的區域上建立均值變點模型，最后通過疊加得到檢測結果。

4 結論

該研究將統計中的顯著點思想應用于病害葉片圖像分割中，提出了一種基于均值顯著性聚類的作物病害葉片圖像分割方法。該方法利用HIS顏色空間的3個分量，定義了跳躍度，由此進行圖像分割，得到病斑圖像。實驗結果表明，提出的分割算法分割速度快、分割準確率高，并且能夠減少背景干擾。該方法為后續進一步提取特征參數、識別和診斷病害類別打下良好的基礎。

參考文獻

[1] ANGULO J.Geometric algebra colour image representations and derived total orderings for morphological operators-part I：Colour quaternions [J].Journal of vision and communication image representation，2010，21（1）：33-48.

[2] 朱曉臨，陳嫚，李雪艷，等.結合形態學變形蟲和復合顏色空間的彩色圖像邊緣檢測模型[J].計算機輔助設計與圖形學學報，2014，26（7）：1060-1066.

[3] 余旺盛，侯志強，宋建軍.基于標記分水嶺和區域合并的彩色圖像分割[J].電子學報，2011，39（5）：1007-1012.

[4] 李占波，楊二偉，李進文.基于改進分水嶺和區域合并的彩色圖像分割[J].計算機工程與設計，2014，35（7）：2458-2461.

[5] 王棟，于威威，莊斐弘.基于標記分水嶺和FLICM模糊聚類的圖像分割方法研究[J].微型機與應用，2017，36（17）：49-51，58.

[6] THEOHARATOS C，ECONOMOU G，FOTOPOULOS S.Color edge detection using the minimal spanning tree[J].Pattern recognition，2005，38（4）：603-606.

[7] 李丹丹，史秀璋.基于HSI空間和K-means方法的彩色圖像分割算法[J].微電子學與計算機，2010，27（7）：121-124.

[8] KONISHI S，YUILLE A L，COUGHLAN J，et al.Statistical edge detection： Learning and evaluating edge cues[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2008，25（1）：57-74.

[9] EVANS A N，LIU X U.A morphological gradient approach to color edge detection [J].IEEE Transactions on Image Processing，2006，15（6）：1454-1463.

[10] 周強強，王志成，趙衛東，等.基于水平集和視覺顯著性的植物病害葉片圖像分割[J].同濟大學學報（自然科學版），2015，43（9）：1406-1413.

[11] 白文斌，白帆，賀文文，等.基于SVM的高粱葉片病斑圖像自動分割提取方法研究[J].農學學報，2014，4（6）：101-106.

[12] 鄒秋霞，楊林楠，彭琳，等.基于Lab空間和K-Means聚類的葉片分割算法研究[J].農機化研究，2015（9）：222-226.

[13] RADZALI M H，KAMAL N A M，DIAH N M.Measuring leaf area using Otsu Segmentation Method （LAMOS）[J].Indian journal of science & technology，2016，9（48）：1-6.

[14] LONG J，SHELHAMER E，DARRELL T.Fully convolutional networks for semantic segmentation[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Madison，WI：IEEE，2015：3431-3440.