基于改進k-means算法的獼猴桃葉部病斑分割方法

張會敏 謝澤奇 張善文

摘要：為了提高植物病害圖像的分割精度和分割效果，減弱經(jīng)k-means算法RGB（Red Green Blue） 顏色分量高度線性相關以及歐氏距離的尺度相關性對圖像分割結果產(chǎn)生的影響，并克服RGB空間色彩分布不勻的缺陷，提出了一種基于Lab顏色空間的改進 k-means的獼猴桃葉部病害圖像分割方法。首先改變顏色空間，將RGB轉換為Lab空間，由 L、a、b3分量組合表示每個像素點。其次，將馬氏距離代替歐氏距離進行改進，用改進后的k-means算法對圖像進行聚類。利用該方法對三種獼猴桃病害圖像進行測試，實驗結果表明，本文算法可以有效地將獼猴桃病害圖像中的病斑圖像分割，分割準確率高，并具有較高的魯棒性。

關鍵詞：獼猴桃葉部病害;Lab顏色空間;k-means算法;馬氏距離;歐氏距離

中圖分類號：TP391 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2020）25-0019-03

Abstract：To improve the segmentation accuracy and segmentation effect of plant disease images， the influence of the high linear correlation of RGB （Red Green Blue） color components and the scale correlation of Euclidean distance on the image segmentation results by the k-means algorithm is weakened， and the RGB space is overcome. Based on the defect of uneven color distribution， and improved k-means kiwi leaf disease image segmentation method based on Lab color space was proposed. First， change the color space， convert RGB to Lab space， and represent each pixel by a combination of L， a， and b components. Secondly， the Mahalanobis distance is replaced by the Euclidean distance， and the improved k-means algorithm is used to cluster the images. The method of segmentation of three kinds of kiwifruit disease images showed that the method can segment the lesions accurately and segment the kiwifruit disease images. The segmentation results are ideal， the robustness is good， and the segmentation accuracy is high.

Key words： Kiwi leaf disease; Lab color space; K-means algorithm; Mahalanobis distance; Euclidean distance

獼猴桃是我國重要的水果之一。獼猴桃病害嚴重降低獼猴桃的產(chǎn)量和質量。為了減少病害對獼猴桃產(chǎn)品的影響，及時對病害進行有效的防治是至關重要的。傳統(tǒng)的農產(chǎn)品專家現(xiàn)場診斷，由于成本高、時間長，嚴重影響病害的最佳診治時機，因此，利用計算機能夠快速、準確地進行病害的自動診斷是現(xiàn)代化農業(yè)發(fā)展的趨勢。其中，如何快速地、準確地分割頁部病斑，對病害的診斷起到至關重要的作用，因此，對病斑進行有效地分割是病害識別的基礎。張善文等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，該算法通過構造基于像素點的帶權無向圖，計算病害葉片圖像像素點的鄰域顏色均值，通過前后兩個鄰域的顏色均值差與設置的閾值進行對比，來判斷該像素點是否為病斑點。張會敏等提出一種基于WT-Otsu算法的植物病害葉片圖像分割方法。該算法利用二維小波變換提取作物病斑圖像的邊緣點，利用Otsu法在這些邊緣點搜索最佳分割閾值來分割病斑圖像。

其中，經(jīng)典k-means 算法是一種經(jīng)典且常用的將歐氏距離當作評判標準進而把目標劃分成自定義 k類的硬聚類算法，其核心思想就是測算對象之間距離越小，相似度就越高。但由于歐氏距離具有尺度相關性并且不能全面考慮到信息中所包含的特性聯(lián)系。因此，本文在此基礎上，使用均勻顏色空間CIE Lab來代替RGB顏色空間，同時采用馬氏距離測度方法來克服歐氏距離的尺度缺陷，可優(yōu)化病斑分割結果，并在獼猴桃病斑圖像上進行實驗，來驗證本文算法的有效性。

1 材料與方法

1.1 材料

獼猴桃葉片圖像采集來自陜西省寶雞市國家級眉縣獼猴桃產(chǎn)業(yè)園試驗基地，使用像素值為2000萬的佳能數(shù)碼相機對獼猴桃葉片圖像進行采集。采集時間為不同時間點，包含各種不同的光照條件。采集圖像中主要包括獼猴桃潰瘍病、花葉病、葉枯病病常見的3種獼猴桃病害，病斑圖像如圖1所示。

1.2 Lab 顏色空間

色彩是眼睛對于不同頻率光線而產(chǎn)生的不同感受，因此，選取合適的顏色空間可以為實現(xiàn)圖像有效分割奠定堅實的基礎。目前，常用的顏色空間RGB顏色空間、HSV 顏色空間以及CIE 等顏色空間。

Lab顏色空間是由國際照明委員會所制定具有國際標準的色彩模式，可以表示自然界中存在的任意一種顏色。其中，Lab顏色空間是可通過對RGB顏色空間進行非線性變換來實現(xiàn)，獲取亮度通道L、a顏色通道和b顏色通道。a顏色通道主要表示從紅到綠的分量改變，其值變化范圍是127～-128。其中127表示紅色。-128表示綠色。同理，b顏色通道主要表示從黃到藍的分量改變，其值變化范圍是127～-128。其中127表示黃色。-128表示藍色。L分量表示亮度，其值變化范圍是0 ～100。因此，任何顏色都可以通過L分量、a分量、b分量的值進行排列來進行表示。

由于獼猴桃病害圖像不能直接由RGB顏色空間轉換成為Lab顏色空間，因此，需要先轉換成CIE XYZ顏色空間，再轉換為CIE Lab空間。

1.3 改進的 k-means 聚類算法

K-means是聚類算法中一種典型的基于距離的聚類算法，主要采取歐式距離來作為評價指標。該算法通過利用設定的K值對以初始聚類中心來劃分相似數(shù)據(jù)點，計算聚類中心與數(shù)據(jù)點的距離均值進行迭代優(yōu)化，最終獲得最優(yōu)的聚類結果。本文研究是在 K 均值聚類算法的基礎上，提出一種改進的 K 均值聚類算法。與經(jīng)典的 K 均值聚類算法的主要區(qū)別在于：（1）本算法采用中值聚類中心;（2）將經(jīng)典 k-means算法用來計算樣本相似度的歐幾里得距離（簡稱歐氏距離）改用馬哈拉諾比斯距離（簡稱馬氏距離）替代。改進后的應用于獼猴桃葉片病害分割的算法步驟如下：

對于獲取的獼猴桃病害圖像均為彩色圖像，每個像素點都包含三個像素點值，即三維像素點向量，因此，可有三維向量來組成對應的聚類中心，因此，需要將灰度圖像的像素值修改為三維向量即可。

2 結果與分析

本次實驗在Windows10操作系統(tǒng)，軟件Matlab R2016a中進行。在該實驗中，將k設置為3，然后隨機選取3個初始聚類中心，分別對獼猴桃頁部病害彩色圖像進行分割，實驗結果如圖2所示。從圖2可以看出，（a）為3個原始圖像（分別用原始圖像1～3表示），（b）是利用本文改進k-means算法對原始圖像進行運算得到的聚類結果，圖像被劃分為2個區(qū)域，分別進行重復聚類，最終標記分類的2個區(qū)域（一個是背景分割，一個是病斑分割）。其中，圖2 c、圖2 d圖是對應原始圖像按照背景和病斑進行分割所得到的結果。從實驗結果可以看出，本文改進算法采用 Lab 色彩空間降低了顏色分量的線性相關性，對病斑有效地做出區(qū)分，從而獲得較好地分割效果。

從圖2可以看出，本文算法在對獼猴桃三種病害的彩色圖像進行分割方法是有效的，根據(jù)聚類結果可以明顯地定位出病害區(qū)域，然后能正確地分割出不同的病斑圖像，為后面的特征提取與病害識別提供基礎。為了更好地驗證本文算法的有效性和實時性，將通過分割時間和分割誤差概率作為評價標準，來分析經(jīng)典k-means算法和本文算法的性能，實驗結果如表1所示。其中，病斑分割誤差概率計算公式如下：

由表1可以看出，雖然改進算法在運行時間上比傳統(tǒng)k-means算法長，但沒有體現(xiàn)出較大的優(yōu)勢;但本文算法的誤差概率較低，從17.402%降低到8.603%，提高了近9%，因此，本文算法分割效果更準確、更具有優(yōu)勢。分析原因主要是由于Lab顏色空間表示更完整，聚類算法采取馬氏距離，可以更準確地描述顏色差異，更具有尺度無關性，因此，本文算法就具有更好地聚類效果。

3 結論

經(jīng)典k-means算法由于原理簡單、快速高效而廣泛到圖像分割中。但由于RGB顏色空間為非均勻顏色空間，且具有高度線性相關性，并且以歐式距離來計算會影響分割效果的準確性。因此，本文在此基礎上，本文改進算法選擇均勻顏色空間CIE Lab，同時采用馬氏距離來代替歐式距離來作為測度方法，可以克服經(jīng)典k-means算法的尺度相關性缺陷，可更準確地描述像素點差異，分割效果更佳，并在獼猴桃病斑圖像上進行實驗，實驗結果表明，本文算法是有效可行的，為其他作物的病斑分割提供一定的參考價值。

參考文獻：

[1] 張善文，張晴晴，齊國紅.基于顏色均值顯著點聚類的作物病害葉片圖像分割方法[J].安徽農業(yè)科學，2019，47（10）：228-230.

[2] 邵倫，周新志，趙成萍，等.基于多維網(wǎng)格空間的改進K-means聚類算法[J].計算機應用，2018，38（10）：2850-2855.

[3] 周紅芳，劉園，談姝辰.基于商空間理論的K-means改進算法[J].西安理工大學學報，2013，29（4）：400-405.

[4] 張會敏，謝澤奇，張善文，等.基于WT-Otsu算法的植物病害葉片圖像分割方法[J].江蘇農業(yè)科學，2017，45（18）：194-196.

[5] 王海起，王勁峰.一種基于空間鄰接關系的k-means聚類改進算法[J].計算機工程，2006，32（21）：50-51，75.

[6] 張善文，張晴晴，齊國紅，等.基于改進K中值聚類的蘋果病害葉片分割方法[J].江蘇農業(yè)科學，2017，45（18）：205-208.

[7] 藍章禮，黃濤，李戰(zhàn)，等.基于圖像內容的瀝青路面病害區(qū)域分割算法[J].計算機系統(tǒng)應用，2019，28（2）：177-183.

[8] 張明，王生榮，郭小燕.基于混合蛙跳算法的馬鈴薯病害圖像分割優(yōu)化[J].植物保護學報，2018，45（3）：478-488.

[9] 邵倫，周新志，趙成萍，等.基于多維網(wǎng)格空間的改進K-means聚類算法[J].計算機應用，2018，38（10）：2850-2855.

[10] 王海起，王勁峰.一種基于空間鄰接關系的k-means聚類改進算法[J].計算機工程，2006，32（21）：50-51，75.

[11] 周強強，王志成，趙衛(wèi)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.

【通聯(lián)編輯：唐一東】