1种基于Otsu算法的植物病害叶片图像分割方法

张善文等

摘要：植物叶片图像分割是植物分类和植物病害检测中的一个关键步骤，旨在把叶片图像分成各具特性的区域并提取出感兴趣的部分。在分析自然场景下植物叶片图像几种分割方法的优缺点的基础上，基于Otsu算法，提出了1种叶片图像分割方法，并进行分割算法试验。结果表明，该叶片图像分割方法对叶片中目标（叶片或病斑）-背景类的图像具有较好的分割效果。

关键词：植物叶片图像；图像分割；阈值分割；Otsu算法

中图分类号： TP391.41 文献标志码： A 文章编号：1002-1302（2014）04-0337-03

收稿日期：2013-08-19

基金项目：国家自然科学基金（编号：61272333）；河南省科技攻关计划（编号：122102210429）；西亚斯国际学院引进人才项目（编号：2012YJRC01、2012YJRC02）。

作者简介：张善文（1965—），男，陕西阎良人，博士，教授，从事模式识别及其应用研究。Email：wjdw716@163.com。植物是人类生存与发展的重要资源，是人类生产和生活必需的资源，对人类的生存环境起着重要的作用。但由于人类对植物不合理利用和对其生长环境的不断破坏，使得很多植物种类不断消失，由此也给人类造成了难以估量的损失，也使人们逐渐意识到保护植物及其生长环境的重要性。要保护植物，首先要识别植物。利用植物叶片进行植物分类和识别是最简捷、经济和最有效的方法，也是很多学者研究的一个热点。植物叶片图像分割是基于植物叶片进行植物分类的一个关键步骤。叶片图像分割本质是将像素进行分类，由于植物叶片图像的边缘的像素灰度值大幅度剧烈变化，即边缘是目标与背景之间的临界区，一般可以通过区域间的灰度不连续性来检测边缘以达到分割叶片图像的目的。分类的依据是象素的灰度值、颜色、频谱特性、空间特性或纹理特性等。很多常用的图像分割技术，如阈值分割法、区域法、边缘检测法、人工神经网络法及统计学方法已被用于植物叶片图像分割。目前，很多学者提出了一些比较有效的叶片图像分割方法[1-8]。如Wang等[1-4]提出一些叶片图像分割方法，并应用于植物种类分类中，取得了较好的识别结果；Wang等[2]提出了基于数学形态学的植物叶片图像的预处理方法，运用数学形态学中的开运算和闭运算消除图像中的孤立噪声点并填补叶片内部孔洞。郑小东等[9]将采集到的图像转换成二值图像，然后估算叶柄的大致宽度，根据该宽度对图像进行粗分割，并根据叶柄在图像中的位置确定叶柄，实现精确分割叶片图像；Li等[10]利用基于细胞神经网络的Snake模型来分割和提取叶脉；虎晓红等[11]为了提高作物病害的分割效果，提出了一种基于多示例图的分割模型，将作物病害的分割问题转化为在多示例图框架下的分割问题；傅弘等[12]提出一种基于人工神经网络的叶脉分割方法；Persson等[13]通过建立活动形状模型（ASM）来分割示例图的分割模型，将作物病害的分割问题转化为在多示例图框架下的分割问题；傅弘等[12]提出一种基于人工神经网络的叶脉分割方法；Persson等[13]通过建立活动形状模型（ASM）来分割农作物和野草图像，取得了83%的有效分割率；Camargo等[14]通过分析灰度直方图的方法来分割病害叶片；Zheng等[15]使用基于均值位移的分割方法来提取图像中的绿色叶片；魏蕾[16]利用加权平均法把彩色图像转化为灰度图像，获得其灰度直方图多个通道的特性，再对灰度图像均衡化，选用中值滤波方式去除多幅叶片图像的噪声，最后进行图像分割得到二值图像，为后续叶片特征的参数选取做准备。中国科学院合肥智能机械研究所智能计算实验室也相继开展了对植物叶片的分割和识别工作[1-4，17-19]。

基于图论的叶片图像分割方法能够较好地把握图像的几何结构和全局特征[20-23]，通常是把图像中的像素视为特征点，将一幅图像表示成一个带权无向图，图中的顶点为被分割元素的集合，图中的边对应于一对有相应权重的邻接顶点，边上的权重表示相邻顶点之间相异程度，然后应用聚类或分组的方法对这些点进行划分，进而完成对图像的分割。该方法的一个不足是花费时间较长。

虽然上述叶片图像分割方法针对某类植物叶片图像或在某种条件下能够得到较好的分割效果。由于很多方法只利用了图像灰度特征，并没有利用图像的其他有用信息，使得分割结果不理想，特别是对噪声比较敏感。最大类间方差法（Otsu法）可以自动得到统计意义上的最佳分割阈值[24]，实际应用中该方法对目标与背景类的图像具有很好的分割效果。本研究基于Otsu法，提出一种叶片图像分割方法。

1叶片图像分割方法

2结果与分析

试验在主频3.0 GHz，内存2 GB，WinXP操作系统的Matlab试验平台下对植物病害叶片图像进行测试，预分割图像的格式为400×600的JPG图像。采摘的时候要从叶柄根部将叶片连同叶柄一起采摘。将采下的样本叶片置于厚重的书本之中并加以重物，压1 d左右。根据植物叶片的形状，在叶柄处向下凸出，为了保证最终取得的样本叶片完整，要把部分叶柄夹进书中，使计算结果准确。在MATLAB 7.0中，一幅大小为M×N的RGB彩色叶片图像可以用一个M×N×3的矩阵T来描述，图像中的每一个像素点对应于红、绿、蓝（R、G、B）3个分量组成的三元组。利用MATLAB 7.0中函数rgb2gray将彩色叶片图像T转换为灰度图像H。由于色调H反映了叶片图像的分类特征，因此由叶片图像H可以有效地分割叶片图像，以便于后续基于叶片的植物种类识别和植物病害识别。这时，对叶片图像分割就是对图像H进行Otsu法的多阈值分割，其分割流程归纳为：（1）将叶片图像RGB模式转化到HIS模式，得到H直方图；（2）利用Otsu法的多阈值分割方法对H直方图进行处理，得到局部最佳阈值；（3）利用局部最佳阈值来分割H直方图，得到叶片图像的分类、识别特征。

由图1-D可以看出，利用Otsu算法可以将叶片图像中的目标和背景分离。由图2-D可以看出，利用Otsu多阈值分割方法能够得到病害叶片图像的不同分类特征，将此作为后续病害类型识别的依据。所以利用Otsu多阈值分割方法可以自动得到统计意义上的最佳分割阈值。说明本研究提出的叶片图像分割方法对叶片图像中目标（即叶片或病斑）-背景类的图像具有较好的分割效果。

3结论

Otsu多阈值分割方法是一种统计判决法，具有非参数、非监督和计算简单的特点。而且在一定条件下不受图像对比度和亮度变化的影响，因而在一些实时图像处理系统中得到了广泛的应用。本研究的Otsu多阈值分割算法是建立在对叶片图像进行识别的基础上，所以被分割的叶片图像转换成了直方图，再进行分割的。为了进一步提高分割速度、准确度和对复杂图像的处理能力，需要处理二维直方图空间或三维颜色空间。

参考文献：

[1]Wang X F，Huang D S. A novel multi-layer level set method for image segmentation[J]. Journal of Universal Computer Science，2008，14（14）：2428-2452.

[2]Wang X F，Huang D S，Du J X，et al. Classification of plant leaf images with complicated background[J]. Applied Mathematics and Computation，2008，205（2）：916-926.

[3]Du J X，Huang D S，Wang X F，et al. Computer-aided plant species identification（CAPSI）based on leaf shape matching technique[J]. Transactions of the Institute of Measurement and Control，2006，28（3）：275-284.

[4]Du J X，Huang D S，Wang X F，et al. Shape recognition based on neural networks trained by differential evolution algorithm[J]. Neurocomputing，2007，70：896-903.

[5]Fu H Z C. Combined thresholding and neural network approach for vein pattern extraction from leaf images[J]. Vision，Image and Signal Processing，IEE Proceedings，2006，153（6）：881-892.

[6]Persson M，Astrand B. Classification of crops and weeds extracted by active shape models[J]. Biosystem Engineering，2008，100：484-497.

[7]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystem Engineering，2009，102：9-21.

[8]Zheng L Y，Zhang J T，Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture，2009，65：93-98.

[9]郑小东，王晓洁，赵中堂. 基于形状特征的植物叶柄与叶片分割算法[J]. 计算机工程与设计，2010，31（4）：918-921.

[10]Li Y F，Zhu Q S，Cao Y K，et al. A leaf vein extraction method based on snakes technique[C]//International Conference on Neural Networks and Brain. Beijing，2005：885-888.

[11]虎晓红，李炳军，席磊. 基于多示例图的小麦叶部病害分割方法[J]. 农业工程学报，2012，28（13）：154-159.

[12]傅弘，池哲儒，常杰，等. 基于人工神经网络的叶脉信息提取[J]. 植物学通报，2004，21（4）：429-436.

[13]Persson M，Astrand B. Classification of crops and weeds extracted by active shape models[J]. Biosystem Engineering，2008，100：484-497.

[14]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystem Engineering，2009，102：9-21.

[15]Zheng L Y，Zhang J T，Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture，2009，65：93-98.

[16]魏蕾. 基于图像处理和SVM的植物叶片分类研究[D]. 杨凌：西北农林科技大学，2012.

[17]王晓峰，黄德双，杜吉祥，等. 叶片图像特征提取与识别技术的研究[J]. 计算机工程与应用，2006，42（3）：190-193.

[18]杜吉祥. 植物物种机器识别技术的研究[D]. 合肥：中国科学技术大学，2005.

[19]黄志开. 彩色图像的特征提取与植物分类研究[D]. 合肥：中国科学技术大学，2006.

[20]许新征，丁世飞，史忠植，等. 图像分割的新理论和新方法[J]. 电子学报，2010，38（增刊1）：76-82.

[21]刘丙涛，田铮，李小斌，等. 基于图论Gomory-Hu算法的SAR图像多尺度分割[J]. 宇航学报，2008，29（3）：1002-1007.

[22]冯林，孙焘，吴振宇，等. 基于分水岭变换和图论的图像分割方法[J]. 仪器仪表学报，2008，29（3）：649-653.

[23]王学松，周明全，樊亚春，等. 彩色图像色度距离权值的图论分割算法[J]. 中国图象图形学报，2011，16（2）：221-226.

[24]王祥科，郑志强. Otsu多阈值快速分割算法及其在彩色图像中的应用[J]. 计算机应用，2006，26（增刊1）：14-15.

由图1-D可以看出，利用Otsu算法可以将叶片图像中的目标和背景分离。由图2-D可以看出，利用Otsu多阈值分割方法能够得到病害叶片图像的不同分类特征，将此作为后续病害类型识别的依据。所以利用Otsu多阈值分割方法可以自动得到统计意义上的最佳分割阈值。说明本研究提出的叶片图像分割方法对叶片图像中目标（即叶片或病斑）-背景类的图像具有较好的分割效果。

3结论

Otsu多阈值分割方法是一种统计判决法，具有非参数、非监督和计算简单的特点。而且在一定条件下不受图像对比度和亮度变化的影响，因而在一些实时图像处理系统中得到了广泛的应用。本研究的Otsu多阈值分割算法是建立在对叶片图像进行识别的基础上，所以被分割的叶片图像转换成了直方图，再进行分割的。为了进一步提高分割速度、准确度和对复杂图像的处理能力，需要处理二维直方图空间或三维颜色空间。

参考文献：

[1]Wang X F，Huang D S. A novel multi-layer level set method for image segmentation[J]. Journal of Universal Computer Science，2008，14（14）：2428-2452.

[2]Wang X F，Huang D S，Du J X，et al. Classification of plant leaf images with complicated background[J]. Applied Mathematics and Computation，2008，205（2）：916-926.

[3]Du J X，Huang D S，Wang X F，et al. Computer-aided plant species identification（CAPSI）based on leaf shape matching technique[J]. Transactions of the Institute of Measurement and Control，2006，28（3）：275-284.

[4]Du J X，Huang D S，Wang X F，et al. Shape recognition based on neural networks trained by differential evolution algorithm[J]. Neurocomputing，2007，70：896-903.

[5]Fu H Z C. Combined thresholding and neural network approach for vein pattern extraction from leaf images[J]. Vision，Image and Signal Processing，IEE Proceedings，2006，153（6）：881-892.

[6]Persson M，Astrand B. Classification of crops and weeds extracted by active shape models[J]. Biosystem Engineering，2008，100：484-497.

[7]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystem Engineering，2009，102：9-21.

[8]Zheng L Y，Zhang J T，Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture，2009，65：93-98.

[9]郑小东，王晓洁，赵中堂. 基于形状特征的植物叶柄与叶片分割算法[J]. 计算机工程与设计，2010，31（4）：918-921.

[10]Li Y F，Zhu Q S，Cao Y K，et al. A leaf vein extraction method based on snakes technique[C]//International Conference on Neural Networks and Brain. Beijing，2005：885-888.

[11]虎晓红，李炳军，席磊. 基于多示例图的小麦叶部病害分割方法[J]. 农业工程学报，2012，28（13）：154-159.

[12]傅弘，池哲儒，常杰，等. 基于人工神经网络的叶脉信息提取[J]. 植物学通报，2004，21（4）：429-436.

[13]Persson M，Astrand B. Classification of crops and weeds extracted by active shape models[J]. Biosystem Engineering，2008，100：484-497.

[14]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystem Engineering，2009，102：9-21.

[15]Zheng L Y，Zhang J T，Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture，2009，65：93-98.

[16]魏蕾. 基于图像处理和SVM的植物叶片分类研究[D]. 杨凌：西北农林科技大学，2012.

[17]王晓峰，黄德双，杜吉祥，等. 叶片图像特征提取与识别技术的研究[J]. 计算机工程与应用，2006，42（3）：190-193.

[18]杜吉祥. 植物物种机器识别技术的研究[D]. 合肥：中国科学技术大学，2005.

[19]黄志开. 彩色图像的特征提取与植物分类研究[D]. 合肥：中国科学技术大学，2006.

[20]许新征，丁世飞，史忠植，等. 图像分割的新理论和新方法[J]. 电子学报，2010，38（增刊1）：76-82.

[21]刘丙涛，田铮，李小斌，等. 基于图论Gomory-Hu算法的SAR图像多尺度分割[J]. 宇航学报，2008，29（3）：1002-1007.

[22]冯林，孙焘，吴振宇，等. 基于分水岭变换和图论的图像分割方法[J]. 仪器仪表学报，2008，29（3）：649-653.

[23]王学松，周明全，樊亚春，等. 彩色图像色度距离权值的图论分割算法[J]. 中国图象图形学报，2011，16（2）：221-226.

[24]王祥科，郑志强. Otsu多阈值快速分割算法及其在彩色图像中的应用[J]. 计算机应用，2006，26（增刊1）：14-15.

由图1-D可以看出，利用Otsu算法可以将叶片图像中的目标和背景分离。由图2-D可以看出，利用Otsu多阈值分割方法能够得到病害叶片图像的不同分类特征，将此作为后续病害类型识别的依据。所以利用Otsu多阈值分割方法可以自动得到统计意义上的最佳分割阈值。说明本研究提出的叶片图像分割方法对叶片图像中目标（即叶片或病斑）-背景类的图像具有较好的分割效果。

3结论

Otsu多阈值分割方法是一种统计判决法，具有非参数、非监督和计算简单的特点。而且在一定条件下不受图像对比度和亮度变化的影响，因而在一些实时图像处理系统中得到了广泛的应用。本研究的Otsu多阈值分割算法是建立在对叶片图像进行识别的基础上，所以被分割的叶片图像转换成了直方图，再进行分割的。为了进一步提高分割速度、准确度和对复杂图像的处理能力，需要处理二维直方图空间或三维颜色空间。

参考文献：

[1]Wang X F，Huang D S. A novel multi-layer level set method for image segmentation[J]. Journal of Universal Computer Science，2008，14（14）：2428-2452.

[2]Wang X F，Huang D S，Du J X，et al. Classification of plant leaf images with complicated background[J]. Applied Mathematics and Computation，2008，205（2）：916-926.

[3]Du J X，Huang D S，Wang X F，et al. Computer-aided plant species identification（CAPSI）based on leaf shape matching technique[J]. Transactions of the Institute of Measurement and Control，2006，28（3）：275-284.

[4]Du J X，Huang D S，Wang X F，et al. Shape recognition based on neural networks trained by differential evolution algorithm[J]. Neurocomputing，2007，70：896-903.

[5]Fu H Z C. Combined thresholding and neural network approach for vein pattern extraction from leaf images[J]. Vision，Image and Signal Processing，IEE Proceedings，2006，153（6）：881-892.

[6]Persson M，Astrand B. Classification of crops and weeds extracted by active shape models[J]. Biosystem Engineering，2008，100：484-497.

[7]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystem Engineering，2009，102：9-21.

[8]Zheng L Y，Zhang J T，Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture，2009，65：93-98.

[9]郑小东，王晓洁，赵中堂. 基于形状特征的植物叶柄与叶片分割算法[J]. 计算机工程与设计，2010，31（4）：918-921.

[10]Li Y F，Zhu Q S，Cao Y K，et al. A leaf vein extraction method based on snakes technique[C]//International Conference on Neural Networks and Brain. Beijing，2005：885-888.

[11]虎晓红，李炳军，席磊. 基于多示例图的小麦叶部病害分割方法[J]. 农业工程学报，2012，28（13）：154-159.

[12]傅弘，池哲儒，常杰，等. 基于人工神经网络的叶脉信息提取[J]. 植物学通报，2004，21（4）：429-436.

[13]Persson M，Astrand B. Classification of crops and weeds extracted by active shape models[J]. Biosystem Engineering，2008，100：484-497.

[14]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystem Engineering，2009，102：9-21.

[15]Zheng L Y，Zhang J T，Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture，2009，65：93-98.

[16]魏蕾. 基于图像处理和SVM的植物叶片分类研究[D]. 杨凌：西北农林科技大学，2012.

[17]王晓峰，黄德双，杜吉祥，等. 叶片图像特征提取与识别技术的研究[J]. 计算机工程与应用，2006，42（3）：190-193.

[18]杜吉祥. 植物物种机器识别技术的研究[D]. 合肥：中国科学技术大学，2005.

[19]黄志开. 彩色图像的特征提取与植物分类研究[D]. 合肥：中国科学技术大学，2006.

[20]许新征，丁世飞，史忠植，等. 图像分割的新理论和新方法[J]. 电子学报，2010，38（增刊1）：76-82.

[21]刘丙涛，田铮，李小斌，等. 基于图论Gomory-Hu算法的SAR图像多尺度分割[J]. 宇航学报，2008，29（3）：1002-1007.

[22]冯林，孙焘，吴振宇，等. 基于分水岭变换和图论的图像分割方法[J]. 仪器仪表学报，2008，29（3）：649-653.

[23]王学松，周明全，樊亚春，等. 彩色图像色度距离权值的图论分割算法[J]. 中国图象图形学报，2011，16（2）：221-226.

[24]王祥科，郑志强. Otsu多阈值快速分割算法及其在彩色图像中的应用[J]. 计算机应用，2006，26（增刊1）：14-15.