扁豆病害叶片的病斑剥离分割

李学俊，赵礼良

1.安徽大学 计算机科学与技术学院，合肥 230601

2.安徽大学 计算智能与信号处理重点实验室，合肥 230039

扁豆病害叶片的病斑剥离分割

李学俊1，赵礼良2

1.安徽大学 计算机科学与技术学院，合肥 230601

2.安徽大学 计算智能与信号处理重点实验室，合肥 230039

1 引言

植物病害是农业生产主要的限制因子之一，联合国粮农组织的研究结果表明，农作物病虫害自然损失率在37%以上，据此测算，若不采取防控措施，我国每年因病虫危害将损失粮食3 000亿斤。国内外很多专家对病虫害防治进行了深入的研究。

尽管病害症状各种各样，但绝大多数会在叶片表现出来。因此，病害造成的叶片病斑数量和病斑大小是判断病害发生程度的主要依据。目前该方面的监测工作主要靠人工测量植物叶片的病斑来完成。但越来越多的农学专家试图应用机器视觉技术来进行农作物病虫害的自动识别，该技术对变量喷药具有重要意义，既降低了劳动强度，又提高了工作质量[1-3]。植物病害图片通常在大自然环境中拍摄，由于光照和背景的影响，直接使用文献[4-5]提出的FCM算法很难一次分割出病斑。文献[4]提出自适应的利用领域和灰度信息来提高传统FCM算法的鲁棒性，由于彩色图片转化成灰度图像后丢失了太多的彩色信息，正常叶片和病斑可能在灰度上过度相似，即使提高了算法本身的鲁棒性，依然不能将多度相似的部分分开。彩色图像分割能得到较好的分割效果，但通常都是在不同色彩通道下分别分割，再对结果进行融合，当像素颜色映射到三个直方图不同位置时，颜色信息会发散，目标病斑可能落在不同分类上，依然难以提取病斑[5]。文献[6]提出利用神经网络方法确定分类类别数，但神经网络在样本量大的时候计算量特别大，导致实时性差。针对上述方法在对正常叶片和病斑灰度值相近的扁豆病斑图像分割时的不足，本文采用了分水岭算法进行一次预分割和模糊聚类算法进行再分割相结合的剥离分割法来分割病斑目标。所谓剥离分割就是通过多次分割将背景和正常叶片逐步剥离出去以得到目标病斑。

本文第2章首先介绍了采用分水岭算法对病害图片进行初始分割，并剥离出背景和正常叶片，预提取出病斑所在区域。分水岭算法的分割结果特别细致，容易出现过分割，文献[7]针对领域图像的特点通过概率计算进行标注以提高算法的健壮性，文献[8]则对图像多尺度梯度划分等级进行标注。本文结合上述两种方法，采用Otsu对梯度图像阈值进行自动获取，将低梯度值排除，再使用分水岭算法进行分割。第3章则是对初始分割后的病斑区域使用模糊C均值聚类算法进行二次分割；通过对该类图片像素值研究发现，正常叶片的绿色通道（RGB通道中G分量）平均值通常高于病斑；求取两类的G分量平均值进行比较，其中较小的类别为病斑类别。

2 病斑区域初始分割

2.1 分水岭分割

通过对大量扁豆病害叶片样本图像研究发现，大多数扁豆病害叶片上离散的分布着小区域的病斑。病斑与正常叶片具有相对明显的色彩变化。

Beucher等人最早提出将基于数学形态学的分水岭算法用于图像分割，后来Luc Vincent和Pierre Soille采用模拟浸没过程实现分水岭改进，大大提高了分水岭计算速度，使得分水岭算法得到了广泛的应用。

一幅拓扑地形图，水会由山峰流向山谷，山谷与山谷间会有一道分水岭，称为山脊。模拟水由山脊流向山谷的过程应用于图像分割，山脊可以看作物体边缘，山谷对应分割后的不同区域。相比图像本身，分水岭分割对图像梯度更敏感，因此通常都针对梯度图像进行分水岭分割。分水岭算法可以得到单像素宽的、连通的、封闭的及位置准确的轮廓[5-6]，比较适合病斑区域的预分割，因为不会破坏区域的连通性和边缘，而且运算速度快。

2.2 彩色梯度

对梯度图像进行分水岭分割时，考虑到叶片病害图像都是在大自然中拍摄的彩色图像，一幅彩色RGB图像可以简单地分解成三幅不同通道图像，只使用其中一幅通道图像计算梯度是不合理的，如果简单地将每幅通道图计算的梯度进行简单的相加也是不合适的，因为三个图像的边缘方向极有可能不同，甚至相反，本文计算梯度的方法如下[7]：输入彩色图像 f(x，y)，r、g、b 为RGB色彩模型沿着R、G、B方向的单位向量，向量定义如下：

根据Dizenzo理论，彩色图像任一点的梯度为最大变化率方向的变化率，其最大变化率方向用角度θ(x，y)表示如下：

2.3 小梯度值抑制

2.3.1 抑制阈值

若直接将梯度图进行分水岭分割，会分割出过多的小区域，这也是分水岭算法自身的缺点，即过分割现象。

通过对叶片病害样本图像的观察，叶片边缘与背景，叶茎与叶肉，叶肉与病斑彩色变化较明显，因此在不破坏病斑区域的条件下，可对梯度小于某个阈值δ的部分进行抑制。设原图中任一点的梯度为g(x，y)有：

2.3.2 形态学腐蚀叶片边缘

在分割中，叶片边缘梯度值常常大于病斑边缘梯度值，易导致分水岭算法将整个叶片分割成一个区域，无法提取病斑。简单背景的叶片图像，背景均是同一像素值，背景梯度为零。叶片与背景边缘梯度大，周围梯度均接近零，可使用形态学腐蚀操作去除边缘，以消除病斑分割中叶片边缘梯度带来的不利影响。

假设输入图像 g(x，y)，尺寸为n的结构单元 Sn，图像的定义域D，则腐蚀公式[8]：

为了尽可能不影响病斑区域的梯度值，需要腐蚀操作范围尽可能小，本文腐蚀操作采用的腐蚀结构算子Sn：

2.3.3 Otsu计算抑制阈值

设以灰度T为阈值将图像像素分成两类，灰度从[1，2，…，T]为一类，记为 C0；灰度为 [T+1，2，…，L]为另一类C1。C0和C1出现的概率分别记P0(T)和P1(T)；两类的灰度值记为u0(T)和u1(T)；两类的方差记为δ20(T)和 δ21(T)；整幅图像的灰度均值为u。两类的类间距离平方和δ2(T)：b以最大类间准则为阈值为T*：

但许向阳等人用数学理论证明了该方法找出的最佳阈值是该阈值分割出的两类的均值的平均值，当两类的类内方差差别较大时，Otsu方法的分割阈值将偏向类内方差较大的一类，从而将类内方差较大的一类的部分像素划分到类内方差较小的类中[8-9]。简单背景图像的梯度图像有很多像素值为零的点，其类内方差必然都会零；而另一类中，像素方差必然大于零。根据许向阳等人的理论，使用Otsu方法求的阈值会偏向梯度图像中像素值大的一方。因此直接使用该方法获得的阈值往往会偏大。本文取该直接阈值的一半作为梯度抑制阈值。

2.4 确定病斑所在区域

植物出现病害后，叶片上的病斑逐步扩大，在病害早中、期，病斑面积往往小于正常叶片面积。分水岭将图像预分割成多个大小不一的区域，由于去除了背景与正常叶片的边缘，正常叶片和背景连通成一个最大的区域，因此可通过面积排除法将面积最大的背景和正常叶片区域剥离出去，预提取病斑区域。

3 病斑区域二次分割

3.1 FCM聚类分割

分水岭算法预分割后的病斑周围仍有部分正常叶片，有可能是病斑周围梯度变化不是十分明显，也有可能是前期梯度阈值抑制造成的误差。由于样本数量已大为减少，可通过简单的灰度聚类分割剥离出病斑。

对预提取病斑区域的灰度图研究发现，病斑与其周围正常叶片具有很强的模糊性，这种不确定和精确性主要体现在图像灰度的不确定性、目标边缘的不确定性等。模糊聚类算法（FCM）对于图像的这种不确定性有很好的描述能力[9]。FCM算法应用于图像分割就是把图像的像素点看成数据集的样本点，像素点的特征看成样本点的特征，则图像的分割问题转化为对目标表达式的优化问题：

其中，m＞1，c是聚类的类数，n是聚类空间的样本数，uik是第i类中样本k的隶属度，dik表示样本点 xk距聚类中心vi的欧氏距离。

{U=uik}表示 n×c维的隶属度矩阵，V={v1，v2，…，vc}表示的s×c维的聚类中心矩阵，s是聚类空间的维数，取值为2。该目标函数可以通过迭代更新隶属度矩阵U和聚类中心V得到最优解：

待FCM优化收敛结束后，则聚类分割可由下式表示：

3.2 提取病斑

通过对病害样本图像像素值研究发现，正常叶片的绿色通道分量平均值往往大于病斑的绿色通道分量值。文中对FCM算法分割出的目标和背景两类，计算每类的绿色分量平均值，其中平均值较小的类别为病斑区域。

4 实验结果及分析

本文使用四川农业大学提供的“农作物病虫害诊断图片数据库及防治知识库”（http：//ny.sicau.edu.cn/1/）的图片在PC机上使用MATLAB 7.0对病害图像进行了仿真实验。

以扁豆白绢病为例，如图1所示，直接使用FCM算法进行分割不能得到好的实验结果。若采用灰度图像分割，由于丢失了大量的彩色信息，病斑并不能简单地分割出来，如图1（b）；若采用彩色分割，虽然分割效果较好，但病斑不只落在某一个分类中，病斑既有红色标记类别，也有白色标记类别，且病斑有些区域在原图中并不连通，分割后却连通了，如图1（c）。采用本文的剥离分割，病斑清晰并且较为完整的得到了分割，如图1（d）。

图1（d）的剥离分割过程如图2所示。首先求取图像的彩色梯度，如图2（a）所示。若直接对此梯度图进行分水岭分割，会出现严重的过分割现象，如图2（b）。为了解决此问题，本文进行了改进。首先采用形态学腐蚀操作得到图2（c）。可发现叶片边缘明显弱化，而病斑边缘的梯度弱化程度较小。然后再进行小梯度抑制操作得到图2（d）。最后使用分水岭算法进行初始分割，结果如图2（e），可见区域数明显减少，大大少于直接分水岭所分割出的区域，而且病斑区域依然完整。

得到分水岭分割后的预提取图2（f）后，以此目标区域作为FCM二次分割的输入，聚类结果如图2（g）所示；为了更好地与原图进行比较，进一步剥离出病斑类别，如图2（h）所示。

图3中，本文对扁豆其他病，如扁豆假尾孢褐斑病、扁豆轮纹斑病、扁豆黑斑病、扁豆角斑病叶片图像进行了剥离分割，均取得了较好的分割效果。

5 结束语

植物叶片病斑会因为病害的不同，植物生长期的不同，病害程度的不同，呈现形态各异，色彩多样性。目前尚无对所有图像都适合的图像分割算法，在机器视觉进行农作物病害诊断中，需要针对不同的病害研究相应的算法。针对扁豆病害叶片图像正常叶片和病斑相似度高的特征，本文提出了适合该类图片的剥离分割算法，并有效地剥离分割出病斑目标，为机器视觉对扁豆病害诊断提供了算法工具和实验基础。

本文算法通过结合分水岭变换，Otsu算法和FCM算法的聚类，采用二次分割方案实现。实验中发现对梯度抑制阈值δ具有较强的依赖，有待继续深入研究。

图1 扁豆白绢病分割比较

图2 扁豆白绢病剥离分割过程

图3 扁豆其他病分割效果

[1]田有文.典型农作物叶部病害计算机图像识别方法的研究[D].沈阳：沈阳农业大学，2005.

[2]谭峰，马晓丹.基于叶片的植物病虫害识别方法[J].农机化研究，2009，6（1）：41-43.

[3]赵进辉，罗锡文，周志艳.基于颜色与形状特征的甘蔗病害图像分割方法[J].农业机械学报，2008，39（9）：101-103.

[4]Cai Weiling，Chen Songcan，Zhang Daoqiang.Fast and robust fuzzy c-means clustering algorithms incorporating local information for image segmentation[J].Pattern Recognition，2007，40（3）：825-838.

[5]林开颜，吴军辉，徐立鸿.彩色图像分割方法综述[J].中国图象图形学报，2005，10（11）：1-10.

[6]Sowmya B，Sheela Rani B.Colour image segmentation using fuzzy clustering techniques and competitive neural network[J].Applied Soft Computing，2011，11（3）：3170-3178.

[7]Grau V，Mewes A U J，Alcañiz M.Improved watershed transform for medical image segmentation using prior information[J].IEEE，2004，23（4）：447-458.

[8]Gauch J M.Image segmentation and analysis via multiscale gradient watershed hierarchies[J].IEEE，1999，8（1）：69-79.

[9]李海燕.基于二次分水岭和归一化割的彩色图像分割技术的研究[D].哈尔滨：哈尔滨工程大学，2011.

[10]王宇，陈殿仁，沈美丽，等.基于形态学梯度重构和标记提取的分水岭图像分割[J].中国图象图形学报，2008，13（11）：2177-2180.

[11]Gonzalez R C，Woods R E，Eddins S L.数字图像处理（Matlab 版）[M].阮秋琦，译.北京：电子工业出版社，2005：315-319.

[12]任守纲，马超，谢忠红，等.基于分水岭和梯度的蝴蝶兰图像分割方法[J].农业工程学报，2012，28（9）：125-129.

[13]梁义涛，庞蕊，朱远坤.灰度图像二维Otsu折线阈值分割法[J].计算机工程与应用，2012，48（33）：178-182.

[14]许向阳，宋恩民，金良海.Otsu准则的阈值性质分析[J].电子学报，2009，37（12）：2716-2719.

[15]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（2A）：76-82.

LI Xuejun1,ZHAO Liliang2

1.School of Computer Science and Technology,Anhui University,Hefei 230601,China
2.Intelligent Computing and Signal Processing Laboratory,Anhui University,Hefei 230039,China

Traditional segmentation methods can obtain better result for these images which have distinct difference between the goal and background area.However these methods are difficult to obtain ideal disease speckle for diseased lentil leave images which have minor difference among normal leaves and disease speckles.So in this paper,it proposes a method that is suitable for diseased lentil leave images.This method has two stages including initial segmentation and secondary segmentation.Color gradient graph of these images is computed,then the Otsu algorithm is applied to eliminate lower gradient.Watershed algorithm is used to pre-segment the images,then a rough target zone based on zone area features is gained.FCM algorithm is applied to rough target zone.By analyzing difference between green alley of disease speckle and normal leaves,disease speckle is acquired.Experimental results show good effect of segmenting disease speckle with this method.

lentil diseased leaves;image segmentation;color gradient;watershed algorithm;Fuzzy C-Means（FCM）

传统的分割方法针对目标和背景灰度值差距大的图像能得到较好的分割效果，但在对正常叶片和病斑灰度值相似度高的扁豆病害叶片图像分割时，难以得到理想的目标病斑。针对该问题，提出了一种适合正常叶片和病斑相似度高的图像剥离分割方法。该方法包括初始分割和二次分割两个步骤。初始分割是基于样本图片的彩色梯度图，采用最大类间标准方差与分水岭相结合的算法获得病斑粗略区域。二次分割是对粗略目标区域进行模糊C聚类分割得到目标病斑。实验结果表明，该剥离分割算法能提高病斑分割精确度，较好地分割出病斑目标。

扁豆病害叶片；图像分割；彩色梯度；分水岭；模糊C聚类

A

TP391.41

10.3778/j.issn.1002-8331.1301-0049

LI Xuejun,ZHAO Liliang.Image segmentation of diseased lentil leaves for disease speckle.Computer Engineering and Applications,2014,50（23）：181-184.

国家自然科学基金（No.61003131）；安徽教育厅自然科学研究项目（No.KJ2010A032）。

李学俊（1976—），男，博士，副教授，研究领域为模式识别、智能软件；赵礼良（1988—），男，硕士研究生，研究领域为图像处理。E-mail：xjli@ahu.edu.cn

2013-01-07

2013-03-07

1002-8331（2014）23-0181-04

CNKI网络优先出版：2013-04-08,http://www.cnki.net/kcms/detail/11.2127.TP.20130408.1648.015.html