多尺度各向异性小波收缩图像分割算法在玉米病斑特征提取时的应用

朱焕，马文静，盛永生，台莲梅

（1.黑龙江八一农垦大学理学院，大庆　163319；2.烟台华侨学校；3.黑龙江八一农垦大学信息技术学院）

多尺度各向异性小波收缩图像分割算法在玉米病斑特征提取时的应用

朱焕1，马文静2，盛永生3，台莲梅3

（1.黑龙江八一农垦大学理学院，大庆163319；2.烟台华侨学校；3.黑龙江八一农垦大学信息技术学院）

通过选取基于LXF模型的水平集图像分割算法和快速FCM聚类图像分割算法进行对比研究，并将结合小波收缩与各向异性扩散优点的多尺度各向异性小波收缩图像分割算法应用于玉米病斑图像分割与特征提取中，该算法的分割效果明显优于前两种分割算法。

图像分割算法；LXF模型；快速FCM聚类；多尺度各向异性小波收缩图像分割算法；玉米叶部病斑

黑龙江省作为中国第一产粮大省，玉米种植面积常年稳定在6 000 hm2以上，玉米的产量和质量变化将严重影响粮食供给。因黑龙江积温带跨越大，对品种也有不同的需求。其中黑龙江垦区地处东北亚经济区位中心，是全国耕地规模最大、现代化程度最高，综合生产能力最强的国家重要商品粮基地和粮食战略后备基地，玉米种植面积已经超过了600 hm2。近年来，随着农业生产水平的提高、品种的更换及耕作的改变，玉米病害的发生和危害呈现加强趋势。尽管玉米病害症状多种多样，但是绝大多数的病害症状或多或少都会在作物的叶子上表现出来，使叶子的颜色、形状、纹理发生变化，出现病斑、斑纹分布，这为提取其病斑特征提供了可行性。

图像分割是把一个图像分割成若干个部分，有的部分是感兴趣的，有的部分是不感兴趣的，通过分割技术就是要把感兴趣的特征部分给提取出来，这部分特征包括图像的边缘或者某个区域等。图像分割方法的选择，很大程度上依赖于图像中的可变因素和不可变因素。因此，可以利用图像分割技术，分析病斑部分图像的形状特征建立图像识别病害类型的相关模型。

1　玉米病斑图像分割

图1给出了几种常见病斑的叶片图像，其中（a）～（e）分别为玉米大斑病、玉米叶枯病、玉米叶斑病、玉米灰斑病、玉米褐斑病。从图中可见，玉米叶片病斑从颜色上与叶片有较大的反差，形状上有各种形状，要想完整地将叶片上的病斑分割出来，且边缘精确，需要找到合适的方法。根据图像的特征，选取基于LXF模型的水平集图像分割算法和快速FCM聚类图像分割算法进行对比研究，并结合小波收缩方法与各向异性扩散的优点进一步研究了多尺度各向异性小波收缩图像分割算法。

图1　玉米叶片典型病斑图像Fig.1Corn leaf typical disease spot image

1.1基于LXF模型水平集的图像分割算法

水平集方法是一种跟踪界面移动的数值技术。在图像分割中使用时，将图像中像素灰度值相同的点看作同一水平集上的点，然后将图像看成三维空间中某一函数ψ（称为水平集函数）的零水平集，设定初始分割线内外的能量函数，然后根据能量演化为最小时的演化策略演化，推进函数，计算到要求时刻，找出此新时刻水平集函数的零水平集，得到图像中待分割区域的形状，图像的法向方向，曲率等由水平集函数的偏导数计算得出。该算法的优点是能够利用分割线内外的能量差来找到边缘位置，具有全局的特性，缺点是由于栅格本身的模型问题，得到最优结构边界是一种锯齿形的边界，需要进行平滑处理。

基于LXF模型水平集的图像分割算法是在运用传统的水平集方法过程中，将初始水平集函数采用初始曲线计算的符号距离函数来代替，其公式为：

当水平集函数不能用符号距离函数表示时，可能是在迭代的过程中，水平集函数发生了退化，所以必须重新初始化水平集函数，目的是为了重新将水平集函数用符号距离函数代替，使得此数值解法保持稳定。

利用对Hamilton-Jacobi方程的计算能够标准的对水平集函数重新初始化，其公式如下：

然而对水平集重新初始化成符号距离函数的计算量比较大，这是由于在演化的过程中，对水平集函数的校正是周期性操作的。基于LXF模型水平集的方法采用LXF模型中在主动轮廓模型的水平集中加入距离约束信息来解决这一问题，亦即不用进行重新初始化水平集函数，就能使水平集函数趋近于符号距离函数，这种方法可以减少计算量从而节约计算时间。

算法效果如图2所示，图（a）为原始图像，（b）、（c）分别为原始图像（a）的传统水平集分割图像和基于LXF模型水平集的分割图像，从中可以看出，基于LXF的模型的水平集图像分割算法在玉米病斑图像分割上，效果好于传统水平集分割算法，但是仍然存在一些问题，如图像（c）中右上角红色的部分，把非病斑部分识别成病斑部分。

图2　传统水平集和基于LXF模型水平集的玉米病斑图像分割效果图Fig.2The corn disease spot segmentation image based on traditional level set and LXF model level set

1.2快速FCM聚类图像分割算法

FCM算法是属于模糊分割领域中的一种聚类算法，是由Dunn将模糊集理论引入到C均值聚类算法中所提出的，该算法用隶属度函数定义聚类损失准则函数Jf来取代误差平方和准则函数Je，然后通过最小二乘原理进行迭代优化以完成聚类分割。

用传统的FCM聚类算法进行图像分割时，由于图像中数据点（样本点）的数量很大，因此特征树较多，使得算法的迭代收敛速度比较慢，聚类初始化较困难。而采用快速FCM聚类算法，可以大大减少迭代次数，从而提高算法效率。快速FCM算法，是利用灰度级来替换图像中的数据样本，将灰度直方图引入到FCM算法中，这样可以减少该算法的计算量，提高了这种算法的速度。运用直方图的快速FCM聚类算法的函数的公式如下：

快速FCM聚类的聚类迭代过程与传统的FCM聚类相同。该方法首先确定聚类数目M和模糊加权指数b，初始化各个聚类中心ck或者隶属度函数μk，然后将初始值M，b和ck或μk代入迭代式中，迭代更新聚类中心和隶属度函数，直到隶属度函数取值稳定时算法收敛，模糊聚类划分完成。在聚类结束后，可以根据最大隶属度原则将聚类结果去模糊化，从而完成图像分割。

算法效果图如图3所示，图（a）为原始图像，（b）、（c）分别为图（a）的传统FCM聚类分割结果和快速FCM聚类分割结果，通过观察可以看出快速FCM要比传统FCM的分割效果好一些，通过颜色来判断，（b）图像的玉米病斑部分为黑色标识，也就是说黑色部分都被机器认为是病斑，（c）图像的玉米病斑部分为白色标识，也就是说白色部分都被机器认为是病斑，通过与原始图像对比，可以看出（b）图像的分割效果要比（c）图像差很多，表现在（b）图像把非玉米病斑部分也分割出来了，而（c）图像并没有。

图3　FCM聚类玉米病斑分割图像Fig.3The corn disease spot segmentation image based on FCM cluster

1.3多尺度各向异性小波收缩图像分割算法

根据前面的多尺度分割思想，以及小波收缩与各向异性扩散的等价性，提出如下多尺度各向异性小波收缩图像分割算法（MAWSIS）：

（A）初始化k=0，尺度数S；

（B）对图像进行各向异性小波收缩，收缩公式如前；

（C）利用ICM算法选择多阈值，并将图像分成连通分量的并；

（D）如k＞0果，连接k-1尺度与k尺度间满足式（1.4）和式（1.5）的连通分量，建立尺度间连通分量的父子关系，k=k+1；

（E）如果k≠S，返回（B），否则，对于尺度空间栈中具有父子关系的水平集连通分量，将在S尺度中同一父亲的所有在0尺度的孩子结点合并生成分割图像。

2　玉米病斑图像分割实验及分析

下面对前面所提到的三种算法进行对比实验研究，实验采用了4幅由索尼DSC-W350D型号相机，在自然条件下拍摄玉米病斑图像作为实验原始图像，三种算法效果对比分别如图2所示。

图4中，（a）列为原始图像，（b）列为基于LXF模型水平集的图像分割算法的分割结果，（c）列为快速FCM聚类图像算法的分割结果，（d）列为提出的多尺度各向异性小波收缩图像分割算法的分割结果。

图4　算法对比效果Fig.4Effect of algorithm contrast

由于基于LXF模型水平集的图像分割算法隶属于水平集算法，因此在运行时，需要人为的指定迭代次数，经过多次试验，对现有的原始图像进行LXF模型水平集处理，在分割趋于稳定时，记录下迭代次数，最终选定迭代的次数为5 000。从图中可以看出，该算法对（a2）图的分割结果（b2）效果较好，分割玉米病斑部分准确，只是外带了一小部分的叶脉部分，其他的分割效果都不理想，没有把玉米病斑部分分割清晰，多余部分较多，对后期的处理会有不利的影响。

在快速FCM聚类图像分割算法实验中，为了保证一致性，需要初始化统一的参数cluster_num，threshold，m，iter_num四个参数，通过这四个参数来计算初始化的隶属度和聚类中心，从而保证了隶属度和聚类中心的初始化一致性。四个参数的值分别为cluster_num=4，threshold=0.000001，m=1.75，iter_num=100，得出的效果如图中（c）列所示。从图中可见，（c1）、（c2）、（c4）效果相对较好，图像可以用唯一的颜色区别出病斑部分和其他叶片部分，（c3）的病斑部分和右上角的背景部分用同一种颜色标识，证明识别的分割不是很准确。但从总体上来说，FCM分割的图像不能很好地去除背景并且不能还原原始背景及进行分割，在显示效果上不是很好。

在应用多尺度各向异性小波收缩图像分割算法的过程中，尺度定为2 048，分割得到的效果图如图中（d）列所示。从图中可见，（d1）-（d4）的分割效果都非常好，可以清晰地看到（d1）图像多余分割出了部分叶片，而（d2-d4）分割准确。进一步分析，（d1）图像多出的部分应该是由拍摄时的光线导致的，叶片不同的部位感光程序不一致，作为叶脉部分自然和叶片部分不相同，因此导致了分割的失误。

根据前述算法的对比研究，多尺度各向异性小波收缩的图像分割算法对玉米叶片病斑进行图像分割，能更好地满足应用的需求。

［1］朱景福，李雪. 聚类算法在玉米叶片病斑降维识别中的应用［J］. 江苏农业科学，2015，43（1）：405-406.

［2］朱景福，李雪，闫超. 基于流形学习算法的玉米叶部病斑图像降维与聚类分析［J］.中国农机化学报，2015，36（2）：80-83.

［3］彭慧.基于智能化分配算法的计算机负荷并行处理技术研究［J］.赤峰学院学报：自然科学版，2015，31（1）：21-23.

［4］马晓丹，关海鸥，黄燕. 基于图像处理的玉米叶部染病程度的研究［J］.农机化研究，2009，31（11）：102-104.

［5］邓立苗，唐俊，马文杰.基于图像处理的玉米叶片特征提取于识别系统［J］.中国农机化学报，2014，35（6）：72-75.

［6］张柏毅，朱景福.基于LXF模型水平集的玉米叶部病斑图像分割［J］.黑龙江八一农垦大学学报，2012，24（3）：71-74.

［7］朱景福，黄凤岗. 小波收缩与各向异性扩散等价性框架及在图像去噪中的应用［J］.电子与信息学报，2008（3）：524-528.

［8］朱景福，黄凤岗.各向异性小波收缩用于图像分割［J］.中国图像图形学报，2010，15（10）：1485-1490.

［9］朱景福，闫超. 基于C#的玉米叶片病斑图像数据库系统设计［J］.中国农机化学报，2014，35（2）：298-301.

［10］闫超，李雪.基于C#的图像数据库中图像缩略图索引实现方法［J］.黑龙江八一农垦大学学报，2013，25（2）：78-80.

Application of Multi-scale Anisotropy Wavelet Shrinkage Image Segmentation Method for Features Extraction of Corn Leaf Disease Spot

Zhu Huan1，Ma Wenjing2，Sheng Yongsheng3，Tai lianmei3
（1.College of Sciences，Heilongjiang Bayi Agriculture University，Daqing 163319；2.Yantai Overseas Chinese Middle School；3.College of Information and Technology，Heilongjiang Bayi Agriculture University）

Through the contrast research with LXF model-based levelset image segmentation method and quick FCM cluster image segmentation method，and multi-scale anisotropy wavelet shrinkage image segmentation method was applied to segmentation and features extraction of corn leaf disease spot image，the method combined the advantages of wavelet shrinkage and anisotropy diffusion.Experiment results showed that the segmentation effect of the method was better than former two methods.

image segmentation method；LXF model；quick FCM cluster；multi-scaleanisotropywaveletshrinkageimage segmentation method；corn leaf disease spot

S482

A

1002-2090（2016）02-0136-05

10.3969/j.issn.1002-2090.2016.02.028

2015-08-25

黑龙江八一农垦大学校博士启动金项目（基于计算机视觉的玉米病害研究：XDB2009-17）。

朱焕（1982-），女，讲师，哈尔滨理工大学毕业，现主要从事数据结构、图像处理方面的研究工作。