基于显著性检测与模糊C均值聚类算法的叶片病斑区域提取方法

郭三华

摘要： 针对自然场景下获取的叶片病斑图像，提出利用图像显著性检测与模糊C均值聚类方法相结合的叶片病斑区域提取方法。首先，利用SLIC（simple linear iterative clustering）方法结合马尔科夫吸收链进行图像显著性检测，获取显著图，实现符合视觉特征的显著区域检测；其次，利用模糊C均值聚类算法对显著图进行分割，进而获取二值化后的叶斑图像；最后，结合原始图像获取最终叶片病斑区域。试验结果表明，叶片病斑区域提取比较准确，满足病斑进一步处理和分析的要求。

关键词： 自然场景；叶片病斑；显著性检测；模糊C均值聚类算法；区域提取

中图分类号： TP391.41 文献标志码： A

文章编号：1002-1302（2017）22-0236-03

植物叶片病斑的形状及其特征直接反映其所受病害的种类及程度，因此叶片病斑的提取成为当前研究植物病害的热点和难点问题。随着人工智能技术、数字图像处理技术的发展，越来越多的研究人员将数字图像处理技术、模式识别技术应用到植物叶片病斑的提取过程中。祁广云等将改进的遗传算法应用到大豆叶斑图像的提取过程中[1]。吴露露等提出利用色度学模型、边缘提取、形态学相结合的水稻叶瘟病斑的检测[2]。王建玺等提出利用中值滤波技术结合快速C模糊聚类进行烟叶病害识别[3]。但上述各类研究只是针对特定场景下的图像分析，而且运算较复杂，对于噪声敏感性比较强[4]。针对于此，提出利用图像显著性检测与模糊C均值聚类算法相结合的叶片病斑提取方法。

叶片病斑可确定为整个获取图像中的显著性区域，对于显著性区域的检测可分为2类计算模型[5]。一类是基于低级视觉特性的自下向上计算；一类是基于高级视觉特性的自上而下计算。前者模型是由数据驱动，整体处理速度较快，后者由任务和知识驱动，需要对大量图像数据库进行学习，检测结果受观察目的性限制，通用性差，计算速度比较慢[6]。所以当前很多显著性检测多采用自下向上的计算模型。在自下向上的计算模型中，Harel等将概率统计应用到显著性检测过程中，提出GBVS（Graph-Based Visual Saliency）算法，对图像中不同像素建立马尔科夫链，通过其平稳分布计算图像中的显著性，显著性检测效果显著，但计算复杂度比较大[7]。本研究采用SLIC（simple linear iterative clustering）方法结合马尔科夫吸收链的图像显著性检测方法[8]，对叶片病斑的显著性区域进行检测。对获取的显著性区域通过模糊C均值聚类方法获得最终的病斑分割区域，进而实现病斑的提取，该方法可充分利用自然场景下获取的叶片病斑图像，实现良好的病斑区域提取。

1 显著性检测

SLIC方法结合马尔科夫吸收链的显著性检测方法主要分为2个步骤：（1）提取图像的超像素及其特征；（2）以图像中的超像素点作为节点，连接各个节点对图像分割，利用马尔科夫链方法检测显著区域。

Achanta等提出的SLIC算法在较短时间内获得区域一致性强、边缘结合度高的超像素区域[9]。假设图像的边界作为背景，并设置边界节点为吸收节点，利用SLIC对图像进行分割，将各超像素点作为节点，根据马尔科夫链状态转移概率的概念，节点间的状态从一个状态转移到另一个状态，一般都向转移概率大的状态转移，最后都会转移到概率为1的状态（即边界节点处），达到吸收状态不再转移[10]。利用空间距离和节点间的转移概率2个主要方面计算各个节点到吸收节点的转移概率。显著性特征比较明显的区域，节点间的转移次数多、转移时间长，在显著图中区域颜色较亮，其他区域在显著图中的颜色较暗。

具体实现步骤如下：

（1）首先使用SLIC算法对图像进行分割，将图中各超像素点作为节点，定义边界上的节点为吸收节点，其余节点为临时状态节点，并使得边界上的吸收状态节点保持不相连，临时状态节点为相连。

3 试验分析

试验采用数码相机所拍摄的3组自然场景下的叶片病斑图像进行分析。将本研究所提取的显著图，利用模糊C均值聚类算法进行分割，并与文献[13]所采用的OSTU算法分割结果进行了比较，其整体结果图分别如图1、图2、图3所示。试验结果表明，该方法能够有效地实现叶片病斑区域的提取。

4 結论

针对自然场景下的叶片病斑图像，结合图像显著性区域检测与模糊C均值聚类方法，对叶片病斑区域进行了提取。在SLIC方法结合马尔科夫吸收链的图像显著性检测结果基础上，将模糊C均值聚类方法应用到显著图的分割过程中，并与传统的OSTU分割方法比较，结果表明整个提取方法合理有效，但也存在在一些边界处理不是很理想的情况，需要进一步优化模糊C均值聚类算法，使整体的运行效果和速度得到进一步优化。

参考文献：

[1] 祁广云，马晓丹，关海鸥，等. 采用改进遗传算法提取大豆叶片病斑图像[J]. 农业工程学报，2009，25（5）：142-145.

[2]吴露露，郑志雄，齐 龙，等. 基于图像处理的田间水稻叶瘟病斑检测方法[J]. 农机化研究，2014（9）：32-35.

[3]王建玺，徐向艺. 基于图像处理和模糊识别技术的烟叶病害识别研究[J]. 现代电子技术，2015，38（8）：4-7.

[4]田 凯，张连宽，熊美东，等. 基于叶片病斑特征的茄子褐纹病识别方法[J]. 农业工程学报，2016（增刊1）：184-189.

[5]张 辉. 图像显著性计算模型的研究[D]. 北京：中国科学院大学，2013：47-48.

[6]陈 曦，范 敏，熊庆宇. 基于马尔科夫链的显著性区域检测算法研究[J]. 计算机工程与应用，2016，52（7）：171-175.

[7]Harel J，Koch C，Perona P.Graph-based visual saliency[J]. Proceedings of Advances in Neural Information Processing Systems，2007，19：545-552.

[8] Sun J，Lu H，Liu X.Saliency Region Detection Based on Markov Absorption Probabilities[J]. IEEE Transactions on Image Processiong，2015，24（5）：1639-1649.

[9]Achanta R，Shaji A，Smith K，et al.SLIC superpixels compared to state-of -the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（11）：2274-2282.

[10] 李毅辉，蔡 勋，王怀晖. 基于视觉机制的图像显著性检测与提取[J]. 系统仿真学报，2014，26（9）：2180-2184.

[11]姜 丽. 模糊C均值聚类的理论与应用研究[D]. 杭州：浙江工商大学，2010：32-33.

[12]李志梅. 基于模糊聚类的图像分割算法研究[D]. 长沙：湖南大学，2008：15-17.

[13]李晓明，沈学举，刘 恂，等. 基于OSTU算法的激光光板图像提取研究[J]. 激光杂志，2015，36（7）：72-73.endprint