混合颜色特征下番茄叶霉病病斑双层K-means聚类分割方法

秦立峰，张延苏

(1.西北农林科技大学机械与电子工程学院，陕西杨凌 712100；2.农业部农业物联网重点实验室，陕西杨凌 712100)

叶霉病是常见的番茄病害之一，目前病害检测工作主要依靠人工手动查找、筛选、测量植物叶片的病斑来完成，工作效率低，任务繁琐，且识别准确率不高。致病菌使叶片组织发生畸变，在外观上与健康叶片不同。因此，可采用图像处理技术进行番茄叶部病斑的自动分割提取，可以提高准确率和工作效率，实现蔬菜病害自动诊断，是农业信息化技术领域的一个重要研究方向[1-4]。

目前对蔬菜叶部病斑分割主要有特征阈值法和聚类法。最大类间方差法[5]是确定最佳阈值的基本方法。张晴晴等[6]采用改进的最大类间方差法来分割黄瓜叶片中的病害部位。吴娜等[7]提出基于混合颜色空间的双次Otsu的黄瓜靶斑病图像分割算法，分别通过R分量和非背景类的Cr分量进行2次Otsu操作，得到最终的分割结果，为病斑分割提供了一种新思路。聚类法分割是将图像像素根据某特征聚类为病斑类和非病斑类，从而获取病斑区域。张柏毅等[8]采用模糊C-均值聚类算法在图像中分离出病斑，避免了背景的混淆。张星龙等[9]针对有阴影影响的病斑叶片，采用最小熵法推算出光源不变图，用K-means聚类提取出病斑，稳定性和分割精度都比在H分量下处理的效果好。李灿灿等[10]对受光照影响较强的叶片采取2次K-means聚类的植物叶片图像叶脉提取，克服了光照不均匀问题，降低了误分割率。秦丰等[11]结合K中值聚类算法和线性判别分析的分割方法对病斑图像进行分割，获得了较好的分割效果。

尽管目前对蔬菜病斑分割方法的研究已取得了很大进展，但不同蔬菜病害种类繁多，各具自身特点，方法没有通用性。在阈值法中引入识别参数过多，构建模型复杂，泛化能力差且实时性不高[12]；聚类法对特征显著性的要求高，较难适用于复杂环境。针对这些问题，笔者提出了多颜色特征双层K-means聚类的番茄叶霉病病斑分割算法。

1 番茄叶霉病病斑双层K-means聚类分割算法

由于番茄叶片图像较复杂，病斑部位受到健康叶片、泥土、茎秆、杂草等背景的干扰，所以单颜色特征难以完成分割，须采用多颜色特征融合的方法。但是，当特征较多时，最佳阈值难于搜索；而单次K-means聚类也很难获得满意的分割结果。因此，该研究提出基于多颜色特征双层K-means聚类的病斑分割算法。

在I分量下病斑和背景的I值大小相差较多，据此可先剔除背景。首先将彩色图像经过公式转化转换到HSI模型，提取图片的I分量。根据图像内容亮度，可将图像中的对象分为4种：第1种亮度最大，包括一些病斑部位和受光照强烈的叶片；第2种由亮度较大的病斑部位组成；第3种亮度稍暗，包括叶片亮度小的部分和暗的背景的部分；第4种为亮度最低的背景。因此，聚类数设定为k=4。

第一层聚类后，提取出亮度最大的前2类目标，即病斑和受光照强烈的叶片部分的二值图像。以此二值图像为掩膜处理原彩色图像，取非黑色像素的a*、b*分量，进行第2层K-means聚类。聚类数设为2，即为病斑和非病斑两部分，如图1所示。其中，图1(c)为I分量第一层K-means聚类后提取的有病斑叶片，已较好地去除背景；图1(d)图是将图1(c)在La*b*分量下提取a*、b*分量进行第2次K-means聚类后的二值图像。

2 试验结果与分析

为验证提出的多颜色特征双层K-means聚类算法的性能，在西北农林科技大学园艺学院温室蔬菜大棚采集21幅图片并进行病斑分割试验，图像大小为256×256，图像为jpg格式。用提出的分割算法与另外3种分割算法对图片进行分割处理，结果如图2所示。

图1 HSI与La*b*颜色空间组合下的双层K-means聚类Fig.1 Double-layer K-means clustering under the color space combination of HSI and La*b* color space

图2 4种分割方法效果对比Fig.2 The effect comparison among 4 segmentation methods

图2(a)为原始病斑图像；图2(b)为R通道采用Otsu法的分割结果；图2(c)为HSI空间中采用H和I特征双层K-means聚类后的病斑部位，首先在色调H分量下第一次K-means聚为4类，背景分别为叶片、土地、健康叶片和病斑；再将H值较大的2类像素采用I分量做二次K-menas聚类分割，最终取亮度大的像素点作为分割结果。图2(d)为La*b*空间中利用a*b*特征聚类，聚类数设为5，取聚类值最大的作为分割结果。从图2可以看出，R通道的Otsu算法分割结果包含大片非病斑区域；H+I双层聚类与a*b*特征K-means聚类结果较接近，但也存在较多噪声；提出的算法分割结果较前3种方法更加精确。

用假阳性率(False positive rate，FPR)、假阴性率(False negative rate，FNR)、重叠系数(Re)对病斑分割结果进行评价分析。使用Photoshop软件将采集的病斑图像进行手动病斑分割，并将分割的病斑像素数作为标准结果。在21幅番茄叶霉病病害图像上进行试验，统计FPR、FNR和Re值，其中基于K-means聚类的分割算法分别独立进行5次，统计各指标平均值，结果如表1所示。由表1可知，基于I分量和a*b*分量的双层K-means聚类分割的平均假阳性率为1.22%，平均假阴性率为3.52%，平均重叠系数为97.53%，表明采用此方法的试验结果误差较小，具有较高的准确性。

表1分割结果的假阳性率、假阴性率和重叠系数

Table1Thefalsepositiverate,flasenegativerateandoverlapcoefficientofseqmentationresults

图片编号No.ofimages像素数Numberofpixels(ps)假阳性率Falsepositiverate∥%假阴性率Falsenegativerate∥%重叠系数Overlapcoefficient(Re)∥%1623870.576.5295.462625660.037.2694.983628071.454.5896.864626191.726.2995.665587740.460.9999.216608676.084.4096.757598330.551.5098.848613431.453.7497.299617761.414.3296.9210590190.731.0599.1711599041.522.5498.0512597580.212.7097.9213584510.780.7199.4214589712.911.2099.0415554541.343.5597.5316667680.1611.4893.2817552721.103.4997.5318582170.260.1099.9119595840.672.3898.1520592521.351.9298.4921607210.833.2697.58平均Average602071.223.5297.53

3 结论

笔者提出了多颜色空间双层K-means聚类的番茄叶霉病病斑分割方法，通过I分量和a*b*分量下进行2次K-means聚类分割病斑。该试验结果表明，21幅病害图像分割结果的平均重叠系数为97.53%，平均假阳性率为1.22%，平均假阴性率为3.52%，表明该算法有较高的精度，分割效果好，可作为进一步病害程度诊断研究的基础。

[1] 刁智华，刁春迎，魏玉泉，等.精准施药机器人关键技术研究进展[J].农机化研究，2017，39(11)：1-6.

[2] 马浚诚，温皓杰，李鑫星，等.基于图像处理的温室黄瓜霜霉病诊断系统[J].农业机械学报，2017，48(2)：195-202.

[3] 赵建敏，薛晓波，李琦.基于机器视觉的马铃薯病害识别系统[J].江苏农业科学，2017，45(2)：198-202.

[4] 徐凯宏，米雅婷，谷志新.基于GA-BP神经网络的温室番茄病害诊断[J].江苏农业科学，2016，44(4)：387-390.

[5] 张善文，张云龙，尚怡君.1种基于 Otsu 算法的植物病害叶片图像分割方法[J].江苏农业科学，2014，42(4)：337-339.

[6] 张晴晴，张云龙，齐国红.基于最大类间方差法的黄瓜病害叶片分割[J].安徽农业科学，2017，45(12)：193-195.

[7] 吴娜，李淼，袁媛，等.基于混合颜色空间和双次Otsu的黄瓜靶斑病图像分割[J].中国农业大学学报，2016，21(3)：125-130.

[8] 张柏毅，朱景福，刘勇.基于模糊C-均值聚类的作物叶部病斑图像分割[J].智能计算机与应用，2011，1(5)：50-51.

[9] 张星龙，冯全，杨梅，等.基于光源不变图和聚类算法的叶片阴影中病斑的分割[J].西北农林科技大学学报(自然科学版)，2015，43(10)：189-194.

[10] 李灿灿，王宝，王静，等.基于K-means聚类的植物叶片图像叶脉提取[J].农业工程学报，2012，28(17)：157-162.

[11] 秦丰，刘东霞，孙炳达，等.基于图像处理技术的四种苜蓿叶部病害的识别[J].中国农业大学学报，2016，21(10)：65-75.

[12] 吴掬鸥，袁晓桂.基于阈值分割技术的图像分割法研究[J].现代电子技术，2016，39(16)：105-107.