基于改进FCM的作物病害图像分割方法研究

曹晓丽 齐国红 井荣枝

Abstract： Focused on the problem of the low segmentation accuracy， a disease segmentation method is proposed based on improved FCM（Fuzzy C Means）. The local spatial information and gray level information of the pixels of the image are considered， and more accurate local spatial information is calculated，which could reduce noise， better preserve the details of the image， thereby make the image segmentation effect more accurate. By Choosing the cucumber disease leaves to verify the algorithm of this paper， and compared with other segmentation methods， the experimental results show that the proposed method is effective and its segmentation accuracy rate is 97.81%.

引言

中國是一个农业大国，农作物的产量直接影响国民经济发展和人们生活的高追求实现。近年来，由于生态环境的问题突显，作物自身对环境的耐受能力也在变差，导致作物病害日益恶化，病害种类也在持续增多，直接影响着作物产量、质量和口味[1-3]。之前，作物病害的检测和识别大多依赖于经验丰富的农耕人员和实验室病理学分析的研究人员。其中，借助于农耕人员存在个人主观性强的缺点，借助于研究人员虽然准确度好、但是花费较高[4]。国内大部分从事农业耕作的一线人员并非是植保专家，缺乏对病害诱因病理学专业分析的深厚学识，无法根据早期症状对病害做出判断甄别。一旦发现了作物病害，为了干预病情蔓延，无差别、大剂量地使用农药，一方面，延误了预防的最佳时期，另一方面，农药的过度使用也将降低作物果实的出产品质。从长远发展来看，既对资源造成浪费，又破坏了生态可持续发展。

由于作物病害种类繁多，不同病害表现出来的特点千差万别[5]，而且常常以不同的特征分属多种类别，因而就对图像分割的结果精度造成不利影响。将模糊聚类的思想运用到像素点分类中，可以有效解决像素点不确定归属问题。此时，根据模糊聚类的思想可以将图像中的像素点根据隶属度函数进行类别确定，属于无监督的分类。模糊C-均值聚类（FCM）根据作物病害图像中背景和病斑像素点的属性不同给出类别划分，首先确定类别数c，计算图像像素点和聚类中心的加权相似度，根据目标函数，对目标函数进行迭代化最小计算，确定像素点属于病斑和背景的最佳分割度。毛罕平等[6]结合模糊C-均值聚类（FCM），提出了自适应分割算法，将其运用到棉花病害中，得到了良好的病斑图像。马旭等[7]研究了无监督的模糊C均值方法，仿真验证后的结果显示有效提高了分割准确率。但是，前述研究中的FCM进行图像分割时，没有考虑像素空间信息的问题，基于此，本文研发提出了一种基于改进FCM的作物病害图像分割算法。研究内容论述如下。

从图2的分割结果和表1的分类正确率可以看出，本文算法分割出来的病斑更为完整，分割正确率为0.978 1，与其它2种算法相比较，分割准确度更好，正确率更高。

3结束语

在研究现有作物病害图像分割的基础上，提出改进FCM用于作物病斑图像分割，实验结果表明，该方法能够较为准确地将病斑分割出来。与学界经典的双阈值、改进前的FCM分割结果进行对比可知，本文提出的改进FCM算法能够避免正常绿色区域、及病害叶片的轮廓均被误判为病斑部分的问题弊端，为后续病斑的识别提供了技术基础。基于计算机视觉技术在图像处理方面所表现出来的长足优势，将作物病害的分割和识别带入了物联网时代，加速了现代化农业发展的新进程。尤其是作物的远程检测，不但可以随时了解作物的生产状况，又节省了人员的时间和精力，经济效益非常可观。所以开展关于如何将病害图像从作物病害叶片中准确分割出来的研究，及时进行病害防治，对于作物产量的提高具有十分重要的意义。

参考文献

[1] 穆亚梅，马国俊. 基于物联网的苹果树病虫防治专家系统的设计与应用[J]. 自动化与仪器仪表， 2012，10（5）：89-90.

[2] 王文山，柳平增，臧官胜，等. 基于物联网的果园环境信息监测系统的设计[J]. 山东农业大学学报（自然科学版），2012，43（2）：239-243.

[3] DUNN J C. Well-separated clusters and the optimal fuzzy partitions[J]. Journal of Cybernettics，1974，4（1）：95-104.

[4] BEZDEK J C. Pattern recognition with fuzzy objectve function Bezdek J C. Pattern recognition with fuzzy objective function algorithms[M]. Norwell， MA， USA：Kluwer Academic Publishers，1981.

[5] CHENG H D， JIANG H X， SUN Y， et al. Color image segmentation： Advances & prospects[J]. Pattern Recognition， 2001，34（12）：2259-2281.

[6] 毛罕平，张艳诚， 胡波. 基于模糊C均值聚类的作物病害叶片图像分割方法研究[J]. 农业工程学报，2008，24（9）：136-140.

[7] 马旭，齐龙，张小超. 基于模糊聚类的玉米大斑病害图像的分割技术[J]. 农机化研究，2008（12）：24-26.