基于颜色差异性的植物叶片病害图像分割方法

计甜甜　李泽彬　赵江东

摘要：针对植物叶部病害图像的复杂性，结合植物叶部病害彩色图像的特点，提出了一种基于颜色差异性的植物叶部病害彩色图像分割方法。对采集的植物叶部病害图像，利用GrabCut算法对其进行背景分割，去除田间复杂环境背景；对其采用中值滤波和图像锐化处理，以尽可能保留图像的病害区域和边缘细节；再对处理后的图像，分别转换到基于生理特性的Lab颜色空间和YUV空间，结合Otsu方法，分别对图像的Lab灰度图及YUV空间的单通道灰度图进行二次分割；对二次分割的两幅图进行与操作，将其转换到RGB空间，即可得到最终的分割结果。利用该方法对常见的大豆、玉米、油菜、黄瓜等多种植物常见的多种叶部病害彩色图像进行了分割试验。结果表明，该方法取得了比较精确的分割图像，并且在抗噪性能、边缘细节保护和分割效率等方面也有很好的效果。

关键词：植物；叶部；彩色图像分割；颜色差异；最大类间方差法

中图分类号：TP391 文獻标识码：A

文章编号：0439-8114（2018）18-0094-04

DOI：10.14088/j.cnki.issn0439-8114.2018.18.024 开放科学（资源服务）标识码（OSID）：

Segmentation Method for Plant Leaves Disease Based on Color Difference

JI Tian-tian，LI Ze-bing，ZHAO Jiang-dong，YAO You-feng，HUANG Ji

（West Anhui University，Luan 237012，Anhui，China）

Abstract： In view of the complexity of plant leaves images， combining with the characteristics of plant color leaves images，a color image segmentation method based on color differences was presented. Firstly，the images of the diseased plant leaves were collected，use GrabCut algorithm to segment the complex field environment background. Then，use median filtering and image sharpening method to preserve the image of disease area and edge detail. Next，the processed images are converted to Lab color space and YUV color space which based on physiological characteristics. Combined with Otsu method，the images of Lab grayscale and single channel grayscale of YUV color space are subdivided respectively. Finally，the two subdivision of the two figures and operations，its conversion to RGB color space，you can get the final segmentation results. The method was used to segment the common color images of leaves diseases plants such as soybean，corn，rape and cucumber. The experimental results showed that this method can obtain more accurate segmentation，Edge detail protection and segmentation efficiency also have good results.

Key words： plant；leaves；color image segmentation；color difference；Otsu

植物作为人类生存和发展必不可少的资源，对人类的生存环境和日常生活都起着重要作用[1]。然而，植物病害对其生长影响很大，尤其是农作物、经济作物等，与人们日常生活息息相关[2]。随着人工智能和模式识别技术的发展，数字图像处理等技术已在植物病害的识别诊断中得到普遍应用，并取得了不错的成效[3-5]。

图像分割是图像分析处理的第一步，其目的是将目标区域从图像中的其他区域中分割出来，其处理效果直接关系到后面特征提取与识别结果的准确性[6，7]。因此，如何精确地从病害图片中分割出病害区域显得尤为重要。目前，植物叶部病害图像的复杂性和分割重要性吸引了国内外很多学者对其进行相关的研究，并公布了诸多优秀的方法和成果。如张善文等[8]提出了一种基于Otsu算法的植物病害叶片图像分割方法，对背景类的图像具有较好的分割效果。张芳等[9]通过对复杂环境下的黄瓜病害叶片的研究，采用K-均值聚类算法结合基于LOG算子的方法将需要分割叶片进行区域检测，然后进行基于形状上下文的模板匹配和分割，对复杂环境下的黄瓜叶部病害的分割取得了理想的分割效果。伍艳莲等[10]对均值漂移算法进行改进，将图像的空间信息和颜色信息合并起来，提出的改进算法对绿色农作物的背景分割效果显著。虽然上述针对某种条件下的植物某类叶部病害图像具有良好的分割效果，但不具普适性，且对噪声比较敏感。

本研究結合Otsu对背景类的分割优势和叶部病害的颜色差异性，提出了一种基于颜色差异性的植物叶部病害彩色图像分割方法。首先，对采集的植物叶部病害图像，利用GrabCut算法对其进行背景分割，除去田间环境背景；然后，对其采用中值滤波和图像锐化处理，以尽可能保留图像的病害区域和边缘细节；再对经过处理后的图像，分别转换到基于生理特性的Lab颜色空间和YUV颜色空间，结合Otsu方法，分别对图像的Lab灰度图及YUV颜色空间的单通道灰度图进行二次分割；最终，对二次分割的两幅图进行与操作，将其转换到RGB空间，即可得到最后的分割图像。该算法能很好地实现复杂背景下植物叶部病害区域的提取，为后期病害的分析和识别工作奠定了良好的基础。

1 材料与方法

1.1 图像采集

通过与安徽省农业科学院合作，在其农作物种植基地，利用尼康D7000数码相机采集大豆、玉米、油菜、黄瓜等4种作物的多种叶部病害图片1 000余幅。所有图片均是以大田开放环境在自然光照条件作物叶片为对象，手动调节光圈和焦距，采集病害发生的整个叶部及局部叶部图像，图片保存格式为JPG格式，分辨率是2 000×1 328。部分采集的样本如图1所示。

植物叶部病害图像的分割方法：①将叶片从复杂的背景中分割出来；②从叶片环境中将病害区域提取出来，以进一步分析处理。本研究的主要是第二步的分割操作方法。鉴于采集的叶片样本的背景环境复杂，采用了GrabCut算法对其背景分割做预处理，得到了叶片病害样本。图1样本中背景分割图如图2所示。

1.2 改进的Otsu方法

设t为设定的阈值，？琢0为分开后前景像素点数占图像的比例，？茁0为分开后前景像素点的平均灰度；？琢1为分开后背景像素点数占图像的比例，？茁1为分开后背景像素点的平均灰度[14]，则图像总平均灰度为u=？琢0×？茁0+？琢1×？茁1，从L个灰度级遍历t，使得t为某个值的时候，前景和背景的方差最大，即g=？琢0×（？茁0-u）2+？琢1×（？茁1-u）2最大，则t值是最佳阈值。考虑到方差g的计算复杂，采用的是其等价公式，即g=？琢0×？琢1×（？茁0-？茁1）2。

1.3 分割算法

植物叶部病害图像中，其颜色信息丰富，且病害区域与正常部位存在颜色差异性。但这种差异性在灰度图上的灰度级上存在不连续性[15]。因此，结合灰度图的Otsu方法，提出了一种基于颜色差异性的植物叶部病害彩色图像分割方法，其算法流程如图3所示。

算法的具体步骤如下：

1）对采集的图像利用GrabCut算法进行背景分割处理，去除采集的叶片周边较复杂的背景环境。

2）对背景处理后的图像，采用中值滤波的方法进行平滑去噪处理，以去除图片传输处理过程中的噪声影响且能很好地保护病害区域的边缘。鉴于去噪过程中，会使得图像的整体细节变得模糊，去噪后对图像进行锐化处理。由于病害区域的边缘信息和内部信息区分不是很明显，故本研究采用的是对细节信息有更强响应的二阶差分模板（Laplacian算子）来对其进行锐化处理，图像的运算模板如图4所示。

3）对于处理后的图像，分别转换至Lab颜色空间和YUV颜色空间[16]。因为叶片病害区域颜色信息丰富，叶片正常区域与病害区域的颜色分别相近且二者相差较为显著。而Lab是一种基于生理特性的采用数字化方式表征人的视觉感应与设备无关的颜色体系，并且适用于一切物体或光源色体的表示和计算[17]，故Lab灰度图能较好地区分叶片的正常及病害区域；另外，YUV颜色空间的V分量对映RGB中G通道的信息相对较弱，而植物叶片中正常部位的G通道颜色信息较丰富[18]，故本研究为更加精确地区分病害区域，也把锐化后的样本图像转换到YUV颜色空间，并且能很好地区分病害区域与正常部位差异的V分量的灰度图。

4）分别对Lab灰度图和V分量的灰度图，采用改进的Otsu方法对其进行分割处理。

5）结合两者分割结果的优势，将Lab灰度图和V分量的灰度图的Otsu分割图进行相与操作，再将其转换到RGB颜色空间，就可以得到最终的分割结果。

2 结果与分析

本研究对采集的4种植物的多类叶部病害图像进行了仿真试验，分割效果明显，图5给出了部分样本具体分割过程的效果图（注：以下所有试验的环境为Windows 7系统，联想PC机，Intel i5低功耗版CPU，8G内存，用Microsoft Visual Studio 2010实现测试）。

通过比较本研究算法与其他分割算法的效果，进一步验证本研究算法的性能，部分样本的试验效果如图6所示。

图6所示，a为经过图像平滑操作后的黄瓜叶片病害样本图片，直接对其灰度图使用改进的Otsu算法进行分割处理，再转换到RGB空间，其分割效果图为b，分割结果中含有比较多的叶片正常部分，其分割效果不精确；c为使用Mean Shift算法分割后的效果，分割结果中病害区域相对完整，但还保留了较少部分的叶片背景区域在病害周围；d为本研究算法的分割效果，能够相对精确地提取出黄瓜叶部病害区域，并且几乎未见残留的背景色，达到较理想的预期。为进一步验证本研究算法的实用性，本研究对分别使用上述分割方法，进行了算法运行时间统计，其结果具体如表1所示。

直接使用改进的Otsu算法的运行时间最短，但分割效果不理想，Mean shift算法虽然效果相对较好但运行的时间较长。本研究方法的分割效果相对比较准确且运算时间较短，仅为40.83 ms，能满足实际的实时性需求。

3 结论

本研究提出了一种基于颜色差异性的植物叶部病害彩色图像分割方法，首先将原图像背景进行处理，去除样本中叶片复杂的背景环境；然后利用图像的平滑操作，改善病害区域的边缘细节并且抑制图像中的噪声；最后对处理的图像挖掘其颜色差异性，结合灰度图的Otsu方法，得到最终的分割图。本研究算法得到的病害分割区域比较精准，且在抗噪性能、边缘细节保护和分割效率等方面也有很好的效果。

本研究较好地进行了病害图像的分割，但未过多考虑光照、叶片颜色受外界环境因素污染等情况，这将是进一步研究的方向。

参考文献：

[1] 崔艳丽，程鹏飞，董晓志，等.温室植物病害的图像处理及特征值提取方法的研究——基于色度的特征值提取研究[J].农业工程学报，2005，21（z2）：32-35.

[2] 睢 丹，牛红惠.基于图像优化分割技术的植物病虫害区域智能检测[J].福建农业，2015（4）：133-134.

[3] 朱 莉，罗 靖，徐胜勇，等.基于颜色特征的油菜害虫机器视觉诊断研究[J].农机化研究，2016，38（6）：55-58，121.

[4] 刘立群，王联国，火久元，等.基于改進和声搜索算法的玉米叶片病害图像分割算法[J].计算机应用与软件，2016，33（4）：183-186.

[5] 袁 媛，李 淼，陈 晟，等.复杂背景黄瓜叶部病害图像分割方法[J].农业机械学报，2013，44（10）：233-237.

[6] 倪维平，严卫东，边 辉，等.基于MRF模型和形态学运算的SAR图像分割[J].电光与控制，2011，18（1）：32-36.

[7] NJEH I，SALLEMI L，AYED I B，et al. 3D multimodal MRI brain glioma tumor and edema segmentation：A graph cut distribution matching approach[J].Computerized Medical Imaging & Graphics，2015，40：108.

[8] 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.

[9] 张 芳，王 璐，付立思，等.复杂背景下黄瓜病害叶片的分割方法研究[J].浙江农业学报，2014，26（5）：1346-1355.

[10] 伍艳莲，赵 力，姜海燕，等.基于改进均值漂移算法的绿色作物图像分割方法[J].农业工程学报，2014，30（24）：161-167.

[11] ZIVKOVIC Z，KR？魻SE B. An EM-Like Algorithm for color-histogram-based object tracking[J].IEEE Computer Society Conference on Computer Vision & Pattern Recognition，2004， 1（1）：1798-1803.

[12] 关 强，薛河儒，姜新华.基于二维OTSU的田间植物图像分割方法[J].江苏农业科学，2015，43（12）：437-440.

[13] 赵海坤，周伟灿.改进的OTSU算法在图像分割中的应用[J].重庆理工大学学报，2007，21（4）：92-94.

[14] 胡 敏，陈红波，许良凤，等.基于颜色和纹理特征的黄瓜病害识别算法[J].电子测量与仪器学报，2015，29（7）：970-977.

[15] SWAIN M J，BALLARD D H. Color indexing[J].International Journal of Computer Vision，1991，7（1）：11-32.

[16] 汪 澜，张 慧，张海涛，等.结合新颜色空间与Otsu的分水岭彩色图像分割算法[J].计算机应用研究，2017（12）：3873-3879.

[17] 王玉德，张学志.复杂背景下甜瓜果实分割算法[J].农业工程学报，2014，30（2）：176-181.

[18] 张颐康，李翠丽，李 源，等.基于图像分割的玉米粒数高通量估算方法[J].湖北农业科学，2016，55（12）：3185-3188.