基于小波滤波与自适应阈值分割算法的玫瑰叶片病斑提取研究

肖洒　 赖菲　董春富　李文勤　李明

摘 要：针对玫瑰叶片白粉病病斑分布离散、无序且边缘细节复杂、传统图像分割算法提取病斑困难等问题，提出了一种基于小波滤波与自适应均值阈值分割（WT-AAT）的叶片病斑图像提取算法。首先，为了去除原始图像噪声，使用二维离散哈尔小波变换将图像进行二层小波分解，并依据高、低频子图像自动提取噪声系数，进而设定滤波阈值;然后，将高于阈值的噪声系数置零，并逆序对每层进行小波重构，最终生成等尺度的去噪图像;最后，采用可滑动窗口分割算法对去噪图像进行自适应分割，再根据子图的灰度均值设定二值化阈值，在二值化处理的基础上析取白粉病病斑。结果表明，与WaterShed、Prewitt、Otsu等传统分割算法相比，WT-ATT的像素漏警率的降低率分别为18%、18%和6%，说明该方法能够较为准确地分割出病斑，并达到良好的病斑辨识效果。

关键词：玫瑰白粉病;图像分割;小波变换;自适应阈值;WT-ATT算法

中图分类号 S436.8+1;TP391.41 文献标识码 A 文章编号 1007-7731（2022）07-0097-04

玫瑰对于生长条件要求严格，在栽培过程中易发白粉病，严重影响玫瑰花的產量和药用价值，精确识别白粉病病斑可以有效防治白粉病。使用机器视觉识别白粉病害有效解决了目前专业人士识别白粉病害成本高的问题[1]。其中，玫瑰叶片的病斑提取是使用机器视觉实现病害识别的一个关键步骤。目前针对农作物病斑的提取和病害的识别的主流研究方法有神经网络分割、边缘分割、多尺度分割[2-9]。而阈值分割[10]以其简洁、鲁棒性高的特点被广泛运用。阈值分割法可划分为全局固定阈值分割和局部自适应阈值分割2种类型，全局固定阈值分割将图像视为整体分析灰度值，确定整体阈值并对图像进行分割，该方法能实现大部分图像的二维化[11]。但由于农作物病害叶片病斑区域与健康区域区分度不高，全局固定阈值分割对该类灰度对比不明显的图像处理困难，而局部自适应阈值分割法从图像自身的局部特征作为分割算法的切入点进行图像分割，极大程度地降低了图像整体对比度对分割效果的影响。

笔者从现场采集玫瑰白粉病叶片样本，病斑具有形状不规则、采集噪声复杂、分布无序且灰度值不均等特性，使用传统的图像分割算法很难达到理想效果，无法将病斑精确分割[12]。二维小波变换可以将图像分为高、低频段信号，由于病斑图像噪声主要集中在高频段，所以小波变换能够有效去除图像噪声。而且，小波变换的多分辨率特性能够较好地保留图像的边缘和细节，为此采用二维哈尔小波变换对原始图像进行预处理。在病斑分割和析取方面，传统阈值分割法由于阈值固定，通常很难分辨光照不均的目标和背景，因此笔者通过设定局部阈值的方式对病斑图像进行自适应分割，以此得到细节更完整的病斑图像，并且采用像素漏警率和像素虚警率指标比较和验证不同算法的效果。为便于叙述，本文提出的算法记为WT-AAT（Wavelet Transform & Adaptive Average Threshold）。

1 材料与方法

1.1 试验设备与材料 本研究中所使用的叶片病斑图像来自于云南省玉溪市通海县锦海玫瑰培育基地。为方便采集图像，将被采集的玫瑰白粉病叶片置于平整白色pvc塑料板上，在叶片正前后方斜45°正上方固定2个同一强度光源，使用相机固定150mm距离垂直叶片进行拍摄，并以800×600像素的jpg格式保存样本。图像处理设备的配置为Windows10操作系统，处理器为Inter Core i7-10700k，3.80GHz，运行内存为32G，显示适配器为NVIDA GeForce RTX 3060 Ti。图像处理软件是Matlab和Pycharm。

1.2 WT-AAT叶片病斑图像分割方法 WT-AAT分割法首先使用二维哈尔小波变换对图像进行滤波，减少图像中存在的噪声对分割的影响，再使用自适应均值阈值对图像二值化处理以提取出病斑。

1.2.1 基于二维哈尔小波变换的图像滤波 小波变换是用一组小波函数或基函数来表示一段信号，具有多分辨率分析的特点，可以表征时频域内的信号特征[13-14]。在图像处理中，通常将平面图像视为二维矩阵，用小波变换对矩阵的行和列分解后提取各尺度的低频和高频系数，进而对高频噪声系数进行阈值处理，再通过处理后的小波系数对图像进行各级重构以达到滤波的目的。如图1所示，A1、A2分别为第一、二级小波分解的近似图像，V1、V2分别为第一、二级垂直细节信息，H1、H2分别为第一、二级水平细节信息，D1、D2分别为第一、二级对角线细节信息。

二维小波变换的原理如式（1）～（3）所示，大小为M×N的原始图像由二维离散函数[fx，y]表示，该函数可分解为二维尺度函数和二维小波函数的线性组合，其中[Wφ0，m，n]为近似系数，[Wiψj，m，n]为细节系数，j为小波分解的级数。

[φj，m，nx，y]和[ψij，m，nx，y]是不同尺度和不同位置下的尺度函数和小波函数：

1.2.2 基于自适应均值阈值的图像分割 由于光照的影响，本研究采集的玫瑰白粉病叶片的病斑颜色和正常叶片颜色区分度较低，对比度不高，部分图像中还存在过曝或者欠曝的情况，这给基于全局阈值的分割法带来了极大的困难。自适应均值阈值分割作为一种局部阈值分割法，将图像分成若干个小块，对每个块的阈值进行计算，以每块图像的阈值用作二值化图像的依据，可以有效解决光照不均的图像二值化后不理想的问题，保留更完整的图像细节。自适应均值阈值分割设定一个可滑动矩形窗口，通过计算窗口内各个像素的均值确定二值化阈值，使灰度不均区域的阈值根据邻域像素块的灰度值改变。设M、N为滑动矩形窗口的大小，通常设定M=N，数值取3、5、7等奇数，窗口取值越小，阈值选取越精确，分割后的图像越细节。[μ]为窗口内所有像素值的平均值，[δ]为人工确定的差值，取值范围为正无穷到负无穷，[θ]为矩形窗口内图像块的阈值，f（x，y）为输入图像的像素值，g（x，y）为输出图像的像素值，自适应均值阈值分割算法有如下定义：

经过多次对比实验，本研究设定滑动矩形窗口大小为5×5的尺寸，[δ]设置为6。

2 结果与分析

使用10张玫瑰白粉病叶片作为样本进行试验，依次编号为No.1～No.10，如图2a所示。由图2a可以看出，样本病斑为白色，病斑边缘不光滑不连续，与健康区域区分度不高，且病斑区域占健康区域少。图2展示了Otsu、WaterShed、Prewitt和WT-AAT 4种分割方法对10张样本的分割结果，以及分割结果和人工标注病斑的对比图，各二值图中叶片内的黑色部分为算法提取或标注的病斑区域。

为了对试验结果进行客观分析，本研究使用2个评价指标将分割图像和人工像素级标注后的图像进行对比评估：像素漏警率（Pixel Missing Alarm，PMA）和像素虚警率（Pixel False Alarm，PFA）。

像素虚警率是把健康区域判断为病斑区域占实际健康总区域的比例：

像素漏警率是把病斑区域判断为健康区域占实际病斑总区域的比例：

式中，m、n为图像的大小，[pt（i，j）]为正确判断为病斑的像素数，[pf（i，j）]为错误判断为病斑的像素数，[pψ（i，j）]为正确判断为非病斑的像素数，[pφ（i，j）]为错误判断为非病斑的像素数。

由表1可以看出，WT-AAT算法的平均像素漏警率为76.19%，Otsu、WaterShed和Prewitt 3种算法的平均像素漏警率分别为93.32%、93.28%和81.59%。与其他3种算法相比，WT-AAT算法的平均像素漏警率有所降低。结合图2和表1可以看出，在4种算法中，Otsu算法像素漏警率最高，且图2中提取的有效病斑明显偏少。由表1可知，No.7的病斑分割效果明显优于其他样本，其像素漏警率为67.47%。这是因为Otsu算法是基于目标图像和背景的最大类间方差实现目标图像的分割提取，而相对于其他样本，No.7的病斑图像与背景灰度值差异明显，进而导致了病斑图像与背景图像的最大类间方差值大，病斑与背景图像之间的区分度高，病斑分割效果显著，这也侧面说明了Otsu算法在图像分割方面的局限性。

WaterShed算法侧重于提取具有较大分布面积的连续性目标图像，但是实际叶片病斑不仅连续分布面积小，且病斑分布离散，因而整体上病斑分割效果并不理想。由表1可知，样本No.3的像素漏警率为54.06%，看似取得良好的分割效果，而实际上该算法的像素虚警率高达51.37%，说明大面积的健康叶片被误判为病斑。因此从试验结果来看，WaterShed算法并不适用于玫瑰叶片的病斑分割。

由表1可知，Prewitt算法整体上的病斑提取效果较Otsu和WaterShed算法有所提高，但相对于WT-AAT算法仍表现出一定的局限性。如No.9的像素虚警率为14.32%，与WT-AAT的整体像素虚警率相比，虽然差别不明显，但其像素漏警率达到100%，意味着根本没有提取出有效病斑。这是由于其作为一种边缘检测算法，对于目标面积小的病斑边缘检测困难，导致分割出的结果差。

WT-AAT算法首先使用小波变换对图像滤波，在保留病斑特征的前提下抑制噪声，有效地弥补了单一自适应均值阈值算法的分割出图像噪声大的不足，同时使用自適应均值阈值分割法消除了灰度值分布不均对图像二值化的影响。由表1可知，该算法整体分割效果稳定，在已有的样本中未出现过特异性情况。其分割效果更接近人工标注图像，病斑细节丰富，整体像素漏警率低。对于60%的图像，WT-AAT的像素漏警率低于其他3种算法。其中，No.4的像素漏警率更是低至51.56%，比其他3种算法减少了27.27%以上。但由于在选取局部阈值时，容易将局部灰度值偏低的像素点误判为病斑，导致像素虚警率偏高，并且当窗口内病斑占绝大多数时，病斑提取效果不够理想，如No.2的像素漏警率达84.49%。

3 结论与讨论

由于玫瑰白粉病叶片中病斑和健康部位灰度值分布不均、病斑分布离散的特点，本研究提出了WT-AAT算法来提取病斑。试验结果表明，WT-AAT算法与Otsu、WaterShed和Prewitt 3种算法相比，平均像素漏警率的降低率分别为18%、18%和6%，对玫瑰白粉病病斑的提取效果有所提升，为后续的农作物病害鉴别提供了借鉴途径。未来将对自适应均值阈值分割法中可滑动窗口的选取进行改进，并建立神经网络模型，进而更有效地对农作物病害进行识别并分类。

参考文献

[1]袁媛，李淼，梁青，等.基于水平集的作物病叶图像分割方法[J]. 农业工程学报，2011，27（02）：208-212.

[2]Liang Qiaokang，Xiang Shao，Hu Yucheng，et al. PD2SE-Net：Computer-assisted plant disease diagnosis and severity estimation network[J]. Computers & Electronics in Agriculture，2019，157：518-529.

[3]Kamal M，Phinn S，Johansen K. Assessment of multi-resolution image data for mangrove leaf area index mapping[J]. Remote Sensing of Environment，2016，176：242-254.

[4]王海青，姬长英，顾宝兴，等.基于参数自适应脉冲耦合神经网络的黄瓜目标分割[J].农业机械学报，2013，44（03）：204-208.

[5]明浩，苏喜友.利用特征分割和病斑增强的杨树叶部病害识别[J]. 浙江农林大学学报，2020，37（06）：1159-1166.

[6]何建斌，梁威，李晓明.基于K均值聚类和数学形态学的小麦彩色图像分割[J].浙江农业学报，2011，23（04）：829-832.

[7]Liu L，Zhang W，Shu S，et al. Image Recognition of Wheat Disease Based on RBF Support Vector Machine[J]. International Conference on Advanced Computer Science and Electronics Information （ICACSEI2013），2013：307-310.

[8]Tushar H Jaware，Ravindra D Badgujar，Prashant G Patil. Crop disease detection using image segmentation[J]. World Journal of Science and Technology，2012，2（4）：190-194.

[9]唐红梅，吴士婧，郭迎春，等.自适应阈值分割与局部背景线索结合的显著性检测[J].电子与信息学报，2017，39（07）：1592-1598.

[10]Otsu N. A Threshold Selection Method from Gray-Level Histograms[J]. IEEE Transactions on Systems Man & Cybernetics，2007，9（1）：62-66.

[11]张会敏，谢泽奇，张善文，等.基于WT-Otsu算法的植物病害叶片图像分割方法[J].江苏农业科学，2017，45（18）：194-196.

[12]李冠林，马占鸿，黄冲，等.基于Kmeans硬聚类算法的葡萄病害彩色图像分割方法[J].农业工程学报，2010，26（S2）：32-37.

[13]陈晓曦，王延杰，刘恋.小波阈值去噪法的深入研究[J]. 激光与红外，2012，42（01）：105-110.

（责编：徐世红）

Research on Rose Leaf Disease Spot Extraction Based on Wavelet Filtering and Adaptive Threshold Segmentation Algorithm

XIAO Sa  LAI Fei DONG Chunfu LI Wenqin LI Ming

（1Southwest Forestry University College of mechanics and transportation，Kunming 650224， China; 2Tonghai Jinhai Agricultural Technology Development Co.， Ltd， Yuxi 650224， China; 3Key Laboratory of Advanced Perception and Intelligent Control of High-end Equipment of Ministry of Education， Anhui Polytechnic University， Wuhu 241000， China; 4School of Electrical Engineering， Anhui Polytechnic University， Wuhu 241000， China）

Abstract： In view of the discrete， disorderly distribution and complicated edge details of rose leaf powdery mildew disease spots， traditional image segmentation algorithms are difficult to extract the disease spots， and a new leaf disease spot extraction algorithm based on wavelet filtering and adaptive mean threshold segmentation （WT-AAT） is proposed. First， in order to remove the original image noise， the image is decomposed by two-layer wavelet using two-dimensional discrete Haar wavelet transform， and the noise coefficient is automatically extracted according to the high and low frequency sub-images， and then the filter threshold is set; then， zero the noise figure above the threshold， and perform wavelet reconstruction on each layer in reverse order， and finally generate an equal-scale denoised image; finally， use a sliding window segmentation algorithm to adaptively segment the denoised image， and then set it according to the gray average of the sub-image Binarization threshold， extract powdery mildew lesions on the basis of binarization treatment. The experimental results show that compared with traditional segmentation algorithms such as WaterShed， Prewitt operator， and Otsu， the reduction rates of WT-ATT′s pixel missing alarm rate are 18%， 18%， and 6%. It shows that the method can segment the lesions more accurately and achieve a good effect of lesion identification.

Key words： Rose powdery mildew; Image segmentation; Wavelet transform; Adaptive threshold; WT-ATT algorithm

基金項目：国家自然科学基金项目（31760182）：基于声发射能量模型的胶合木结构蠕变机理与演变规律研究。

作者简介：肖洒（1999—），女，湖南衡阳人，硕士，研究方向：图像处理。

通讯作者：李明（1977—），男，江苏盐城人，教授，研究方向：智能控制与优化，木材声发射特性。  收稿日期：2021-12-25