張會(huì)敏+謝澤奇+張善文+張?jiān)讫?/p>

摘要：植物病害葉片圖像分割是植物病害識(shí)別和植物分類的基礎(chǔ)。為了解決作物病斑葉片的分割效率和實(shí)時(shí)性，在小波變換（wavelet transform）和Otsu法的基礎(chǔ)上，提出一種基于WT-Otsu算法的植物病害葉片圖像分割方法。首先，利用二維小波變換提取作物病斑圖像的邊緣點(diǎn)；其次，利用Otsu法在這些邊緣點(diǎn)搜索最佳分割閾值；最后，利用該閾值分割圖像。利用該方法在真實(shí)辣椒病害葉片圖像上進(jìn)行了分割試驗(yàn)，結(jié)果表明，該方法對(duì)病害葉片圖像分割有效可行。

關(guān)鍵詞：病害葉片圖像分割；Otsu法；小波變換（WT）；最佳分割閾值

中圖分類號(hào)： TP391.41 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-1302（2017）18-0194-03

收稿日期：2016-06-13

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：61473237）；河南省科技廳基礎(chǔ)與前沿技術(shù)研究（編號(hào)：172102210510、162300410188）；河南省教育廳高等學(xué)校重點(diǎn)科研項(xiàng)目（編號(hào)：16A520095）；鄭州大學(xué)西亞斯國(guó)際學(xué)院校級(jí)科研項(xiàng)目（編號(hào)：2016KY01）；鄭州大學(xué)西亞斯國(guó)際學(xué)院2016年度教改基金（編號(hào)：2016JGZD07）。

作者簡(jiǎn)介：張會(huì)敏（1981—），女，河南漯河人，碩士，副教授，研究方向?yàn)閳D像處理、模式識(shí)別。E-mail：zhm0413@163.com。

通信作者：謝澤奇，碩士，副教授，研究方向?yàn)橛?jì)算機(jī)應(yīng)用、圖像處理。E-mail：xzq0413@163.com。 植物病害葉片圖像分割是利用病害葉片進(jìn)行植物病害診斷和識(shí)別的基礎(chǔ)，是實(shí)現(xiàn)植物病害自動(dòng)檢測(cè)和田間植物自動(dòng)化管理的前提。由于植物病害葉片圖像成分復(fù)雜，病害葉片上的病斑形狀和排列順序無規(guī)律，葉片病斑的顏色深淺不一，且存在一定的隨機(jī)噪聲，植物病害葉片圖像分割方法研究一直是很多學(xué)者的主要研究方向。葉片圖像由病斑部分和正常部分組成，其分割是一個(gè)二類問題，可利用統(tǒng)計(jì)和圖像處理方法分割植物病害葉片圖像。常用的葉片及其病斑圖像分割方法有閾值分割法、區(qū)域法、人工神經(jīng)網(wǎng)絡(luò)法等[1-4]。但目前還沒有效果很好且普遍適用的圖像分割規(guī)則。Otsu法是由日本學(xué)者大津提出的一種全局自動(dòng)閾值選取法，是一種全局化的動(dòng)態(tài)二值化分割方法，也是灰度圖像二值化分割的常用算法[5-7]。胡波等引入像素灰度級(jí)和鄰域灰度級(jí)構(gòu)成二維直方圖，來減小鏡面反射和葉片污損帶來的分割誤差[4]。肖剛等提出了一種改進(jìn)的二維Otsu圖像分割方法，該方法利用像素鄰域灰度差值的新方法構(gòu)建二維直方圖，解決了鄰域像素灰度值偏離中心像素灰度值的情況[7]。該方法在建立直方圖的時(shí)候雖然考慮了鄰域像素灰度值偏離中心像素灰度值的情況，但是沒有考慮鄰域像素分布情況，導(dǎo)致圖像邊緣和角點(diǎn)分割不準(zhǔn)確。田有文等將圖像的RGB空間作為模式分類的特征空間，在此基礎(chǔ)上根據(jù)Fisher準(zhǔn)則，運(yùn)用統(tǒng)計(jì)模式識(shí)別的線性判別函數(shù)對(duì)彩色圖像進(jìn)行真彩色分割，取得了較好效果[8]。趙進(jìn)輝等根據(jù)甘蔗苗期赤腐病和環(huán)斑病圖像的特點(diǎn)，提出了一種基于顏色和形狀特征的甘蔗病害圖像分割方法[9]。該算法能較好地完成對(duì)甘蔗苗期赤腐病和環(huán)斑病病斑的分割?；约t等提出了一種基于多示例圖的小麥葉部病害分割方法，該方法將傳統(tǒng)的圖分割拓展到多示例的包空間下對(duì)判定函數(shù)進(jìn)行設(shè)定[10]。江海洋等提出了一種基于多域多相水平集的黃瓜病害圖像分割方法，該方法使不同的水平集函數(shù)在不同的空間域中演化，能夠結(jié)合多種特征信息，或加入人為約束[11]。該方法也可以針對(duì)不同空間域的特點(diǎn)，使用不同的能量模型，具有較強(qiáng)的靈活性與擴(kuò)展性。植物病害葉片圖像的復(fù)雜性，使得病害葉片圖像分割具有挑戰(zhàn)性。

本研究提出了一種基于小波變換和Otsu法的植物病害葉片圖像分割方法，首先利用二維小波變換提取作物病斑圖像的邊緣點(diǎn)；其次利用Otsu法在這些邊緣點(diǎn)搜索最佳分割閾值；然后利用該閾值分割圖像，最后在辣椒病斑葉片上進(jìn)行驗(yàn)證，結(jié)果表明該方法簡(jiǎn)單有效，分割效果好。

1 材料與方法

1.1 病斑葉片圖像的獲取

本研究中所使用的病害樣本圖像均是在陜西省楊凌市農(nóng)業(yè)蔬菜試驗(yàn)基地，利用數(shù)碼相機(jī)采集的辣椒病害葉片圖像。圖像采集系統(tǒng)硬件主要包括數(shù)碼相機(jī)和方正PC機(jī)，Intel Core TM i3-2130 CPU@3.4 GHz、4GB內(nèi)存，Intel HD Graphics Family顯卡，圖像分辨率為2 592×1 728。數(shù)碼相機(jī)為尼康D7100套機(jī)（18～140 mm STM）、2 020萬像素。在自然光源條件下進(jìn)行病害葉片圖像采集，以JPG格式存儲(chǔ)，圖像大小設(shè)為1 037×692。

1.2 基于WT-Otsu算法的植物病害葉片圖像分割方法

首先簡(jiǎn)單介紹小波變換（WT）和Otsu法，在此基礎(chǔ)上提出一種病害葉片圖像分割方法。

1.2.1 基于小波變換的圖像邊緣檢測(cè) 小波變換具有良好的時(shí)頻局部化特征及多分辨率分析能力，適用于檢測(cè)病害葉片圖像中的病斑局部信息[12-13]。由于葉片圖像是二維，因此需要采用二維WT。圖像f（x，y）的WT如圖1所示，在進(jìn)行二維WT分解后，把圖像信號(hào)分解成不同頻帶范圍內(nèi)的圖像分量，每一層小波分解都將待分解圖像近似部分分解成4個(gè)子圖像，即LL（水平與垂直方向均為低頻）、LH（水平低頻、垂直高頻）、HL（水平高頻、垂直低頻）、HH（水平與垂直均為高頻）。經(jīng)過WT后得到一系列不同分辨率的子圖像，分別描述不同頻率的圖像信息。

病害葉片灰度圖像邊緣檢測(cè)描述為（l）對(duì)給定的葉片圖像進(jìn)行二層小波分解；（2）將低頻系數(shù)設(shè)為0，高頻系數(shù)保持不變，最大限度地保留病斑圖像的邊緣特征；（3）再利用處理后的小波系數(shù)進(jìn)行小波重構(gòu)；（4）選擇合適的閾值對(duì)僅由高頻系數(shù)重構(gòu)得到的圖像進(jìn)行閾值處理，使得低于閾值的設(shè)為0，高于閾值的設(shè)為1，得到二值化邊緣圖像。endprint

1.2.2 Otsu法 Otsu法的基本思想是假設(shè)目標(biāo)與背景具有不同的灰度值，將圖像以某一灰度為閾值分成目標(biāo)和背景2組，計(jì)算2組之間的方差。當(dāng)分割的2組子圖像之間的類間方差最大時(shí)，求得最佳分割閾值，由此閾值對(duì)圖像進(jìn)行分割。其具體過程描述如下：

對(duì)于任意一個(gè)灰度范圍[0，m-1]的葉片圖像P（x，y），（x，y）為圖像中任一像素點(diǎn)，像素?cái)?shù)為N，ni為灰度級(jí)i的像素?cái)?shù)，灰度級(jí)為i的像素點(diǎn)出現(xiàn)的概率為Pi=ni/N，i=0，1，2，…，m-1。假設(shè)閾值k將圖像分割為2類：c1={0，1…，k}，c2={k+1，k+2，…，m}，2類之間的類間方差為

式中：σ為所有類的類間方差，ωi和μi分別為第i類的比例和均值，μr是2類的總均值，ω1=∑ki=0Pi，ω2=∑mi=k+1Pi，μ1=∑ki=0iPiω1，μ2=∑ki=k+1iPiω2，μr=∑m-1i=0ωiμi。

使得σ取得最大值的一組閾值就是所要求的最優(yōu)閾值。

1.2.3 基于WT和Otsu法的植物病害葉片圖像分割 在通常情況下，植物病害葉片的病斑和正常部分的R、B分量相差較大，而G分量相差不大，且其R、G、B分量的直方圖有重疊部分，不呈現(xiàn)明顯的雙峰狀，所以簡(jiǎn)單地用R、G、B顏色分量進(jìn)行病斑圖像分割，很難使目標(biāo)和背景分開。由病害葉片圖像和文獻(xiàn)[6-7，13-14]可以看出，基于閾值的病斑圖像分割方法中，其閾值一般取值在圖像的邊緣處。因此，本研究提出一種基于WT和Otsu法的植物病害葉片圖像分割方法。該方法的步驟為（1）首先將原始病害葉片圖像轉(zhuǎn)換為灰度圖像Gray；（2）利用WT可以得到Gray的二值化邊緣圖像；（3）將二值化邊緣圖像與Gray進(jìn)行乘運(yùn)算，得到邊緣灰度圖像；（4）利用Otsu法求取最佳分割閾值；（5）最后對(duì)Gray進(jìn)行病斑分割。

若需要得到彩色病斑圖像，將分割的病斑灰度圖像與原始圖像進(jìn)行乘運(yùn)算。

2 結(jié)果與分析

本算法是在MATLAB 7.0中進(jìn)行測(cè)試的。假設(shè)，1幅大小為M×N的RGB彩色病害葉片圖像可以用1個(gè)M×N×3的矩陣表示，圖像中的每一個(gè)像素點(diǎn)對(duì)應(yīng)于紅、綠、藍(lán)3個(gè)分量組成的三元組。各R、G、B單層矩陣中每個(gè)元素值表示該元素的灰度值。由imread函數(shù)得到RGB數(shù)字圖像I，再使用代碼r=I（：，：，1）、g=I（：，：，2）、b=I（：，：，3）可以獲得圖像I RGB的3個(gè)分量矩陣[15]。由R、G、B 3個(gè)分量的線性和得到灰度圖像：

灰度圖像也可由函數(shù)rgb2gray得到灰度圖像Gray。利用WT選取二階Daubechies小波函數(shù)對(duì)圖像進(jìn)行二級(jí)小波分解，得到圖像的二值化邊緣圖像，再與Gray相乘，得到灰度邊緣圖像BGray。

利用Otsu法計(jì)算灰度邊緣圖像BGray的最佳分割閾值，由此對(duì)病害葉片灰度圖像Gray進(jìn)行分割，得到病斑圖像。將分割的灰度病斑圖像與原始圖像進(jìn)行乘運(yùn)算，可以得到原始病斑圖像。

圖2為辣椒病害葉片圖像及其分割結(jié)果，分割閾值為125。為了說明本研究分割方法的有效性，圖2還給出了基于Otsu[5]、分水嶺算法[1]和鄰域直方圖[3]的病斑分割結(jié)果。

從表1、圖2可以看出，本方法與基于Otsu和分水嶺的分割效果基本一致或優(yōu)于其效果。從主觀上判斷圖2中本方法的結(jié)果較理想，用時(shí)較少，較好地保留了病斑信息。綜上所述，本研究提出的方法在總體上效果比其他算法好。

由此可見，Otsu法是一種全局閾值搜索方法，可以自動(dòng)得到統(tǒng)計(jì)意義上的最佳分割閾值，但是該方法需要對(duì)灰度級(jí)范圍內(nèi)的所有值進(jìn)行窮盡搜索，所以該方法的分割效率較低。有學(xué)者將Otsu與遺傳算法（GA）相結(jié)合，利用GA進(jìn)行最佳閾值搜索取得了較好的效果，但GA容易陷入局部極值點(diǎn)而得到局部最佳閾值，影響病斑分割效果。本研究病害葉片分割的依據(jù)是病斑圖像的最佳分割閾值一般出現(xiàn)在圖像的邊緣處。首先利用WT得到圖像的邊緣圖像，再利用Otsu法進(jìn)行最佳閾值搜索時(shí)只需要在邊緣圖像上進(jìn)行搜索，所以搜索效率得到了較大提高。

3 結(jié)論與討論

植物病害葉片圖像分割是病害葉片圖像分析、處理和病害識(shí)別的首要步驟，是實(shí)現(xiàn)植物病害自動(dòng)監(jiān)控和田間植物病害管理自動(dòng)化的前提。其分割效果直接決定最終病害識(shí)別結(jié)果的準(zhǔn)確程度。病害葉片圖像分割的目的是把葉片圖像中的病斑分割出來。本研究利用WT進(jìn)行圖像分解，得到邊緣圖像，然后利用Otsu法得到最佳分割閾值，進(jìn)行圖像分割得到病害圖像。試驗(yàn)過程和分割結(jié)果表明，該方法具有快速、簡(jiǎn)單、可靠等優(yōu)點(diǎn)，能很好地進(jìn)行植物病害葉片圖像分割，為后續(xù)的病害識(shí)別奠定了基礎(chǔ)。

參考文獻(xiàn)：

[1]任玉剛，張 建，李 淼，等. 基于分水嶺算法的作物病害葉片圖像分割方法[J]. 計(jì)算機(jī)應(yīng)用，2012，32（3）：752-755.

[2]袁 媛，李 淼，梁 青，等. 基于水平集的作物病葉圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（2）：208-212.

[3]邵喬林，安 秋. 基于鄰域直方圖的玉米田綠色植物圖像分割方法[J]. 江西農(nóng)業(yè)學(xué)報(bào)，2011，23（5） ：126-128.

[4]胡 波，毛罕平，張艷誠(chéng). 基于二維直方圖的雜草圖像分割算法[J]. 農(nóng)業(yè)機(jī)械化學(xué)報(bào)，2007，38（4） ：199-202.

[5]Otsu N. A threshold selection method from gray level histograms [J]. IEEE Trans on SMC，1979，9（1）：62-69.

[6]劉健莊，栗文青. 灰度圖像的二維Otsu自動(dòng)閾值分割法[J]. 自動(dòng)化學(xué)報(bào)，1993，19（1）：101-105.

[7]肖 剛，應(yīng)曉芳，高 飛，等. 基于鄰域灰度差值的二維Otsu分割方法研究[J]. 計(jì)算機(jī)應(yīng)用研究，2009，26（4） ：1544-1545.

[8]田有文，李成華. 基于統(tǒng)計(jì)模式識(shí)別的植物病害彩色圖像分割方法[J]. 吉林大學(xué)學(xué)報(bào)（工學(xué)版），2004，34（2）：291-293.

[9]趙進(jìn)輝，羅錫文，周志艷. 基于顏色與形狀特征的甘蔗病害圖像分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（9）：100-104.

[10]虎曉紅，李炳軍，席 磊. 基于多示例圖的小麥葉部病害分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（13）：154-159.

[11]江海洋，張 建，袁 媛，等. 基于MDMP-LSM算法的黃瓜葉片病斑分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（21）：142-148.

[12]王學(xué)松，周明全，樊亞春，等. 彩色圖像色度距離權(quán)值的圖論分割算法[J]. 中國(guó)圖象圖形學(xué)報(bào)，2011，16（2）：221-226.

[13]Stephani H，Herrmann M，Bauer F，et al. Wavelet-based dimensionality reduction for hyperspectral THz imaging[J]. THz Science and Technology：the International Journal of THz，2010，3（3）：117-129.

[14]張善文，張?jiān)讫垼锈? 一種基于Otsu算法的植物病害葉片圖像分割方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（4）：337-339.

[15]張善文，雷英杰，馮有前，等. MATLAB在時(shí)間序列分析中的應(yīng)用[M]. 西安：西安電子科技大學(xué)出版社，2005.李 明，王 昆，于俊洋. 基于無線傳感器網(wǎng)絡(luò)的溫室大棚太陽能集熱調(diào)溫系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（18）：197-200.endprint