基于顏色均值顯著點(diǎn)聚類的作物病害葉片圖像分割方法

張善文 張晴晴 齊國紅

摘要 作物病害葉片圖像分割是病害類型識別方法的一個重要步驟，其分割效果直接影響后續(xù)的識別結(jié)果。病害葉片圖像的復(fù)雜多樣性使得很多現(xiàn)有的圖像分割方法不能有效應(yīng)用于作物病害葉片圖像分割中。針對復(fù)雜的自然病害葉片圖像分割難題，提出一種基于顏色均值顯著點(diǎn)聚類的作物病害葉片圖像分割方法。該方法建立在HIS顏色空間，首先構(gòu)造基于像素點(diǎn)HIS模型的帶權(quán)無向圖，然后計(jì)算病害葉片圖像像素點(diǎn)的鄰域的顏色均值，再計(jì)算該點(diǎn)前后兩個鄰域的顏色均值差作為該點(diǎn)的顏色跳躍度，當(dāng)跳躍度大于設(shè)置的一個閾值時，該像素點(diǎn)為病斑點(diǎn)。結(jié)果表明，該算法具有較高的分割精確度和較好的抗噪聲性能。

關(guān)鍵詞 病害葉片圖像分割;顯著點(diǎn);顏色均值顯著點(diǎn)聚類;顏色跳躍度

中圖分類號 S126;TP391文獻(xiàn)標(biāo)識碼 A

文章編號 0517-6611（2019）10-0228-03

Abstract The segmentation of crop disease leaf image is an important step in disease type recognition method，and its segmentation effect directly affects the subsequent recognition results.Because of the complexity and diversity of disease leaf images，many existing image segmentation methods cannot be effectively applied to crop disease leaf image segmentation.Aiming at the difficult problem of leaf image segmentation in complex natural environment，a method of diseased leaf image segmentation based on color mean salient point clustering is proposed.This method is based on HIS color space.Firstly，weighted undirected graph based on pixel HSI model was constructed.Then，the color mean of the neighborhood of the pixel of the diseased leaf image was calculated.The difference of the color mean of the two neighborhoods before and after the point was calculated as the color leaping degree of the point.When the leaping degree was larger than a threshold，the pixel was a spot pixel.Experimental results showed that the proposed algorithm had higher segmentation accuracy and better noise immunity.

Key words Disease leaf image segmentation;Salient points;Color mean significant point clustering;Color leaping degree

作物病害葉片圖像分割是作物病害圖像分析處理和病害類型識別的基礎(chǔ)工作和重要環(huán)節(jié)，也是計(jì)算機(jī)圖像處理和機(jī)器視覺領(lǐng)域的研究熱點(diǎn)之一。已經(jīng)有很多復(fù)雜圖像分割方法和技術(shù)，包括基于圖論[1-2]、分水嶺方法[3-5]、模糊聚類[6-7]、灰度閾值的[8]、邊緣檢測[9]和混合算法的分割方法[10]等。很多研究成果已經(jīng)成功應(yīng)用于病害檢查和識別中。作物病害葉片圖像的復(fù)雜多樣性使得作物病害圖像的自動分割目前尚有很多困難和問題[11-13]。在彩色病害葉片圖像檢測中，由于彩色葉片圖像的病斑復(fù)雜性和特殊性，對應(yīng)的灰度圖像邊緣檢測算子一般不能直接應(yīng)用于彩色圖像。目前彩色病害葉片圖像邊緣檢測問題還沒有較成熟的解決方法，因此研究彩色病害葉片圖像邊緣檢測方法還處于初始階段。作物病害葉片圖像作為特殊目標(biāo)，即要求能夠更全面、更準(zhǔn)確地分割出來的病害區(qū)域。在分割中，當(dāng)病斑區(qū)域與周邊區(qū)域的對比度不明顯時，它將導(dǎo)致誤判，其結(jié)果表現(xiàn)為非病斑區(qū)域被保留下來。由于葉脈部分與其他部位的對比度較低，提取的病害區(qū)域會包含一些不相關(guān)的部分，從而影響病害分割的準(zhǔn)確性。不準(zhǔn)確的分割將會影響到后續(xù)病害識別的精確性。因此，分割后的病害區(qū)域需要校正。病害區(qū)域的顏色是非常復(fù)雜的，難以用RGB色彩空間中的顏色來描述。

1 均值顯著點(diǎn)聚類方法

假設(shè)觀測到一組樣本Y1，Y2，…，Yn，通常觀測值按時間出現(xiàn)先后排列。對于第m個點(diǎn)Ym的期望有EY1=…=EYm-1=a1，EYm=…=EYn=a2，且1

在像素均值顯著點(diǎn)聚類模型中，假設(shè)像素點(diǎn)為Y1，Y2，…，Yn為該點(diǎn)的灰度值，且服從獨(dú)立正態(tài)分布，則顯著點(diǎn)的個數(shù)至多為1個的均值顯著點(diǎn)模型可表述為：

2 性能分析

為了說明該算法的有效性，使用圖像分割的類別平均準(zhǔn)確率（Meanacc）和平均區(qū)域重合度（MeanIU）為分割精度指標(biāo)[14]。在分割時應(yīng)考慮算法的分割時間。

式中，ncl為分割圖像像素所屬類別，p表示圖像中像素正確對應(yīng)的像素類別，q表示圖像中像素錯誤分類后所屬像素類別，tp為分割中p類別的像素總數(shù)tp=jnpj，npp為分割中正確分割為類別p的像素總數(shù)，npq為分割中屬于類別p但被誤分為q的像素?cái)?shù)量。

3 試驗(yàn)與分析

為了測試該方法的有效性，將其應(yīng)用于黃瓜病害葉片圖像病斑分割中，并與基于SVM分割方法[11]、基于K-means聚類法[12]和基于改進(jìn)最大類間方差（Otsu）的方法[13]進(jìn)行了對比。

將上述方法在50幅病害葉片圖像上的類別平均準(zhǔn)確率和平均區(qū)域重合度作為評價指標(biāo)。圖2為利用該方法和4種現(xiàn)有的分割方法對3種病害葉片圖像的分割結(jié)果。表1為利用4種方法對50幅圖像進(jìn)行分割的平均準(zhǔn)確率和平均區(qū)域重合度以及分割時間。

從圖2和表1可以看出，該方法優(yōu)于其他3種方法，而且能夠減少復(fù)雜背景信息對病斑的干擾。其原因是，該方法充分利用了病害葉片圖像中的病斑像素的顯著性特性，以彩色圖像的HSI顏色值為特征值，在水平、垂直、對角線方向的區(qū)域上建立均值變點(diǎn)模型，最后通過疊加得到檢測結(jié)果。

4 結(jié)論

該研究將統(tǒng)計(jì)中的顯著點(diǎn)思想應(yīng)用于病害葉片圖像分割中，提出了一種基于均值顯著性聚類的作物病害葉片圖像分割方法。該方法利用HIS顏色空間的3個分量，定義了跳躍度，由此進(jìn)行圖像分割，得到病斑圖像。實(shí)驗(yàn)結(jié)果表明，提出的分割算法分割速度快、分割準(zhǔn)確率高，并且能夠減少背景干擾。該方法為后續(xù)進(jìn)一步提取特征參數(shù)、識別和診斷病害類別打下良好的基礎(chǔ)。

參考文獻(xiàn)

[1] ANGULO J.Geometric algebra colour image representations and derived total orderings for morphological operators-part I：Colour quaternions [J].Journal of vision and communication image representation，2010，21（1）：33-48.

[2] 朱曉臨，陳嫚，李雪艷，等.結(jié)合形態(tài)學(xué)變形蟲和復(fù)合顏色空間的彩色圖像邊緣檢測模型[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2014，26（7）：1060-1066.

[3] 余旺盛，侯志強(qiáng)，宋建軍.基于標(biāo)記分水嶺和區(qū)域合并的彩色圖像分割[J].電子學(xué)報(bào)，2011，39（5）：1007-1012.

[4] 李占波，楊二偉，李進(jìn)文.基于改進(jìn)分水嶺和區(qū)域合并的彩色圖像分割[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（7）：2458-2461.

[5] 王棟，于威威，莊斐弘.基于標(biāo)記分水嶺和FLICM模糊聚類的圖像分割方法研究[J].微型機(jī)與應(yīng)用，2017，36（17）：49-51，58.

[6] THEOHARATOS C，ECONOMOU G，F(xiàn)OTOPOULOS S.Color edge detection using the minimal spanning tree[J].Pattern recognition，2005，38（4）：603-606.

[7] 李丹丹，史秀璋.基于HSI空間和K-means方法的彩色圖像分割算法[J].微電子學(xué)與計(jì)算機(jī)，2010，27（7）：121-124.

[8] KONISHI S，YUILLE A L，COUGHLAN J，et al.Statistical edge detection： Learning and evaluating edge cues[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2008，25（1）：57-74.

[9] EVANS A N，LIU X U.A morphological gradient approach to color edge detection [J].IEEE Transactions on Image Processing，2006，15（6）：1454-1463.

[10] 周強(qiáng)強(qiáng)，王志成，趙衛(wèi)東，等.基于水平集和視覺顯著性的植物病害葉片圖像分割[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，43（9）：1406-1413.

[11] 白文斌，白帆，賀文文，等.基于SVM的高粱葉片病斑圖像自動分割提取方法研究[J].農(nóng)學(xué)學(xué)報(bào)，2014，4（6）：101-106.

[12] 鄒秋霞，楊林楠，彭琳，等.基于Lab空間和K-Means聚類的葉片分割算法研究[J].農(nóng)機(jī)化研究，2015（9）：222-226.

[13] RADZALI M H，KAMAL N A M，DIAH N M.Measuring leaf area using Otsu Segmentation Method （LAMOS）[J].Indian journal of science & technology，2016，9（48）：1-6.

[14] LONG J，SHELHAMER E，DARRELL T.Fully convolutional networks for semantic segmentation[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Madison，WI：IEEE，2015：3431-3440.