羅曉麗

(福州職業(yè)技術(shù)學(xué)院 計算機(jī)系，福建 福州 350108)

彩色溫室蔬菜病害圖像預(yù)處理及提取方法研究

羅曉麗

(福州職業(yè)技術(shù)學(xué)院 計算機(jī)系，福建 福州 350108)

為了實現(xiàn)對彩色溫室蔬菜病害圖像的準(zhǔn)確識別，采用計算機(jī)圖像處理技術(shù)對溫室蔬菜病害葉片進(jìn)行智能化識別.首先,對R,G,B這3個通道灰度級的圖像采用移動平均法有效地去除了噪聲的干擾,其次對分離出來的3個通道圖像應(yīng)用基于中心樣條濾波和4個模板方向的Sobel算子計算梯度幅值分別檢測邊緣,然后再將3個通道的邊緣融合，這樣既克服了傳統(tǒng)灰度圖像信息的缺失，又彌補了傳統(tǒng)Sobel算子細(xì)化邊緣的不足，能夠充分利用彩色圖像的信息提取病斑的幾何特征,為計算機(jī)進(jìn)一步診斷病害提供了科學(xué)依據(jù).

Sobel算子；通道；圓形度；帶權(quán)重均方差

圖像處理技術(shù)在蔬菜病害智能化識別方面的研究起步較晚，1985年,安岡善文等[1]對作物受有害氣體SO2污染的紅外圖像進(jìn)行了研究.1989年,穗波信雄[2]以茨菰缺乏鈣、鐵、鎂元素為例進(jìn)行了研究.1992年，他把整個葉片圖像直方圖的形狀和位置作為特征,用閾值法分割出葉片上病態(tài)部分和正常部分的葉面積比,但是提取的特征區(qū)分效果不明顯[3].1999年，Yuataka研究了黃瓜炭阻病的自動診斷技術(shù)，他采用遺傳算法從分光反射特性和形狀特性的角度建立了識別參數(shù)，對病害進(jìn)行了識別.在國內(nèi)，計算機(jī)圖像處理技術(shù)主要應(yīng)用在農(nóng)產(chǎn)品的品質(zhì)檢測與分級和農(nóng)作物生長信息的獲取等方面[4].

本研究主要采用計算機(jī)圖像處理技術(shù)對溫室蔬菜病害進(jìn)行了智能化識別,以黃瓜霜霉病葉片為例研究了蔬菜病害信息的預(yù)處理及提取方法.圖像處理的目的是為了得到真彩色病害圖像的邊緣，以CCD攝像機(jī)拍攝的病害圖像為研究材料，輸出病害圖像邊緣的幾何信息，為后續(xù)的計算機(jī)診斷病害提供依據(jù).

1 采用的研究方法

本研究以Windows XP平臺下Visual C++6.0為開發(fā)工具來編寫圖像預(yù)處理程序,最終形成完整的圖像處理系統(tǒng).然后，以數(shù)字圖像處理技術(shù)和算法分析為理論依據(jù)，通過對CCD攝像拍攝的病害圖像進(jìn)行研究,以獲取溫室蔬菜病害圖像邊緣方案，從而達(dá)到智能提取病害的幾何邊緣.

2 圖像預(yù)處理

2.1通道分離

一張RGB模式的圖像，是以紅綠藍(lán)三原色的數(shù)值來表示的.真彩色RGB模式有R,G,B這3個顏色通道，圖像窗口中顯示的是沒有顏色的灰度圖像，并且在不同的通道中病斑圖像的邊緣和背景會出現(xiàn)明顯的灰度反差，為準(zhǔn)確提取圖像邊緣提供了保證.利用Photoshop軟件打開黃瓜霜霉病葉片影像，進(jìn)入通道視圖，得到R,G,B通道的灰度圖像,如圖1至圖3所示.

根據(jù)3個通道灰度圖像的病斑和葉片灰度反差的程度以及色彩和灰度的相關(guān)性，設(shè)定紅色通道、綠色通道和藍(lán)色通道的權(quán)重分別為0.2,0.7和0.1．

圖1 紅色通道Fig.1 Red channel

圖2 綠色通道Fig.2 Green channel

圖3 藍(lán)色通道Fig.3 Blue channel

2.2圖像去噪

以3×3區(qū)域作為鄰域Z，采用中值濾波技術(shù)，基本原理是將除中心點的像素數(shù)值排序，取得鄰域中各值的中值.鄰域中心點像素的灰度值用該組中值代替，使該中心點的像素值接近真實值，從而消除孤立的噪聲點.f(x,y)為原始圖處理后圖像F(x,y)二維中值濾波,輸出為F(x,y)=med{f(x-m,y-l),(m,l∈Z)} .對分離出來的3個通道灰度的圖像應(yīng)用中值濾波，解決了移動平滑導(dǎo)致的細(xì)節(jié)模糊問題,也解決了采用傳統(tǒng)高斯函數(shù)帶來的邊緣缺失和過度光滑等問題.

3 特征提取

首先,去掉完整的葉片背景.通過圖像分割,利用雙閾值分割技術(shù)去除背景,將圖像信息和背景信息分開,再通過邊緣采用4個模板方向的Sobel算子計算梯度幅值分別對3個通道的圖像檢測邊緣,充分細(xì)化邊緣,最后再將3個通道以帶權(quán)重均方差融合,完整地提取病斑的幾何特征.

3.1圖像分割

由于葉面的顏色比病斑暗、比背景亮，可采用雙閩值二值化處理：

(1)

以綠色通道灰度圖像為例，首先提取閾值低于128的圖像得到圖4,然后將圖像反轉(zhuǎn)提取閾值大于140的圖像得到圖5,最后提取閾值128～140的圖像得到圖6,達(dá)到最佳效果.

圖4 閾值為128,提取閾值<128Fig.4 Threshold<128

圖5 閾值為140,提取閾值>140Fig.5 Threshold>140

圖6 提取閾值128～140,分離背景Fig.6 Threshold of 128～140

3.2圖像檢測邊緣

采用4個模板方向的Sobel算子計算梯度幅值分別對3個通道圖像檢測邊緣.

以綠色通道灰度圖像為例，采用3×3的矩陣，分別為橫向與縱向，將其與圖像作平面卷積，可分別得出橫向及縱向的亮度差分近似值[5].如果以A代表原始圖像，Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測的圖像，其公式如下:

(2)

圖像的每一個像素的橫向與縱向梯度近似值可用以下的公式結(jié)合來計算梯度的大?。?/p>

(3)

然后,可用以下公式計算梯度方向:

(4)

檢測圖像的邊緣,除了水平方向和垂直方向以外,還有45°和135°方向，這樣既能提高準(zhǔn)確度又能達(dá)到即時檢測邊緣的效果，如圖7至圖9所示.

圖7 G通道X和Y的Sobel算子Fig.7 G channel X and Y Sobel operator

圖8 G通道 45°和35°方向的Sobel算子Fig.8 G channel 45° and 35° Sobel operator

圖9 G通道4個方向的45°和35°方向的Sobel算子Fig.9 Graph G channel four directions of 45°and 35° Sobel operator

3.33個通道邊緣的融合

對檢測完成的3個通道的灰度圖像進(jìn)行信息融合.由于B通道比R，G通道攜帶了更多的彩色圖像邊緣信息，所以它們的權(quán)重更大一些.設(shè)定R，G，B通道的權(quán)重fx分別是0.7，0.2和0.1，對3個通道邊緣圖像計算方差.方差是偏離平方的均值，稱為標(biāo)準(zhǔn)差或均方差，方差可描述波動程度，波動小的更接近真實值，取該值，否則舍棄.設(shè)3個通道邊緣圖像中某點(x,y)灰度值分別為HR，HG，HB，則有平均值E=0.2HR+0.7HG+0.1HB，則方差sR^2= 0.2(HR-E)^2；sG^2=0.7(HG-E)^2；sB^2=(HB-E)^2.

3個通道融合前邊緣圖像見圖10至圖12.

圖10 綠色通道邊緣檢測圖像Fig.10 The green channel edge detection

圖11 紅色通道邊緣檢測圖像Fig.11 The red channel edge detection

圖12 藍(lán)色通道邊緣檢測圖像Fig.12 The blue channel edge detection

所以，再以不同的權(quán)重對3個通道邊緣檢測圖像進(jìn)行信息融合，最終病害邊緣結(jié)果如圖13所示.

3.4計算

從邊緣檢測的結(jié)果(圖13)來看,圖中封閉區(qū)域就是該葉片的病斑部位，計算其圓形度、面積和周長,結(jié)果見表1.

圖13 最終病害邊緣結(jié)果Fig.13 The final results of the edge

表1 黃瓜葉片病斑圖像特征Tab.1 Cucumber leaf disease spot image characteristics

由表1可知，當(dāng)病斑封閉區(qū)域面積較小時，病斑面積區(qū)域位于葉片尖部，其圓形度接近圓形，受害程度較輕；當(dāng)病斑封閉區(qū)域面積較大時，葉片尖部病斑面積區(qū)域的圓形度差別較大，說明形狀不規(guī)則，受害程度較嚴(yán)重.

4 結(jié)語

(1)通過對R，G，B這3個通道灰度級圖像的處理，減少了有價值信息的丟失，為提取圖像邊緣的準(zhǔn)確性提供了保證.

(2)對分離出來的3個通道灰度級圖像應(yīng)用基于中心樣條濾波，而不采用傳統(tǒng)高斯函數(shù)，較好地解決了高斯平滑帶來的邊緣缺失和過度光滑.

(3)采用4個模板方向的Sobel算子計算梯度幅值分別對3個通道圖像檢測邊緣,能充分細(xì)化邊緣,最后再將3個通道以帶權(quán)重均方差融合，可以完整地提取病斑的幾何特征.

[1] 田有文.典型農(nóng)作物葉部病害計算機(jī)圖像識別方法的研究[J].農(nóng)業(yè)機(jī)械化工程，2005(3)：10-11.

[2] 謝春燕,吳達(dá)科.譜技術(shù)在作物病蟲害檢測中的研究進(jìn)展及展望[J].農(nóng)機(jī)化研究，2009(9)：53-57.

[3] 田有文,李成華.基于圖像處理的日光溫室黃瓜病害識別的研究[J].農(nóng)機(jī)化研究，2006(2)：104-109.

[4] 張建平,吳守一,方如明,等.煙葉顏色測量與分析[J].江蘇大學(xué)學(xué)報，1994(4)：101-103.

[5] 郎瑤.一種改進(jìn)的Sobel邊緣檢測算子[J].計算機(jī)與信息技術(shù)，2011(5)：27-30.

Researchoncolorgreenhouseimageofvegetablediseasesinpretreatmentandextractionmethod

LUO Xiao-li

(DepartmentofComputer,FuzhouVocationalandTechnicalCollege,Fuzhou350108,China)

In order to realize the accurate identification of the image color vegetable diseases in greenhouse，In this research, computer image processing technology is used in the intelligent recognition of vegetable diseases in greenhouse leaf. Firstly, the moving average method can effectively remove the noise by the image of R,G, B three channel gray level, secondly, to separate three channel image using Sobel operator center spline filter and the 4 template based on the direction of gradient magnitude is calculated respectively edge detection, and then integrate the three channel edge, it can overcome the shortcoming of traditional gray image information, and make up for the deficiency of the traditional Sobel operator edge thinning geometric features. It can make full use of the information extraction of color images, to provide scientific basis for the further diagnosis of diseases.

Sobel-operator; channel; circular degree; weighted mean square error

2014-02-11

福建省教育廳A類課題(JA12400)

羅曉麗(1971-)，女,黑龍江五常人，碩士，主要從事軟件工程研究.

TP311.13

A

1674-330X(2014)03-0065-04