張晴晴　齊國紅　+張云龍

摘要：傳統(tǒng)的標(biāo)記分水嶺算法在作物病斑分割過程中存在偽標(biāo)記，會造成過分割，本研究在傳統(tǒng)的標(biāo)記分水嶺算法基礎(chǔ)上提出了一種改進的標(biāo)記分水嶺分割算法。該算法首先采用形態(tài)學(xué)進行預(yù)處理，建立形態(tài)學(xué)梯度，并對梯度圖像進行開閉重建。然后對重建的梯度圖像進行前景標(biāo)記，并利用病斑和正常葉片的顏色差異對前景標(biāo)記中的偽標(biāo)記進行濾除，對修改后的前景二值化圖像進行距離變換和分水嶺完成背景標(biāo)記。最后用強制極小值技術(shù)進行梯度修正，并用分水嶺算法對其進行分割。對多幅作物葉片進行分割試驗，并對比不同分水嶺的分割效果，結(jié)果表明該方法得到的區(qū)域數(shù)最少，能有效提取黃瓜葉片病斑，并且抑制過分割。

關(guān)鍵詞：作物；病害；偽標(biāo)記；形態(tài)學(xué)梯度；開閉重建；改進標(biāo)記分水嶺

中圖分類號： TP391.41文獻(xiàn)標(biāo)志碼： A文章編號：1002-1302（2015）02-0400-03

收稿日期：2014-03-28

基金項目：國家自然科學(xué)基金（編號：61272333）；河南省鄭州市科技攻關(guān)計劃（編號：131PPTGG426）；鄭州大學(xué)引進人才項目（編號：2012YJRC01、2012YJRC02）。

作者簡介：張晴晴（1988—），女，河南三門峽人，碩士研究生，主要從事信號與信息處理研究。E-mail：773764630@qq.com。在農(nóng)作物生產(chǎn)過程中，作物病害直接影響作物品質(zhì)和產(chǎn)量。作物病害診斷是其防治的基礎(chǔ)，對農(nóng)作物產(chǎn)量提高有現(xiàn)實意義[1-2]。近年來，將計算機技術(shù)應(yīng)用于作物病害診斷中，不僅實現(xiàn)了對農(nóng)作物病害的無損檢測，而且提高了作物病害診斷的精度和速度[3-5]。在基于病害葉片的農(nóng)作物病害識別研究過程中，通常須要將病害目標(biāo)從圖像中提取出來，即進行圖像分割，病害圖像分割的好壞對病害識別的成敗起著決定性作用[6]。因此，高效準(zhǔn)確地提取出作物病害葉片上病斑十分必要。劉志華等利用雙峰法從背景中分割出目標(biāo)葉片，并用最大類間方差法（OTSU）將正常葉片與病斑部位分割開來[7]。Meunkaewjinda等利用優(yōu)化遺傳算法對病害葉片進行了分割[8]。Camargoa等對采集到的RGB病害圖像進行了顏色系統(tǒng)轉(zhuǎn)換，在不同顏色系統(tǒng)中提取了病斑圖像的顏色特征，利用局部優(yōu)化閾值方法對病斑進行了分割[9]。袁媛等針對具有復(fù)雜背景的作物病害葉片提取，提出了一種基于先驗信息的水平集模型[10]。毛罕平等采用模糊C均值的聚類對棉花病害圖像進行自適應(yīng)分割[11]。劉芝京將圖像由RGB顏色空間轉(zhuǎn)換為YCbCr空間，通過色彩聚類建立病斑聚類模型，達(dá)到對病斑分割的目的[12]。這些分割方法均能達(dá)到很好的分割效果，同時也存在很多問題，如閾值分割只考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲很敏感。水平集模型在分割精度上有提高，但分割速度并未得到改善。聚類算法和遺傳算法在分割過程中須要設(shè)置許多復(fù)雜參數(shù)，易造成分割結(jié)果因參數(shù)變化而不穩(wěn)定[13-14]。分水嶺分割算法因計算速度快、定位精確、目標(biāo)圖像輪廓線封閉以及對圖像像素變化高度敏感等優(yōu)點，得到較多關(guān)注。傳統(tǒng)的分水嶺算法是一種基于拓?fù)浣Y(jié)構(gòu)理論的數(shù)學(xué)形態(tài)學(xué)分割算法[15-17]，其本質(zhì)上是從圖像的局部極小值開始進行增長的一種區(qū)域增長算法。由于作物葉片圖像的暗紋理和噪聲影響，圖像中會存在大量偽極小值，從而產(chǎn)生相應(yīng)偽積水盆地，因此直接運用分水嶺算法進行葉片圖像分割會產(chǎn)生過分割現(xiàn)象。為了有效抑制過分割現(xiàn)象，可以在使用分水嶺算法之前對葉片圖像進行濾波預(yù)處理和標(biāo)記提取[18-19]。本研究針對作物病害葉片病斑特點，在標(biāo)記分水嶺的基礎(chǔ)上提出了一種改進的標(biāo)記分水嶺分割算法，通過對前景目標(biāo)和背景目標(biāo)進行有效標(biāo)記，以期達(dá)到很好的分割效果。

1材料與方法

1.1預(yù)處理

1.1.1形態(tài)學(xué)濾波形態(tài)學(xué)濾波器是一種非線性的濾波器，其優(yōu)點是可以選擇不同的結(jié)構(gòu)元素來消除或抑制噪聲及不需要的結(jié)構(gòu)或目標(biāo)。開運算可消除圖像中孤立和過亮的點，閉運算可將顏色比背景暗且尺寸比結(jié)構(gòu)元素小的結(jié)構(gòu)濾除，因此常采用開閉運算進行濾波預(yù)處理。

1.1.2梯度圖像開閉重建形態(tài)學(xué)梯度[20]運算具有非線性，被用于灰度圖像處理能夠使圖像中梯度較大的區(qū)域更加突出。采用形態(tài)學(xué)開閉重建運算對梯度圖像進行重建，目的是為了消除梯度圖像中由非規(guī)則灰度擾動和噪聲引起的局部極值，保留重要的輪廓極值信息。形態(tài)學(xué)的開閉重建運算建立在測地膨脹和測地腐蝕的基礎(chǔ)上，對于梯度圖像g（x，y）（以下用g表示）和參考圖像r（x，y）（以下用r表示），其形態(tài)學(xué)測地膨脹定義如下[21]：

形態(tài)學(xué)開閉重建運算是先進行開重建運算、后進行閉重建運算的二次重建運算，結(jié)合上述開閉重建運算，形態(tài)學(xué)混合開閉重建運算定義如下：1.2改進的標(biāo)記分水嶺分割方法

形態(tài)學(xué)重建消除了初始梯度圖像中過多的區(qū)域極值和噪聲，準(zhǔn)確地進行輪廓定位，減小了區(qū)域輪廓的位置偏移。為了更好地抑制過分割，須要在重建的梯度圖像上進行標(biāo)記控制，使局部極小值只在標(biāo)記出現(xiàn)的地方產(chǎn)生[20-22]。標(biāo)記方法的選取直接影響最終的分割結(jié)果。標(biāo)記分為前景標(biāo)記和背景標(biāo)記，前景標(biāo)記是基于目標(biāo)對象，背景標(biāo)記為目標(biāo)對象以外的圖像。

1.2.1前景標(biāo)記提取由于在作物病害葉片中病斑和部分背景對比不明顯，使傳統(tǒng)標(biāo)記算法得到的結(jié)果中包含部分偽標(biāo)記?？紤]到葉片病斑和正常部位之間存在較大的顏色差異，正常部位呈綠色，病斑部位呈黃色，因此可以根據(jù)色彩差異對偽標(biāo)記進行過濾。和其他彩色模型相比，RGB彩色模型能更準(zhǔn)確識別正常部位和病斑部位。在RGB彩色模型中，病斑和正常部位的最大顏色差異在于紅色分量所占比例不同，病斑部位紅色分量的比例最大。可以采用如下方法進行偽標(biāo)記的濾除[23]，設(shè)I（x，y）為原圖像，Igf（x，y）為初始前景標(biāo)記，對Igf（x，y）進行如下修改：

1.2.2背景標(biāo)記提取背景標(biāo)記即除去目標(biāo)對象的部分，通常采用局部極小值法對背景進行標(biāo)記?？梢詫⑸鲜銮熬皹?biāo)記二值化圖像Igf進行歐氏距離變換，然后對歐氏距離變換結(jié)果進行分水嶺變換，得到的分水線即可作為背景標(biāo)記Igb。endprint

1.2.3強制極小值標(biāo)記的分水嶺在得到前景標(biāo)記和背景標(biāo)記之后，利用極小值標(biāo)定技術(shù)，把前景標(biāo)記Igf和背景標(biāo)記Igb強制作為梯度圖像的局部極小值，得到修改的梯度圖像Igmark：

Igmark=IMMIN[g（rec）B，Igf|Igb]。（7）

綜上，利用改進的分水嶺算法進行作物病害葉片病斑的分割過程為：（1）對輸入的目標(biāo)圖像進行形態(tài)學(xué)濾波、開閉重建等預(yù)處理；（2）對開閉重建的梯度圖像進行前景標(biāo)記，并根據(jù)病斑和正常葉片的顏色差異對結(jié)果進行偽標(biāo)記濾除；（3）對前景標(biāo)記得到的二值化圖像進行距離變換，最后進行分水嶺變換完成背景標(biāo)記；（4）采用強制極小值標(biāo)定技術(shù)基于前景和背景標(biāo)記的結(jié)果對梯度幅值修正，最后進行分水嶺變換，即可得到理想的分割結(jié)果。

2結(jié)果與分析

以常見的黃瓜病害葉片圖像為例，設(shè)置圖像的分辨率大小為640×480，圖像文件格式為“.jpg”，采用主頻為 2.4 GHz、內(nèi)存為1 G的計算機，在MATLAB 7.10軟件環(huán)境下對黃瓜病害圖像進行仿真試驗。

圖1-a為原彩色圖像，若直接對灰度圖像（圖1-b）分水嶺變換會產(chǎn)生嚴(yán)重的過分割現(xiàn)象（圖1-c）。為了抑制過分割現(xiàn)象，須要對灰度圖像進行形態(tài)學(xué)預(yù)處理，消除部分噪聲且抑制不需要的結(jié)構(gòu)和目標(biāo)。預(yù)處理完成后建立形態(tài)學(xué)梯度（圖1-d），獲得亮度變化較強的圖像外圍邊緣。為了消除梯度圖像中由非規(guī)則灰度擾動和噪聲引起的局部極值，保留重要的輪廓極值信息，在形態(tài)學(xué)梯度基礎(chǔ)上進行開閉重建，由圖1-e可見，一些細(xì)密紋理被去除，圖像輪廓更為顯著。對基于重建的梯度圖像采用分水嶺變換得到分割結(jié)果，由圖1-f可見，該結(jié)果中仍存在過分割現(xiàn)象，分割結(jié)果中包含大量背景信息，但和圖1-c相比，過分割現(xiàn)象在很大程度上得到了改善。要想得到更好的分割效果，須要對傳統(tǒng)標(biāo)記算法進行改進。利用病斑和正常葉片的顏色差異，采用本研究中的改進算法得到前景標(biāo)記（圖1-g），對前景標(biāo)記的二值化圖像進行距離變換和分水嶺得到背景標(biāo)記（圖1-h）。對照圖1-a可以看到，前景標(biāo)記精確地顯示了病斑信息，最后基于改進的前景和背景標(biāo)記采用強制極小值標(biāo)記技術(shù)重新修正梯度圖像并作分水嶺變換，得到最終的分割結(jié)果（圖1-i），可以看到黃瓜葉片中的病斑被有效分割出來。

另取多片大小、形狀不同的黃瓜葉片采用本算法進行分割，都取得了較好的效果。為了進一步驗證該算法分割的有效性，將本算法分割區(qū)域數(shù)量同直接對灰度圖像進行分水嶺分割、對重建后的梯度圖像進行分水嶺分割以及采用傳統(tǒng)標(biāo)記算法進行分水嶺分割4種分水嶺算法得到的區(qū)域數(shù)量進行了比較。由表1可見，直接對灰度圖像進行標(biāo)記所得到的區(qū)域數(shù)量很多；進行形態(tài)學(xué)濾波，梯度重建后的區(qū)域數(shù)明顯減少，說明形態(tài)學(xué)濾波和梯度重建的必要性；改進后的標(biāo)記分水嶺算法的目標(biāo)區(qū)域數(shù)明顯少于改進前的標(biāo)記分水嶺分割得到的區(qū)域數(shù)量。區(qū)域數(shù)量越少，過分割區(qū)域就越少，分割效果就越好。由圖1、表1可見，該算法能夠較好地分割黃瓜病斑并且能夠很好地抑制過分割。

3結(jié)論與討論

本研究根據(jù)正常葉片和病斑之間的色彩差異，基于傳統(tǒng)標(biāo)記分水嶺分割算法在植物病斑提取過程中對前景標(biāo)記中的

表1不同算法分割后的目標(biāo)區(qū)域數(shù)

圖像區(qū)域數(shù)量（個）灰度分水嶺梯度重建分水嶺標(biāo)記分水嶺本研究算法黃瓜葉片115 8622 73656668黃瓜葉片211 8202 60215521黃瓜葉片31 77440238533

偽標(biāo)記進行過濾，使求得的前景標(biāo)記更加準(zhǔn)確，從而有效抑制了偽標(biāo)記造成的過分割現(xiàn)象，試驗結(jié)果表明改進后的標(biāo)記分水嶺算法能夠很好地將病斑從葉片中分割出來。雖然本算法在農(nóng)作物病害葉片分割中得到了很好的效果，但針對復(fù)雜背景下的病害葉片，不能夠?qū)⑵錅?zhǔn)確分割。因此如何在復(fù)雜環(huán)境下對病斑進行提取，須要進一步研究。

參考文獻(xiàn)：

[1]章秀福，王丹英，方福平，等. 中國糧食安全和水稻生產(chǎn)[J]. 農(nóng)業(yè)現(xiàn)代化研究，2005，26（2）：85-88.

[2]馬成云，申宏波，馬淑梅，等. 黑龍江省水稻稻瘟病發(fā)生危害情況調(diào)查及防治建議[J]. 植物保護，2006，32（5）：95-97.

[3]鄒修國. 基于計算機視覺的農(nóng)作物病蟲害識別研究現(xiàn)狀[J]. 計算機系統(tǒng)應(yīng)用，2011，20（6）：238-242.

[4]張飛云.基于提升小波和學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的小麥病害圖像識別[J].江蘇農(nóng)業(yè)科學(xué)，2013，41（5）：103-106.

[5]張飛云.基于多重分形譜的小麥病害圖像特征提取方法[J].江蘇農(nóng)業(yè)科學(xué)，2013，41（3）：90-92.

[6]張曉萌，付燕. 圖像分割技術(shù)研究[J]. 科技情報開發(fā)與經(jīng)濟，2007，17（18）：183-184.

[7]劉志華，程鵬飛. 黃瓜侵染性病害圖像處理及特征值提取方法的研究[J]. 山西農(nóng)業(yè)大學(xué)學(xué)報：自然科學(xué)版，2006，26（4）：351-354.

[8]Meunkaewjinda A，Kumsawat P，Attakitmongcol K，et al. Grape leaf disease detection from color imagery using hybrid intelligent system[C]//ECTI-CON 2008：Proceedings of the 2008 5th international conference on electrical engineering/electronics，computer，telecommunications and information technology.IEEE Press，2008：513-516.

[9] Camargoa A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.endprint

[10]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，2011，27（2）：208-212.

[11]毛罕平，張艷誠，胡波. 基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J]. 農(nóng)業(yè)工程學(xué)報，2008，24（9）：136-140.

[12]劉芝京. 基于圖像處理的黃瓜細(xì)菌性角斑病的識別研究[D]. 成都：西華大學(xué)，2012：4-8.

[13]翟燕慧. 圖像分割常用算法優(yōu)缺點探析[J]. 探索研究，2010，3（2）：57-58.

[14]徐奕奕，劉智琦，劉琦. 基于改進的分水嶺算法圖像分割方法研究[J]. 計算機仿真，2011，28（9）：272-274.

[15]張毅. 分水嶺算法在圖像分割中的應(yīng)用研究[D]. 廣州：廣東工業(yè)大學(xué)，2013：18-30.

[16] Gonzales R C. 數(shù)字圖像處理：MATLAB版[M]. 3版.阮秋琦，譯.北京：電子工業(yè)出版社，2005：315-320.

[17]Ji Q H，Shi R G. A novel method of image segmentation using watershed transformation[C]//Conference on Computer Science and Network Technology. Harbin：Harbin Normal University，2011：1590-1594.

[18]陳林林，楊晨，李敏娟，等. 基于形態(tài)學(xué)梯度重建的分水嶺算法改進研究[J]. 中國印刷與包裝研究，2013，5（4）：112-118.

[19]Young N，Evans A N. Median centered difference gradient operator and its application in watershed segmentation[J]. Electronics Letters，2011，47（3）：178-180.

[20]姬寶金，呂建平. 基于梯度重建與形態(tài)學(xué)分水嶺算法的圖像分割[J]. 通信技術(shù)，2009，42（5）：98-99，102.

[21]葛世國，王茂芝，劉娟娟，等. 基于標(biāo)記的改進分水嶺分割算法[J]. 四川理工學(xué)院學(xué)報：自然科學(xué)版，2013，26（2）：57-61.

[22]陳潔，胡永，劉澤國. 基于標(biāo)記的分水嶺圖像分割算法研究[J]. 軟件，2012，33（9）：115-117.

[23]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]. 計算機應(yīng)用，2012，32（3）：752-755.李久林，高亮，劉君，等. 基于二維碼的蔬菜溯源信息管理平臺的設(shè)計[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（2）：403-405.endprint