崔世鋼，次丹妮，梁　帆（天津職業(yè)技術(shù)師范大學(xué)天津市信息傳感與智能控制重點(diǎn)實(shí)驗(yàn)室，天津　300222）

基于Lab顏色空間和遺傳算法的苦苣菜葉片病斑分割

崔世鋼，次丹妮，梁帆
（天津職業(yè)技術(shù)師范大學(xué)天津市信息傳感與智能控制重點(diǎn)實(shí)驗(yàn)室，天津300222）

摘要：隨著可耕地的不斷減少，植物生長(zhǎng)柜的出現(xiàn)可以高效地給人們提供更加高質(zhì)量的綠色蔬菜。但有時(shí)因營(yíng)養(yǎng)液成分配比不均或一些不可預(yù)知的因素存在，使植物生長(zhǎng)柜中的蔬菜出現(xiàn)了病斑。這種病害會(huì)對(duì)植物生長(zhǎng)柜中的其他蔬菜造成影響，因此在對(duì)其進(jìn)行識(shí)別和診斷時(shí)，首要的就是進(jìn)行分割并提取病斑。本文采用一種在Lab空間下用遺傳算法對(duì)苦苣菜葉片病斑進(jìn)行提取的方法，把圖像從RGB模型轉(zhuǎn)換到Lab模型，把彩色圖像轉(zhuǎn)換成Lab圖像；再采用遺傳算法快速尋取最佳閾值，對(duì)葉片進(jìn)行分割，完成對(duì)葉片正常區(qū)域和病斑區(qū)域的分離，最終還原出病斑的彩色圖像。結(jié)果表明，所提出的方法能夠精確地提取出葉片病斑區(qū)域。

關(guān)鍵詞：病斑分割；遺傳算法；植物生長(zhǎng)柜；Lab顏色空間

我國(guó)農(nóng)業(yè)發(fā)展面臨著利用有限資源滿足人們?nèi)找嬖鲩L(zhǎng)的對(duì)食品需求的重大挑戰(zhàn)。植物生長(zhǎng)柜的出現(xiàn)為未來(lái)農(nóng)業(yè)向垂直空間發(fā)展提供了有效的技術(shù)支撐，為以后可以在某些土地資源匱乏的地方實(shí)施種植提供了技術(shù)上的支持。隨著我國(guó)蔬菜產(chǎn)業(yè)快速迅猛地發(fā)展，蔬菜病害也隨之增加，特別是新病害的大量滋生嚴(yán)重制約著我國(guó)蔬菜產(chǎn)業(yè)的發(fā)展[1]。雖然植物柜中出現(xiàn)病害的情況較少，但是一旦在這個(gè)封閉的環(huán)境下出現(xiàn)病害，必然會(huì)造成比較嚴(yán)重的影響，蔬菜可能會(huì)出現(xiàn)大面積的病害感染，最終導(dǎo)致產(chǎn)量的降低。由于營(yíng)養(yǎng)液成分配比不均或一些不可預(yù)知的因素的出現(xiàn)會(huì)使植物生長(zhǎng)柜中的蔬菜出現(xiàn)病斑，所以有必要研究如何精確地識(shí)別出植物生長(zhǎng)柜中蔬菜的病害，以便后續(xù)在封閉的柜式環(huán)境下，通過(guò)控制生長(zhǎng)柜內(nèi)的溫度、濕度等環(huán)境因素，為蔬菜提供最適宜的生長(zhǎng)環(huán)境，使其處于最佳生長(zhǎng)狀態(tài)。根據(jù)獲得的病害信息，可以采取有效的防治措施，控制病害的發(fā)生，最大程度上挽回病害造成的經(jīng)濟(jì)損失。因此研究病斑圖像的分割對(duì)于研究整個(gè)蔬菜的病蟲害問(wèn)題具有重要意義。

傳統(tǒng)的圖像分割[2]主要可以分為經(jīng)典的圖像分割方法和結(jié)合特定理論的圖像分割方法2大類。在經(jīng)典的方法中，又以基于閾值的分割、基于邊緣檢測(cè)的分割和利用圖像中灰度變化的區(qū)域信息方法的分割作為代表。相機(jī)拍到的圖像會(huì)受到光照亮度的影響，傳統(tǒng)的基于閾值分割的蔬菜病斑識(shí)別方法，不能去除不均勻光照對(duì)圖像的影響。另一些方法是將某些特定學(xué)科理論如統(tǒng)計(jì)學(xué)、模糊論、數(shù)學(xué)形態(tài)學(xué)與圖像分割進(jìn)行融合，從而提高分割的精度，但是這些方法中只考慮了顏色信息的離散度，沒(méi)有考慮像素的空間關(guān)系，閾值的自動(dòng)確定比較困難?？嘬牟藞D像本身邊緣細(xì)碎、不規(guī)則、受光照影響較大，而且其病斑與正常葉片的色差較小，不易辨識(shí)。因此，本文提出了基于Lab顏色空間和遺傳算法來(lái)分割苦苣菜葉片病斑的方法。Lab顏色空間[3]具有等距性和色差高分辨力的特點(diǎn)，非常適合在色差較小的情況下進(jìn)行顏色測(cè)量和比較。遺傳算法具有魯棒性、并行性、自適應(yīng)性等特點(diǎn)，利用其高效、并行的尋優(yōu)能力可以大大縮短閾值的選取時(shí)間，提高分割效率，提高圖像處理的效率。

1　材料與方法

由于選用拍照設(shè)備的不同也會(huì)對(duì)采集的圖片質(zhì)量造成一定的影響，而Lab顏色空間是目前最均勻的顏色空間，它與設(shè)備無(wú)關(guān)，更加適用于接近自然光照的場(chǎng)合，所以本文提出在Lab顏色空間上用遺傳算法選取最佳閾值，對(duì)病斑葉片進(jìn)行分割。首先，將原始圖像從RGB空間轉(zhuǎn)換到lab空間；之后運(yùn)用數(shù)學(xué)形態(tài)學(xué)進(jìn)行平滑濾波，消除孤立點(diǎn)，改善圖像質(zhì)量；最后，采用遺傳算法快速尋取最佳閾值，對(duì)圖像進(jìn)行分割，完成了對(duì)病斑區(qū)域的提取。采用遺傳算法提取植物生長(zhǎng)柜中苦苣菜葉片病斑圖像的流程圖如圖1所示。

圖1　采用遺傳算法提取植物生長(zhǎng)柜中苦苣菜葉片病斑圖像的流程圖

1.1實(shí)驗(yàn)環(huán)境和圖像的獲取

本實(shí)驗(yàn)在智能植物生長(zhǎng)柜環(huán)境下進(jìn)行，以苦苣菜葉片作為研究對(duì)象。為保證植物生長(zhǎng)所必需的各種營(yíng)養(yǎng)元素以及提供適宜的生長(zhǎng)環(huán)境，實(shí)驗(yàn)采用標(biāo)準(zhǔn)營(yíng)養(yǎng)液水培的方式，并通過(guò)智能控制面板調(diào)節(jié)柜內(nèi)環(huán)境參數(shù)：LED光源設(shè)置為白色光源，光照度設(shè)置為3000 LUX，溫度設(shè)置為23℃，濕度設(shè)置為60%，二氧化碳質(zhì)量分?jǐn)?shù)設(shè)置為600×10-6。

摘取植物生長(zhǎng)柜中有病斑的苦苣菜葉片，置于白色背景板上（選用白色紙板可以有效區(qū)別背景顏色與葉片），用1 300萬(wàn)像數(shù)的相機(jī)進(jìn)行拍攝，獲取有病斑的葉片。拍攝葉片時(shí)應(yīng)使數(shù)碼相機(jī)與被測(cè)葉片保持較遠(yuǎn)的距離，使拍攝的焦距拉長(zhǎng)，使人為誤差大大降低。這樣就將葉片信息轉(zhuǎn)化成計(jì)算機(jī)可識(shí)別的圖像信息，采集環(huán)境如圖2所示。

圖2　白色LED燈光下植物生長(zhǎng)柜中苦苣菜的生長(zhǎng)環(huán)境

1.2彩色圖像預(yù)處理

彩色圖像處理中顏色空間的選取至關(guān)重要，不同的顏色空間有不同的應(yīng)用目的和背景。一般可選擇的顏色空間模型有RGB、YUV、HSI、HSV等顏色空間。傳統(tǒng)的分割一般都選用在RGB彩色圖像下進(jìn)行，本文選取的是在Lab顏色空間下進(jìn)行分割。Lab空間細(xì)分了明度指數(shù)和色品指數(shù)的級(jí)差，具有較高的色差分辨力，更適合在色差較小的情況下進(jìn)行顏色分析。Lab顏色模型彌補(bǔ)了RGB色彩模式的不足，這就意味著RGB所能描述的色彩信息都可以在Lab空間中得到映射。Lab顏色模型中L表示亮度，a和b表示2個(gè)顏色通道。L的值域可以從0～100由深變淺；a包括的顏色是從深綠色（低亮度值）到灰色（中亮度值）再到亮粉紅色（高亮度值）；b是從亮藍(lán)色（底亮度值）到灰色（中亮度值）再到黃色（高亮度值）。因此，這種顏色混合后產(chǎn)生的明亮效果色彩可以使分割出來(lái)的病斑特征更加明顯。RGB到Lab的轉(zhuǎn)換使用XYZ作為中間模式間接進(jìn)行，其公式為：

RGB的取值范圍為[0，1），計(jì)算完成后得到XYZ的取值范圍，將XYZ轉(zhuǎn)換到Lab。其中f（x）是一個(gè)校正函數(shù)，它的值域和自變量一樣都是[0，1），計(jì)算完成后，得到L的取值范圍[0，100），而a和b則為[-169，+169]和[-160，+160]，如式（2）和式（3）所示。

1.3閾值分割

本文采用遺傳算法快速尋優(yōu)得到最佳的閾值，完成對(duì)圖像的分割，實(shí)現(xiàn)對(duì)病斑區(qū)域的提取。遺傳算法的基本原理是通過(guò)模擬生物個(gè)體間的基因變換、變異和種群的世代更替，保存對(duì)環(huán)境適應(yīng)度高的染色體，淘汰適應(yīng)度低的染色體，以實(shí)現(xiàn)優(yōu)化的目的。它需要解決的問(wèn)題越復(fù)雜、目標(biāo)越不明確，其優(yōu)越性就越大。

在搜索之前，先將變量以二進(jìn)制編碼形式進(jìn)行編碼，其編碼長(zhǎng)度少且不需要再次轉(zhuǎn)換編碼和解碼。將遺傳算法應(yīng)用于圖像分割求取最優(yōu)分割閾值時(shí)，選取控制參數(shù)是非常重要的，控制參數(shù)的選取對(duì)遺傳算法的性能有著較大影響。本文采用最大進(jìn)化代數(shù)控制算法的終止，設(shè)定最大代數(shù)為150，其他參數(shù)設(shè)置為染色體長(zhǎng)度lchrom=8、種群大小popsize=10、交叉概率cross_probability rate=0.7、變異概率mutation_ probability rate=0.4。其算法設(shè)計(jì)流程如圖3所示。

圖3　遺傳算法用于圖像分割的算法流程

1.4還原病斑的彩色圖像

閾值分割后所得到二值化圖像可以對(duì)病斑的外形特征進(jìn)行直觀的反映，但是并不能對(duì)顏色的具體形態(tài)進(jìn)行展示，所以需要重新設(shè)置R、G、B顏色通道，保留已經(jīng)分割出的二值圖的原彩色部分，用cat還原彩色圖像，得到最后的葉片病斑圖像。

2　實(shí)驗(yàn)結(jié)果與分析

本文選用植物生長(zhǎng)柜中有病斑的苦苣菜葉片彩色圖像在MATLAB7.1平臺(tái)上進(jìn)行實(shí)驗(yàn)，得到的每一代最佳閾值進(jìn)化曲線如圖4所示?？嘬牟巳~片的病斑原始圖像如圖5所示。采用遺傳算法在Lab顏色空間下求取苦苣菜葉片的病斑圖像如圖6所示。分離病斑后的苦苣菜葉片圖像如圖7所示。

圖4　每一代最佳閾值進(jìn)化曲線

圖5　苦苣菜葉片的病斑原始圖像

圖6　提取出的病斑圖像

圖7　分離病斑后的苦苣菜葉片圖像

實(shí)驗(yàn)結(jié)果表明：在MATLAB7.1平臺(tái)上，在Lab的顏色空間下可以很好地提取出葉片的病斑，加之使用遺傳算法縮短了閾值尋優(yōu)的時(shí)間，實(shí)現(xiàn)了病斑的自動(dòng)分割。

3　結(jié)束語(yǔ)

蔬菜的葉片是人類食用的主要部分，因此研究蔬菜葉片的發(fā)育情況，以及發(fā)現(xiàn)葉片病變情況對(duì)于保障生長(zhǎng)柜中蔬菜的健康成長(zhǎng)有著十分關(guān)鍵的作用。將RGB空間轉(zhuǎn)換為L(zhǎng)ab空間，可以降低顏色空間的幾何維數(shù)，削弱光照對(duì)葉片圖像的影響。遺傳算法具備的全局隨機(jī)搜索能力，使得它可以在復(fù)雜的大矢量空間中快速有效地找到全局最優(yōu)解，從而提高整個(gè)工作的效率。實(shí)驗(yàn)發(fā)現(xiàn)，計(jì)算機(jī)可以對(duì)苦苣菜葉片的病變部分進(jìn)行較為理想的提取。實(shí)驗(yàn)分析結(jié)果表明，葉片在顏色上發(fā)生的直觀變化可以很好地反映出葉片病變的程度，對(duì)葉片進(jìn)行顏色的觀察，使管理植物生長(zhǎng)柜的實(shí)驗(yàn)者可以及時(shí)了解葉片病變情況并掌握苦苣菜的生長(zhǎng)情況，調(diào)整苦苣菜生長(zhǎng)的環(huán)境參數(shù)以及營(yíng)養(yǎng)液的配比。同時(shí)，精確地選取病斑圖像有用的樣本信息可以為后期的病害識(shí)別和診斷奠定先期基礎(chǔ)。

參考文獻(xiàn)：

［1］王萍，唐江豐，王博，等.基于數(shù)學(xué)形態(tài)學(xué)的植物葉片圖像分割方法研究［J］.浙江農(nóng)業(yè)學(xué)報(bào)，2012，24（3）：509-513.

［2］栗娜，李萍，張善文.基于改進(jìn)遺傳算法的作物葉片病斑分割算法［J］.江蘇農(nóng)業(yè)科學(xué)，2014，42（7）：140-142.

［3］皺秋霞，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.

［4］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.

［5］陳佳娟.采用計(jì)算機(jī)視覺進(jìn)行棉花蟲害程度的自動(dòng)測(cè)定［J］.農(nóng)業(yè)工程學(xué)報(bào)，2001，17（2）：157-160.

［6］陳佳娟.基于圖像處理和人工智能的植物病害自動(dòng)診斷技術(shù)的研究［D］.長(zhǎng)春：吉林工業(yè)大學(xué)，2001.

［7］邱道尹，張紅濤.基于機(jī)器視覺的大田害蟲檢測(cè)系統(tǒng)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38（1）：120-122.

［8］程鵬飛，劉靜香，周春娥.基于圖像的植物病變?nèi)~面特征值提取研究［J］.安徽農(nóng)業(yè)科學(xué)，2010，38（27）：15000-15001.

Segmentation of common sow thistle leave disease spots based on Lab color space and genetic algorithm

CUI Shi-gang，CI Dan-ni，LIANG Fan
（Tianjin Key Laboratory of Information Sensing and Intelligent Control，Tianjin University of Technology and Education，Tianjin 300222，China）

Abstract：With the continuous decrease of arable land，the occurrence of plant growth cabinet can efficiently provide people with more high quality green vegetables. But sometimes uneven ratio of nutrient solution components or the existence of some unpredictable factors makes vegetables appeared disease spot in the Plant Growth Cabine. In order to avoid this kind of disease affect growth of other vegetables in the Plant Growth Cabine, we need to be recognition and diagnosis，the priority is splitting and extracting the disease spot. This paper puts forward a method to extract the disease spot of common sow thistle leave by the genetic algorithm in lab space. Firstly，Switch the image from the RGB model to Lab model，and transform the color image to Lab images；Secondly seek out optimal threshold based on the genetic algorithm fastly，the blade was divided，complete the separation of leave normal area and the disease spot area；Finally restore the color images of disease spot area. The test results show that the proposed method can accurately extract leave disease spot area.

Key words：segmentation of disease spots；genetic algorithm；plant growth cabinet；Lab color space

作者簡(jiǎn)介：崔世鋼（1963—），男，教授，博士，碩士生導(dǎo)師，研究方向?yàn)闄C(jī)器人控制、人工智能等.

基金項(xiàng)目：國(guó)家高技術(shù)研究發(fā)展計(jì)劃項(xiàng)目（863計(jì)劃）（2015AA033303，SS2013AA03120）；國(guó)家自然科學(xué)基金資助項(xiàng)目（61178048）.

收稿日期：2015-05-13

中圖分類號(hào)：TP391.41

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095－0926（2015）03－0004－04