劉立群 王聯(lián)國 火久元 郭小燕

基于改進和聲搜索算法的玉米葉片病害圖像分割算法

劉立群1王聯(lián)國1火久元2郭小燕1

1(甘肅農(nóng)業(yè)大學信息科學技術(shù)學院 甘肅 蘭州 730070)

2(蘭州交通大學電子與信息工程學院 甘肅 蘭州 730070)

針對最大類間方差法在圖像分割時存在造成噪聲干擾和過分割的缺點，提出一種基于改進和聲搜索算法的玉米葉片病害圖像分割算法。算法將玉米葉片病害圖像編碼處理，選取圖像的類間方差作為改進和聲搜索算法的適應度值，通過改進和聲搜索算法尋找最優(yōu)的分割閾值，利用該最優(yōu)閾值使用經(jīng)典最大類間方差法對玉米葉片病害圖像進行分割。選取強光、中光、弱光條件下三幅玉米葉片病害圖像進行分割實驗，結(jié)果表明采用基于改進和聲搜索算法的玉米葉片病害圖像分割算法較最大類間方差法和基于混合蛙跳算法的圖像閾值分割算法均具有較好的圖像閾值尋優(yōu)能力，可有效提高玉米葉片病害圖像中病斑分割的效果。

最大類間方差法 改進和聲搜索算法 玉米葉片病害圖像 病斑分割 最優(yōu)分割閾值

0 引 言

玉米是優(yōu)良的飼料、主要的工業(yè)原料和優(yōu)質(zhì)的糧食作物，在滿足人們生活需求和保證糧食安全方面具有非常重要的作用。但是玉米病害每年都有大面積發(fā)生，嚴重影響了玉米的產(chǎn)量和品質(zhì)。傳統(tǒng)玉米病害的診斷方法主要依靠農(nóng)業(yè)生產(chǎn)者或科研人員的視覺判斷識別病害的種類、嚴重程度及受害區(qū)域，這種識別方法主觀性強，診斷結(jié)果容易出現(xiàn)偏差[1]。當前，圖像識別在農(nóng)業(yè)方面的應用研究已經(jīng)取得了很大的進展，并且成為現(xiàn)代農(nóng)業(yè)研究的熱點[2]。其中圖像分割技術(shù)是圖像處理和計算機視覺中基本而關(guān)鍵的技術(shù)之一，也是圖像理解與模式識別的前提[3]。

閾值分割法是一種極為重要且廣泛使用的圖像分割方法[4]。大津展之(OTSU)在1979年提出的通過最大類間方差準則來選取閾值的方法(OTSU算法)[5]是閾值分割的經(jīng)典算法。OTSU算法是利用圖像中的灰度直方圖，以目標與背景之間的方差最大而動態(tài)地確定圖像分割閾值[6，7]。這種方法雖然解決了閾值分割門限的選取問題，但存在缺乏自適應性、易造成噪聲干擾和過分割現(xiàn)象、運算需要大量的時間等問題[4]，經(jīng)典OTSU算法尚需進一步改進。因此，采用經(jīng)典的OTSU算法對蘋果圖像進行分割，其識別效果是遠遠不能滿足用戶需求的。為了能更好地對蘋果圖像進行識別，需要尋求一種更簡單、效率更高的方法求取圖像的最優(yōu)閾值。近年來，人工智能中的智能搜索算法在科學和工程領(lǐng)域的成功應用，對農(nóng)副產(chǎn)品領(lǐng)域的應用及推廣起著一種積極的帶動作用。

和聲搜索HS(Harmony search)算法[8]是通過類比音樂和最優(yōu)化問題相似性提出的啟發(fā)式智能進化算法。算法是對音樂演奏中樂師們憑借自己的記憶，通過反復調(diào)整樂隊中各樂器的音調(diào)，最終達到一個美妙和聲狀態(tài)過程的模擬。HS算法概念簡單，收斂速度快，容易實現(xiàn)，解的產(chǎn)生方式新穎，且只有少數(shù)參數(shù)需要調(diào)整，在有關(guān)問題上展示了較遺傳算法、模擬退火算法和禁忌搜索更好的性能[9]。盡管如此，由于HS算法是單個體迭代算法，迭代后期存在收斂速度緩慢，易陷入局部最優(yōu)及求解質(zhì)量不高等缺點[10,11]。文獻[12]針對HS算法音調(diào)微調(diào)機制中存在隨機性更新的缺陷，將全局共享因子[13]思想引入HS算法，提出一種全局共享因子的和聲搜索算法GSF-HS(Harmony Search Algorithm with Global Sharing Factor)，測試結(jié)果表明，GSF-HS算法有效改善了HS算法的優(yōu)化性能。本文采用文獻[12]全局共享因子的和聲搜索算法與經(jīng)典閾值分割OTSU方法結(jié)合的方法，提出一種基于改進和聲搜索算法的玉米葉片病害圖像分割算法MISHS-OTSU(Maize Leaf Disease Image Segmentation Algorithm based on Improved Harmony Search Algorithm)，對玉米葉片病害圖像進行分割，以提高葉片病害圖像中病斑的識別效果。

1 OTSU算法閾值分割原理

最大類間方差法(OTSU算法)是一種全局閾值選取方法。其基本思想是利用圖像的灰度直方圖，以目標和背景的方差最大來動態(tài)地確定圖像的分割閾值。

假設閾值t將圖像分成兩類C0和C1(目標和背景)，即C0和C1分別對應具有灰度級{0,1,…,t}和{t+1,t+2,…,L-1}的像素。則兩類的類間方差如式(1)：

(1)

最佳閾值t*應使類間方差最大，這是個最優(yōu)化問題，如式(2)所示：

(2)

其中ω0和ω1分別表示C0類和C1類的發(fā)生概率；μ0和μ1分別表示C0類和C1類的平均灰度值；μT表示整幅圖像的平均灰度。

2 改進和聲搜索算法與OTSU算法結(jié)合原理

2.1 改進和聲搜索算法思想

HS算法音調(diào)微調(diào)機制中利用隨機數(shù)r∈[0,1]產(chǎn)生新和聲[8]，針對這種隨機性使HS算法易出現(xiàn)收斂速度慢、精度低等問題的缺陷，文獻[12]提出了改進和聲搜索算法，其算法思想如下：

隨機產(chǎn)生HMS個初始解(和聲)放入和聲記憶庫HM(HarmonyMemory)內(nèi)，HMS為和聲記憶庫的大小，HMCR為和聲記憶庫取值概率，PAR為音調(diào)微調(diào)概率，BW為音調(diào)微調(diào)帶寬，Tmax為算法創(chuàng)作的次數(shù)，且r1,r2,r∈[0,1]。假設問題是求最小值，其表達形式如下所示：

minf(x)

(3)

s.t.

xi∈Xii=1,2,…N

隨機生成HMS個和聲x1,x2，…,xHMS放入和聲記憶庫，其形式如下：

(4)

如果r1

(5)

如果r2

(6)

其中，全局共享因子αG按式(7)、式(8)計算[12]：

αG=(1-δG)·αfinal

(7)

(8)

(9)

對和聲記憶庫按以下更新策略進行更新：

xworst=x′

(10)

上述過程不斷重復，直至創(chuàng)作(迭代)次數(shù)達到Tmax為止。

2.2 基于改進和聲搜索算法的玉米葉片病害圖像分割算法思想

本文采用文獻[12]改進和聲搜索算法，將其應用于玉米葉片病害圖像閾值分割中，提出一種基于改進和聲搜索算法的玉米葉片病害圖像分割算法MISHS-OTSU。

MISHS-OTSU算法是將玉米葉片病害圖像編碼處理后，將圖像作為目標函數(shù)進行閾值尋優(yōu)，選取圖像的類間方差作為改進和聲搜索算法的適應度值，通過改進和聲搜索算法尋找最優(yōu)的分割閾值，利用該最優(yōu)閾值使用經(jīng)典OTSU算法對玉米葉片病害圖像進行分割，從而提高玉米葉片病害圖像中病斑分割的效果。

MISHS-OTSU算法思想如下：

Step1：讀取玉米葉片病害圖像，對原始圖像進行預處理。

Step2：統(tǒng)計圖像目標和背景的灰度級像素，計算圖像目標和背景兩類間方差。

Step3：隨機生成初始和聲群體，進行8位二進制編碼，HMS=256為和聲記憶庫的大小。第i個和聲記為xi=(x1,x2,…,xN)，其中N=8為和聲音調(diào)個數(shù)。

Step4：選取圖像類間方差作為HS算法的目標函數(shù)f(xi)，按式(4)初始化和聲記憶庫HM。

Step6：輸出最優(yōu)閾值，使用OTSU算法對玉米葉片病害圖像進行分割，輸出分割后的玉米葉片病害圖像。

2.3 基于改進和聲搜索算法的玉米葉片病害圖像分割算法偽代碼

MISHS-OTSU算法核心偽代碼如下：

Begin

read(image);

process(image);

equation_compute(image);

//計算類間方差

For(i

Begin

For(j

//隨機生成初始和聲群體

f(xi)=equation;

// 取類間方差作為HS目標函數(shù)f(xi)

End

For(i

Begin

//計算全局共享因子αG

For(j

Begin

if(r1

Begin

//學習和聲記憶庫產(chǎn)生新音調(diào)

//新音調(diào)根據(jù)αG音調(diào)微調(diào)

End

//隨機選擇音調(diào)產(chǎn)生新和聲

End

if(f(xworst)>f(x′))f(xworst)=f(x′);

//按更新策略對和聲記憶庫進行更新

End

print(f(xbest));

segment(image, f(xbest));

plot(image);

End

2.4 MISHS-OTSU算法效率分析

MISHS-OTSU算法是在OTSU算法基礎(chǔ)上引入了改進和聲搜索算法進行最優(yōu)閾值選取的，因此算法效率的改變主要體現(xiàn)在Step5上。分析得知改進后和聲搜索算法的時間復雜度是O(Tmax×N)，空間復雜度是O(HMS×N+HMS)。當圖像灰度級別為L時，原OTSU算法的時間復雜度和空間復雜度均是O(L2)，而MISHS-OTSU算法的時間復雜度是O(L2+Tmax×N)，空間復雜度是O(L2+HMS×N+HMS)。因此MISHS-OTSU算法在運算時間和存儲空間上均比原OTSU算法要多。

3 玉米葉片病害圖像分割實驗

3.1 實驗設計

隨機選擇強光、中光、弱光條件共3幅玉米葉片病害圖像進行實驗。分別使用經(jīng)典OTSU法、基于混合蛙跳算法[14]的圖像閾值分割算法(簡稱SFLA-OTSU)和基于改進和聲搜索算法的玉米葉片病害圖像分割算法(簡稱MISHS-OTSU)三種方法對處理后的玉米葉片病害圖像進行分割實驗。

實驗參數(shù)設置如下：由于圖像灰度值在0～255之間，故將每個可能的灰度閾值編碼為8位二進制編碼[6]。故算法最初理論應生成256個初始和聲群體，為方便構(gòu)成和聲記憶庫，取HMS=200，和聲音調(diào)個數(shù)N=8，其余參數(shù)依據(jù)文獻[12]進行設置，即HCMR=0.9，PAR=0.3，BW=0.01，Tmax=30 000。根據(jù)共享因子理論與實驗分析[13]，取αinit=0.1，αfinal=1.2。計算機處理器為Intel Core2，主頻為2.0 GHz，內(nèi)存為2.0 GB，測試平臺是VC++6.0，圖片處理軟件是Matlab 7.0。最終測試結(jié)果采用獨立運行30次后的平均值。

圖像分割實驗通過分割出的葉片病斑數(shù)與葉片實際病斑數(shù)的比較評價三種分割方法的分割效果。分別定義識出率(RDetection)[15]、識別成功率(RSuccess)[15]、誤識率(RError)[15]和漏識率(RMiss)[15]4個指標進行衡量，如式(11)-式(14)所示：

(11)

(12)

(13)

RMiss=100%-RSuccess

(14)

3.2 結(jié)果分析

3.2.1 三種圖像分割方法對應最優(yōu)閾值分析

強光、中光、弱光條件下的3幅圖像分別采用三種圖像分割方法后尋取的最優(yōu)閾值比較見表1所示。

表1 三種圖像分割方法對應最優(yōu)閾值比較

由表1可以看出，當玉米葉片病害圖像處在不同光照條件時，采用MISHS-OTSU對應的最優(yōu)閾值均不同于OTSU和SFLA-OTSU，且與OTSU的相差較大，使用該閾值會使得圖像分割結(jié)果對比更為明顯。

3.2.2 不同光照條件玉米葉片病害圖像分割效果分析

3幅圖像在強光、中光、弱光條件下三種圖像分割方法的分割效果比較見表2所示。圖1為中光條件原始圖像，圖2-圖4為采用OTSU、SFLA-OTSU及MISHS-OTSU方法對中光圖像進行分割的結(jié)果。

從結(jié)果可以看出，強光條件下，光線直接照射在玉米葉片上，葉片及病斑對比較為明顯，表1顯示MISHS-OTSU算法取得閾值最大，表2數(shù)據(jù)顯示識出率和識別成功率均達到100%，結(jié)果理想。中光條件下，圖4顯示分割后對比度較為明顯，表2數(shù)據(jù)顯示采用OTSU和SFLA-OTSU時，均不同程度存在誤識率和漏識率，采用MISHS-OTSU算法時，誤識率降低為0%，且漏識率也低于其他兩種分割方法。弱光條件下，葉片及病斑之間的對比度不明顯，造成了分割的困難，表2數(shù)據(jù)顯示三種分割方法均不同程度存在誤識率和漏識率，但以MISHS-OTSU算法最低，且MISHS-OTSU的識出率達到了100%，其識別成功率亦高于其他兩種分割方法。

實驗結(jié)果表明，改進后MISHS-OTSU較OTSU和SFLA-OTSU方法均具有較好的圖像閾值尋優(yōu)能力，可有效提高玉米葉片病害圖像病斑的分割效果。

表2 三種光照條件下圖像分割效果比較

圖1 中光條件原始圖像

圖2 中光條件OTSU分割結(jié)果

圖3 中光條件SFLA-OTSU分割結(jié)果

圖4 中光條件MISHS-OTSU分割結(jié)果

4 結(jié) 語

本文提出一種基于改進和聲搜索算法的玉米葉片病害圖像分割算法，將改進和聲搜索算法與經(jīng)典閾值分割OTSU算法相結(jié)合，對玉米葉片病害圖像進行閾值尋優(yōu)。圖像分割實驗表明，基于改進和聲搜索算法的玉米葉片病害圖像分割算法具有良好的圖像閾值尋優(yōu)能力，可提高玉米葉片病害圖像中病斑分割的效果。對不同光照條件下的玉米葉片病斑測試，強光和弱光條件下識出率均達到100%，強光和中光條件下誤識率可達到0%，該算法對玉米葉片病斑的有效分割，可推廣至其他農(nóng)作物葉片病害圖像的分割識別應用領(lǐng)域中。本文需進一步對玉米葉片的病害類型及病斑種類進行研究，以對不同類型的病斑進行分類分割。對其他農(nóng)作物葉片病害圖像中的不同類型病斑有待進一步分類研究。

[1] 張飛云. 基于量子神經(jīng)網(wǎng)絡和組合特征參數(shù)的玉米葉部病害識別[J]. 南方農(nóng)業(yè)學報，2013，44(8)：1286-1290.

[2] 趙玉霞，王克如，白中英. 貝葉斯方法在玉米葉部病害圖像識別中的應用[J]. 計算機工程與應用，2007， 43(5)：193-195.

[3] 胡敏，李梅，汪榮貴. 改進的Otsu算法在圖像分割中的應用[J]. 電子測量與儀器學報，2010，24(5)：443-449.

[4] 路彬彬，賈振紅，何迪.基于混合蛙跳算法改進的 OTSU 遙感圖像分割方法[J]. 計算機應用與軟件，2011，28(9)：77-79,105.

[5] OTSU N. A Threshold Selection Method from Gray-Level Histograms[J]. IEEE Transactions on Systems,Man,and Cybernetics, 1979, 9(1): 62-66.

[6] 李惠光，姚磊，石磊. 改進的Otsu理論在圖像閾值選取中的應用[J]. 計算機仿真，2007，24(4)：216-220.

[7] 江禹生，宋香麗，任晶晶.基于遺傳算法的二維 Otsu算法改進[J]. 計算機應用研究，2010，27(3)：1189-1191.

[8] Geem ZW, Kim JH, Loganathan GV. A new heuristic optimization algorithm: harmony search[J]. Simulation, 2001, 76(2):60-68.

[9] 趙鵬軍，劉三陽.一種新的智能優(yōu)化及其改進研究[J]. 小型微型計算機系統(tǒng)，2010，31(5)：955-958.

[10] 雍龍泉.和聲搜索算法研究進展[J]. 計算機系統(tǒng)應用，2011，20(7)：244-248.

[11] 韓紅燕，潘全科，梁靜.改進和聲搜索算法在函數(shù)優(yōu)化中的應用[J]. 計算機工程，2010，36(13):245-247.

[12] 劉立群，火久元，王聯(lián)國. 全局共享因子的和聲搜索算法[J]. 重慶理工大學學報：自然科學版，2014，28(2)：82-86.

[13] 劉立群，王聯(lián)國，韓俊英，等. 基于全局共享因子的混合蛙跳算法[J]. 計算機工程，2013，39(10):162-166.

[14] Eusuff M M, Lansey K E. Optimization of water distribution network design using the shuffled frog leaping algorithm[J] . Journal of Water Sources Planning and Management, 2003,129(3):210- 225.

[15] 錢建平，楊信廷，吳曉明，等.自然場景下基于混合顏色空間的成熟期蘋果識別方法[J]. 農(nóng)業(yè)工程學報，2012，28(17)：137-142.

MAIZE LEAF DISEASE IMAGE SEGMENTATION ALGORITHM BASED ON IMPROVED HARMONY SEARCH ALGORITHM

Liu Liqun1Wang Lianguo1Huo Jiuyuan2Guo Xiaoyan1

1(CollegeofInformationScienceandTechnology,GansuAgriculturalUniversity,Lanzhou730070,Gansu,China)2(SchoolofElectronicandInformationEngineering,LanzhouJiaotongUniversity,Lanzhou730070,Gansu,China)

To solve the problem of noise interference and over-segmentation the OTSU method has in image segmentation, we proposed maize leaf disease image segmentation algorithm which is based on improved harmony search algorithm. By coding the maize leaf disease images, the algorithm selects between-class variance as the fitness value of the improved harmony search algorithm, searches optimal segmentation threshold through improved harmony search algorithm, and uses this optimal threshold and OTSU to segment maize leaf disease images. By choosing three maize leaf disease images under three conditions of strong light, medium light and weak light for segmentation experiments, the results indicated that the maize leaf disease image segmentation algorithm based on improved harmony search algorithm possessed much better image threshold optimisation performance compared with both the OTSU and the image threshold segmentation algorithm based on shuffled frog leaping algorithm, it could effectively improve segmentation effect of maize leaf disease images.

OTSU Improved harmony search algorithm Maize leaf disease image Disease spot segmentation Optimal segmentation threshold

2014-04-30。國家自然科學基金項目(61063028)；甘肅省科技計劃資助項目(145RJYA288)；甘肅省教育廳研究生導師項目 (1102-05)；甘肅農(nóng)業(yè)大學盛彤笙科技創(chuàng)新基金項目(GSAU-STS-1322)；中國博士后科學基金項目(2013M542398)；甘肅省自然科學研究基金計劃項目(1308RJZA214，1208RJZA133)；甘肅省高等學校研究生導師科研項目(1202-04)；蘭州交通大學青年科學基金項目(2013032)。劉立群，副教授，主研領(lǐng)域：智能計算，無線局域網(wǎng)安全技術(shù)。王聯(lián)國，教授?；鹁迷?，副教授。郭小燕，副教授。

TP301.6

A

10.3969/j.issn.1000-386x.2016.04.043