張晴晴 張?jiān)讫? 齊國(guó)紅

摘要以黃瓜病害葉片為研究對(duì)象，采用直方圖閾值分割法去除背景，分別采用最大類間方差法（Otsu）和邊緣檢測(cè)法來(lái)分割黃瓜葉片中的病害部位，對(duì)比這2種方法的分割效果。最后，對(duì)已有的最大類間方差法進(jìn)行了改進(jìn)，對(duì)病害葉片圖像的紅色分量進(jìn)行了病斑分割。結(jié)果表明，邊緣檢測(cè)法分割出來(lái)的病斑部位輪廓具有不完整性，而最大類間方差法的分割效果較好。采用最大類間方差法對(duì)黃瓜病害葉片分割取得了較理想的效果，為后續(xù)病害識(shí)別奠定了基礎(chǔ)。

關(guān)鍵詞作物病斑；直方圖；邊緣檢測(cè)法；最大類間方差法

中圖分類號(hào)S126文獻(xiàn)標(biāo)識(shí)碼A文章編號(hào)0517-6611（2017）12-0193-03

AbstractTaking diseased cucumber leaves as research object，the background was removed by the histogram threshold segmentation method. The diseased parts of cucumber leaves were segmented by using Otsu method and edge detection method. Otsu method was improved and be used to segment red component of disease spots. The results showed that the profile of the disease spot segmented by edge detection method was incomplete，and the segment effect of Otsu method was better. A better segmentation effect of diseased cucumber leaves was obtained by using Otsu method，which laid the foundation for identifying disease in the future.

Key wordsCrop disease spot；Histogram；Edge detection method；Otsu method

在農(nóng)作物的病害識(shí)別研究過(guò)程中，通常需要將病害目標(biāo)從圖像中提取出來(lái)，即進(jìn)行圖像分割[1]。圖像分割技術(shù)在圖像處理中占據(jù)重要地位，它是計(jì)算機(jī)視覺(jué)和圖像識(shí)別的最基本內(nèi)容。圖像分割就是利用灰度、紋理等特征向量來(lái)檢驗(yàn)區(qū)域的一致性，從而將圖像分割成不同區(qū)域，病害圖像分割的好壞對(duì)病害識(shí)別的成敗起著決定性的作用[2]。

董丕霞[3]在迭代分割閾值算法的基礎(chǔ)上結(jié)合顏色特征、形態(tài)學(xué)腐蝕膨脹處理提出了新的病斑分割方法，獲取位置準(zhǔn)確的病斑彩色圖，缺點(diǎn)是對(duì)未知顏色范圍的病害識(shí)別具有局限性。Camargo等[4]對(duì)采集的RGB病害圖像進(jìn)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?jī)?yōu)化閾值方法對(duì)病斑進(jìn)行了分割。毛罕平等[5]采用模糊C均值的聚類對(duì)棉花病害圖像進(jìn)行自適應(yīng)分割。Meunkaewjinda等[6]利用優(yōu)化遺傳算法對(duì)病害葉片進(jìn)行了分割。通過(guò)這些分割方法均能獲得很好的分割效果，同時(shí)也存在很多問(wèn)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(duì)噪聲很敏感。水平集模型在分割精度上有所提高，但分割速度并沒(méi)有得到改善。聚類算法和遺傳算法在分割過(guò)程中需要設(shè)置許多復(fù)雜參數(shù)，容易造成分割結(jié)果因參數(shù)變化而不穩(wěn)定。在一些實(shí)時(shí)性要求較高、系統(tǒng)較復(fù)雜的領(lǐng)域，特別需要的是計(jì)算量小、魯棒性好的閾值自動(dòng)選取算法。

最大類間方差法，又稱Otsu法，是在灰度直方圖的基礎(chǔ)上采用最小二乘法原理推導(dǎo)出來(lái)的，具有統(tǒng)計(jì)意義的最佳分割閾值[7]。最大類間方差法算法簡(jiǎn)單，自適應(yīng)能力較強(qiáng)，在圖像分割上具有廣泛應(yīng)用。筆者利用雙峰法從背景中分割出目標(biāo)葉片，利用Otsu法將正常葉片部位與病態(tài)部位分割，結(jié)果表明該算法的速度快，具有理想的分割效果。

1材料與方法

為了研究最大類間方差法的圖像分割，選用病害葉片和健康葉片易于區(qū)分的黃瓜葉片為研究對(duì)象。為了更好地對(duì)病害葉片進(jìn)行圖像分割，將采集到的病害葉片放在白紙上，盡量使黃瓜葉片充滿整個(gè)相機(jī)畫(huà)面，在自然光照的非強(qiáng)光條件下進(jìn)行拍照存儲(chǔ)。圖1為試驗(yàn)采集到的黃瓜病害葉片。

1.1直方圖閾值法去除背景

直方圖閾值分割法就是將大于閾值T 的灰度值變換為255，將小于閾值T 的灰度值變換為0[8]。試驗(yàn)中采用的是白色背景的黃瓜病害葉片，葉片和背景的灰度值差異明顯，因此由灰度圖得到的直方圖呈現(xiàn)出明顯的雙峰性。通過(guò)分析RGB圖像R、G、B各個(gè)通道的直方圖發(fā)現(xiàn)，B分量直方圖葉片和背景的雙峰值差異最為明顯。因此，可根據(jù)B分量直方圖來(lái)去除背景。從 RGB 彩色圖像中提取出B分量圖，繪制出B分量直方圖。將直方圖的波谷點(diǎn)的灰度作為門限閾值T，根據(jù)直方圖閾值將B分量圖像轉(zhuǎn)換為二值圖像，如圖2所示。

1.2病害葉片的預(yù)處理

在對(duì)黃瓜葉片圖像的拍攝和存儲(chǔ)過(guò)程中會(huì)引入噪聲，從而影響黃瓜病害葉片的分割。因此，應(yīng)先對(duì)圖像進(jìn)行預(yù)處理，即平滑濾波[9]，再提取黃瓜葉片病害部位。常用的濾波方法有均值濾波、中值濾波和維納濾波。

均值濾波的基本思想是用圖像某像素點(diǎn)鄰域內(nèi)像素值的平均值代替該像素的灰度值。中值濾波是最常見(jiàn)的一種非線性去噪方法，該方法的基本思想是用某個(gè)含有奇數(shù)點(diǎn)的窗口所有像素點(diǎn)的灰度值的中值來(lái)代替圖像窗口中心點(diǎn)對(duì)應(yīng)位置像素點(diǎn)的像素值。維納濾波法是一種常用的線性去噪方法，該方法的基本思想是對(duì)圖像中每個(gè)像素進(jìn)行局部均值的估計(jì)以及方差的計(jì)算，利用其估計(jì)結(jié)果來(lái)達(dá)到圖像的自適應(yīng)去噪的目的。

分別采用均值濾波、中值濾波和維納濾波對(duì)獲取的黃瓜病害葉片圖像進(jìn)行平滑處理。因?yàn)閳D片中噪聲較多，所以為了達(dá)到較好的濾波效果且又能較好地保護(hù)圖像邊緣，試驗(yàn)中選5×5 的窗口進(jìn)行平滑處理。結(jié)果發(fā)現(xiàn)，均值濾波算法簡(jiǎn)單易行，運(yùn)算速度快，但該方法在除去噪聲的同時(shí)導(dǎo)致了圖像邊緣的模糊，嚴(yán)重影響到后續(xù)邊緣檢測(cè)處理，而圖像細(xì)節(jié)的模糊程度隨著鄰域的增大而增大。維納濾波也可以較好地保護(hù)邊緣和紋理細(xì)節(jié)，但去除噪聲的效果劣于中值濾波。中值濾波在保護(hù)邊緣和紋理細(xì)節(jié)方面優(yōu)于均值濾波，且去除噪聲的效果較好。因此，選用5×5 窗口的中值濾波進(jìn)行圖像平滑。

1.3黃瓜病害葉片病斑提取

1.3.1最大類間方差法。

通過(guò)比較黃瓜葉片的正常部位和病害部位發(fā)現(xiàn)二者的灰度值存在差異，因此可利用閾值分割法提取黃瓜葉片病害部位。閾值的選取決定了圖像分割的效果，閾值分割有很多方法，如模態(tài)法、p 參數(shù)法、雙閾值法和最大類間方差法。由于人工選取閾值的主觀性，筆者選用了最大類間方差法，從而可以自動(dòng)求取閾值。

最大類間方差法是由日本人大津首先提出的，也稱大津閾值法或最小類內(nèi)方差法。該方法根據(jù)圖像的一維直方圖，將目標(biāo)和背景的類間方差最大作為閾值選取準(zhǔn)則。該方法利用類間方差最大自動(dòng)確定閾值，簡(jiǎn)單、處理速度快，其基本思想[10-11]為：對(duì)于一幅圖像，其像素?cái)?shù)為N，灰度取值范圍為[0，L-1]，ni為灰度級(jí)i的像素?cái)?shù)，pi是灰度級(jí)為i的像素點(diǎn)出現(xiàn)的概率，則：

用閾值k將圖像中的像素按灰度值分成背景類和目標(biāo)類，表示為C0和C1，C0由灰度值在[0，k]之間的像素組成，C1由灰度值在[k+1，L-1]之間的像素組成，對(duì)于灰度分布幾率，則此幅圖像的均值為：

使k在[0，L-1]范圍依次取值，當(dāng)σB最大時(shí)對(duì)應(yīng)的k值即為最大類間方差法的最佳閾值。方差越大，分割出的圖像目標(biāo)與背景的差別越大。

分別提取彩色圖像的R、G、B 3個(gè)通道的圖像和其灰度圖像。采用最大類間方差法將它們轉(zhuǎn)換為二值圖像，以提取黃瓜葉片病害部位。

1.3.2邊緣檢測(cè)法。

對(duì)于黃瓜病害葉片，病態(tài)部位總存在邊緣，這些邊緣是指病態(tài)部位和正常部位交界處像素灰度發(fā)生跳變的點(diǎn)的集合。因此，可以利用邊緣檢測(cè)技術(shù)從RGB 圖像的紅色分量圖中提取病害部位的輪廓。求灰度圖像的梯度需要用邊緣檢測(cè)方法，邊緣檢測(cè)實(shí)際上是采用某種算法提取出圖像中對(duì)象與背景間的分界線。邊緣被定義為圖像中灰度發(fā)生變化劇烈的區(qū)域邊界。圖像灰度的變化情況可以用圖像灰度分布的梯度來(lái)反映，因此可以對(duì)局部圖像進(jìn)行微分運(yùn)算來(lái)獲得邊緣檢測(cè)算子，通常是對(duì)圖像中一個(gè)小范圍鄰域的內(nèi)像素來(lái)構(gòu)造邊緣檢測(cè)算子。

常用的邊緣檢測(cè)方法有Roberts 邊緣檢測(cè)算子、Sobel 邊緣檢測(cè)算子、Prewitt 邊緣檢測(cè)算子、Canny 邊緣檢測(cè)算子、LOG 邊緣檢測(cè)算子等。其中，Roberts 算子提取的邊緣較粗，對(duì)邊緣的定位不太準(zhǔn)確；Sobel 算子和Prewitt 算子對(duì)噪聲較多及模糊的圖像處理效果較好；Canny 算子不易受噪聲影響，能檢測(cè)到真正的弱邊緣；LOG 算子經(jīng)常出現(xiàn)雙像素邊界，而且對(duì)噪聲比較敏感。因此，最終選用Canny 算子提取病害部位的輪廓。

2結(jié)果與分析

通過(guò)對(duì)比發(fā)現(xiàn)，紅色分量圖像轉(zhuǎn)換而來(lái)的二值化圖像對(duì)病害部位的提取效果最佳。選用紅色分量圖像來(lái)提取黃瓜葉片的病害部位如圖3所示。從圖3可以看出，利用最大類間方差法可以較好地提取黃瓜病害葉片的病害部位。

從圖4可以看出，利用邊緣檢測(cè)法提取出來(lái)的病態(tài)部位輪廓不是很完整。通過(guò)比較閾值分割法和邊緣檢測(cè)法的病斑提取效果發(fā)現(xiàn)，利用最大類間方差法提取病斑具有操作簡(jiǎn)單、分割效果好的特點(diǎn)。因此，最大類間方差法更適用于黃瓜病害葉片的病斑提取。

為了對(duì)得到的病斑圖像進(jìn)行進(jìn)一步特征提取，需要對(duì)病斑進(jìn)行標(biāo)記，由最大類間方差法得到的病害圖像中病斑和背景都是白色，因而需要將背景轉(zhuǎn)化為黑色。首先，根據(jù)藍(lán)色分量圖提取出背景圖像（二值化圖像，葉片為黑色、背景為白色），然后根據(jù)紅色分量圖提取出病斑部位，此時(shí)的二值圖像病斑與背景均為白色；最后，利用此圖減去背景圖像即可得到病斑圖像。

3結(jié)論

筆者首先根據(jù)病害葉片和背景的灰度值存在明顯差異的特點(diǎn)，利用直方圖閾值法將背景和病害葉片進(jìn)行二值化分割。其次，利用病害葉片的病害部位和正常部位的紅色分量差異，分別采用最大類間方差法和邊緣檢測(cè)法對(duì)黃瓜病害葉片的病害部位進(jìn)行提取。結(jié)果表明，最大類間方差法具有實(shí)時(shí)性強(qiáng)、分割速度快的優(yōu)點(diǎn)，分割效果優(yōu)于邊緣檢測(cè)法，更適合黃瓜病害葉片的病害提取，為進(jìn)一步的病害識(shí)別研究奠定了基礎(chǔ)。

參考文獻(xiàn)

[1] 鄒修國(guó).基于計(jì)算機(jī)視覺(jué)的農(nóng)作物病蟲(chóng)害識(shí)別研究現(xiàn)狀[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2011，20（6）：238-242.

[2] 張曉萌，付燕.圖像分割技術(shù)研究[J].科技情報(bào)開(kāi)發(fā)與經(jīng)濟(jì)，2007，17（18）：183-184.

[3] 董丕霞.基于圖像處理技術(shù)的溫室黃瓜病害識(shí)別系統(tǒng)研究[D].沈陽(yáng)：沈陽(yáng)工業(yè)大學(xué)，2013.

[4] CAMARGO A，SMITH J S.An imageprocessing based algorithm to automatically identify plant disease visual symptoms[J].Biosystems engineering，2009，102（1）：9-21.

[5] 毛罕平，張艷誠(chéng)，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(bào)，2008，24（9）：136-140.

[6] MEUNKAEWJINDA A，KUMSAWAT P，ATTAKITMONGCOL K，et al.Grape leaf disease detection from color imagery using hybrid intelligent system[C]// Proceedings of the 5th international conference on electrical engineering/electronics，computer telecommunications and information technology.Piscataway，NJ：IEEE Press，2008：513-516.

[7] 朱馳，陳昌志，王寧，等.改進(jìn)圖割的顯著性區(qū)域檢測(cè)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2015，36（6）：1560-1564.

[8] 李峰.一種基于K-L變換和Otsu閾值選擇的彩色圖像分割算法[J].計(jì)算機(jī)應(yīng)用，2007（12）：93-94.

[9] 趙聰慧，張靜，王雙喜.黃瓜霜霉病圖像預(yù)處理方法研究[J].農(nóng)機(jī)化研究，2010，32（1）：60-63.

[10] 賈建楠，吉海彥.基于病斑形狀和神經(jīng)網(wǎng)絡(luò)的黃瓜病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（S1）：115-121.

[11] 李梅.基于Otsu算法的圖像分割研究[D].合肥：合肥工業(yè)大學(xué)，2011：16-18.