侯兆靜 馮 全 張 濤

(甘肅農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院 甘肅 蘭州 730070)

0 引 言

在農(nóng)業(yè)領(lǐng)域，利用圖像處理和機(jī)器視覺(jué)對(duì)作物的生長(zhǎng)狀態(tài)、病蟲(chóng)害進(jìn)行監(jiān)測(cè)、識(shí)別，已經(jīng)越來(lái)越流行。要完成這些任務(wù)，通常要在圖像中準(zhǔn)確分割出作物的葉片區(qū)域，以便在葉片區(qū)域進(jìn)行后續(xù)其他處理，如測(cè)量葉片面積、檢測(cè)是否有病斑等。圖像分割是圖像識(shí)別過(guò)程中關(guān)鍵的一步，決定了后續(xù)識(shí)別是否成功。對(duì)于大田作物葉片的分割，面臨來(lái)自葉片類(lèi)內(nèi)劇烈變化和復(fù)雜背景兩個(gè)方面的挑戰(zhàn)。類(lèi)內(nèi)影響主要有：(1) 由于光照在一天內(nèi)變化劇烈，從早到晚，圖像中同一葉片的顏色、灰度值等變化劇烈[1]；(2) 監(jiān)控圖像中，既有正常葉片，也有非正常葉片(如葉片上有各種病斑)；(3) 有些葉片處于陰影區(qū)，有些則處于光照區(qū)，也會(huì)出現(xiàn)一張葉片的不同區(qū)域處于陰影和光照區(qū)。復(fù)雜背景則包括雜草、泥土、作物果實(shí)、莖稈、藤、套袋、塑料膜等。對(duì)于作物葉片分割，研究者已經(jīng)提出了許多方法，主要包括閾值、區(qū)域、邊緣檢測(cè)、聚類(lèi)、水平集、分形、神經(jīng)網(wǎng)絡(luò)等[2-12]。這些方法中，大多處理對(duì)象限于單葉片圖像，對(duì)圖像采集時(shí)間、角度、距離、背景等有嚴(yán)格要求。此外大部分算法在實(shí)際分割過(guò)程中需要人工參與，不能自動(dòng)完成分割任務(wù)。雖然文獻(xiàn)[12]實(shí)現(xiàn)了分割的全程自動(dòng)化，但是只能處理特定類(lèi)型葉片圖像(純綠色且表面較為光滑、無(wú)病斑)。

本文試圖解決現(xiàn)有葉片分割算法存在的問(wèn)題，提出一種能適應(yīng)多種情形，分割過(guò)程完全自動(dòng)化的葉片分割方法，為此引入了機(jī)器視覺(jué)中的目標(biāo)檢測(cè)技術(shù)。目標(biāo)檢測(cè)技術(shù)以一幅圖像為輸入，輸出通常為若干方框，即邊界盒，邊界盒內(nèi)包含識(shí)別出的目標(biāo)。根據(jù)直觀觀察，一個(gè)好的目標(biāo)檢測(cè)算法輸出的邊界盒可以將目標(biāo)緊湊地框出，從而為分割提供很好的初始值。在對(duì)葉片分割之前，我們首先用多張各種類(lèi)型葉片圖像樣本訓(xùn)練葉片檢測(cè)器；在實(shí)際分割時(shí)，用訓(xùn)練好的葉片檢測(cè)器在一幅圖像中檢測(cè)出葉片的大體位置和范圍，在這些范圍內(nèi)對(duì)分割特征采樣，由采樣點(diǎn)作為種子構(gòu)造出葉片特征的混合高斯模型，采用馬爾科夫隨機(jī)場(chǎng)中能量最小化的方法對(duì)整幅圖像的葉片區(qū)域進(jìn)行分割，圖1給出了本方法流程圖。我們以葡萄葉片作為分割對(duì)象，實(shí)驗(yàn)表明，本方法能較好解決復(fù)雜背景和多種病斑葉片的自動(dòng)分割問(wèn)題。

圖1 本分割方法的流程圖

1 葉片檢測(cè)算法

文獻(xiàn)[14]采用滑動(dòng)窗口檢測(cè)方式，通過(guò)構(gòu)建尺度金字塔在各個(gè)尺度搜索，在一個(gè)窗口上用HOG特征和SVM分類(lèi)器判斷是否有葡萄葉片。這種方法對(duì)于視角較正的葉片檢測(cè)效果較高。但沒(méi)有解決多視角問(wèn)題、葉片姿態(tài)不正，以及葉片因病斑導(dǎo)致的表面變化很大時(shí)的檢測(cè)問(wèn)題。葡萄葉片基本呈心形，觀察葉片圖像，不同視角下葉片形狀變化較大，但其各子區(qū)域相對(duì)于中心位置通常不會(huì)出現(xiàn)明顯偏移(形變小)。故本文采用了多個(gè)子線性分類(lèi)器對(duì)不同視角、不同外觀的葡萄葉片分類(lèi)，不同視角的葉片可以看成不同子類(lèi)，外觀相差很大的葉片也可看成不同子類(lèi)。檢測(cè)過(guò)程采用滑動(dòng)窗口和多尺度模式[14]。

1.1 無(wú)監(jiān)督子類(lèi)分類(lèi)器的訓(xùn)練

1.1.1 基本分類(lèi)器的優(yōu)化問(wèn)題

假設(shè)有已經(jīng)標(biāo)識(shí)的n個(gè)訓(xùn)練圖像樣本I={(I1,l1),…,(Ii,li),…,(In,ln)}，其中l(wèi)i∈{-1,1}。我們的目標(biāo)是從這些樣本訓(xùn)練出一組KC個(gè)子分類(lèi)器，將正負(fù)葉片樣本區(qū)分開(kāi)來(lái)，其中每個(gè)分類(lèi)器在訓(xùn)練集的不同子集上訓(xùn)練。這要求將正樣本聚成KC個(gè)子類(lèi)，為每個(gè)子類(lèi)訓(xùn)練一個(gè)子分類(lèi)器。如何將正的訓(xùn)練樣本分配到每個(gè)子集的問(wèn)題由隱變量x來(lái)建模，則分類(lèi)問(wèn)題可以表示為如下latent SVM的優(yōu)化問(wèn)題：

(1)

li·si,xi≥1 -εi,εi≥0

(2)

(3)

si,j=ωj·φj(Ii)+bj

(4)

式中：‖a‖表示對(duì)a取L2范數(shù)，ε為松弛變量，si,j為第i個(gè)樣本在第j個(gè)子分類(lèi)器的得分，ωj為第j個(gè)子類(lèi)的決策面，φj表示圖像特征，本文采用HOG特征，bj為第j個(gè)子分類(lèi)器的偏置。由于這個(gè)優(yōu)化問(wèn)題是半凸的，分類(lèi)器參數(shù)ωj和隱變量xi可以用文獻(xiàn)[15]中求解latent SVM的迭代法獲得。

1.1.2 歸一化后優(yōu)化問(wèn)題

觀察上述優(yōu)化問(wèn)題發(fā)現(xiàn)，上述KC個(gè)子分類(lèi)器只在式(3)才有真正的耦合，即在分配正負(fù)樣本給不同子集時(shí)。故實(shí)際上各個(gè)子分類(lèi)器的學(xué)習(xí)還是獨(dú)立的。由于不同子集數(shù)據(jù)分布不同，每個(gè)子分類(lèi)器的輸出得分并不在一個(gè)基準(zhǔn)上，這可能造成有些實(shí)際分類(lèi)效果好的分類(lèi)器輸出得分不一定高，有些差分類(lèi)器卻輸出較高得分，這可以通過(guò)對(duì)每個(gè)子分類(lèi)器的輸出得分進(jìn)行歸一化來(lái)解決。我們采用文獻(xiàn)[16]的方法，將第j個(gè)子分類(lèi)器對(duì)第i個(gè)樣本的得分si,j通過(guò)sigmoid函數(shù)轉(zhuǎn)換成可以彼此比較的得分分布：

(5)

(6)

式中：Aj和Bj是從下列l(wèi)ogistic損失函數(shù)Lj中學(xué)到的參數(shù)：

(7)

式中：ti=|Wi,j∩Wi|/|Wi,j∪Wi|，ti∈[0,1]，Wi為第i個(gè)樣本的人工標(biāo)出的邊界盒，Wi,j為第j個(gè)子分類(lèi)器對(duì)第i個(gè)樣本預(yù)測(cè)的邊界盒。

故經(jīng)過(guò)校準(zhǔn)，最終的KC個(gè)子分類(lèi)器的參數(shù)優(yōu)化問(wèn)題變?yōu)閷?duì)式(1)、式(2)、式(4)、式(5)、式(6)和式(7)的優(yōu)化，仍然可以采用文獻(xiàn)[15]的迭代法解決。

1.1.3 子集的初始化

多個(gè)線性子分類(lèi)器擬合非線性分類(lèi)器成功的關(guān)鍵之一是要生成對(duì)應(yīng)的多個(gè)初始子集，這可以采用人工方法完成，即一開(kāi)始由人工根據(jù)子集數(shù)量KC，將視覺(jué)上比較接近的樣本放入同一個(gè)子集合中。但這種方法在樣本較多時(shí)比較費(fèi)時(shí)費(fèi)力，我們采用了無(wú)監(jiān)督的聚類(lèi)方法自動(dòng)完成：計(jì)算所有正樣本的特征，用K-means聚類(lèi)算法將所有正樣本劃分成KC個(gè)子集。子集初始化時(shí)采用HOG特征，與實(shí)際葉片檢測(cè)時(shí)所用特征一致。

1.2 特征與檢測(cè)

本文中，葡萄葉片的檢測(cè)特征采用HOG特征。HOG的核心思想是假定所檢測(cè)的物體外形能夠被光強(qiáng)梯度或邊緣方向的分布所描述[17]。通過(guò)將整幅圖像分割成小的連接區(qū)域(稱為cells)，每個(gè)cell生成一個(gè)方向梯度直方圖或者cell中像素的邊緣方向，這些直方圖的組合可作為待檢測(cè)目標(biāo)的描述子。通過(guò)Gammar校正，HOG特征具有很好的照射/陰影不變性。HOG特征在目標(biāo)檢測(cè)中得到了廣泛的應(yīng)用，如經(jīng)典的DPM方法就采用了HOG特征。

上述多子類(lèi)分類(lèi)器訓(xùn)練完成后，我們采用多尺度窗口掃描方式在一幅圖像檢測(cè)葡萄葉片。每個(gè)檢測(cè)結(jié)果定義為返回的一個(gè)邊界盒和相應(yīng)的得分。檢測(cè)的基本過(guò)程如下：(1) 在每個(gè)尺度上的每個(gè)掃描窗口中，首先逐個(gè)用每個(gè)子分類(lèi)器計(jì)算窗口的得分，得分越高，是葉片的可能性越高。(2) 保留得分高于某個(gè)閾值的檢測(cè)結(jié)果，其余丟棄。(3) 對(duì)每個(gè)子分類(lèi)器產(chǎn)生的多個(gè)重疊窗口用非極大值抑制，只保留得分最高的窗口。(4) 對(duì)于每個(gè)子分類(lèi)器的檢測(cè)得分，用從訓(xùn)練樣本中學(xué)習(xí)得到Aj和Bj和式(5)進(jìn)行校準(zhǔn)。(5) 對(duì)于多個(gè)子分類(lèi)器的重疊窗口，仍然采用非極大值抑制，保留最高得分窗口。(6) 輸出得分高于一定閾值的窗口作為葉片目標(biāo)的邊界盒。

2 基于高斯混合模型和馬爾科夫隨機(jī)場(chǎng)的葉片分割

上述基于HOG特征的葉片檢測(cè)利用了葉片的外觀和形狀邊緣信息，形狀信息是先驗(yàn)知識(shí)，研究表明：構(gòu)造自頂而下分割框架是提高分割精度的有效策略[18-19]。近年來(lái)，用基于馬爾科夫隨機(jī)場(chǎng)(MRF)的能量方程對(duì)像素以及相鄰關(guān)系建模，再用圖割最小化能量方程，被證明是一種高效的底層分割方法[20-21]，它只需要像素的底層信息。但這類(lèi)方法通常需要人機(jī)交互來(lái)獲得目標(biāo)和背景種子。本文的分割策略是將這兩種方法結(jié)合起來(lái)，用形狀先驗(yàn)知識(shí)檢測(cè)葉片大體區(qū)域，再用圖割法分割葉片，將先驗(yàn)知識(shí)和底層信息有效的結(jié)合起來(lái)。

2.1 像素模型

設(shè)圖像由RGB顏色空間的像素組成，我們采用高斯混合模型(GMM)對(duì)一幅圖像中葉片目標(biāo)和背景分布建模。高斯分布被廣泛用于圖像處理領(lǐng)域?qū)μ卣鞣植歼M(jìn)行建模，對(duì)于多維特征變量v，它具有如下形式：

(8)

式中：參數(shù)μ和Σ分別為均值和協(xié)方差矩陣，本文采用彩色圖像，則v=[R,G,B]。

而GMM模型認(rèn)為數(shù)據(jù)由若干個(gè)高斯分布組合生成，即：

(9)

2.2 MRF中的能量方程

記圖像I={v1,…,vi,…,vN}，N為I中的像素?cái)?shù)量，以及圖像的二元標(biāo)簽S={s1,…,si,…,sN}，si∈{0,1}，其中0表示背景，1表示前景。本文將葉片分割視為MRF中二元標(biāo)記問(wèn)題，分割就變成了對(duì)圖像的每個(gè)像素分配最優(yōu)0-1標(biāo)簽的過(guò)程。

首先建立能量方程：

(10)

式中：第一項(xiàng)為數(shù)據(jù)項(xiàng)，表示單個(gè)像素的能量；第二項(xiàng)為平滑項(xiàng)，與相鄰像素有關(guān)，N表示像素鄰域；λ為常數(shù)，用于調(diào)整平滑項(xiàng)的權(quán)重。數(shù)據(jù)項(xiàng)能量按下式計(jì)算：

(11)

式中：si∈{0,1}，lmax為Θ{0,1}中使vi概率最大的那個(gè)高斯核。數(shù)據(jù)項(xiàng)取像素特征概率的負(fù)對(duì)數(shù)，概率越小則對(duì)能量懲罰越大。

根據(jù)MRF的性質(zhì)，相鄰的像素應(yīng)盡量賦予相同的標(biāo)簽，能量平滑項(xiàng)就是用來(lái)懲罰相鄰像素標(biāo)簽的非連續(xù)性；本文采用文獻(xiàn)[21]的方法：

(12)

式中：β=(2<(vi-vj)2>)-1，表示在一幅圖像關(guān)于a求期望值；[b]表示當(dāng)條件b為真時(shí)取1，否則取0；‖c‖表示對(duì)c取L2范數(shù)。

2.3 能量方程的求解

采用第1節(jié)的方法在一幅圖像中檢測(cè)葉片時(shí)，邊界盒能提供葉片的較為精確位置信息，特別是在邊界盒的中間區(qū)域是葉片的概率極高，但是邊界盒中也有部分背景像素，尤其是在邊界盒的四周。初始階段，我們?nèi)∷羞吔绾兄虚g區(qū)域的并集A中像素特征的概率分布地代表整個(gè)葉片的分布。對(duì)A中像素，對(duì)其特征v用GMM建模。一般情況下，可以用期望值最大算法(EM)計(jì)算GMM參數(shù)，這種方法雖然精確，但計(jì)算速度較慢。本文采用精度略低但速度更快的K-means聚類(lèi)方法估計(jì)GMM參數(shù)，而且這種方法能同時(shí)得到初始的像素標(biāo)簽(算法1之步驟1、2)。

由于自然狀態(tài)下，葉片是比較稠密的，監(jiān)控?cái)z像頭拍攝的圖像通常包含多張葉片，而葉片檢測(cè)算法并不能將所有葉片框出來(lái)，背景中有葉片成分，此外圖像中也遠(yuǎn)處常有細(xì)碎葉片。在對(duì)背景建模時(shí)，這些葉片信息混雜在背景中，使得Θ0出現(xiàn)“失真”，可能導(dǎo)致分割結(jié)果出現(xiàn)一些錯(cuò)誤。為了讓初始的Θ0比較“純”，在算法1之步驟3中，我們將Θ0中與Θ1中幾個(gè)主要成分進(jìn)行比較，刪除背景中與葉片最相似的幾個(gè)成分。這里我們采用了一種簡(jiǎn)單方法：直接比較兩者高斯核均值的距離。在刪除Θ0中幾個(gè)高斯成分后，將初始背景中貼有這幾個(gè)被刪除成分標(biāo)簽的像素踢出背景，對(duì)所剩背景像素重新用K-means算法進(jìn)行聚類(lèi)，并更新Θ0(步驟4)。

算法1之步驟5-步驟10迭代地求解能量方程式(10)，直至能量E收斂。每次迭代后，用新分割后的目標(biāo)和背景區(qū)域更新Θ1與Θ0。步驟8的作用有兩個(gè)：(1) 限制圖像中一些細(xì)碎葉片被分割出來(lái)，這些葉片由于太小，很難對(duì)其進(jìn)行測(cè)量和識(shí)別；但它們的RGB特征與前景中大葉片相同(相似)，分割時(shí)可能會(huì)被分割出來(lái)。本文設(shè)定閾值T，只有面積超過(guò)T的連通區(qū)域才會(huì)被標(biāo)為前景，否則置為背景。(2) 如果葉片上有病斑等與正常葉片相差較大，但又沒(méi)有處于邊界盒中間區(qū)域，則可能被貼上背景標(biāo)簽，對(duì)這些處于目標(biāo)包圍的背景，本文進(jìn)行孔洞填補(bǔ)

算法1：

輸入：一幅葉片圖像I和由檢測(cè)算法檢出的邊界盒

1: 取出區(qū)域A的所有像素Df，對(duì)其特征v用K-means聚類(lèi)，并賦予Df中每個(gè)像素以聚類(lèi)標(biāo)簽，聚類(lèi)數(shù)量為Kf；并分別對(duì)貼有相同標(biāo)簽的像素計(jì)算單高斯模型參數(shù)，組合成前景的GMM模型Θ1。

2: 取出A之外的所有像素Db，對(duì)其特征v用K-means聚類(lèi)，并賦予Db中每個(gè)像素以聚類(lèi)標(biāo)簽，聚類(lèi)數(shù)量為Kb；并分別對(duì)貼有相同標(biāo)簽的像素計(jì)算單高斯模型參數(shù)，組合成背景的GMM模型Θ0。

3: 對(duì)Θ1中高斯核按μ排序，計(jì)算Θ1和Θ0中各高斯核μ的距離，刪除Θ0與Θ1中距離最近的2個(gè)高斯核，同時(shí)丟棄Db中貼有對(duì)應(yīng)標(biāo)簽的像素。

4: 用剩余的背景像素重新計(jì)算背景GMM參數(shù)。

5: repeat。

6: 按照式(10)、式(11)和式(12)計(jì)算I中每個(gè)像素點(diǎn)的能量，用Graph cut求得S*和對(duì)應(yīng)的能量E。

7: 計(jì)算本次E與上次迭代的E之差值ΔE，如果ΔE收斂，則結(jié)束循環(huán)，否則繼續(xù)。

8: 將S*視為二值圖，刪除面積小于閾值T的區(qū)域，并填補(bǔ)孔洞。

9: 由S*中標(biāo)簽為1和0的對(duì)應(yīng)像素分別按照1和2步的方式更新Θ0和Θ1。

10: 返回5。

3 算法評(píng)價(jià)方法

3.1 葉片檢測(cè)器評(píng)價(jià)方法

針對(duì)葉片的檢測(cè)采用檢測(cè)率DR和誤檢率FPR作為評(píng)價(jià)準(zhǔn)則[22]，其中DR和FPR分別定義為：

式中：TP1表示人工標(biāo)定到的同時(shí)檢測(cè)器也檢測(cè)到的葉片數(shù)量；FN1表示人工標(biāo)定了，但檢測(cè)算法未能檢測(cè)的葉片數(shù)量；FP1表示人工未標(biāo)注，但檢測(cè)器檢測(cè)為葉片的數(shù)量。

對(duì)于是否檢測(cè)到目標(biāo)，采用了PASCAL協(xié)議[23]，當(dāng)檢測(cè)器給出的邊界盒與人工標(biāo)定的邊界盒之間的重疊率IOU(Intersection Over Union)>0.5時(shí)，認(rèn)為準(zhǔn)確檢測(cè)到了的目標(biāo)。

3.2 分割算法的評(píng)價(jià)方法

對(duì)于用本分割算法自動(dòng)分割出了目標(biāo)和背景的圖像，將其與人工分割葉片基準(zhǔn)圖進(jìn)行比較，計(jì)算出兩者的總體精度(ACC，百分比)以及馬修斯相關(guān)系數(shù)(MCC)作為評(píng)價(jià)算法分割精度的標(biāo)準(zhǔn)。其中ACC的定義如下：

式中：L為圖像中用本文算法分割得出的葉片目標(biāo)區(qū)域，L0為人工分割的葉片基準(zhǔn)區(qū)域。

而MCC按下式計(jì)算：

式中：TP2為真陽(yáng)性，表示基準(zhǔn)葉片像素同本研究所分割葉片像素重合的數(shù)量；FP2為假陽(yáng)性，表示基準(zhǔn)葉片未標(biāo)注的像素，但本研究所分割葉片卻標(biāo)注為葉片的像素的數(shù)量；FN2為假陰性，表示基準(zhǔn)葉片所標(biāo)注的像素，但本研究所分割葉片未標(biāo)注的像素?cái)?shù)量；TN2為真陰性，表示基準(zhǔn)葉片未標(biāo)注的像素和本研究所分割葉片未標(biāo)注的像素重合數(shù)量。MCC的值在[-1,1]之間，其值越大表示分割的越精確。

4 實(shí)驗(yàn)結(jié)果及討論

4.1 實(shí)驗(yàn)材料的采集

本研究以 2014年至2016年期間多次于甘肅農(nóng)業(yè)大學(xué)葡萄園(東經(jīng)103.69°，北緯36.08°)采集的不同光照條件下的葡萄葉片圖像為樣本。拍攝樣本所用相機(jī)為Canon EOS1200D，拍攝模式均為自動(dòng)對(duì)焦模式，拍攝時(shí)間分為早上(8:00-10:00)、中午(11:00-15:00)和下午(17:00-18:00)。拍攝時(shí)采用如下方法：在無(wú)風(fēng)的環(huán)境條件下, 利用三腳架固定好相機(jī)，對(duì)所拍攝葉片進(jìn)行標(biāo)定，以確保同一葉片在不同天氣不同時(shí)間段的取樣，方便比較算法對(duì)同一葉片不同光照條件的分割效果。圖像樣本共600幅，其中晴天條件下450幅，多云/陰天150幅。為了減少分割時(shí)間，試驗(yàn)中所有圖像分辨率均調(diào)整到400×300?？紤]到不同天氣，不同時(shí)間有不同的光照強(qiáng)度和光照角度，會(huì)影響到拍攝到的樣本葉片的顏色狀態(tài)，比如在晴天下分別有光線從葉片背部入射的情況，以及葉片上有陰影的情況，在拍攝時(shí)，盡可能采集這些圖像。

4.2 程序參數(shù)設(shè)置

本文在Matlab2016a編程平臺(tái)中實(shí)現(xiàn)了上述目標(biāo)檢測(cè)算法和分割算法。對(duì)檢測(cè)分類(lèi)器進(jìn)行訓(xùn)練時(shí)，子分類(lèi)器的數(shù)量KC設(shè)為6。邊界盒的中間區(qū)域A選擇如下：若設(shè)某個(gè)邊界盒的尺寸是a×b，本文取自邊界盒中心算起，(a/2)×(b/2)區(qū)域?yàn)檫吔绾械闹虚g區(qū)域；A占整個(gè)盒子面積的1/4。需要說(shuō)明的是本文采用的是多尺度檢測(cè)，在不同尺度上邊界盒的尺寸并不相同，最大尺寸接近圖像大小，最小邊界盒只有圖像尺寸的5%。對(duì)于RGB空間中背景和葉片的GMM模型，Kb和Kf過(guò)大分割效果不好，文獻(xiàn)[20]建議取5。通過(guò)試驗(yàn)發(fā)現(xiàn)，對(duì)于葉片圖像，可能顏色比較單一(主要是綠色)，這兩個(gè)值選3、4時(shí)，分割精度基本接近，總體分割效果較好，當(dāng)這兩個(gè)值大一些時(shí)效果反而下降，故在實(shí)驗(yàn)統(tǒng)計(jì)時(shí)，設(shè)為4。式(10)的系數(shù)λ用于調(diào)節(jié)平滑項(xiàng)與數(shù)據(jù)項(xiàng)的權(quán)重，λ大則給予不連續(xù)標(biāo)簽懲罰大，反之則小，實(shí)驗(yàn)中發(fā)現(xiàn)該值在20～80之間分割結(jié)果總體比較一致，實(shí)驗(yàn)統(tǒng)計(jì)時(shí)，設(shè)為50。算法1中T根據(jù)圖像大小而定，實(shí)驗(yàn)中設(shè)為一幅圖像總像素的1%。算法1的收斂標(biāo)準(zhǔn)判斷依據(jù)是ΔE/E小于1%。

4.3 檢測(cè)算法的試驗(yàn)結(jié)果與討論

對(duì)樣本圖像中的葉片人工進(jìn)行標(biāo)定，用邊界盒共標(biāo)出4 000余葉片，隨機(jī)選擇其中的2 000個(gè)進(jìn)行多個(gè)子分類(lèi)器訓(xùn)練。為了準(zhǔn)確評(píng)價(jià)算法性能，測(cè)試樣本圖像按下面方法進(jìn)行分類(lèi)：(1) 少葉片正常圖像，圖像中正面完整葉片數(shù)量不多于3張，且無(wú)顯著病斑；(2) 多葉片正常圖像，圖像中正面完整葉片數(shù)量超過(guò)3張，且無(wú)顯著病斑；(3) 病斑葉片圖像，不區(qū)分圖像中葉片數(shù)量。表1統(tǒng)計(jì)了不同情形下葉片的檢測(cè)率和誤檢率，3種情形下的檢測(cè)率分別為92.50%，88.62%和83.30%，誤檢率分別為5.50%，7.38%和12.06%。實(shí)驗(yàn)結(jié)果表明，一幅圖像中葉片數(shù)量少時(shí)，檢測(cè)率和誤檢率兩方面都是最優(yōu)的；對(duì)于多葉片圖像，由于葉片重疊比較明顯、遮擋的情形較多，葉片的檢測(cè)率較少葉片略低，誤檢率也有所較高。對(duì)于病斑葉片，由于葉片的殘損、外觀變化劇烈，誤檢率較高，但統(tǒng)計(jì)的檢測(cè)率在83.33%左右，對(duì)于基本完整的病斑葉片還是可以準(zhǔn)確檢測(cè)。

實(shí)驗(yàn)表明，對(duì)于后期分割，一幅圖像中葉片不需要完全檢測(cè)出，因?yàn)椴煌~片的相似性，使得它們的特征可以共享已知的前景分布模型。但應(yīng)選擇最可靠的葉片區(qū)域?qū)η熬敖?，盡量避免背景像素混入，以提高分割精度。本文通過(guò)提高檢測(cè)器得分閾值來(lái)篩選一幅圖像中最可靠的葉片區(qū)域，只有歸一化得分超過(guò)0.9以上的邊界盒才會(huì)被認(rèn)為是葉片。

表1 葉片檢測(cè)準(zhǔn)確性

4.4 分割算法的實(shí)驗(yàn)結(jié)果與討論

實(shí)驗(yàn)發(fā)現(xiàn)，對(duì)于本分割算法，一幅圖像中葉片是否完全檢測(cè)出對(duì)分割結(jié)果影響不大。如圖1(a)，原圖中視覺(jué)上完整的正面葉片有3個(gè)，但圖1(b)本檢測(cè)算法只檢測(cè)出兩個(gè)，圖1(c)顯示本分割算法能將三個(gè)葉片完整分割出來(lái)。

圖1 一個(gè)檢測(cè)與分割示例

對(duì)于分割，圖像畫(huà)面的復(fù)雜程度很大程度決定了分割效果的好壞，本文首先根據(jù)圖像中葉片的多少與背景的復(fù)雜程度將葡萄葉片圖像分成了兩類(lèi)：A類(lèi)圖像中只有1張主要葉片，可以有少許其他小葉片或其他葉片的部分區(qū)域，背景不是很復(fù)雜；B類(lèi)圖像中有2張以上的大葉片，背景復(fù)雜，主要是細(xì)碎葉片較多。A類(lèi)圖像中又分為正常葉片和有病斑葉片兩種。對(duì)于A類(lèi)圖像，更容易考察光照條件的變化和葉片形態(tài)變化對(duì)本算法分割效果魯棒性的影響,因?yàn)檫@類(lèi)圖像背景較簡(jiǎn)單，可以在很大程度上排除因背景因素對(duì)數(shù)據(jù)統(tǒng)計(jì)的干擾。對(duì)于B類(lèi)圖像，其分割效果綜合取決于光照、葉片表面形態(tài)和背景，本文不再對(duì)比不同拍攝條件，只按照葉片有無(wú)病斑進(jìn)行實(shí)驗(yàn)對(duì)比。按照以下幾種情形對(duì)A、B類(lèi)圖像分別進(jìn)行了分割實(shí)驗(yàn)，并對(duì)分割效果進(jìn)行統(tǒng)計(jì)：(1) A1：無(wú)病斑，晴天早上(8:00-10:00，下同)；(2) A2：無(wú)病斑，晴天中午(11:00-15:00，下同)；(3) A3：無(wú)病斑，晴天下午(17:00-18:00，下同)；(4) A4：無(wú)病斑，多云/陰天早上；(5) A5：無(wú)病斑，多云/陰天中午；(6) A6：病斑葉片，晴天早上；(7) A7：病斑葉片，晴天中午；(8) B1：無(wú)病斑，多葉片復(fù)雜背景；(9) B2：有病斑，多葉片復(fù)雜背景。

本文得到的分割結(jié)果如表2所示?？梢钥闯觯?1) A1-A7的ACC在90.82%～95.53%之間，根據(jù)ACC的定義可知，這表明本算法分割出的葉片區(qū)域與人工摳出的葉片區(qū)域的重疊率較高，因此本算法有較高的分割精度。MCC綜合反映出各種錯(cuò)誤，其值比ACC低，主要原因是即便是單葉片圖像，其中仍然存在不完整和細(xì)小葉片，人工摳圖時(shí)，只摳出了圖中最大的葉片，其他則作為背景；但對(duì)于圖像中主葉片和不完整葉片，本算法均能分割出來(lái)，這使得ACC很高，但不完整葉片被認(rèn)為是錯(cuò)誤分割，從而降低了MCC。圖2給出了某葉片在情形A1-A5的分割實(shí)例，圖3給出了4張病葉的分割實(shí)例。(2) A1-A7的平均ACC是93.02%，方差為3.24×10-4，可見(jiàn)7種情形它們之間的離散度較小，說(shuō)明本算法在照明變化和葉子表面形態(tài)變化時(shí)分割效果差異不大，因此對(duì)這兩種情形具有較好的適應(yīng)性。(3) B1和B2的分割效果比A1-A7有一定的差距，說(shuō)明復(fù)雜的背景對(duì)于分割精度的影響超過(guò)了光照和葉面自身形態(tài)的變化。但實(shí)驗(yàn)還表明，如果背景主要由土壤等組成，則圖像分割效果好于背景由細(xì)小葉片和部分遮擋葉片組成的圖像。圖4給出了某同一場(chǎng)景B1～B2類(lèi)圖像的分割實(shí)例。

表2 樣本圖像的ACC與MCC統(tǒng)計(jì)表

圖2 某單葉片在不同光照下的分割效果實(shí)例

圖3 幾個(gè)單病葉分割實(shí)例

圖4 幾個(gè)多葉片圖像分割實(shí)例

為了驗(yàn)證本分割算法的魯棒性，我們?cè)贏1類(lèi)圖像中加入零均值高斯噪聲，實(shí)驗(yàn)表明：當(dāng)噪聲方差σ=3時(shí)，分割精度幾乎不變，當(dāng)σ=5，7時(shí)，ACC分別為94.07%，90.68%，比表2有所下降，但仍保持了較高的精度，因此本算法具有較好的魯棒性。

5 結(jié) 語(yǔ)

葉片分割是基于機(jī)器視覺(jué)的農(nóng)作物生長(zhǎng)狀態(tài)自動(dòng)分析的基礎(chǔ)，由于自然條件下光照變化、葉片自身表觀變化、攝像機(jī)視角、復(fù)雜背景等因素，給從監(jiān)控?cái)z像機(jī)采集的圖像中的葉片分割帶來(lái)了極大困難。本文提出了一種通用的、全自動(dòng)的葉片分割框架。首先用形狀和信息檢測(cè)圖像中的葉片，利用得到邊界盒中心區(qū)域的像素建立葉片的初始GMM模型，邊界盒以外區(qū)域的像素被用來(lái)建立背景的初始GMM模型。采用圖割算法和迭代策略相結(jié)合的方式分割葉片，分割結(jié)果逐步由粗到精。實(shí)驗(yàn)表明，本文的方法能在多種復(fù)雜條件下獲得較好的分割效果，具有較高的魯棒性。

[1] 趙玉琴,馮全,李妙祺,等.自然條件下葡萄葉片圖像顏色一致性恢復(fù)效果的對(duì)比研究[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào),2016,21(6):92-99.

[2] 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:吉林大學(xué),2001.

[3] 田有文,李成華.基于統(tǒng)計(jì)模式識(shí)別的植物病害彩色圖像分割方法[J].沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào),2003,34(4):301-304.

[4] 姜淑華.農(nóng)作物病害圖像識(shí)別及其危害程度自動(dòng)分級(jí)方法研究[D].沈陽(yáng):沈陽(yáng)農(nóng)業(yè)大學(xué),2007.

[5] 毛罕平,張艷誠(chéng),胡波.基于模糊C均值聚類(lèi)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] 董金勇,王建侖,李道亮.田間棗樹(shù)葉片復(fù)雜目標(biāo)圖像綜合分割方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(1):165-170.

[7] 孫俊,武小紅,張曉東.基于MFICSC算法的生菜圖像目標(biāo)聚類(lèi)分割[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(13):149-153.

[8] 程玉柱,陳勇,張浩.基于MMC與CV模型的苗期玉米圖像分割算法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(11):266-270.

[9] 施文,鄒銳標(biāo),王訪.基于多重分形的油菜病蟲(chóng)害葉片圖像分割[J].湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,40(5):556-560.

[10] 李曉斌,王玉順,付麗紅.用K-means圖像法和主成分分析法監(jiān)測(cè)生菜生長(zhǎng)勢(shì)[J].農(nóng)業(yè)工程學(xué)報(bào),2016,32(12):179-186.

[11] 張連寬,Paul Weckler,肖德琴.作物葉面圖像自動(dòng)分割方法 [J].江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,37(6):663-669.

[12] 鄭緒.基于m-PCNN葉片圖像處理的應(yīng)用研究[D].蘭州:蘭州大學(xué),2016.

[13] 馬媛,馮全,楊梅,等.基于HOG的釀酒葡萄葉檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2016,52(15):158-161.

[14] Felzenszwalb P,Girshick R,McAllester D,et al.Object detection with discriminatively trained part based models[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(9):1627-1645.

[15] Platt C.Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods[C]//In Advances in Large Margin Classifiers 2000,MIT Press,2000:61-74.

[16] Dalal N,Triggs D.Histograms of oriented gradients for human detection[C]//Conference on Computer Vision and Pattern Recognition (CVPR2005),San Diego,California,USA,2005:1886-1893.

[17] Borenstein E.Combining top-down and bottom-up segmentation[C]//Computer Vision and Pattern Recognition,2004 (CVPR 2004),Washington,DC,USA.2004:46-53.

[18] Kumar M P,Torr P H S,Zisserman A.OBJ CUT[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition.IEEE Computer Society,2005:18-25.

[19] Boykov Y,Funka-Lea G.Graph Cuts and Efficient N-D Image Segmentation[J].International Journal of Computer Vision,2006,70(2):109-131.

[20] Rother C,Kolmogorov V,Blake A.Grabcut:Interactive foreground extraction using iterated graph cuts[J].ACM Transactions on Graphics,2004,23(3):309-314.

[21] Hosang J,Benenson R,Dollar P,et al.What Makes for Effective Detection Proposals?[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2016,38(4):814-830.

[22] Everingham M,Gool L V,Williams C K I,et al.The Pascal,Visual Object Classes (VOC) Challenge[J].International Journal of Computer Vision,2010,88(2):303-338.

[23] Matthews W.Comparison of the predicted and observed secondary structure of T4 phage lysozyme[J].Biochimica et Biophysica Acta (BBA)-Protein Structure.1975,405(2):442-451.