計甜甜　李澤彬　趙江東

摘要：針對植物葉部病害圖像的復(fù)雜性，結(jié)合植物葉部病害彩色圖像的特點，提出了一種基于顏色差異性的植物葉部病害彩色圖像分割方法。對采集的植物葉部病害圖像，利用GrabCut算法對其進行背景分割，去除田間復(fù)雜環(huán)境背景；對其采用中值濾波和圖像銳化處理，以盡可能保留圖像的病害區(qū)域和邊緣細節(jié)；再對處理后的圖像，分別轉(zhuǎn)換到基于生理特性的Lab顏色空間和YUV空間，結(jié)合Otsu方法，分別對圖像的Lab灰度圖及YUV空間的單通道灰度圖進行二次分割；對二次分割的兩幅圖進行與操作，將其轉(zhuǎn)換到RGB空間，即可得到最終的分割結(jié)果。利用該方法對常見的大豆、玉米、油菜、黃瓜等多種植物常見的多種葉部病害彩色圖像進行了分割試驗。結(jié)果表明，該方法取得了比較精確的分割圖像，并且在抗噪性能、邊緣細節(jié)保護和分割效率等方面也有很好的效果。

關(guān)鍵詞：植物；葉部；彩色圖像分割；顏色差異；最大類間方差法

中圖分類號：TP391 文獻標識碼：A

文章編號：0439-8114（2018）18-0094-04

DOI：10.14088/j.cnki.issn0439-8114.2018.18.024 開放科學(xué)（資源服務(wù)）標識碼（OSID）：

Segmentation Method for Plant Leaves Disease Based on Color Difference

JI Tian-tian，LI Ze-bing，ZHAO Jiang-dong，YAO You-feng，HUANG Ji

（West Anhui University，Luan 237012，Anhui，China）

Abstract： In view of the complexity of plant leaves images， combining with the characteristics of plant color leaves images，a color image segmentation method based on color differences was presented. Firstly，the images of the diseased plant leaves were collected，use GrabCut algorithm to segment the complex field environment background. Then，use median filtering and image sharpening method to preserve the image of disease area and edge detail. Next，the processed images are converted to Lab color space and YUV color space which based on physiological characteristics. Combined with Otsu method，the images of Lab grayscale and single channel grayscale of YUV color space are subdivided respectively. Finally，the two subdivision of the two figures and operations，its conversion to RGB color space，you can get the final segmentation results. The method was used to segment the common color images of leaves diseases plants such as soybean，corn，rape and cucumber. The experimental results showed that this method can obtain more accurate segmentation，Edge detail protection and segmentation efficiency also have good results.

Key words： plant；leaves；color image segmentation；color difference；Otsu

植物作為人類生存和發(fā)展必不可少的資源，對人類的生存環(huán)境和日常生活都起著重要作用[1]。然而，植物病害對其生長影響很大，尤其是農(nóng)作物、經(jīng)濟作物等，與人們?nèi)粘Ｉ钕⑾⑾嚓P(guān)[2]。隨著人工智能和模式識別技術(shù)的發(fā)展，數(shù)字圖像處理等技術(shù)已在植物病害的識別診斷中得到普遍應(yīng)用，并取得了不錯的成效[3-5]。

圖像分割是圖像分析處理的第一步，其目的是將目標區(qū)域從圖像中的其他區(qū)域中分割出來，其處理效果直接關(guān)系到后面特征提取與識別結(jié)果的準確性[6，7]。因此，如何精確地從病害圖片中分割出病害區(qū)域顯得尤為重要。目前，植物葉部病害圖像的復(fù)雜性和分割重要性吸引了國內(nèi)外很多學(xué)者對其進行相關(guān)的研究，并公布了諸多優(yōu)秀的方法和成果。如張善文等[8]提出了一種基于Otsu算法的植物病害葉片圖像分割方法，對背景類的圖像具有較好的分割效果。張芳等[9]通過對復(fù)雜環(huán)境下的黃瓜病害葉片的研究，采用K-均值聚類算法結(jié)合基于LOG算子的方法將需要分割葉片進行區(qū)域檢測，然后進行基于形狀上下文的模板匹配和分割，對復(fù)雜環(huán)境下的黃瓜葉部病害的分割取得了理想的分割效果。伍艷蓮等[10]對均值漂移算法進行改進，將圖像的空間信息和顏色信息合并起來，提出的改進算法對綠色農(nóng)作物的背景分割效果顯著。雖然上述針對某種條件下的植物某類葉部病害圖像具有良好的分割效果，但不具普適性，且對噪聲比較敏感。

本研究結(jié)合Otsu對背景類的分割優(yōu)勢和葉部病害的顏色差異性，提出了一種基于顏色差異性的植物葉部病害彩色圖像分割方法。首先，對采集的植物葉部病害圖像，利用GrabCut算法對其進行背景分割，除去田間環(huán)境背景；然后，對其采用中值濾波和圖像銳化處理，以盡可能保留圖像的病害區(qū)域和邊緣細節(jié)；再對經(jīng)過處理后的圖像，分別轉(zhuǎn)換到基于生理特性的Lab顏色空間和YUV顏色空間，結(jié)合Otsu方法，分別對圖像的Lab灰度圖及YUV顏色空間的單通道灰度圖進行二次分割；最終，對二次分割的兩幅圖進行與操作，將其轉(zhuǎn)換到RGB空間，即可得到最后的分割圖像。該算法能很好地實現(xiàn)復(fù)雜背景下植物葉部病害區(qū)域的提取，為后期病害的分析和識別工作奠定了良好的基礎(chǔ)。

1 材料與方法

1.1 圖像采集

通過與安徽省農(nóng)業(yè)科學(xué)院合作，在其農(nóng)作物種植基地，利用尼康D7000數(shù)碼相機采集大豆、玉米、油菜、黃瓜等4種作物的多種葉部病害圖片1 000余幅。所有圖片均是以大田開放環(huán)境在自然光照條件作物葉片為對象，手動調(diào)節(jié)光圈和焦距，采集病害發(fā)生的整個葉部及局部葉部圖像，圖片保存格式為JPG格式，分辨率是2 000×1 328。部分采集的樣本如圖1所示。

植物葉部病害圖像的分割方法：①將葉片從復(fù)雜的背景中分割出來；②從葉片環(huán)境中將病害區(qū)域提取出來，以進一步分析處理。本研究的主要是第二步的分割操作方法。鑒于采集的葉片樣本的背景環(huán)境復(fù)雜，采用了GrabCut算法對其背景分割做預(yù)處理，得到了葉片病害樣本。圖1樣本中背景分割圖如圖2所示。

1.2 改進的Otsu方法

設(shè)t為設(shè)定的閾值，？琢0為分開后前景像素點數(shù)占圖像的比例，？茁0為分開后前景像素點的平均灰度；？琢1為分開后背景像素點數(shù)占圖像的比例，？茁1為分開后背景像素點的平均灰度[14]，則圖像總平均灰度為u=？琢0×？茁0+？琢1×？茁1，從L個灰度級遍歷t，使得t為某個值的時候，前景和背景的方差最大，即g=？琢0×（？茁0-u）2+？琢1×（？茁1-u）2最大，則t值是最佳閾值?？紤]到方差g的計算復(fù)雜，采用的是其等價公式，即g=？琢0×？琢1×（？茁0-？茁1）2。

1.3 分割算法

植物葉部病害圖像中，其顏色信息豐富，且病害區(qū)域與正常部位存在顏色差異性。但這種差異性在灰度圖上的灰度級上存在不連續(xù)性[15]。因此，結(jié)合灰度圖的Otsu方法，提出了一種基于顏色差異性的植物葉部病害彩色圖像分割方法，其算法流程如圖3所示。

算法的具體步驟如下：

1）對采集的圖像利用GrabCut算法進行背景分割處理，去除采集的葉片周邊較復(fù)雜的背景環(huán)境。

2）對背景處理后的圖像，采用中值濾波的方法進行平滑去噪處理，以去除圖片傳輸處理過程中的噪聲影響且能很好地保護病害區(qū)域的邊緣。鑒于去噪過程中，會使得圖像的整體細節(jié)變得模糊，去噪后對圖像進行銳化處理。由于病害區(qū)域的邊緣信息和內(nèi)部信息區(qū)分不是很明顯，故本研究采用的是對細節(jié)信息有更強響應(yīng)的二階差分模板（Laplacian算子）來對其進行銳化處理，圖像的運算模板如圖4所示。

3）對于處理后的圖像，分別轉(zhuǎn)換至Lab顏色空間和YUV顏色空間[16]。因為葉片病害區(qū)域顏色信息豐富，葉片正常區(qū)域與病害區(qū)域的顏色分別相近且二者相差較為顯著。而Lab是一種基于生理特性的采用數(shù)字化方式表征人的視覺感應(yīng)與設(shè)備無關(guān)的顏色體系，并且適用于一切物體或光源色體的表示和計算[17]，故Lab灰度圖能較好地區(qū)分葉片的正常及病害區(qū)域；另外，YUV顏色空間的V分量對映RGB中G通道的信息相對較弱，而植物葉片中正常部位的G通道顏色信息較豐富[18]，故本研究為更加精確地區(qū)分病害區(qū)域，也把銳化后的樣本圖像轉(zhuǎn)換到Y(jié)UV顏色空間，并且能很好地區(qū)分病害區(qū)域與正常部位差異的V分量的灰度圖。

4）分別對Lab灰度圖和V分量的灰度圖，采用改進的Otsu方法對其進行分割處理。

5）結(jié)合兩者分割結(jié)果的優(yōu)勢，將Lab灰度圖和V分量的灰度圖的Otsu分割圖進行相與操作，再將其轉(zhuǎn)換到RGB顏色空間，就可以得到最終的分割結(jié)果。

2 結(jié)果與分析

本研究對采集的4種植物的多類葉部病害圖像進行了仿真試驗，分割效果明顯，圖5給出了部分樣本具體分割過程的效果圖（注：以下所有試驗的環(huán)境為Windows 7系統(tǒng)，聯(lián)想PC機，Intel i5低功耗版CPU，8G內(nèi)存，用Microsoft Visual Studio 2010實現(xiàn)測試）。

通過比較本研究算法與其他分割算法的效果，進一步驗證本研究算法的性能，部分樣本的試驗效果如圖6所示。

圖6所示，a為經(jīng)過圖像平滑操作后的黃瓜葉片病害樣本圖片，直接對其灰度圖使用改進的Otsu算法進行分割處理，再轉(zhuǎn)換到RGB空間，其分割效果圖為b，分割結(jié)果中含有比較多的葉片正常部分，其分割效果不精確；c為使用Mean Shift算法分割后的效果，分割結(jié)果中病害區(qū)域相對完整，但還保留了較少部分的葉片背景區(qū)域在病害周圍；d為本研究算法的分割效果，能夠相對精確地提取出黃瓜葉部病害區(qū)域，并且?guī)缀跷匆姎埩舻谋尘吧_到較理想的預(yù)期。為進一步驗證本研究算法的實用性，本研究對分別使用上述分割方法，進行了算法運行時間統(tǒng)計，其結(jié)果具體如表1所示。

直接使用改進的Otsu算法的運行時間最短，但分割效果不理想，Mean shift算法雖然效果相對較好但運行的時間較長。本研究方法的分割效果相對比較準確且運算時間較短，僅為40.83 ms，能滿足實際的實時性需求。

3 結(jié)論

本研究提出了一種基于顏色差異性的植物葉部病害彩色圖像分割方法，首先將原圖像背景進行處理，去除樣本中葉片復(fù)雜的背景環(huán)境；然后利用圖像的平滑操作，改善病害區(qū)域的邊緣細節(jié)并且抑制圖像中的噪聲；最后對處理的圖像挖掘其顏色差異性，結(jié)合灰度圖的Otsu方法，得到最終的分割圖。本研究算法得到的病害分割區(qū)域比較精準，且在抗噪性能、邊緣細節(jié)保護和分割效率等方面也有很好的效果。

本研究較好地進行了病害圖像的分割，但未過多考慮光照、葉片顏色受外界環(huán)境因素污染等情況，這將是進一步研究的方向。

參考文獻：

[1] 崔艷麗，程鵬飛，董曉志，等.溫室植物病害的圖像處理及特征值提取方法的研究——基于色度的特征值提取研究[J].農(nóng)業(yè)工程學(xué)報，2005，21（z2）：32-35.

[2] 睢 丹，牛紅惠.基于圖像優(yōu)化分割技術(shù)的植物病蟲害區(qū)域智能檢測[J].福建農(nóng)業(yè)，2015（4）：133-134.

[3] 朱 莉，羅 靖，徐勝勇，等.基于顏色特征的油菜害蟲機器視覺診斷研究[J].農(nóng)機化研究，2016，38（6）：55-58，121.

[4] 劉立群，王聯(lián)國，火久元，等.基于改進和聲搜索算法的玉米葉片病害圖像分割算法[J].計算機應(yīng)用與軟件，2016，33（4）：183-186.

[5] 袁 媛，李 淼，陳 晟，等.復(fù)雜背景黃瓜葉部病害圖像分割方法[J].農(nóng)業(yè)機械學(xué)報，2013，44（10）：233-237.

[6] 倪維平，嚴衛(wèi)東，邊 輝，等.基于MRF模型和形態(tài)學(xué)運算的SAR圖像分割[J].電光與控制，2011，18（1）：32-36.

[7] NJEH I，SALLEMI L，AYED I B，et al. 3D multimodal MRI brain glioma tumor and edema segmentation：A graph cut distribution matching approach[J].Computerized Medical Imaging & Graphics，2015，40：108.

[8] 張善文，張云龍，尚怡君.1種基于Otsu算法的植物病害葉片圖像分割方法[J].江蘇農(nóng)業(yè)科學(xué)，2014，42（4）：337-339.

[9] 張 芳，王 璐，付立思，等.復(fù)雜背景下黃瓜病害葉片的分割方法研究[J].浙江農(nóng)業(yè)學(xué)報，2014，26（5）：1346-1355.

[10] 伍艷蓮，趙 力，姜海燕，等.基于改進均值漂移算法的綠色作物圖像分割方法[J].農(nóng)業(yè)工程學(xué)報，2014，30（24）：161-167.

[11] ZIVKOVIC Z，KR？魻SE B. An EM-Like Algorithm for color-histogram-based object tracking[J].IEEE Computer Society Conference on Computer Vision & Pattern Recognition，2004， 1（1）：1798-1803.

[12] 關(guān) 強，薛河儒，姜新華.基于二維OTSU的田間植物圖像分割方法[J].江蘇農(nóng)業(yè)科學(xué)，2015，43（12）：437-440.

[13] 趙海坤，周偉燦.改進的OTSU算法在圖像分割中的應(yīng)用[J].重慶理工大學(xué)學(xué)報，2007，21（4）：92-94.

[14] 胡 敏，陳紅波，許良鳳，等.基于顏色和紋理特征的黃瓜病害識別算法[J].電子測量與儀器學(xué)報，2015，29（7）：970-977.

[15] SWAIN M J，BALLARD D H. Color indexing[J].International Journal of Computer Vision，1991，7（1）：11-32.

[16] 汪 瀾，張 慧，張海濤，等.結(jié)合新顏色空間與Otsu的分水嶺彩色圖像分割算法[J].計算機應(yīng)用研究，2017（12）：3873-3879.

[17] 王玉德，張學(xué)志.復(fù)雜背景下甜瓜果實分割算法[J].農(nóng)業(yè)工程學(xué)報，2014，30（2）：176-181.

[18] 張頤康，李翠麗，李 源，等.基于圖像分割的玉米粒數(shù)高通量估算方法[J].湖北農(nóng)業(yè)科學(xué)，2016，55（12）：3185-3188.