李艷雪，呂 芳

(內(nèi)蒙古工業(yè)大學(xué) 信息學(xué)院，內(nèi)蒙古 呼和浩特 010000)

0 引 言

向日葵是人們生活中必不可少的一部分，并且為農(nóng)業(yè)經(jīng)濟(jì)做出了很大的貢獻(xiàn)[1]。但在實(shí)際生長(zhǎng)中，向日葵病害的種類(lèi)有很多種，例如：細(xì)菌性葉斑病、霜霉病、黑斑病……這些病害的存在很大程度上影響了向日葵的產(chǎn)量。隨著國(guó)民經(jīng)濟(jì)的快速發(fā)展和人們對(duì)健康生活認(rèn)知的提高，向日葵的種植面積逐步擴(kuò)大，向日葵病害越來(lái)越不容忽視[2]。向日葵葉部病害識(shí)別也亟待解決。圖像處理技術(shù)廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域，如識(shí)別黃瓜葉片病害等。圖像預(yù)處理與圖像分割是圖像識(shí)別的兩大重要步驟。很多技術(shù)已經(jīng)在農(nóng)作物上得以運(yùn)用，得到了很好的效果。

1 圖像采集

在圖像處理之前，圖像采集是一個(gè)很重要的步驟，關(guān)乎之后的處理與識(shí)別準(zhǔn)確性。通過(guò)病害圖像可以快速有效地觀(guān)察向日葵葉部病害信息。顯然，早年間黑白相機(jī)拍攝得到的圖像像素較低，并且設(shè)備存儲(chǔ)容量較小，拍攝效果已經(jīng)不能滿(mǎn)足圖像處理的需求。在日益發(fā)展的今天，高分辨率數(shù)碼相機(jī)已經(jīng)成為拍攝的重要工具，它不僅存儲(chǔ)容量大，還可直接將模擬圖像轉(zhuǎn)換為計(jì)算機(jī)能夠識(shí)別處理的數(shù)字圖像，這就避免了轉(zhuǎn)化過(guò)程中一些噪聲的加入。向日葵病害采集工作都是在田間進(jìn)行，所以需要設(shè)備具有易攜帶特性，并且因?yàn)閿?shù)碼相機(jī)的眾多優(yōu)勢(shì)，文中采用一臺(tái)CCD照相機(jī)在自然光照下進(jìn)行向日葵葉部病害圖像的采集。采集得到的圖像以JPEG格式存儲(chǔ)。

2 圖像預(yù)處理

通過(guò)上述操作，采集到的向日葵葉部病害圖像為真彩色圖像，具有紅(R)、綠(G)、藍(lán)(B)三原色。采集過(guò)程中因自然光照等各種噪聲的影響，采集到的圖像存在失真、模糊的情況。如果不去除圖像中一些干擾信息，增強(qiáng)有用的可靠信息，會(huì)對(duì)之后的識(shí)別產(chǎn)生很大的影響，因此圖像的增強(qiáng)去噪處理是一關(guān)鍵步驟，用來(lái)得到最接近病害本身的圖像(下面以向日葵葉片葉斑病為例)[3]。

圖像增強(qiáng)技術(shù)是在一定標(biāo)準(zhǔn)下，處理后的圖像比原圖像效果更好。圖像增強(qiáng)方法[4]分為兩種：空間域增強(qiáng)和頻域增強(qiáng)，傳統(tǒng)的圖像增強(qiáng)技術(shù)大多是基于空間域?qū)D像進(jìn)行處理?？臻g域的圖像增強(qiáng)技術(shù)主要有灰度變換方法、直方圖方法和濾波法等。采用這幾種圖像增強(qiáng)技術(shù)對(duì)采集到的田間向日葵葉部病害圖像進(jìn)行預(yù)處理操作，處理分析如下。

2.1 灰度變換增強(qiáng)方法

該方法不改變?cè)瓐D像中像素的位置，只改變像素的灰度值，并逐點(diǎn)進(jìn)行[5]。

圖1為灰度變換增強(qiáng)圖像。

圖1 灰度變換增強(qiáng)圖像

2.2 直方圖增強(qiáng)方法

圖像灰度直方圖表示灰度圖像中具有每種灰度像素的個(gè)數(shù)，反映了圖像中每種灰度級(jí)出現(xiàn)的頻率，是圖像的基本統(tǒng)計(jì)特征之一，也是圖像對(duì)比度增強(qiáng)的最常用方法[5]。直方圖均衡化和直方圖規(guī)定化是直方圖增強(qiáng)常用的兩種方法。

2.3 空域?yàn)V波法

在圖像增強(qiáng)中，空域?yàn)V波法很常用，并且處理效果較好，可以很好地改善圖像質(zhì)量，增強(qiáng)圖像中有用信息，削弱不必要的信息特征[6]?？沼?yàn)V波是通過(guò)鄰域操作完成的，需要用到模板，每一個(gè)模板就是一個(gè)空域?yàn)V波器，模板系數(shù)的不同直接影響了去噪增強(qiáng)的效果。常用的濾波器有平滑濾波器、中值濾波器、銳化濾波器等，除了空域?yàn)V波增強(qiáng)之外，還有頻域?yàn)V波增強(qiáng)，這里不做介紹。采用模板進(jìn)行濾波，對(duì)圖像的去噪增強(qiáng)處理效果，如圖2所示。

圖2 圖像去噪增強(qiáng)效果

為了與實(shí)際契合，圖2(b)中人為加入了高斯噪聲，并且分別對(duì)比不同方法不同模板系數(shù)的去噪增強(qiáng)效果?？梢钥吹?，鄰域大小直接影響去噪增強(qiáng)的效果，鄰域越大，平滑效果越好，但過(guò)大會(huì)導(dǎo)致處理之后的圖像越發(fā)模糊，綜合考慮選擇比較合適的鄰域系數(shù)，使用3*3模板濾波器。通過(guò)觀(guān)察向日葵原始彩色病害圖像與去噪之后的圖像，可以看到處理后圖像消除了噪聲，留下了想要的部分，達(dá)到了濾波目的，并且為之后精確的分割做了充分的準(zhǔn)備。

3 聚類(lèi)算法分割對(duì)比

3.1 顏色空間的選取和相互轉(zhuǎn)換

顏色模型常用的有RGB顏色模型[7](CRT，電視)、CMY顏色模型(印刷行業(yè))、HSV顏色模型(人眼模型)、CIE L*a*b顏色模型。因?yàn)長(zhǎng)ab顏色模型與人眼所看到的顏色較接近且不受設(shè)備影響，同時(shí)彌補(bǔ)了RGB和CMYK兩種顏色模型的不足，所以研究采用Lab顏色模型[8-9]。采用Lab顏色空間進(jìn)行向日葵葉部病害彩色圖像的分割[10]，因?yàn)轭A(yù)處理之后的圖像是RGB彩色圖像，需要進(jìn)行顏色空間轉(zhuǎn)換。轉(zhuǎn)換公式為：

L*=116f(Y/Yn)-16

a*=500[f(X/Xn)-f(Y/Yn)]

b*=200[f(Y/Yn)-f(Z/Zn)]

3.2 K-means聚類(lèi)分割原理及DBSCAN聚類(lèi)算法原理

由于計(jì)算速度快、聚類(lèi)效果較好等優(yōu)點(diǎn)，K-means聚類(lèi)算法是最常用的算法之一，也是數(shù)據(jù)挖掘的重要手段，廣泛應(yīng)用于機(jī)器學(xué)習(xí)領(lǐng)域。K-means聚類(lèi)算法[11-13]以圖像的像素為數(shù)據(jù)點(diǎn)，按照指定的簇?cái)?shù)進(jìn)行聚類(lèi)，最終將每個(gè)像素點(diǎn)以其對(duì)應(yīng)的聚類(lèi)中心替代，重新組成圖像[14]。K-means聚類(lèi)分割[15]算法簡(jiǎn)單有效，但是其聚類(lèi)結(jié)果對(duì)初始中心值選取較為敏感，從而一定程度上導(dǎo)致聚類(lèi)結(jié)果并不是特別準(zhǔn)確[16]。因此，文中利用K-means聚類(lèi)算法與DBSCAN聚類(lèi)算法分別分割病斑并進(jìn)行對(duì)比?；诿芏鹊腄BSCAN算法主要針對(duì)算法中隨機(jī)選取初始聚類(lèi)中心的問(wèn)題，改善聚類(lèi)算法和結(jié)果對(duì)初始聚類(lèi)中心的敏感依賴(lài)程度。因圖像數(shù)據(jù)對(duì)象中分散比較隨機(jī)，可能存在部分?jǐn)?shù)據(jù)對(duì)象較分散的情況，在選取聚類(lèi)中心時(shí)，可以較好地去除分散的密度低的數(shù)據(jù)對(duì)象并且去除噪聲點(diǎn)。這個(gè)過(guò)程中不再使用數(shù)據(jù)對(duì)象的平均值為中心點(diǎn)，而是考慮每簇中居于中心位置的中心點(diǎn)，通過(guò)迭代來(lái)選擇最佳聚類(lèi)效果。K-means聚類(lèi)算法是針對(duì)所有對(duì)象，所以對(duì)距離較遠(yuǎn)的異常點(diǎn)特別敏感，基于密度的DBSCAN算法會(huì)把這些異常點(diǎn)當(dāng)作噪聲進(jìn)行丟棄，不再基于模型做聚類(lèi)，而是基于密度[14]，這為聚類(lèi)算法初始中心的選取做了很好的鋪墊。

3.3 DBSCAN算法步驟及仿真結(jié)果

DBSCAN聚類(lèi)算法[17](density-based spatial clustering of applications with noise)是一種比較有代表性的基于密度的聚類(lèi)算法。與劃分和層次聚類(lèi)方法不同，它將簇定義為密度相連的點(diǎn)的最大集合，能夠把具有足夠高密度的區(qū)域劃分為簇，并可在噪聲的空間數(shù)據(jù)庫(kù)中發(fā)現(xiàn)任意形狀的聚類(lèi)。DBSCAN聚類(lèi)算法步驟為：首先需要標(biāo)準(zhǔn)化一組新的測(cè)試樣本，這些樣本應(yīng)該遵循每個(gè)樣本的屬性及其規(guī)范化，將樣本歸化，歸化后的數(shù)值進(jìn)行具體測(cè)試；找到中心質(zhì)點(diǎn)，并且找到最大的半徑樣本，使用兩點(diǎn)之間距離公式，找到最大的價(jià)值；將所有樣本分配給各自所在的半徑范圍，這樣就可以建立良好的初始聚類(lèi)中心，并且依次重復(fù)此操作(選取最優(yōu)的聚類(lèi)中心)，最后進(jìn)行類(lèi)合并，也就是所謂的聚類(lèi)。這樣的操作使得最后選取的初始聚類(lèi)中心更加合適，有利于以后的聚類(lèi)分割，避免了隨機(jī)選取初始聚類(lèi)中心，結(jié)果較受該中心選取的影響。該算法增強(qiáng)了聚類(lèi)的穩(wěn)定性和精確性。

通過(guò)舉例運(yùn)行仿真程序，可以發(fā)現(xiàn)K-means算法與DBSCAN算法之間的效果差別(如圖3所示)?？梢钥吹?，通過(guò)K-means算法和基于密度的DBSCAN算法都把數(shù)據(jù)集分成了鮮明的兩個(gè)類(lèi)別。

圖3 聚類(lèi)算法結(jié)果對(duì)比

由圖(b)可以看到，輪廓內(nèi)外部分分別代表了不同的數(shù)據(jù)對(duì)象，分割明顯，效果較好；但圖(c)中兩類(lèi)數(shù)據(jù)對(duì)象并未明顯分開(kāi)，數(shù)據(jù)對(duì)象產(chǎn)生交叉現(xiàn)象。因此，DBSCAN算法的效果要比K-means算法好很多。

3.4 分割病斑及總結(jié)

上節(jié)中清晰地看到把原始數(shù)據(jù)集分成了兩類(lèi)，并且DBSCAN聚類(lèi)效果遠(yuǎn)優(yōu)于K-means算法，效果很好。由此，現(xiàn)在把兩種算法運(yùn)用到實(shí)際中分割病斑。以向日葵葉斑病為例，在Matlab軟件仿真病害圖像結(jié)果如圖4所示。

圖4 對(duì)比聚類(lèi)分割效果

由圖4可看到，基于密度的DBSCAN聚類(lèi)分割效果較好，更貼近病斑原來(lái)的形狀，病斑部分與無(wú)病斑部分幾乎完全實(shí)現(xiàn)分離，解決了K-means算法的不足。綜上所述，通過(guò)觀(guān)察結(jié)果并考慮其優(yōu)缺點(diǎn)，研究選擇CIE L*a*b顏色空間，并使用基于密度的DBSCAN聚類(lèi)算法實(shí)現(xiàn)向日葵葉部病斑的分離，能夠得到高質(zhì)量的聚類(lèi)分割效果。

4 結(jié)束語(yǔ)

文中研究了向日葵葉部病斑圖像，以向日葵葉斑病為例，進(jìn)行圖像采集、圖像預(yù)處理和病斑分割操作。為了達(dá)到圖像質(zhì)量要求并符合田間實(shí)際情況，采用高分辨率、高像素相機(jī)在自然光照下拍攝，采集過(guò)程中摻入的噪聲用平滑濾波方法進(jìn)行去噪增強(qiáng)處理，選擇了L*a*b顏色模型，更符合人眼觀(guān)察效果，采用基于密度的DBSCAN聚類(lèi)方法實(shí)現(xiàn)向日葵葉部病斑的有效分割，仿真結(jié)果證明了該方法的有效性。