謝裕睿 徐偉恒 董建娥

摘要：為了將植物葉片圖像中的病斑區(qū)域更準(zhǔn)確地分割出來，以提高后期病害種類識(shí)別的準(zhǔn)確率，本文對(duì)分水嶺算法和k均值聚類算法進(jìn)行對(duì)比，發(fā)現(xiàn)k均值聚類算法具有更好的分割效果，但它在RGB顏色空間進(jìn)行聚類時(shí)容易造成圖像顏色失真，該文針對(duì)此缺點(diǎn)進(jìn)行了改進(jìn)，在Lab顏色空間中進(jìn)行k均值聚類并分割。結(jié)果表明，基于Lab顏色空間的k均值聚類方法能夠準(zhǔn)確地將病斑從背景中提取出來，為植物病害種類的識(shí)別提供了科學(xué)依據(jù)。

關(guān)鍵詞：病斑分割;分水嶺;k均值聚類;Lab顏色空間

中圖分類號(hào)：TP751

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）03-0216-02

1 概述

植物生長的各個(gè)階段都有可能發(fā)生病害，如果不能及時(shí)防治將造成很大的經(jīng)濟(jì)損失。目前植物病斑種類的判斷基本依靠植物病理學(xué)知識(shí)和專家自身經(jīng)驗(yàn)，存在一定局限性，容易出現(xiàn)測量失誤、不能精確掌握病斑分布情況，導(dǎo)致最終診斷出現(xiàn)較大偏差[1]。

植物病斑圖像分割是后期基于圖像的病害種類識(shí)別的重要前提，因此需要選擇合適的分割算法對(duì)彩色病斑圖像進(jìn)行分割[2]。本文對(duì)比了分水嶺算法和k均值聚類算法，選出其中最適合于病斑分割的k均值聚類算法，并在其基礎(chǔ)上加以改進(jìn)，使其可以準(zhǔn)確地分割出病斑區(qū)域。

2 基于分水嶺算法的植物病斑分割方法

2.1 基于標(biāo)記的分水嶺分割算法

分水嶺算法（Watershed Algorithm）是一種結(jié)合了地形學(xué)和區(qū)域生長思想的數(shù)學(xué)形態(tài)學(xué)圖像分割方法，分水嶺分割的過程可視為在局部極小值的表面區(qū)域刺穿一個(gè)小孔，然后把整個(gè)模型緩緩浸入，在這過程中局部極小值逐漸擴(kuò)大其影響范圍，分水嶺分割便是通過尋找形成的“集水盆地”和“分水嶺”來進(jìn)行分割[3]。用圖1來進(jìn)行輔助說明。

通過分水嶺算法進(jìn)行圖像分割的效果不理想，所以本文使用基于標(biāo)記的分水嶺分割方法，該方法先使用灰度值的特征準(zhǔn)則對(duì)圖像的前景和背景分別標(biāo)記，然后再對(duì)每個(gè)標(biāo)記區(qū)域應(yīng)用分水嶺分割算法[4]。

2.2 基于分水嶺算法的病斑圖像分割結(jié)果

圖2為茶葉白星病的標(biāo)記分水嶺分割結(jié)果，其中圖2（a）為茶葉白星病原圖，圖2（b）為Sobel算子病斑分割結(jié)果，經(jīng)過前景和背景標(biāo)記后生成圖2（c），圖2（d）為進(jìn)行分水嶺分割后最終生成的圖像。

從實(shí)驗(yàn)結(jié)果可以看出，大多數(shù)閉塞區(qū)域和陰影對(duì)象沒有被標(biāo)記或者標(biāo)記錯(cuò)誤，該算法會(huì)將圖像病斑區(qū)域過度分割，生成過多的小區(qū)域而導(dǎo)致分割目標(biāo)難以被識(shí)別[51。由于該算法是通過區(qū)域像素值的大小來進(jìn)行分割，而大部分帶有病斑的植物彩色圖像中并沒有明顯的亮暗度差異，所以分割效果并不理想。

3 基于k均值聚類算法的病斑分割方法

3.1 k均值聚類算法

k均值聚類算法將樣本聚類成不同的簇，兩個(gè)點(diǎn)的距離越小，其相似度越大。設(shè)一共有N個(gè)數(shù)據(jù)點(diǎn)需要分為k個(gè)數(shù)簇，k均值聚類就是要最小化該函數(shù)，滿足式（1）。

同時(shí)μk的值也應(yīng)當(dāng)是數(shù)簇k中所有數(shù)據(jù)點(diǎn)的平均值。因?yàn)槊恳淮蔚际侨〉絁的最小值，因此J不會(huì)增加，只會(huì)不斷地減小或者不變，保證了k均值聚類最終會(huì)到達(dá)一個(gè)極小值。

3.2 基于RGB顏色空間的k均值聚類算法

與傳統(tǒng)的閾值分割算法相比，基于RGB顏色空間的閾值分割算法能夠更準(zhǔn)確地對(duì)顏色圖像進(jìn)行分割。圖3為茶葉白星病在RGB顏色空間k均值聚類分割的結(jié)果，其中圖3（a）為茶葉白星病原圖，圖3（b）為基于RGB顏色空間k均值聚類分割后的效果。

由于現(xiàn)場拍攝的圖像不僅要考慮R、G、B三種顏色的高度相關(guān)性，還要考慮光線的亮暗度等因素，拍攝圖像的不理想會(huì)導(dǎo)致聚類分割時(shí)將顏色相同但亮度不同的同一目標(biāo)分割為不同的區(qū)域，所以聚類后圖像的顏色產(chǎn)生失真。本文針對(duì)此問題加以改進(jìn)，將RGB顏色空間轉(zhuǎn)換到更接近于人類視覺感知的LAB顏色空間，再進(jìn)行聚類分析。

3.3 基于Lab顏色空間的k均值聚類算法

圖4為茶葉白星病在Lab顏色空間k均值聚類的結(jié)果，本文根據(jù)植物葉片圖像的病斑顏色、病斑外暈顏色與背景顏色將k值設(shè)定為3。圖4（a）為基于Lab顏色空間的聚類分割結(jié)果，圖4（b）為被分割出的病斑，圖4（c）為分病斑外暈輪廓，圖4（d）為背景顏色。從實(shí)驗(yàn)可以看出該算法很好的提取了病斑的輪廓與顏色，為后期提取病斑周長、面積等特征提供了基礎(chǔ)。所以基于Lab顏色空間的k均值聚類算法用于病斑分割時(shí)既能防止顏色失真，又降低了過度分割的可能性，分割效果好于本文中提到的另外兩種算法。

4 結(jié)論

本文對(duì)分水嶺算法和k均值聚類算法進(jìn)行了比較，針對(duì)k均值聚類算法在基于RGB顏色空間進(jìn)行聚類時(shí)圖像顏色失真的缺點(diǎn)，提出了一種基于Lab顏色空間的植物病斑彩色圖像分割方法。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)植物葉片病斑圖像的分割效果較好，為后期病斑特征的提取以及病害種類的識(shí)別提供了依據(jù)[6]，也為遠(yuǎn)程在線診斷植物病害提供了理論基礎(chǔ)[7]。

參考文獻(xiàn)：

[1]馬超，袁濤，姚鑫鋒，等.基于圖像處理技術(shù)的甜瓜葉片病斑定級(jí)方法研究[J]上海農(nóng)業(yè)學(xué)報(bào)，2018，34（06）：94-99.

[2]李丹丹，史秀璋，基于HSI空間和K-means方法的彩色圖像分割算法[J].微電子學(xué)與計(jì)算機(jī)，2010，27（07）：121-124.

[3]惠鵬飛，苗鳳娟，陶佰睿，等.基于K-均值聚類和分水嶺算法的PCB彩色圖像分割[J].電視技術(shù)，2013，37（13）：32-34.

[4]夏夢琴，周建，王靜，等.基于分水嶺分割的圖像處理算法研究[J].科技視界，2019（17）：71-72.

[5]龔劍.一種基于分水嶺和模糊聚類的多級(jí)圖像分割算法[J]第一軍醫(yī)大學(xué)學(xué)報(bào)，2004，24（03）：329-331.

[6]濮永仙.基于病斑特征融合的煙草病害圖像檢索方法[J]河南農(nóng)業(yè)科學(xué)：2015，44（02）：71-76

[7]彭曙光，李桂彬，唐前君，等.煙草病害診斷專家系統(tǒng)的建立與應(yīng)用[J]湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，36（03）：312-316.