薛 飛，劉立群

(甘肅農(nóng)業(yè)大學(xué) 信息科學(xué)技術(shù)學(xué)院，甘肅 蘭州 730070)

0 引 言

中國(guó)的蘋(píng)果生產(chǎn)和消費(fèi)已經(jīng)位居世界之首[1]。在蘋(píng)果種植面積和產(chǎn)量日益增長(zhǎng)的情況下，蘋(píng)果果實(shí)的各種病變(如黑點(diǎn)病、斑點(diǎn)落葉病、苦痘病、紅點(diǎn)病、痘斑病、日灼病等)也日益增多，嚴(yán)重影響了果農(nóng)的經(jīng)濟(jì)收益，因此對(duì)蘋(píng)果進(jìn)行檢測(cè)對(duì)提升蘋(píng)果整體的品質(zhì)具有重要的意義。

目前，傳統(tǒng)的檢測(cè)方法以人工肉眼檢測(cè)為主，受人為主觀判斷容易產(chǎn)生錯(cuò)誤，降低了病變識(shí)別準(zhǔn)確度。隨著經(jīng)濟(jì)的快速發(fā)展，目前人工成本越來(lái)越高。隨著技術(shù)的不斷發(fā)展升級(jí)，能夠替代人工肉眼識(shí)別的機(jī)器視覺(jué)的出現(xiàn)顯得更為重要。機(jī)器視覺(jué)領(lǐng)域包括圖像處理、智能控制、電光源照明、傳感器檢測(cè)、模擬數(shù)字視頻技術(shù)等。圖像處理是機(jī)器視覺(jué)的基礎(chǔ)，其中圖像分割是按照一定的原則將一幅圖像分為若干的具有單獨(dú)性質(zhì)的子集，并提取出感興趣目標(biāo)的技術(shù)和過(guò)程。

因此，利用圖像分割算法對(duì)蘋(píng)果病斑圖像識(shí)別進(jìn)行研究具有重要的實(shí)際意義和應(yīng)用前景。目前該領(lǐng)域的研究對(duì)象一般為黃瓜、西紅柿、柑橘、馬鈴薯等常見(jiàn)病害圖像。國(guó)外研究學(xué)者已經(jīng)開(kāi)展了大量工作，文獻(xiàn)[2]為了分割出櫻桃白粉病病害區(qū)域，采用自適應(yīng)閾值分割方法，結(jié)果表明分割的病斑區(qū)域可以有效地反映疾病感染水平。文獻(xiàn)[3]將Sobel邊緣檢測(cè)算子應(yīng)用于大麥葉片病斑分割實(shí)驗(yàn)中，從而實(shí)現(xiàn)了病斑與背景的分離[4]。文獻(xiàn)[5]選取種子像素并采用區(qū)域生長(zhǎng)迭代法和分裂合并方法對(duì)柑橘皮病斑進(jìn)行了分割，結(jié)果表明柑橘皮病斑區(qū)域分割結(jié)果良好。文獻(xiàn)[6]通過(guò)實(shí)驗(yàn)對(duì)香蕉病害葉片病斑提取，選擇最優(yōu)門(mén)限閾值，準(zhǔn)確將病斑分割出來(lái)[7]。文獻(xiàn)[8]對(duì)蘋(píng)果進(jìn)行了形狀判斷的研究，依靠軸定向可以采集蘋(píng)果在不同角度的5幀圖像并使用計(jì)算機(jī)進(jìn)行圖像分析處理。文獻(xiàn)[9]提出在理論上任意顏色都可以用R、G、B分量不同的數(shù)值組合來(lái)進(jìn)行呈現(xiàn)，實(shí)驗(yàn)數(shù)據(jù)表明該理論的誤差很小，但是這種方法增加了計(jì)算量，同時(shí)也降低了速率，增加了實(shí)際誤差[10]。文獻(xiàn)[11]采用機(jī)器視覺(jué)對(duì)草莓形狀、大小及顏色等特征進(jìn)行分級(jí)方法研究[12]。國(guó)內(nèi)學(xué)者也開(kāi)展了相關(guān)研究，文獻(xiàn)[13]提出的改進(jìn)全卷積神經(jīng)網(wǎng)絡(luò)的黃瓜葉部病斑分割方法可以對(duì)不同黃瓜葉部病斑做到精細(xì)化分割。文獻(xiàn)[14]提出的LBP和OTSU相結(jié)合的病害葉片圖像分割方法使病害葉片分割更完全。文獻(xiàn)[15]提出的基于樸素貝葉斯的病害圖像分割方法對(duì)柑橘潰瘍病葉片圖像進(jìn)行分割研究，達(dá)到了較為適宜且精確度較高的程度。文獻(xiàn)[16]提出了一種改進(jìn)全卷積神經(jīng)網(wǎng)絡(luò)玉米葉片病斑分割方法，可以準(zhǔn)確分割出玉米葉部病斑區(qū)域。文獻(xiàn)[17]對(duì)HSV、Lab、YCbCr和RGB幾種顏色空間下水稻稻瘟病、細(xì)菌性條斑病和稻曲病3種病害圖像分割進(jìn)行了研究，取得了不錯(cuò)的分割效果?？梢?jiàn)，利用圖像處理算法對(duì)病害進(jìn)行分割與識(shí)別是一種非常有效的方法，將其應(yīng)用于不同類(lèi)型的蘋(píng)果病斑圖像的分割識(shí)別領(lǐng)域，可快速簡(jiǎn)單地進(jìn)行蘋(píng)果病斑識(shí)別，節(jié)省人力物力。

針對(duì)傳統(tǒng)人工肉眼檢測(cè)的缺陷，該文應(yīng)用最大類(lèi)間方差(OTSU)對(duì)不同類(lèi)型的蘋(píng)果病斑圖像進(jìn)行分割研究，提出了基于OTSU算法的蘋(píng)果果實(shí)病斑圖像分割方法。設(shè)計(jì)開(kāi)發(fā)了蘋(píng)果病斑圖像分割處理系統(tǒng)，系統(tǒng)基于MATLAB GUI開(kāi)發(fā)界面，將讀取的蘋(píng)果彩色病斑圖像分別進(jìn)行灰度處理、直方圖均衡化、濾波增強(qiáng)、模糊增強(qiáng)、圖像分割、識(shí)別病斑區(qū)域等一系列操作，分別選取蘋(píng)果黑點(diǎn)病、斑點(diǎn)落葉病、苦痘病、紅點(diǎn)病、痘斑病、日灼病等六種病斑果實(shí)圖像進(jìn)行分割處理，實(shí)現(xiàn)病斑圖像分割結(jié)果展示。

1 理論基礎(chǔ)

1.1 最大類(lèi)間方差算法分割原理

廣泛流行的圖像分割算法是最大類(lèi)間方差，又稱(chēng)大津法(OTSU)，是日本學(xué)者大津展之在1979年提出的。其算法思想是通過(guò)最大類(lèi)間方差準(zhǔn)則來(lái)選取最優(yōu)閾值。

OTSU算法基本原理是：假設(shè)圖像中有L個(gè)灰度等級(jí)，其中灰度值為j的數(shù)目為nj，則有圖像中總的像素公式為：

(1)

每個(gè)灰度值概率公式如下：

(2)

假設(shè)在(0～L)灰度內(nèi)存在灰度k將圖像分為兩類(lèi)，那么公式如式(3)所示。

(3)

此外兩類(lèi)灰度值均值計(jì)算方法分別如式(4)和式(5)所示。

(4)

(5)

通過(guò)公式可以計(jì)算出圖像總體灰度均值為wT=pAwA+pBwB，根據(jù)方差計(jì)算公式可得出式(6)[18]。

δ2=PA(ωA-ωT)2+PB(ωB-ωT)2

(6)

通過(guò)OTSU算法的基本原理可以得到OTSU求取圖像最佳閾值的公式(7)，方差越大，效果越好[19]。

(7)

1.2 MATLAB及MATLAB GUI原理

隨著面向?qū)ο蠹夹g(shù)的興起，圖形用戶(hù)界面(GUI)的設(shè)計(jì)與開(kāi)發(fā)已經(jīng)成為一種大的趨勢(shì)。MATLAB平臺(tái)可建立基于用戶(hù)完整的圖形用戶(hù)界面，對(duì)于圖像的分割處理更加精準(zhǔn)和簡(jiǎn)易[20]。

利用MATLAB GUI實(shí)現(xiàn)圖像處理一體化平臺(tái)設(shè)計(jì)可以充分發(fā)揮MATLAB在圖形可視化方面的特性。平臺(tái)設(shè)計(jì)中充分利用了MATLAB的各種圖形對(duì)象，如按鈕、文本框、菜單、圖軸等控件，通過(guò)鼠標(biāo)拖入控件來(lái)創(chuàng)建對(duì)象，編寫(xiě)相應(yīng)回調(diào)函數(shù)實(shí)現(xiàn)平臺(tái)的算法集成和交互可視化功能，為用戶(hù)有效利用多種方法進(jìn)行圖像處理提供了便利。

1.3 蘋(píng)果果實(shí)病斑分類(lèi)

目前，蘋(píng)果的各種病變體現(xiàn)在果實(shí)病斑上，主要包括以下六種類(lèi)型：黑點(diǎn)病、斑點(diǎn)落葉病、苦痘病、紅點(diǎn)病、痘斑病及日灼病。

蘋(píng)果黑點(diǎn)病一般局限在果實(shí)表皮，不深入果肉[21]，影響蘋(píng)果果實(shí)外觀、經(jīng)濟(jì)價(jià)值。蘋(píng)果斑點(diǎn)落葉影響蘋(píng)果外觀病貯藏期間還易感染其他病菌，并感染其他果實(shí)，造成經(jīng)濟(jì)損失。蘋(píng)果苦痘病果面病斑深褐色至黑褐色[22]，嚴(yán)重影響蘋(píng)果外觀、口感和經(jīng)濟(jì)價(jià)值。蘋(píng)果紅點(diǎn)病出現(xiàn)在果皮表面，影響外觀、果農(nóng)經(jīng)濟(jì)收入[23]。蘋(píng)果痘斑病表現(xiàn)在果實(shí)表面，病變嚴(yán)重可以深達(dá)果肉[24]，易感染其他果實(shí)造成經(jīng)濟(jì)損失。蘋(píng)果日灼病是由果面高溫和太陽(yáng)光的輻射所引起，使蘋(píng)果失去食用價(jià)值[25]。

2 蘋(píng)果果實(shí)病斑圖像分割方法

2.1 蘋(píng)果果實(shí)病斑圖像分割方法原理

針對(duì)傳統(tǒng)人工肉眼檢測(cè)的缺陷，該文提出了基于OTSU算法的蘋(píng)果果實(shí)病斑圖像分割方法。該方法基于MATLAB平臺(tái)，將讀取的蘋(píng)果彩色病斑圖像分別進(jìn)行灰度處理、直方圖均衡化、濾波增強(qiáng)、模糊增強(qiáng)、圖像分割、識(shí)別病斑區(qū)域等一系列操作，分別選取蘋(píng)果黑點(diǎn)病、斑點(diǎn)落葉病、苦痘病、紅點(diǎn)病、痘斑病、日灼病六種病斑果實(shí)圖像進(jìn)行采樣處理，利用OTSU算法對(duì)六種蘋(píng)果病斑圖像進(jìn)行分割識(shí)別。

2.1.1 蘋(píng)果果實(shí)病斑圖像分割方法

蘋(píng)果果實(shí)病斑圖像分割方法包含以下四個(gè)模塊：讀取蘋(píng)果病變圖像模塊、圖像灰度處理模塊、圖像預(yù)處理模塊、圖像分割模塊。

讀取蘋(píng)果病變圖像模塊實(shí)現(xiàn)蘋(píng)果病斑圖像的讀入功能，首先對(duì)蘋(píng)果黑點(diǎn)病、斑點(diǎn)落葉病、苦痘病、紅點(diǎn)病、痘斑病、日灼病六種病變進(jìn)行采樣處理，在系統(tǒng)分別對(duì)應(yīng)的功能區(qū)進(jìn)行讀入。圖像灰度處理模塊實(shí)現(xiàn)灰度圖像處理功能，將蘋(píng)果彩色病斑圖像讀入后自動(dòng)將蘋(píng)果病斑圖像進(jìn)行灰度處理并顯示。圖像預(yù)處理模塊，建立預(yù)定義的濾波算子，模糊增強(qiáng)濾波器，將原始圖像按指定的濾波器進(jìn)行濾波增強(qiáng)處理，并計(jì)算出圖像的直方圖。圖像分割模塊，利用OTSU算法計(jì)算出圖像的一個(gè)閾值，可以用來(lái)區(qū)分圖像的前景和背景部分，然后顯示病斑分割結(jié)果。

2.1.2 蘋(píng)果果實(shí)病斑圖像分割方法流程

Step1：讀取蘋(píng)果病斑圖像。

Step2：對(duì)蘋(píng)果病斑圖像進(jìn)行灰度處理。

Step3：建立預(yù)定義的濾波算子，模糊增強(qiáng)濾波器，將原始圖像按指定的濾波器進(jìn)行濾波增強(qiáng)處理，并計(jì)算出圖像的直方圖。

Step4：利用OTSU算法計(jì)算出圖像的一個(gè)閾值finalT，顯示病斑分割結(jié)果。

2.2 蘋(píng)果病斑圖像分割處理系統(tǒng)

2.2.1 總體設(shè)計(jì)方案

該文基于MATLAB平臺(tái)，運(yùn)用OTSU算法對(duì)蘋(píng)果病斑圖像進(jìn)行分割，并利用MATLAB GUI功能實(shí)現(xiàn)病斑圖像分割結(jié)果展示，設(shè)計(jì)開(kāi)發(fā)了蘋(píng)果病斑圖像分割處理系統(tǒng)。

由于照片采集過(guò)程中會(huì)受到外部光源等一系列不確定因素的影響，可能會(huì)影響蘋(píng)果病斑識(shí)別的正確率，因?yàn)榇嬖谶@些不確定性因素，所以在蘋(píng)果病斑識(shí)別過(guò)程中存在一定的復(fù)雜性。采集到的蘋(píng)果病斑圖像進(jìn)行識(shí)別分割，因?yàn)槭芄庠?、色彩等因素的影響，所以在識(shí)別過(guò)程中先將彩色圖像進(jìn)行處理轉(zhuǎn)換為灰度圖像，并進(jìn)行圖像的預(yù)處理，然后進(jìn)行病斑區(qū)域分割，以提高病斑分割正確率。蘋(píng)果病斑圖像分割處理系統(tǒng)總體設(shè)計(jì)方案如圖1所示。

圖1 總體設(shè)計(jì)方案

總體設(shè)計(jì)方案中的分割識(shí)別處理，分別讀取蘋(píng)果黑點(diǎn)病、斑點(diǎn)落葉病、苦痘病、紅點(diǎn)病、痘斑病、日灼病六種病斑圖像，將原圖像變換為灰度圖像，然后進(jìn)行圖像的預(yù)處理，最后輸出結(jié)果并保存圖像，分割識(shí)別結(jié)束。

2.2.2 蘋(píng)果病斑圖像分割處理系統(tǒng)處理流程

利用OTSU算法在MATLAB GUI平臺(tái)對(duì)蘋(píng)果病斑圖像進(jìn)行分割處理得出實(shí)驗(yàn)數(shù)據(jù)。蘋(píng)果病斑圖像分割處理系統(tǒng)的處理步驟包括：讀取圖像、灰度處理、直方圖均衡化、濾波增強(qiáng)、模糊增強(qiáng)、圖像分割、識(shí)別病斑區(qū)域，如圖2所示。

圖2 蘋(píng)果病斑圖像分割處理系統(tǒng)處理流程

2.2.3 系統(tǒng)設(shè)計(jì)界面

根據(jù)總體設(shè)計(jì)方案，設(shè)計(jì)開(kāi)發(fā)出蘋(píng)果病斑圖像分割處理系統(tǒng)界面，如圖3所示，六種蘋(píng)果病斑圖像分類(lèi)選擇界面如圖4所示。

圖3 蘋(píng)果病斑圖像分割處理系統(tǒng)界面

圖4 六種蘋(píng)果病斑圖像分類(lèi)選擇界面

3 蘋(píng)果病斑圖像分割實(shí)驗(yàn)

3.1 實(shí)驗(yàn)設(shè)計(jì)

選取蘋(píng)果黑點(diǎn)病、斑點(diǎn)落葉病、苦痘病、紅點(diǎn)病、痘斑病、日灼病六種病斑圖像進(jìn)行實(shí)驗(yàn)，驗(yàn)證OTSU的圖像閾值尋優(yōu)能力及圖像分割效果。圖像采集選擇室外自然光采集。計(jì)算機(jī)處理器為Intel Core i5，主頻為1.8 GHz，內(nèi)存為8.0 GB，顯卡Intel HD Graphics 6000，顯卡內(nèi)存1 536 MB，數(shù)碼相機(jī)選用Cannon G7。圖片處理軟件是Matlab 2019a。

根據(jù)果實(shí)病斑的實(shí)際大小，將分割出的目標(biāo)按照形狀、大小等特征進(jìn)行劃分，以下幾種情況的目標(biāo)可忽略不計(jì)入分割出的病斑數(shù)：目標(biāo)過(guò)小成點(diǎn)狀、目標(biāo)過(guò)大成片狀、目標(biāo)成線(xiàn)條狀。以分割出的果實(shí)病斑數(shù)與果實(shí)實(shí)際病斑數(shù)的比較來(lái)評(píng)價(jià)OTSU分割算法的分割效果。先定義Nm為算法分割識(shí)別出的總目標(biāo)數(shù)。Nf為人工目視識(shí)別得到的實(shí)際病斑數(shù)，Nt為算法可分割識(shí)別出的病斑數(shù)。

分別定義識(shí)出率(R識(shí)別)、識(shí)別成功率(R成功)、誤識(shí)率(R錯(cuò)誤)和漏識(shí)率(R漏識(shí))，選取識(shí)別率、成功率、誤識(shí)率和漏識(shí)率4個(gè)指標(biāo)進(jìn)行衡量[26]。

(8)

(9)

(10)

R漏識(shí)=100%-R成功

(11)

3.2 實(shí)驗(yàn)結(jié)果與分析

六種蘋(píng)果病斑圖像分割閾值結(jié)果如表1所示，蘋(píng)果果實(shí)黑點(diǎn)病、斑點(diǎn)落葉病、苦痘病、紅點(diǎn)病、痘斑病、日灼病六種病斑類(lèi)型圖像分別用A#、B#、C#、D#、E#、F#表示。

表1 六種蘋(píng)果病斑圖像分割效果比較

將六種蘋(píng)果病斑圖像的六幅圖像分別用OTSU分割方法進(jìn)行分割后尋取的最優(yōu)閾值如表2所示。

表2 六種蘋(píng)果病斑圖像分割最優(yōu)閾值

由表2可以看出，不同類(lèi)型病斑圖像由于光照或自身原因，分割后得到的最優(yōu)閾值并不相同。由此可見(jiàn)OTSU算法會(huì)根據(jù)實(shí)際情況得出各圖像的最優(yōu)閾值。

蘋(píng)果病斑圖像分割處理系統(tǒng)對(duì)六種不同的蘋(píng)果病斑圖像進(jìn)行分割后的結(jié)果如圖5所示。根據(jù)表1和表2及圖5分割圖像分析得出，圖5(a)所示黑點(diǎn)病斑圖像的識(shí)別率為61.9%。由于病斑點(diǎn)的顏色深淺不同、病斑大小不同及自然光照不充足，所以部分偏小病斑和右下方成片狀無(wú)法分割。圖5(b)所示蘋(píng)果斑點(diǎn)落葉病斑圖像由于左側(cè)病斑偏小顏色偏淺并且下方連城片狀無(wú)法分割，所以識(shí)別率為66.7%。圖5(c)所示蘋(píng)果苦痘病斑圖像的識(shí)別率為100%。由于病斑點(diǎn)大小差別不大，光線(xiàn)照射充足所以識(shí)別率為100%。但同時(shí)錯(cuò)誤率也有11.11%，造成這種情況的原因是左側(cè)病斑點(diǎn)與周?chē)h(huán)境連城片，蘋(píng)果頂端凹陷處成黑色斑點(diǎn)被誤識(shí)別為病斑點(diǎn)。圖5(d)所示紅點(diǎn)病斑圖像的識(shí)別率為47.37%。造成這一結(jié)果的原因是紅點(diǎn)病斑多而群發(fā)，且都集中在蘋(píng)果右下側(cè)分割后與背景顏色連接成片狀無(wú)法分割。圖5(e)所示痘斑病斑圖像分割識(shí)別率為85.71%，大部分病斑點(diǎn)都分布在蘋(píng)果果實(shí)上端、光照充足，病斑點(diǎn)大小顏色相近，未出現(xiàn)成片狀分割結(jié)果，但是誤把蘋(píng)果果實(shí)頂端的凹陷處識(shí)別為病斑點(diǎn)。圖5(f)所示蘋(píng)果日灼病斑圖像的原始計(jì)算值中識(shí)別率計(jì)算結(jié)果超過(guò)100%，因?yàn)楣饩€(xiàn)和果實(shí)自身的影響、OTSU算法計(jì)算出的分割閾值存在缺陷，導(dǎo)致分割出過(guò)多誤識(shí)的目標(biāo)，根據(jù)前面假設(shè)，果實(shí)病斑的實(shí)際大小與目標(biāo)相差過(guò)遠(yuǎn)，因此將圖5(f)所示蘋(píng)果日灼病斑圖像中下方成片、微小的目標(biāo)可忽略不計(jì)入分割出的病斑數(shù)。所以對(duì)蘋(píng)果日灼病斑圖像的分割總目標(biāo)數(shù)Nm進(jìn)行矯正，計(jì)算出識(shí)別率為100%。

圖5 六種蘋(píng)果病斑圖像分割結(jié)果

綜合表1、表2實(shí)驗(yàn)結(jié)果和圖5六種蘋(píng)果病斑圖像分割結(jié)果，識(shí)別分割目標(biāo)已經(jīng)基本和背景分離，初步達(dá)到預(yù)期效果。但是識(shí)別成功率還是低于識(shí)別率，并存在一定的錯(cuò)誤和漏識(shí)。

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)人工肉眼檢測(cè)的缺陷，提出了基于最大類(lèi)間方差法(OTSU)的蘋(píng)果果實(shí)病斑圖像分割方法。設(shè)計(jì)開(kāi)發(fā)了蘋(píng)果病斑圖像分割處理系統(tǒng)，系統(tǒng)基于MATLAB GUI開(kāi)發(fā)界面，將讀取的蘋(píng)果彩色病斑圖像首先轉(zhuǎn)換為灰度圖像，并進(jìn)行圖像的預(yù)處理，然后進(jìn)行病斑區(qū)域分割，以提高病斑分割正確率。實(shí)驗(yàn)分別選取蘋(píng)果黑點(diǎn)病、斑點(diǎn)落葉病、苦痘病、紅點(diǎn)病、痘斑病、日灼病六種病斑果實(shí)圖像進(jìn)行采樣處理，利用OTSU算法對(duì)六種蘋(píng)果病斑圖像進(jìn)行分割識(shí)別。分割實(shí)驗(yàn)結(jié)果顯示，對(duì)于病斑適中、顏色較深的蘋(píng)果病變區(qū)域分割后識(shí)出率和識(shí)別成功率較高。但是該系統(tǒng)識(shí)別成功率還是低于識(shí)別率，并存在一定的錯(cuò)誤和漏識(shí)，分割算法還有待進(jìn)一步改進(jìn)。