許高建 沈 杰 徐浩宇

(1．安徽農(nóng)業(yè)大學(xué) 信息與計(jì)算機(jī)學(xué)院，合肥 230036；2.安徽建筑大學(xué) 檔案館，合肥 230022)

小麥赤霉病是一種較難防治的氣候型病害，在小麥各個(gè)生育期均能發(fā)生，形成苗腐爛、莖腐、稈腐和穗腐。其中以穗腐最為嚴(yán)重，小麥揚(yáng)花后約6～10天出現(xiàn)病狀，發(fā)病盛期在乳熟期到糊熟期，黃熟后基本結(jié)束[1]，期間均有可能發(fā)生赤霉病，其表現(xiàn)為：最先在麥穗上單個(gè)穗粒出現(xiàn)黃褐色水漬斑，在適宜的溫濕度情況下病害區(qū)域逐漸蔓延致使多粒麥穗出現(xiàn)枯黃色狀，若遭遇連續(xù)降雨麥穗病害區(qū)域會產(chǎn)生粉紅色霉層，接著延伸到穗軸或穗頸，最后在持續(xù)的日照下干枯死亡[2]，小麥赤霉病分布廣泛，尤其在長江中下游多雨區(qū)域最為嚴(yán)重[3]。以安徽省為例，2003年、2010年、2012年以及2015年均有發(fā)生大規(guī)模小麥赤霉病[4],因此對小麥赤霉病的診斷和預(yù)防研究迫在眉睫。

近年來，利用圖像處理技術(shù)對農(nóng)作物病害分析的研究越來越多。在圖像方面，陳盼盼[5]利用RGB顏色空間中的B分量、HSV顏色空間中的S分量和YCrCb顏色空間中的Cr分量分別進(jìn)行閾值分割，再將這3個(gè)分量分割的結(jié)果經(jīng)過形態(tài)學(xué)運(yùn)算得出棉花黃萎病的病斑區(qū)域。胡秋霞[6]提出基于相似度改進(jìn)的C-V模型，在RGB顏色空間中計(jì)算3個(gè)顏色分量的曲線外部區(qū)域能量將差分圖像的能量求和，得出的結(jié)果再根據(jù)Euler-Lagrange方程計(jì)算水平集的演化結(jié)果，零水平集曲線就是最終分割出的病害區(qū)域曲線。王美麗等[7]以小麥白粉病和銹病作為研究對象，將原彩色圖像由RGB空間轉(zhuǎn)到HSV空間，找到其特征范圍再根據(jù)其特征值對未知樣本進(jìn)行識別。劉連忠等[8]通過對比RGB中的R分量和B分量的取值范圍判斷小麥葉片患病種類。對大多數(shù)農(nóng)作物的病害圖像處理集中在葉部患病研究，但以小麥患病麥穗圖像作為對象進(jìn)行圖像分割的鮮有研究。麥穗不同于葉片部分，通常分割葉片圖像只需要1個(gè)平面圖像，而麥穗需要4個(gè)平面，每個(gè)平面圖像的病害狀況都要綜合考慮，最終用于判斷麥穗的病害程度。由于麥穗紋理復(fù)雜不適應(yīng)提取紋理特征和形狀特征，所以著重在于顏色特征的研究。而野外拍攝的患赤霉病麥穗圖像受到光照的影響導(dǎo)致麥穗的病害區(qū)域分割成為難點(diǎn)。圖像分割算法一般分成基于閾值、區(qū)域增長、聚類法等[9]。閾值化分割算法可以分為基于點(diǎn)的全局閾值方法、基于區(qū)域的全局閾值方法、局部閾值方法和多閾值方法，常用的基于點(diǎn)的全局閾值方法主要有：p分位數(shù)法、直方圖凹面分析法、熵方法和最大類間方差法(OTSU)等[10]?；诰垲惖姆椒ㄈ鏺-means算法是常用的一種無監(jiān)督算法。

本研究擬采用基于閾值的OTSU算法和基于聚類的k-means算法，分別在RGB、HSV和Lab顏色空間中對患病麥穗病圖像進(jìn)行分割試驗(yàn)，以期為降低分割患病麥穗圖像的誤分率提供一種新方法。

1 試驗(yàn)材料與方法

1.1 圖像獲取與預(yù)處理

試驗(yàn)樣本圖像來源于安徽省廬江縣郭河鎮(zhèn)實(shí)驗(yàn)基地，坐標(biāo)為東經(jīng)117.28°、北緯31.25°，地處中緯度區(qū)域，平均氣溫約為15.8 ℃，平均降雨量1 188 mm。圖像于小麥揚(yáng)花期到黃熟期拍攝，拍攝時(shí)間為2019-05-07T 10：00—13：00，光線良好，溫度為18～26 ℃，濕度30%～50%。由于麥穗病害不在紋理復(fù)雜的兩側(cè)延伸處，故最終拍攝圖像為紋理清晰的正對面，分別用r和f表示；圖像大小為4 032像素×3 042 像素，共計(jì)200幅，原始圖像格式均為RGB格式。圖1示出200幅樣本圖像中隨機(jī)選取的1株患病麥穗的正反面。為了加快試驗(yàn)速度將圖像統(tǒng)一壓縮為250像素×380像素，圖像清晰度適中。在分割患病麥穗?yún)^(qū)域之前，先經(jīng)過中值濾波、高斯濾波、小波閾值進(jìn)行去噪。衡量指標(biāo)為全部參考法[31](Full Reference)。在上述3種方法中，使用中值濾波方法去噪最優(yōu)。因此本研究優(yōu)先選擇中值濾波作為圖像預(yù)處理方法。

圖1 樣本患病麥穗的正(a)反面(b)圖像Fig.1 Front (a) and back (b) image of of a diseased wheat ear

1.2 顏色空間

RGB為紅色、綠色和藍(lán)色3種顏色疊加而成的一種顏色空間[11]，其色彩模式結(jié)構(gòu)為正方體模型，任何一種顏色均可由模型中的1個(gè)點(diǎn)表示。雖然RGB模式最常見并且易獲取顏色信息，但它容易受到光照的影響，即便是相同的設(shè)備和相同的對象在不同的地點(diǎn)和不同的時(shí)間拍攝到的圖像都可能不同。

HSV顏色空間是最接近人類肉眼識別程度的直觀型顏色空間[8]，其中分量H用來描述RGB的三基色相隔差[12]。但是HSV顏色空間并不適合光線混合的情況下使用。圖像由RGB顏色空間轉(zhuǎn)化為HSV顏色空間的公式[13]為：

V=max{R,G,B}

(1)

(2)

(3)

式中：R、G、B分別為圖像在HSV顏色空間中不同通道的像素值；V、S、H分別為HSV顏色空間的明度值、飽和度值、色調(diào)值。

Lab顏色空間L、a和b分量可以表示其他的顏色[14]，其最大特點(diǎn)是明度和顏色不在同1個(gè)通道里面。L分量只有明度而a、b分量只有顏色，具體表現(xiàn)為：在a、b分量中對象輪廓清晰并且Lab顏色空間分辨色差的能力很強(qiáng)。所以對拍攝圖像的設(shè)備要求比較低，但它包含了RGB模式下的所有顏色信息。由RGB顏色空間轉(zhuǎn)化為Lab顏色空間的公式[15]為：

(4)

(5)

其中：

式中：X、Y、Z均為中間變量。

1.3 OTSU算法分割

閾值分割算法中的最大類間方差法是最常用的像灰度自適應(yīng)閾值分割算法[16-18]。根據(jù)灰度值可以把圖像劃分為背景區(qū)域和目標(biāo)區(qū)域。若圖像的2個(gè)區(qū)域之間差別很大則它們的類間方差很大，若這2個(gè)區(qū)域之間形成了相互錯分現(xiàn)象會導(dǎo)致2個(gè)區(qū)域的差別變小，因此OTSU算法是一種錯分率較小的分割算法。對于RGB模式下的圖像直接使用最大類間方差法(OTSU)實(shí)現(xiàn)圖像分割。將RGB顏色空間轉(zhuǎn)為HSV顏色空間，并對其H分量和S分量使用閾值分割算法。同理將RGB顏色空間轉(zhuǎn)化為Lab顏色空間之后再對其a分量和b分量使用閾值分割算法，圖像分割結(jié)果見圖2。

圖2 3種顏色空間下不同分量的OTSU分割結(jié)果Fig.2 OTSU segmentation results of different components in three color spaces

1.4 k-means算法圖像分割

k-means算法是一種基于原型的目標(biāo)函數(shù)聚類方法也是一種基本的聚類劃分算法[19-21]。k-means的原理是：定義一個(gè)核心點(diǎn)，將可聚合為一類的點(diǎn)與其周圍點(diǎn)的某種距離作為一個(gè)目標(biāo)函數(shù)，利用該目標(biāo)函數(shù)求極值不斷迭代來調(diào)整簇的中心點(diǎn)，直到中心點(diǎn)位置不發(fā)生變化[22]。該算法將歐式距離作為測試類之間相似的準(zhǔn)則，即兩點(diǎn)之間的歐氏距離越小這兩者越具有相似性。距離小的對象聚集成為一個(gè)簇，把類內(nèi)距離最小且類間距離最大的幾個(gè)簇作為最終結(jié)果。雖然k-means算法的時(shí)間復(fù)雜度較低，但是k值的選擇比較困難，不同的k值會有不同的分割結(jié)果。本研究根據(jù)麥穗患病區(qū)域的顏色特征，選擇k為2、3和4。不同k值的病害區(qū)域分割結(jié)果見圖3、圖4和圖5。

圖3 k=2時(shí)3種顏色空間下不同分量的k-means分割結(jié)果Fig.3 k-means segmentation results of different components in 3 color spaces when k is equal to 2

2 結(jié)果與分析

由k-means算法在k分別為2、3、4時(shí)的分割結(jié)果(圖3、圖4和圖5)可以得出：當(dāng)k=4時(shí)，聚類的簇出現(xiàn)病害區(qū)域分割過細(xì)，區(qū)域模糊的情況，導(dǎo)致難以區(qū)分出病害區(qū)域[23-24]且k-means算法的時(shí)間復(fù)雜度與k值有關(guān)系，k值越大時(shí)間復(fù)雜度越大，所以不考慮k=4的情況。最終比較的是k=2、k=3時(shí)OTSU算法在3種不同的顏色空間中不同分量下的分割效果。在對圖像分割結(jié)果進(jìn)行效果驗(yàn)證時(shí)，已有研究采用統(tǒng)計(jì)目標(biāo)區(qū)域的像素來評價(jià)分割的效果[25-27]，也有檢測目標(biāo)個(gè)體個(gè)數(shù)的方式來驗(yàn)證分割效果[28]，驗(yàn)證方法主要依據(jù)研究對象來確定。本研究使用錯分率(D)[29-30]進(jìn)行分析,公式為：

圖4 k=3時(shí)3種顏色空間下不同分量的k-means分割結(jié)果Fig.4 k-means segmentation results of different components in 3 color spaces when k is equal to 3

圖5 k=4時(shí)3種顏色空間下不同分量的k-means分割結(jié)果Fig.5 k-means segmentation results of different components in 3 color spaces when k is equal to 4

(6)

式中：V為算法分割出的麥穗患赤霉病圖像區(qū)域的像素總數(shù)；Vp為PyCharm軟件統(tǒng)計(jì)出病害區(qū)域的像素總數(shù)；|V∩Vp|為2種方式中相同坐標(biāo)下像素相等的個(gè)數(shù)；M×N為圖像尺寸。

D值越大表示錯分率越大，識別率越低，分割效果越差。在RGB、HSV和Lab顏色空間下分別對樣本圖像使用不同的圖像分割算法，使用式(6)得出錯分率(D)。上述分割的結(jié)果均采用f面進(jìn)行試驗(yàn)，r面的結(jié)果也有1個(gè)病斑面積，最終的錯分率(D)需要綜合考慮2個(gè)面的錯分結(jié)果來求取。將式(6)中的V使用(Vf+Vr)替換，(Vf+Vr)為算法分割出的同一株麥穗2個(gè)面病害區(qū)域像素之和，用(Vpf+Vpr)替換公式中的Vp，(Vpf+Vpr)為利用PyCharm軟件統(tǒng)計(jì)出每株麥穗圖像f面和r面2幅圖像病害區(qū)域的像素總數(shù)，公式的其他部分不變。200幅圖像分割試驗(yàn)的最終結(jié)果見表1。

表1 3種顏色空間下OTSU與k-means算法對圖像不同分量的錯分率Table 1 Difference ratio of OTSU and k-means algorithms on different components of the image in three color spaces %

可見，OTSU和k-means分割算法在HSV顏色空間與RGB顏色空間中每個(gè)分量下錯分率都很高，在Lab顏色空間a分量下的錯分率較低，顯然在Lab顏色空間下使用2種分割算法效果最佳。特別對Lab顏色空間下的a分量使用最大類間方差法得出的錯分率最小，錯分率為1.11%。這是由于Lab顏色空間的明度和顏色不在1個(gè)通道里，L分量只有明度而a、b分量只有顏色，所以在a、b分量中對象輪廓顯得更清晰更易于利用顏色分割出目標(biāo)。

在此次試驗(yàn)之前使用MATLAB工具分別對3種顏色空間中各個(gè)分量進(jìn)行處理，發(fā)現(xiàn)Lab顏色空間下a分量和b分量的直方圖中波峰和波谷相隔較明顯(圖6)。其中a分量顏色直方圖的波峰和波谷相隔最為明顯，b分量相對平緩，即說明在a分量下更適合實(shí)現(xiàn)圖像分割，也驗(yàn)證了此次試驗(yàn)的結(jié)果。

圖6 Lab顏色空間下a分量(a)和b分量(b)直方圖Fig.6 Histogram of a component (a) and b component (b) in Lab color space

3 結(jié) 論

針對試驗(yàn)田環(huán)境下小麥患赤霉病圖像的分割問題，本研究在RGB、Lab和HSV顏色空間中使用OTSU和k-means算法對不同分量麥穗患病區(qū)域進(jìn)行圖像分割，使用錯分率(D)對2種算法的分割效果進(jìn)行評價(jià)，得到如下結(jié)論：

1)對比RGB顏色空間和HSV顏色空間下OTSU與k-means算法的分割效果，麥穗患病圖像在Lab顏色空間中的分割優(yōu)勢最大；2)在Lab顏色空間下對比OTSU算法和k-means算法的分割效果，對a分量使用OTSU分割算法得到的錯分率最小，誤分率僅有1.11%。本研究中使用OTSU算法對圖像在Lab顏色空間中a分量下分割患病區(qū)域的方法為小麥赤霉病的智能診斷和預(yù)防提供研究基礎(chǔ)。