肖灑　 賴菲　董春富　李文勤　李明

摘 要：針對(duì)玫瑰葉片白粉病病斑分布離散、無(wú)序且邊緣細(xì)節(jié)復(fù)雜、傳統(tǒng)圖像分割算法提取病斑困難等問(wèn)題，提出了一種基于小波濾波與自適應(yīng)均值閾值分割（WT-AAT）的葉片病斑圖像提取算法。首先，為了去除原始圖像噪聲，使用二維離散哈爾小波變換將圖像進(jìn)行二層小波分解，并依據(jù)高、低頻子圖像自動(dòng)提取噪聲系數(shù)，進(jìn)而設(shè)定濾波閾值;然后，將高于閾值的噪聲系數(shù)置零，并逆序?qū)γ繉舆M(jìn)行小波重構(gòu)，最終生成等尺度的去噪圖像;最后，采用可滑動(dòng)窗口分割算法對(duì)去噪圖像進(jìn)行自適應(yīng)分割，再根據(jù)子圖的灰度均值設(shè)定二值化閾值，在二值化處理的基礎(chǔ)上析取白粉病病斑。結(jié)果表明，與WaterShed、Prewitt、Otsu等傳統(tǒng)分割算法相比，WT-ATT的像素漏警率的降低率分別為18%、18%和6%，說(shuō)明該方法能夠較為準(zhǔn)確地分割出病斑，并達(dá)到良好的病斑辨識(shí)效果。

關(guān)鍵詞：玫瑰白粉病;圖像分割;小波變換;自適應(yīng)閾值;WT-ATT算法

中圖分類(lèi)號(hào) S436.8+1;TP391.41 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1007-7731（2022）07-0097-04

玫瑰對(duì)于生長(zhǎng)條件要求嚴(yán)格，在栽培過(guò)程中易發(fā)白粉病，嚴(yán)重影響玫瑰花的產(chǎn)量和藥用價(jià)值，精確識(shí)別白粉病病斑可以有效防治白粉病。使用機(jī)器視覺(jué)識(shí)別白粉病害有效解決了目前專(zhuān)業(yè)人士識(shí)別白粉病害成本高的問(wèn)題[1]。其中，玫瑰葉片的病斑提取是使用機(jī)器視覺(jué)實(shí)現(xiàn)病害識(shí)別的一個(gè)關(guān)鍵步驟。目前針對(duì)農(nóng)作物病斑的提取和病害的識(shí)別的主流研究方法有神經(jīng)網(wǎng)絡(luò)分割、邊緣分割、多尺度分割[2-9]。而閾值分割[10]以其簡(jiǎn)潔、魯棒性高的特點(diǎn)被廣泛運(yùn)用。閾值分割法可劃分為全局固定閾值分割和局部自適應(yīng)閾值分割2種類(lèi)型，全局固定閾值分割將圖像視為整體分析灰度值，確定整體閾值并對(duì)圖像進(jìn)行分割，該方法能實(shí)現(xiàn)大部分圖像的二維化[11]。但由于農(nóng)作物病害葉片病斑區(qū)域與健康區(qū)域區(qū)分度不高，全局固定閾值分割對(duì)該類(lèi)灰度對(duì)比不明顯的圖像處理困難，而局部自適應(yīng)閾值分割法從圖像自身的局部特征作為分割算法的切入點(diǎn)進(jìn)行圖像分割，極大程度地降低了圖像整體對(duì)比度對(duì)分割效果的影響。

筆者從現(xiàn)場(chǎng)采集玫瑰白粉病葉片樣本，病斑具有形狀不規(guī)則、采集噪聲復(fù)雜、分布無(wú)序且灰度值不均等特性，使用傳統(tǒng)的圖像分割算法很難達(dá)到理想效果，無(wú)法將病斑精確分割[12]。二維小波變換可以將圖像分為高、低頻段信號(hào)，由于病斑圖像噪聲主要集中在高頻段，所以小波變換能夠有效去除圖像噪聲。而且，小波變換的多分辨率特性能夠較好地保留圖像的邊緣和細(xì)節(jié)，為此采用二維哈爾小波變換對(duì)原始圖像進(jìn)行預(yù)處理。在病斑分割和析取方面，傳統(tǒng)閾值分割法由于閾值固定，通常很難分辨光照不均的目標(biāo)和背景，因此筆者通過(guò)設(shè)定局部閾值的方式對(duì)病斑圖像進(jìn)行自適應(yīng)分割，以此得到細(xì)節(jié)更完整的病斑圖像，并且采用像素漏警率和像素虛警率指標(biāo)比較和驗(yàn)證不同算法的效果。為便于敘述，本文提出的算法記為WT-AAT（Wavelet Transform & Adaptive Average Threshold）。

1 材料與方法

1.1 試驗(yàn)設(shè)備與材料 本研究中所使用的葉片病斑圖像來(lái)自于云南省玉溪市通?？h錦海玫瑰培育基地。為方便采集圖像，將被采集的玫瑰白粉病葉片置于平整白色pvc塑料板上，在葉片正前后方斜45°正上方固定2個(gè)同一強(qiáng)度光源，使用相機(jī)固定150mm距離垂直葉片進(jìn)行拍攝，并以800×600像素的jpg格式保存樣本。圖像處理設(shè)備的配置為Windows10操作系統(tǒng)，處理器為Inter Core i7-10700k，3.80GHz，運(yùn)行內(nèi)存為32G，顯示適配器為NVIDA GeForce RTX 3060 Ti。圖像處理軟件是Matlab和Pycharm。

1.2 WT-AAT葉片病斑圖像分割方法 WT-AAT分割法首先使用二維哈爾小波變換對(duì)圖像進(jìn)行濾波，減少圖像中存在的噪聲對(duì)分割的影響，再使用自適應(yīng)均值閾值對(duì)圖像二值化處理以提取出病斑。

1.2.1 基于二維哈爾小波變換的圖像濾波 小波變換是用一組小波函數(shù)或基函數(shù)來(lái)表示一段信號(hào)，具有多分辨率分析的特點(diǎn)，可以表征時(shí)頻域內(nèi)的信號(hào)特征[13-14]。在圖像處理中，通常將平面圖像視為二維矩陣，用小波變換對(duì)矩陣的行和列分解后提取各尺度的低頻和高頻系數(shù)，進(jìn)而對(duì)高頻噪聲系數(shù)進(jìn)行閾值處理，再通過(guò)處理后的小波系數(shù)對(duì)圖像進(jìn)行各級(jí)重構(gòu)以達(dá)到濾波的目的。如圖1所示，A1、A2分別為第一、二級(jí)小波分解的近似圖像，V1、V2分別為第一、二級(jí)垂直細(xì)節(jié)信息，H1、H2分別為第一、二級(jí)水平細(xì)節(jié)信息，D1、D2分別為第一、二級(jí)對(duì)角線細(xì)節(jié)信息。

二維小波變換的原理如式（1）～（3）所示，大小為M×N的原始圖像由二維離散函數(shù)[fx，y]表示，該函數(shù)可分解為二維尺度函數(shù)和二維小波函數(shù)的線性組合，其中[Wφ0，m，n]為近似系數(shù)，[Wiψj，m，n]為細(xì)節(jié)系數(shù)，j為小波分解的級(jí)數(shù)。

[φj，m，nx，y]和[ψij，m，nx，y]是不同尺度和不同位置下的尺度函數(shù)和小波函數(shù)：

1.2.2 基于自適應(yīng)均值閾值的圖像分割 由于光照的影響，本研究采集的玫瑰白粉病葉片的病斑顏色和正常葉片顏色區(qū)分度較低，對(duì)比度不高，部分圖像中還存在過(guò)曝或者欠曝的情況，這給基于全局閾值的分割法帶來(lái)了極大的困難。自適應(yīng)均值閾值分割作為一種局部閾值分割法，將圖像分成若干個(gè)小塊，對(duì)每個(gè)塊的閾值進(jìn)行計(jì)算，以每塊圖像的閾值用作二值化圖像的依據(jù)，可以有效解決光照不均的圖像二值化后不理想的問(wèn)題，保留更完整的圖像細(xì)節(jié)。自適應(yīng)均值閾值分割設(shè)定一個(gè)可滑動(dòng)矩形窗口，通過(guò)計(jì)算窗口內(nèi)各個(gè)像素的均值確定二值化閾值，使灰度不均區(qū)域的閾值根據(jù)鄰域像素塊的灰度值改變。設(shè)M、N為滑動(dòng)矩形窗口的大小，通常設(shè)定M=N，數(shù)值取3、5、7等奇數(shù)，窗口取值越小，閾值選取越精確，分割后的圖像越細(xì)節(jié)。[μ]為窗口內(nèi)所有像素值的平均值，[δ]為人工確定的差值，取值范圍為正無(wú)窮到負(fù)無(wú)窮，[θ]為矩形窗口內(nèi)圖像塊的閾值，f（x，y）為輸入圖像的像素值，g（x，y）為輸出圖像的像素值，自適應(yīng)均值閾值分割算法有如下定義：

經(jīng)過(guò)多次對(duì)比實(shí)驗(yàn)，本研究設(shè)定滑動(dòng)矩形窗口大小為5×5的尺寸，[δ]設(shè)置為6。

2 結(jié)果與分析

使用10張玫瑰白粉病葉片作為樣本進(jìn)行試驗(yàn)，依次編號(hào)為No.1～No.10，如圖2a所示。由圖2a可以看出，樣本病斑為白色，病斑邊緣不光滑不連續(xù)，與健康區(qū)域區(qū)分度不高，且病斑區(qū)域占健康區(qū)域少。圖2展示了Otsu、WaterShed、Prewitt和WT-AAT 4種分割方法對(duì)10張樣本的分割結(jié)果，以及分割結(jié)果和人工標(biāo)注病斑的對(duì)比圖，各二值圖中葉片內(nèi)的黑色部分為算法提取或標(biāo)注的病斑區(qū)域。

為了對(duì)試驗(yàn)結(jié)果進(jìn)行客觀分析，本研究使用2個(gè)評(píng)價(jià)指標(biāo)將分割圖像和人工像素級(jí)標(biāo)注后的圖像進(jìn)行對(duì)比評(píng)估：像素漏警率（Pixel Missing Alarm，PMA）和像素虛警率（Pixel False Alarm，PFA）。

像素虛警率是把健康區(qū)域判斷為病斑區(qū)域占實(shí)際健康總區(qū)域的比例：

像素漏警率是把病斑區(qū)域判斷為健康區(qū)域占實(shí)際病斑總區(qū)域的比例：

式中，m、n為圖像的大小，[pt（i，j）]為正確判斷為病斑的像素?cái)?shù)，[pf（i，j）]為錯(cuò)誤判斷為病斑的像素?cái)?shù)，[pψ（i，j）]為正確判斷為非病斑的像素?cái)?shù)，[pφ（i，j）]為錯(cuò)誤判斷為非病斑的像素?cái)?shù)。

由表1可以看出，WT-AAT算法的平均像素漏警率為76.19%，Otsu、WaterShed和Prewitt 3種算法的平均像素漏警率分別為93.32%、93.28%和81.59%。與其他3種算法相比，WT-AAT算法的平均像素漏警率有所降低。結(jié)合圖2和表1可以看出，在4種算法中，Otsu算法像素漏警率最高，且圖2中提取的有效病斑明顯偏少。由表1可知，No.7的病斑分割效果明顯優(yōu)于其他樣本，其像素漏警率為67.47%。這是因?yàn)镺tsu算法是基于目標(biāo)圖像和背景的最大類(lèi)間方差實(shí)現(xiàn)目標(biāo)圖像的分割提取，而相對(duì)于其他樣本，No.7的病斑圖像與背景灰度值差異明顯，進(jìn)而導(dǎo)致了病斑圖像與背景圖像的最大類(lèi)間方差值大，病斑與背景圖像之間的區(qū)分度高，病斑分割效果顯著，這也側(cè)面說(shuō)明了Otsu算法在圖像分割方面的局限性。

WaterShed算法側(cè)重于提取具有較大分布面積的連續(xù)性目標(biāo)圖像，但是實(shí)際葉片病斑不僅連續(xù)分布面積小，且病斑分布離散，因而整體上病斑分割效果并不理想。由表1可知，樣本No.3的像素漏警率為54.06%，看似取得良好的分割效果，而實(shí)際上該算法的像素虛警率高達(dá)51.37%，說(shuō)明大面積的健康葉片被誤判為病斑。因此從試驗(yàn)結(jié)果來(lái)看，WaterShed算法并不適用于玫瑰葉片的病斑分割。

由表1可知，Prewitt算法整體上的病斑提取效果較Otsu和WaterShed算法有所提高，但相對(duì)于WT-AAT算法仍表現(xiàn)出一定的局限性。如No.9的像素虛警率為14.32%，與WT-AAT的整體像素虛警率相比，雖然差別不明顯，但其像素漏警率達(dá)到100%，意味著根本沒(méi)有提取出有效病斑。這是由于其作為一種邊緣檢測(cè)算法，對(duì)于目標(biāo)面積小的病斑邊緣檢測(cè)困難，導(dǎo)致分割出的結(jié)果差。

WT-AAT算法首先使用小波變換對(duì)圖像濾波，在保留病斑特征的前提下抑制噪聲，有效地彌補(bǔ)了單一自適應(yīng)均值閾值算法的分割出圖像噪聲大的不足，同時(shí)使用自適應(yīng)均值閾值分割法消除了灰度值分布不均對(duì)圖像二值化的影響。由表1可知，該算法整體分割效果穩(wěn)定，在已有的樣本中未出現(xiàn)過(guò)特異性情況。其分割效果更接近人工標(biāo)注圖像，病斑細(xì)節(jié)豐富，整體像素漏警率低。對(duì)于60%的圖像，WT-AAT的像素漏警率低于其他3種算法。其中，No.4的像素漏警率更是低至51.56%，比其他3種算法減少了27.27%以上。但由于在選取局部閾值時(shí)，容易將局部灰度值偏低的像素點(diǎn)誤判為病斑，導(dǎo)致像素虛警率偏高，并且當(dāng)窗口內(nèi)病斑占絕大多數(shù)時(shí)，病斑提取效果不夠理想，如No.2的像素漏警率達(dá)84.49%。

3 結(jié)論與討論

由于玫瑰白粉病葉片中病斑和健康部位灰度值分布不均、病斑分布離散的特點(diǎn)，本研究提出了WT-AAT算法來(lái)提取病斑。試驗(yàn)結(jié)果表明，WT-AAT算法與Otsu、WaterShed和Prewitt 3種算法相比，平均像素漏警率的降低率分別為18%、18%和6%，對(duì)玫瑰白粉病病斑的提取效果有所提升，為后續(xù)的農(nóng)作物病害鑒別提供了借鑒途徑。未來(lái)將對(duì)自適應(yīng)均值閾值分割法中可滑動(dòng)窗口的選取進(jìn)行改進(jìn)，并建立神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而更有效地對(duì)農(nóng)作物病害進(jìn)行識(shí)別并分類(lèi)。

參考文獻(xiàn)

[1]袁媛，李淼，梁青，等.基于水平集的作物病葉圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（02）：208-212.

[2]Liang Qiaokang，Xiang Shao，Hu Yucheng，et al. PD2SE-Net：Computer-assisted plant disease diagnosis and severity estimation network[J]. Computers & Electronics in Agriculture，2019，157：518-529.

[3]Kamal M，Phinn S，Johansen K. Assessment of multi-resolution image data for mangrove leaf area index mapping[J]. Remote Sensing of Environment，2016，176：242-254.

[4]王海青，姬長(zhǎng)英，顧寶興，等.基于參數(shù)自適應(yīng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的黃瓜目標(biāo)分割[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（03）：204-208.

[5]明浩，蘇喜友.利用特征分割和病斑增強(qiáng)的楊樹(shù)葉部病害識(shí)別[J]. 浙江農(nóng)林大學(xué)學(xué)報(bào)，2020，37（06）：1159-1166.

[6]何建斌，梁威，李曉明.基于K均值聚類(lèi)和數(shù)學(xué)形態(tài)學(xué)的小麥彩色圖像分割[J].浙江農(nóng)業(yè)學(xué)報(bào)，2011，23（04）：829-832.

[7]Liu L，Zhang W，Shu S，et al. Image Recognition of Wheat Disease Based on RBF Support Vector Machine[J]. International Conference on Advanced Computer Science and Electronics Information （ICACSEI2013），2013：307-310.

[8]Tushar H Jaware，Ravindra D Badgujar，Prashant G Patil. Crop disease detection using image segmentation[J]. World Journal of Science and Technology，2012，2（4）：190-194.

[9]唐紅梅，吳士婧，郭迎春，等.自適應(yīng)閾值分割與局部背景線索結(jié)合的顯著性檢測(cè)[J].電子與信息學(xué)報(bào)，2017，39（07）：1592-1598.

[10]Otsu N. A Threshold Selection Method from Gray-Level Histograms[J]. IEEE Transactions on Systems Man & Cybernetics，2007，9（1）：62-66.

[11]張會(huì)敏，謝澤奇，張善文，等.基于WT-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)，2017，45（18）：194-196.

[12]李冠林，馬占鴻，黃沖，等.基于Kmeans硬聚類(lèi)算法的葡萄病害彩色圖像分割方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26（S2）：32-37.

[13]陳曉曦，王延杰，劉戀.小波閾值去噪法的深入研究[J]. 激光與紅外，2012，42（01）：105-110.

（責(zé)編：徐世紅）

Research on Rose Leaf Disease Spot Extraction Based on Wavelet Filtering and Adaptive Threshold Segmentation Algorithm

XIAO Sa ?LAI Fei DONG Chunfu LI Wenqin LI Ming

（1Southwest Forestry University College of mechanics and transportation，Kunming 650224， China; 2Tonghai Jinhai Agricultural Technology Development Co.， Ltd， Yuxi 650224， China; 3Key Laboratory of Advanced Perception and Intelligent Control of High-end Equipment of Ministry of Education， Anhui Polytechnic University， Wuhu 241000， China; 4School of Electrical Engineering， Anhui Polytechnic University， Wuhu 241000， China）

Abstract： In view of the discrete， disorderly distribution and complicated edge details of rose leaf powdery mildew disease spots， traditional image segmentation algorithms are difficult to extract the disease spots， and a new leaf disease spot extraction algorithm based on wavelet filtering and adaptive mean threshold segmentation （WT-AAT） is proposed. First， in order to remove the original image noise， the image is decomposed by two-layer wavelet using two-dimensional discrete Haar wavelet transform， and the noise coefficient is automatically extracted according to the high and low frequency sub-images， and then the filter threshold is set; then， zero the noise figure above the threshold， and perform wavelet reconstruction on each layer in reverse order， and finally generate an equal-scale denoised image; finally， use a sliding window segmentation algorithm to adaptively segment the denoised image， and then set it according to the gray average of the sub-image Binarization threshold， extract powdery mildew lesions on the basis of binarization treatment. The experimental results show that compared with traditional segmentation algorithms such as WaterShed， Prewitt operator， and Otsu， the reduction rates of WT-ATT′s pixel missing alarm rate are 18%， 18%， and 6%. It shows that the method can segment the lesions more accurately and achieve a good effect of lesion identification.

Key words： Rose powdery mildew; Image segmentation; Wavelet transform; Adaptive threshold; WT-ATT algorithm

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（31760182）：基于聲發(fā)射能量模型的膠合木結(jié)構(gòu)蠕變機(jī)理與演變規(guī)律研究。

作者簡(jiǎn)介：肖灑（1999—），女，湖南衡陽(yáng)人，碩士，研究方向：圖像處理。

通訊作者：李明（1977—），男，江蘇鹽城人，教授，研究方向：智能控制與優(yōu)化，木材聲發(fā)射特性。? 收稿日期：2021-12-25