CN106023159A - 设施蔬菜叶部病斑图像分割方法及系统 - Google Patents

Abstract

本发明提供一种设施蔬菜叶部病斑图像分割方法及系统，包括：将设施现场采集的蔬菜叶部病害图像分为训练组和测试组，对其进行增强处理；提取增强处理后训练组图像的初始颜色分类特征和梯度特征；将增强处理后的训练组图像分类为病斑样本和叶片样本，按照提取的初始颜色分类特征和梯度特征，获取病斑样本和叶片样本的初始颜色分类特征数据和梯度特征数据；采用粗糙集的方法，针对病斑样本和叶片样本的初始颜色分类特征数据，选择颜色分类特征，得到颜色特征子集；根据颜色特征子集以及病斑样本和叶片样本的梯度特征数据，构建条件随机场模型；根据条件随机场模型对增强处理后的测试组图像进行分割，提取病斑图像。本发明提取病斑图像准确且速度快。

Description

设施蔬菜叶部病斑图像分割方法及系统

技术领域

本发明涉及系统工程和信息技术领域，尤其涉及一种设施蔬菜叶部病斑图像分割方法及系统。

背景技术

目前，图像分割一直是计算机视觉和图像处理领域研究的热点。所谓图像分割，就是把一张图像分为互相不重叠的并且具有相似的特征区域，然后从多个区域中提取出感兴趣区域的过程。病斑分割是基于计算机视觉技术的作物病害检测最重要的一个环节，是病斑特征提取和选择的基础步骤。因此，准确的病斑分割，对于蔬菜病害的准确识别，具有重要的意义。

目前图像分割算法很多，主要包括以下几种：(1)基于阈值的分割方法，应用最为广泛的方法之一，其特点是快速、简单。该方法的核心问题在于如何选取合适的阈值实现背景与前景的分割，适用于目标和背景之间灰度差异明显的图像。(2)基于边缘检测的分割方法，充分利用图像边缘信息，来实现图像背景和前景的分离。(3)基于区域的分割方法，将图像中具有相似特征的一系列像素点作为一个群体，通过群体的合并实现图像分割。(4)活动轮廓模型分割方法，可分为参数活动轮廓模型和几何活动轮廓模型，虽然能够取得较好的分割效果，但这种方法较为复杂，计算量大较大，在难以满足实时性的要求

由于温室叶类蔬菜病斑图像是在温室现场条件下采集，并且通过分析发现，病斑的数量多、面积小，其颜色特征并非整个图像的主导颜色特征，难以通过自动确定的方法来定位病斑的位置。如何克服光照条件和复杂背景对病斑分割的准确性的影响，解决当前常见的病斑分割方法得到的病斑区域边界稀疏不明确、内部不均匀致密等问题，面向设施蔬菜病害识别的需求，快速、准确的提取相应的病斑图像分割方法是亟待解决的问题。

发明内容

为解决上述的技术问题，本发明提供一种设施蔬菜叶部病斑图像分割方法及系统，能够快速、准确的从设施现场采集的蔬菜病害图像中获取病斑图像。

第一方面，本发明提供一种设施蔬菜叶部病斑图像分割方法，包括：

将设施现场采集的蔬菜叶部病害图像分为训练组和测试组，并对训练组图像和测试组图像进行增强处理；

提取增强处理后的训练组图像的初始颜色分类特征和梯度特征；

将增强处理后的训练组图像分类为病斑样本和叶片样本，按照提取的初始颜色分类特征和梯度特征，获取所述病斑样本和叶片样本的初始颜色分类特征数据和梯度特征数据；

采用粗糙集的方法，针对所述病斑样本和叶片样本的初始颜色分类特征数据，选择颜色分类特征，得到颜色特征子集；

根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建条件随机场模型；

根据所述条件随机场模型，对增强处理后的测试组图像进行分割，提取病斑图像。

可选地，所述对训练组图像和测试组图像进行增强处理，包括：

采用中值滤波的方法，对训练组图像和测试组图像进行增强处理。

可选地，所述初始颜色分类特征，包括：RGB、HSV、HSI、La*b*和YCbCr五个颜色空间的15个颜色特征。

可选地，所述梯度特征，包括：像素点的梯度方向和梯度幅值；

在获取所述病斑样本和叶片样本的梯度特征数据时，利用第一公式提取训练组图像中像素点的梯度方向，利用第二公式提取训练组图像中像素点的梯度幅值；

其中，所述第一公式为：

$\mathrm{\θ}(i,j)={\tan }^{-1}\frac{Fy(i,j)}{Fx(i,j)},$

θ(i,j)表示像素点(i,j)的梯度方向，i和j均为正整数；

所述第二公式为：

$M(i,j)=\sqrt{Fx{(i,j)}^2+Fy{(i,j)}^2},$

M(i,j)表示像素点(i,j)的梯度幅值。

可选地，所述采用粗糙集的方法，针对所述病斑样本和叶片样本的初始颜色分类特征数据，选择颜色分类特征，包括：

采用等频区间法将所述病斑样本和叶片样本的初始颜色分类特征数据进行离散化；

基于遗传算法的粗糙集属性约简方法，针对离散化后的数据选择颜色分类特征。

可选地，所述根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建条件随机场模型，包括：

根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建初始决策分类树；

采用决策树层数与交叉验证错误率的关系，对所述初始决策分类树进行剪枝，得到优化的决策分类树；

基于优化的决策分类树扩展的一元势函数，并结合二元势函数，构建条件随机场模型，并进行模型参数估计和推理；

其中，所述条件随机场模型为：

$P\left(y_i\right|x_i)=\frac{1}{Z}\underset{i\∈I}{\Π}\mathrm{\φ}(y_i,x_i)\underset{i\∈I}{\Π}\underset{j\∈N_i}{\Π}\exp \left(y_i{y}_{ij}{v}^T{f}_{ij}\right(x\left)\right)$

其中，I为输入图像；x_i为图像第i个像素点的特征集合；y_i为第i个像素点的类别，在将增强处理后的训练组图像分类为病斑样本和叶片样本时，将病斑样本标记为类别+1，将叶片样本标记为类别-1；Z为归一化函数；N_i为输入图像I第i个像素点的所有邻域像素；i和j均为正整数；φ(y_i,x_i)为基于优化的决策分类树扩展的一元势函数，表示该像素在其特征条件下属于某一类别的概率，φ(y_i,x_i)是通过第三公式计算得到的；exp(y_iy_ijK^Tf_ij(x))为二元势函数，表示该像素在其邻域像素作用下属于某一类别的概率，其中y_ij为第i个像素点的第j个邻域像素点的类别，v为待估参数向量，T为转置符，f_ij(x)为联合特征向量，f_ij(x)是通过第四公式计算得到的；

所述第三公式为：

$\mathrm{\φ}(y_i,x_i)=\frac{1}{1+\exp (-y_i\frac{DT\left(x_i\right)}{\mathrm{\τ}})}$

其中，τ为常数，用于调节φ(y_i,x_i)的大小；DT(x_i)为图像第i个像素点对应的优化的决策分类树的分类结果；

所述第四公式为：

f_ij(x)＝[1,||x_i-x_j||]^T

其中，||·||表示欧式距离。

第二方面，本发明提供一种设施蔬菜叶部病斑图像分割系统，包括：

增强处理模块，用于将设施现场采集的蔬菜叶部病害图像分为训练组和测试组，并对训练组图像和测试组图像进行增强处理；

第一提取模块，用于提取增强处理后的训练组图像的初始颜色分类特征和梯度特征；

获取模块，用于将增强处理后的训练组图像分类为病斑样本和叶片样本，按照提取的初始颜色分类特征和梯度特征，获取所述病斑样本和叶片样本的初始颜色分类特征数据和梯度特征数据；

选择模块，用于采用粗糙集的方法，针对所述病斑样本和叶片样本的初始颜色分类特征数据，选择颜色分类特征，得到颜色特征子集；

构建模块，用于根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建条件随机场模型；

第二提取模块，用于根据所述条件随机场模型，对增强处理后的测试组图像进行分割，提取病斑图像。

可选地，所述增强处理模块，具体用于

将设施现场采集的病害图像分为训练组和测试组，并采用中值滤波的方法，对训练组图像和测试组图像进行增强处理。

可选地，所述选择模块，具体用于

采用等频区间法将所述病斑样本和叶片样本的初始颜色分类特征数据进行离散化；

基于遗传算法的粗糙集属性约简方法，针对离散化后的数据选择颜色分类特征，得到颜色特征子集。

可选地，所述构建模块，具体用于

根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建初始决策分类树；

采用决策树层数与交叉验证错误率的关系，对所述初始决策分类树进行剪枝，得到优化的决策分类树；

基于优化的决策分类树扩展的一元势函数，并结合二元势函数，构建条件随机场模型，并进行模型参数估计和推理；

其中，所述条件随机场模型为：

$P\left(y_i\right|x_i)=\frac{1}{Z}\underset{i\∈I}{\Π}\mathrm{\φ}(y_i,x_i)\underset{i\∈I}{\Π}\underset{j\∈N_i}{\Π}\exp \left(y_i{y}_{ij}{v}^T{f}_{ij}\right(x\left)\right)$

其中，I为输入图像；x_i为图像第i个像素点的特征集合；y_i为第i个像素点的类别，在将增强处理后的训练组图像分类为病斑样本和叶片样本时，将病斑样本标记为类别+1，将叶片样本标记为类别-1；Z为归一化函数；N_i为输入图像I第i个像素点的所有邻域像素；i和j均为正整数；φ(y_i,x_i)为基于优化的决策分类树扩展的一元势函数，表示该像素在其特征条件下属于某一类别的概率，φ(y_i,x_i)是通过第三公式计算得到的；exp(y_iy_ijK^Tf_ij(x))为二元势函数，表示该像素在其邻域像素作用下属于某一类别的概率，其中y_ij为第i个像素点的第j个邻域像素点的类别，v为待估参数向量，T为转置符，f_ij(x)为联合特征向量，f_ij(x)是通过第四公式计算得到的；

所述第三公式为：

$\mathrm{\φ}(y_i,x_i)=\frac{1}{1+\exp (-y_i\frac{DT\left(x_i\right)}{\mathrm{\τ}})}$

其中，τ为常数，用于调节φ(y_i,x_i)的大小；DT(x_i)为图像第i个像素点对应的优化的决策分类树的分类结果；

所述第四公式为：

f_ij(x)＝[1,||x_i-x_j||]^T

其中，||·||表示欧式距离。

由上述技术方案可知，本发明的设施蔬菜叶部病斑图像分割方法及系统，能够快速、准确的从设施现场采集的蔬菜病害图像中获取病斑图像，为蔬菜病害的识别奠定坚实的基础。

附图说明

图1为本发明一实施例提供的一种设施蔬菜叶部病斑图像分割方法的流程示意图；

图2为本发明另一优选实施例提供的一种设施蔬菜叶部病斑图像分割方法的流程示意图；

图3为本发明实施例提供的设施蔬菜叶部病斑图像分割方法中的决策树层数与交叉验证错误率的关系图；

图4为本发明一实施例提供的一种设施蔬菜叶部病斑图像分割系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。

图1示出了本发明一实施例提供的设施蔬菜叶部病斑图像分割方法的流程示意图，如图1所示，本实施例的设施蔬菜叶部病斑图像分割方法，包括下述步骤101-106：

101、将设施现场采集的蔬菜叶部病害图像分为训练组和测试组，并对训练组图像和测试组图像进行增强处理。

在具体应用中，优选地，如图2所示，可采用中值滤波的方法，对训练组图像和测试组图像进行增强处理。

102、提取增强处理后的训练组图像的初始颜色分类特征和梯度特征。

其中，所述初始颜色分类特征，可包括：RGB、HSV、HSI、La*b*和YCbCr五个颜色空间的15个颜色特征。

其中，所述梯度特征，可包括：像素点的梯度方向和梯度幅值；

在获取所述病斑样本和叶片样本的梯度特征数据时，可利用第一公式提取训练组图像中像素点的梯度方向，可利用第二公式提取训练组图像中像素点的梯度幅值；

其中，所述第一公式为：

$\mathrm{\θ}(i,j)={\tan }^{-1}\frac{Fy(i,j)}{Fx(i,j)},$

θ(i,j)表示像素点(i,j)的梯度方向，i和j均为正整数；

所述第二公式为：

$M(i,j)=\sqrt{Fx{(i,j)}^2+Fy{(i,j)}^2},$

M(i,j)表示像素点(i,j)的梯度幅值。

可理解的是，颜色特征是区分病斑和正常叶片区域的最最主要特征。因此，本实施例选择的分类特征主要为颜色特征，同时提取像素的梯度信息特征，可提高分割的鲁棒性。

103、将增强处理后的训练组图像分类为病斑样本和叶片样本，按照提取的初始颜色分类特征和梯度特征，获取所述病斑样本和叶片样本的初始颜色分类特征数据和梯度特征数据。

在具体应用中，在将增强处理后的训练组图像分类为病斑样本和叶片样本时，将病斑样本(即图像前景)标记为类别+1，将叶片样本(即图像背景)标记为类别-1。

优选地，可采用5×5像素大小的方框进行病斑样本训练数据集和叶片样本训练数据集的选择。

104、采用粗糙集的方法，针对所述病斑样本和叶片样本的初始颜色分类特征数据，选择颜色分类特征，得到颜色特征子集。

可理解的是，通过采用粗糙集的方法选择颜色分类特征，形成颜色特征子集，可以剔除冗余的、对病斑分割贡献较小的颜色特征。

在具体应用中，所述步骤104可以具体包括：

采用等频区间法将所述病斑样本和叶片样本的初始颜色分类特征数据进行离散化；

基于遗传算法的粗糙集属性约简方法，针对离散化后的数据选择颜色分类特征。

105、根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建条件随机场模型(Conditional Random Field，简称CRF)。

在具体应用中，所述步骤105可以具体包括图中未示出的步骤105a-105c：

105a、根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建初始决策分类树。

在具体应用中，所述步骤105a可根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，利用分类回归树(Classification And Regression Tree，简称CART)方法构建初始决策分类树，可具体如下：

根据训练数据集(即病斑样本和叶片样本的训练数据集)，从根结点开始，假设节点的训练数据集为D，计算现有特征对该数据集的基尼指数；

上式中，C_p是D属于第p类的样本子集，P是类的个数。此时，对每一个特征A，对其可能取得每个值a，根据样本点对A＝a的测试为“是”或“否”将D分成D₁和D₂两部分，利用公式(2)计算A＝a时的基尼指数；

在所有可能的特征A集他们所有可能的切分点a中，选择基尼指数最小的特征及其对应的切分点作为最有特征与与最优切分点，根据最优特征与最优切分点，从现节点生成两个字节点，将训练数据集根据特征，分配到两个子节点中去；

对两个子节点递归调用公式(1)、(2)，直到满足停止条件并生成决策树模型。

105b、采用决策树层数与交叉验证错误率的关系，对所述初始决策分类树进行剪枝，得到优化的决策分类树。

105c、基于优化的决策分类树扩展的一元势函数，并结合二元势函数，构建条件随机场模型，并进行模型参数估计和推理。

其中，所述条件随机场模型为：

$P\left(y_i\right|x_i)=\frac{1}{Z}\underset{i\∈I}{\Π}\mathrm{\φ}(y_i,x_i)\underset{i\∈I}{\Π}\underset{j\∈N_i}{\Π}\exp \left(y_i{y}_{ij}{v}^T{f}_{ij}\right(x\left)\right)$

其中，I为输入图像；x_i为图像第i个像素点的特征集合；y_i为第i个像素点的类别，在将增强处理后的训练组图像分类为病斑样本和叶片样本时，将病斑样本标记为类别+1，将叶片样本标记为类别-1；Z为归一化函数；N_i为输入图像I第i个像素点的所有邻域像素；i和j均为正整数；φ(y_i,x_i)为基于优化的决策分类树扩展的一元势函数，表示该像素在其特征条件下属于某一类别的概率，φ(y_i,x_i)是通过第三公式计算得到的；exp(y_iy_ijK^Tf_ij(x))为二元势函数，表示该像素在其邻域像素作用下属于某一类别的概率，其中y_ij为第i个像素点的第j个邻域像素点的类别，v为待估参数向量，T为转置符，f_ij(x)为联合特征向量，f_ij(x)是通过第四公式计算得到的；

所述第三公式为：

$\mathrm{\φ}(y_i,x_i)=\frac{1}{1+\exp (-y_i\frac{DT\left(x_i\right)}{\mathrm{\τ}})}$

其中，τ为常数，用于调节φ(y_i,x_i)的大小；DT(x_i)为图像第i个像素点对应的优化的决策分类树的分类结果；

所述第四公式为：

f_ij(x)＝[1,||x_i-x_j||]^T

其中，||·||表示欧式距离。

在具体应用中，步骤105c可假设训练数据集中有M幅图像，即x⁽¹⁾，x⁽²⁾，……，x^(m)，对应要分割出来的目标其手工标记为y⁽¹⁾，y⁽²⁾，……，y^(m)，可采用最大似然估计来进行件随机场模型的待估参数向量v的估计，计算方法如下：

$L\left(v\right)=\underset{m=1}{\overset{M}{\Σ}}\{\underset{i\∈I}{\Σ}\[\log \mathrm{\φ}(y_i^{\left(m\right)},x_i^{\left(m\right)})+\underset{j\∈N_i}{\Σ}{y}_i^{\left(m\right)}{y}_j^{\left(m\right)}{v}^T{f}_{ij}\left(x^{\left(m\right)}\right)\]-z^{\left(m\right)}\},$

基于最大似然估计，可利用下述公式，使用随机梯度下降法获取最优参数向量v^*：

$v^{*}=\arg \underset{M}{\max L\left(v\right)}=\arg \underset{M}{min}-L\left(v\right).$

106、根据所述条件随机场模型，对增强处理后的测试组图像进行分割，提取病斑图像。

本实施例的设施蔬菜叶部病斑图像分割方法，通过将设施现场采集的蔬菜叶部病害图像分为训练组和测试组，并对训练组图像和测试组图像进行增强处理；提取增强处理后的训练组图像的初始颜色分类特征和梯度特征；将增强处理后的训练组图像分类为病斑样本和叶片样本，按照提取的初始颜色分类特征和梯度特征，获取所述病斑样本和叶片样本的初始颜色分类特征数据和梯度特征数据；采用粗糙集的方法，针对所述病斑样本和叶片样本的初始颜色分类特征数据，选择颜色分类特征，得到颜色特征子集；根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建条件随机场模型；根据所述条件随机场模型，对增强处理后的测试组图像进行分割，提取病斑图像。能够快速、准确的从设施现场采集的蔬菜病害图像的复杂背景中提取病斑图像，为蔬菜病害的识别奠定坚实的基础。本发明与图像处理、模式识别等技术结合的基础上，会在设施蔬菜病害识别方面有很大的贡献。

图4示出了本发明一实施例提供的设施蔬菜叶部病斑图像分割系统的结构示意图，如图4所示，本实施例的设施蔬菜叶部病斑图像分割系统，包括：增强处理模块41、第一提取模块42、获取模块43、选择模块44、构建模块45和第二提取模块46；其中：

增强处理模块41用于将设施现场采集的蔬菜叶部病害图像分为训练组和测试组，并对训练组图像和测试组图像进行增强处理；

第一提取模块42用于提取增强处理后的训练组图像的初始颜色分类特征和梯度特征；

获取模块43用于将增强处理后的训练组图像分类为病斑样本和叶片样本，按照提取的初始颜色分类特征和梯度特征，获取所述病斑样本和叶片样本的初始颜色分类特征数据和梯度特征数据；

选择模块44用于采用粗糙集的方法，针对所述病斑样本和叶片样本的初始颜色分类特征数据，选择颜色分类特征，得到颜色特征子集；

构建模块45用于根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建条件随机场模型；

第二提取模块46用于根据所述条件随机场模型，对增强处理后的测试组图像进行分割，提取病斑图像。

在具体应用中，所述增强处理模块41可具体用于

将设施现场采集的病害图像分为训练组和测试组，并采用中值滤波的方法，对训练组图像和测试组图像进行增强处理。

在具体应用中，所述选择模块44可具体用于

采用等频区间法将所述病斑样本和叶片样本的初始颜色分类特征数据进行离散化；

基于遗传算法的粗糙集属性约简方法，针对离散化后的数据选择颜色分类特征，得到颜色特征子集。

在具体应用中，所述构建模块45，可具体用于

根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建初始决策分类树；

采用决策树层数与交叉验证错误率的关系，对所述初始决策分类树进行剪枝，得到优化的决策分类树；

基于优化的决策分类树扩展的一元势函数，并结合二元势函数，构建条件随机场模型，并进行模型参数估计和推理；

其中，所述条件随机场模型为：

$P\left(y_i\right|x_i)=\frac{1}{Z}\underset{i\∈I}{\Π}\mathrm{\φ}(y_i,x_i)\underset{i\∈I}{\Π}\underset{j\∈N_i}{\Π}\exp \left(y_i{y}_{ij}{v}^T{f}_{ij}\right(x\left)\right)$

其中，I为输入图像；x_i为图像第i个像素点的特征集合；y_i为第i个像素点的类别，在将增强处理后的训练组图像分类为病斑样本和叶片样本时，将病斑样本标记为类别+1，将叶片样本标记为类别-1；Z为归一化函数；N_i为输入图像I第i个像素点的所有邻域像素；i和j均为正整数；φ(y_i,x_i)为基于优化的决策分类树扩展的一元势函数，表示该像素在其特征条件下属于某一类别的概率，φ(y_i,x_i)是通过第三公式计算得到的；exp(y_iy_ijK^Tf_ij(x))为二元势函数，表示该像素在其邻域像素作用下属于某一类别的概率，其中y_ij为第i个像素点的第j个邻域像素点的类别，v为待估参数向量，T为转置符，f_ij(x)为联合特征向量，f_ij(x)是通过第四公式计算得到的；

所述第三公式为：

$\mathrm{\φ}(y_i,x_i)=\frac{1}{1+\exp (-y_i\frac{DT\left(x_i\right)}{\mathrm{\τ}})}$

其中，τ为常数，用于调节φ(y_i,x_i)的大小；DT(x_i)为图像第i个像素点对应的优化的决策分类树的分类结果；

所述第四公式为：

f_ij(x)＝[1,||x_i-x_j||]^T

其中，||·||表示欧式距离。

本实施例所述的系统可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。

需要说明的是，对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本实施例的设施蔬菜叶部病斑图像分割系统，能够快速、准确的从设施现场采集的蔬菜病害图像的复杂背景中提取病斑图像，为蔬菜病害的识别奠定坚实的基础。本发明与图像处理、模式识别等技术结合的基础上，会在设施蔬菜病害识别方面有很大的贡献。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种设施蔬菜叶部病斑图像分割方法，其特征在于，包括：

将设施现场采集的蔬菜叶部病害图像分为训练组和测试组，并对训练组图像和测试组图像进行增强处理；

提取增强处理后的训练组图像的初始颜色分类特征和梯度特征；

将增强处理后的训练组图像分类为病斑样本和叶片样本，按照提取的初始颜色分类特征和梯度特征，获取所述病斑样本和叶片样本的初始颜色分类特征数据和梯度特征数据；

采用粗糙集的方法，针对所述病斑样本和叶片样本的初始颜色分类特征数据，选择颜色分类特征，得到颜色特征子集；

根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建条件随机场模型；

根据所述条件随机场模型，对增强处理后的测试组图像进行分割，提取病斑图像。

2.根据权利要求1所述的方法，其特征在于，所述对训练组图像和测试组图像进行增强处理，包括：

采用中值滤波的方法，对训练组图像和测试组图像进行增强处理。

3.根据权利要求1所述的方法，其特征在于，所述初始颜色分类特征，包括：RGB、HSV、HSI、La*b*和YCbCr五个颜色空间的15个颜色特征。

4.根据权利要求1所述的方法，其特征在于，所述梯度特征，包括：像素点的梯度方向和梯度幅值；

在获取所述病斑样本和叶片样本的梯度特征数据时，利用第一公式提取训练组图像中像素点的梯度方向，利用第二公式提取训练组图像中像素点的梯度幅值；

其中，所述第一公式为：

$\mathrm{\θ}(i,j)={\tan }^{-1}\frac{Fy(i,j)}{Fx(i,j)},$

θ(i,j)表示像素点(i,j)的梯度方向，i和j均为正整数；

所述第二公式为：

$M(i,j)=\sqrt{Fx{(i,j)}^2+Fy{(i,j)}^2},$

M(i,j)表示像素点(i,j)的梯度幅值。

5.根据权利要求1所述的方法，其特征在于，所述采用粗糙集的方法，针对所述病斑样本和叶片样本的初始颜色分类特征数据，选择颜色分类特征，包括：

采用等频区间法将所述病斑样本和叶片样本的初始颜色分类特征数据进行离散化；

基于遗传算法的粗糙集属性约简方法，针对离散化后的数据选择颜色分类特征。

6.根据权利要求1所述的方法，其特征在于，所述根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建条件随机场模型，包括：

根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建初始决策分类树；

采用决策树层数与交叉验证错误率的关系，对所述初始决策分类树进行剪枝，得到优化的决策分类树；

基于优化的决策分类树扩展的一元势函数，并结合二元势函数，构建条件随机场模型，并进行模型参数估计和推理；

其中，所述条件随机场模型为：

$P\left(y_i\right|x_i)=\frac{1}{Z}\underset{i\∈I}{\Π}\mathrm{\φ}(y_i,x_i)\underset{i\∈I}{\Π}\underset{j\∈N_i}{\Π}\exp \left(y_i{y}_{ij}{v}^T{f}_{ij}\right(x\left)\right)$

其中，I为输入图像；x_i为图像第i个像素点的特征集合；y_i为第i个像素点的类别，在将增强处理后的训练组图像分类为病斑样本和叶片样本时，将病斑样本标记为类别+1，将叶片样本标记为类别-1；Z为归一化函数；N_i为输入图像I第i个像素点的所有邻域像素；i和j均为正整数；φ(y_i,x_i)为基于优化的决策分类树扩展的一元势函数，表示该像素在其特征条件下属于某一类别的概率，φ(y_i,x_i)是通过第三公式计算得到的；exp(y_iy_ijK^Tf_ij(x))为二元势函数，表示该像素在其邻域像素作用下属于某一类别的概率，其中y_ij为第i个像素点的第j个邻域像素点的类别，v为待估参数向量，T为转置符，f_ij(x)为联合特征向量，f_ij(x)是通过第四公式计算得到的；

所述第三公式为：

$\mathrm{\φ}(y_i,x_i)=\frac{1}{1+\exp (-y_i\frac{DT\left(x_i\right)}{\mathrm{\τ}})}$

其中，τ为常数，用于调节φ(y_i,x_i)的大小；DT(x_i)为图像第i个像素点对应的优化的决策分类树的分类结果；

所述第四公式为：

f_ij(x)＝[1,||x_i-x_j||]^T

其中，||·||表示欧式距离。

7.一种设施蔬菜叶部病斑图像分割系统，其特征在于，包括：

增强处理模块，用于将设施现场采集的蔬菜叶部病害图像分为训练组和测试组，并对训练组图像和测试组图像进行增强处理；

第一提取模块，用于提取增强处理后的训练组图像的初始颜色分类特征和梯度特征；

获取模块，用于将增强处理后的训练组图像分类为病斑样本和叶片样本，按照提取的初始颜色分类特征和梯度特征，获取所述病斑样本和叶片样本的初始颜色分类特征数据和梯度特征数据；

选择模块，用于采用粗糙集的方法，针对所述病斑样本和叶片样本的初始颜色分类特征数据，选择颜色分类特征，得到颜色特征子集；

构建模块，用于根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建条件随机场模型；

第二提取模块，用于根据所述条件随机场模型，对增强处理后的测试组图像进行分割，提取病斑图像。

8.根据权利要求7所述的系统，其特征在于，所述增强处理模块，具体用于

将设施现场采集的病害图像分为训练组和测试组，并采用中值滤波的方法，对训练组图像和测试组图像进行增强处理。

9.根据权利要求7所述的系统，其特征在于，所述选择模块，具体用于

采用等频区间法将所述病斑样本和叶片样本的初始颜色分类特征数据进行离散化；

基于遗传算法的粗糙集属性约简方法，针对离散化后的数据选择颜色分类特征，得到颜色特征子集。

10.根据权利要求7所述的系统，其特征在于，所述构建模块，具体用于

根据所述颜色特征子集以及所述病斑样本和叶片样本的梯度特征数据，构建初始决策分类树；

采用决策树层数与交叉验证错误率的关系，对所述初始决策分类树进行剪枝，得到优化的决策分类树；

基于优化的决策分类树扩展的一元势函数，并结合二元势函数，构建条件随机场模型，并进行模型参数估计和推理；

其中，所述条件随机场模型为：

$P\left(y_i\right|x_i)=\frac{1}{Z}\underset{i\∈I}{\Π}\mathrm{\φ}(y_i,x_i)\underset{i\∈I}{\Π}\underset{j\∈N_i}{\Π}\exp \left(y_i{y}_{ij}{v}^T{f}_{ij}\right(x\left)\right)$

其中，I为输入图像；x_i为图像第i个像素点的特征集合；y_i为第i个像素点的类别，在将增强处理后的训练组图像分类为病斑样本和叶片样本时，将病斑样本标记为类别+1，将叶片样本标记为类别-1；Z为归一化函数；N_i为输入图像I第i个像素点的所有邻域像素；i和j均为正整数；φ(y_i,x_i)为基于优化的决策分类树扩展的一元势函数，表示该像素在其特征条件下属于某一类别的概率，φ(y_i,x_i)是通过第三公式计算得到的；exp(y_iy_ijK^Tf_ij(x))为二元势函数，表示该像素在其邻域像素作用下属于某一类别的概率，其中y_ij为第i个像素点的第j个邻域像素点的类别，v为待估参数向量，T为转置符，f_ij(x)为联合特征向量，f_ij(x)是通过第四公式计算得到的；

所述第三公式为：

$\mathrm{\φ}(y_i,x_i)=\frac{1}{1+\exp (-y_i\frac{DT\left(x_i\right)}{\mathrm{\τ}})}$

其中，τ为常数，用于调节φ(y_i,x_i)的大小；DT(x_i)为图像第i个像素点对应的优化的决策分类树的分类结果；

所述第四公式为：

f_ij(x)＝[1,||x_i-x_j||]^T

其中，||·||表示欧式距离。