CN106127735A - 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 - Google Patents

Abstract

本发明提供一种设施蔬菜边缘清晰类叶面病斑分割方法及装置，方法包括去除待处理图像的非绿背景后根据HSI颜色模型获取处理后图像的亮度分量梯度图；用分水岭算法对亮度分量梯度图进行分割后对分割后图像的色调和饱和度分量分割得两个分割图像；按预设规则分别对三个分割图像的分割块合并提取，获取三个待选目标叶片区域；根据获取的待选目标叶片区域及它们的外接最小凸多边形的像素数计算三个叶片完整性参数，选最大值对应的区域为目标叶片区域，获取待处理图像的灰度图像及灰度图像中目标叶片区域中各像素点的灰度值；据灰度值将目标叶片区域的各像素点分成多类，依此获取目标叶片区域的病斑区域。本发明可通过计算机视觉技术分割叶片病斑区域。

Description

一种设施蔬菜边缘清晰类叶面病斑分割方法及装置

技术领域

本发明涉及农业技术领域，尤其涉及一种设施蔬菜边缘清晰类叶面病斑分割方法及装置。

背景技术

图像分割能够将一幅图像分成许多个区域，而且，各个区域间彼此不相重叠，位于同一区域内的像素具有相似性，而位于不同区域内的像素则具有相异性。在基于计算机视觉的图像处理过程中，图像分割技术至关重要。合理而有效的图像分割结果能精确的提取出目标的信息，对后续的图像处理和病害诊断过程具有十分重要的作用。

计算机辅助植物病害诊断和防治是近年来图像处理技术、计算机视觉技术和模式识别技术应用的新领域。计算机辅助病害诊断和防治的基础和关键是能够有效地进行病害对象的自动识别。为了提高病害识别的准确率进而为植物病害诊断和防治提供可靠的依据，因此很有必要针对叶面病斑的图像分割算法进行研究。

但是，目前并没有一种采用计算机视觉技术进行植物病害识别的技术。

发明内容

本发明提供一种设施蔬菜边缘清晰类叶面病斑分割方法及装置，该方法和装置基于叶片正常区域和病斑区域的颜色及特征差异，通过计算机视觉技术对图像进行处理，从而将叶片病斑区域分割出来。

第一方面，本发明提供一种设施蔬菜边缘清晰类叶面病斑分割方法，包括：

获取待处理图像，对所述待处理图像进行预处理，去除所述待处理图像的非绿色背景，并根据HSI颜色模型获取去除非绿色背景的图像的亮度分量梯度图；

利用分水岭算法对所述亮度分量梯度图进行分割，获取第一分割图像，获取所述第一分割图像的色调分量和饱和度分量，并利用分水岭算法分别对第一分割图像的色调分量和饱和度分量分割，分别获取第二分割图像和第三分割图像；所述第一分割图像、第二分割图像和第三分割图像均包括多个分割块；

按照预设规则分别对目标分割图像的多个分割块进行合并提取，获取所述目标分割图像的待选目标叶片区域，所述目标分割图像分别为所述第一分割图像、第二分割图像和第三分割图像，与所述第一分割图像、第二分割图像和第三分割图像对应的目标待选叶片区域分别为第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域；

分别获取所述第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域的外接最小凸多边形，在获取所述第一待选目标叶片区域所占的像素点数、所述第一待选目标叶片区域外接最小凸多边形所占的像素点数、所述第二待选目标叶片区域所占的像素点数、所述第二待选目标叶片区域外接最小凸多边形所占的像素点数、所述第三待选目标叶片区域所占的像素点数以及所述第三待选目标叶片区域外接最小凸多边形所占的像素点数后，根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，计算所述待选目标叶片区域的叶片完整性参数；所述待选目标叶片区域分别为所述第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域，与所述第一待选目标叶片区域对应的叶片完整性参数为第一叶片完整性参数、与所述第二待选目标叶片区域对应的叶片完整性参数为第二叶片完整性参数，与所述第一待选目标叶片区域对应的叶片完整性参数为第三叶片完整性参数；

将所述第一叶片完整性参数、第二叶片完整性参数和第三叶片完整性参数中的最大值对应的待选目标叶片区域确定为目标叶片区域，获取所述待处理图像的灰度图像，并获取所述灰度图像中所述目标叶片区域中各像素点的灰度值；

根据所述灰度图像中所述目标叶片区域中各像素点的灰度值，采用预设聚类算法将所述目标叶片区域的各像素点分成多个类别；

根据所述多个类别，获取所述目标叶片区域的的病斑区域。

优选的，按照预设规则分别对目标分割图像的多个分割块进行合并提取，获取所述目标分割图像的待选目标叶片区域，包括：

在所述目标分割图像的预设位置选定一个预设形状和预设大小的目标区域；

依次判断所述目标分割图像的各分割块中的像素点是否在所述目标区域内；

若是，则将分割块合并提取形成所述目标分割图像的待选目标叶片区域。

优选的，根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，计算所述待选目标叶片区域的叶片完整性参数，包括：

根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，利用公式(一)计算所述待选目标叶片区域的叶片完整性参数

其中Extrected Area为待选目标叶片区域所占的像素点数，Convex Area为待选目标叶片区域外接最小凸多边形所占的像素点数。

优选的，根据所述灰度图像中所述目标叶片区域中各像素点的灰度值，采用预设聚类算法将所述目标叶片区域的各像素点分成多个类别，包括：

将一预设的灰度值作为当前聚类中心，根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用预设目标函数计算目标函数值；

按照预设规则再依次选取不同的灰度值，分别将再次选取的不同的灰度值作为当前聚类中心，对所述预设目标函数进行迭代，计算与各个当前聚类中心对应的目标函数值；

判断相邻两次迭代计算出的目标函数值之间的差值是否小于等于预设阈值或迭代次数是否达到预设次数；

若相邻两次迭代计算出的目标函数值之间的差值小于等于预设阈值或迭代次数达到预设次数，则确定当前聚类中心为目标聚类中心；

计算所述目标叶片区域中各像素点的灰度值与所述目标聚类中心之间的欧式距离并将欧式距离小于等于预设距离的灰度值对应的像素点作为一个类别。

优选的，根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用预设目标函数计算目标函数值，包括：

根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用公式(二)计算目标函数值；

其中，J_m(U，V；X)为目标函数值，x_j为第j个像素灰度值，v_i为第i个类别的聚类中心，c为类别数，m为常数，n为像素数，w为大于0的预设值；

$u_{ij}=\frac{1}{{\Σ}_{k=1}^c{\left(\frac{d^2(x_j,p_i)}{d^2(x_j,p_k)}\right)}^{\frac{1}{m-1}}}$

其中，p_i是像素点x_j属于v_i的概率，p_k是像素点x_j属于第k个类别的聚类中心v_k的概率。

第二方面，本发明还提供一种设施蔬菜边缘清晰类叶面病斑分割装置，包括：

第一获取单元，用于获取待处理图像，对所述待处理图像进行预处理，去除所述待处理图像的非绿色背景，并根据HSI颜色模型获取去除非绿色背景的图像的亮度分量梯度图；

第一分割单元，用于利用分水岭算法对所述亮度分量梯度图进行分割，获取第一分割图像，获取所述第一分割图像的色调分量和饱和度分量，并利用分水岭算法分别对第一分割图像的色调分量和饱和度分量分割，分别获取第二分割图像和第三分割图像；所述第一分割图像、第二分割图像和第三分割图像均包括多个分割块；

第二获取单元，用于按照预设规则分别对目标分割图像的多个分割块进行合并提取，获取所述目标分割图像的待选目标叶片区域，所述目标分割图像分别为所述第一分割图像、第二分割图像和第三分割图像，与所述第一分割图像、第二分割图像和第三分割图像对应的目标待选叶片区域分别为第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域；

计算单元，用于分别获取所述第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域的外接最小凸多边形，在获取所述第一待选目标叶片区域所占的像素点数、所述第一待选目标叶片区域外接最小凸多边形所占的像素点数、所述第二待选目标叶片区域所占的像素点数、所述第二待选目标叶片区域外接最小凸多边形所占的像素点数、所述第三待选目标叶片区域所占的像素点数以及所述第三待选目标叶片区域外接最小凸多边形所占的像素点数后，根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，计算所述待选目标叶片区域的叶片完整性参数；所述待选目标叶片区域分别为所述第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域，与所述第一待选目标叶片区域对应的叶片完整性参数为第一叶片完整性参数、与所述第二待选目标叶片区域对应的叶片完整性参数为第二叶片完整性参数，与所述第一待选目标叶片区域对应的叶片完整性参数为第三叶片完整性参数；

第三获取单元，用于将所述第一叶片完整性参数、第二叶片完整性参数和第三叶片完整性参数中的最大值对应的待选目标叶片区域确定为目标叶片区域，获取所述待处理图像的灰度图像，并获取所述灰度图像中所述目标叶片区域中各像素点的灰度值；

第二分割单元，用于根据所述灰度图像中所述目标叶片区域中各像素点的灰度值，采用预设聚类算法将所述目标叶片区域的各像素点分成多个类别；

第三分割单元，用于根据所述多个类别，获取所述目标叶片区域的的病斑区域。

优选的，所述第二获取单元还用于：

在所述目标分割图像的预设位置选定一个预设形状和预设大小的目标区域；

依次判断所述目标分割图像的各分割块中的像素点是否在所述目标区域内；

若是，则将分割块合并提取形成所述目标分割图像的待选目标叶片区域。

优选的，所述计算单元还用于：

根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，计算所述待选目标叶片区域的叶片完整性参数，包括：

根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，利用公式(一)计算所述待选目标叶片区域的叶片完整性参数

其中Extrected Area为待选目标叶片区域所占的像素点数，Convex Area为待选目标叶片区域外接最小凸多边形所占的像素点数。

优选的，所述第二分割单元还用于：

将一预设的灰度值作为当前聚类中心，根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用预设目标函数计算目标函数值；

按照预设规则再依次选取不同的灰度值，分别将再次选取的不同的灰度值作为当前聚类中心，对所述预设目标函数进行迭代，计算与各个当前聚类中心对应的目标函数值；

判断相邻两次迭代计算出的目标函数值之间的差值是否小于等于预设阈值或迭代次数是否达到预设次数；

若相邻两次迭代计算出的目标函数值之间的差值小于等于预设阈值或迭代次数达到预设次数，则确定当前聚类中心为目标聚类中心；

计算所述目标叶片区域中各像素点的灰度值与所述目标聚类中心之间的欧式距离并将欧式距离小于等于预设距离的灰度值对应的像素点作为一个类别。

优选的，所述第二分割单元还用于：

根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用公式(二)计算目标函数值；

其中，J_m(U，V；X)为目标函数值，x_j为第j个像素灰度值，v_i为第i个类别的聚类中心，c为类别数，m为常数，n为像素数，w为大于0的预设值；

$u_{ij}=\frac{1}{{\Σ}_{k=1}^c{\left(\frac{d^2(x_j,p_i)}{d^2(x_j,p_k)}\right)}^{\frac{1}{m-1}}}$

其中，p_i是像素点x_j属于v_i的概率，p_k是像素点x_j属于第k个类别的聚类中心v_k的概率。

由上述技术方案可知，本发明基于叶片正常区域和病斑区域的颜色及特征差异，通过计算机视觉技术对图像进行处理，从而将叶片病斑区域分割出来。

附图说明

图1为本发明一实施例提供的设施蔬菜边缘清晰类叶面病斑分割方法的流程图；

图2为本发明一实施例提供的设施蔬菜边缘清晰类叶面病斑分割装置的结构示意图。

附图标记说明

第一获取单元21 第一分割单元22 第二获取单元23 计算单元24 第三获取单元25 第二分割单元26 第三分割单元27。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1为本发明一实施例提供的一种设施蔬菜边缘清晰类叶面病斑分割方法的流程图。

如图1所示的一种设施蔬菜边缘清晰类叶面病斑分割方法，包括：

S11、获取待处理图像，对所述待处理图像进行预处理，去除所述待处理图像的非绿色背景，并根据HSI颜色模型获取去除非绿色背景的图像的亮度分量梯度图；

可以理解的是，所述待处理图像为彩色图像。

可以理解的是，一副图像中认为非绿色背景的是灰尘、土等绝对不可能是叶片的物体，因此去除所述待处理图像的非绿色背景即是通过预处理将灰尘、土等绝对不可能是叶片的部分去除掉。

具体地，所述去除所述待处理图像的非绿色背景可通过下述方法实现：把RGB分量组合为超绿颜色指标ExG,再减去超红颜色指标ExR,即ExG-ExR，其中ExG＝2G-R-B,ExR＝1.4R-G-B。

S12、利用分水岭算法对所述亮度分量梯度图进行分割，获取第一分割图像，获取所述第一分割图像的色调分量和饱和度分量，并利用分水岭算法分别对第一分割图像的色调分量和饱和度分量分割，分别获取第二分割图像和第三分割图像；所述第一分割图像、第二分割图像和第三分割图像均包括多个分割块；

值得说明的是，本步骤中可利用Otsu算法(最大类间方差法)对ExG-ExR所得结果进行全局阈值分割，并通过图像的形态学算法处理细节和阈值分割所产生的细小空洞(形态学算法处理细节和阈值分割即为分水岭算法)。

S13、按照预设规则分别对目标分割图像的多个分割块进行合并提取，获取所述目标分割图像的待选目标叶片区域，所述目标分割图像分别为所述第一分割图像、第二分割图像和第三分割图像，与所述第一分割图像、第二分割图像和第三分割图像对应的目标待选叶片区域分别为第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域；

值得说明的是，步骤S13是利用上述方法分别获取所述第一分割图像、第二分割图像和第三分割图像的待选目标叶片区域，获取与所述第一分割图像对应的第一待选目标叶片区域，与第二分割图像对应的第二待选目标叶片区域和与所述第三分割图像对应的第三待选目标叶片区域。

上述步骤中对所述亮度分量梯度图进行分割可以获取最大分割块和中心点附近的分割块作为目标叶片所在块(所述块即为分割块),并利用连通性去除孤立小块。可利用强制最小值方法和所得的标记块位置亮度分量(I)的梯度图(即对所述亮度分量梯度图进行分割)，标记块即分割块。

S14、分别获取所述第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域的外接最小凸多边形，在获取所述第一待选目标叶片区域所占的像素点数、所述第一待选目标叶片区域外接最小凸多边形所占的像素点数、所述第二待选目标叶片区域所占的像素点数、所述第二待选目标叶片区域外接最小凸多边形所占的像素点数、所述第三待选目标叶片区域所占的像素点数以及所述第三待选目标叶片区域外接最小凸多边形所占的像素点数后，根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，计算所述待选目标叶片区域的叶片完整性参数；所述待选目标叶片区域分别为所述第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域，与所述第一待选目标叶片区域对应的叶片完整性参数为第一叶片完整性参数、与所述第二待选目标叶片区域对应的叶片完整性参数为第二叶片完整性参数，与所述第一待选目标叶片区域对应的叶片完整性参数为第三叶片完整性参数；

可以理解的是，凸多边形一般为一个边数大于等于3的多边形，可根据个人选定，凸多边形获得是通过现有图像软件程序。

值得说明的是，步骤S14中是利用上述方法分别计算所述第一待选目标叶片区域对应的第一叶片完整性参数，所述第二待选目标叶片区域对应的第二叶片完整性参数，所述第三待选目标叶片区域对应的第三叶片完整性参数。

采用S14可以获取一个具有平滑边缘的叶片区域。

S15、将所述第一叶片完整性参数、第二叶片完整性参数和第三叶片完整性参数中的最大值对应的待选目标叶片区域确定为目标叶片区域，获取所述待处理图像的灰度图像，并获取所述灰度图像中所述目标叶片区域中各像素点的灰度值；

值得说明的是，叶片完整性参数越大说明该叶片越完整，因此通过该步骤可以获取待处理的最完整的目标叶片区域。

S16、根据所述灰度图像中所述目标叶片区域中各像素点的灰度值，采用预设聚类算法将所述目标叶片区域的各像素点分成多个类别；

S17、根据所述多个类别，获取所述目标叶片区域的的病斑区域。

可以理解的是，获取的多个类别均为病斑区域。

可以理解的是，通过步骤S16和S17的聚类方法将叶片的正常部分和病斑部分区分开，以将叶片的正常区域和病斑区域分割开。

本发明主要适用于设施蔬菜边缘清晰类叶面病斑的分割。边缘清晰类叶面病斑指蔬菜叶面存在的一类病斑以肉眼可以明确判定其向正常叶片过度的边缘界限。

本发明基于叶片正常区域和病斑区域的颜色及特征差异，通过计算机视觉技术对图像进行处理，从而将叶片病斑区域分割出来。

作为一种优选实施例，所述S13，包括：

在所述目标分割图像的预设位置选定一个预设形状和预设大小的目标区域；

一般地，待处理的病斑叶片会在一副图像的中心位置，因此预设位置可为图片的中心，基于一般叶片形状和大小，预设形状和预设大小可为长宽均为图像1/4长的矩形框。当然，目标区域的位置、大小和形状不局限于此，本发明对此不做限制。

依次判断所述目标分割图像的各分割块中的像素点是否在所述目标区域内；

若是，则将分割块合并提取形成所述目标分割图像的待选目标叶片区域。

若否，则对分割块不处理。

本发明实施例可通过预设位置、预设形状和预设大小的目标区域初步选取出待选目标叶片区域。

作为一种优选实施例，所述步骤S14中的根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，计算所述待选目标叶片区域的叶片完整性参数，包括：

根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，利用公式(一)计算所述待选目标叶片区域的叶片完整性参数

其中Extrected Area为待选目标叶片区域所占的像素点数，Convex Area为待选目标叶片区域外接最小凸多边形所占的像素点数。

作为一种优选实施例，所述步骤S16，包括：

将一预设的灰度值作为当前聚类中心，根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用预设目标函数计算目标函数值；

按照预设规则再依次选取不同的灰度值，分别将再次选取的不同的灰度值作为当前聚类中心，对所述预设目标函数进行迭代，计算与各个当前聚类中心对应的目标函数值；

判断相邻两次迭代计算出的目标函数值之间的差值是否小于等于预设阈值或迭代次数是否达到预设次数；

若相邻两次迭代计算出的目标函数值之间的差值小于等于预设阈值或迭代次数达到预设次数，则确定当前聚类中心为目标聚类中心；

计算所述目标叶片区域中各像素点的灰度值与所述目标聚类中心之间的欧式距离并将欧式距离小于等于预设距离的灰度值对应的像素点作为一个类别。

可以理解的是，本发明实施例通过选取的多个聚类中心，采用所述预设目标函数计算，由于开始选取的聚类中心可能并不是最有代表性的聚类中心，比如选取的可能是病斑边缘的灰度值，不是最优的聚类中心，因此需利用所述目标函数不断迭代，获取最优聚类中心(即最有代表性的聚类中心)，从而保证将叶片的正常区域和病斑区域有效分割开。

作为一种优选实施例，根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用预设目标函数计算目标函数值，包括：

根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用公式(二)计算目标函数值；

其中，J_m(U，V；X)为目标函数值，x_j为第j个像素灰度值，v_i为第i个类别的聚类中心，c为类别数，m为常数，n为像素数，w为大于0的预设值；

$u_{ij}=\frac{1}{{\Σ}_{k=1}^c{\left(\frac{d^2(x_j,p_i)}{d^2(x_j,p_k)}\right)}^{\frac{1}{m-1}}}$

其中，p_i是像素点x_j属于v_i的概率，p_k是像素点x_j属于第k个类别的聚类中心v_k的概率。

所述类别为聚类出的类别。

下面说明所述预设目标函数选取的原理。

将像素与聚类中心v_i之间的特征距离(欧氏距离)重新定义为可以使得像素的模糊隶属度在经过一次迭代之后能够有较大的变化，进而使得算法经过较少次数的迭代就能达到收敛，提高了算法的效率并且改善了算法的分割效果。本发明改进后的FCM算法(模糊C均值聚类算法)目标函数定义如下：如上公式(二)

所述改进后的FCM算法为一种在标准FCM算法中加入空间信息的方法，首先将图像各个象素的邻域灰度均值计算出来，然后将它与图像的灰度信息构成一个二维向量，作为样本点代替FCM算法中的灰度。

假设M×N为待分割图像的尺寸大小，其灰度范围是0～L-1。如果这L个灰度值用Z集合进行表示，那么Z＝{z₀|z₀∈[0，1]}。显然，图像中像元点(m，n)的灰度f(m，n)为集合中的值，即定义像元点(m，n)的邻域灰度均值可以表示如下：

可以用矩阵[F(m，n)]_(M×N)×2＝[f(m，n)，g(m，n)]来表示任意一帧图像f(m，n)，f(m，n)代表一副图像的一个像素点灰度值，即：

[F(m，n)]_(M×N)×2＝[f(m，n)，g(m，n)] 公式22

对于大小为M×N的图像f(M，N)，当采用向量[f(m，n)，g(m，n)]表示该图像时，需要定义并计算该图像的二维直方图。在图像的二维直方图中，横坐标代表图像像元的灰度值，纵坐标代表图像像元的邻域平均灰度值，定义范围在大小为L×L的正方形区域。h_ij表示向量(i，j)发生的概率，定义了直方图中任意一点的值，这里(i，j)表示[f(m，n)，g(m，n)],0≤i，j≤L。如果向量(i，j)发生的频数用n_ij表示，则向量(i，j)发生的概率h_ij为：

其中0≤i，j≤L且

利用基于图像灰度及邻域灰度均值的特征加权，调节图像中不同的信息分量对图像分割的影响。在上述得到的图像的二维向量表示(邻域灰度均值与灰度)矩阵F_n×2。假定图像灰度与邻域灰度均值的对图像分割的贡献大小分别为w₁和w₂，而且w_i＞0(i＝1，2)，首先预处理特征加权：

x′_k＝x_k×w

其中k＝1，2，...，n。

对于灰度贡献为0的情况不做考虑，则特征权值可改为：

x′_k＝x_k×w

其中k＝1，2，...，n。

经过预处理后任意两个特征值之间的欧氏距离可表示为：

令W＝ww^T，得

加权矩阵W为对角阵。

由上式可以得出，预处理后任意两个特征矢量新距离变为原距离的加权。根据上述推导可知，所述预设目标函数中的W＝W₂，W₂为大于0的预设值。

上述在标准FCM算法中加入空间信息的方法，将图像象素的邻域灰度均值进入算法，可以降低噪声对算法的影响。

利用基于图像灰度及邻域灰度均值的特征加权，可调节图像中不同的信息分量对图像分割的影响。

图2为本发明一实施例提供的设施蔬菜边缘清晰类叶面病斑分割装置的结构示意图。

如图2所示的一种设施蔬菜边缘清晰类叶面病斑分割装置，包括：

第一获取单元21，用于获取待处理图像，对所述待处理图像进行预处理，去除所述待处理图像的非绿色背景，并根据HSI颜色模型获取去除非绿色背景的图像的亮度分量梯度图；

第一分割单元22，用于利用分水岭算法对所述亮度分量梯度图进行分割，获取第一分割图像，获取所述第一分割图像的色调分量和饱和度分量，并利用分水岭算法分别对第一分割图像的色调分量和饱和度分量分割，分别获取第二分割图像和第三分割图像；所述第一分割图像、第二分割图像和第三分割图像均包括多个分割块；

第二获取单元23，用于按照预设规则分别对目标分割图像的多个分割块进行合并提取，获取所述目标分割图像的待选目标叶片区域，所述目标分割图像分别为所述第一分割图像、第二分割图像和第三分割图像，与所述第一分割图像、第二分割图像和第三分割图像对应的目标待选叶片区域分别为第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域；

计算单元24，用于分别获取所述第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域的外接最小凸多边形，在获取所述第一待选目标叶片区域所占的像素点数、所述第一待选目标叶片区域外接最小凸多边形所占的像素点数、所述第二待选目标叶片区域所占的像素点数、所述第二待选目标叶片区域外接最小凸多边形所占的像素点数、所述第三待选目标叶片区域所占的像素点数以及所述第三待选目标叶片区域外接最小凸多边形所占的像素点数后，根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，计算所述待选目标叶片区域的叶片完整性参数；所述待选目标叶片区域分别为所述第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域，与所述第一待选目标叶片区域对应的叶片完整性参数为第一叶片完整性参数、与所述第二待选目标叶片区域对应的叶片完整性参数为第二叶片完整性参数，与所述第一待选目标叶片区域对应的叶片完整性参数为第三叶片完整性参数；

第三获取单元25，用于将所述第一叶片完整性参数、第二叶片完整性参数和第三叶片完整性参数中的最大值对应的待选目标叶片区域确定为目标叶片区域，获取所述待处理图像的灰度图像，并获取所述灰度图像中所述目标叶片区域中各像素点的灰度值；

第二分割单元26，用于根据所述灰度图像中所述目标叶片区域中各像素点的灰度值，采用预设聚类算法将所述目标叶片区域的各像素点分成多个类别；

第三分割单元27，用于根据所述多个类别，获取所述目标叶片区域的的病斑区域。

作为一种优选实施例，所述第二获取单元23还用于：

在所述目标分割图像的预设位置选定一个预设形状和预设大小的目标区域；

依次判断所述目标分割图像的各分割块中的像素点是否在所述目标区域内；

若是，则将分割块合并提取形成所述目标分割图像的待选目标叶片区域。

作为一种优选实施例，所述计算单元24还用于：

根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，计算所述待选目标叶片区域的叶片完整性参数，包括：

根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，利用公式(一)计算所述待选目标叶片区域的叶片完整性参数

其中Extrected Area为待选目标叶片区域所占的像素点数，Convex Area为待选目标叶片区域外接最小凸多边形所占的像素点数。

作为一种优选实施例，所述第二分割单元26还用于：

将一预设的灰度值作为当前聚类中心，根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用预设目标函数计算目标函数值；

按照预设规则再依次选取不同的灰度值，分别将再次选取的不同的灰度值作为当前聚类中心，对所述预设目标函数进行迭代，计算与各个当前聚类中心对应的目标函数值；

判断相邻两次迭代计算出的目标函数值之间的差值是否小于等于预设阈值或迭代次数是否达到预设次数；

若相邻两次迭代计算出的目标函数值之间的差值小于等于预设阈值或迭代次数达到预设次数，则确定当前聚类中心为目标聚类中心；

计算所述目标叶片区域中各像素点的灰度值与所述目标聚类中心之间的欧式距离并将欧式距离小于等于预设距离的灰度值对应的像素点作为一个类别。

作为一种优选实施例，所述第二分割单元26还用于：

根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用公式(二)计算目标函数值；

其中，J_m(U，V；X)为目标函数值，x_j为第j个像素灰度值，v_i为第i个类别的聚类中心，c为类别数，m为常数，n为像素数，w为大于0的预设值；

$u_{ij}=\frac{1}{{\Σ}_{k=1}^c{\left(\frac{d^2(x_j,p_i)}{d^2(x_j,p_k)}\right)}^{\frac{1}{m-1}}}$

其中，p_i是像素点x_j属于v_i的概率，p_k是像素点x_j属于第k个类别的聚类中心v_k的概率。

由于本发明的一种设施蔬菜边缘清晰类叶面病斑分割装置和一种设施蔬菜边缘清晰类叶面病斑分割方法是一一对应的，因此对一种设施蔬菜边缘清晰类叶面病斑分割装置不再详述。

本领域普通技术人员可以理解：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权利要求所限定的范围。

Claims (10)

1.一种设施蔬菜边缘清晰类叶面病斑分割方法，其特征在于，包括：

获取待处理图像，对所述待处理图像进行预处理，去除所述待处理图像的非绿色背景，并根据HSI颜色模型获取去除非绿色背景的图像的亮度分量梯度图；

利用分水岭算法对所述亮度分量梯度图进行分割，获取第一分割图像，获取所述第一分割图像的色调分量和饱和度分量，并利用分水岭算法分别对第一分割图像的色调分量和饱和度分量分割，分别获取第二分割图像和第三分割图像；所述第一分割图像、第二分割图像和第三分割图像均包括多个分割块；

按照预设规则分别对目标分割图像的多个分割块进行合并提取，获取所述目标分割图像的待选目标叶片区域，所述目标分割图像分别为所述第一分割图像、第二分割图像和第三分割图像，与所述第一分割图像、第二分割图像和第三分割图像对应的目标待选叶片区域分别为第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域；

分别获取所述第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域的外接最小凸多边形，在获取所述第一待选目标叶片区域所占的像素点数、所述第一待选目标叶片区域外接最小凸多边形所占的像素点数、所述第二待选目标叶片区域所占的像素点数、所述第二待选目标叶片区域外接最小凸多边形所占的像素点数、所述第三待选目标叶片区域所占的像素点数以及所述第三待选目标叶片区域外接最小凸多边形所占的像素点数后，根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，计算所述待选目标叶片区域的叶片完整性参数；所述待选目标叶片区域分别为所述第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域，与所述第一待选目标叶片区域对应的叶片完整性参数为第一叶片完整性参数、与所述第二待选目标叶片区域对应的叶片完整性参数为第二叶片完整性参数，与所述第一待选目标叶片区域对应的叶片完整性参数为第三叶片完整性参数；

将所述第一叶片完整性参数、第二叶片完整性参数和第三叶片完整性参数中的最大值对应的待选目标叶片区域确定为目标叶片区域，获取所述待处理图像的灰度图像，并获取所述灰度图像中所述目标叶片区域中各像素点的灰度值；

根据所述灰度图像中所述目标叶片区域中各像素点的灰度值，采用预设聚类算法将所述目标叶片区域的各像素点分成多个类别；

根据所述多个类别，获取所述目标叶片区域的的病斑区域。

2.根据权利要求1所述的方法，其特征在于，按照预设规则分别对目标分割图像的多个分割块进行合并提取，获取所述目标分割图像的待选目标叶片区域，包括：

在所述目标分割图像的预设位置选定一个预设形状和预设大小的目标区域；

依次判断所述目标分割图像的各分割块中的像素点是否在所述目标区域内；

若是，则将分割块合并提取形成所述目标分割图像的待选目标叶片区域。

3.根据权利要求1所述的方法，其特征在于，根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，计算所述待选目标叶片区域的叶片完整性参数，包括：

根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，利用公式(一)计算所述待选目标叶片区域的叶片完整性参数

其中Extrected Area为待选目标叶片区域所占的像素点数，Convex Area为待选目标叶片区域外接最小凸多边形所占的像素点数。

4.根据权利要求1所述的方法，其特征在于，根据所述灰度图像中所述目标叶片区域中各像素点的灰度值，采用预设聚类算法将所述目标叶片区域的各像素点分成多个类别，包括：

将一预设的灰度值作为当前聚类中心，根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用预设目标函数计算目标函数值；

按照预设规则再依次选取不同的灰度值，分别将再次选取的不同的灰度值作为当前聚类中心，对所述预设目标函数进行迭代，计算与各个当前聚类中心对应的目标函数值；

判断相邻两次迭代计算出的目标函数值之间的差值是否小于等于预设阈值或迭代次数是否达到预设次数；

若相邻两次迭代计算出的目标函数值之间的差值小于等于预设阈值或迭代次数达到预设次数，则确定当前聚类中心为目标聚类中心；

计算所述目标叶片区域中各像素点的灰度值与所述目标聚类中心之间的欧式距离并将欧式距离小于等于预设距离的灰度值对应的像素点作为一个类别。

5.根据权利要求4所述的方法，其特征在于，根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用预设目标函数计算目标函数值，包括：

根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用公式(二)计算目标函数值；

其中，J_m(U，V；X)为目标函数值，x_j为第j个像素灰度值，v_i为第i个类别的聚类中心，c为类别数，m为常数，n为像素数，w为大于0的预设值；

$u_{ij}=\frac{1}{{\mathrm{\Σ}}_{k=1}^c{\left(\frac{d^2(x_j,p_i)}{d^2(x_j,p_k)}\right)}^{\frac{1}{m-1}}}$

其中，p_i是像素点x_j属于v_i的概率，p_k是像素点x_j属于第k个类别的聚类中心v_k的概率。

6.一种设施蔬菜边缘清晰类叶面病斑分割装置，其特征在于，包括：

第一获取单元，用于获取待处理图像，对所述待处理图像进行预处理，去除所述待处理图像的非绿色背景，并根据HSI颜色模型获取去除非绿色背景的图像的亮度分量梯度图；

第一分割单元，用于利用分水岭算法对所述亮度分量梯度图进行分割，获取第一分割图像，获取所述第一分割图像的色调分量和饱和度分量，并利用分水岭算法分别对第一分割图像的色调分量和饱和度分量分割，分别获取第二分割图像和第三分割图像；所述第一分割图像、第二分割图像和第三分割图像均包括多个分割块；

第二获取单元，用于按照预设规则分别对目标分割图像的多个分割块进行合并提取，获取所述目标分割图像的待选目标叶片区域，所述目标分割图像分别为所述第一分割图像、第二分割图像和第三分割图像，与所述第一分割图像、第二分割图像和第三分割图像对应的目标待选叶片区域分别为第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域；

计算单元，用于分别获取所述第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域的外接最小凸多边形，在获取所述第一待选目标叶片区域所占的像素点数、所述第一待选目标叶片区域外接最小凸多边形所占的像素点数、所述第二待选目标叶片区域所占的像素点数、所述第二待选目标叶片区域外接最小凸多边形所占的像素点数、所述第三待选目标叶片区域所占的像素点数以及所述第三待选目标叶片区域外接最小凸多边形所占的像素点数后，根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，计算所述待选目标叶片区域的叶片完整性参数；所述待选目标叶片区域分别为所述第一待选目标叶片区域、第二待选目标叶片区域和第三待选目标叶片区域，与所述第一待选目标叶片区域对应的叶片完整性参数为第一叶片完整性参数、与所述第二待选目标叶片区域对应的叶片完整性参数为第二叶片完整性参数，与所述第一待选目标叶片区域对应的叶片完整性参数为第三叶片完整性参数；

第三获取单元，用于将所述第一叶片完整性参数、第二叶片完整性参数和第三叶片完整性参数中的最大值对应的待选目标叶片区域确定为目标叶片区域，获取所述待处理图像的灰度图像，并获取所述灰度图像中所述目标叶片区域中各像素点的灰度值；

第二分割单元，用于根据所述灰度图像中所述目标叶片区域中各像素点的灰度值，采用预设聚类算法将所述目标叶片区域的各像素点分成多个类别；

第三分割单元，用于根据所述多个类别，获取所述目标叶片区域的的病斑区域。

7.根据权利要求6所述的装置，其特征在于，所述第二获取单元还用于：

在所述目标分割图像的预设位置选定一个预设形状和预设大小的目标区域；

依次判断所述目标分割图像的各分割块中的像素点是否在所述目标区域内；

若是，则将分割块合并提取形成所述目标分割图像的待选目标叶片区域。

8.根据权利要求6所述的装置，其特征在于，所述计算单元还用于：

根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，计算所述待选目标叶片区域的叶片完整性参数，包括：

根据待选目标叶片区域所占的像素点数和所述待选目标叶片区域外接最小凸多边形所占的像素点数，利用公式(一)计算所述待选目标叶片区域的叶片完整性参数

其中Extrected Area为待选目标叶片区域所占的像素点数，Convex Area为待选目标叶片区域外接最小凸多边形所占的像素点数。

9.根据权利要求6所述的装置，其特征在于，所述第二分割单元还用于：

将一预设的灰度值作为当前聚类中心，根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用预设目标函数计算目标函数值；

按照预设规则再依次选取不同的灰度值，分别将再次选取的不同的灰度值作为当前聚类中心，对所述预设目标函数进行迭代，计算与各个当前聚类中心对应的目标函数值；

判断相邻两次迭代计算出的目标函数值之间的差值是否小于等于预设阈值或迭代次数是否达到预设次数；

若相邻两次迭代计算出的目标函数值之间的差值小于等于预设阈值或迭代次数达到预设次数，则确定当前聚类中心为目标聚类中心；

计算所述目标叶片区域中各像素点的灰度值与所述目标聚类中心之间的欧式距离并将欧式距离小于等于预设距离的灰度值对应的像素点作为一个类别。

10.根据权利要求9所述的装置，其特征在于，所述第二分割单元还用于：

根据所述目标叶片区域的各像素点的灰度值和当前聚类中心，采用公式(二)计算目标函数值；

其中，J_m(U，V；X)为目标函数值，x_j为第j个像素灰度值，v_i为第i个类别的聚类中心，c为类别数，m为常数，n为像素数，w为大于0的预设值；

$u_{ij}=\frac{1}{{\mathrm{\Σ}}_{k=1}^c{\left(\frac{d^2(x_j,p_i)}{d^2(x_j,p_k)}\right)}^{\frac{1}{m-1}}}$

其中，p_i是像素点x_j属于v_i的概率，p_k是像素点x_j属于第k个类别的聚类中心v_k的概率。