CN106530304A - 一种设施蔬菜边缘模糊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模糊类叶面病斑分割方法及装置，方法:获取待处理图像中任一目标点及其任一邻点灰度值；据任一目标点所有邻点灰度值得目标点邻域内的平均灰度值；据k和任一目标点的任一邻点的横纵向坐标偏移量得目标点的任一邻点权值；据任一目标点的有邻点灰度值及权值得目标点的邻域加权灰度中值；据所有目标点的上述三值，建立三维直方图(下称图)并判断任一目标点在图所处三维坐标系(下称坐标系)中的区域；据预设策略对目标点的三值矫正；据矫正值计算任一目标点与坐标系原点距离，据该距离对图降维；再采用OTSU对图分割得最佳阈值；据该阈值对待处理图像分割。本发明可实现计算机辅助的病斑分割。

Description

一种设施蔬菜边缘模糊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模糊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，图像分割及时至关重要。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。

目前还没有一种计算机辅助进行的针对边缘模糊类设施蔬菜叶面病斑分割方法。

发明内容

本发明提供一种设施蔬菜边缘模糊类叶面病斑分割方法和装置，根据植物叶片正常部分与病斑的颜色差异及病斑的各类特征(如纹理特征和形状特征)等独特因素对叶面病斑进行识别，从而可实现计算机辅助的设施蔬菜边缘模糊类叶面病斑的分割。

第一方面，本发明提供一种设施蔬菜边缘模糊类叶面病斑分割方法，其特征在于，包括：

获取待处理图像中任一目标像素点的灰度值以及所述任一目标像素点的任一邻域像素点的灰度值；所述邻域像素点为目标像素点的k×k邻域窗口内的像素点；

根据获取的任一目标像素点的所有邻域像素点的灰度值，获取所述任一目标像素点的邻域内的平均灰度值；

根据k和所述任一目标像素点的任一邻域像素点的横向坐标偏移量和纵向坐标偏移量，获取所述任一目标像素点的任一邻域像素点的权值；所述邻域像素点的横向坐标偏移量为所述邻域像素点相对于目标像素点横向偏移的距离，邻域像素点的纵向坐标偏移量为所述邻域像素点相对于目标像素点纵向偏移的距离；

根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，获取任一目标像素点的邻域加权灰度中值；

根据获取的所述待处理图像的所有目标像素点的灰度值、所有目标像素点的邻域内的平均灰度值以及所有目标像素点的邻域加权灰度中值，建立三维直方图；

根据所述任一目标像素点的灰度值、所述任一目标像素点的邻域内的平均灰度值以及所述任一目标像素点的邻域加权灰度中值，判断所述任一目标像素点在所述三维直方图所处的三维坐标系中所处的区域；

根据所述三维坐标系内每个区域对应的预设矫正策略对处于对应区域内的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值进行矫正；

根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，计算所述任一目标像素点与所述三维坐标系原点之间的距离，并根据所有目标像素点与所述三维坐标系原点之间的距离对所述三维直方图降维；

采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取最佳全局阈值；

根据所述最佳全局阈值，对所述待处理图像进行分割。

优选的，根据获取的任一目标像素点的所有邻域像素点的灰度值，获取所述任一目标像素点的邻域内的平均灰度值，包括：

根据获取的任一目标像素点的所有邻域像素点的灰度值，通过公式(一)获取所述任一目标像素点的邻域内的平均灰度值

其中，g(x,y)为坐标为(x,y)的目标像素点的邻域内的平均灰度值，f(x+m,y+n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的灰度值，m为所述邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

优选的，根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，获取任一目标像素点的邻域加权灰度中值，包括：

根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，通过公式(二)获取任一目标像素点的邻域加权灰度中值

其中，h(x,y)为坐标为(x,y)的目标像素点的邻域加权灰度中值，f(x+m,y+n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的灰度值，weight(m,n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的权值，m为所述邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

优选的，根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，计算所述任一目标像素点与所述三维坐标系原点之间的距离，包括：

根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，通过公式(三)计算所述任一目标像素点与所述三维坐标系原点之间的距离

其中，d为目标像素点与所述三维坐标系原点之间的距离，f^*为矫正后的所述目标像素点的灰度值，g^*为矫正后的所述目标像素点的邻域内的平均灰度值，h^*为矫正后的所述目标像素点的邻域加权灰度中值。

优选的，采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取最佳全局阈值，包括：

采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取初始阈值，将所述初始阈值作为待定目标阈值；

根据所述待定目标阈值将所述降维后的三维直方图分成两部分；

将所分成的两部分拟合形成两条高斯曲线，将所述两条高斯曲线的交点对应的值作为当前阈值，计算所述当前阈值与上一待定目标阈值之间的差值，并将所述当前阈值作为待定目标阈值，重复所述根据所述待定目标阈值将所述降维后的三维直方图分成两部分步骤直到所述当前阈值与上一待定目标阈值之间的差值小于等于预设差值，将最后一次获取的待定目标阈值作为目标阈值。

第二方面，本发明还提供一种设施蔬菜边缘模糊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中任一目标像素点的灰度值以及所述任一目标像素点的任一邻域像素点的灰度值；所述邻域像素点为目标像素点的k×k邻域窗口内的像素点；

第二获取单元，用于根据获取的任一目标像素点的所有邻域像素点的灰度值，获取所述任一目标像素点的邻域内的平均灰度值；

第三获取单元，用于根据k和所述任一目标像素点的任一邻域像素点的横向坐标偏移量和纵向坐标偏移量，获取所述任一目标像素点的任一邻域像素点的权值；所述邻域像素点的横向坐标偏移量为所述邻域像素点相对于目标像素点横向偏移的距离，邻域像素点的纵向坐标偏移量为所述邻域像素点相对于目标像素点纵向偏移的距离；

第四获取单元，用于根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，获取任一目标像素点的邻域加权灰度中值；

三维直方图建立单元，用于根据获取的所述待处理图像的所有目标像素点的灰度值、所有目标像素点的邻域内的平均灰度值以及所有目标像素点的邻域加权灰度中值，建立三维直方图；

判断单元，用于根据所述任一目标像素点的灰度值、所述任一目标像素点的邻域内的平均灰度值以及所述任一目标像素点的邻域加权灰度中值，判断所述任一目标像素点在所述三维直方图所处的三维坐标系中所处的区域；

矫正单元，用于根据所述三维坐标系内每个区域对应的预设矫正策略对处于对应区域内的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值进行矫正；

计算单元，用于根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，计算所述任一目标像素点与所述三维坐标系原点之间的距离，并根据所有目标像素点与所述三维坐标系原点之间的距离对所述三维直方图降维；

第五获取单元，用于采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取最佳全局阈值；

分割单元，用于根据所述最佳全局阈值，对所述待处理图像进行分割。

优选的，所述第二获取单元还用于：

根据获取的任一目标像素点的所有邻域像素点的灰度值，通过公式(一)获取所述任一目标像素点的邻域内的平均灰度值

其中，g(x,y)为坐标为(x,y)的目标像素点的邻域内的平均灰度值，f(x+m,y+n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的灰度值，m为所述邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

优选的，所述第四获取单元还用于：

根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，通过公式(二)获取任一目标像素点的邻域加权灰度中值

其中，h(x,y)为坐标为(x,y)的目标像素点的邻域加权灰度中值，f(x+m,y+n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的灰度值，weight(m,n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的权值，m为所述邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

优选的，所述计算单元还用于：

根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，通过公式(三)计算所述任一目标像素点与所述三维坐标系原点之间的距离

其中，d为目标像素点与所述三维坐标系原点之间的距离，f^*为矫正后的所述目标像素点的灰度值，g^*为矫正后的所述目标像素点的邻域内的平均灰度值，h^*为矫正后的所述目标像素点的邻域加权灰度中值。

优选的，所述第五获取单元还用于：

采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取初始阈值，将所述初始阈值作为待定目标阈值；

根据所述待定目标阈值将所述降维后的三维直方图分成两部分；

将所分成的两部分拟合形成两条高斯曲线，将所述两条高斯曲线的交点对应的值作为当前阈值，计算所述当前阈值与上一待定目标阈值之间的差值，并将所述当前阈值作为待定目标阈值，重复所述根据所述待定目标阈值将所述降维后的三维直方图分成两部分步骤直到所述当前阈值与上一待定目标阈值之间的差值小于等于预设差值，将最后一次获取的待定目标阈值作为目标阈值。

由上述技术方案可知，本发明的一种设施蔬菜边缘模糊类叶面病斑分割方法及装置，根据植物叶片正常部分与病斑的颜色差异及病斑的各类特征(如纹理特征和形状特征)等独特因素对叶面病斑进行识别，从而可实现计算机辅助的设施蔬菜边缘模糊类叶面病斑的分割。

附图说明

图1为本发明一实施例提供的设施蔬菜边缘模糊类叶面病斑分割方法的流程图；

图2为八角区域分布图；

图3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301 第二获取单元302 第三获取单元303 第四获取单元304 三维直方图建立单元305 判断单元306 矫正单元307 计算单元308 第五获取单元309 分割单元310

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模糊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模糊类叶面病斑分割方法，包括：

S101、获取待处理图像中任一目标像素点的灰度值以及所述任一目标像素点的任一邻域像素点的灰度值；所述邻域像素点为目标像素点的k×k邻域窗口内的像素点；

可以理解的是，所述k通常为奇数。可以为3或5等。

所述目标像素点为待处理图像中的像素点。

S102、根据获取的任一目标像素点的所有邻域像素点的灰度值，获取所述任一目标像素点的邻域内的平均灰度值；

S103、根据k和所述任一目标像素点的任一邻域像素点的横向坐标偏移量和纵向坐标偏移量，获取所述任一目标像素点的任一邻域像素点的权值；所述邻域像素点的横向坐标偏移量为所述邻域像素点相对于目标像素点横向偏移的距离，邻域像素点的纵向坐标偏移量为所述邻域像素点相对于目标像素点纵向偏移的距离；

例如：目标像素点的坐标为(x,y)，该目标像素点的邻域像素点的坐标为(x+m,y+n)，则，m为该邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

S104、根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，获取任一目标像素点的邻域加权灰度中值；

可以理解的是，采用像素点的邻域加权灰度中值既能够较好的消除噪声，也能够保留边缘特征。

S105、根据获取的所述待处理图像的所有目标像素点的灰度值、所有目标像素点的邻域内的平均灰度值以及所有目标像素点的邻域加权灰度中值，建立三维直方图；

S106、根据所述任一目标像素点的灰度值、所述任一目标像素点的邻域内的平均灰度值以及所述任一目标像素点的邻域加权灰度中值，判断所述任一目标像素点在所述三维直方图所处的三维坐标系中所处的区域；

S107、根据所述三维坐标系内每个区域对应的预设矫正策略对处于对应区域内的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值进行矫正；

可以理解的是，根据上述计算获得了待处理图像中各个像素点的三元组，该三元组分别包括像素点的灰度值f(x,y)、的邻域内的平均灰度值g(x,y)和邻域加权灰度中值h(x,y)，即每个像素点对应的三元组为(f(x,y),g(x,y),h(x,y))。

通过该种方式，每个像素点均用一个三维信息表示出来。

在一种具体实施例中，三维直方图所处的三维坐标系分为如图2所示的八个区域范围：区域0、区域1、区域2、区域3、区域4、区域5、区域6和区域7，这八个区域正处于三维直方图的八个顶角处，其中区域0位于原点所处的顶角处，区域1位于与所述区域0相对的顶角处，区域1、区域2、区域7和区域4依次处于所述三维直方图的上表面的四个顶角处，区域0、区域5、区域6和区域3依次处于所述三维直方图的下表面的四个顶角处，其中，区域0和区域7位于所述三维直方图的同一边上，区域2和区域5位于所述三维直方图的同一边上，区域1和区域6位于所述三维直方图的同一边上，区域3和区域4位于所述三维直方图的同一边上。(图2中的L表示待处理图像的灰度级数)

下面结合上述区域说明与各个区域对应的矫正策略：

(1)区域0：灰度值、邻域内的平均灰度值和邻域加权灰度中值十分接近且均较小，说明该区域为背景区域，不需矫正；

(2)区域1：灰度值、邻域加权灰度中值和邻域加权灰度中值十分接近且均较大，说明属于前景区域，不需矫正；

(3)区域2：灰度值较小，邻域加权灰度中值和邻域加权灰度中值接近且较大。说明该点是明亮区域内的暗点，应为前景区域内部的噪声，需矫正灰度值，即f^*＝(g+h)/2。

(4)区域3：灰度值较大，邻域加权灰度中值和邻域加权灰度中值接近且较小。说明该点是阴暗区间内的亮点，应为背景区域内部的噪声，需矫正灰度值，即f^*＝(g+h)/2；

(5)区域4：灰度值和邻域加权灰度中值接近且较大，邻域加权灰度中值较小。说明该点属于前景区域，虽然本身不为噪声点，但附近有较暗的噪声点，需矫正邻域加权灰度中值，即g^*＝(f+h)/2；

(6)区域5：灰度值和邻域加权灰度中值接近且较小，邻域加权灰度中值较大。说明该点属于背景区域，虽然本身不为噪声点，但附近有较亮的噪声点，需矫正邻域加权灰度中值，即g^*＝(f+h)/2；

(7)区域6：灰度值和邻域加权灰度中值接近且较大，邻域加权灰度中值较小。说明该点属于接近背景区域的边缘像素点，附近有明亮噪声点，且灰度较大的像素数少于灰度较小的像素数，故该点偏向于背景部分，需矫正灰度值和邻域加权灰度中值，即f^*＝g^*＝h；

(8)区域7：灰度值和邻域加权灰度中值接近且较小，邻域加权灰度中值较大。该点属于接近目标区域的边缘像素点，附近有较暗的噪声点，且灰度较小的像素点数要少于灰度较大的像素点数，故该点偏向于目标部分，需矫正灰度值和邻域加权灰度中值，即f^*＝g^*＝h。

上述f、g、h分别为像素点的灰度值、邻域内的平均灰度值和邻域加权灰度中值；f^*、g^*分别为像素点的矫正后的灰度值、矫正后的邻域加权灰度中值。

S108、根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，计算所述任一目标像素点与所述三维坐标系原点之间的距离，并根据所有目标像素点与所述三维坐标系原点之间的距离对所述三维直方图降维；

可以理解的是，三维直方图上的点的分布可用三维直方图所处的三维坐标系的原点到该点所在分割平面的距离来表示，即为目标像素点与所述三维坐标系原点之间的距离，从而将从对三维最佳阈值的搜索转化为仅需寻找一维最佳阈值的过程。

S109、采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取最佳全局阈值；

S110、根据所述最佳全局阈值，对所述待处理图像进行分割。

值得说明的是，边缘模糊类叶面病斑指蔬菜叶面存在的一类病斑以肉眼无法明确判定其向正常叶片过度的边缘界限。

本发明实施例提供了一种设施蔬菜边缘模糊类叶面病斑分割方法，本发明的方法，根据植物叶片正常部分与病斑的颜色差异及病斑的各类特征(如纹理特征和形状特征)等独特因素对叶面病斑进行识别，从而可实现计算机辅助的设施蔬菜边缘模糊类叶面病斑的分割。

作为一种优选实施例，所述步骤S102，包括：

根据获取的任一目标像素点的所有邻域像素点的灰度值，通过公式(一)获取所述任一目标像素点的邻域内的平均灰度值

其中，g(x,y)为坐标为(x,y)的目标像素点的邻域内的平均灰度值，f(x+m,y+n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的灰度值，m为所述邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

作为一种优选实施例，所述步骤S104，包括：

根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，通过公式(二)获取任一目标像素点的邻域加权灰度中值

其中，h(x,y)为坐标为(x,y)的目标像素点的邻域加权灰度中值，f(x+m,y+n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的灰度值，weight(m,n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的权值，m为所述邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

作为一种优选实施例，所述步骤S108中的根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，计算所述任一目标像素点与所述三维坐标系原点之间的距离，包括：

根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，通过公式(三)计算所述任一目标像素点与所述三维坐标系原点之间的距离

其中，d为目标像素点与所述三维坐标系原点之间的距离，f^*为矫正后的所述目标像素点的灰度值，g^*为矫正后的所述目标像素点的邻域内的平均灰度值，h^*为矫正后的所述目标像素点的邻域加权灰度中值。

值得说明的是，上述实施例中未对邻域加权灰度中值进行矫正，因此，此处的h^*即为未矫正的邻域加权灰度中值，即为h本身。

值得说明的是，由于目标像素点为待处理图像中的像素点，因此，坐标为(x,y)的目标像素点的0＜x＜M，0＜y＜N，其中，M为所述待处理图像的横向像素点总数，N为所述待处理图像的纵向像素点总数。

作为一种优选实施例，所述步骤S109，包括：

采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取初始阈值，将所述初始阈值作为待定目标阈值；

根据所述待定目标阈值将所述降维后的三维直方图分成两部分；

将所分成的两部分拟合形成两条高斯曲线，将所述两条高斯曲线的交点对应的值作为当前阈值，计算所述当前阈值与上一待定目标阈值之间的差值，并将所述当前阈值作为待定目标阈值，重复所述根据所述待定目标阈值将所述降维后的三维直方图分成两部分步骤直到所述当前阈值与上一待定目标阈值之间的差值小于等于预设差值，将最后一次获取的待定目标阈值作为目标阈值。

下面通过Step1-Step4介绍求取目标阈值的具体方法。

Step1:采用Otsu全局阈值算法对降维后的三维直方图进行分割得到一个初始阈值th₀，将所述初始阈值作为待定目标阈值；

Step2:利用初始阈值th_i(此处的th_i＝th₀)将降维后的三维直方图分成两个部分C₀和C₁，其中i是迭代次数，分别计算C₀和C₁各自分布的均值μ₀和μ₁以及方差和然后拟合出两个高斯分布曲线和

Step3:比较和将其中较小的方差对应的均值作为μ_begin，另一个方差对应的均值为μ_end，从μ_begin位置处向μ_end方向进行遍历，根据μ_begin和其对应的方差计算第一概率密度函数值p(x_i|begin)，根据μ_end和其对应的方差计算第二概率密度函数值p(x_i|end)，当p(x_i|begin)≤p(x_i|end)时，则本次迭代搜索到的最佳阈值为th_i+1＝x_i，其中，x_i为本次迭代得到的阈值。

Step4:当|th_i+1-th_i|＜Δ时(其中Δ为容忍误差)，则th_i为全局最佳阈值迭代停止，否则转Step2。

图3为本发明一实施例提供的设施蔬菜边缘模糊类叶面病斑分割装置的结构示意图。

如图3所示的一种设施蔬菜边缘模糊类叶面病斑分割装置，包括：

第一获取单元301，用于获取待处理图像中任一目标像素点的灰度值以及所述任一目标像素点的任一邻域像素点的灰度值；所述邻域像素点为目标像素点的k×k邻域窗口内的像素点；

第二获取单元302，用于根据获取的任一目标像素点的所有邻域像素点的灰度值，获取所述任一目标像素点的邻域内的平均灰度值；

第三获取单元303，用于根据k和所述任一目标像素点的任一邻域像素点的横向坐标偏移量和纵向坐标偏移量，获取所述任一目标像素点的任一邻域像素点的权值；所述邻域像素点的横向坐标偏移量为所述邻域像素点相对于目标像素点横向偏移的距离，邻域像素点的纵向坐标偏移量为所述邻域像素点相对于目标像素点纵向偏移的距离；

第四获取单元304，用于根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，获取任一目标像素点的邻域加权灰度中值；

三维直方图建立单元305，用于根据获取的所述待处理图像的所有目标像素点的灰度值、所有目标像素点的邻域内的平均灰度值以及所有目标像素点的邻域加权灰度中值，建立三维直方图；

判断单元306，用于根据所述任一目标像素点的灰度值、所述任一目标像素点的邻域内的平均灰度值以及所述任一目标像素点的邻域加权灰度中值，判断所述任一目标像素点在所述三维直方图所处的三维坐标系中所处的区域；

矫正单元307，用于根据所述三维坐标系内每个区域对应的预设矫正策略对处于对应区域内的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值进行矫正；

计算单元308，用于根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，计算所述任一目标像素点与所述三维坐标系原点之间的距离，并根据所有目标像素点与所述三维坐标系原点之间的距离对所述三维直方图降维；

第五获取单元309，用于采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取最佳全局阈值；

分割单元310，用于根据所述最佳全局阈值，对所述待处理图像进行分割。

作为一种优选实施例，所述第二获取单元302还用于：

根据获取的任一目标像素点的所有邻域像素点的灰度值，通过公式(一)获取所述任一目标像素点的邻域内的平均灰度值

其中，g(x,y)为坐标为(x,y)的目标像素点的邻域内的平均灰度值，f(x+m,y+n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的灰度值，m为所述邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

作为一种优选实施例，所述第四获取单元304还用于：

根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，通过公式(二)获取任一目标像素点的邻域加权灰度中值

其中，h(x,y)为坐标为(x,y)的目标像素点的邻域加权灰度中值，f(x+m,y+n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的灰度值，weight(m,n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的权值，m为所述邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

作为一种优选实施例，所述计算单元308还用于：

根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，通过公式(三)计算所述任一目标像素点与所述三维坐标系原点之间的距离

其中，d为目标像素点与所述三维坐标系原点之间的距离，f^*为矫正后的所述目标像素点的灰度值，g^*为矫正后的所述目标像素点的邻域内的平均灰度值，h^*为矫正后的所述目标像素点的邻域加权灰度中值。

作为一种优选实施例，所述第五获取单元309还用于：

采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取初始阈值，将所述初始阈值作为待定目标阈值；

根据所述待定目标阈值将所述降维后的三维直方图分成两部分；

将所分成的两部分拟合形成两条高斯曲线，将所述两条高斯曲线的交点对应的值作为当前阈值，计算所述当前阈值与上一待定目标阈值之间的差值，并将所述当前阈值作为待定目标阈值，重复所述根据所述待定目标阈值将所述降维后的三维直方图分成两部分步骤直到所述当前阈值与上一待定目标阈值之间的差值小于等于预设差值，将最后一次获取的待定目标阈值作为目标阈值。

由于本发明的一种设施蔬菜边缘模糊类叶面病斑分割装置和一种设施蔬菜边缘模糊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模糊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模糊类叶面病斑分割方法，其特征在于，包括：

获取待处理图像中任一目标像素点的灰度值以及所述任一目标像素点的任一邻域像素点的灰度值；所述邻域像素点为目标像素点的k×k邻域窗口内的像素点；

根据获取的任一目标像素点的所有邻域像素点的灰度值，获取所述任一目标像素点的邻域内的平均灰度值；

根据k和所述任一目标像素点的任一邻域像素点的横向坐标偏移量和纵向坐标偏移量，获取所述任一目标像素点的任一邻域像素点的权值；所述邻域像素点的横向坐标偏移量为所述邻域像素点相对于目标像素点横向偏移的距离，邻域像素点的纵向坐标偏移量为所述邻域像素点相对于目标像素点纵向偏移的距离；

根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，获取任一目标像素点的邻域加权灰度中值；

根据获取的所述待处理图像的所有目标像素点的灰度值、所有目标像素点的邻域内的平均灰度值以及所有目标像素点的邻域加权灰度中值，建立三维直方图；

根据所述任一目标像素点的灰度值、所述任一目标像素点的邻域内的平均灰度值以及所述任一目标像素点的邻域加权灰度中值，判断所述任一目标像素点在所述三维直方图所处的三维坐标系中所处的区域；

根据所述三维坐标系内每个区域对应的预设矫正策略对处于对应区域内的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值进行矫正；

根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，计算所述任一目标像素点与所述三维坐标系原点之间的距离，并根据所有目标像素点与所述三维坐标系原点之间的距离对所述三维直方图降维；

采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取最佳全局阈值；

根据所述最佳全局阈值，对所述待处理图像进行分割。

2.根据权利要求1所述的方法，其特征在于，根据获取的任一目标像素点的所有邻域像素点的灰度值，获取所述任一目标像素点的邻域内的平均灰度值，包括：

根据获取的任一目标像素点的所有邻域像素点的灰度值，通过公式(一)获取所述任一目标像素点的邻域内的平均灰度值

其中，g(x,y)为坐标为(x,y)的目标像素点的邻域内的平均灰度值，f(x+m,y+n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的灰度值，m为所述邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

3.根据权利要求1所述的方法，其特征在于，根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，获取任一目标像素点的邻域加权灰度中值，包括：

根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，通过公式(二)获取任一目标像素点的邻域加权灰度中值

其中，h(x,y)为坐标为(x,y)的目标像素点的邻域加权灰度中值，f(x+m,y+n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的灰度值，weight(m,n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的权值，m为所述邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

4.根据权利要求1所述的方法，其特征在于，根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，计算所述任一目标像素点与所述三维坐标系原点之间的距离，包括：

根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，通过公式(三)计算所述任一目标像素点与所述三维坐标系原点之间的距离

其中，d为目标像素点与所述三维坐标系原点之间的距离，f^*为矫正后的所述目标像素点的灰度值，g^*为矫正后的所述目标像素点的邻域内的平均灰度值，h^*为矫正后的所述目标像素点的邻域加权灰度中值。

5.根据权利要求1所述的方法，其特征在于，采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取最佳全局阈值，包括：

采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取初始阈值，将所述初始阈值作为待定目标阈值；

根据所述待定目标阈值将所述降维后的三维直方图分成两部分；

将所分成的两部分拟合形成两条高斯曲线，将所述两条高斯曲线的交点对应的值作为当前阈值，计算所述当前阈值与上一待定目标阈值之间的差值，并将所述当前阈值作为待定目标阈值，重复所述根据所述待定目标阈值将所述降维后的三维直方图分成两部分步骤直到所述当前阈值与上一待定目标阈值之间的差值小于等于预设差值，将最后一次获取的待定目标阈值作为目标阈值。

6.一种设施蔬菜边缘模糊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中任一目标像素点的灰度值以及所述任一目标像素点的任一邻域像素点的灰度值；所述邻域像素点为目标像素点的k×k邻域窗口内的像素点；

第二获取单元，用于根据获取的任一目标像素点的所有邻域像素点的灰度值，获取所述任一目标像素点的邻域内的平均灰度值；

第三获取单元，用于根据k和所述任一目标像素点的任一邻域像素点的横向坐标偏移量和纵向坐标偏移量，获取所述任一目标像素点的任一邻域像素点的权值；所述邻域像素点的横向坐标偏移量为所述邻域像素点相对于目标像素点横向偏移的距离，邻域像素点的纵向坐标偏移量为所述邻域像素点相对于目标像素点纵向偏移的距离；

第四获取单元，用于根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，获取任一目标像素点的邻域加权灰度中值；

三维直方图建立单元，用于根据获取的所述待处理图像的所有目标像素点的灰度值、所有目标像素点的邻域内的平均灰度值以及所有目标像素点的邻域加权灰度中值，建立三维直方图；

判断单元，用于根据所述任一目标像素点的灰度值、所述任一目标像素点的邻域内的平均灰度值以及所述任一目标像素点的邻域加权灰度中值，判断所述任一目标像素点在所述三维直方图所处的三维坐标系中所处的区域；

矫正单元，用于根据所述三维坐标系内每个区域对应的预设矫正策略对处于对应区域内的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值进行矫正；

计算单元，用于根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，计算所述任一目标像素点与所述三维坐标系原点之间的距离，并根据所有目标像素点与所述三维坐标系原点之间的距离对所述三维直方图降维；

第五获取单元，用于采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取最佳全局阈值；

分割单元，用于根据所述最佳全局阈值，对所述待处理图像进行分割。

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：

根据获取的任一目标像素点的所有邻域像素点的灰度值，通过公式(一)获取所述任一目标像素点的邻域内的平均灰度值

其中，g(x,y)为坐标为(x,y)的目标像素点的邻域内的平均灰度值，f(x+m,y+n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的灰度值，m为所述邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

8.根据权利要求6所述的装置，其特征在于，所述第四获取单元还用于：

根据获取的所述任一目标像素点的所有邻域像素点的灰度值以及获取的所述任一目标像素点的所有邻域像素点的权值，通过公式(二)获取任一目标像素点的邻域加权灰度中值

其中，h(x,y)为坐标为(x,y)的目标像素点的邻域加权灰度中值，f(x+m,y+n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的灰度值，weight(m,n)为所述目标像素点的坐标为(x+m,y+n)的邻域像素点的权值，m为所述邻域像素点的横向坐标偏移量，n为所述邻域像素点的纵向坐标偏移量。

9.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：

根据矫正后的目标像素点的灰度值、目标像素点的邻域内的平均灰度值以及目标像素点的邻域加权灰度中值，通过公式(三)计算所述任一目标像素点与所述三维坐标系原点之间的距离

其中，d为目标像素点与所述三维坐标系原点之间的距离，f^*为矫正后的所述目标像素点的灰度值，g^*为矫正后的所述目标像素点的邻域内的平均灰度值，h^*为矫正后的所述目标像素点的邻域加权灰度中值。

10.根据权利要求6所述的装置，其特征在于，所述第五获取单元还用于：

采用OTSU全局阈值算法对降维后的三维直方图进行分割，获取初始阈值，将所述初始阈值作为待定目标阈值；

根据所述待定目标阈值将所述降维后的三维直方图分成两部分；

将所分成的两部分拟合形成两条高斯曲线，将所述两条高斯曲线的交点对应的值作为当前阈值，计算所述当前阈值与上一待定目标阈值之间的差值，并将所述当前阈值作为待定目标阈值，重复所述根据所述待定目标阈值将所述降维后的三维直方图分成两部分步骤直到所述当前阈值与上一待定目标阈值之间的差值小于等于预设差值，将最后一次获取的待定目标阈值作为目标阈值。