CN106803257B - 一种作物病害叶片图像中病斑的分割方法 - Google Patents

Abstract

本发明提供一种作物病害叶片图像中病斑的分割方法，包括以下步骤：从图像采集设备中获取包含作物病害叶片的彩色图像，归一化处理，转换到CIEL*a*b*颜色空间，设置初始分类数目为2，利用自适应特征学习方法，学习图像中的病斑和背景叶片的初始分类颜色特征R、G、B的值，计算各个像素点到分类中心的距离，把数据归类；计算a*均值之间的距离，若a*值的距离得出最大结果则分割结束。本发明提出的方法，克服了已有技术存在不同作物、不同病害分割结果不稳定的问题，提高了病斑分割算法的分割精度和适应性，而且还能够应用于智能手机等移动终端，适合田间操作，拓宽了该方法的应用范围。

Description

一种作物病害叶片图像中病斑的分割方法

技术领域

本发明属于数字图像处理领域，具体涉及一种植物叶片图像的处理方法。

背景技术

病害是导致农作物减产的一个重要因素。及时地发现和控制病害，对减少农药的使用，提高农作物的产量和质量具有十分重要的意义。当前农业生产中，专家们主要以个人经验和病理学知识进行分析与判断病害的种类和严重程度，但此方法识别出来的病害主观性强、速度慢、错误率高且实时性差。随着计算机技术的高速发展，图像处理技术越来越多地被应用于农业生产过程中。相对于之前仅凭肉眼和个人经验不同，计算机的视觉和图像处理技术具有很强的客观性和及时性，能够很精确地识别出不同农作物的病害，为后续变量喷药系统提供必要的参数。在使用计算机视觉技术进行作物病害的识别和处理中，将图像中病斑区域和非病斑区域的分开操作叫做对病斑图像的分割，病斑图像分割是对作物病害图像特征和模式识别的前提。

在对病害的诊断过程中，由病害造成的叶片病斑的种类和大小是各种诊断方法判断病害发生程度的主要依据。因此，如何准确无误地分割出病害叶片上的病斑是实现病害种类的识别和防治的关键。但是，由于作物病害图像存在病斑排列无序、大小不一、颜色分布不均，且不同作物、不同病害其病斑各异等问题，使得病斑的准确分割异常困难。目前，常用于作物叶片病斑的分割方法主要有阈值分割法、分水岭分割法、主动轮廓分割法等方法。

但是，上述分割方法在对病斑进行分割时，往往需要设置许多固定的参数，这样会造成分割的结果和当前所设置的参数密切相关，存在不同作物、不同病害分割结果不稳定的问题，算法的适应性不高。因此，已有的病斑分割技术中仍缺少一种适应于不同作物、不同病害种类的病斑自适应分割方法。

为此，研究一种自适应于不同作物、不同病害种类的作物叶片图像中病斑的分割方法，是目前业界亟待解决的技术课题。

发明内容

针对现有技术存在的问题，本发明提供了一种作物叶片图像中病斑的分割方法，可以将不同作物、不同病害种类的病斑从作物叶片图像中准确的分割出来。

实现本发明目的的技术方案为：

一种作物病害叶片图像中病斑的分割方法，包括以下步骤：

S1从图像采集设备中获取包含作物病害叶片的彩色图像I₁，对所述彩色图像I₁进行归一化处理形成彩色图像I₂；

S2提取图像I₂的红色、绿色、蓝色三个颜色通道上的子图像I_r,I_g,I_b，并将图像I₂转换到CIEL*a*b*颜色空间，提取a*颜色分量，并形成图像I_a*；

S3根据病害叶片的特点，设置初始分类数目为2，即将病害叶片分为病斑部分和正常叶片部分2大类；

S4利用自适应特征学习方法，学习图像中的病斑和背景叶片的初始分类颜色特征R、G、B的值，其中，病斑图像R、G、B的平均值为病斑分类中心，正常叶片图像R、G、B的平均值为背景叶片分类中心；

S5计算各个像素点到分类中心的距离，把数据归到离它最近的那个分类中心所在的类；

S6分别统计分割结果中病斑区域和正常叶片区域的像素在CIEL*a*b*颜色空间模型中a*值的均值和R、G、B的均值；

S7计算病斑区域和背景叶片区域两类a*均值之间的距离；

S8若a*值的距离与下一次重新聚类得出的值相比最大则分割结束；否则，更新分类中心，重复步骤S5～S8直至a*值的距离小于上一次聚类结果时的距离。

其中，步骤S1中，利用双线性插值方法将所述彩色图像归一化为L×H大小的图像，其中L、H分别为放缩后图像的宽度和高度，其中，H或者H满足将L或者H中像素数小于100的值置为0，如L＝488，缩放后为400，同理H亦如此。L和H的具体范围视采集图像的大小而定。

在L*a*b*颜色空间中，L*分量用于表示像素的亮度；a*表示从红色到绿色的范围，其正值代表红色而负值代表绿色；b表示从黄色到蓝色的范围，其正值代表黄色而负值代表蓝色。因此，绿色的背景叶片区域与非绿色的叶片区域在a*颜色分量上会存在明显的差异。进一步地，步骤S4的自适应特征学习方法，包括以下操作：

S41将图像I₂分成为s×t像素大小的M块子图像；

S42随机选取一幅不重复的子图像blcok_i(1≤i≤M)，将该图像转换到CIEL*a*b*颜色空间，并提取a*分量，形成子图像block_a*；

S43将block_a*中所有的像素进行排序，分别提取最大的前N个值和最小的前N个值所对应的像素点；

S44根据公式(1)，

(I_g(x,y)-I_r(x,y)＞θ₁)∩(I_g(x,y)-I_b(x,y)＞θ₂) (1)

计算满足公式(1)条件下，block_a*值中最小的前N个值所对应的像素点的平均R、G、B值，记为R₁、G₁、B₁，并统计满足公式(1)的像素个数N₁；

式(1)中，0＜θ₁＜255，0＜θ₂＜255；

S45计算不满足公式(1)条件下，block_a*值中最大的前N个值所对应的像素点的平均R、G、B值，记为R₂、G₂、B₂，并统计不满足公式(1)的像素个数N₂；

S46若N₁＞θ₃×N，则R₁、G₁、B₁，为正常叶片区域的初始分类颜色特征初值，否则，跳到步骤S42；其中0.5≤θ₃≤1；

S47若N₂＞θ₄×N，则R₂、G₂、B₂，为病斑区域的初始分类颜色特征初值，否则，跳到步骤S42；其中0.5≤θ₄≤1；

S48根据同时满足步骤S46和步骤S47条件的叶片初始特征颜色值R₁、G₁、B₁和病斑初始颜色特征值R₂、G₂、B₂，利用传统的K-means聚类算法对图像blcok_i进行分类，提取分类中心不再变化的分类中心点，为该图像blcok_i最终的分类特征值，R_i1、G_i1、B_i1和R_i2、G_i2、B_i2，并统计参与分类的子图像blcok_i的个数Num；

S49重复步骤S42～S48,直至对所述M幅子图像全部进行遍历，然后将Num个子图像所对应的R_i1、G_i1、B_i1和R_i2、G_i2、B_i2分别进行求取均值，其均值

和

为图像I₂最终的初始颜色特征值。

其中，步骤S41中，1≤s≤L，1≤t≤L。例如s为80～120的10的倍数，t为80～120的10的倍数。

其中，步骤S45中，1≤N≤s×t。

其中，在步骤S49重复S42～S48。

其中，在步骤S5进行像素点分类，包括步骤：

S51选取图像I₂中任意不重复的像素点，并提取出该像素点R、G、B值，按照公式(2)和公式(3)进行距离的计算

S52若Dist1＜Dist2，则将该像素点归于背景叶片一类，否则，将其归为病斑一类；

S53重复步骤S51～S52，直至所有像素都进行分类。

其中，所述的步骤S8中的距离计算公式(4)为：

Dist＝mean(sp)-mean(bg) (4)

其中，mean(sp)为病斑区域所有像素a*分量值的均值，mean(bg)为背景叶片区域所有像素a*分量值的均值。

其中，所述的步骤S8中的分类中心更新，包括如下操作：

根据步骤S53对图像中所有像素点分类完成后，分别计算正常叶片区域中的R、G、B值的均值，作为新的均值

分别计算病斑区域中的所有R、G、B值的均值，作为新的

本发明的有益效果在于：

相比于现有技术，本发明提出的方法，能够根据待分割的病害叶片图像自动学习图像的初始分割特征值，对病害叶片中的病斑进行分割，从而实现了分割模型的动态自适应建模，以便获取与特定的病害叶片相适应的分割模型，克服了已有技术存在不同作物、不同病害分割结果不稳定的问题，提高了病斑分割算法的分割精度和适应性，而且还能够应用于智能手机等移动终端，适合田间操作，拓宽了该方法的应用范围。

附图说明

图1是本发明所述的作物叶片图像中病斑的分割方法的流程图。

图2是本发明所述的自适应特征学习方法的流程图。

图3是本发明所述的实施例1中的黄瓜病害叶片图像，其中(a)为归一化的图像；(b)是本发明所述方法的分割结果。

具体实施方式

以下以具体实施例来进一步说明本发明技术方案。本领域技术人员应当知晓，实施例仅用于说明本发明，不用于限制本发明的范围。

实施例中，如无特别说明，所用技术手段为本领域常规的技术手段。

实施例1：

图1是本发明所述的作物叶片图像中病斑的分割方法的流程图，本实施例针对黄瓜叶片，分割方法包括如下步骤：

步骤一、从图像采集设备中获取包含作物病害叶片的彩色图像I₁，对所述彩色图像进行归一化处理形成彩色图像I₂；

具体地，所述包含作物病害叶片的彩色图像可以通过摄像机、照相机或者手机等图像采集设备获取。其中，所述彩色图像中除了正常的作物叶片区域外，还包括不同种类病害所形成的病斑区域，本实施例的方法需要将图像中完整的病斑从作物叶片从中分离出来。

本实施例中，利用双线性插值方法将所述彩色图像归一化为L×H大小的图像，其中L、H分别为放缩后图像的宽度和高度，其单位为像素，其值可根据实际应用情况设定，具体地，手机原始彩色图像大小为4160×3120放缩后的图像大小为4000×3000。

步骤二、提取图像I₂的红色、绿色、蓝色三个颜色通道上的子图像I_r,I_g,I_b，并将图像I₂转换到CIEL*a*b*颜色空间，提取a*颜色分量，并形成图像I_a*；

步骤三、根据病害叶片的特点，设置初始分类数目为2，即将病害叶片分为病斑部分和正常叶片部分2大类；

步骤四、利用自适应特征学习方法，学习图像中的病斑和背景叶片的初始分类颜色特征值：

步骤五、计算各个像素点到分类中心的距离，把数据归到离它最近的那个分类中心所在的类；具体包括如下步骤：

S51选取图像I₂中任意不重复的像素点，并提取出该像素点R、G、B值，按照公式(2)和公式(3)进行距离的计算

S52若Dist1＜Dist2，则将该像素点归于背景叶片一类，否则，将其归为病斑一类；

S53重复步骤S51～S52，直至所有像素都进行分类。

步骤六、分别统计分割结果中病斑区域和正常叶片区域的像素在CIEL*a*b*颜色空间模型中a*值的均值和R、G、B的均值；

具体地，根据步骤S53对图像中所有像素点分类完成后，分别计算正常叶片区域中的R、G、B值的均值和该区域所有像素所对应a*值的均值mean(bg)，分别计算病斑区域中的所有R、G、B值的均值mean(bg)。

步骤七、计算病斑区域和背景叶片区域两类a*均值之间的距离；

距离计算公式如下所示：

Dist＝mean(sp)-mean(bg) (4)

其中，mean(sp)为病斑区域所有像素a*分量值的均值，mean(bg)为背景叶片区域所有像素a*分量值的均值。

步骤八、若a*值的距离最大则分割结束；否则，更新分类中心，重复步骤五～八。

具体地，根据步骤S53对图像中所有像素点分类完成后，分别计算正常叶片区域中的R、G、B值的均值，作为新的均值

分别计算病斑区域中的所有R、G、B值的均值，作为新的

图2是本发明所述的自适应特征学习方法的流程图，所述方法包括如下步骤：

S41将图像I₂分成为s×t像素大小的M块子图像，

其中，1≤s≤L，1≤t≤L，s、t其值可根据实际需要进行设定，本实施例中，s＝t＝100。

S42随机选取一幅不重复的子图像blcok_i(1≤i≤M)，将该图像转换到CIEL*a*b*颜色空间，并提取a*分量，形成子图像block_a*；

S43将block_a*中所有的像素进行排序，分别提取最大的前N个值和最小的前N个值所对应的像素点，

其中，1≤N≤s×t，N其值可根据实际需要进行设定，例如N＝100；

S44根据公式(1)，

(I_g(x,y)-I_r(x,y)＞θ₁)∩(I_g(x,y)-I_b(x,y)＞θ₂) (1)

计算满足公式(1)条件下，block_a*值中最小的前N个值所对应的像素点的平均R、G、B值，记为R₁、G₁、B₁，并统计满足公式(1)的像素个数N₁，

其中，θ₁＝10，θ₂＝15；

S45计算不满足公式(1)条件下，block_a*值中最大的前N个值所对应的像素点的平均R、G、B值，记为R₂、G₂、B₂，并统计不满足公式(1)的像素个数N₂，

其中，θ₁、θ₂可重新进行设定，例如θ₁＝40，θ₂＝35，重新设定的目的是为了更好的选择病斑区域像素点。

S46若N₁＞θ₃×N，则R₁、G₁、B₁，为正常叶片区域的初始分类颜色特征初值，否则，跳到步骤S42，

本实施例中，θ₃＝0.9；

S47若N₂＞θ₄×N，则R₂、G₂、B₂，为病斑区域的初始分类颜色特征初值，否则，跳到步骤S42，其中，θ₄＝0.9；

S48根据同时满足步骤S46和步骤S47条件的叶片初始特征颜色值R₁、G₁、B₁和病斑初始颜色特征值R₂、G₂、B₂，利用传统的K-means聚类算法对图像blcok_i进行分类，提取分类中心不再变化的分类中心点，为该图像blcok_i最终的分类特征值，R_i1、G_i1、B_i1和R_i2、G_i2、B_i2，并统计参与分类的子图像blcok_i的个数Num；

S49重复步骤S42～S48,直至对所述M幅子图像全部进行遍历，然后将Num个子图像所对应的R_i1、G_i1、B_i1和R_i2、G_i2、B_i2分别进行求取均值，其均值

和

为图像I₂最终的初始颜色特征值。

图3为黄瓜病害叶片图像，其中(a)为归一化的图像(原图为彩色)；(b)是分割结果；本实施例的自动分割方法与手动标准分割结果进行相比，其分割准确率达到了98.75％。

实施例2

本实施例针对大豆作物病害叶片，分割方法包括如下步骤：

步骤一、从图像采集设备中获取包含作物病害叶片的彩色图像I₁，对所述彩色图像进行归一化处理形成彩色图像I₂；

包含大豆病害叶片的彩色图像通过照相机采集。原始彩色图像大小为3200×2400，处理后的图像大小为3000×2000。

步骤二、提取图像I₂的红色、绿色、蓝色三个颜色通道上的子图像I_r,I_g,I_b，并将图像I₂转换到CIEL*a*b*颜色空间，提取a*颜色分量，并形成图像I_a*；

步骤三、根据病害叶片的特点，设置初始分类数目为2，即将病害叶片分为病斑部分和正常叶片部分2大类；

步骤四、利用自适应特征学习方法，学习图像中的病斑和背景叶片的初始分类颜色特征值：

本实施例中，s＝t＝100。N＝100；其中，θ₁＝10,θ₂＝15，在步骤S45θ₁、θ₂重新设定为θ₁＝20,θ₂＝20。步骤四其他操作同实施例1。

步骤五、计算各个像素点到分类中心的距离，把数据归到离它最近的那个分类中心所在的类；具体包括如下步骤：

S51选取图像I₂中任意不重复的像素点，并提取出该像素点R、G、B值，按照公式(2)和公式(3)进行距离的计算

S52若Dist1＜Dist2，则将该像素点归于背景叶片一类，否则，将其归为病斑一类；

S53重复步骤S51～S52，直至所有像素都进行分类。

步骤六、分别统计分割结果中病斑区域和正常叶片区域的像素在CIEL*a*b*颜色空间模型中a*值的均值和R、G、B的均值；

具体地，根据步骤S53对图像中所有像素点分类完成后，分别计算正常叶片区域中的R、G、B值的均值和该区域所有像素所对应a*值的均值mean(bg)，分别计算病斑区域中的所有R、G、B值的均值mean(bg)。

步骤七、计算病斑区域和背景叶片区域两类a*均值之间的距离；

距离计算公式如下所示：

Dist＝mean(sp)-mean(bg) (4)

其中，mean(sp)为病斑区域所有像素a*分量值的均值，mean(bg)为背景叶片区域所有像素a*分量值的均值。

步骤八、若a*值的距离最大则分割结束；否则，更新分类中心，重复步骤五～八。

具体地，根据步骤S53对图像中所有像素点分类完成后，分别计算正常叶片区域中的R、G、B值的均值，作为新的均值

分别计算病斑区域中的所有R、G、B值的均值，作为新的

本实施例的自动分割方法与手动标准分割结果进行相比，其分割准确率达到了97％。

以上的实施例仅仅是对本发明的具体实施方式进行描述，并非对本发明的范围进行限定，本领域技术人员在现有技术的基础上还可做多种修改和变化，在不脱离本发明设计精神的前提下，对本发明的技术方案做出的各种变型和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种作物病害叶片图像中病斑的分割方法，其特征在于，包括以下步骤：

S1从图像采集设备中获取包含作物病害叶片的彩色图像I₁，对所述彩色图像I₁进行归一化处理形成彩色图像I₂；

S2提取图像I₂的红色、绿色、蓝色三个颜色通道上的子图像I_r,I_g,I_b，并将图像I₂转换到CIEL*a*b*颜色空间，提取a*颜色分量，并形成图像

S3根据病害叶片的特点，设置初始分类数目为2，即将病害叶片分为病斑部分和正常叶片部分2大类；

S4利用自适应特征学习方法，学习所述彩色图像I₂中的病斑和背景叶片的初始分类颜色特征R、G、B的值，分别计算病斑图像R的平均值、G的平均值、B的平均值为病斑分类中心，分别计算正常叶片图像R的平均值、G的平均值、B的平均值为背景叶片分类中心；

所述自适应特征学习方法具体步骤如下：

S41将所述彩色图像I₂分成为s×t像素大小的M块子图像；

S42随机选取一幅不重复的子图像blcok_i(1≤i≤M)，将该图像转换到CIEL*a*b*颜色空间，并提取a*分量，形成子图像block_a*；

S43将block_a*中所有的像素进行排序，分别提取最大的前N个值和最小的前N个值所对应的像素点；

S44根据公式(1)，

(I_g(x,y)-I_r(x,y)＞θ₁)∩(I_g(x,y)-I_b(x,y)＞θ₂) (1)

计算满足公式(1)条件下，block_a*值中最小的前N个值所对应的像素点的平均R、G、B值，记为R₁、G₁、B₁，并统计满足公式(1)的像素个数N₁；

式(1)中，0＜θ₁＜255，0＜θ₂＜255；

S45计算不满足公式(1)条件下，block_a*值中最大的前N个值所对应的像素点的平均R、G、B值，记为R₂、G₂、B₂，并统计不满足公式(1)的像素个数N₂；

S46若N₁＞θ₃×N，则R₁、G₁、B₁，为正常叶片区域的初始分类颜色特征初值，否则，跳到步骤S42；其中0.5≤θ₃≤1；

S47若N₂＞θ₄×N，则R₂、G₂、B₂，为病斑区域的初始分类颜色特征初值，否则，跳到步骤S42；其中0.5≤θ₄≤1；

S48根据同时满足步骤S46和步骤S47条件的叶片初始特征颜色值R₁、G₁、B₁和病斑初始颜色特征值R₂、G₂、B₂，利用传统的K-means聚类算法对图像blcok_i进行分类，提取分类中心不再变化的分类中心点的颜色值R_i1、G_i1、B_i1和R_i2、G_i2、B_i2为该图像blcok_i最终的分类特征值，并统计参与分类的子图像blcok_i的个数Num；

S49重复步骤S42～S48,直至对所述M块子图像全部进行遍历，然后将Num个子图像所对应的R_i1、G_i1、B_i1和R_i2、G_i2、B_i2分别进行求取均值，其均值

和

为所述彩色图像I₂最终的初始颜色特征值；

S5计算各个像素点到分类中心的距离，把数据归到离它最近的那个分类中心所在的类；

S6分别统计分割结果中病斑区域和正常叶片区域的像素在CIEL*a*b*颜色空间模型中a*值的均值和R、G、B的均值；

S7计算病斑区域和背景叶片区域两类a*均值之间的距离；

S8若a*值的距离与下一次重新聚类得出的值相比最大则分割结束；否则，更新分类中心，重复步骤S5～S8直至a*值的距离小于上一次聚类结果时的距离。

2.根据权利要求1所述的作物病害叶片图像中病斑的分割方法，其特征在于，步骤S1中，利用双线性插值方法将所述彩色图像归一化为L×H大小的图像，其中L、H分别为放缩后图像的宽度和高度，图像中像素数小于100的值置为0。

3.根据权利要求2所述的作物病害叶片图像中病斑的分割方法，其特征在于，步骤S41中，1≤s≤L，1≤t≤H。

4.根据权利要求1所述的作物病害叶片图像中病斑的分割方法，其特征在于，步骤S45中，1≤N≤s×t。

5.根据权利要求1～4任一项所述的作物病害叶片图像中病斑的分割方法，其特征在于，在步骤S5进行像素点分类，包括步骤：

S51选取图像I₂中任意不重复的像素点，并提取出该像素点R、G、B值，按照公式(2)和公式(3)进行距离的计算

S52若Dist1＜Dist2，则将该像素点归于背景叶片一类，否则，将其归为病斑一类；

S53重复步骤S51～S52，直至所有像素都进行分类。

6.根据权利要求1～4任一项所述的作物病害叶片图像中病斑的分割方法，其特征在于，所述的步骤S7中的距离计算公式为：

Dist＝mean(sp)-mean(bg) (4)

其中，mean(sp)为病斑区域所有像素a*分量值的均值，mean(bg)为背景叶片区域所有像素a*分量值的均值。

7.根据权利要求1～4任一项所述的作物病害叶片图像中病斑的分割方法，其特征在于，所述的步骤S8中的分类中心更新，包括如下操作：

根据步骤S53对图像中所有像素点分类完成后，分别计算正常叶片区域中的R的平均值、G的平均值、B的平均值，作为新的均值

分别计算病斑区域中的所有R的平均值、G的平均值、B的平均值，作为新的

Images