CN115908371B - 基于优化分割的植物叶片病虫害程度检测方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，提出了基于优化分割的植物叶片病虫害程度检测方法，包括：获取植物叶片图像的灰度图以及每个超像素块的模糊度，得到清晰超像素块以及模糊超像素块；获取灰度图的第一连通域，获取第二连通域以及第三连通域；获得所有第二连通域边缘线梯度方向上的第一灰度变化速率，得到所有第三连通域上每个边缘点的第二灰度变化速率；根据每个第二变化速率与第一变化速率计算矫正参数，对所有第三连通域的边缘像素点进行矫正；获取拉伸对比系数，使用拉伸对比系数对模糊区域进行拉伸，对拉伸后的图像进行检测，并进行药物防治。本发明使得模糊区域的边界和非边界叶片区域像素点的对比度增大，更有利于对植物病虫害的检测。

Description

基于优化分割的植物叶片病虫害程度检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及基于优化分割的植物叶片病虫害程度检测方法。

背景技术

在植物生长过程中，由于生物或是非生物对植物产生的影响，使得植物在生长过程中发生一些列形态上的病理变化，阻碍了植物在正常生长发育过程中的进程。植物的结构组织遭到破坏，常常使得植物生长缓慢，致使国家经济和人民生活遭受到严重损失，病虫害常常的表现形式为，在原有正常植物叶片上出现大面积的异于正常植物区域的虫洞和斑点，严重影响人民经济收益。在进行病虫害检测时需要先采集相应的图像，拍摄过程中因为自动焦距的问题会不可避免的对进远景产生不同程度的模糊问题，对一张图像中的进远景采用相同程度的去模糊，总会使得近景或是远景仍然存在相应的模糊问题。

在对植物病虫害进行数据图像采集后，现有技术对模糊图片的处理是对整张图片进行增强，常使用线性增强或是直方图均衡化进行增强。线性增强在对图像进行增强是，计算的整体拉伸系数可能并不适用于图像中所有的区域，对某区域的增强系数可能对其他区域增强并不合适；直方图均衡化在增强时，会将灰度值较少的像素点合并进灰度值较多的像素点中，在对模糊图像增强之后会丢失相应的图像细节。所以本发明通过对不同位置上的叶片特征来计算不同区域的自适应增强系数，来达到对不同模糊程度的物体去模糊的效果。

发明内容

本发明提供基于优化分割的植物叶片病虫害程度检测方法，以解决现有的图像焦距导致检测精度较低的问题，所采用的技术方案具体如下：

本发明一个实施例提供了基于优化分割的植物叶片病虫害程度检测方法，该方法包括以下步骤：

获取植物叶片图像，得到植物叶片图像的灰度图；

获取灰度图的多个超像素块，根据每个超像素块的灰度级比例计算每个超像素块的模糊度，对所有超像素块的模糊度进行聚类获得清晰的超像素块集合以及模糊的超像素块集合；

对植物叶片图像的灰度图进行连通域分析，得到多个第一连通域，将所有清晰超像素块和第一连通域拼接获得第二连通域，将所有模糊超像素块与第一连通域拼接获得第三连通域；

对图像进行边缘检测，可以得到最外侧闭合边缘线、每个连通域内的闭合边缘线、每个连通域内部非闭合边缘线，根据所有的第二连通域最外侧边缘线中每个边缘点的梯度方向上的变化特征得到所有第二连通域边缘线梯度方向上的第一灰度变化速率，根据第三连通域最外侧边缘线上边缘点梯度方向相邻的两个像素点的灰度差得到所有第三连通域上每个边缘点的第二灰度变化速率；

根据每个第二灰度变化速率与第一灰度变化速率计算矫正参数，利用矫正参数对所有第三连通域的边缘像素点进行矫正，矫正完成后的所有第三连通域包含的像素点就是模糊区域，剩余部分是清晰区域；

根据清晰区域的内部的非闭合边缘线上的边缘点计算表征模糊区域内部的拉伸对比系数，使用拉伸对比系数对模糊区域进行拉伸，对拉伸后的图像进行检测，并进行药物防治。

优选的，所述根据每个超像素块的灰度级比例计算每个超像素块的模糊度的方法为：

式中，N_a,b表示第a个超像素块内灰度值为b的像素点的个数，N_a表示第a个超像素块内的像素点的总个数，P_a(b)在第a个超像素块内灰度值为b的像素点数量占总像素点数量的比例，M_a表示第a块超像素块的模糊度。

优选的，所述将所有清晰超像素块和第一连通域拼接获得第二连通域，将所有模糊超像素块与第一连通域拼接获得第三连通域的方法为：

将清晰超像素块单独得到其位置和面积，与每个第一连通域进行比较，若清晰超像素块的面积有90％在某个第一连通域内，则将该超像素块划分到所述第一连通域内，并将连通域边缘线更新为超出连通域范围外的超像素块的边缘线，此时更新边缘线后的第一连通域就是第二连通域；

模糊超像素块与剩余的第一连通域进行结合，当某个第一连通域内存在模糊超像素块时，该第一连通域就是第三连通域。

优选的，所述根据所有的第二连通域最外侧边缘线中每个边缘点的梯度方向上的变化特征得到所有第二连通域边缘线梯度方向上的第一灰度变化速率计算方法为：

式中，I_e,N表示所有第二连通域最外侧闭合边缘线第e个边缘像素点在梯度方向上在第二连通域内部的像素点的灰度值，I_e,W表示所有第二连通域最外侧闭合边缘线第e个边缘像素点在梯度方向上在第二连通域外部的像素点的灰度值，x表示所有第二连通域最外侧闭合边缘线上包含像素点的总个数，V₁表示第一灰度变化速率。

优选的，所述根据第三连通域最外侧边缘线上边缘点梯度方向相邻的两个像素点的灰度差得到所有第三连通域上每个边缘点的第二灰度变化速率的方法为：

获取所有第三连通域内部的所有最外侧闭合边缘线的边缘点，将该边缘点按照边缘线做垂线，得到边缘点在垂线上两侧的两个像素点为边缘点梯度方向相邻的两个像素点，将边缘点的两个相邻的像素点之间差值的绝对值作为该边缘点的第二灰度变化速率。

优选的，所述根据每个第二灰度变化速率与第一灰度变化速率计算矫正参数，利用矫正参数对所有第三连通域的边缘像素点进行矫正的方法为：

将第三连通域中每个最外侧闭合边缘线的边缘点的第二灰度变化速率与第一灰度变化速率的比值与1做差的绝对值进行归一化得到矫正参数，当矫正参数在第一区间内时，不进行矫正，否则对所有第三连通域的边缘像素点进行矫正。

优选的，所述对所有第三连通域的边缘像素点进行矫正的具体方法为：

对于第三连通域的边缘点的梯度方向上进行像素点遍历，每遍历一个像素点，计算该像素点的第二灰度变化速率，然后与第一灰度变化速率计算得到新的矫正参数，直到同时遍历到均满足矫正参数所在第一区间的两个或多个像素点时，将遍历得到的靠近连通域中心的像素点为第三连通域的新边缘点。

优选的，所述根据清晰区域的内部的非闭合边缘线上的边缘点计算表征模糊区域内部的拉伸对比系数的方法为：

式中，I_z,q表示清晰区域内部非闭合边缘线上的第z个像素点的八邻域内的第q个边缘像素点的灰度值，p表示此像素点八邻域中包含非检测出的边缘的像素点的总个数，I_z表示第z个像素点的灰度值，g表示清晰区域连通域内部非闭合边缘线上的边缘点的数量，α表示拉伸对比系数。

本发明的有益效果是：本发明对于同一张图像中，固定焦距对不同区域产生的模糊效果进行了矫正，使得在模糊区域中的图像能够消除因为模糊产生的边缘不准确问题。对于模糊区域的叶片，使用清晰叶片中的特征对模糊区域的区域特征进行锐化拉伸，使得模糊区域的边界和非边界叶片区域像素点的对比度增大，更有利于对植物病虫害的检测。传统线性灰度增强算法在对像素点进行灰度增强时，会对像素点进行统一增强，在其进行灰度增强的过程中，忽略了像素点的位置信息，且灰度增强程度系数难以确定，即将清晰区域和模糊区域内部像素点灰度值在同一区间内的像素点进行了统一增强，但是在实际中，对于清晰区域内部像素点进行灰度值增强可能将灰度值增强过多，导致图片产生过曝现象，因此本发明结合像素点位置(位于模糊区域或是清晰区域)以及灰度值增强系数来对相应区域的像素点灰度值进行增强除此之外，本方案结合了超像素分割和连通域分割，可以更准确的得到模糊区域，更针对性的拉伸增强。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一个实施例所提供基于优化分割的植物叶片病虫害程度检测方法的流程示意图；

图2为叶片灰度图像。

具体实施方式

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、完整地描述，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。基于本发明中的实施例，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实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的基于优化分割的植物叶片病虫害程度检测方法流程图，该方法包括以下步骤：

步骤S001、图像采集即图像预处理。

本发明所述在对植物进行病虫害检测时，使用无人机进行图像采集，对固定区域的植物进行巡检拍摄，在拍摄时，人为划定巡检路线并在不同区域的合适位置进行图像采集，保证在图像采集中能达到最优的拍摄焦距，从而能够很好的采集到巡检区域的多数植物图像，使得多数植物在固定焦距下拍摄到的图像为清晰不模糊的。

拍摄之后，首先对图像进行灰度化处理，灰度图像如图2所示，处理之后对不同区域的图像进行图像分区，分区方式选择超像素分割，本实施例采用SLIC超像素分割算法获得图像上的所有超像素块区域，超像素分割能将特征相似的像素点划分为一个区域，且在分区过程中，会沿着图像中的边缘处进行分割，能极大保留图像中原本的边缘特征。

步骤S002、计算不同超像素块的模糊程度，并结合连通域分析对超像素块进行拼接。

首先，由于叶片在无人机拍摄图像的过程中，焦距为自动对焦，所以在拍摄相机范围内远近距离不同的叶片时，相较于焦距较为合适的叶片的拍摄时的清晰度是好于焦距不合适的叶片，且在不同拍摄区域内均存在此类问题，因此首先对上述超像素分割之后的每个超像素块来计算相应的区域模糊度.

进一步的，将超像素分割之后获得的区域可表示为集合{A₁,A₂,…,A_a,…,A_j}，其中j表示超像素分割完成之后的超像素块的个数，A_a表示第a个超像素块，以第a个超像素块为分析对象，其超像素块的模糊度M_a计算为：

式中，N_a,b表示第a个超像素块内灰度值为b的像素点的个数，N_a表示第a个超像素块内的像素点的总个数，P_a(b)在第a个超像素块内灰度值为b的像素点数量占总像素点数量的比例，M_a表示第a块超像素块的模糊度，M_a越大，灰度级越混乱，超像素块也就越清晰。

使用灰度值熵值判断区域清晰程度，熵值越大，灰度级越混乱，照片也就越清晰。在同一张图片中，较为清晰的区域其内部像素点的灰度值接近于真实值，在一个叶片中，虽然由于叶片本身的叶绿素的影响致使叶片同一区域内的像素点之间的灰度值较为接近，但是仍然存在灰度值之间的细小差异。反之在模糊区域的像素点，由于拍摄时不符合当前图像的拍摄焦距，会将叶片内的像素点的灰度值模糊化，导致同一区域内像素点之间的差异被平滑，因此，像素点之间的灰度值差异的变化是远远小于正常清晰区域内部的像素点灰度值之间的差异的。即清晰区域内部像素点的灰度级较多，平滑之后的模糊区域内部的像素点的灰度级较少。

至此，我们能获取到每个超像素块的模糊程度集合{M₁,M₂,…,M_a,…,M_j}，而后对于超像素块的模糊程度集合使用K-means聚类算法，令初始聚类K值为2，选取模糊程度最大和最小的两个值作为聚类中心，令每个模糊程度与两个聚类中心做差，差值较小的分为一类，聚类结束之后，分别计算两个类簇的模糊程度均值，取均值较大的类簇中的超像素块集合为清晰区域的超像素块集合{A_1,1,A_2,1,…,A_c,1,…,A_d1,1},取均值较小的类簇中的超像素块集合为模糊的超像素块集合{A_1,2,A_2,2,…,A_c,2,…,A_d2,2}，也就是说清晰的超像素块数量为d1个，模糊的超像素块的数量为d2个。

由此得到了两个超像素块集合。

进一步的，将灰度图进行连通域提取，将图像中的所有像素点都赋予一个label标签，使用多阈值分割获得连通域，将灰度值属于[0，16]的像素点给第一标签，灰度值属于[17，31]的像素点赋予第二标签，依次类推将0-255个灰度级标签打完，最终将label标签相同的像素点进行合并为一个连通域。根据提取之后的连通域将图像进行初始分割，得到多个第一连通域，根据分割之后的连通域分别将清晰区域和模糊区域的超像素块进行划分，即将清晰区域和迷糊区域按照划分的连通域进行初始拼接，在对超像素块进行初始拼接时，基于以下规则：

清晰区域拼接规则：

超像素块进行连通域内的拼接时需计算其连通域包含超像素块的面积大小，即超像素块在分割完成之后可能并不是按照连通域进行划分的，超像素块在连通域的边缘位置上，可能一部分包含在连通域内，一部分则不包含在连通域内，此时若连通域划分之后包含超像素块的大小超过超像素块面积的90％，则将清晰超像素块划分进连通域内，并根据超像素块内边缘对相应划分进第一连通域内部的边缘进行更新，将第一连通域的边缘线替换为超像素块在第一连通域外部的边缘线。反之小于等于90％的区域则不将相应的超像素块划分进连通域内，将第一连通域的边缘线替换为超像素块在第一连通域内部的边缘线并按照相应的清晰区域超像素块的边缘线对连通域的边缘线进行更新。将所得到的新的第一连通域称为第二连通域，所有的第二连通域又称清晰区域。

模糊区域拼接规则：将剩下的第一连通域与模糊超像素块集合，当第一连通域内存在模糊超像素块的一部分时，就将该第一连通域称为第三连通域，并且将第三连通域的范围扩大为第三连通域包含所有超像素块，所有的第三连通域又称模糊区域。

步骤S003、根据拼接后的所有第二连通域和第三连通域最外侧闭合边缘线上边缘点的变化速率得到矫正参数，使用矫正参数模糊区域进行面积矫正，之后根据拉伸对比度系数对图像进行拉伸。

首先，由于在超像素分割过程中，模糊区域的叶片边缘特征较弱，而清晰区域的叶片边缘线较为清晰，那么同属于一张图像中的不同叶片在使用连通域进行分割时，理想状态下应该是较为统一的，即：清晰叶片的边缘线即为连通域分割的边缘线，模糊区域的叶片边缘线为模糊区域的连通域边缘分割线。但是由于超像素为一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的区域，加上模糊区域的边界本身就因为焦距问题使得边界区域的像素点的灰度值被平滑，边缘线较为模糊，所以在模糊区域超像素拼接的结果是不准确的，所以需要依据清晰区域的叶片边缘拼接完成的叶片特征对模糊区域的超像素块进行矫正和重新拼接。

进一步的，对所有第二连通域边缘线上的边缘点进行分析，对于第二连通域检测出的最外侧闭合边缘线为分析对象，其中，最外侧的闭合边缘线就是连通域边界上的边缘，内部非闭合边缘线就是叶片脉络产生的边缘点。由于模糊区域超像素块的分割由于模糊区域像素点灰度值被平滑，所以导致边缘线分割不准确，所以需要依靠清晰区域的边缘线上边缘点内外的灰度值变化速率来对模糊区域的超像素块进行边缘拼接矫正，因此选取第二连通域检测出的最外侧闭合边缘线为分析对象，计算最外侧边缘线上每个边缘线的梯度方向上的灰度变化特征，用来对模糊区域的超像素块进行边缘线的矫正，所有第二连通域的最外侧闭合边缘线的梯度方向上的第一灰度变化速率V₁可计算为：

式中，I_e,N表示所有第二连通域最外侧闭合边缘线第e个边缘像素点在梯度方向上在第二连通域内部的像素点的灰度值，I_e,W表示所有第二连通域最外侧闭合边缘线第e个边缘像素点在梯度方向上在第二连通域外部的像素点的灰度值，x表示所有清晰区域的连通域最外侧闭合边缘向上总共包含x个像素点。

进一步的，对于所有的第三连通域，计算所有的第三连通域中最外侧闭合边缘线上的第e个边缘点梯度方向相邻的两个像素点的差值作为第二灰度变化速率V₂，计算如下：

V_2，e′＝I_e′，N-I_e′，W

式中，I_e′，N表示模糊区域内第e′个像素点梯度方向相邻且靠近连通域中心的像素点的灰度值，I_e′，W表示模糊区域内第e′个像素点梯度方向相邻且远离连通域中心的像素点的灰度值。V_2,e′表示第所有的第三连通域中第e′个最外侧闭合边缘点的第二灰度变化速率。

根据第一灰度变化速率和第三连通域中最外侧闭合边缘线上第e′个像素点的第二灰度变化速率得到第e′个边缘点的矫正参数，计算如下：

当第三连通域分割结果和超像素块分割结果边缘吻合时，即δ∈(0,0.3)，表明此时连通域分割结果和超像素分割结果再边缘分割上均按照叶片边缘线进行分割的，所以此时模糊区域的叶片分割效果较好，不需要对模糊区域的叶片边缘进行连通域分割优化。

当连通域分割结果和超像素块的分割结果边缘不吻合时，即

表明此时第三连通域分割结果和超像素块的分割结果出现误差，在连通域边缘上的超像素块被连通域的边缘线分为两部分。随后对于此类不吻合的连通域边缘线进行优化修正，优化修正具体为：以第三连通域边缘线和超像素块边缘线不吻合的连通域边缘线为对象，在连通域边缘线的梯度方向上同时进行像素点的遍历，每遍历一个像素点，均计算当前像素点的灰度值变化速率V₂，同时和灰度变化速率V₁进行比较，当V₂和V₁的关系满足δ的阈值区间时，将当前像素点优化修正为连通域的准确边缘点，当同时遍历到均满足δ的阈值区间的两个或多个像素点时，以靠近连通域中心的像素点为第三连通域的新边缘点。

矫正完成之得到最终清晰区域与最终模糊区域，对模糊连通域中内部检测出的边缘点进行相应的锐化处理，即拉伸相应像素点的梯度幅值。

以清晰区域内部检测出的边缘点为分析对象，其中包含叶片纹理上的边缘点和虫洞边缘上的像素点，计算每个非闭合边缘线上的像素点八邻域内非边缘点的灰度均值，作为相应模糊区域叶片外部边缘像素点和内部虫洞边缘点和非叶片区域的拉伸对比度系数α，则α可计算为:

式中，I_z,q表示清晰区域内部非闭合边缘线上的第z个像素点的八邻域内的第q个边缘像素点的灰度值，p表示此像素点八邻域中包含p个非检测出的边缘的像素点，I_z表示第z个像素点的灰度值，g表示清晰区域连通域内部非闭合边缘线上的边缘点的数量为g，α表示拉伸对比系数。

之后将模糊区域的所有像素点的灰度值与α的倒数相乘就得到了拉伸后像素点的灰度值。就此得到了拉伸后的图像。

需要说明的是本实施例中的公式分子加1是为例避免分母为0。

步骤S004、对拉伸后的图像进行虫害检测。

根据上述步骤，完成了对无人机巡检过程中，对植物图像的采集，其次对于同一张图像中，因为焦距产生的模糊区域的图像的像素灰度值和其他区域像素点灰度值的拉伸，在经过对无人机巡检图像拉伸处理之后，对拉伸后的图像使用现有技术检测植物病虫害程度，例如基于大津阈值的分割技术获得病虫害区域，通过病虫害区域面积获得病虫害程度；或者使用神经网络技术获得病虫害程度，对于病虫害较为严重的区域及时进行药物防治。具体的现有获得病虫害程度技术不再具体赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于优化分割的植物叶片病虫害程度检测方法，其特征在于，该方法包括以下步骤：

获取植物叶片图像，得到植物叶片图像的灰度图；

获取灰度图的多个超像素块，根据每个超像素块的灰度级比例计算每个超像素块的模糊度，对所有超像素块的模糊度进行聚类获得清晰的超像素块集合以及模糊的超像素块集合；

对植物叶片图像的灰度图进行连通域分析，得到多个第一连通域，将所有清晰超像素块和第一连通域拼接获得第二连通域，将所有模糊超像素块与第一连通域拼接获得第三连通域；

对图像进行边缘检测，可以得到最外侧闭合边缘线、每个连通域内的闭合边缘线、每个连通域内部非闭合边缘线，根据所有的第二连通域最外侧边缘线中每个边缘点的梯度方向上的变化特征得到所有第二连通域边缘线梯度方向上的第一灰度变化速率，根据第三连通域最外侧边缘线上边缘点梯度方向相邻的两个像素点的灰度差得到所有第三连通域上每个边缘点的第二灰度变化速率；

根据每个第二灰度变化速率与第一灰度变化速率计算矫正参数，利用矫正参数对所有第三连通域的边缘像素点进行矫正，矫正完成后的所有第三连通域包含的像素点就是模糊区域，剩余部分是清晰区域；

根据清晰区域的内部的非闭合边缘线上的边缘点计算表征模糊区域内部的拉伸对比系数，使用拉伸对比系数对模糊区域进行拉伸，对拉伸后的图像进行检测，并进行药物防治。

2.根据权利要求1所述的基于优化分割的植物叶片病虫害程度检测方法，其特征在于，所述根据每个超像素块的灰度级比例计算每个超像素块的模糊度的方法为：

式中，N_a,b表示第a个超像素块内灰度值为b的像素点的个数，N_a表示第a个超像素块内的像素点的总个数，P_a(b)表示在第a个超像素块内灰度值为b的像素点数量占总像素点数量的比例，M_a表示第a块超像素块的模糊度。

3.根据权利要求1所述的基于优化分割的植物叶片病虫害程度检测方法，其特征在于，所述将所有清晰超像素块和第一连通域拼接获得第二连通域，将所有模糊超像素块与第一连通域拼接获得第三连通域的方法为：

将清晰超像素块单独得到其位置和面积，与每个第一连通域进行比较，若清晰超像素块的面积有90％在某个第一连通域内，则将该超像素块划分到所述第一连通域内，并将连通域边缘线更新为超出连通域范围外的超像素块的边缘线，此时更新边缘线后的第一连通域作为第二连通域；

模糊超像素块与剩余的第一连通域进行结合，当某个第一连通域内存在模糊超像素块时，该第一连通域作为第三连通域。

4.根据权利要求1所述的基于优化分割的植物叶片病虫害程度检测方法，其特征在于，所述根据所有的第二连通域最外侧边缘线中每个边缘点的梯度方向上的变化特征得到所有第二连通域边缘线梯度方向上的第一灰度变化速率计算方法为：

式中，I_e,N表示所有第二连通域最外侧闭合边缘线第e个边缘像素点在梯度方向上在第二连通域内部的像素点的灰度值，I_e,W表示所有第二连通域最外侧闭合边缘线第e个边缘像素点在梯度方向上在第二连通域外部的像素点的灰度值，x表示所有第二连通域最外侧闭合边缘线上包含像素点的总个数，V₁表示第一灰度变化速率。

5.根据权利要求1所述的基于优化分割的植物叶片病虫害程度检测方法，其特征在于，所述根据第三连通域最外侧边缘线上边缘点梯度方向相邻的两个像素点的灰度差得到所有第三连通域上每个边缘点的第二灰度变化速率的方法为：

获取所有第三连通域内部的所有最外侧闭合边缘线的边缘点，将该边缘点按照边缘线做垂线，得到边缘点在垂线上两侧的两个像素点为边缘点梯度方向相邻的两个像素点，将边缘点的两个相邻的像素点之间差值的绝对值作为该边缘点的第二灰度变化速率。

6.根据权利要求1所述的基于优化分割的植物叶片病虫害程度检测方法，其特征在于，所述根据每个第二灰度变化速率与第一灰度变化速率计算矫正参数，利用矫正参数对所有第三连通域的边缘像素点进行矫正的方法为：

将第三连通域中每个最外侧闭合边缘线的边缘点的第二灰度变化速率与第一灰度变化速率的比值与1做差的绝对值进行归一化得到矫正参数，当矫正参数在第一区间内时，不进行矫正，否则对所有第三连通域的边缘像素点进行矫正。

7.根据权利要求6所述的基于优化分割的植物叶片病虫害程度检测方法，其特征在于，所述对所有第三连通域的边缘像素点进行矫正的具体方法为：

对于第三连通域的边缘点的梯度方向上进行像素点遍历，每遍历一个像素点，计算该像素点的第二灰度变化速率，然后与第一灰度变化速率计算得到新的矫正参数，直到同时遍历到均满足矫正参数所在第一区间的两个或多个像素点时，将遍历得到的靠近连通域中心的像素点为第三连通域的新边缘点。

8.根据权利要求1所述的基于优化分割的植物叶片病虫害程度检测方法，其特征在于，所述根据清晰区域的内部的非闭合边缘线上的边缘点计算表征模糊区域内部的拉伸对比系数的方法为：

式中，I_z,q表示清晰区域内部非闭合边缘线上的第z个像素点的八邻域内的第q个边缘像素点的灰度值，p表示此像素点八邻域中包含非检测出的边缘的像素点的总个数，I_z表示第z个像素点的灰度值，g表示清晰区域连通域内部非闭合边缘线上的边缘点的数量，α表示拉伸对比系数。

Images