CN118279339A - 一种基于改进大津算法的玉米叶片病斑图像分割方法 - Google Patents

Abstract

一种基于改进大津算法的玉米叶片病斑图像分割方法。属于农业种植技术领域，具体涉及玉米叶片病斑图像分割技术领域。所述方法包括如下步骤：对图像进行灰度化处理，得到灰度图；对灰度图进行阈值统计，得到灰度图的所有阈值分布；使用大津算法进行阈值选择，得到适合图像分割的所有阈值；使用改进雾凇优化算法筛选适合图像分割的所有阈值，得到图像分割的最佳阈值；计算最佳阈值的最大类间方差；将最大类间方差的阈值作为图像分割阈值，分割得到的灰度图，并将分割结果输出。相比单独试用大津算法有效的减少了图像分割由于阈值增加带来的时间复杂度，提高了玉米疾病的检测与识别准确度。

Description

一种基于改进大津算法的玉米叶片病斑图像分割方法

技术领域

本发明属于农业种植技术领域，具体涉及玉米叶片病斑图像分割技术领域。

背景技术

在农业生产领域，农作物是人类社会赖以生存的基本来源。农作物种植是一个国家社会经济进步的关键决定因素。农作物的疾病是影响农作物生产力的主要因素，尤其，特别是玉米的疾病。如果不能及时诊断和治疗疾病，会导致玉米产量和质量下降，从而极大地影响农业经济。农作物病害精准诊断是科学管理的本质要求，也是提高作物生产力的关键因素。目前，使用机器学习进行作物病害识别的过程通常由以下几个不同的阶段组成。首先，图像经过预处理以降低噪声干扰。然后，对图像进行分割以隔离目标图像中的特定的区域。最终，分割后的图像进行特征提取和分类。其中，图像分割是整个过程中的关键组成部分，因为它对后续进行的图像分析有重大的影响。

近年来，有学者提出了几种有效的图像分割算法。在所有的图像分割算法中，使用图像阈值（TH）是最简单但鲁棒的分割方法之一。阈值分割首先使用灰度直方图用于图像阈值处理，以确定区分给定图像内的类别的阈值。当采用单个阈值分割两个类别时，会产生二级阈值，也称为图片二值化。

相比之下，多级阈值（MTH）是将图像分类为多个类别，超出了两个类别的数量。同时，随着更多阈值的结合放大了搜索过程的复杂性，图像分割的精度会降低。因此，与多级阈值相比，二级阈值的实现更简单。基于阈值的分割方法可以分为参数分割方法和非参数分割方法。参数技术采用概率和密度函数来定义所有类别的属性，但它们需要大量的计算资源。相比之下，非参数方法利用方差、熵和错误率等度量来评估组之间的差异。与非参数方法相比，参数方法表现出卓越的准确性和鲁棒性，更适合识别阈值。但是，当处理涉及大量阈值的情况时，额外阈值的存在通常会导致维度增加和更高的计算复杂度。传统的多阈值分割算法通过穷举枚举的方式得到最佳阈值，导致计算复杂度随着阈值数量的增加呈指数级增长，计算效率低下。为了解决这个问题，研究人员使用了群体智能算法来计算最佳阈值，从而在一定程度上缓解计算效率低下的问题。但是群智能算法由于受到NFL原理（不存在一种算法在所有问题上都表现出色，也就是说没有单一的算法能解决所有的问题）的限制，导致算法不能在所有领域都有较好的效果。

发明内容

本发明所述方法的有益效果为：

针对现有技术存在的问题，本发明提供一种基于改进大津算法的玉米叶片病斑图像分割方法，其特征在于，所述方法包括如下步骤：

S1、对图像进行灰度化处理，得到灰度图；

S2、对灰度图进行阈值统计，得到灰度图的所有阈值分布；

S3、 使用大津算法进行阈值选择，得到适合图像分割的所有阈值；

S4、使用改进雾凇优化算法筛选适合图像分割的所有阈值，得到图像分割的最佳阈值；

S5、计算最佳阈值的最大类间方差；

S6、将最大类间方差的阈值作为图像分割阈值，分割S1得到的灰度图，并将分割结果输出。

大津算法也叫最大类间方差方法，是一种用于选择图像中灰度阈值的自动化技术，大津算法所使用的公式如下：

其中表示二维图像中每种灰度出现的可能性，表示特定灰度值i的像素点的总数，N代表整张图像的像素总数，图像的灰度均值和离散度分别用和表示，计算公式如下：

当图像被分为m+ 1个类别时，整个图像根据m个不同的阈值被分为m+ 1个区域，每个类别的概率和平均值分别由和表示。公式如下：；

；

表示整个图像的m个不同的阈值；

最终，大津算法的阈值计算函数可以抽象为优化算法的目标函数，如下表示：；

其中表示类间方差值，计算公式如下：；

。

对于灰度图像，阈值是目标函数的自变量，而类间方差值是因变量，优化问题可以被视为具有单一目标和边界约束的函数，当给定特定阈值时，就会出现选择最大类间方差阈值的优化问题。

进一步，所述改进雾凇优化算法包括如下步骤：

S21、初始化算法参数和初始化种群；

S22、判断是否达到最大迭代次数，如果达到最大迭代次数则输出的阈值为最佳阈值，并结束操作；如果没有达到最大迭代次数，则进行步骤S23；

S23、使用正余弦优化算法的更新公式更新种群位置；并判断r ₂与E的大小关系，如果r ₂小于E则进入步骤S24，如果r ₂大于等于E则进入步骤S25，其中，r ₂为正余弦优化算法的更新公式中的一个随机数，此随机数作用为描述当前解向当前最优解更新时移动的方向，以及所能达到迭代步长的极值，E为常规雾凇优化算法中软雾凇策略的附着系数，控制雾凇粒子的聚集行为；

S24、使用软雾凇策略结合黏菌优化算法的自适应权重机制更新种群位置，并跳转到步骤S27；

S25、判断r ₆与的大小关系，如果r ₆小于 ，则进入步骤S26；如果r ₆大于或等于 ，则进入步骤S27；其中，r ₆是（-1,1）间的随机值，用于控制算法探索的方向，表示当前雾凇粒子适应度的归一化值，代表该雾凇粒子被选中的概率，表示排序后的种群适应度序列；

S26、使用硬雾凇策略更新种群位置；

S27、使用柯西变异算子对种群进行变异；

S28、采用适应度函数计算种群中每个个体的适应度值，取适应度值最高的个体所携带的阈值进行输出，并返回步骤S22。

进一步，所述步骤S23中所述的更新公式具体为：

；

其中代表任一个体下一次更新的位置，表示任一个体当前的位置，表示任一个体下一次更新的目标位置，、、和是更新公式中的随机数，i表示维度，j表示索引。

进一步，，其中a是一个常数，默认为2，t为当前迭代次数，T为最大迭代次数，的取值范围是的取值范围是，是（0,1）之间随机生成的数。

进一步，步骤S24中，使用软雾凇策略结合黏菌优化算法的自适应权重机制更新种群位置通过：

；

实现，其中，表示更新后的雾凇粒子的位置，表示当前雾凇种群中最佳的位置，表示在（-1,1）中的随机数，其中θ通过：；

获得，其中，t代表当前迭代次数，T代表最大的迭代次数，β代表环境变量，模拟自然环境的影响，通过：

；获得，其中，w为动态权重，用于调节各个阶段的策略，默认值为5，[]表示四舍五入运算；

和表示搜索空间的上界和下界；

表示雾凇粒子粘黏的程度，是一个范围在(0,1)之间的随机数；

表示采用黏菌优化算法生成的自适应权重，通过：

；

获得，其中r是在（0，1）之间均匀分布的随机数，bF代表种群能搜索到的最佳位置，wF代表种群能搜索到的最差位置，黏菌优化算法将所有种群分为两个类别：condition和others，每个类别代表种群的50%。

进一步，步骤S27中使用柯西变异算子对种群进行变异，通过：

；

实现，其中，即为步骤S24或步骤S26中更新后的种群位置，是使用为分布函数的随机数，为使用柯西变异算子对种群进行变异后的结果。

本发明所述方法的有益效果为：

本发明首先将大津算法与雾凇优化算法结合对玉米叶片病斑进行图像分割，技术原理为利用雾凇优化算法处理阈值选择的问题，相比单独使用大津算法有效的减少了阈值选择的时间复杂度，提高了玉米疾病的检测与识别准确度；

同时，为了提高雾凇优化算法的在阈值分割问题中的效率，结合了正余弦优化算法、黏菌优化算法和柯西变异算子对雾凇优化算法进行改进；

采用正余弦优化算法的改进原理为：在雾凇优化算法更新公式后，又使用正余弦优化算法的更新公式，对种群进行二次更新，以获得更精准的解；

采用黏菌优化算法的改进原理为：在雾凇的更新公式中引入黏菌优化算法中的自适应权重，使算法可以根据不同阶段，有倾向性的进行搜索和发散；

采用柯西变异算子的改进原理为：在算法最后加入柯西变异算子，使种群更加发散，让种群能搜索到更大的空间；

改进后的算法有效的避免了局部最优陷阱，并且在输出最佳阈值时实现了极高的准确性。

附图说明

图1为本发明实施例中基于改进大津算法的玉米叶片病斑图像分割方法流程图；

图2为本发明实施例中改进雾凇优化算法流程图；

图3为本发明实施例中使用本发明所述方法进行图像分割前后的图像示意图；其中图3（a）为原始图像；图3（b）为使用本发明所述方法进行图像分割后的图像。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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，都属于本发明的保护范围。

本实施例提供一种基于改进大津算法的玉米叶片病斑图像分割方法，所述方法流程如图1所示，包括如下步骤：

S1、对图像进行灰度化处理，得到灰度图；

S2、对灰度图进行阈值统计，得到灰度图的所有阈值分布；

S3、 使用大津算法进行阈值选择，得到适合图像分割的所有阈值；

S4、使用改进雾凇优化算法筛选适合图像分割的所有阈值，得到图像分割的最佳阈值；

S5、计算最佳阈值的最大类间方差；

S6、将最大类间方差的阈值作为图像分割阈值，分割S1得到的灰度图，并将分割结果输出。

现有的雾凇优化算法由以下步骤组成：

在算法的初始阶段，初始化算法参数和初始化种群，对所有雾凇粒子进行初始化，并按照适应度级别对所有的粒子进行排序；

在算法前期采用软雾凇策略更新种群位置；通过模拟在微风条件下雾凇结晶的过程，以一种分布均匀、多样化的方式尽可能全面的搜索解空间，以避免漏掉更好的解；

在算法后期采用硬雾凇收敛机制进行收敛操作；使算法能够快速收敛到具体的解。

所述改进雾凇优化算法流程图如图2所示，包括如下步骤：

S21、初始化算法参数和初始化种群；

S22、判断是否达到最大迭代次数，如果达到最大迭代次数则输出的阈值为最佳阈值，并结束操作；如果没有达到最大迭代次数，则进行步骤S23；

所述最大迭代次数由人为设定，通常来讲，迭代次数越大，输出的阈值越优，但也伴随着更长的计算时间，优选最大迭代次数在100-500之间。

S23、使用正余弦优化算法的更新公式更新种群位置；并判断r ₂与E的大小关系，如果r ₂小于E则进入步骤S24，如果r ₂大于等于E则进入步骤S25，其中，r ₂为正余弦优化算法的更新公式中的一个随机数，此随机数作用为描述当前解向当前最优解更新时移动的方向，以及所能达到迭代步长的极值，E为常规雾凇优化算法中软雾凇策略的附着系数，控制雾凇粒子的聚集行为；

所述的更新公式具体为：

；

其中代表任一个体下一次更新的位置，表示任一个体当前的位置，表示任一个体下一次更新的目标位置，、、和是更新公式中的随机数，i表示维度，j表示索引，对于i表示维度，j表示索引进行进一步解释，所谓维度即解空间的横坐标，所谓索引即解空间的纵坐标。

，其中a是一个常数，默认为2，t为当前迭代次数，T为最大迭代次数，的取值范围是的取值范围是，是（0,1）之间随机生成的数。

S24、使用软雾凇策略结合黏菌优化算法的自适应权重机制更新种群位置，并跳转到步骤S27；

引入了黏菌优化算法的自适应权重机制，该机制可以在算法迭代不同阶段，辅助算法进行收敛或发散，从而更容易获得性能更好的解；

步骤S24中，使用软雾凇策略结合黏菌优化算法的自适应权重机制更新种群位置通过：

；

实现，其中，表示更新后的雾凇粒子的位置，表示当前雾凇种群中最佳的位置，表示在（-1,1）中的随机数，和决定了雾凇粒子的搜索方向，其中θ通过：；

获得，其中，t代表当前迭代次数，T代表最大的迭代次数，β代表环境变量，模拟自然环境的影响，通过：

；获得，其中，w为动态权重，用于调节各个阶段的策略，默认值为5，[]表示四舍五入运算；

和表示搜索空间的上界和下界；

表示雾凇粒子粘黏的程度，是一个范围在(0,1)之间的随机数；

表示采用黏菌优化算法生成的自适应权重，通过：

；

获得，其中r是在（0，1）之间均匀分布的随机数，bF代表种群能搜索到的最佳位置，wF代表种群能搜索到的最差位置，黏菌优化算法将所有种群分为两个类别：condition和others，每个类别代表种群的50%。

S25、判断r ₆与的大小关系，如果r ₆小于 ，则进入步骤S26；如果r ₆大于或等于 ，则进入步骤S27；其中，r ₆是（-1,1）间的随机值，用于控制算法探索的方向，表示当前雾凇粒子适应度的归一化值，代表该雾凇粒子被选中的概率，表示排序后的种群适应度序列；

S26、使用硬雾凇策略更新种群位置；

S27、使用柯西变异算子对种群进行变异，柯西算子具有强大的搜索能力，通过调整柯西算子的初始参数，可以让算法进行全局或局部搜索，从而产生高质量的解决方案，通过：

；

实现，其中，即为步骤S24或步骤S26中更新后的种群位置，是使用为分布函数的随机数，为使用柯西变异算子对种群进行变异后的结果。

S28、采用适应度函数计算种群中每个个体的适应度值，适应度函数为雾凇优化算法中自带的一种计算函数，取适应度值最高的个体所携带的阈值进行输出，并返回步骤S22。

本发明的效果可以从图3中的两幅图对比得出，图3为本发明实施例中使用本发明所述方法进行图像分割前后的图像示意图；其中图3（a）为原始图像；图3（b）为使用本发明所述方法进行图像分割后的图像，由图3（b）可以看出使用改进后的算法可以有效的将玉米叶片上的病斑分割出来，方便下一步的分类和检测。

Claims (6)

1.一种基于改进大津算法的玉米叶片病斑图像分割方法，其特征在于，所述方法包括如下步骤：

S1、对图像进行灰度化处理，得到灰度图；

S2、对灰度图进行阈值统计，得到灰度图的所有阈值分布；

S3、 使用大津算法进行阈值选择，得到适合图像分割的所有阈值；

S4、使用改进雾凇优化算法筛选适合图像分割的所有阈值，得到图像分割的最佳阈值；

S5、计算最佳阈值的最大类间方差；

S6、将最大类间方差的阈值作为图像分割阈值，分割S1得到的灰度图，并将分割结果输出。

2.根据权利要求1所述的基于改进大津算法的玉米叶片病斑图像分割方法，其特征在于，所述改进雾凇优化算法包括如下步骤：

S21、初始化算法参数和初始化种群；

S22、判断是否达到最大迭代次数，如果达到最大迭代次数则输出的阈值为最佳阈值，并结束操作；如果没有达到最大迭代次数，则进行步骤S23；

S23、使用正余弦优化算法的更新公式更新种群位置；并判断r ₂与E的大小关系，如果r ₂小于E则进入步骤S24，如果r ₂大于等于E则进入步骤S25，其中，r ₂为正余弦优化算法的更新公式中的一个随机数，此随机数作用为描述当前解向当前最优解更新时移动的方向，以及所能达到迭代步长的极值，E为常规雾凇优化算法中软雾凇策略的附着系数，控制雾凇粒子的聚集行为；

S24、使用软雾凇策略结合黏菌优化算法的自适应权重机制更新种群位置，并跳转到步骤S27；

S25、判断r ₆与的大小关系，如果r ₆小于 ，则进入步骤S26；如果r ₆大于或等于 ，则进入步骤S27；其中，r ₆是（-1,1）间的随机值，用于控制算法探索的方向，表示当前雾凇粒子适应度的归一化值，代表该雾凇粒子被选中的概率，表示排序后的种群适应度序列；

S26、使用硬雾凇策略更新种群位置；

S27、使用柯西变异算子对种群进行变异；

S28、采用适应度函数计算种群中每个个体的适应度值，取适应度值最高的个体所携带的阈值进行输出，并返回步骤S22。

3.根据权利要求2所述的基于改进大津算法的玉米叶片病斑图像分割方法，其特征在于，所述步骤S23中所述的更新公式具体为：

；

其中代表任一个体下一次更新的位置，表示任一个体当前的位置，表示任一个体下一次更新的目标位置，、、和是更新公式中的随机数，i表示维度，j表示索引。

4.根据权利要求3所述的基于改进大津算法的玉米叶片病斑图像分割方法，其特征在于，，其中a是一个常数，默认为2，t为当前迭代次数，T为最大迭代次数，的取值范围是的取值范围是，是（0,1）之间随机生成的数。

5.根据权利要求4所述的基于改进大津算法的玉米叶片病斑图像分割方法，其特征在于，步骤S24中，使用软雾凇策略结合黏菌优化算法的自适应权重机制更新种群位置通过：

；

实现，其中，表示更新后的雾凇粒子的位置，表示当前雾凇种群中最佳的位置，表示在（-1,1）中的随机数，其中θ通过：；

获得，其中，t代表当前迭代次数，T代表最大的迭代次数，β代表环境变量，模拟自然环境的影响，通过：

；获得，其中，w为动态权重，用于调节各个阶段的策略，默认值为5，[]表示四舍五入运算；

和表示搜索空间的上界和下界；

表示雾凇粒子粘黏的程度，是一个范围在(0,1)之间的随机数；

表示采用黏菌优化算法生成的自适应权重，通过：

；

获得，其中r是在（0，1）之间均匀分布的随机数，bF代表种群能搜索到的最佳位置，wF代表种群能搜索到的最差位置，黏菌优化算法将所有种群分为两个类别：condition和others，每个类别代表种群的50%。

6.根据权利要求5所述的基于改进大津算法的玉米叶片病斑图像分割方法，其特征在于，步骤S27中使用柯西变异算子对种群进行变异，通过：

；

实现，其中，即为步骤S24或步骤S26中更新后的种群位置，是使用为分布函数的随机数，为使用柯西变异算子对种群进行变异后的结果。