基于改進分水嶺算法的作物病害葉片分割方法

張晴晴　齊國紅　+張云龍

摘要：傳統(tǒng)的標記分水嶺算法在作物病斑分割過程中存在偽標記，會造成過分割，本研究在傳統(tǒng)的標記分水嶺算法基礎上提出了一種改進的標記分水嶺分割算法。該算法首先采用形態(tài)學進行預處理，建立形態(tài)學梯度，并對梯度圖像進行開閉重建。然后對重建的梯度圖像進行前景標記，并利用病斑和正常葉片的顏色差異對前景標記中的偽標記進行濾除，對修改后的前景二值化圖像進行距離變換和分水嶺完成背景標記。最后用強制極小值技術進行梯度修正，并用分水嶺算法對其進行分割。對多幅作物葉片進行分割試驗，并對比不同分水嶺的分割效果，結果表明該方法得到的區(qū)域數(shù)最少，能有效提取黃瓜葉片病斑，并且抑制過分割。

關鍵詞：作物；病害；偽標記；形態(tài)學梯度；開閉重建；改進標記分水嶺

中圖分類號： TP391.41文獻標志碼： A文章編號：1002-1302（2015）02-0400-03

收稿日期：2014-03-28

基金項目：國家自然科學基金（編號：61272333）；河南省鄭州市科技攻關計劃（編號：131PPTGG426）；鄭州大學引進人才項目（編號：2012YJRC01、2012YJRC02）。

作者簡介：張晴晴（1988—），女，河南三門峽人，碩士研究生，主要從事信號與信息處理研究。E-mail：773764630@qq.com。在農(nóng)作物生產(chǎn)過程中，作物病害直接影響作物品質(zhì)和產(chǎn)量。作物病害診斷是其防治的基礎，對農(nóng)作物產(chǎn)量提高有現(xiàn)實意義[1-2]。近年來，將計算機技術應用于作物病害診斷中，不僅實現(xiàn)了對農(nóng)作物病害的無損檢測，而且提高了作物病害診斷的精度和速度[3-5]。在基于病害葉片的農(nóng)作物病害識別研究過程中，通常須要將病害目標從圖像中提取出來，即進行圖像分割，病害圖像分割的好壞對病害識別的成敗起著決定性作用[6]。因此，高效準確地提取出作物病害葉片上病斑十分必要。劉志華等利用雙峰法從背景中分割出目標葉片，并用最大類間方差法（OTSU）將正常葉片與病斑部位分割開來[7]。Meunkaewjinda等利用優(yōu)化遺傳算法對病害葉片進行了分割[8]。Camargoa等對采集到的RGB病害圖像進行了顏色系統(tǒng)轉換，在不同顏色系統(tǒng)中提取了病斑圖像的顏色特征，利用局部優(yōu)化閾值方法對病斑進行了分割[9]。袁媛等針對具有復雜背景的作物病害葉片提取，提出了一種基于先驗信息的水平集模型[10]。毛罕平等采用模糊C均值的聚類對棉花病害圖像進行自適應分割[11]。劉芝京將圖像由RGB顏色空間轉換為YCbCr空間，通過色彩聚類建立病斑聚類模型，達到對病斑分割的目的[12]。這些分割方法均能達到很好的分割效果，同時也存在很多問題，如閾值分割只考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲很敏感。水平集模型在分割精度上有提高，但分割速度并未得到改善。聚類算法和遺傳算法在分割過程中須要設置許多復雜參數(shù)，易造成分割結果因參數(shù)變化而不穩(wěn)定[13-14]。分水嶺分割算法因計算速度快、定位精確、目標圖像輪廓線封閉以及對圖像像素變化高度敏感等優(yōu)點，得到較多關注。傳統(tǒng)的分水嶺算法是一種基于拓撲結構理論的數(shù)學形態(tài)學分割算法[15-17]，其本質(zhì)上是從圖像的局部極小值開始進行增長的一種區(qū)域增長算法。由于作物葉片圖像的暗紋理和噪聲影響，圖像中會存在大量偽極小值，從而產(chǎn)生相應偽積水盆地，因此直接運用分水嶺算法進行葉片圖像分割會產(chǎn)生過分割現(xiàn)象。為了有效抑制過分割現(xiàn)象，可以在使用分水嶺算法之前對葉片圖像進行濾波預處理和標記提取[18-19]。本研究針對作物病害葉片病斑特點，在標記分水嶺的基礎上提出了一種改進的標記分水嶺分割算法，通過對前景目標和背景目標進行有效標記，以期達到很好的分割效果。

1材料與方法

1.1預處理

1.1.1形態(tài)學濾波形態(tài)學濾波器是一種非線性的濾波器，其優(yōu)點是可以選擇不同的結構元素來消除或抑制噪聲及不需要的結構或目標。開運算可消除圖像中孤立和過亮的點，閉運算可將顏色比背景暗且尺寸比結構元素小的結構濾除，因此常采用開閉運算進行濾波預處理。

1.1.2梯度圖像開閉重建形態(tài)學梯度[20]運算具有非線性，被用于灰度圖像處理能夠使圖像中梯度較大的區(qū)域更加突出。采用形態(tài)學開閉重建運算對梯度圖像進行重建，目的是為了消除梯度圖像中由非規(guī)則灰度擾動和噪聲引起的局部極值，保留重要的輪廓極值信息。形態(tài)學的開閉重建運算建立在測地膨脹和測地腐蝕的基礎上，對于梯度圖像g（x，y）（以下用g表示）和參考圖像r（x，y）（以下用r表示），其形態(tài)學測地膨脹定義如下[21]：

形態(tài)學開閉重建運算是先進行開重建運算、后進行閉重建運算的二次重建運算，結合上述開閉重建運算，形態(tài)學混合開閉重建運算定義如下：1.2改進的標記分水嶺分割方法

形態(tài)學重建消除了初始梯度圖像中過多的區(qū)域極值和噪聲，準確地進行輪廓定位，減小了區(qū)域輪廓的位置偏移。為了更好地抑制過分割，須要在重建的梯度圖像上進行標記控制，使局部極小值只在標記出現(xiàn)的地方產(chǎn)生[20-22]。標記方法的選取直接影響最終的分割結果。標記分為前景標記和背景標記，前景標記是基于目標對象，背景標記為目標對象以外的圖像。

1.2.1前景標記提取由于在作物病害葉片中病斑和部分背景對比不明顯，使傳統(tǒng)標記算法得到的結果中包含部分偽標記?？紤]到葉片病斑和正常部位之間存在較大的顏色差異，正常部位呈綠色，病斑部位呈黃色，因此可以根據(jù)色彩差異對偽標記進行過濾。和其他彩色模型相比，RGB彩色模型能更準確識別正常部位和病斑部位。在RGB彩色模型中，病斑和正常部位的最大顏色差異在于紅色分量所占比例不同，病斑部位紅色分量的比例最大?？梢圆捎萌缦路椒ㄟM行偽標記的濾除[23]，設I（x，y）為原圖像，Igf（x，y）為初始前景標記，對Igf（x，y）進行如下修改：

1.2.2背景標記提取背景標記即除去目標對象的部分，通常采用局部極小值法對背景進行標記?？梢詫⑸鲜銮熬皹擞浂祷瘓D像Igf進行歐氏距離變換，然后對歐氏距離變換結果進行分水嶺變換，得到的分水線即可作為背景標記Igb。endprint

1.2.3強制極小值標記的分水嶺在得到前景標記和背景標記之后，利用極小值標定技術，把前景標記Igf和背景標記Igb強制作為梯度圖像的局部極小值，得到修改的梯度圖像Igmark：

Igmark=IMMIN[g（rec）B，Igf|Igb]。（7）

綜上，利用改進的分水嶺算法進行作物病害葉片病斑的分割過程為：（1）對輸入的目標圖像進行形態(tài)學濾波、開閉重建等預處理；（2）對開閉重建的梯度圖像進行前景標記，并根據(jù)病斑和正常葉片的顏色差異對結果進行偽標記濾除；（3）對前景標記得到的二值化圖像進行距離變換，最后進行分水嶺變換完成背景標記；（4）采用強制極小值標定技術基于前景和背景標記的結果對梯度幅值修正，最后進行分水嶺變換，即可得到理想的分割結果。

2結果與分析

以常見的黃瓜病害葉片圖像為例，設置圖像的分辨率大小為640×480，圖像文件格式為“.jpg”，采用主頻為 2.4 GHz、內(nèi)存為1 G的計算機，在MATLAB 7.10軟件環(huán)境下對黃瓜病害圖像進行仿真試驗。

圖1-a為原彩色圖像，若直接對灰度圖像（圖1-b）分水嶺變換會產(chǎn)生嚴重的過分割現(xiàn)象（圖1-c）。為了抑制過分割現(xiàn)象，須要對灰度圖像進行形態(tài)學預處理，消除部分噪聲且抑制不需要的結構和目標。預處理完成后建立形態(tài)學梯度（圖1-d），獲得亮度變化較強的圖像外圍邊緣。為了消除梯度圖像中由非規(guī)則灰度擾動和噪聲引起的局部極值，保留重要的輪廓極值信息，在形態(tài)學梯度基礎上進行開閉重建，由圖1-e可見，一些細密紋理被去除，圖像輪廓更為顯著。對基于重建的梯度圖像采用分水嶺變換得到分割結果，由圖1-f可見，該結果中仍存在過分割現(xiàn)象，分割結果中包含大量背景信息，但和圖1-c相比，過分割現(xiàn)象在很大程度上得到了改善。要想得到更好的分割效果，須要對傳統(tǒng)標記算法進行改進。利用病斑和正常葉片的顏色差異，采用本研究中的改進算法得到前景標記（圖1-g），對前景標記的二值化圖像進行距離變換和分水嶺得到背景標記（圖1-h）。對照圖1-a可以看到，前景標記精確地顯示了病斑信息，最后基于改進的前景和背景標記采用強制極小值標記技術重新修正梯度圖像并作分水嶺變換，得到最終的分割結果（圖1-i），可以看到黃瓜葉片中的病斑被有效分割出來。

另取多片大小、形狀不同的黃瓜葉片采用本算法進行分割，都取得了較好的效果。為了進一步驗證該算法分割的有效性，將本算法分割區(qū)域數(shù)量同直接對灰度圖像進行分水嶺分割、對重建后的梯度圖像進行分水嶺分割以及采用傳統(tǒng)標記算法進行分水嶺分割4種分水嶺算法得到的區(qū)域數(shù)量進行了比較。由表1可見，直接對灰度圖像進行標記所得到的區(qū)域數(shù)量很多；進行形態(tài)學濾波，梯度重建后的區(qū)域數(shù)明顯減少，說明形態(tài)學濾波和梯度重建的必要性；改進后的標記分水嶺算法的目標區(qū)域數(shù)明顯少于改進前的標記分水嶺分割得到的區(qū)域數(shù)量。區(qū)域數(shù)量越少，過分割區(qū)域就越少，分割效果就越好。由圖1、表1可見，該算法能夠較好地分割黃瓜病斑并且能夠很好地抑制過分割。

3結論與討論

本研究根據(jù)正常葉片和病斑之間的色彩差異，基于傳統(tǒng)標記分水嶺分割算法在植物病斑提取過程中對前景標記中的

表1不同算法分割后的目標區(qū)域數(shù)

圖像區(qū)域數(shù)量（個）灰度分水嶺梯度重建分水嶺標記分水嶺本研究算法黃瓜葉片115 8622 73656668黃瓜葉片211 8202 60215521黃瓜葉片31 77440238533

偽標記進行過濾，使求得的前景標記更加準確，從而有效抑制了偽標記造成的過分割現(xiàn)象，試驗結果表明改進后的標記分水嶺算法能夠很好地將病斑從葉片中分割出來。雖然本算法在農(nóng)作物病害葉片分割中得到了很好的效果，但針對復雜背景下的病害葉片，不能夠?qū)⑵錅蚀_分割。因此如何在復雜環(huán)境下對病斑進行提取，須要進一步研究。

參考文獻：

[1]章秀福，王丹英，方福平，等. 中國糧食安全和水稻生產(chǎn)[J]. 農(nóng)業(yè)現(xiàn)代化研究，2005，26（2）：85-88.

[2]馬成云，申宏波，馬淑梅，等. 黑龍江省水稻稻瘟病發(fā)生危害情況調(diào)查及防治建議[J]. 植物保護，2006，32（5）：95-97.

[3]鄒修國. 基于計算機視覺的農(nóng)作物病蟲害識別研究現(xiàn)狀[J]. 計算機系統(tǒng)應用，2011，20（6）：238-242.

[4]張飛云.基于提升小波和學習向量量化神經(jīng)網(wǎng)絡的小麥病害圖像識別[J].江蘇農(nóng)業(yè)科學，2013，41（5）：103-106.

[5]張飛云.基于多重分形譜的小麥病害圖像特征提取方法[J].江蘇農(nóng)業(yè)科學，2013，41（3）：90-92.

[6]張曉萌，付燕. 圖像分割技術研究[J]. 科技情報開發(fā)與經(jīng)濟，2007，17（18）：183-184.

[7]劉志華，程鵬飛. 黃瓜侵染性病害圖像處理及特征值提取方法的研究[J]. 山西農(nóng)業(yè)大學學報：自然科學版，2006，26（4）：351-354.

[8]Meunkaewjinda A，Kumsawat P，Attakitmongcol K，et al. Grape leaf disease detection from color imagery using hybrid intelligent system[C]//ECTI-CON 2008：Proceedings of the 2008 5th international conference on electrical engineering/electronics，computer，telecommunications and information technology.IEEE Press，2008：513-516.

[9] Camargoa A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.endprint

[10]袁媛，李淼，梁青，等. 基于水平集的作物病葉圖像分割方法[J]. 農(nóng)業(yè)工程學報，2011，27（2）：208-212.

[11]毛罕平，張艷誠，胡波. 基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J]. 農(nóng)業(yè)工程學報，2008，24（9）：136-140.

[12]劉芝京. 基于圖像處理的黃瓜細菌性角斑病的識別研究[D]. 成都：西華大學，2012：4-8.

[13]翟燕慧. 圖像分割常用算法優(yōu)缺點探析[J]. 探索研究，2010，3（2）：57-58.

[14]徐奕奕，劉智琦，劉琦. 基于改進的分水嶺算法圖像分割方法研究[J]. 計算機仿真，2011，28（9）：272-274.

[15]張毅. 分水嶺算法在圖像分割中的應用研究[D]. 廣州：廣東工業(yè)大學，2013：18-30.

[16] Gonzales R C. 數(shù)字圖像處理：MATLAB版[M]. 3版.阮秋琦，譯.北京：電子工業(yè)出版社，2005：315-320.

[17]Ji Q H，Shi R G. A novel method of image segmentation using watershed transformation[C]//Conference on Computer Science and Network Technology. Harbin：Harbin Normal University，2011：1590-1594.

[18]陳林林，楊晨，李敏娟，等. 基于形態(tài)學梯度重建的分水嶺算法改進研究[J]. 中國印刷與包裝研究，2013，5（4）：112-118.

[19]Young N，Evans A N. Median centered difference gradient operator and its application in watershed segmentation[J]. Electronics Letters，2011，47（3）：178-180.

[20]姬寶金，呂建平. 基于梯度重建與形態(tài)學分水嶺算法的圖像分割[J]. 通信技術，2009，42（5）：98-99，102.

[21]葛世國，王茂芝，劉娟娟，等. 基于標記的改進分水嶺分割算法[J]. 四川理工學院學報：自然科學版，2013，26（2）：57-61.

[22]陳潔，胡永，劉澤國. 基于標記的分水嶺圖像分割算法研究[J]. 軟件，2012，33（9）：115-117.

[23]任玉剛，張建，李淼，等. 基于分水嶺算法的作物病害葉片圖像分割方法[J]. 計算機應用，2012，32（3）：752-755.李久林，高亮，劉君，等. 基于二維碼的蔬菜溯源信息管理平臺的設計[J]. 江蘇農(nóng)業(yè)科學，2015，43（2）：403-405.endprint