基于HSI顏色空間的植物葉片病斑提取方法

夏永泉+李耀斌+曾莎

摘要： 為了提高病斑圖像的分割精度，提出了1種在色調(diào)-飽和度-強(qiáng)度（hue-saturation-intensity，HIS）顏色空間中植物葉片病斑提取的方法。使用高精度光學(xué)設(shè)備采集樣本圖片，用中值濾波對(duì)圖像進(jìn)行平滑處理，去除干擾；將圖像由紅綠藍(lán)（RGB）顏色空間轉(zhuǎn)換到HSI顏色空間，對(duì)色調(diào)（hue，H）、飽和度（saturation，S）分量閾值分割去除綠色像素，提取植物葉片病斑區(qū)域。結(jié)果表明，基于HIS顏色空間的植物葉片病斑提取方法是有效可行的。

關(guān)鍵詞： 圖像處理；中值濾波；HSI顏色空間；病斑提??；閾值分割

中圖分類號(hào)：TP391 41 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2015）08-0406-03

收 稿日期：2014-08-22

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：61302118）；河南省高校青年骨干教師資助計(jì)劃（編號(hào)：2010GGJS-114）。

作者簡(jiǎn)介：夏永泉（1972—），男，遼寧綏中人，博士，副教授，主要從事圖像處理、計(jì)算機(jī)視覺、模式識(shí)別與人工智能研究。E-mail：xyqmouse@163 com。

植物病害周期性大暴發(fā)，從而導(dǎo)致植物大規(guī)模死亡和人類饑荒。1943年，在印度東北部水稻感染褐斑病，據(jù)估計(jì)造成100萬人死亡。2007年在美國(guó)喬治亞洲，植物病害損失約65億美元。由于印度對(duì)植物病害預(yù)防措施甚至不到美國(guó)的10%，因此印度的經(jīng)濟(jì)損失應(yīng)大于美國(guó)。

近年來，由于計(jì)算機(jī)技術(shù)的發(fā)展，利用數(shù)字圖像處理與圖像分析技術(shù)進(jìn)行植物病害檢測(cè)識(shí)別已經(jīng)成為診斷病害的重要手段之一，精確分割是有效進(jìn)行病害識(shí)別的前提 [1]。張振升等針對(duì)煮糖過程中蔗糖結(jié)晶圖像的特點(diǎn)，將圖像由紅綠藍(lán)（RGB）顏色空間轉(zhuǎn)換到色調(diào)-飽和度-強(qiáng)度（hue-saturation-intensity，HSI）顏色空間，用改進(jìn)的大津法對(duì)H分量進(jìn)行閾值分割，將結(jié)晶顆粒從圖像中分離出來 [2]。通霏等針對(duì)自然光照條件下牧草圖像的分割問題，在HSI顏色空間中，根據(jù)牧草在H分量中的分布特點(diǎn)，使用模糊C-均值的彩色圖像分割法對(duì)牧草進(jìn)行分割，可以取得比較理想的效果 [3]。馬永慧提出了1種基于邊緣檢測(cè)與HSI彩色空間的車牌定位方法，先提取邊緣比較密集的車牌候選區(qū)域；然后，在HSI顏色空間中對(duì)剪裁出的子圖像進(jìn)行邊緣提取，對(duì)飽和度和亮度邊緣進(jìn)行邊緣合成；最后，利用色調(diào)信息判定車牌區(qū)域，該方法可以[LL]精確定位車牌 [4]。上述幾種方法都是在HSI顏色空間中進(jìn)行圖像分割，但在HSI顏色空間進(jìn)行葉片病斑分割的報(bào)道較少。

基于以上背景，以植物葉片和病斑顏色特征差異為主要依據(jù)。本研究提出了1種切實(shí)可行的植物葉片病斑提取方法，在HSI顏色空間中，利用色調(diào)、飽和度、強(qiáng)度獨(dú)立解耦 [5]，利用像素點(diǎn)顏色信息準(zhǔn)確量化的特點(diǎn)，將預(yù)處理后的圖像利用色調(diào)H、飽和度S去除葉片健康區(qū)域，得到植物葉片病斑。結(jié)果表明，該分割方法能有效提取出病斑。

1 HSI顏色空間

目前，絕大部分彩色圖像是基于RGB顏色三基色模型，但RGB顏色空間不利于彩色圖像的快速處理。因此，將圖像由RGB顏色空間轉(zhuǎn)換為HSI顏色空間。HSI顏色空間從人的視覺系統(tǒng)出發(fā)，采用色調(diào)、飽和度、強(qiáng)度描述色彩 [6]。色調(diào)是色彩屬性，它表示人的感官對(duì)不同顏色的感受。飽和度表示顏色的純度，飽和度越大，顏色看起來越鮮艷，反之亦然。強(qiáng)度表示顏色的明亮程度。HSI顏色空間3個(gè)分量的圖像如圖1所示。

HSI顏色空間和RGB顏色空間只是同一物理量的不同表示方法，從RGB顏色空間到HSI顏色空間的轉(zhuǎn)換關(guān)系為 [7]：

2 葉片病斑分割算法

2 1 最大類間方差法

最大類間方差法由日本學(xué)者大津于1979年提出，是1種自適應(yīng)的閾值分割方法，又叫大津法，簡(jiǎn)稱OTSU [8]。它是在灰度直方圖的基礎(chǔ)上用最小二乘法原理推導(dǎo)出來的，具有統(tǒng)計(jì)意義上的最佳分割閾值。

記T為圖像I（x，y）前景（目標(biāo)）和背景的分割閾值，ω1為前景像素個(gè)數(shù)占圖像總像素個(gè)數(shù)的比例，μ1為前景灰度均值，ω2為背景像素個(gè)數(shù)占圖像總像素個(gè)數(shù)的比例，μ2為背景灰度均值，μ為整幅圖像的灰度均值，g為前景和背景的方差。假設(shè)圖像的背景較暗，大小為M×N，N1、N2分別為前景、背景的像素個(gè)數(shù)，則有 [9]：

2 2 迭代法

迭代法是1種在圖像分割過程中選擇合適閾值的方法，它是基于逼近的思想通過閾值迭代的方式，利用程序自動(dòng)計(jì)算出比較合適的分割閾值 [10]。迭代法開始時(shí)選擇1個(gè)迭代初值，通常選擇圖像最大灰度值和最小灰度值的均值作為初始閾值，然后對(duì)圖像進(jìn)行迭代運(yùn)算不斷地更新閾值，直到閾值不再變化為止。處理步驟為 [11]：

2 3 HSI顏色空間分割算法

本研究中，使用數(shù)碼照相機(jī)等光學(xué)設(shè)備直接獲得數(shù)字圖像，對(duì)圖像裁剪以便于獲得原始圖像的子圖像。

由于灰塵、水等噪聲會(huì)對(duì)病斑分割和識(shí)別產(chǎn)生影響，采用3×3的矩形窗口對(duì)圖像使用中值濾波去噪，以削弱或清除噪聲，有利于對(duì)葉片病斑提取。

RGB顏色模型是面向硬件設(shè)備的模型，不適合人的視覺特征，并且2點(diǎn)之間的歐氏距離與實(shí)際顏色距離不成線性比例，容易引起顏色分離中的誤分離 [12]。另外，RGB顏色模型中的紅、綠、藍(lán)3原色之間的相關(guān)性很大，不能用1個(gè)單一的參數(shù)對(duì)圖像中的綠色像素劃定1個(gè)區(qū)間，所以不能靠設(shè)置R、G、B的值對(duì)圖像進(jìn)行閾值分割，只有把RGB圖像轉(zhuǎn)換為灰度圖像后再進(jìn)行閾值分割，這樣做會(huì)使圖像損失色彩特征。

針對(duì)含有病斑的植物葉片圖像，在HSI顏色空間下進(jìn)行植物葉片病斑提取。RGB顏色空間中R、G、B與HSI顏色空間中H、S、I之間的關(guān)系如表1所示。在HSI顏色空間中，色調(diào)H用來區(qū)分顏色，飽和度S用來表示顏色的純度，強(qiáng)度I與圖像的彩色信息無關(guān)，這有利于提取植物葉片上的病斑。在其他顏色空間中，可以通過一些算法消除部分光照不均的影響，但還是會(huì)對(duì)葉片病斑的提取造成影響。endprint

綠色像素主要代表了葉片的健康區(qū)域，不存在任何有價(jià)值的病害信息。在HSI顏色空間中，對(duì)H分量、S分量進(jìn)行閾值分割。為了準(zhǔn)確地將葉片病斑提取出來，本研究對(duì)圖像上色調(diào)不同的部位進(jìn)行了大量取樣，設(shè)定H分量范圍去除綠色像素。另外，S分量的值越大，顏色越接近純色；值越小，顏色越接近純灰色。限制了色調(diào)H和飽和度S的取值范圍，強(qiáng)度I對(duì)色調(diào)H沒有太大影響，不用再加以限制。

通過以上分析，構(gòu)建去除葉片非病斑區(qū)域的模型為：

3 結(jié)果與分析

在Matlab7 0下，分別用最大類間方差法、迭代法、本研究算法對(duì)植物葉片病斑分割，分割結(jié)果如圖2所示。

由于病斑區(qū)域非連通，且顏色復(fù)雜，采用經(jīng)典閾值選取的圖像分割算法不能有效將病斑提取出來 [13-14]。從試驗(yàn)結(jié)果可以看出，圖像灰度直方圖雙峰分布的特點(diǎn)不明顯，采用最大類間方差法分割圖像會(huì)帶來一定的誤差， 不能達(dá)到最佳分割

效果。迭代法運(yùn)算速度快，適用于目標(biāo)與背景反差較大的圖像，對(duì)于植物葉片病斑提取也不能達(dá)到理想效果。本研究所提出的算法不僅具有較好的分割效果，而且在時(shí)間上也有很大提高。算法處理時(shí)間如表2所示。

4 結(jié)論

本研究提出了1種在HSI顏色空間中進(jìn)行植物葉片病斑的提取方法，利用HSI顏色空間H、S、I 3個(gè)分量相互獨(dú)立的特點(diǎn)，確定H、S分量的閾值，去除葉片健康區(qū)域，提取病斑區(qū)域，實(shí)現(xiàn)了精確的圖像分割。與傳統(tǒng)的閾值分割算法比較表明，本研究算法具有較高的分割精度和較快的處理時(shí)間，可以為病斑圖像的病斑提取提供較好的結(jié)果。

參考文獻(xiàn)：

[1] 劉 濤，仲曉春，孫成明，等 基于計(jì)算機(jī)視覺的水稻葉部病害識(shí)別研究[J] 中國(guó)農(nóng)業(yè)科學(xué)，2014，47（4）：664-674

[2]張振升，朱名日 基于HSI顏色空間的蔗糖結(jié)晶圖像分割方法[J] 計(jì)算機(jī)工程與應(yīng)用，2011，47（11）：190-193

[3]通 霏，武 佩，韓 丁，等 基于顏色特征的牧草圖像分割方法研究[J] 農(nóng)機(jī)化研究，2014，36（5）：43-47

[4]馬永慧 基于邊緣檢測(cè)與HSI彩色空間的車牌定位方法[J] 山西電子技術(shù)，2013（1）：45-47

[5]謝妍梅，樊 臻，張森林 基于HSI顏色空間的彩色圖像邊緣檢測(cè)[J] 計(jì)算機(jī)工程，2013，39（9）：12-14，19

[6]程 洪，尹輝娟，馬 麗，等 HSI 模型結(jié)合 OSTU 法的玉米種胚檢測(cè)算法[J] 農(nóng)機(jī)化研究，2014，36（10）：183-185，191

[7]Gonzalez R C，Woods R E，Eddins S L 數(shù)字圖像處理（MATLAB 版）[M] 阮秋琦，譯 北京：電子工業(yè)出版社，2006

[8]Otsu N A threshold selection method from gray-level histograms[J] IEEE Transactions on Systems，Man，and Cybernetics，1979，9（1）：62-66

[9]沈 圓，李國(guó)勇 圖像的閾值分割法設(shè)計(jì)[J] 機(jī)械工程與自動(dòng)化，2012（5）：45-46

[10] 何東健 數(shù)字圖像處理[M] 西安：西安電子科技大學(xué)出版社，2003：17-33

[11]鄧林華，許 駿，程向明 基于迭代閾值的太陽像分割算法的應(yīng)用研究[J] 計(jì)算機(jī)與現(xiàn)代化，2010，（10）：72-74

[12]張海波，孫 輝，朱興華 基于矢量運(yùn)算的彩色圖像邊緣檢測(cè)算法[J] 西華大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，32（6）：1-4

[13]栗 娜，李 萍，張善文 基于改進(jìn)遺傳算法的作物葉片病斑分割算法[J] 江蘇農(nóng)業(yè)科學(xué)，2014，42（7）：140-142

[14]祁廣云，馬曉丹，關(guān)海鷗 采用改進(jìn)遺傳算法提取大豆葉片病斑圖像[J] 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（5）：142-145endprint