基于改進(jìn)和聲搜索算法的玉米葉片病害圖像分割算法

劉立群 王聯(lián)國(guó) 火久元 郭小燕

基于改進(jìn)和聲搜索算法的玉米葉片病害圖像分割算法

劉立群1王聯(lián)國(guó)1火久元2郭小燕1

1(甘肅農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院 甘肅 蘭州 730070)

2(蘭州交通大學(xué)電子與信息工程學(xué)院 甘肅 蘭州 730070)

針對(duì)最大類間方差法在圖像分割時(shí)存在造成噪聲干擾和過分割的缺點(diǎn)，提出一種基于改進(jìn)和聲搜索算法的玉米葉片病害圖像分割算法。算法將玉米葉片病害圖像編碼處理，選取圖像的類間方差作為改進(jìn)和聲搜索算法的適應(yīng)度值，通過改進(jìn)和聲搜索算法尋找最優(yōu)的分割閾值，利用該最優(yōu)閾值使用經(jīng)典最大類間方差法對(duì)玉米葉片病害圖像進(jìn)行分割。選取強(qiáng)光、中光、弱光條件下三幅玉米葉片病害圖像進(jìn)行分割實(shí)驗(yàn)，結(jié)果表明采用基于改進(jìn)和聲搜索算法的玉米葉片病害圖像分割算法較最大類間方差法和基于混合蛙跳算法的圖像閾值分割算法均具有較好的圖像閾值尋優(yōu)能力，可有效提高玉米葉片病害圖像中病斑分割的效果。

最大類間方差法 改進(jìn)和聲搜索算法 玉米葉片病害圖像 病斑分割 最優(yōu)分割閾值

0 引 言

玉米是優(yōu)良的飼料、主要的工業(yè)原料和優(yōu)質(zhì)的糧食作物，在滿足人們生活需求和保證糧食安全方面具有非常重要的作用。但是玉米病害每年都有大面積發(fā)生，嚴(yán)重影響了玉米的產(chǎn)量和品質(zhì)。傳統(tǒng)玉米病害的診斷方法主要依靠農(nóng)業(yè)生產(chǎn)者或科研人員的視覺判斷識(shí)別病害的種類、嚴(yán)重程度及受害區(qū)域，這種識(shí)別方法主觀性強(qiáng)，診斷結(jié)果容易出現(xiàn)偏差[1]。當(dāng)前，圖像識(shí)別在農(nóng)業(yè)方面的應(yīng)用研究已經(jīng)取得了很大的進(jìn)展，并且成為現(xiàn)代農(nóng)業(yè)研究的熱點(diǎn)[2]。其中圖像分割技術(shù)是圖像處理和計(jì)算機(jī)視覺中基本而關(guān)鍵的技術(shù)之一，也是圖像理解與模式識(shí)別的前提[3]。

閾值分割法是一種極為重要且廣泛使用的圖像分割方法[4]。大津展之(OTSU)在1979年提出的通過最大類間方差準(zhǔn)則來(lái)選取閾值的方法(OTSU算法)[5]是閾值分割的經(jīng)典算法。OTSU算法是利用圖像中的灰度直方圖，以目標(biāo)與背景之間的方差最大而動(dòng)態(tài)地確定圖像分割閾值[6，7]。這種方法雖然解決了閾值分割門限的選取問題，但存在缺乏自適應(yīng)性、易造成噪聲干擾和過分割現(xiàn)象、運(yùn)算需要大量的時(shí)間等問題[4]，經(jīng)典OTSU算法尚需進(jìn)一步改進(jìn)。因此，采用經(jīng)典的OTSU算法對(duì)蘋果圖像進(jìn)行分割，其識(shí)別效果是遠(yuǎn)遠(yuǎn)不能滿足用戶需求的。為了能更好地對(duì)蘋果圖像進(jìn)行識(shí)別，需要尋求一種更簡(jiǎn)單、效率更高的方法求取圖像的最優(yōu)閾值。近年來(lái)，人工智能中的智能搜索算法在科學(xué)和工程領(lǐng)域的成功應(yīng)用，對(duì)農(nóng)副產(chǎn)品領(lǐng)域的應(yīng)用及推廣起著一種積極的帶動(dòng)作用。

和聲搜索HS(Harmony search)算法[8]是通過類比音樂和最優(yōu)化問題相似性提出的啟發(fā)式智能進(jìn)化算法。算法是對(duì)音樂演奏中樂師們憑借自己的記憶，通過反復(fù)調(diào)整樂隊(duì)中各樂器的音調(diào)，最終達(dá)到一個(gè)美妙和聲狀態(tài)過程的模擬。HS算法概念簡(jiǎn)單，收斂速度快，容易實(shí)現(xiàn)，解的產(chǎn)生方式新穎，且只有少數(shù)參數(shù)需要調(diào)整，在有關(guān)問題上展示了較遺傳算法、模擬退火算法和禁忌搜索更好的性能[9]。盡管如此，由于HS算法是單個(gè)體迭代算法，迭代后期存在收斂速度緩慢，易陷入局部最優(yōu)及求解質(zhì)量不高等缺點(diǎn)[10,11]。文獻(xiàn)[12]針對(duì)HS算法音調(diào)微調(diào)機(jī)制中存在隨機(jī)性更新的缺陷，將全局共享因子[13]思想引入HS算法，提出一種全局共享因子的和聲搜索算法GSF-HS(Harmony Search Algorithm with Global Sharing Factor)，測(cè)試結(jié)果表明，GSF-HS算法有效改善了HS算法的優(yōu)化性能。本文采用文獻(xiàn)[12]全局共享因子的和聲搜索算法與經(jīng)典閾值分割OTSU方法結(jié)合的方法，提出一種基于改進(jìn)和聲搜索算法的玉米葉片病害圖像分割算法MISHS-OTSU(Maize Leaf Disease Image Segmentation Algorithm based on Improved Harmony Search Algorithm)，對(duì)玉米葉片病害圖像進(jìn)行分割，以提高葉片病害圖像中病斑的識(shí)別效果。

1 OTSU算法閾值分割原理

最大類間方差法(OTSU算法)是一種全局閾值選取方法。其基本思想是利用圖像的灰度直方圖，以目標(biāo)和背景的方差最大來(lái)動(dòng)態(tài)地確定圖像的分割閾值。

假設(shè)閾值t將圖像分成兩類C0和C1(目標(biāo)和背景)，即C0和C1分別對(duì)應(yīng)具有灰度級(jí){0,1,…,t}和{t+1,t+2,…,L-1}的像素。則兩類的類間方差如式(1)：

(1)

最佳閾值t*應(yīng)使類間方差最大，這是個(gè)最優(yōu)化問題，如式(2)所示：

(2)

其中ω0和ω1分別表示C0類和C1類的發(fā)生概率；μ0和μ1分別表示C0類和C1類的平均灰度值；μT表示整幅圖像的平均灰度。

2 改進(jìn)和聲搜索算法與OTSU算法結(jié)合原理

2.1 改進(jìn)和聲搜索算法思想

HS算法音調(diào)微調(diào)機(jī)制中利用隨機(jī)數(shù)r∈[0,1]產(chǎn)生新和聲[8]，針對(duì)這種隨機(jī)性使HS算法易出現(xiàn)收斂速度慢、精度低等問題的缺陷，文獻(xiàn)[12]提出了改進(jìn)和聲搜索算法，其算法思想如下：

隨機(jī)產(chǎn)生HMS個(gè)初始解(和聲)放入和聲記憶庫(kù)HM(HarmonyMemory)內(nèi)，HMS為和聲記憶庫(kù)的大小，HMCR為和聲記憶庫(kù)取值概率，PAR為音調(diào)微調(diào)概率，BW為音調(diào)微調(diào)帶寬，Tmax為算法創(chuàng)作的次數(shù)，且r1,r2,r∈[0,1]。假設(shè)問題是求最小值，其表達(dá)形式如下所示：

minf(x)

(3)

s.t.

xi∈Xii=1,2,…N

隨機(jī)生成HMS個(gè)和聲x1,x2，…,xHMS放入和聲記憶庫(kù)，其形式如下：

(4)

如果r1

(5)

如果r2

(6)

其中，全局共享因子αG按式(7)、式(8)計(jì)算[12]：

αG=(1-δG)·αfinal

(7)

(8)

(9)

對(duì)和聲記憶庫(kù)按以下更新策略進(jìn)行更新：

xworst=x′

(10)

上述過程不斷重復(fù)，直至創(chuàng)作(迭代)次數(shù)達(dá)到Tmax為止。

2.2 基于改進(jìn)和聲搜索算法的玉米葉片病害圖像分割算法思想

本文采用文獻(xiàn)[12]改進(jìn)和聲搜索算法，將其應(yīng)用于玉米葉片病害圖像閾值分割中，提出一種基于改進(jìn)和聲搜索算法的玉米葉片病害圖像分割算法MISHS-OTSU。

MISHS-OTSU算法是將玉米葉片病害圖像編碼處理后，將圖像作為目標(biāo)函數(shù)進(jìn)行閾值尋優(yōu)，選取圖像的類間方差作為改進(jìn)和聲搜索算法的適應(yīng)度值，通過改進(jìn)和聲搜索算法尋找最優(yōu)的分割閾值，利用該最優(yōu)閾值使用經(jīng)典OTSU算法對(duì)玉米葉片病害圖像進(jìn)行分割，從而提高玉米葉片病害圖像中病斑分割的效果。

MISHS-OTSU算法思想如下：

Step1：讀取玉米葉片病害圖像，對(duì)原始圖像進(jìn)行預(yù)處理。

Step2：統(tǒng)計(jì)圖像目標(biāo)和背景的灰度級(jí)像素，計(jì)算圖像目標(biāo)和背景兩類間方差。

Step3：隨機(jī)生成初始和聲群體，進(jìn)行8位二進(jìn)制編碼，HMS=256為和聲記憶庫(kù)的大小。第i個(gè)和聲記為xi=(x1,x2,…,xN)，其中N=8為和聲音調(diào)個(gè)數(shù)。

Step4：選取圖像類間方差作為HS算法的目標(biāo)函數(shù)f(xi)，按式(4)初始化和聲記憶庫(kù)HM。

Step6：輸出最優(yōu)閾值，使用OTSU算法對(duì)玉米葉片病害圖像進(jìn)行分割，輸出分割后的玉米葉片病害圖像。

2.3 基于改進(jìn)和聲搜索算法的玉米葉片病害圖像分割算法偽代碼

MISHS-OTSU算法核心偽代碼如下：

Begin

read(image);

process(image);

equation_compute(image);

//計(jì)算類間方差

For(i

Begin

For(j

//隨機(jī)生成初始和聲群體

f(xi)=equation;

// 取類間方差作為HS目標(biāo)函數(shù)f(xi)

End

For(i

Begin

//計(jì)算全局共享因子αG

For(j

Begin

if(r1

Begin

//學(xué)習(xí)和聲記憶庫(kù)產(chǎn)生新音調(diào)

//新音調(diào)根據(jù)αG音調(diào)微調(diào)

End

//隨機(jī)選擇音調(diào)產(chǎn)生新和聲

End

if(f(xworst)>f(x′))f(xworst)=f(x′);

//按更新策略對(duì)和聲記憶庫(kù)進(jìn)行更新

End

print(f(xbest));

segment(image, f(xbest));

plot(image);

End

2.4 MISHS-OTSU算法效率分析

MISHS-OTSU算法是在OTSU算法基礎(chǔ)上引入了改進(jìn)和聲搜索算法進(jìn)行最優(yōu)閾值選取的，因此算法效率的改變主要體現(xiàn)在Step5上。分析得知改進(jìn)后和聲搜索算法的時(shí)間復(fù)雜度是O(Tmax×N)，空間復(fù)雜度是O(HMS×N+HMS)。當(dāng)圖像灰度級(jí)別為L(zhǎng)時(shí)，原OTSU算法的時(shí)間復(fù)雜度和空間復(fù)雜度均是O(L2)，而MISHS-OTSU算法的時(shí)間復(fù)雜度是O(L2+Tmax×N)，空間復(fù)雜度是O(L2+HMS×N+HMS)。因此MISHS-OTSU算法在運(yùn)算時(shí)間和存儲(chǔ)空間上均比原OTSU算法要多。

3 玉米葉片病害圖像分割實(shí)驗(yàn)

3.1 實(shí)驗(yàn)設(shè)計(jì)

隨機(jī)選擇強(qiáng)光、中光、弱光條件共3幅玉米葉片病害圖像進(jìn)行實(shí)驗(yàn)。分別使用經(jīng)典OTSU法、基于混合蛙跳算法[14]的圖像閾值分割算法(簡(jiǎn)稱SFLA-OTSU)和基于改進(jìn)和聲搜索算法的玉米葉片病害圖像分割算法(簡(jiǎn)稱MISHS-OTSU)三種方法對(duì)處理后的玉米葉片病害圖像進(jìn)行分割實(shí)驗(yàn)。

實(shí)驗(yàn)參數(shù)設(shè)置如下：由于圖像灰度值在0～255之間，故將每個(gè)可能的灰度閾值編碼為8位二進(jìn)制編碼[6]。故算法最初理論應(yīng)生成256個(gè)初始和聲群體，為方便構(gòu)成和聲記憶庫(kù)，取HMS=200，和聲音調(diào)個(gè)數(shù)N=8，其余參數(shù)依據(jù)文獻(xiàn)[12]進(jìn)行設(shè)置，即HCMR=0.9，PAR=0.3，BW=0.01，Tmax=30 000。根據(jù)共享因子理論與實(shí)驗(yàn)分析[13]，取αinit=0.1，αfinal=1.2。計(jì)算機(jī)處理器為Intel Core2，主頻為2.0 GHz，內(nèi)存為2.0 GB，測(cè)試平臺(tái)是VC++6.0，圖片處理軟件是Matlab 7.0。最終測(cè)試結(jié)果采用獨(dú)立運(yùn)行30次后的平均值。

圖像分割實(shí)驗(yàn)通過分割出的葉片病斑數(shù)與葉片實(shí)際病斑數(shù)的比較評(píng)價(jià)三種分割方法的分割效果。分別定義識(shí)出率(RDetection)[15]、識(shí)別成功率(RSuccess)[15]、誤識(shí)率(RError)[15]和漏識(shí)率(RMiss)[15]4個(gè)指標(biāo)進(jìn)行衡量，如式(11)-式(14)所示：

(11)

(12)

(13)

RMiss=100%-RSuccess

(14)

3.2 結(jié)果分析

3.2.1 三種圖像分割方法對(duì)應(yīng)最優(yōu)閾值分析

強(qiáng)光、中光、弱光條件下的3幅圖像分別采用三種圖像分割方法后尋取的最優(yōu)閾值比較見表1所示。

表1 三種圖像分割方法對(duì)應(yīng)最優(yōu)閾值比較

由表1可以看出，當(dāng)玉米葉片病害圖像處在不同光照條件時(shí)，采用MISHS-OTSU對(duì)應(yīng)的最優(yōu)閾值均不同于OTSU和SFLA-OTSU，且與OTSU的相差較大，使用該閾值會(huì)使得圖像分割結(jié)果對(duì)比更為明顯。

3.2.2 不同光照條件玉米葉片病害圖像分割效果分析

3幅圖像在強(qiáng)光、中光、弱光條件下三種圖像分割方法的分割效果比較見表2所示。圖1為中光條件原始圖像，圖2-圖4為采用OTSU、SFLA-OTSU及MISHS-OTSU方法對(duì)中光圖像進(jìn)行分割的結(jié)果。

從結(jié)果可以看出，強(qiáng)光條件下，光線直接照射在玉米葉片上，葉片及病斑對(duì)比較為明顯，表1顯示MISHS-OTSU算法取得閾值最大，表2數(shù)據(jù)顯示識(shí)出率和識(shí)別成功率均達(dá)到100%，結(jié)果理想。中光條件下，圖4顯示分割后對(duì)比度較為明顯，表2數(shù)據(jù)顯示采用OTSU和SFLA-OTSU時(shí)，均不同程度存在誤識(shí)率和漏識(shí)率，采用MISHS-OTSU算法時(shí)，誤識(shí)率降低為0%，且漏識(shí)率也低于其他兩種分割方法。弱光條件下，葉片及病斑之間的對(duì)比度不明顯，造成了分割的困難，表2數(shù)據(jù)顯示三種分割方法均不同程度存在誤識(shí)率和漏識(shí)率，但以MISHS-OTSU算法最低，且MISHS-OTSU的識(shí)出率達(dá)到了100%，其識(shí)別成功率亦高于其他兩種分割方法。

實(shí)驗(yàn)結(jié)果表明，改進(jìn)后MISHS-OTSU較OTSU和SFLA-OTSU方法均具有較好的圖像閾值尋優(yōu)能力，可有效提高玉米葉片病害圖像病斑的分割效果。

表2 三種光照條件下圖像分割效果比較

圖1 中光條件原始圖像

圖2 中光條件OTSU分割結(jié)果

圖3 中光條件SFLA-OTSU分割結(jié)果

圖4 中光條件MISHS-OTSU分割結(jié)果

4 結(jié) 語(yǔ)

本文提出一種基于改進(jìn)和聲搜索算法的玉米葉片病害圖像分割算法，將改進(jìn)和聲搜索算法與經(jīng)典閾值分割OTSU算法相結(jié)合，對(duì)玉米葉片病害圖像進(jìn)行閾值尋優(yōu)。圖像分割實(shí)驗(yàn)表明，基于改進(jìn)和聲搜索算法的玉米葉片病害圖像分割算法具有良好的圖像閾值尋優(yōu)能力，可提高玉米葉片病害圖像中病斑分割的效果。對(duì)不同光照條件下的玉米葉片病斑測(cè)試，強(qiáng)光和弱光條件下識(shí)出率均達(dá)到100%，強(qiáng)光和中光條件下誤識(shí)率可達(dá)到0%，該算法對(duì)玉米葉片病斑的有效分割，可推廣至其他農(nóng)作物葉片病害圖像的分割識(shí)別應(yīng)用領(lǐng)域中。本文需進(jìn)一步對(duì)玉米葉片的病害類型及病斑種類進(jìn)行研究，以對(duì)不同類型的病斑進(jìn)行分類分割。對(duì)其他農(nóng)作物葉片病害圖像中的不同類型病斑有待進(jìn)一步分類研究。

[1] 張飛云. 基于量子神經(jīng)網(wǎng)絡(luò)和組合特征參數(shù)的玉米葉部病害識(shí)別[J]. 南方農(nóng)業(yè)學(xué)報(bào)，2013，44(8)：1286-1290.

[2] 趙玉霞，王克如，白中英. 貝葉斯方法在玉米葉部病害圖像識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用，2007， 43(5)：193-195.

[3] 胡敏，李梅，汪榮貴. 改進(jìn)的Otsu算法在圖像分割中的應(yīng)用[J]. 電子測(cè)量與儀器學(xué)報(bào)，2010，24(5)：443-449.

[4] 路彬彬，賈振紅，何迪.基于混合蛙跳算法改進(jìn)的 OTSU 遙感圖像分割方法[J]. 計(jì)算機(jī)應(yīng)用與軟件，2011，28(9)：77-79,105.

[5] OTSU N. A Threshold Selection Method from Gray-Level Histograms[J]. IEEE Transactions on Systems,Man,and Cybernetics, 1979, 9(1): 62-66.

[6] 李惠光，姚磊，石磊. 改進(jìn)的Otsu理論在圖像閾值選取中的應(yīng)用[J]. 計(jì)算機(jī)仿真，2007，24(4)：216-220.

[7] 江禹生，宋香麗，任晶晶.基于遺傳算法的二維 Otsu算法改進(jìn)[J]. 計(jì)算機(jī)應(yīng)用研究，2010，27(3)：1189-1191.

[8] Geem ZW, Kim JH, Loganathan GV. A new heuristic optimization algorithm: harmony search[J]. Simulation, 2001, 76(2):60-68.

[9] 趙鵬軍，劉三陽(yáng).一種新的智能優(yōu)化及其改進(jìn)研究[J]. 小型微型計(jì)算機(jī)系統(tǒng)，2010，31(5)：955-958.

[10] 雍龍泉.和聲搜索算法研究進(jìn)展[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2011，20(7)：244-248.

[11] 韓紅燕，潘全科，梁靜.改進(jìn)和聲搜索算法在函數(shù)優(yōu)化中的應(yīng)用[J]. 計(jì)算機(jī)工程，2010，36(13):245-247.

[12] 劉立群，火久元，王聯(lián)國(guó). 全局共享因子的和聲搜索算法[J]. 重慶理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，28(2)：82-86.

[13] 劉立群，王聯(lián)國(guó)，韓俊英，等. 基于全局共享因子的混合蛙跳算法[J]. 計(jì)算機(jī)工程，2013，39(10):162-166.

[14] Eusuff M M, Lansey K E. Optimization of water distribution network design using the shuffled frog leaping algorithm[J] . Journal of Water Sources Planning and Management, 2003,129(3):210- 225.

[15] 錢建平，楊信廷，吳曉明，等.自然場(chǎng)景下基于混合顏色空間的成熟期蘋果識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(17)：137-142.

MAIZE LEAF DISEASE IMAGE SEGMENTATION ALGORITHM BASED ON IMPROVED HARMONY SEARCH ALGORITHM

Liu Liqun1Wang Lianguo1Huo Jiuyuan2Guo Xiaoyan1

1(CollegeofInformationScienceandTechnology,GansuAgriculturalUniversity,Lanzhou730070,Gansu,China)2(SchoolofElectronicandInformationEngineering,LanzhouJiaotongUniversity,Lanzhou730070,Gansu,China)

To solve the problem of noise interference and over-segmentation the OTSU method has in image segmentation, we proposed maize leaf disease image segmentation algorithm which is based on improved harmony search algorithm. By coding the maize leaf disease images, the algorithm selects between-class variance as the fitness value of the improved harmony search algorithm, searches optimal segmentation threshold through improved harmony search algorithm, and uses this optimal threshold and OTSU to segment maize leaf disease images. By choosing three maize leaf disease images under three conditions of strong light, medium light and weak light for segmentation experiments, the results indicated that the maize leaf disease image segmentation algorithm based on improved harmony search algorithm possessed much better image threshold optimisation performance compared with both the OTSU and the image threshold segmentation algorithm based on shuffled frog leaping algorithm, it could effectively improve segmentation effect of maize leaf disease images.

OTSU Improved harmony search algorithm Maize leaf disease image Disease spot segmentation Optimal segmentation threshold

2014-04-30。國(guó)家自然科學(xué)基金項(xiàng)目(61063028)；甘肅省科技計(jì)劃資助項(xiàng)目(145RJYA288)；甘肅省教育廳研究生導(dǎo)師項(xiàng)目 (1102-05)；甘肅農(nóng)業(yè)大學(xué)盛彤笙科技創(chuàng)新基金項(xiàng)目(GSAU-STS-1322)；中國(guó)博士后科學(xué)基金項(xiàng)目(2013M542398)；甘肅省自然科學(xué)研究基金計(jì)劃項(xiàng)目(1308RJZA214，1208RJZA133)；甘肅省高等學(xué)校研究生導(dǎo)師科研項(xiàng)目(1202-04)；蘭州交通大學(xué)青年科學(xué)基金項(xiàng)目(2013032)。劉立群，副教授，主研領(lǐng)域：智能計(jì)算，無(wú)線局域網(wǎng)安全技術(shù)。王聯(lián)國(guó)，教授?；鹁迷?，副教授。郭小燕，副教授。

TP301.6

A

10.3969/j.issn.1000-386x.2016.04.043