扁豆病斑葉片圖像分割研究.pdf

1、最近十多年，農(nóng)作物病害、蟲(chóng)災(zāi)越來(lái)越嚴(yán)重，其病害種類越來(lái)越多、規(guī)模越來(lái)越大，因此而造成了大幅度的農(nóng)業(yè)減產(chǎn)。伴隨著計(jì)算機(jī)技術(shù)的發(fā)展，特別是人工智能技術(shù)、圖像處理技術(shù)在各領(lǐng)域的廣泛使用，越來(lái)越多學(xué)者開(kāi)始研究在農(nóng)作物病害自動(dòng)診斷系統(tǒng)中引入圖像處理技術(shù)。
　　 圖像分割技術(shù)作為圖像處理過(guò)程中最靠前的階段，它是特征提取、圖像識(shí)別的基礎(chǔ)和關(guān)鍵。圖像分割技術(shù)在某些時(shí)候也可以直接分割出目標(biāo)，簡(jiǎn)化后續(xù)處理。本文主要研究剝離分割，就是通過(guò)圖像分割相關(guān)

2、算法直接將病蟲(chóng)害葉片圖像中的病斑直接剝離出來(lái)，通過(guò)不斷分割排出非目標(biāo)區(qū)域以獲得最后的目標(biāo)區(qū)域。
　　 首先，病害葉片圖像是從真實(shí)的田地中拍攝得到的，背景復(fù)雜、噪聲強(qiáng)度大，因此需要進(jìn)行一系列的預(yù)先處理:利用圖像裁剪技術(shù)把圖像的復(fù)雜背景轉(zhuǎn)換成簡(jiǎn)單背景，再通過(guò)矢量中值濾波算法對(duì)圖像進(jìn)行去噪，再分別使用直方圖均衡和圖像拉伸來(lái)突出圖像的對(duì)比度。
　　 由于傳統(tǒng)的圖像分割技術(shù)都是基于灰度圖像進(jìn)行研究的，因此本文首先對(duì)預(yù)處理后的圖片基

3、于灰度分割算法進(jìn)行實(shí)驗(yàn)。采用的分割算法有閾值法中的最大類間方差法(OTSU)，分割效果并不理想，然后又采用了其他一些灰度分割算法如二維最大熵法、神經(jīng)網(wǎng)絡(luò)、模糊C均值(FCM)分割算法，發(fā)現(xiàn)效果都不理想，究其原因是扁豆葉片病斑圖像轉(zhuǎn)成灰度圖像后，背景和目標(biāo)灰度差距并不明顯，直方圖并不具有明顯的雙峰，而且背景灰度范圍較廣，類內(nèi)方差較大，傳統(tǒng)的分割算法將圖像分割成兩類時(shí)，當(dāng)兩類類內(nèi)方差差距較小時(shí)，具有好的分割效果，OTSU算法求得的分割閾值就

4、是偏向類內(nèi)方差大的一類，針對(duì)這個(gè)問(wèn)題，本文提出了信息熵指導(dǎo)灰度拉伸的方法，在一定程度上減小了兩類之間的類內(nèi)差別即類內(nèi)方差，因而在一定程度上提高了分割質(zhì)量。
　　 然而基于熵拉伸的OTSU仍然不能解決目標(biāo)和背景在灰度值上有大范圍重疊的情況，而扁豆葉片病斑圖像目標(biāo)和背景灰度值重疊范圍也較廣，因此需要對(duì)原始的彩色圖像進(jìn)行分割研究。對(duì)彩色圖像進(jìn)行分割，利用彩色信息有三種方式:
　　 1)利用最佳的一個(gè)色彩通道:該方法缺點(diǎn)是很難確

5、定哪個(gè)通道最適合分割，因此有種方法是將三個(gè)通道分別進(jìn)行分割然后進(jìn)行融合，但該方法獲得的融合后的圖像很難確定目標(biāo)類別。
　　 2)將三個(gè)色彩通道映射到一個(gè)平面即色彩降維:該方法難點(diǎn)是映射函數(shù)數(shù)學(xué)模型很難確定，至今尚沒(méi)有通用的模型，降維結(jié)果好壞難以評(píng)價(jià)。
　　 3)根據(jù)三個(gè)色彩通道求取一個(gè)矢量特征:該方法典型應(yīng)用就是求取彩色矢量梯度，進(jìn)行分水嶺分割，但分水嶺算法容易出現(xiàn)過(guò)分割和欠分割，分割結(jié)果需要進(jìn)一步修正。
　　

6、最后，本文提出了一種適合扁豆葉片病斑圖像的剝離分割方法。該方法包括兩層分割，第一層是彩色分水嶺分割，并通過(guò)抑制小梯度來(lái)進(jìn)行分水嶺過(guò)分割，由于病害早期，植物葉片圖像正常葉片面積遠(yuǎn)大于病斑區(qū)域，可通過(guò)面積法排除大面積的正常葉片，這樣就間接解決了目標(biāo)和背景類內(nèi)方差差距大的問(wèn)題;第二層是模糊聚類分割，由于目標(biāo)和背景樣本量相當(dāng)，類內(nèi)方差差距也較小，能得到較好的分割效果，又由于在植物早期和中期，正常葉片的綠色通道值一般大于病斑區(qū)域，可通過(guò)綠色分割將