基于改進(jìn)遺傳算法的作物葉片病斑分割算法

摘要：基于改進(jìn)遺傳算法提出了一種作物病害葉片病斑圖像分割算法。首先，將病害葉片圖像運(yùn)用分層抽樣得到若干子樣本。在每個子樣本中運(yùn)用改進(jìn)遺傳算法極大化樣本的均值與方差比；其次，基于獲得的樣本信息對閾值數(shù)目和閾值進(jìn)行自動預(yù)測；最后，利用一種確定性算法對閾值數(shù)和閾值進(jìn)行進(jìn)一步優(yōu)化。結(jié)果表明，該算法無需考慮葉片圖像的紋理和分割數(shù)等先驗(yàn)信息，具有較高的易用性，能獲得較準(zhǔn)確的葉片病斑圖像。

關(guān)鍵詞：病害葉片圖像；圖像分割；遺傳算法；改進(jìn)遺傳算法

中圖分類號： TP391.41 文獻(xiàn)標(biāo)志碼： A 文章編號：1002-1302（2014）07-0140-03

收稿日期：2013-12-16

基金項目：河南省鄭州市科技攻關(guān)計劃（編號：131PPTGG426）；西亞斯國際學(xué)院引進(jìn)人才項目（編號2012YJRC01、2012YJRC02）。

作者簡介：栗娜（1979—），女，鄭州市人，碩士研究生，講師，主要從事計算機(jī)應(yīng)用技術(shù)方面的研究。E-mail：19360666@qq.com。

通信作者：張善文，男，博士，教授，研究方向?yàn)槟Ｊ阶R別及應(yīng)用。E-mail：wjdw716@163.com。圖像分割是把圖像分割成若干個具有獨(dú)特性質(zhì)的區(qū)域，并從中提取出感興趣的目標(biāo)。在對病害葉片圖像分割方法研究和應(yīng)用中，人們往往僅對病害葉片的病斑圖像感興趣，這些病斑圖像對應(yīng)于葉片圖像中特定的、具有獨(dú)特性質(zhì)的區(qū)域。作物病害識別一般是根據(jù)作物的病害葉片來進(jìn)行識別。對采集到的作物病害葉片圖像進(jìn)行分析處理，從而進(jìn)行病害診斷。基于病害葉片的作物病害診斷過程主要由葉片圖像采集、病斑分割、特征提取和特征識別階段。從病害葉片中分割病斑是作物病害診斷的一個關(guān)鍵步驟。其分割結(jié)果是否準(zhǔn)確直接影響后期的病害診斷效率和效果。如果病斑圖像分割出現(xiàn)錯誤，無論后期的特征提取和模式識別階段多么準(zhǔn)確，最終得到的病害診斷結(jié)果一定是錯誤的。常用的圖像分割技術(shù)有閾值分割法、區(qū)域法、人工神經(jīng)網(wǎng)絡(luò)法等[1-5]。但目前還沒有效果很好且普遍適用的葉片病斑圖像分割規(guī)則。作物病害葉片圖像成分復(fù)雜，病害葉片上的病斑排列無規(guī)則，顏色深淺不一，且存在一定的隨機(jī)噪聲[6-8]。葉片圖像由病斑部分和正常部分組成，其分割可以看成是1個2類問題，可運(yùn)用模式識別的分類方法分割圖像[9-11]。筆者采用RGB空間作為模式分類的特征空間，并在此基礎(chǔ)上，根據(jù)遺傳算法[12]，求取分割閾值，對葉片圖像進(jìn)行分割。病害葉片圖像分割方法主要有閾值分割、基于邊緣檢測和連接的分割、區(qū)域分割以及基于遺傳算法等的混合分割。其中，閾值分割是最基本和應(yīng)用最廣泛的分割技術(shù)，其分割方法操作簡單、計算量小且性能較穩(wěn)定。但閾值的確定仍然是一個公認(rèn)的難題。本研究在改進(jìn)遺傳算法的基礎(chǔ)上，提出一種作物病害葉片病斑分割方法。

1改進(jìn)遺傳算法

為了克服標(biāo)準(zhǔn)遺傳算法的不足，介紹一種基于種群的按個體適應(yīng)度大小排序的選擇算法來代替輪盤賭選擇的遺傳算法。其步驟歸納如下：

（1）在初始種群中，首先對所有的個體按其適應(yīng)度大小進(jìn)行排序，再計算個體的支持度和置信度。

（2）按一定的比例復(fù)制（即將當(dāng)前種群中適應(yīng)度最高的2個個體結(jié)構(gòu)完整地復(fù)制到待配種群中）。

（3）按個體所處的位置確定其變異概率并變異；按優(yōu)良個體復(fù)制4份、劣質(zhì)個體不復(fù)制的原則復(fù)制個體。

（4）從復(fù)制組中隨機(jī)選擇2個個體，對這2個個體進(jìn)行多次交叉，從所得的結(jié)果中選擇1個最優(yōu)個體存入新種群。

（5）若滿足結(jié)束條件，則停止；否則，跳轉(zhuǎn)至第（1）步，直至找到所有符合條件的規(guī)則。

該改進(jìn)算法的優(yōu)點(diǎn)是在代的每一次演化過程中，子代總是保留了父代中最好的個體，以在“高適應(yīng)度模式為祖先的家族方向”搜索出更好的樣本，從而保證最終能夠搜索到全局最優(yōu)解。

2作物病害葉片病斑分割算法

將作物病害葉片的灰度圖像看成是由像素值組成的集。病斑分割算法的具體流程為：（1）采用分層抽樣方法將葉片圖像分成若干個子樣本；（2）在每一個子樣本中運(yùn)用改進(jìn)遺傳算法極大化樣本的均值與方差比；（3）利用獲得的樣本信息對閾值數(shù)目和閾值進(jìn)行自動預(yù)測。圖1為病斑分割算法的流程圖。

4結(jié)論

當(dāng)前基于圖像處理的作物病害診斷系統(tǒng)得到了很大的發(fā)展，使得利用計算機(jī)對作物病害進(jìn)行智能診斷識別成為了可能。通過對作物病害葉片進(jìn)行圖像處理，能夠客觀、準(zhǔn)確、迅速地對作物病害進(jìn)行診斷，并得到作物病害的種類以及受害程度，從而指導(dǎo)農(nóng)業(yè)人員合理采取防治措施。為了診斷和識別作物病害類型，需要把病斑從葉片圖像中分割并提取出來。葉片病斑圖像分割是圖像分析和圖像處理的首要步驟，是對植物病害圖像進(jìn)行處理的基礎(chǔ)，是實(shí)現(xiàn)植物病害情況自動檢測和田間管理自動化的前提，其結(jié)果直接決定著最終分析結(jié)果的準(zhǔn)確程度。本研究基于改進(jìn)的遺傳算法，提出了一種病害葉片的病斑分割方法，該方法能夠有效得到病害葉片的病斑圖像，具有應(yīng)用前景。

參考文獻(xiàn)：

[1]王樹文，張長利. 基于圖像處理技術(shù)的黃瓜葉片病害識別診斷系統(tǒng)研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報，2012，43（5）：69-73.

[2]Wang X F，Huang D S. A novel Multi-Layer level set method for image segmentation[J]. Journal of Universal Computer Science，2008，14（14）：2428-2452.

[3]Wang X F，Huang D S，Du J X，et al. Classification of plant leaf images with complicated background[J]. Applied Mathematics and Computation，2008，205（2，SI）：916-926.

[4]Du J X，Huang D S，Wang X F，et al. Computer-aided plant species identification （CAPSI） based on leaf shape matching technique[J]. Transactions of the Institute of Measurement and Control，2006，28（3）：275-284.

[5]Du J X，Huang D S，Wang X F，et al. Shape recognition based on neural networks trained by differential evolution algorithm[J]. Neurocomputing，2007，70（4/6）：896-903.

[6]鄭小東，王曉潔，趙中堂 基于形狀特征的植物葉柄與葉片分割算法[J]. 計算機(jī)工程與設(shè)計，2010，31（4）：9封3-918.

[7]Li Y F，Zhu Q S，Cao Y K，et al. A leaf vein extraction method based on snakes technique[C]. Proc IEEE International Conference on Neural Networks and Brain，2005：885-888.

[8]虎曉紅，李炳軍，席磊. 基于多示例圖的小麥葉部病害分割方法[J]. 農(nóng)業(yè)工程學(xué)報，2012，28（13）：154-159.

[9]傅弘，池哲儒，常杰，等. 基于人工神經(jīng)網(wǎng)絡(luò)的葉脈信息提取[J]. 植物學(xué)通報，2004，21（4）：429-436.

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

[11]王靜，張云偉. 一種煙葉病害的圖像增強(qiáng)處理方法[J]. 中國農(nóng)學(xué)通報，2011，27（6）：469-472.

[12]鄭宏，潘勵. 基于遺傳算法的圖像閾值的自動選取[J]. 中國圖象圖形學(xué)報，1999，4（4）：65-68.

[13]Lai C C，Chang C Y. A hierarchical evolutionary algorithm for automatic medical image segmentation[J]. Expert Systems With Applications，2009，36（1）：248-259.

[14]Zahara E，F(xiàn)an S k S，Tsai M D.Optimal multi-thresholding using a hybrid optimization approach[J]. Pattern Recognition Letters，2005，26：1085-1095.