北方旱育稀植水稻病害圖像識別預處理研究

劉麗娟　劉仲鵬

摘要：引入圖像預處理及模式識別技術，實現北方旱育稀植水稻葉部病害圖像的預處理。結合水稻葉部圖像的特征，對傳統的算法進行調整或改進優化：以改進系數的方法對圖像進行灰度化處理；通過直方圖均衡化提升圖像的對比度；以改進矢量中值濾波算法保護圖像邊緣，濾除圖像噪聲；以優化的均值聚類算法進行圖像分割，獲得水稻病斑圖像的主要特征，從而實現了對目標圖像的去噪、增強，為病害進一步的智能化識別與處理打下良好的基礎。

關鍵詞：旱育稀植水稻；病害圖像預處理；圖像識別

中圖分類號： S126文獻標志碼： A文章編號：1002-1302（2014）01-0092-03

收稿日期：2013-06-01

基金項目：河北省保定市科學技術研究與發展指導計劃（編號：12ZN021）。

作者簡介：劉麗娟（1980—），女，河北保定人，碩士，講師，主要研究方向為精確農業。E-mail：llj_nd@163.com。水稻作物的旱育稀植技術是適用于北方地區氣候與環境特點的寒地栽培模式。水稻病害對其產量、品質和農戶的經濟收益影響極大[1]。在水稻的幾種常見高發病害中，表現出的病征各有不同，但通常都會在其葉片部位以病斑的形式表現出來。由于寒地水稻種植區域廣泛，專家與技術人員配置相對不足，因此種植農戶往往以肉眼觀察和經驗推斷的方法判別病癥，難以精準識別病害種類，勞動強度大，主觀因素多，效率不高[2-3]。隨著信息技術尤其是圖像處理的發展，引入圖像技術對農作物病害進行自動處理、識別，從而提取與分析病害作物的形狀、大小、顏色、紋理等特征，進而科學、合理地治理病害，是當前研究的熱點之一。本研究引入圖像預處理及模式識別技術，以水稻紋枯病為例，實現北方旱育稀植水稻葉部病害圖像的預處理。結合水稻葉部圖像的特征，以改進的方法對其進行灰度化處理；通過直方圖均衡化提升圖像的對比度；以改進的矢量中值濾波法保護圖像邊緣，濾除圖像噪聲；以優化的均值聚類算法進行圖像分割，減小了計算率，降低了復雜度，獲得水稻病斑圖像的主要特征，從而實現了對目標圖像的去噪、增強，為病害進一步的智能化識別與處理打下良好的基礎，并有助于作物的智能化精準施藥。

1旱育稀植水稻病害圖像的獲取

研究所需的旱育稀植水稻病害葉片采集時間為2012年8月，采集地點為河北農業大學農作物及育種基地，經養殖項目負責人及專家鑒定具體病種（水稻紋枯病）。為保證圖像后續處理成功，采用相同的方式對采集葉片進行拍攝。使用索尼A558倍光學變焦CCD彩色數據數碼相機，相機位于葉片上方30 cm，室內人工光照，圖像格式設置為320×240的24位真彩圖，確保顏色及特征清晰，將圖像輸入計算機，以JPG格式保存。

2旱育稀植水稻病害圖像預處理

2.1基于改進自選擇算法的灰度預處理

通常的顏色體系可以分為純黑白、彩色以及灰度色。采集到的旱育稀植水稻病害葉片原始圖像屬于24位真彩色圖像，數據量偏大，因此圖像處理時的計算量也偏大，計算速度與圖像處理的效率受到一定影響。通常的做法是：首先將原始圖像轉換為8位灰度圖像[1]，轉換之后的圖像僅保留灰度信息，對病害圖像預處理已足夠，灰度預處理的過程就是將彩色圖像中還有亮度與色度的RGB模式經過轉換，變成灰度色，從而降低數據量。

一般的灰度化處理僅是簡單地將真彩圖像變換為具有不同灰度級別的灰度圖。為了使灰度圖更加契合于彩圖本身的顏色和亮度特征，不少研究提出了改進的灰度化算法。例如針對顏色特征的HLS算法[4]，針對用戶需求的自選擇算法[5]等。結合水稻紋枯病的顏色特征，為了更突出病斑區域，本研究引入自選擇算法。考慮到病斑圖像的R分量最高，是反映病斑區域的主要分量，而病斑圖像的G、B分量則為次要元素，體現的是葉片以及圖像背景，因此將R分量確定為病斑區域的突出色，將其權重放大；同時將G、B分量的權重減小。灰度化算法如下：

灰度=crR+cgG+cbB

其中：cr≥1，cg≤0，cb≤0，cr+cg+cb=1

這里，以自選擇的方式將R的值設置為大于1，即顯著增強了病斑葉片中的R分量，同時將G分量與B分量的值設置為負值，即在一定程度上削弱了病斑葉片中的G、B分量，從而實現了凸顯病斑圖像特征的目的。經過多次重復試驗，確定R=1.6，G=-0.25，B=-0.15。經過灰度預處理流程之后的圖像，病斑部分與健康部分的對比有了明顯的改善。

2.2直方圖均衡化預處理

對水稻病害葉片病害圖像進行直方圖均衡的思路，是對圖像中像素數少的單元進行壓縮，像素多的則進行拓展，從而盡量使像素灰度值的動態范圍擴大，以“點運算”的方式，使圖像在其任意一個灰度級別都分布一樣的像素數目，形成處理后的輸出圖像，最終使圖像對比度得到改善。一幅圖像的直方圖能夠反映出該圖像中所含的所有灰度級別，以及該灰度級別像素數目之間的統計特征。通過直方圖均衡化的處理方法，能夠顯著改善圖像的對比度與亮度，使其細節清晰，增強圖像整體對比度。

設經過上一步灰度預處理的圖像上任意一點坐標為（x，y），該點的灰度值是f；而經過直方圖均衡化處理之后的新圖像灰度值為h，則可將均衡化視為圖像上坐標為（x，y）的點f到h的映射過程。設灰度共L個級別，定義h為兩點之間的映射函數，表示為：

h=EQ（f）

則h函數應滿足以下條件[6]：（1）在區域0≤f≤L-1中，h函數為遞增函數；（2）如果0≤f≤L-1，則應有0≤h≤L-1。

為滿足以上條件，此處引入累積分布函數作為兩點之間的映射函數，即有：

h=EQ（f）=∑k1j=0nj1n（k=0，1，2，…，L-1）

其中，所采集的病害圖樣中像素總和以n表示，灰度級為當前值的像素之和以nj表示，灰度共L個級別。

根據以上的映射方法，即可結合原始采集病斑葉片圖像灰度，通過映射算法取得均衡化之后的灰度值。具體做法是：首先根據灰度化之后的原始葉部病害圖像求得其灰度直方圖的分布狀況，并得到其統計結果；在此基礎上以累積分布函數作為映射函數，實現圖像的直方圖均衡預處理。圖1所示為直方圖均衡預處理前后的對比。

由圖1可知，均衡化后在病害圖像灰度值范圍內均有直方圖存在。在直方圖均衡化處理前，灰度值中低灰度含量比較高，而處理后各灰度比例分配變得均衡，因此圖像質量得到顯著改善，對比度提高，輪廓細節清楚，病斑邊界清晰。

2.3基于改進矢量算法的快速中值濾波預處理

為了彌補直方圖均衡處理的不足，在均衡化之后還需對圖像進行中值濾波。直方圖均衡化處理之后的圖像亮度往往

比較高，并且出現了一些偽邊緣，影響了對葉片的病害識別。本研究選取的是基于矢量中值濾波的方法，通過非線性濾波技術，保護目標圖像邊緣，濾除圖像噪聲。

矢量中值濾波的處理方法優勢在于精度很高，但傳統的算法涉及到過多的運算量，在系統分析的實時性方面表現不能盡如人意[7]。本研究以改進的快速矢量算法實現中值濾波，對于運算區域之內的數據僅考慮某一時刻移入的數據與移出的數據，較好地降低了由于傳統矢量中值濾波的排序而導致的大量運算，改進的算法具體為：

（1）矢量Vi若位于滑動窗內，則以如下的方式確定該矢量的2范數：

Si=‖vi‖=（∑m1j=1|rj|2）1/2，i=1，2，…，n

上式中，Vi的每一個分量以rj表示；Vi的所有分量的數目以m表示。

（2）設中心像素為Vc，其矢量的2范數為Sc，將待處理集合里的成員進行歸類，歸類標準為各個成員的2范數小于、大于和等于Sc的2范數，記2范數小于Sc的成員個數為n1，2范數等于Sc的成員個數為n2。假若這2組個數均不大于閾值th，則該窗口的中值濾波終止。如果不滿足小于或等于閾值th，則轉下一步。

（3）對矢量Vi的2范數排序，可得序列S（S（1）≤S（2）≤…≤S（N）），只取位于序列中部的子序列，成員數目為t個，將與其關聯的Vi擇出，構建新集合T。

（4）對屬于新集合的全部矢量，求得其分量的加權平均，從而構建出由加權平均所組成的矢量Vwa=（r1，r2，…，rm）。

（5）計算此矢量Vwa=（r1，r2，…，rm）與新集合T里所有成員的距離，將其中的p個較小值構建集合R。

（6）以矢量中值濾波算法處理集合R，保留處理的結果，本滑動窗濾波完畢。

（7）通過增減數據開始下一窗口的濾波操作。

對于以上步驟中t、p等參數的取值，考慮到參數t的作用是簡化運算，增強系統分析的實時性，如果t值過小則難以達到預期效果。結合已有的一些研究成果，在3×3窗口，本研究將其值取為6；參數p的作用為降低噪聲，結合已有的一些研究成果，在3×3窗口，將其值取為4。經過反復試驗，t、p等參數的取值可以滿足處理需求。經過中值濾波處理之后，葉片病害圖像的邊緣依舊清晰，噪聲污染也得到了有效的去除。

2.4基于改進FCM的圖像分割

對于作物病害的圖像分割，不少研究成果均引入了模糊理論。標準模糊聚類分割算法是一種較為常用的方法，但是這種方法涉及到較為大量的運算，當作物病害圖像樣本數目較多時效率明顯降低。文獻[8]提出一種改進的快速模糊聚類分割算法，通過圖像的灰度級來取代復雜度較高的圖像數據，使算法效率得到較為顯著的提升。本研究在圖像分割階段引入這種方法，定義目標函數為[9]：

Jm（U，V）=∑L-11k=0∑C1i=1（μik）m（dik）2h（k）

其中，μik的含義是待處理圖像中像素k對第i個均值聚類隸屬的程度；d的含義是像素k與第i個均值聚類之間的有效距離；h（k）的含義是待處理圖像中像素灰度為k的個數，引入h（k）可以通過圖像的灰度級來取代圖像數據樣本，降低計算復雜度與計算量。以下式計算待處理圖像樣本的c個聚類中心：

vi=∑L-11k=0（μik）mh（k）k1∑L-11k=0（μik）mh（k）（i=1，2，…，c）

迭代過程為：

（1）獲取待處理圖像樣本的灰度級（k=0，1，2，…，L-1），對各類參數進行初始化，迭代次數以r表示，確定聚類中心的數目；

（2）計算待處理圖像樣本的c個聚類中心；

（3）以計算出的聚類中心去刷新模糊分類矩陣，得到新的分類矩陣；

（4）如果新的分類矩陣與原矩陣之差小于某個預先設定閾值ε，則迭代結束，否則r值增1，回到（2）。

迭代結束之后，把圖像的每一個灰度級別以其隸屬度為標準進行歸類，將歸類之后的灰度級與像素進行關聯，從而得到分割圖像。可知對于灰度級為L的圖像樣本，傳統的聚類方法數據量為樣本所含的像素數目，而優化的方法則使其減少到L，提升了處理效率。

結合文獻[8]與文獻[10]選取聚類算法中參數m與ε、c的值，將m取值為3，c取值為2，ε取值為0.1。分別以傳統的標準模糊聚類分割算法與改進算法對相同圖像進行處理，選取迭代次數、首次迭代時間以及最優值Jm進行比較，結果如表1所示。

由表1的比較數據得出，在最優值和迭代次數一致的前提下，改進聚類分割算法的首次迭代時間顯著低于傳統算法，可以證明基于改進算法的FCM在提升圖像分割效率方面的

有效性。圖2所示為已改進算法的FCM分割之后的效果。

至此，水稻葉片病斑已被完整分割，可以為后續的水稻病

3小結

本研究基于圖像處理技術和模式識別技術，以水稻紋枯病為例，對采集到的病害圖像引入灰度預處理、直方圖均衡化和中值濾波，并結合水稻病害圖像的具體特征對以上方法進行了調整或者優化，為病害進一步的智能化識別打下良好的基礎。

參考文獻：

[1]劉立波，周國民. 基于多層感知神經網絡的水稻葉瘟病識別方法[J]. 農業工程學報，2009，25（增刊）：213-217.

[2]許志剛. 普通植物病理學[M]. 北京：中國農業出版社，2002：236-237.

[3]劉立波. 基于圖像的水稻葉部病害診斷技術研究[D]. 北京：中國農業科學院研究生院，2010.

[4]劉興，劉慶祥. 一種彩色圖像轉換為灰度圖像的算法[J]. 現代電子技術，2007，6（6）：134-135，138.

[5]張建德，邵定宏. 改進的基于彩色空間距離的圖像灰度化算法[J]. 機械與電子，2008（1）：63-65.

[6]Toews M D，Pearson T C，Campbell J F. Imaging and automated detection of Sitophilus oryzae （Coleoptera：Curculionidae） pupae in hard red winter wheat[J]. Journal of Economic Entomology，2006，99（2）：583-592.

[7]毛文華. 基于機器視覺的田間雜草識別技術研究[D]. 北京：中國農業大學，2004：1-94.

[8]葉秀清，顧偉康，肖強. 快速模糊圖像分割算法[J]. 模式識別與人工智能，2006，9（1）：66-70.

[9]徐月芳. 基于遺傳模糊C-均值聚類算法的圖像分割[J]. 西北工業大學學報，2002，30（4）：549-553.

[10]高新波，裴繼紅，謝維信. 模糊C-均值聚類算法中加權指數的研究[J]. 電子學報，2010，28（4）：80-83.魯海菊，董梅，崔同敏，等. 從枇杷內生真菌中篩選抗枇杷根腐病菌的活性菌株[J]. 江蘇農業科學，2014，42（1）：95-97.

根據以上的映射方法，即可結合原始采集病斑葉片圖像灰度，通過映射算法取得均衡化之后的灰度值。具體做法是：首先根據灰度化之后的原始葉部病害圖像求得其灰度直方圖的分布狀況，并得到其統計結果；在此基礎上以累積分布函數作為映射函數，實現圖像的直方圖均衡預處理。圖1所示為直方圖均衡預處理前后的對比。

由圖1可知，均衡化后在病害圖像灰度值范圍內均有直方圖存在。在直方圖均衡化處理前，灰度值中低灰度含量比較高，而處理后各灰度比例分配變得均衡，因此圖像質量得到顯著改善，對比度提高，輪廓細節清楚，病斑邊界清晰。

2.3基于改進矢量算法的快速中值濾波預處理

為了彌補直方圖均衡處理的不足，在均衡化之后還需對圖像進行中值濾波。直方圖均衡化處理之后的圖像亮度往往

比較高，并且出現了一些偽邊緣，影響了對葉片的病害識別。本研究選取的是基于矢量中值濾波的方法，通過非線性濾波技術，保護目標圖像邊緣，濾除圖像噪聲。

矢量中值濾波的處理方法優勢在于精度很高，但傳統的算法涉及到過多的運算量，在系統分析的實時性方面表現不能盡如人意[7]。本研究以改進的快速矢量算法實現中值濾波，對于運算區域之內的數據僅考慮某一時刻移入的數據與移出的數據，較好地降低了由于傳統矢量中值濾波的排序而導致的大量運算，改進的算法具體為：

（1）矢量Vi若位于滑動窗內，則以如下的方式確定該矢量的2范數：

Si=‖vi‖=（∑m1j=1|rj|2）1/2，i=1，2，…，n

上式中，Vi的每一個分量以rj表示；Vi的所有分量的數目以m表示。

（2）設中心像素為Vc，其矢量的2范數為Sc，將待處理集合里的成員進行歸類，歸類標準為各個成員的2范數小于、大于和等于Sc的2范數，記2范數小于Sc的成員個數為n1，2范數等于Sc的成員個數為n2。假若這2組個數均不大于閾值th，則該窗口的中值濾波終止。如果不滿足小于或等于閾值th，則轉下一步。

（3）對矢量Vi的2范數排序，可得序列S（S（1）≤S（2）≤…≤S（N）），只取位于序列中部的子序列，成員數目為t個，將與其關聯的Vi擇出，構建新集合T。

（4）對屬于新集合的全部矢量，求得其分量的加權平均，從而構建出由加權平均所組成的矢量Vwa=（r1，r2，…，rm）。

（5）計算此矢量Vwa=（r1，r2，…，rm）與新集合T里所有成員的距離，將其中的p個較小值構建集合R。

（6）以矢量中值濾波算法處理集合R，保留處理的結果，本滑動窗濾波完畢。

（7）通過增減數據開始下一窗口的濾波操作。

對于以上步驟中t、p等參數的取值，考慮到參數t的作用是簡化運算，增強系統分析的實時性，如果t值過小則難以達到預期效果。結合已有的一些研究成果，在3×3窗口，本研究將其值取為6；參數p的作用為降低噪聲，結合已有的一些研究成果，在3×3窗口，將其值取為4。經過反復試驗，t、p等參數的取值可以滿足處理需求。經過中值濾波處理之后，葉片病害圖像的邊緣依舊清晰，噪聲污染也得到了有效的去除。

2.4基于改進FCM的圖像分割

對于作物病害的圖像分割，不少研究成果均引入了模糊理論。標準模糊聚類分割算法是一種較為常用的方法，但是這種方法涉及到較為大量的運算，當作物病害圖像樣本數目較多時效率明顯降低。文獻[8]提出一種改進的快速模糊聚類分割算法，通過圖像的灰度級來取代復雜度較高的圖像數據，使算法效率得到較為顯著的提升。本研究在圖像分割階段引入這種方法，定義目標函數為[9]：

Jm（U，V）=∑L-11k=0∑C1i=1（μik）m（dik）2h（k）

其中，μik的含義是待處理圖像中像素k對第i個均值聚類隸屬的程度；d的含義是像素k與第i個均值聚類之間的有效距離；h（k）的含義是待處理圖像中像素灰度為k的個數，引入h（k）可以通過圖像的灰度級來取代圖像數據樣本，降低計算復雜度與計算量。以下式計算待處理圖像樣本的c個聚類中心：

vi=∑L-11k=0（μik）mh（k）k1∑L-11k=0（μik）mh（k）（i=1，2，…，c）

迭代過程為：

（1）獲取待處理圖像樣本的灰度級（k=0，1，2，…，L-1），對各類參數進行初始化，迭代次數以r表示，確定聚類中心的數目；

（2）計算待處理圖像樣本的c個聚類中心；

（3）以計算出的聚類中心去刷新模糊分類矩陣，得到新的分類矩陣；

（4）如果新的分類矩陣與原矩陣之差小于某個預先設定閾值ε，則迭代結束，否則r值增1，回到（2）。

迭代結束之后，把圖像的每一個灰度級別以其隸屬度為標準進行歸類，將歸類之后的灰度級與像素進行關聯，從而得到分割圖像。可知對于灰度級為L的圖像樣本，傳統的聚類方法數據量為樣本所含的像素數目，而優化的方法則使其減少到L，提升了處理效率。

結合文獻[8]與文獻[10]選取聚類算法中參數m與ε、c的值，將m取值為3，c取值為2，ε取值為0.1。分別以傳統的標準模糊聚類分割算法與改進算法對相同圖像進行處理，選取迭代次數、首次迭代時間以及最優值Jm進行比較，結果如表1所示。

由表1的比較數據得出，在最優值和迭代次數一致的前提下，改進聚類分割算法的首次迭代時間顯著低于傳統算法，可以證明基于改進算法的FCM在提升圖像分割效率方面的

有效性。圖2所示為已改進算法的FCM分割之后的效果。

至此，水稻葉片病斑已被完整分割，可以為后續的水稻病

3小結

本研究基于圖像處理技術和模式識別技術，以水稻紋枯病為例，對采集到的病害圖像引入灰度預處理、直方圖均衡化和中值濾波，并結合水稻病害圖像的具體特征對以上方法進行了調整或者優化，為病害進一步的智能化識別打下良好的基礎。

參考文獻：

[1]劉立波，周國民. 基于多層感知神經網絡的水稻葉瘟病識別方法[J]. 農業工程學報，2009，25（增刊）：213-217.

[2]許志剛. 普通植物病理學[M]. 北京：中國農業出版社，2002：236-237.

[3]劉立波. 基于圖像的水稻葉部病害診斷技術研究[D]. 北京：中國農業科學院研究生院，2010.

[4]劉興，劉慶祥. 一種彩色圖像轉換為灰度圖像的算法[J]. 現代電子技術，2007，6（6）：134-135，138.

[5]張建德，邵定宏. 改進的基于彩色空間距離的圖像灰度化算法[J]. 機械與電子，2008（1）：63-65.

[6]Toews M D，Pearson T C，Campbell J F. Imaging and automated detection of Sitophilus oryzae （Coleoptera：Curculionidae） pupae in hard red winter wheat[J]. Journal of Economic Entomology，2006，99（2）：583-592.

[7]毛文華. 基于機器視覺的田間雜草識別技術研究[D]. 北京：中國農業大學，2004：1-94.

[8]葉秀清，顧偉康，肖強. 快速模糊圖像分割算法[J]. 模式識別與人工智能，2006，9（1）：66-70.

[9]徐月芳. 基于遺傳模糊C-均值聚類算法的圖像分割[J]. 西北工業大學學報，2002，30（4）：549-553.

[10]高新波，裴繼紅，謝維信. 模糊C-均值聚類算法中加權指數的研究[J]. 電子學報，2010，28（4）：80-83.魯海菊，董梅，崔同敏，等. 從枇杷內生真菌中篩選抗枇杷根腐病菌的活性菌株[J]. 江蘇農業科學，2014，42（1）：95-97.

根據以上的映射方法，即可結合原始采集病斑葉片圖像灰度，通過映射算法取得均衡化之后的灰度值。具體做法是：首先根據灰度化之后的原始葉部病害圖像求得其灰度直方圖的分布狀況，并得到其統計結果；在此基礎上以累積分布函數作為映射函數，實現圖像的直方圖均衡預處理。圖1所示為直方圖均衡預處理前后的對比。

由圖1可知，均衡化后在病害圖像灰度值范圍內均有直方圖存在。在直方圖均衡化處理前，灰度值中低灰度含量比較高，而處理后各灰度比例分配變得均衡，因此圖像質量得到顯著改善，對比度提高，輪廓細節清楚，病斑邊界清晰。

2.3基于改進矢量算法的快速中值濾波預處理

為了彌補直方圖均衡處理的不足，在均衡化之后還需對圖像進行中值濾波。直方圖均衡化處理之后的圖像亮度往往

比較高，并且出現了一些偽邊緣，影響了對葉片的病害識別。本研究選取的是基于矢量中值濾波的方法，通過非線性濾波技術，保護目標圖像邊緣，濾除圖像噪聲。

矢量中值濾波的處理方法優勢在于精度很高，但傳統的算法涉及到過多的運算量，在系統分析的實時性方面表現不能盡如人意[7]。本研究以改進的快速矢量算法實現中值濾波，對于運算區域之內的數據僅考慮某一時刻移入的數據與移出的數據，較好地降低了由于傳統矢量中值濾波的排序而導致的大量運算，改進的算法具體為：

（1）矢量Vi若位于滑動窗內，則以如下的方式確定該矢量的2范數：

Si=‖vi‖=（∑m1j=1|rj|2）1/2，i=1，2，…，n

上式中，Vi的每一個分量以rj表示；Vi的所有分量的數目以m表示。

（2）設中心像素為Vc，其矢量的2范數為Sc，將待處理集合里的成員進行歸類，歸類標準為各個成員的2范數小于、大于和等于Sc的2范數，記2范數小于Sc的成員個數為n1，2范數等于Sc的成員個數為n2。假若這2組個數均不大于閾值th，則該窗口的中值濾波終止。如果不滿足小于或等于閾值th，則轉下一步。

（3）對矢量Vi的2范數排序，可得序列S（S（1）≤S（2）≤…≤S（N）），只取位于序列中部的子序列，成員數目為t個，將與其關聯的Vi擇出，構建新集合T。

（4）對屬于新集合的全部矢量，求得其分量的加權平均，從而構建出由加權平均所組成的矢量Vwa=（r1，r2，…，rm）。

（5）計算此矢量Vwa=（r1，r2，…，rm）與新集合T里所有成員的距離，將其中的p個較小值構建集合R。

（6）以矢量中值濾波算法處理集合R，保留處理的結果，本滑動窗濾波完畢。

（7）通過增減數據開始下一窗口的濾波操作。

對于以上步驟中t、p等參數的取值，考慮到參數t的作用是簡化運算，增強系統分析的實時性，如果t值過小則難以達到預期效果。結合已有的一些研究成果，在3×3窗口，本研究將其值取為6；參數p的作用為降低噪聲，結合已有的一些研究成果，在3×3窗口，將其值取為4。經過反復試驗，t、p等參數的取值可以滿足處理需求。經過中值濾波處理之后，葉片病害圖像的邊緣依舊清晰，噪聲污染也得到了有效的去除。

2.4基于改進FCM的圖像分割

對于作物病害的圖像分割，不少研究成果均引入了模糊理論。標準模糊聚類分割算法是一種較為常用的方法，但是這種方法涉及到較為大量的運算，當作物病害圖像樣本數目較多時效率明顯降低。文獻[8]提出一種改進的快速模糊聚類分割算法，通過圖像的灰度級來取代復雜度較高的圖像數據，使算法效率得到較為顯著的提升。本研究在圖像分割階段引入這種方法，定義目標函數為[9]：

Jm（U，V）=∑L-11k=0∑C1i=1（μik）m（dik）2h（k）

其中，μik的含義是待處理圖像中像素k對第i個均值聚類隸屬的程度；d的含義是像素k與第i個均值聚類之間的有效距離；h（k）的含義是待處理圖像中像素灰度為k的個數，引入h（k）可以通過圖像的灰度級來取代圖像數據樣本，降低計算復雜度與計算量。以下式計算待處理圖像樣本的c個聚類中心：

vi=∑L-11k=0（μik）mh（k）k1∑L-11k=0（μik）mh（k）（i=1，2，…，c）

迭代過程為：

（1）獲取待處理圖像樣本的灰度級（k=0，1，2，…，L-1），對各類參數進行初始化，迭代次數以r表示，確定聚類中心的數目；

（2）計算待處理圖像樣本的c個聚類中心；

（3）以計算出的聚類中心去刷新模糊分類矩陣，得到新的分類矩陣；

（4）如果新的分類矩陣與原矩陣之差小于某個預先設定閾值ε，則迭代結束，否則r值增1，回到（2）。

迭代結束之后，把圖像的每一個灰度級別以其隸屬度為標準進行歸類，將歸類之后的灰度級與像素進行關聯，從而得到分割圖像。可知對于灰度級為L的圖像樣本，傳統的聚類方法數據量為樣本所含的像素數目，而優化的方法則使其減少到L，提升了處理效率。

結合文獻[8]與文獻[10]選取聚類算法中參數m與ε、c的值，將m取值為3，c取值為2，ε取值為0.1。分別以傳統的標準模糊聚類分割算法與改進算法對相同圖像進行處理，選取迭代次數、首次迭代時間以及最優值Jm進行比較，結果如表1所示。

由表1的比較數據得出，在最優值和迭代次數一致的前提下，改進聚類分割算法的首次迭代時間顯著低于傳統算法，可以證明基于改進算法的FCM在提升圖像分割效率方面的

有效性。圖2所示為已改進算法的FCM分割之后的效果。

至此，水稻葉片病斑已被完整分割，可以為后續的水稻病

3小結

本研究基于圖像處理技術和模式識別技術，以水稻紋枯病為例，對采集到的病害圖像引入灰度預處理、直方圖均衡化和中值濾波，并結合水稻病害圖像的具體特征對以上方法進行了調整或者優化，為病害進一步的智能化識別打下良好的基礎。

參考文獻：

[1]劉立波，周國民. 基于多層感知神經網絡的水稻葉瘟病識別方法[J]. 農業工程學報，2009，25（增刊）：213-217.

[2]許志剛. 普通植物病理學[M]. 北京：中國農業出版社，2002：236-237.

[3]劉立波. 基于圖像的水稻葉部病害診斷技術研究[D]. 北京：中國農業科學院研究生院，2010.

[4]劉興，劉慶祥. 一種彩色圖像轉換為灰度圖像的算法[J]. 現代電子技術，2007，6（6）：134-135，138.

[5]張建德，邵定宏. 改進的基于彩色空間距離的圖像灰度化算法[J]. 機械與電子，2008（1）：63-65.

[6]Toews M D，Pearson T C，Campbell J F. Imaging and automated detection of Sitophilus oryzae （Coleoptera：Curculionidae） pupae in hard red winter wheat[J]. Journal of Economic Entomology，2006，99（2）：583-592.

[7]毛文華. 基于機器視覺的田間雜草識別技術研究[D]. 北京：中國農業大學，2004：1-94.

[8]葉秀清，顧偉康，肖強. 快速模糊圖像分割算法[J]. 模式識別與人工智能，2006，9（1）：66-70.

[9]徐月芳. 基于遺傳模糊C-均值聚類算法的圖像分割[J]. 西北工業大學學報，2002，30（4）：549-553.

[10]高新波，裴繼紅，謝維信. 模糊C-均值聚類算法中加權指數的研究[J]. 電子學報，2010，28（4）：80-83.魯海菊，董梅，崔同敏，等. 從枇杷內生真菌中篩選抗枇杷根腐病菌的活性菌株[J]. 江蘇農業科學，2014，42（1）：95-97.