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-飽和度-強度（hue-saturation-intensity，HIS）顏色空間中植物葉片病斑提取的方法。使用高精度光學設備采集樣本圖片，用中值濾波對圖像進行平滑處理，去除干擾；將圖像由紅綠藍（RGB）顏色空間轉換到HSI顏色空間，對色調（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域。結果表明，基于HIS顏色空間的植物葉片病斑提取方法是有效可行的。

關鍵詞： 圖像處理；中值濾波；HSI顏色空間；病斑提取；閾值分割

中圖分類號：TP391 41 文獻標志碼：A

文章編號：1002-1302（2015）08-0406-03

收 稿日期：2014-08-22

基金項目：國家自然科學基金（編號：61302118）；河南省高校青年骨干教師資助計劃（編號：2010GGJS-114）。

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

植物病害周期性大暴發，從而導致植物大規模死亡和人類饑荒。1943年，在印度東北部水稻感染褐斑病，據估計造成100萬人死亡。2007年在美國喬治亞洲，植物病害損失約65億美元。由于印度對植物病害預防措施甚至不到美國的10%，因此印度的經濟損失應大于美國。

近年來，由于計算機技術的發展，利用數字圖像處理與圖像分析技術進行植物病害檢測識別已經成為診斷病害的重要手段之一，精確分割是有效進行病害識別的前提 [1]。張振升等針對煮糖過程中蔗糖結晶圖像的特點，將圖像由紅綠藍（RGB）顏色空間轉換到色調-飽和度-強度（hue-saturation-intensity，HSI）顏色空間，用改進的大津法對H分量進行閾值分割，將結晶顆粒從圖像中分離出來 [2]。通霏等針對自然光照條件下牧草圖像的分割問題，在HSI顏色空間中，根據牧草在H分量中的分布特點，使用模糊C-均值的彩色圖像分割法對牧草進行分割，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域；然后，在HSI顏色空間中對剪裁出的子圖像進行邊緣提取，對飽和度和亮度邊緣進行邊緣合成；最后，利用色調信息判定車牌區域，該方法可以[LL]精確定位車牌 [4]。上述幾種方法都是在HSI顏色空間中進行圖像分割，但在HSI顏色空間進行葉片病斑分割的報道較少。

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。本研究提出了1種切實可行的植物葉片病斑提取方法，在HSI顏色空間中，利用色調、飽和度、強度獨立解耦 [5]，利用像素點顏色信息準確量化的特點，將預處理后的圖像利用色調H、飽和度S去除葉片健康區域，得到植物葉片病斑。結果表明，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顏色空間轉換為HSI顏色空間。HSI顏色空間從人的視覺系統出發，采用色調、飽和度、強度描述色彩 [6]。色調是色彩屬性，它表示人的感官對不同顏色的感受。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。強度表示顏色的明亮程度。HSI顏色空間3個分量的圖像如圖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顏色空間的轉換關系為 [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者大津于1979年提出，是1種自適應的閾值分割方法，又叫大津法，簡稱OTSU [8]。它是在灰度直方圖的基礎上用最小二乘法原理推導出來的，具有統計意義上的最佳分割閾值。

記T為圖像I（x，y）前景（目標）和背景的分割閾值，ω1為前景像素個數占圖像總像素個數的比例，μ1為前景灰度均值，ω2為背景像素個數占圖像總像素個數的比例，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、背景的像素個數，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，利用程序自動計算出比較合適的分割閾值 [10]。迭代法開始時選擇1個迭代初值，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，然后對圖像進行迭代運算不斷地更新閾值，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，使用數碼照相機等光學設備直接獲得數字圖像，對圖像裁剪以便于獲得原始圖像的子圖像。

由于灰塵、水等噪聲會對病斑分割和識別產生影響，采用3×3的矩形窗口對圖像使用中值濾波去噪，以削弱或清除噪聲，有利于對葉片病斑提取。

RGB顏色模型是面向硬件設備的模型，不適合人的視覺特征，并且2點之間的歐氏距離與實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3原色之間的相關性很大，不能用1個單一的參數對圖像中的綠色像素劃定1個區間，所以不能靠設置R、G、B的值對圖像進行閾值分割，只有把RGB圖像轉換為灰度圖像后再進行閾值分割，這樣做會使圖像損失色彩特征。

針對含有病斑的植物葉片圖像，在HSI顏色空間下進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之間的關系如表1所示。在HSI顏色空間中，色調H用來區分顏色，飽和度S用來表示顏色的純度，強度I與圖像的彩色信息無關，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，但還是會對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域，不存在任何有價值的病害信息。在HSI顏色空間中，對H分量、S分量進行閾值分割。為了準確地將葉片病斑提取出來，本研究對圖像上色調不同的部位進行了大量取樣，設定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H和飽和度S的取值范圍，強度I對色調H沒有太大影響，不用再加以限制。

通過以上分析，構建去除葉片非病斑區域的模型為：

3 結果與分析

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

由于病斑區域非連通，且顏色復雜，采用經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]。從試驗結果可以看出，圖像灰度直方圖雙峰分布的特點不明顯，采用最大類間方差法分割圖像會帶來一定的誤差， 不能達到最佳分割

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

4 結論

本研究提出了1種在HSI顏色空間中進行植物葉片病斑的提取方法，利用HSI顏色空間H、S、I 3個分量相互獨立的特點，確定H、S分量的閾值，去除葉片健康區域，提取病斑區域，實現了精確的圖像分割。與傳統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間，可以為病斑圖像的病斑提取提供較好的結果。

參考文獻：

[1] 劉 濤，仲曉春，孫成明，等 基于計算機視覺的水稻葉部病害識別研究[J] 中國農業科學，2014，47（4）：664-674

[2]張振升，朱名日 基于HSI顏色空間的蔗糖結晶圖像分割方法[J] 計算機工程與應用，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] 農機化研究，2014，36（5）：43-47

[4]馬永慧 基于邊緣檢測與HSI彩色空間的車牌定位方法[J] 山西電子技術，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[J] 計算機工程，2013，39（9）：12-14，19

[6]程 洪，尹輝娟，馬 麗，等 HSI 模型結合 OSTU 法的玉米種胚檢測算法[J] 農機化研究，2014，36（10）：183-185，191

[7]Gonzalez R C，Woods R E，Eddins S L 數字圖像處理（MATLAB 版）[M] 阮秋琦，譯 北京：電子工業出版社，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，李國勇 圖像的閾值分割法設計[J] 機械工程與自動化，2012（5）：45-46

[10] 何東健 數字圖像處理[M] 西安：西安電子科技大學出版社，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用研究[J] 計算機與現代化，2010，（10）：72-74

[12]張海波，孫 輝，朱興華 基于矢量運算的彩色圖像邊緣檢測算法[J] 西華大學學報：自然科學版，2013，32（6）：1-4

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

[14]祁廣云，馬曉丹，關海鷗 采用改進遺傳算法提取大豆葉片病斑圖像[J] 農業工程學報，2009，25（5）：142-145endprint