基于顯著性檢測與模糊C均值聚類算法的葉片病斑區(qū)域提取方法

郭三華

摘要： 針對自然場景下獲取的葉片病斑圖像，提出利用圖像顯著性檢測與模糊C均值聚類方法相結(jié)合的葉片病斑區(qū)域提取方法。首先，利用SLIC（simple linear iterative clustering）方法結(jié)合馬爾科夫吸收鏈進行圖像顯著性檢測，獲取顯著圖，實現(xiàn)符合視覺特征的顯著區(qū)域檢測；其次，利用模糊C均值聚類算法對顯著圖進行分割，進而獲取二值化后的葉斑圖像；最后，結(jié)合原始圖像獲取最終葉片病斑區(qū)域。試驗結(jié)果表明，葉片病斑區(qū)域提取比較準確，滿足病斑進一步處理和分析的要求。

關(guān)鍵詞： 自然場景；葉片病斑；顯著性檢測；模糊C均值聚類算法；區(qū)域提取

中圖分類號： TP391.41 文獻標志碼： A

文章編號：1002-1302（2017）22-0236-03

植物葉片病斑的形狀及其特征直接反映其所受病害的種類及程度，因此葉片病斑的提取成為當前研究植物病害的熱點和難點問題。隨著人工智能技術(shù)、數(shù)字圖像處理技術(shù)的發(fā)展，越來越多的研究人員將數(shù)字圖像處理技術(shù)、模式識別技術(shù)應(yīng)用到植物葉片病斑的提取過程中。祁廣云等將改進的遺傳算法應(yīng)用到大豆葉斑圖像的提取過程中[1]。吳露露等提出利用色度學模型、邊緣提取、形態(tài)學相結(jié)合的水稻葉瘟病斑的檢測[2]。王建璽等提出利用中值濾波技術(shù)結(jié)合快速C模糊聚類進行煙葉病害識別[3]。但上述各類研究只是針對特定場景下的圖像分析，而且運算較復(fù)雜，對于噪聲敏感性比較強[4]。針對于此，提出利用圖像顯著性檢測與模糊C均值聚類算法相結(jié)合的葉片病斑提取方法。

葉片病斑可確定為整個獲取圖像中的顯著性區(qū)域，對于顯著性區(qū)域的檢測可分為2類計算模型[5]。一類是基于低級視覺特性的自下向上計算；一類是基于高級視覺特性的自上而下計算。前者模型是由數(shù)據(jù)驅(qū)動，整體處理速度較快，后者由任務(wù)和知識驅(qū)動，需要對大量圖像數(shù)據(jù)庫進行學習，檢測結(jié)果受觀察目的性限制，通用性差，計算速度比較慢[6]。所以當前很多顯著性檢測多采用自下向上的計算模型。在自下向上的計算模型中，Harel等將概率統(tǒng)計應(yīng)用到顯著性檢測過程中，提出GBVS（Graph-Based Visual Saliency）算法，對圖像中不同像素建立馬爾科夫鏈，通過其平穩(wěn)分布計算圖像中的顯著性，顯著性檢測效果顯著，但計算復(fù)雜度比較大[7]。本研究采用SLIC（simple linear iterative clustering）方法結(jié)合馬爾科夫吸收鏈的圖像顯著性檢測方法[8]，對葉片病斑的顯著性區(qū)域進行檢測。對獲取的顯著性區(qū)域通過模糊C均值聚類方法獲得最終的病斑分割區(qū)域，進而實現(xiàn)病斑的提取，該方法可充分利用自然場景下獲取的葉片病斑圖像，實現(xiàn)良好的病斑區(qū)域提取。

1 顯著性檢測

SLIC方法結(jié)合馬爾科夫吸收鏈的顯著性檢測方法主要分為2個步驟：（1）提取圖像的超像素及其特征；（2）以圖像中的超像素點作為節(jié)點，連接各個節(jié)點對圖像分割，利用馬爾科夫鏈方法檢測顯著區(qū)域。

Achanta等提出的SLIC算法在較短時間內(nèi)獲得區(qū)域一致性強、邊緣結(jié)合度高的超像素區(qū)域[9]。假設(shè)圖像的邊界作為背景，并設(shè)置邊界節(jié)點為吸收節(jié)點，利用SLIC對圖像進行分割，將各超像素點作為節(jié)點，根據(jù)馬爾科夫鏈狀態(tài)轉(zhuǎn)移概率的概念，節(jié)點間的狀態(tài)從一個狀態(tài)轉(zhuǎn)移到另一個狀態(tài)，一般都向轉(zhuǎn)移概率大的狀態(tài)轉(zhuǎn)移，最后都會轉(zhuǎn)移到概率為1的狀態(tài)（即邊界節(jié)點處），達到吸收狀態(tài)不再轉(zhuǎn)移[10]。利用空間距離和節(jié)點間的轉(zhuǎn)移概率2個主要方面計算各個節(jié)點到吸收節(jié)點的轉(zhuǎn)移概率。顯著性特征比較明顯的區(qū)域，節(jié)點間的轉(zhuǎn)移次數(shù)多、轉(zhuǎn)移時間長，在顯著圖中區(qū)域顏色較亮，其他區(qū)域在顯著圖中的顏色較暗。

具體實現(xiàn)步驟如下：

（1）首先使用SLIC算法對圖像進行分割，將圖中各超像素點作為節(jié)點，定義邊界上的節(jié)點為吸收節(jié)點，其余節(jié)點為臨時狀態(tài)節(jié)點，并使得邊界上的吸收狀態(tài)節(jié)點保持不相連，臨時狀態(tài)節(jié)點為相連。

3 試驗分析

試驗采用數(shù)碼相機所拍攝的3組自然場景下的葉片病斑圖像進行分析。將本研究所提取的顯著圖，利用模糊C均值聚類算法進行分割，并與文獻[13]所采用的OSTU算法分割結(jié)果進行了比較，其整體結(jié)果圖分別如圖1、圖2、圖3所示。試驗結(jié)果表明，該方法能夠有效地實現(xiàn)葉片病斑區(qū)域的提取。

4 結(jié)論

針對自然場景下的葉片病斑圖像，結(jié)合圖像顯著性區(qū)域檢測與模糊C均值聚類方法，對葉片病斑區(qū)域進行了提取。在SLIC方法結(jié)合馬爾科夫吸收鏈的圖像顯著性檢測結(jié)果基礎(chǔ)上，將模糊C均值聚類方法應(yīng)用到顯著圖的分割過程中，并與傳統(tǒng)的OSTU分割方法比較，結(jié)果表明整個提取方法合理有效，但也存在在一些邊界處理不是很理想的情況，需要進一步優(yōu)化模糊C均值聚類算法，使整體的運行效果和速度得到進一步優(yōu)化。

參考文獻：

[1] 祁廣云，馬曉丹，關(guān)海鷗，等. 采用改進遺傳算法提取大豆葉片病斑圖像[J]. 農(nóng)業(yè)工程學報，2009，25（5）：142-145.

[2]吳露露，鄭志雄，齊 龍，等. 基于圖像處理的田間水稻葉瘟病斑檢測方法[J]. 農(nóng)機化研究，2014（9）：32-35.

[3]王建璽，徐向藝. 基于圖像處理和模糊識別技術(shù)的煙葉病害識別研究[J]. 現(xiàn)代電子技術(shù)，2015，38（8）：4-7.

[4]田 凱，張連寬，熊美東，等. 基于葉片病斑特征的茄子褐紋病識別方法[J]. 農(nóng)業(yè)工程學報，2016（增刊1）：184-189.

[5]張 輝. 圖像顯著性計算模型的研究[D]. 北京：中國科學院大學，2013：47-48.

[6]陳 曦，范 敏，熊慶宇. 基于馬爾科夫鏈的顯著性區(qū)域檢測算法研究[J]. 計算機工程與應(yīng)用，2016，52（7）：171-175.

[7]Harel J，Koch C，Perona P.Graph-based visual saliency[J]. Proceedings of Advances in Neural Information Processing Systems，2007，19：545-552.

[8] Sun J，Lu H，Liu X.Saliency Region Detection Based on Markov Absorption Probabilities[J]. IEEE Transactions on Image Processiong，2015，24（5）：1639-1649.

[9]Achanta R，Shaji A，Smith K，et al.SLIC superpixels compared to state-of -the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（11）：2274-2282.

[10] 李毅輝，蔡 勛，王懷暉. 基于視覺機制的圖像顯著性檢測與提取[J]. 系統(tǒng)仿真學報，2014，26（9）：2180-2184.

[11]姜 麗. 模糊C均值聚類的理論與應(yīng)用研究[D]. 杭州：浙江工商大學，2010：32-33.

[12]李志梅. 基于模糊聚類的圖像分割算法研究[D]. 長沙：湖南大學，2008：15-17.

[13]李曉明，沈?qū)W舉，劉 恂，等. 基于OSTU算法的激光光板圖像提取研究[J]. 激光雜志，2015，36（7）：72-73.endprint