基于改進C-V模型的棉花葉片目標提取方法

李 凱 張建華 韓書慶 孔繁濤 吳建寨

(中國農業科學院 農業信息研究所/農業部農業大數據重點實驗室，北京 100081)

棉花病蟲害不僅是影響棉花生長的主要因素，更是影響棉產量與棉花品質的重要因素[1-2]。為全面有效、快速準確地對棉花病蟲害進行早期識別、診斷，須采用先進技術手段，對其進行科學檢測[3-5]。因生長于自然環境下的棉花，一天當中不同時間段所受光照強度并不均勻，因而棉花的成像質量也會受到較大影響，不同時段不同強度的光照都會因局部遮擋在棉花葉片多個部位造成不同程度的陰影區域，加之棉花所處背景生長環境較為復雜，包括背景中滋生的與棉花葉片像素相近的雜草，都會極大降低棉花目標與背景區域的對比度，致使利用普通算法對該類棉花葉片圖像進行目標特征提取時，分割效果并不理想，從而無法獲得較高的提取精準度[6-10]。

近年來，在農業領域對棉花病害葉部的提取方法進行了相關研究。張武等[11]利用K-means聚類算法、Otsu動態閾值分割法、數學形態學法及面積行分割實驗相結合的分割策略，在對小麥條銹病、葉銹病圖像進行分割時，只能實現對復雜背景下單一葉片病斑的有效分割，對于分散在多個葉片上的細小病斑，尚不能進行準確分割；張艷誠等[12]在利用一種基于標記測地重建的分水嶺算法對棉花重疊病斑圖像進行分離時，雖然對棉花葉片輪紋病、炭疽病和紅葉枯病的重疊病斑圖像能夠實現較好分離，然而原始圖像中的細小結構和噪聲會在處理過程中形成“偽”極小值，導致過分割；此外，基于模糊C均值聚類算法(FCM)的作物病害圖像自適應分割方法[13]以及基于顏色與形狀特征的棉花害螨圖像分割方法[14]等在作物分割研究領域也取得了一定進展，但仍然存在許多需要改進之處。綜上所述，K-means聚類算法、Otsu動態閾值分割法、數學形態學法、傳統分水嶺分割算法等一系列傳統方法在對復雜場景下所采集的圖像進行處理時往往存在分割精準度不高的情況，而水平集算法則具有一定的性能優勢，在對圖像進行分割處理時更能獲得較好的分割效果。

本研究擬采用一種基于局部信息與全局信息二值擬合的活動輪廓模型，通過對圖像全局灰度信息與局部二值匹配信息建立能量方程，并結合距離函數約束項，同時引入高斯核函數，從而避免水平集函數重新初始化，以期改善自然條件下所獲取棉花葉片圖像因受不同光照強度及復雜背景環境等各種因素的影響，因邊緣梯度等局部信息變化不明顯而導致的分割效果不理想現象，從而提高演化曲線的穩定性與演化效率，使該方法具有一定魯棒性。

1 改進的變分水平集圖像分割方法

水平集算法由Sethian等[15]提出，用以描述曲線的演化過程。通過將平面閉合曲線C隱含表達為高一維曲面z=φ(x,y,t)的零水平集{φ(x,y,t)=0},以水平集函數來隱含求解曲線演化，從而將曲線演化轉換為純粹的偏微分方程數值求解問題[16]。圖像分割中，假設所給定的棉花葉片圖像，可將其目標前景特征(棉花葉片)的輪廓邊緣視為一條閉合曲線，則對于曲線上每個像素點p(x,y)所構成的閉合曲線C(p,t)，均可將C(p,t)直觀視為像素點p(x,y)在圖像平面上的運動軌跡。因而圖像分割過程當中的曲線演化，便可視為初始輪廓曲線向圖像目標前景特征輪廓邊界運動的過程。

水平集方法與其他一些依照圖像區域的先驗知識進行圖像分割的方法有所不同[17-19]，隨著水平集函數演化過程的不斷進行，由符號距離函數構成的水平集函數在迭代過程中因約束條件被破壞而發生退化，為保證水平集函數在演化過程中的穩定性，必須周期性地不斷將水平集函數φ(x,y,t)重新初始化為符號距離函數，而水平集函數的重新初始化則根據如下偏微分方程實現：

1.1 不需重新初始化的變分水平集方法

該算法的基本思想是將圖像分割問題視為最小化一封閉曲線的能量泛函，能量方程由外部能量項和內部能量項所構成[21]。能量方程表示為：

E(φ)=βEin(φ)+Eout(φ)

(1)

式中：Ein(φ)為水平集函數φ(x,y,t)的內部能量項；β為內部能量項Ein(φ)的權重系數，滿足β>0；Eout(φ)為水平集函數φ(x,y,t)的外部能量項。

內部能量項Ein(φ)用以規范化演化曲線形狀。作為符號距離函數[22]的一個約束能量項，具體表示為：

(2)

外部能量項Eout(φ)則促使演化曲線向棉花葉片圖像中的目標物體邊緣演化靠近，并保證曲線在演化過程中收縮運動至棉花葉片圖像目標物體邊緣處即停止。外部能量項具體表示為：

Eout(φ)=ηUv(φ)+ρTv(φ)

(3)

式中：η和ρ為加權系數，且滿足η>0。Uv(φ)與Tv(φ)分別表示為：

(4)

(5)

式中：D為非負的Dirac函數；H為Heaviside函數[19]；v為棉花葉片圖像I的邊界算子。具體表示為：

(6)

該方法對所分割圖像邊界具有較好的局域化效果，對于前背景對比度較高、目標前景輪廓邊界清晰的圖像具有較好的分割效果。因此，總能量函數(1)可表示為：

(7)

利用變分法[23]極小化總能量方程(7)，可得相應關于水平集函數φ的Euler-Largranze方程：

(8)

通過引入步長τ對式(8)離散網格化，得：

(9)

L(φk(x,y))為方程(8)的離散化表達式，于是，第k+1 步水平集函數的迭代式為：

φk+1(x,y)=τL(φk(x,y))+φk(x,y)

(10)

按照式(10)通過迭代計算便可得到更新后的水平集函數，從而實現曲線演化。

1.2 基于局部和全局信息的改進活動輪廓模型

傳統分割方法沒有充分考慮待分割圖像的全局區域信息，只是利用圖像的邊緣梯度信息，僅能夠對對比度較高的圖像進行有效分割，而對于擁有噪聲、紋理等特征以及前背景分界處對比度不高的邊緣模糊圖像，則會在圖像目標邊緣處造成一定“過分割”；此外，該方法所構建模型對于初始曲線輪廓的選取具有較多的條件限制，若沒有包圍所有待分割物體，則會出現“欠分割”情形[21]。

針對傳統算法[21]中所存在的只考慮圖像紋理特征與邊緣灰度梯度信息等局部結構信息這一缺陷問題，同時為避免在利用基于變分水平集方法的活動輪廓模型分割灰度異質圖像時欠佳效果的發生，本研究提出一種基于曲線演化理論和變分水平集方法的模型，將給定圖像的全局信息與局部信息有機結合，從而使待分割圖像不受灰度不均勻等因素的影響[24-26]。

本研究能量方程構造如下：

E=λEglobal+(1-λ)Epart+Erule

(11)

式中：Eglobal為全局能量項；Epart為局部能量項；Erule為規則化能量項；λ為全局能量項參數，(1-λ)為局部能量項參數，λ滿足條件0 ≤λ≤ 1。λ的精確取值根據圖像的灰度結構信息而設定，對于灰度分布均勻的圖像，全局能量項與局部能量項作用力相等，λ取值應接近或等于0.5，本研究取λ= 0.5；對于灰度分布不均勻的圖像，全局能量項作用力減弱，局部能量項作用效果進一步加強，λ取值應該小于0.5，本研究取λ=0.3或λ=0.2。當圖像被灰度異質腐蝕時，通過對λ取較小值，并利用圖像的紋理特征與邊緣灰度梯度信息等局部結構信息來驅使演化曲線向棉花葉片圖像目標輪廓線處逼近。

1.2.1全局能量項

根據水平集方法，演化曲線C可用Lipschitz 水平集函數φ表示，即C={p∈Ω丨φ(p)=0}，則全局能量項表示為：

(12)

式中：I為所輸入的棉花葉片圖像；p為所輸入棉花葉片圖像的像素點；pΛ為所輸入棉花葉片圖像中心像素點，pΛ∈Ω；權重系數κ1，κ2≥ 0，起平滑作用；Ω為棉花葉片圖像區域，Ω→R；其中Ω被演化曲線C劃分為目標(C內部)和背景(C外部)部分；c1和c2分別表示演化曲線C外部與內部的平均灰度值。

當全局能量項式(12)達到最小值時，對于灰度均勻的棉花葉片圖像，演化曲線C則會逼近棉花葉片圖像中真實的目標輪廓，將目標區域與背景區域分割開。但對于灰度異質圖像而言，經多次迭代后，棉花葉片圖像中的目標區域與背景區域仍無法被正確分割。因此，為解決該問題，從而使模型更具有普適性，本研究算法引入局部能量項來描述圖像紋理特征與邊緣灰度梯度信息等局部結構信息。

1.2.2局部能量項

本研究通過引入廣義高斯分布得到局部灰度擬合的能量泛函，根據變分水平集方法，局部能量項表示為：

(13)

式中：局部擬合函數f1和f2分別表示演化曲線C外部與內部的圖像局部結構信息；Gβ為β的廣義高斯分布的概率密度函數，在此表示衰減率。

在局部能量項中，被演化曲線C所劃分的棉花葉片圖像I中的目標區域與背景區域的平均灰度值c2和c1可分別用演化曲線兩側的擬合函數f1與f2來代替。其中，當棉花葉片圖像中某一像素點p遠離中心像素點pΛ時，局部能量項中該像素點p處的圖像強度I(p)則趨近于0；而當棉花葉片圖像中該像素點p接近中心像素點pΛ時，即p處的圖像強度I(p)在中心像素點的小領域內時，局部能量項將驅使演化曲線C向棉花葉片圖像中目標物體輪廓線處運動。

為避免局部能量項陷入局部極小值，本研究算法充分將全局能量項與局部能量項有機結合，在對棉花葉片圖像進行分割時，利用廣義高斯分布的濾波算子Gβ對棉花葉片圖像進行去噪處理使圖像平滑，并根據棉花葉片圖像強度信息來選擇合適大小的窗口和形狀參數，人工設置演化曲線的初試輪廓。在設置高斯核函數窗口尺度參數時，對于圖像中小目標區域的分割應設置較小的窗口尺度參數，反之設置較大的窗口尺度參數。當局部能量項達到最小值時，演化曲線C將逼近棉花葉片圖像真實目標輪廓線處，從而獲得更好的演化效果。

1.2.3規則化項

基于變分水平集的方法，本研究所構建能量方程的全局項與局部項中演化曲線C都用水平集函數φ(p,t)代替，為保持零水平集的光滑性，本研究在所構建能量方程中引入長度懲罰項，通過最小化能量方程(11)，使演化曲線C盡可能短，從而達到約束演化曲線長度變化的目的。長度懲罰項表示為：

(14)

同時，水平集函數在不斷演化過程中，由于多次重新初始化將導致其逐漸失去光滑性及符號距離函數的特性，因此，為避免重新初始化所造成的演化曲線C偏離真正目標輪廓現象的發生，本研究所提出的算法同時也引入了符號距離約束項。符號距離約束項表示為：

(15)

由長度懲罰項和符號距離約束項共同構成規則化能量項Erule，表示為：

Erule=μL(φ)+ωP(φ)=

(16)

式中：ω為符號距離保持參數，滿足ω>0；μ為長度控制參數，滿足μ>0。若μ較大，本研究所提出的活動輪廓模型則適合檢測棉花葉片圖像中面積較大的目標邊緣，并對棉花葉片圖像中較大目標進行分割，反之則適合檢測棉花葉片圖像中面積較小的目標邊緣，并對其實施分割。

1.2.4算法步驟

基于局部信息與全局信息二值擬合[27-29]的活動輪廓模型算法實現步驟如下：

1)輸入待分割棉花病害葉片樣本圖像I0(p)，并設置初始曲線C0；

2)以廣義高斯分布的濾波算子Gβ對待分割的棉花病害葉片樣本圖像I0(p)進行平滑濾波處理，并對衰減參數β，全局項參數λ，長度控制參數μ，符號距離保持參數ω等進行設置，使其達到適應分割圖像的最優值。本研究各項參數最優取值設定為β=0.8，λ=0.4，μ=0.6×2552，ω=1；

3)根據本研究所構建的能量泛函，按照其離散化形式，對水平集函數進行演化；

4)從水平集函數φ(x,y,t)中提取零水平集{φ(x,y,t)=0}，即演化曲線；

5)判斷水平集函數演化過程是否滿足終止準則，若滿足迭代終止條件，則算法結束，輸出圖像分割結果；否則轉到3)。

2 試驗與結果分析

2.1 圖像分割試驗分析

試驗樣本圖像于2016年5—8月在中國農業大學(西校區)試驗基地棉花種植區(東經116.29°，北緯40.04°)采集獲得。采集對象為生長于不同背景環境的苗期與花鈴期的bt抗蟲棉。采集設備為Canon EOS 5D Mark III單反相機，鏡頭型號為Canon EF 24～70 mm f/2.8L Ⅱ USM，光圈為F18，感光度為ISO-12800，所獲圖像分辨率均設為320像素×240像素。

綜合考慮不同天氣條件(晴天、陰天、雨天)，不同時段的光照強度以及棉花所處的不同生長背景環境(白地膜、黑地膜、秸稈、土壤)等3方面因素，對bt抗蟲棉進行全方位的圖像采集。采集工作分別選擇在3種不同天氣(晴天、陰天、雨天)下的3個不同時段(8:00—10:00、14:00—15:00、17:00—18:00) 依次進行。其中雨天條件下的圖像獲取工作，選擇在雨后30～60 min后棉花葉片仍然沾有水滴的情況下進行。在采集每一幅圖像的過程中，保證單反相機鏡頭始終與水平面成90°夾角，鏡頭距離棉花35～40 cm，通過調整拍攝視角盡可能使棉花位于所采集圖像的中心位置處，以確保所采集圖像的質量。

晴天、陰天、雨天3種天氣下分別采集圖像400幅，其中每種天氣下，所采集的白地膜圖像、黑地膜圖像、秸稈圖像、土壤圖像各100幅，共采集圖像1 200幅。

對本研究中所獲取的棉花葉片樣本圖像，從中隨機選取多幅單個棉花葉片的圖像進行分割試驗，以驗證本研究算法的有效性。分割試驗軟件平臺為Windows7操作系統下的Matlab R2015b；硬件平臺為：Inter(R)Core(TM)i7-4500U CPU@1.80 GHz 2.40 GHz處理器，8 G內存。

事先對采集的樣本利用Photoshop進行標準人工分割，并對前、背景進行標注，將其作為本研究算法進行比較的基準。為評價本研究算法對棉花葉片圖像的真實分割效果，本研究未采用圖像形態學方法填補空洞等其他修飾性算法對分割結果進行后期處理。

關于分割試驗當中的參數設置，規定：時間步長τ= 0.1；衰減參數β∈[0.2,2]；符號距離保持參數ω=1；長度控制參數μ=ο×2552，ο∈[0,1]，具體根據待分割棉花葉片樣本圖像中目標特征區域的面積大小而定，目標特征區域較大，μ取較大值，反之取較小值；全局能量項參數λ、局部能量項參數(1-λ) 設置規則如下：

1)若棉花葉片樣本圖像灰度均勻，全局能量項參數為λ≥0.5，此時全局能量項主導曲線演化，κ1=κ2=1；

2)若棉花葉片樣本圖像灰度不均勻，全局能量項參數為λ<0.5，局部能量項主導曲線演化，κ1=κ2=1，或根據棉花葉片樣本圖像的目標與背景特征的灰度差異取κ1=1，κ2=2。

在對數據庫中每張圖像進行分割時，通過對β、λ、μ、ω等參數進行人工設置，以獲得最佳分割效果。對數據庫中不同圖像進行大量曲線演化試驗，根據全部試驗結果綜合分析考慮，最終確定本研究算法最佳參數取值為β=0.8，λ=0.4，μ=0.6×2552，ω=1。

為后面敘述簡單起見，對棉花樣本圖像所具有的不同背景特征和采集圖像時的天氣條件分別用數字和大寫字母表示：晴天、陰天、雨天3種天氣分別用A、B、C表示；白地膜、黑地膜、秸稈、土壤4種背景特征分別用1、2、3、4表示。所采集圖像共分為12類，即晴天條件下4類：晴天白地膜(A1)、晴天黑地膜(A2)、晴天秸稈(A3)、晴天土壤(A4)；陰天條件下4類：陰天白地膜(B1)、陰天黑地膜(B2)、陰天秸稈(B3)、陰天土壤(B4)；雨天條件下4類：雨天白地膜(C1)、雨天黑地膜(C2)、雨天秸稈(C3)、雨天土壤(C4)。

圖1示出利用本研究算法對晴天條件下所采集的4類(A1，A2，A3，A4)棉花單張葉片圖像進行曲線演化試驗時所生成的部分曲線演化效果圖，初始輪廓均設為圓形(圖1(a0) ～ (d0))，半徑為2/3×120 像素，即半徑r= 80像素，圓心則根據棉花葉片在圖像中所處的大概位置，將其設置為偏向棉花葉片所在的方向，即根據棉花葉片在圖像中所處的3種位置情形：1)偏向圖像左邊部位；2)位居圖像中間部位；3)偏向圖像右邊部位，將初始輪廓圓心分別設置為偏左(圖1(a0))、偏左或偏右均可(圖1(b0)和(c0))、偏右(圖1(d0))等3種形式。每種背景模式的棉花葉片圖像在進行曲線演化試驗時，參數設置均相同(令β=0.8，λ=0.4，μ=0.6×2552，ω=1， 下同)。由圖1可以看出，本研究所提出的模型，對于晴天條件下復雜背景的棉花葉片圖像基本能夠實現葉片目標特征的準確提取，然而當圖像中的棉花葉片目標輪廓不光滑，目標的幾何邊緣較為尖銳時，本研究算法模型則不能實現對該類棉花葉片圖像中目標特征的完全提取。在不均勻光滑的目標葉片輪廓部位，曲線無法演化到達較為尖銳的目標葉片幾何邊緣處，演化曲線并不能將棉花葉片圖像的目標輪廓完全包圍(圖1(d4))。

利用本研究算法對陰天條件下所采集的4類(B1，B2，B3，B4)棉花單張葉片圖像進行曲線演化試驗，初始輪廓均設為圓形(圖2(a0) ～ (d0))，半徑為2/3×120 像素，即半徑r= 80像素，圓心則根據棉花葉片在圖像中所處的大概位置，將其設置為偏向棉花葉片所在的方向，即根據棉花葉片在圖像中所處的3種位置情形：1)偏向圖像左邊部位；2)位居圖像中間部位；3)偏向圖像右邊部位，將初始輪廓圓心分別設置為偏左(圖2(a0))、偏左或偏右均可(圖2(b0)和(c0))、偏右(圖2(d0))等3種形式。每種背景模式的棉花葉片圖像在進行曲線演化試驗時，參數設置均相同(同上)。由圖2可看出，本研究所提出的模型，對于陰天條件下復雜背景的棉花葉片圖像基本能夠實現葉片目標特征的準確提取，然對于圖像中所存在的棉花葉片較為尖銳的輪廓，其輪廓不光滑均勻時，本研究算法模型并未將葉片輪廓完全演化包圍，不均勻光滑的葉片輪廓部位，曲線無法演化到達葉片輪廓邊緣(圖2(a4))。

利用本研究算法對雨天條件下所采集的4類(C1，C2，C3，C4)棉花單張葉片圖像進行曲線演化試驗，初始輪廓均設為圓形(圖3(a0) ～ (d0))，半徑為2/3×120 像素，即半徑r= 80像素，圓心則根據棉花葉片在圖像中所處的大概位置，將其設置為偏向棉花葉片所在的方向，即根據棉花葉片在圖像中所處的3種位置情形：1)偏向圖像左邊部位；2)位居圖像中間部位；3)偏向圖像右邊部位，將初始輪廓圓心分別設置為偏左(圖2(c0)和(d0))、偏左或偏右均可(圖2(b0))、偏右(圖2(a0))等3種形式。每種背景模式的棉花葉片圖像在進行曲線演化試驗時，參數設置均相同(同上)。由圖3可看出，本研究所提出的模型，對于雨天條件下復雜背景的棉花葉片圖像基本上能夠實現葉片目標特征的準確提取，不受雨天天氣對圖像成像質量的影響。

A1，晴天白地膜；A2，晴天黑地膜；A3晴天秸稈；A4，晴天土壤。 n為迭代次數。下同。A1, white film on sunny day; A2, black film on sunny day; A3, sunny straw; A4, sunny soil. n is the number of iterations.The samebellow.圖1 晴天棉花葉片圖像目標特征提取曲線演化實例Fig.1 Example of curve evolution of cotton leaf images target feature extraction in clear days

為驗證本研究算法較傳統算法的優良性能，本研究亦通過傳統模型算法對同種棉花葉片圖像進行了目標特征提取試驗，并與本研究算法進行性能對比。具體在對樣本數據庫中每張圖像進行曲線演化試驗時，規定傳統算法與本研究算法在運算時迭代次數相同，兩種算法分別對不同圖像間運算的迭代次數不同，本研究設定兩算法最大迭代次數均相同(最大1 000次)。傳統算法與本研究算法的曲線演化試驗結果見圖4～6。

由圖4～6可明顯看出，本研究算法能夠對不同天氣條件、不同背景模式下的單張棉花葉片樣本圖像的目標特征(棉花葉片)通過曲線演化來進行精準提取；而傳統無需重新初始化的方法所構造的模型，由于對棉花單張葉片試驗樣本圖像紋理等特征不敏感，且對前、背景分界處對比度較低的邊緣模糊圖像也不敏感，因此容易造成“過分割”(圖4(e)和(f)，圖5(g))；通常傳統方法對于初始輪廓的選取具有一定限制，初始輪廓需完全包圍所有目標特征(棉花葉片)，否則容易出現“欠分割”(圖4(g)，圖5(h)，圖6(e)、(f)和(h))。

B1，陰天白地膜；B2，陰天黑地膜；B3陰天秸稈；B4，陰天土壤。B1, white film on a cloudy day; B2, black film on a cloudy day; B3, cloudy straw; B4, cloudy soil.圖2 陰天棉花葉片圖像目標特征提取曲線演化實例Fig.2 Example of curve evolution of cotton leaf images target feature extraction in cloudy days

2.2 圖像分割算法評價分析

本研究采用的評價方法以像素為基礎，通過計算人工分割圖像中葉片區域的像素數, 以及分別利用本研究算法和傳統算法所得到圖像葉片區域的像素數，使用馬修斯相關系數(Matthews correlation coefficient, MCC)驗證本研究算法的目標特征提取精度，用以表示對棉花葉片樣本圖像目標特征提取的準確率。MCC定義如下：

C1，雨天白地膜；C2，雨天黑地膜；C3雨天秸稈；C4，雨天土壤。C1, White film on rainy day; C2, Black film on rainy day; C3, rainy straw; C4, rainy soil.圖3 雨天棉花葉片圖像目標特征提取曲線演化實例Fig.3 Example of curve evolution of cotton leaf images target feature extraction in rainy days

式中：TP表示真陽性，代表人工分割所得葉片基準區域像素和本研究算法所得葉片前景區域像素重合的數量；TN表示真陰性，代表人工分割所得圖像背景基準區域像素和本研究算法所得圖像背景區域像素重合的數量；FN表示假陰性，代表人工分割所標注為葉片前景基準區域，但本研究算法分割葉片時卻標注為圖像背景區域的像素數量；FP表示假陽性，代表人工分割所標注為圖像背景基準區域，但本研究算法分割葉片時卻標注為葉片前景區域的像素數量。MCC的值為{-1, 1}，其值越大表示分割越精確。

利用本研究算法和傳統算法分別對12類棉花圖像樣本(總共1 200幅，每類100幅)進行測試，并利用MCC法對棉花葉片樣本圖像目標特征提取的準確率進行計算統計，結果見表1：本研究算法與傳統算法的MCC總體水平分別為83.19%和75.10%；其中，本研究算法對晴天、陰天、雨天所獲圖像的MCC分別為82.23%、82.73%和84.60%；傳統算法對晴天、陰天、雨天所獲圖像的MCC分別為74.17%、76.95%和74.17%。分析可知，本研究算法對不同天氣、不同背景模式的單張棉花葉片圖像的葉片目標特征能夠進行完整提取，基本實現了目標特征提取的精準有效性，與傳統算法[21]相比，明顯優于傳統算法。

(a) ～ (d):本研究算法；(e) ～ (h):傳統算法。(a)-(d):The algorithm of this study; (e)-(h): Traditional algorithm.圖4 不同算法對晴天棉花葉片圖像目標特征提取的效果對比Fig.4 Comparison of the effects of different algorithms on the extraction of target features of cotton leaf images in sunny days

(a)～(d):本研究算法; (e)～(h):傳統算法。(a)-(d):The algorithm of this study; (e)-(h): Traditional algorithm.圖6 不同算法對雨天棉花葉片圖像目標特征提取的效果對比Fig.6 Comparison of the effects of different algorithms on the extraction of target features of cotton leaf images in rainy days

表1 本研究算法與傳統算法對棉花葉片樣本圖像目標特征的MCC統計值Table 1 The MCC statistical value of the proposed algorithm and trditional algorithm for the target feature extraction of cotton leaf sample images %

3 結論與討論

針對復雜背景與天氣條件下的棉花葉片圖像，本研究提出一種基于局部和全局信息的改進的活動輪廓模型。針對邊緣模糊和灰度不均勻的棉花葉片圖像，采用廣義高斯函數作為局部二值擬合模型的核函數，并結合圖像區域的局部灰度信息和全局灰度信息建立能量泛函，通過變分水平集方法最小化新的能量泛函，得到曲線演化的梯度下降流方程，從而實現對棉花葉部特征的有效精準提取。本研究所提出的算法通過引入符號函數懲罰項，在演化過程中避免水平集函數不斷重新初始化的同時，同時也引入曲線長度調整項以保證曲線演化的連續性與光滑性。

1) 從對棉花葉片圖像目標特征的提取試驗結果可以看出，本研究算法能夠對所采集的晴天白地膜(A1)、晴天黑地膜(A2)、晴天秸稈(A3)、晴天土壤(A4)、陰天白地膜(B1)、陰天黑地膜(B2)、陰天秸稈(B3)、陰天土壤(B4)、雨天白地膜(C1)、雨天黑地膜(C2)、雨天秸稈(C3)、雨天土壤(C4)等12類棉花葉片樣本圖像進行較為準確地目標特征提取。

2) 本研究所提出的算法對晴天、陰天、雨天3種天氣下的圖像目標特征提取平均準確率分別達82.23%，82.73%和84.60%，總體目標特征提取精度達83.19%，較傳統的無需重新初始化的模型算法而言，目標特征提取精度更高，演化效率更高，具有更好的魯棒性。

3) 當棉花葉片圖像中目標幾何邊緣較為尖銳、目標輪廓不光滑時，本研究算法不能實現對棉花葉片圖像中目標特征的完全提取。在不光滑的葉片目標輪廓部位，曲線無法演化至葉片目標輪廓邊緣處，此時演化曲線并不能將棉花葉片圖像目標輪廓完全包圍。

下一步，針對棉花葉片圖像中存在的葉片目標幾何邊緣尖銳等問題，將著重考慮對本研究算法進行進一步優化改進，以消除該算法的局限性，并提高本研究算法目標特征提取的精準度。同時，針對自然條件下采集的棉花葉片之間存在重疊或者粘連的情況，進一步測試改進，以提高算法的魯棒性和準確性。