基于圖像處理的植物病斑分割方法研究

謝裕睿 徐偉恒 董建娥

摘要：為了將植物葉片圖像中的病斑區域更準確地分割出來，以提高后期病害種類識別的準確率，本文對分水嶺算法和k均值聚類算法進行對比，發現k均值聚類算法具有更好的分割效果，但它在RGB顏色空間進行聚類時容易造成圖像顏色失真，該文針對此缺點進行了改進，在Lab顏色空間中進行k均值聚類并分割。結果表明，基于Lab顏色空間的k均值聚類方法能夠準確地將病斑從背景中提取出來，為植物病害種類的識別提供了科學依據。

關鍵詞：病斑分割;分水嶺;k均值聚類;Lab顏色空間

中圖分類號：TP751

文獻標識碼：A

文章編號：1009-3044（2020）03-0216-02

1 概述

植物生長的各個階段都有可能發生病害，如果不能及時防治將造成很大的經濟損失。目前植物病斑種類的判斷基本依靠植物病理學知識和專家自身經驗，存在一定局限性，容易出現測量失誤、不能精確掌握病斑分布情況，導致最終診斷出現較大偏差[1]。

植物病斑圖像分割是后期基于圖像的病害種類識別的重要前提，因此需要選擇合適的分割算法對彩色病斑圖像進行分割[2]。本文對比了分水嶺算法和k均值聚類算法，選出其中最適合于病斑分割的k均值聚類算法，并在其基礎上加以改進，使其可以準確地分割出病斑區域。

2 基于分水嶺算法的植物病斑分割方法

2.1 基于標記的分水嶺分割算法

分水嶺算法（Watershed Algorithm）是一種結合了地形學和區域生長思想的數學形態學圖像分割方法，分水嶺分割的過程可視為在局部極小值的表面區域刺穿一個小孔，然后把整個模型緩緩浸入，在這過程中局部極小值逐漸擴大其影響范圍，分水嶺分割便是通過尋找形成的“集水盆地”和“分水嶺”來進行分割[3]。用圖1來進行輔助說明。

通過分水嶺算法進行圖像分割的效果不理想，所以本文使用基于標記的分水嶺分割方法，該方法先使用灰度值的特征準則對圖像的前景和背景分別標記，然后再對每個標記區域應用分水嶺分割算法[4]。

2.2 基于分水嶺算法的病斑圖像分割結果

圖2為茶葉白星病的標記分水嶺分割結果，其中圖2（a）為茶葉白星病原圖，圖2（b）為Sobel算子病斑分割結果，經過前景和背景標記后生成圖2（c），圖2（d）為進行分水嶺分割后最終生成的圖像。

從實驗結果可以看出，大多數閉塞區域和陰影對象沒有被標記或者標記錯誤，該算法會將圖像病斑區域過度分割，生成過多的小區域而導致分割目標難以被識別[51。由于該算法是通過區域像素值的大小來進行分割，而大部分帶有病斑的植物彩色圖像中并沒有明顯的亮暗度差異，所以分割效果并不理想。

3 基于k均值聚類算法的病斑分割方法

3.1 k均值聚類算法

k均值聚類算法將樣本聚類成不同的簇，兩個點的距離越小，其相似度越大。設一共有N個數據點需要分為k個數簇，k均值聚類就是要最小化該函數，滿足式（1）。

同時μk的值也應當是數簇k中所有數據點的平均值。因為每一次迭代都是取到J的最小值，因此J不會增加，只會不斷地減小或者不變，保證了k均值聚類最終會到達一個極小值。

3.2 基于RGB顏色空間的k均值聚類算法

與傳統的閾值分割算法相比，基于RGB顏色空間的閾值分割算法能夠更準確地對顏色圖像進行分割。圖3為茶葉白星病在RGB顏色空間k均值聚類分割的結果，其中圖3（a）為茶葉白星病原圖，圖3（b）為基于RGB顏色空間k均值聚類分割后的效果。

由于現場拍攝的圖像不僅要考慮R、G、B三種顏色的高度相關性，還要考慮光線的亮暗度等因素，拍攝圖像的不理想會導致聚類分割時將顏色相同但亮度不同的同一目標分割為不同的區域，所以聚類后圖像的顏色產生失真。本文針對此問題加以改進，將RGB顏色空間轉換到更接近于人類視覺感知的LAB顏色空間，再進行聚類分析。

3.3 基于Lab顏色空間的k均值聚類算法

圖4為茶葉白星病在Lab顏色空間k均值聚類的結果，本文根據植物葉片圖像的病斑顏色、病斑外暈顏色與背景顏色將k值設定為3。圖4（a）為基于Lab顏色空間的聚類分割結果，圖4（b）為被分割出的病斑，圖4（c）為分病斑外暈輪廓，圖4（d）為背景顏色。從實驗可以看出該算法很好的提取了病斑的輪廓與顏色，為后期提取病斑周長、面積等特征提供了基礎。所以基于Lab顏色空間的k均值聚類算法用于病斑分割時既能防止顏色失真，又降低了過度分割的可能性，分割效果好于本文中提到的另外兩種算法。

4 結論

本文對分水嶺算法和k均值聚類算法進行了比較，針對k均值聚類算法在基于RGB顏色空間進行聚類時圖像顏色失真的缺點，提出了一種基于Lab顏色空間的植物病斑彩色圖像分割方法。實驗結果表明，該方法對植物葉片病斑圖像的分割效果較好，為后期病斑特征的提取以及病害種類的識別提供了依據[6]，也為遠程在線診斷植物病害提供了理論基礎[7]。

參考文獻：

[1]馬超，袁濤，姚鑫鋒，等.基于圖像處理技術的甜瓜葉片病斑定級方法研究[J]上海農業學報，2018，34（06）：94-99.

[2]李丹丹，史秀璋，基于HSI空間和K-means方法的彩色圖像分割算法[J].微電子學與計算機，2010，27（07）：121-124.

[3]惠鵬飛，苗鳳娟，陶佰睿，等.基于K-均值聚類和分水嶺算法的PCB彩色圖像分割[J].電視技術，2013，37（13）：32-34.

[4]夏夢琴，周建，王靜，等.基于分水嶺分割的圖像處理算法研究[J].科技視界，2019（17）：71-72.

[5]龔劍.一種基于分水嶺和模糊聚類的多級圖像分割算法[J]第一軍醫大學學報，2004，24（03）：329-331.

[6]濮永仙.基于病斑特征融合的煙草病害圖像檢索方法[J]河南農業科學：2015，44（02）：71-76

[7]彭曙光，李桂彬，唐前君，等.煙草病害診斷專家系統的建立與應用[J]湖南農業大學學報：自然科學版，2010，36（03）：312-316.