基于OTSU算法的蘋果果實病斑圖像分割方法

薛 飛，劉立群

(甘肅農(nóng)業(yè)大學(xué) 信息科學(xué)技術(shù)學(xué)院，甘肅 蘭州 730070)

0 引 言

中國的蘋果生產(chǎn)和消費已經(jīng)位居世界之首[1]。在蘋果種植面積和產(chǎn)量日益增長的情況下，蘋果果實的各種病變(如黑點病、斑點落葉病、苦痘病、紅點病、痘斑病、日灼病等)也日益增多，嚴重影響了果農(nóng)的經(jīng)濟收益，因此對蘋果進行檢測對提升蘋果整體的品質(zhì)具有重要的意義。

目前，傳統(tǒng)的檢測方法以人工肉眼檢測為主，受人為主觀判斷容易產(chǎn)生錯誤，降低了病變識別準確度。隨著經(jīng)濟的快速發(fā)展，目前人工成本越來越高。隨著技術(shù)的不斷發(fā)展升級，能夠替代人工肉眼識別的機器視覺的出現(xiàn)顯得更為重要。機器視覺領(lǐng)域包括圖像處理、智能控制、電光源照明、傳感器檢測、模擬數(shù)字視頻技術(shù)等。圖像處理是機器視覺的基礎(chǔ)，其中圖像分割是按照一定的原則將一幅圖像分為若干的具有單獨性質(zhì)的子集，并提取出感興趣目標的技術(shù)和過程。

因此，利用圖像分割算法對蘋果病斑圖像識別進行研究具有重要的實際意義和應(yīng)用前景。目前該領(lǐng)域的研究對象一般為黃瓜、西紅柿、柑橘、馬鈴薯等常見病害圖像。國外研究學(xué)者已經(jīng)開展了大量工作，文獻[2]為了分割出櫻桃白粉病病害區(qū)域，采用自適應(yīng)閾值分割方法，結(jié)果表明分割的病斑區(qū)域可以有效地反映疾病感染水平。文獻[3]將Sobel邊緣檢測算子應(yīng)用于大麥葉片病斑分割實驗中，從而實現(xiàn)了病斑與背景的分離[4]。文獻[5]選取種子像素并采用區(qū)域生長迭代法和分裂合并方法對柑橘皮病斑進行了分割，結(jié)果表明柑橘皮病斑區(qū)域分割結(jié)果良好。文獻[6]通過實驗對香蕉病害葉片病斑提取，選擇最優(yōu)門限閾值，準確將病斑分割出來[7]。文獻[8]對蘋果進行了形狀判斷的研究，依靠軸定向可以采集蘋果在不同角度的5幀圖像并使用計算機進行圖像分析處理。文獻[9]提出在理論上任意顏色都可以用R、G、B分量不同的數(shù)值組合來進行呈現(xiàn)，實驗數(shù)據(jù)表明該理論的誤差很小，但是這種方法增加了計算量，同時也降低了速率，增加了實際誤差[10]。文獻[11]采用機器視覺對草莓形狀、大小及顏色等特征進行分級方法研究[12]。國內(nèi)學(xué)者也開展了相關(guān)研究，文獻[13]提出的改進全卷積神經(jīng)網(wǎng)絡(luò)的黃瓜葉部病斑分割方法可以對不同黃瓜葉部病斑做到精細化分割。文獻[14]提出的LBP和OTSU相結(jié)合的病害葉片圖像分割方法使病害葉片分割更完全。文獻[15]提出的基于樸素貝葉斯的病害圖像分割方法對柑橘潰瘍病葉片圖像進行分割研究，達到了較為適宜且精確度較高的程度。文獻[16]提出了一種改進全卷積神經(jīng)網(wǎng)絡(luò)玉米葉片病斑分割方法，可以準確分割出玉米葉部病斑區(qū)域。文獻[17]對HSV、Lab、YCbCr和RGB幾種顏色空間下水稻稻瘟病、細菌性條斑病和稻曲病3種病害圖像分割進行了研究，取得了不錯的分割效果。可見，利用圖像處理算法對病害進行分割與識別是一種非常有效的方法，將其應(yīng)用于不同類型的蘋果病斑圖像的分割識別領(lǐng)域，可快速簡單地進行蘋果病斑識別，節(jié)省人力物力。

針對傳統(tǒng)人工肉眼檢測的缺陷，該文應(yīng)用最大類間方差(OTSU)對不同類型的蘋果病斑圖像進行分割研究，提出了基于OTSU算法的蘋果果實病斑圖像分割方法。設(shè)計開發(fā)了蘋果病斑圖像分割處理系統(tǒng)，系統(tǒng)基于MATLAB GUI開發(fā)界面，將讀取的蘋果彩色病斑圖像分別進行灰度處理、直方圖均衡化、濾波增強、模糊增強、圖像分割、識別病斑區(qū)域等一系列操作，分別選取蘋果黑點病、斑點落葉病、苦痘病、紅點病、痘斑病、日灼病等六種病斑果實圖像進行分割處理，實現(xiàn)病斑圖像分割結(jié)果展示。

1 理論基礎(chǔ)

1.1 最大類間方差算法分割原理

廣泛流行的圖像分割算法是最大類間方差，又稱大津法(OTSU)，是日本學(xué)者大津展之在1979年提出的。其算法思想是通過最大類間方差準則來選取最優(yōu)閾值。

OTSU算法基本原理是：假設(shè)圖像中有L個灰度等級，其中灰度值為j的數(shù)目為nj，則有圖像中總的像素公式為：

(1)

每個灰度值概率公式如下：

(2)

假設(shè)在(0～L)灰度內(nèi)存在灰度k將圖像分為兩類，那么公式如式(3)所示。

(3)

此外兩類灰度值均值計算方法分別如式(4)和式(5)所示。

(4)

(5)

通過公式可以計算出圖像總體灰度均值為wT=pAwA+pBwB，根據(jù)方差計算公式可得出式(6)[18]。

δ2=PA(ωA-ωT)2+PB(ωB-ωT)2

(6)

通過OTSU算法的基本原理可以得到OTSU求取圖像最佳閾值的公式(7)，方差越大，效果越好[19]。

(7)

1.2 MATLAB及MATLAB GUI原理

隨著面向?qū)ο蠹夹g(shù)的興起，圖形用戶界面(GUI)的設(shè)計與開發(fā)已經(jīng)成為一種大的趨勢。MATLAB平臺可建立基于用戶完整的圖形用戶界面，對于圖像的分割處理更加精準和簡易[20]。

利用MATLAB GUI實現(xiàn)圖像處理一體化平臺設(shè)計可以充分發(fā)揮MATLAB在圖形可視化方面的特性。平臺設(shè)計中充分利用了MATLAB的各種圖形對象，如按鈕、文本框、菜單、圖軸等控件，通過鼠標拖入控件來創(chuàng)建對象，編寫相應(yīng)回調(diào)函數(shù)實現(xiàn)平臺的算法集成和交互可視化功能，為用戶有效利用多種方法進行圖像處理提供了便利。

1.3 蘋果果實病斑分類

目前，蘋果的各種病變體現(xiàn)在果實病斑上，主要包括以下六種類型：黑點病、斑點落葉病、苦痘病、紅點病、痘斑病及日灼病。

蘋果黑點病一般局限在果實表皮，不深入果肉[21]，影響蘋果果實外觀、經(jīng)濟價值。蘋果斑點落葉影響蘋果外觀病貯藏期間還易感染其他病菌，并感染其他果實，造成經(jīng)濟損失。蘋果苦痘病果面病斑深褐色至黑褐色[22]，嚴重影響蘋果外觀、口感和經(jīng)濟價值。蘋果紅點病出現(xiàn)在果皮表面，影響外觀、果農(nóng)經(jīng)濟收入[23]。蘋果痘斑病表現(xiàn)在果實表面，病變嚴重可以深達果肉[24]，易感染其他果實造成經(jīng)濟損失。蘋果日灼病是由果面高溫和太陽光的輻射所引起，使蘋果失去食用價值[25]。

2 蘋果果實病斑圖像分割方法

2.1 蘋果果實病斑圖像分割方法原理

針對傳統(tǒng)人工肉眼檢測的缺陷，該文提出了基于OTSU算法的蘋果果實病斑圖像分割方法。該方法基于MATLAB平臺，將讀取的蘋果彩色病斑圖像分別進行灰度處理、直方圖均衡化、濾波增強、模糊增強、圖像分割、識別病斑區(qū)域等一系列操作，分別選取蘋果黑點病、斑點落葉病、苦痘病、紅點病、痘斑病、日灼病六種病斑果實圖像進行采樣處理，利用OTSU算法對六種蘋果病斑圖像進行分割識別。

2.1.1 蘋果果實病斑圖像分割方法

蘋果果實病斑圖像分割方法包含以下四個模塊：讀取蘋果病變圖像模塊、圖像灰度處理模塊、圖像預(yù)處理模塊、圖像分割模塊。

讀取蘋果病變圖像模塊實現(xiàn)蘋果病斑圖像的讀入功能，首先對蘋果黑點病、斑點落葉病、苦痘病、紅點病、痘斑病、日灼病六種病變進行采樣處理，在系統(tǒng)分別對應(yīng)的功能區(qū)進行讀入。圖像灰度處理模塊實現(xiàn)灰度圖像處理功能，將蘋果彩色病斑圖像讀入后自動將蘋果病斑圖像進行灰度處理并顯示。圖像預(yù)處理模塊，建立預(yù)定義的濾波算子，模糊增強濾波器，將原始圖像按指定的濾波器進行濾波增強處理，并計算出圖像的直方圖。圖像分割模塊，利用OTSU算法計算出圖像的一個閾值，可以用來區(qū)分圖像的前景和背景部分，然后顯示病斑分割結(jié)果。

2.1.2 蘋果果實病斑圖像分割方法流程

Step1：讀取蘋果病斑圖像。

Step2：對蘋果病斑圖像進行灰度處理。

Step3：建立預(yù)定義的濾波算子，模糊增強濾波器，將原始圖像按指定的濾波器進行濾波增強處理，并計算出圖像的直方圖。

Step4：利用OTSU算法計算出圖像的一個閾值finalT，顯示病斑分割結(jié)果。

2.2 蘋果病斑圖像分割處理系統(tǒng)

2.2.1 總體設(shè)計方案

該文基于MATLAB平臺，運用OTSU算法對蘋果病斑圖像進行分割，并利用MATLAB GUI功能實現(xiàn)病斑圖像分割結(jié)果展示，設(shè)計開發(fā)了蘋果病斑圖像分割處理系統(tǒng)。

由于照片采集過程中會受到外部光源等一系列不確定因素的影響，可能會影響蘋果病斑識別的正確率，因為存在這些不確定性因素，所以在蘋果病斑識別過程中存在一定的復(fù)雜性。采集到的蘋果病斑圖像進行識別分割，因為受光源、色彩等因素的影響，所以在識別過程中先將彩色圖像進行處理轉(zhuǎn)換為灰度圖像，并進行圖像的預(yù)處理，然后進行病斑區(qū)域分割，以提高病斑分割正確率。蘋果病斑圖像分割處理系統(tǒng)總體設(shè)計方案如圖1所示。

圖1 總體設(shè)計方案

總體設(shè)計方案中的分割識別處理，分別讀取蘋果黑點病、斑點落葉病、苦痘病、紅點病、痘斑病、日灼病六種病斑圖像，將原圖像變換為灰度圖像，然后進行圖像的預(yù)處理，最后輸出結(jié)果并保存圖像，分割識別結(jié)束。

2.2.2 蘋果病斑圖像分割處理系統(tǒng)處理流程

利用OTSU算法在MATLAB GUI平臺對蘋果病斑圖像進行分割處理得出實驗數(shù)據(jù)。蘋果病斑圖像分割處理系統(tǒng)的處理步驟包括：讀取圖像、灰度處理、直方圖均衡化、濾波增強、模糊增強、圖像分割、識別病斑區(qū)域，如圖2所示。

圖2 蘋果病斑圖像分割處理系統(tǒng)處理流程

2.2.3 系統(tǒng)設(shè)計界面

根據(jù)總體設(shè)計方案，設(shè)計開發(fā)出蘋果病斑圖像分割處理系統(tǒng)界面，如圖3所示，六種蘋果病斑圖像分類選擇界面如圖4所示。

圖3 蘋果病斑圖像分割處理系統(tǒng)界面

圖4 六種蘋果病斑圖像分類選擇界面

3 蘋果病斑圖像分割實驗

3.1 實驗設(shè)計

選取蘋果黑點病、斑點落葉病、苦痘病、紅點病、痘斑病、日灼病六種病斑圖像進行實驗，驗證OTSU的圖像閾值尋優(yōu)能力及圖像分割效果。圖像采集選擇室外自然光采集。計算機處理器為Intel Core i5，主頻為1.8 GHz，內(nèi)存為8.0 GB，顯卡Intel HD Graphics 6000，顯卡內(nèi)存1 536 MB，數(shù)碼相機選用Cannon G7。圖片處理軟件是Matlab 2019a。

根據(jù)果實病斑的實際大小，將分割出的目標按照形狀、大小等特征進行劃分，以下幾種情況的目標可忽略不計入分割出的病斑數(shù)：目標過小成點狀、目標過大成片狀、目標成線條狀。以分割出的果實病斑數(shù)與果實實際病斑數(shù)的比較來評價OTSU分割算法的分割效果。先定義Nm為算法分割識別出的總目標數(shù)。Nf為人工目視識別得到的實際病斑數(shù)，Nt為算法可分割識別出的病斑數(shù)。

分別定義識出率(R識別)、識別成功率(R成功)、誤識率(R錯誤)和漏識率(R漏識)，選取識別率、成功率、誤識率和漏識率4個指標進行衡量[26]。

(8)

(9)

(10)

R漏識=100%-R成功

(11)

3.2 實驗結(jié)果與分析

六種蘋果病斑圖像分割閾值結(jié)果如表1所示，蘋果果實黑點病、斑點落葉病、苦痘病、紅點病、痘斑病、日灼病六種病斑類型圖像分別用A#、B#、C#、D#、E#、F#表示。

表1 六種蘋果病斑圖像分割效果比較

將六種蘋果病斑圖像的六幅圖像分別用OTSU分割方法進行分割后尋取的最優(yōu)閾值如表2所示。

表2 六種蘋果病斑圖像分割最優(yōu)閾值

由表2可以看出，不同類型病斑圖像由于光照或自身原因，分割后得到的最優(yōu)閾值并不相同。由此可見OTSU算法會根據(jù)實際情況得出各圖像的最優(yōu)閾值。

蘋果病斑圖像分割處理系統(tǒng)對六種不同的蘋果病斑圖像進行分割后的結(jié)果如圖5所示。根據(jù)表1和表2及圖5分割圖像分析得出，圖5(a)所示黑點病斑圖像的識別率為61.9%。由于病斑點的顏色深淺不同、病斑大小不同及自然光照不充足，所以部分偏小病斑和右下方成片狀無法分割。圖5(b)所示蘋果斑點落葉病斑圖像由于左側(cè)病斑偏小顏色偏淺并且下方連城片狀無法分割，所以識別率為66.7%。圖5(c)所示蘋果苦痘病斑圖像的識別率為100%。由于病斑點大小差別不大，光線照射充足所以識別率為100%。但同時錯誤率也有11.11%，造成這種情況的原因是左側(cè)病斑點與周圍環(huán)境連城片，蘋果頂端凹陷處成黑色斑點被誤識別為病斑點。圖5(d)所示紅點病斑圖像的識別率為47.37%。造成這一結(jié)果的原因是紅點病斑多而群發(fā)，且都集中在蘋果右下側(cè)分割后與背景顏色連接成片狀無法分割。圖5(e)所示痘斑病斑圖像分割識別率為85.71%，大部分病斑點都分布在蘋果果實上端、光照充足，病斑點大小顏色相近，未出現(xiàn)成片狀分割結(jié)果，但是誤把蘋果果實頂端的凹陷處識別為病斑點。圖5(f)所示蘋果日灼病斑圖像的原始計算值中識別率計算結(jié)果超過100%，因為光線和果實自身的影響、OTSU算法計算出的分割閾值存在缺陷，導(dǎo)致分割出過多誤識的目標，根據(jù)前面假設(shè)，果實病斑的實際大小與目標相差過遠，因此將圖5(f)所示蘋果日灼病斑圖像中下方成片、微小的目標可忽略不計入分割出的病斑數(shù)。所以對蘋果日灼病斑圖像的分割總目標數(shù)Nm進行矯正，計算出識別率為100%。

圖5 六種蘋果病斑圖像分割結(jié)果

綜合表1、表2實驗結(jié)果和圖5六種蘋果病斑圖像分割結(jié)果，識別分割目標已經(jīng)基本和背景分離，初步達到預(yù)期效果。但是識別成功率還是低于識別率，并存在一定的錯誤和漏識。

4 結(jié)束語

針對傳統(tǒng)人工肉眼檢測的缺陷，提出了基于最大類間方差法(OTSU)的蘋果果實病斑圖像分割方法。設(shè)計開發(fā)了蘋果病斑圖像分割處理系統(tǒng)，系統(tǒng)基于MATLAB GUI開發(fā)界面，將讀取的蘋果彩色病斑圖像首先轉(zhuǎn)換為灰度圖像，并進行圖像的預(yù)處理，然后進行病斑區(qū)域分割，以提高病斑分割正確率。實驗分別選取蘋果黑點病、斑點落葉病、苦痘病、紅點病、痘斑病、日灼病六種病斑果實圖像進行采樣處理，利用OTSU算法對六種蘋果病斑圖像進行分割識別。分割實驗結(jié)果顯示，對于病斑適中、顏色較深的蘋果病變區(qū)域分割后識出率和識別成功率較高。但是該系統(tǒng)識別成功率還是低于識別率，并存在一定的錯誤和漏識，分割算法還有待進一步改進。