基于漸進式分割的蔬菜病蟲害識別仿真研究

李莉杰，王寶祥

(河南大學民生學院，河南 開封 475001)

1 引言

病蟲害是影響蔬菜種植與生產質量的關鍵性因素，因此有效地識別病蟲害能從根本上保障蔬菜的產量與品質[1]。僅憑肉眼的觀察無法實現精準的識別，為此，需設計一種識別精度高、速度快的計算機圖像處理系統，利用圖像分割技術區分病斑區域和正常區域，分割精度是影響識別效果的關鍵因素。當前常見的相關圖像處理技術有邊緣檢測法、神經網絡法等[2-3]。為提升圖像處理效果，已有學者提出優化措施。

高雄[4]等人指出國內主要利用農藥解決病蟲害問題，且精確施藥是應對農藥大規模噴灑的有效措施，其中的關鍵點為針對病蟲害位置進行判斷識別，然后控制農藥的噴灑。在該過程中，對采集到的農作物圖片進行相應預處理，再對蟲害進行特征識別提取，最后利用模糊識別方法完成蟲害圖像分類。王彥翔[5]等人針對農作物病蟲害識別問題，引入了深度學習法。首先分析了深度學習中的圖像識別技術基本運行原理，根據高光譜成像和深度學習方法相互結合，實現農作物病蟲害識別檢測。洪波[6]等人對近些年陜西省的蔬菜病蟲害和田間識別技術待優化等相關問題進行研究，將php+mysql當作開發工具，設計并開發了微信平臺下蔬菜病蟲害專家識別診斷系統。該系統中包含病蟲害識別診斷、農業資訊及日常生活幾個功能模塊，實現病蟲害的查詢和專家在線識別診斷以及植保實時推送發布等功能。系統用戶可以利用該系統和專家實現在線溝通交流，實時掌握病蟲害相關信息與防治策略。但上述方法存在病蟲害特征點選取不準確的問題。

病蟲害識別是蔬菜生產產業中的重要環節，為提升蔬菜的蔬菜種植質量，優化識別技術，提出基于漸進式分割的蔬菜病蟲害識別方法。

2 漸進式分割方法

漸進式分割算法是對圖像形狀進行分割的一種方法，該方法可根據視覺關鍵點，提取圖像有效信息。在實現圖像分割過程中，所選取分割線需滿足下述規則：

1)分割線需在圖像或給定區域內部選取；

2)分割線間不相交。

其具體分割算法及過程如下所示：

首先給定區域S，利用IECDS方法獲取區域S的關鍵點Ai，其中，i表示關鍵點數量。進行分割時，需考慮弦弧比，因此漸進式分割過程可表示為

(1)

式中，D表示兩關鍵點間直線距離，L表示兩關鍵點間弧長。根據上述過程，可實現圖像關鍵點提取及圖像分割，處理結果如圖1所示。

圖1 漸進分割過程

漸進式分割是一種高效的圖像分割手段，為更好的應用該方法，本文將通過采集蔬菜病蟲害圖像及其圖像處理，為病蟲害識別提供可信數據。

3 蔬菜病蟲害圖像的獲取與處理

3.1 素材圖像的獲取

所采集的蔬菜圖像來源于某蔬菜試驗基地，使用攝影儀器在自然光線優良的環境下直接采集蔬菜圖像。盡管蔬菜的病蟲害一般能夠引起全身癥狀，然而很多病蟲害癥狀均會在葉部表現出來。

蔬菜圖像樣本采集的時間段通常在早5點至6點，由于該段時間為蔬菜生長較為旺盛的時期，同樣是病蟲害癥狀表現最為顯著的時間，因此依據專家建議將該段時間作為病蟲害圖像采集的最佳時間。通過上述設定獲得兩組蔬菜圖像，如圖2所示。

圖2 蔬菜病蟲害圖像

3.2 蔬菜病蟲害圖像的處理

對蔬菜圖像進行處理主要目的為突出其中的病蟲害信息，并削弱或者消除部分非關鍵信息，提升圖像清晰程度，優化圖像視覺效果。本文將采用直方圖均衡化處理圖像，使圖像變得更為利于接下來的漸進式分割，以精準地識別出蔬菜中的病蟲害。

直方圖均衡化工作原理為壓縮原始圖像中像素數量比較少的部分，而拉伸像素數量比較多的部分[7-8]。假設在某個灰度級范圍之內像素呈現出較為集中的狀態，由于被拉伸的部分像素相比被壓縮的部分要多一些，因此整幅圖像對比程度會顯著性增強，進而圖像也會變得清晰。

針對一幅灰度級在[0～1]內的蔬菜數字圖像，在該灰度級范圍內，出現異常灰度的概率為：

(2)

其中，sk代表蔬菜圖像f(x，y)中第k級灰度值，nk代表圖像中有著灰度值sk的像素數量，n代表圖像中像素總數量。

設nk為自變量，將P(sk)函數曲線作為圖像灰度直方圖。圖像的灰度直方圖能夠直觀的表征圖像中所有灰度值整體情況。灰度直方圖均衡化是指能夠直接作用在圖像像素上的增強方法，也就是依據原圖像灰度直方圖得到呈均勻分布形式的灰度直方圖方法[9-10]。利用公式表達則有

g(x，y)=EHf(x，y)

(3)

式(3)中，EH表示增強函數。此時，增強函數要滿足下面兩個條件

1)EH在0≤s<1是一個單值單調的遞增函數；

2)對0≤s<1有0≤EH<1。

條件(1)為保障原圖像中各個灰度級變換之后依然保持由黑至白的排列順序，即保證變換之后圖像不存在黑白顛倒的問題；條件(2)保證變換之前和之后的灰度值動態活動范圍是一致的，也就是保證變換之后圖像像素值在一個允許范圍之內。

經過上述圖像的灰度直方圖均衡化，可有效增強蔬菜圖像清晰程度。為了更加精準地識別出蔬菜上的病蟲害，對圖像進行二值化，實現病斑部位的分離，同時針對其進行邊緣檢測與細線化操作，將其中的病斑輪廓提取出來，為病蟲害高精度分割識別提供支撐。

3.2.1 圖像二值化

實際上，一幅帶有病蟲害的蔬菜葉片圖像，在其灰度中，病變部分通常和正常的葉片部位灰度值存在顯著性差異，因此其灰度直方圖通常會有雙峰形狀，如圖3所示。

圖3 灰度直方圖雙峰形狀示意圖

圖3中的雙峰形狀中，其中一個峰描述的是正常葉片灰度值變化范圍，另一個描述的是病變位置灰度值變化范圍。在此，將波谷灰度值當作閾值實現病害部分的分離，此種方法即為雙峰法求閾值。上述中的閾值處理表達式為

(4)

其中的t′為求解的閾值。

3.2.2 圖像邊緣檢測

以提取出病變部分的基本輪廓為目的，引入二階微分算子，對蔬菜病蟲害二值圖像進行邊緣檢測操作。

病蟲害位置的邊緣和正常葉邊交接部位在灰度值上會有階梯形狀的灰度變化，梯度運算通常適合應用在邊緣為階梯狀變化的識別檢測中，實際上二階微分L(x，y)是對梯度再執行一次微分操作，更加適應邊緣檢測的實際強度，在蔬菜數字圖像中根據式(5)表示。

(5)

通過圖像微分算子實現邊緣檢測，利用提取得到的病蟲害基本輪廓，對其進行細線化，獲取更為精確的病蟲害外形。實際應用中，細線化操作即將線寬不是很均勻的邊緣線調整為統一線寬。

4 基于漸進式分割的蔬菜病蟲害識別

基于上述圖像采集與處理，利用漸進式分割實現蔬菜病蟲害識別。

針對漸進式操作，設定當前已經分割出的區域是F，背景區域是U，畫筆刷B在F區域內移動過程中不進行計算，當畫筆刷接觸到圖像背景區域，在背景區域U中激發一次優化運算，分割得到一個新區域F′，接著已經分割的區域被更新成F=F∪F′，基于此準備下一次輸入，如圖4(a)所示。

圖4 漸進式分割過程示意圖

其中，S′代表種子點像素，R′代表包圍盒區域，L′代表局部前景像素，dF代表前端前景像素。

針對每次被激發的分割優化，先對期望分割得到的局部前景區域顏色信息進行評估。將B和當前U交集中的像素表征為種子點像素，將其記作S′。以得到一個穩定的評估結果為目的，利用將S′包圍盒變長來增大一定寬度，從而獲取一個更大的包圍盒R′。將R′和當前分割區域F交集像素定義為局部前景像素L′，如圖3(b)所示。接著將S′、L′應用至構建局部顏色模型p(x)中，該模型為高斯混合模型。

根據上述計算與分析，更新背景顏色模型。當用戶交互前，利用全圖隨機采樣的方式初始化一個帶有背景區域顏色的高斯混合模型。在用戶交互進行中，因前景區域陸續被分割，每次交互均會失去一定數量的像素，因此在當前剩余的背景區域范圍內隨機選擇相同數量的像素彌補，同時重新評估高斯混合模型。

獲取圖像背景顏色模型之后，利用多尺度分割法求解能量函數式(6)最小值，獲取分割結果。

E(X)=∑pEd(xp)+λ∑p，qEc(xp，xq)

(6)

式中，λ代表權重值，Ed(xp)代表似然項，其為一個懲罰函數，表征了當圖像像素p標號為xp時的代價。Ec(xp，xq)代表交互能量項。

多尺度分割法求解過程如下：全局圖像分割優化僅在最低尺度上操作，接著在各逐漸精細化尺度上，先將更為粗糙尺度上所得的計算結果實行上采樣獲取一個初始結果，該初始標號結果在圖像大多數區域中均正確，僅在前景標號交界位置較為粗糙。因此，在前景物體邊緣上，利用膨脹與腐蝕得到寬度為固定的窄帶，針對窄帶中圖節點繼續實行圖分割優化，得到更為精細化的標號。

式(6)中的Ed(xp)定義如下：

Ed(xp)=(1-xp)×K′

(7)

式中，K′代表足夠大的常數項。

經上述分析可知，漸進式的分割利用以下方面提升圖像交互式分割效率：其一，在優化過程中僅有當前圖像背景區域像素參與到計算，高效降低了計算過程的復雜程度，且在交互不斷進行中，背景中像素數量不斷減少，速度也會呈現出不斷加快的趨勢。其二，因對圖像前景顏色進行建模使用了局部估計法，式(7)中各個數據項對于圖像像素標號的區分歧義比較小，因此降低了計算過程復雜度。

5 實驗結果與分析

為驗證基于漸進式分割的蔬菜病蟲害識別方法有效性，進行一次實驗。實驗數據來源于某蔬菜種植基地，利用上述所提方法流程針對該試驗地分別進行圖像采集、處理和病蟲害識別。實驗平臺軟件為matlab，處理設備為PC機，該PC機配置為：內存500M，硬盤100G。

以圖2為例，根據上述實驗環境分別對不同研究成果病蟲害圖像處理效果和識別準確性進行驗證。

5.1 圖像處理清晰度

圖像處理效果對比：

分析圖5可知，經所提方法處理可得到清晰的病蟲害病斑圖像，有效區分了病斑與葉片圖像。

圖5 不同研究成果圖像處理效果對比

5.2 關鍵點提取準確度

通過上文分析，進行蔬菜病蟲害圖像關鍵點提取。

通過圖6病蟲害區域分割結果可知，本文方法能夠有效進行關鍵點布設，而關鍵點分布情況影響著病蟲害區域正確識別的準確性。基于此，進行關鍵點布設準確率對比。

圖6 漸進式分割步驟

圖7 不同研究成果關鍵點布設準確性對比

分析上述實驗結果，與文獻成果相比，基于漸進式分割的蔬菜病蟲害識別方法利用灰度直方圖均衡化法對蔬菜圖像進行增強，其中為增強函數設置了需要滿足的條件，有效保障了圖像增強效果。為了更加精準地識別出蔬菜上的病蟲害，對圖像進行二值化，實現病斑部位的分離，同時針對其實行邊緣檢測與細線化操作，布設關鍵點，將其中的病斑輪廓提取出來，為病蟲害高精度分割識別奠定了基礎。在病蟲害識別過程中，通過從局部到全局的漸進式分割方式提取出病蟲害，由粗至細的操作，更加提高了所提方法的識別準確性。

6 結束語

蔬菜是大眾生活中不可缺少的食物，其對于國民經濟而言也十分重要。鑒于當前蔬菜病蟲害識別相關研究成果存在的問題，提出基于漸進式分割的蔬菜病蟲害識別方法，分別通過圖像采集、處理為識別提供支撐，最后通過漸進式分割的方式完成蔬菜病蟲害檢測。經實驗驗證，所提方法性能優越，是一種可行的識別方法。下一步可將漸進式分割法與智能擇優算法相結合，以更好地實現水果蔬菜中病蟲害分類識別。