彩色温室蔬菜病害图像预处理及提取方法研究

罗晓丽

(福州职业技术学院 计算机系，福建 福州 350108)

彩色温室蔬菜病害图像预处理及提取方法研究

罗晓丽

(福州职业技术学院 计算机系，福建 福州 350108)

为了实现对彩色温室蔬菜病害图像的准确识别，采用计算机图像处理技术对温室蔬菜病害叶片进行智能化识别.首先,对R,G,B这3个通道灰度级的图像采用移动平均法有效地去除了噪声的干扰,其次对分离出来的3个通道图像应用基于中心样条滤波和4个模板方向的Sobel算子计算梯度幅值分别检测边缘,然后再将3个通道的边缘融合，这样既克服了传统灰度图像信息的缺失，又弥补了传统Sobel算子细化边缘的不足，能够充分利用彩色图像的信息提取病斑的几何特征,为计算机进一步诊断病害提供了科学依据.

Sobel算子；通道；圆形度；带权重均方差

图像处理技术在蔬菜病害智能化识别方面的研究起步较晚，1985年,安冈善文等[1]对作物受有害气体SO2污染的红外图像进行了研究.1989年,穗波信雄[2]以茨菰缺乏钙、铁、镁元素为例进行了研究.1992年，他把整个叶片图像直方图的形状和位置作为特征,用阈值法分割出叶片上病态部分和正常部分的叶面积比,但是提取的特征区分效果不明显[3].1999年，Yuataka研究了黄瓜炭阻病的自动诊断技术，他采用遗传算法从分光反射特性和形状特性的角度建立了识别参数，对病害进行了识别.在国内，计算机图像处理技术主要应用在农产品的品质检测与分级和农作物生长信息的获取等方面[4].

本研究主要采用计算机图像处理技术对温室蔬菜病害进行了智能化识别,以黄瓜霜霉病叶片为例研究了蔬菜病害信息的预处理及提取方法.图像处理的目的是为了得到真彩色病害图像的边缘，以CCD摄像机拍摄的病害图像为研究材料，输出病害图像边缘的几何信息，为后续的计算机诊断病害提供依据.

1 采用的研究方法

本研究以Windows XP平台下Visual C++6.0为开发工具来编写图像预处理程序,最终形成完整的图像处理系统.然后，以数字图像处理技术和算法分析为理论依据，通过对CCD摄像拍摄的病害图像进行研究,以获取温室蔬菜病害图像边缘方案，从而达到智能提取病害的几何边缘.

2 图像预处理

2.1通道分离

一张RGB模式的图像，是以红绿蓝三原色的数值来表示的.真彩色RGB模式有R,G,B这3个颜色通道，图像窗口中显示的是没有颜色的灰度图像，并且在不同的通道中病斑图像的边缘和背景会出现明显的灰度反差，为准确提取图像边缘提供了保证.利用Photoshop软件打开黄瓜霜霉病叶片影像，进入通道视图，得到R,G,B通道的灰度图像,如图1至图3所示.

根据3个通道灰度图像的病斑和叶片灰度反差的程度以及色彩和灰度的相关性，设定红色通道、绿色通道和蓝色通道的权重分别为0.2,0.7和0.1．

图1 红色通道Fig.1 Red channel

图2 绿色通道Fig.2 Green channel

图3 蓝色通道Fig.3 Blue channel

2.2图像去噪

以3×3区域作为邻域Z，采用中值滤波技术，基本原理是将除中心点的像素数值排序，取得邻域中各值的中值.邻域中心点像素的灰度值用该组中值代替，使该中心点的像素值接近真实值，从而消除孤立的噪声点.f(x,y)为原始图处理后图像F(x,y)二维中值滤波,输出为F(x,y)=med{f(x-m,y-l),(m,l∈Z)} .对分离出来的3个通道灰度的图像应用中值滤波，解决了移动平滑导致的细节模糊问题,也解决了采用传统高斯函数带来的边缘缺失和过度光滑等问题.

3 特征提取

首先,去掉完整的叶片背景.通过图像分割,利用双阈值分割技术去除背景,将图像信息和背景信息分开,再通过边缘采用4个模板方向的Sobel算子计算梯度幅值分别对3个通道的图像检测边缘,充分细化边缘,最后再将3个通道以带权重均方差融合,完整地提取病斑的几何特征.

3.1图像分割

由于叶面的颜色比病斑暗、比背景亮，可采用双闽值二值化处理：

(1)

以绿色通道灰度图像为例，首先提取阈值低于128的图像得到图4,然后将图像反转提取阈值大于140的图像得到图5,最后提取阈值128～140的图像得到图6,达到最佳效果.

图4 阈值为128,提取阈值<128Fig.4 Threshold<128

图5 阈值为140,提取阈值>140Fig.5 Threshold>140

图6 提取阈值128～140,分离背景Fig.6 Threshold of 128～140

3.2图像检测边缘

采用4个模板方向的Sobel算子计算梯度幅值分别对3个通道图像检测边缘.

以绿色通道灰度图像为例，采用3×3的矩阵，分别为横向与纵向，将其与图像作平面卷积，可分别得出横向及纵向的亮度差分近似值[5].如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下:

(2)

图像的每一个像素的横向与纵向梯度近似值可用以下的公式结合来计算梯度的大小：

(3)

然后,可用以下公式计算梯度方向:

(4)

检测图像的边缘,除了水平方向和垂直方向以外,还有45°和135°方向，这样既能提高准确度又能达到即时检测边缘的效果，如图7至图9所示.

图7 G通道X和Y的Sobel算子Fig.7 G channel X and Y Sobel operator

图8 G通道 45°和35°方向的Sobel算子Fig.8 G channel 45° and 35° Sobel operator

图9 G通道4个方向的45°和35°方向的Sobel算子Fig.9 Graph G channel four directions of 45°and 35° Sobel operator

3.33个通道边缘的融合

对检测完成的3个通道的灰度图像进行信息融合.由于B通道比R，G通道携带了更多的彩色图像边缘信息，所以它们的权重更大一些.设定R，G，B通道的权重fx分别是0.7，0.2和0.1，对3个通道边缘图像计算方差.方差是偏离平方的均值，称为标准差或均方差，方差可描述波动程度，波动小的更接近真实值，取该值，否则舍弃.设3个通道边缘图像中某点(x,y)灰度值分别为HR，HG，HB，则有平均值E=0.2HR+0.7HG+0.1HB，则方差sR^2= 0.2(HR-E)^2；sG^2=0.7(HG-E)^2；sB^2=(HB-E)^2.

3个通道融合前边缘图像见图10至图12.

图10 绿色通道边缘检测图像Fig.10 The green channel edge detection

图11 红色通道边缘检测图像Fig.11 The red channel edge detection

图12 蓝色通道边缘检测图像Fig.12 The blue channel edge detection

所以，再以不同的权重对3个通道边缘检测图像进行信息融合，最终病害边缘结果如图13所示.

3.4计算

从边缘检测的结果(图13)来看,图中封闭区域就是该叶片的病斑部位，计算其圆形度、面积和周长,结果见表1.

图13 最终病害边缘结果Fig.13 The final results of the edge

表1 黄瓜叶片病斑图像特征Tab.1 Cucumber leaf disease spot image characteristics

由表1可知，当病斑封闭区域面积较小时，病斑面积区域位于叶片尖部，其圆形度接近圆形，受害程度较轻；当病斑封闭区域面积较大时，叶片尖部病斑面积区域的圆形度差别较大，说明形状不规则，受害程度较严重.

4 结语

(1)通过对R，G，B这3个通道灰度级图像的处理，减少了有价值信息的丢失，为提取图像边缘的准确性提供了保证.

(2)对分离出来的3个通道灰度级图像应用基于中心样条滤波，而不采用传统高斯函数，较好地解决了高斯平滑带来的边缘缺失和过度光滑.

(3)采用4个模板方向的Sobel算子计算梯度幅值分别对3个通道图像检测边缘,能充分细化边缘,最后再将3个通道以带权重均方差融合，可以完整地提取病斑的几何特征.

[1] 田有文.典型农作物叶部病害计算机图像识别方法的研究[J].农业机械化工程，2005(3)：10-11.

[2] 谢春燕,吴达科.谱技术在作物病虫害检测中的研究进展及展望[J].农机化研究，2009(9)：53-57.

[3] 田有文,李成华.基于图像处理的日光温室黄瓜病害识别的研究[J].农机化研究，2006(2)：104-109.

[4] 张建平,吴守一,方如明,等.烟叶颜色测量与分析[J].江苏大学学报，1994(4)：101-103.

[5] 郎瑶.一种改进的Sobel边缘检测算子[J].计算机与信息技术，2011(5)：27-30.

Researchoncolorgreenhouseimageofvegetablediseasesinpretreatmentandextractionmethod

LUO Xiao-li

(DepartmentofComputer,FuzhouVocationalandTechnicalCollege,Fuzhou350108,China)

In order to realize the accurate identification of the image color vegetable diseases in greenhouse，In this research, computer image processing technology is used in the intelligent recognition of vegetable diseases in greenhouse leaf. Firstly, the moving average method can effectively remove the noise by the image of R,G, B three channel gray level, secondly, to separate three channel image using Sobel operator center spline filter and the 4 template based on the direction of gradient magnitude is calculated respectively edge detection, and then integrate the three channel edge, it can overcome the shortcoming of traditional gray image information, and make up for the deficiency of the traditional Sobel operator edge thinning geometric features. It can make full use of the information extraction of color images, to provide scientific basis for the further diagnosis of diseases.

Sobel-operator; channel; circular degree; weighted mean square error

2014-02-11

福建省教育厅A类课题(JA12400)

罗晓丽(1971-)，女,黑龙江五常人，硕士，主要从事软件工程研究.

TP311.13

A

1674-330X(2014)03-0065-04