红掌细菌性叶枯病的图像分割方法

张 航，李 聃，李乃祥，胡子娟，王传奇

（1.天津农学院计算机与信息工程学院，天津 300384；2.天津大学计算机科学与技术学院，天津 300072；3.天津城建大学计算机与信息工程学院，天津 300384）

红掌细菌性叶枯病的图像分割方法

张 航1，李 聃2，李乃祥1，胡子娟3，王传奇1

（1.天津农学院计算机与信息工程学院，天津 300384；2.天津大学计算机科学与技术学院，天津 300072；3.天津城建大学计算机与信息工程学院，天津 300384）

针对红掌病害机器识别的需要，提出一种基于超红特征灰度化的红掌细菌性叶枯病图像的分割方法.首先对病害图像使用2R-G-B算法进行灰度化处理，将非绿色部分从绿色部分中分离出来；然后采用3×3的中值滤波技术对此灰度图像进行预处理和增强，以去除噪声影响；分别采用大津法、迭代法、改进迭代法对病害图像进行分割.将该方法所得结果与加权平均法灰度化和均值法灰度化后的结果进行了对比.结果表明:本研究方法可以将病害区域有效分割，且病害部位轮廓清晰，具有较好的分割效果.

红掌；细菌性叶枯病；图像分割；2R-G-B；中值滤波；阈值分割；改进迭代法

红掌又名火鹤花、灯台花、花烛、安祖花，隶属天南星科花烛属，原产于危地马拉、尼加拉瓜、委内瑞拉、哥伦比亚和秘鲁等中、南美洲的热带高海拔地区，是一种多年生草本植物.红掌花苞直立生长，花姿奇异美丽，革质而富有光泽，呈现卵心形，每朵花寿命长达一个多月，因应用范围广、经济价值高，成为全球发展较快、需求量较大的高档热带切花和盆栽花卉[1-2].自20世纪70年代后期，中国开始引种、栽培红掌，此后生产规模迅速发展，目前广东、云南和海南等省已形成较大面积的切花栽培规模[3].然而，栽培过程中由细菌和真菌引起的病害已成为制约红掌产业发展的重要因素，给生产者造成巨大损失.细菌性叶枯病是细菌性病害中对红掌影响最大的一种病害，植株一旦染病，就无法治愈，只能做好隔离措施，同时用密封塑料袋将被感染的植株包好后移出温室，以防交叉感染，相邻的植株及栽培基质必须一同清理掉[4].因此，预防、

发现细菌性叶枯病成为制约红掌产业发展的关键环节.

植物病害分割与自动识别是当前一个热门的研究领域，图像处理技术已经开始用于黄瓜霜霉病的病斑提取[5]、水稻叶鞘腐败病图像分割[6]、棉花病叶害螨图像分割[7]、玉米病害图像特征优化与识别[8]、甘蔗苗期赤腐病和环斑病图像分割[9]、小麦病害图像识别及形状特征提取[10]、玉米生长期叶部病害图像识别预处理[11]、植物叶片病斑区域边缘提取[12]等研究中.本研究利用图像处理技术对红掌的细菌性病害进行分析研究，以期做到早发现、早处理，为红掌种植业者减少经济损失.

1 材料与方法

1.1 病害图像获取

以温室大棚中栽培的红掌叶片病害为主要研究对象，选取感染细菌性叶枯病的红掌叶片图像若干张.为消除复杂背景的影响，使用Photoshop图像处理软件将叶片区域外的背景部分去除，得到只有病害叶片区域的图像，见图1.

图1 感染细菌性叶枯病的红掌叶片图像Fig.1 Images of anthurium leaves infected by bacterial blight

1.2 图像灰度化

为提高图像处理效率，需将彩色图像转换为灰度图像.加权平均法是一种常用的植物病害图像的灰度转换方法[5-6]，但经实验发现此法得到的灰度图像分割效果不好，因此需要寻找其他灰度转换方法.

观察感染细菌性叶枯病的红掌叶片图像（图1），可以发现:正常区域的叶片颜色为绿色，而病害区域的中间呈棕色，边缘呈黄色.因此考虑利用颜色特征将非绿色部分从绿色部分中分离.目前比较常用的分离绿色与非绿色的图像处理技术包括2G-R-B、2R-GB、1.4R-G-B和G/(R+B)等[7，13-15]，其主要原理是使用颜色特征因子的不同组合对图像进行灰度化处理，突出有用部分的信息.通过对比发现，2R-G-B（超红特征灰度化）算法最适合于本研究的图像灰度化处理，其计算公式为

其中：EXR（i，j）为图像处理后像素点（i，j）处的灰度值；R（i，j）对应图像红色分量的灰度值；G（i，j）对应图像绿色分量的灰度值；B（i，j）对应图像蓝色分量的灰度值.

1.3 图像增强

由于图像采集过程中易受光照、灰尘以及拍摄设备等因素的影响，采集到的图像或多或少存在一些噪声，需要进行图像增强操作以去除噪声，提高图像质量.中值滤波器是一种非线性的滤波器，可用于滤除噪声，加强有用的信息.虽然会造成一定程度上的细节损失[8]，但中值滤波器在克服了线性滤波器图像细节模糊问题的同时，能够较好地保留图像的边缘特性.其基本思想是把局部区域的像素按灰度等级进行排序，取该邻域中的灰度中值作为当前像素的灰度值，具体步骤[16]为：

（1）使滤波模板在图像中漫游，并将模板中心与图中某个像素位置重合；

（2）读取模板中各对应像素的灰度值；

（3）将灰度值从小到大排成一列；

（4）取该列数据的中间数据值，并将其赋给对应模板中心位置的像素.

本研究选用3×3的中值滤波器，同时，本研究采用自适应的中值滤波算法对红掌叶片病害图像进行平滑处理，以突出图像中的病害信息，提高图像的滤波效果.

1.4 图像分割

对于植物病害，病害分割是植物病害图像处理的基础，也是实现病害自动检测和识别的前提[17].目前常用的图像分割方法有阈值分割法、边缘检测法和区域分割法等[18]，其中阈值分割法包括大津法、迭代法、最小误差法、最大熵法等.

大津法[19]（OTSU法，最大类间方差法）是一种自适应阈值方法.大津法的基本原理是假设当前阈值t将图像分为了目标区A和背景区B两部分，其中A的灰度范围是[0，t]，B的灰度范围是[t+1，L-1]，目标区A和背景区B所占的比例分别为pA（t）和pB（t），灰度均值分别为μA（t）和μB（t），则目标区与背景区的类间方差定义为

以区间[0，L-1]内的值作为分割阈值，依次计算类间方差，其中类间方差最大对应的灰度级即为最优分割阈值T，可由式（3）计算得到

迭代法也是一种自动选取阈值的方法，其基本思想是首先选择一个阈值作为初始值，将图像分割为目标和背景，然后再通过对图像的多次计算不断对阈值进行改进，直到阈值不再变化.其步骤如下：

（1）求出图像的最大灰度值Gmax和最小灰度值Gmin；

（2）令初始阈值T=（Gmax+Gmin）/2；

（3）根据阈值T将图像分割为目标和背景，并计算两者的平均灰度值GO、GB；

（4）计算新阈值T=（GO+GB）/2；

（5）重复步骤（3）和（4），直至阈值T不再变化.

为了提高分割性能，本研究对迭代法计算公式的系数进行了改进.

本研究所涉及的算法均在Matlab R2012b环境下实现，所有程序均在CPU为双核3.10GHz、内存4.0 GB的计算机环境下运行，图像分割的具体操作流程如图2所示.

图2 病害图像分割流程Fig.2 Schematic of image segmentation for bacterial blight

2 结果与讨论

分别提取原始图像的R、G和B分量图像，使用2R-G-B算法对原始图像进行灰度化处理，结果见图3.图3结果表明，超红特征灰度化较好地提取了原始图像中的非绿色病害部分，绿色的叶片部分与背景部分一起被设置成黑色或接近于黑色，主要有用信息得到增强，病害区域与正常叶片区域的区分非常明显.

图3 超红特征灰度化后的图像Fig.3 Gray images of excess red feature

采用中值滤波器对灰度图像（图3）进行处理，图像采样窗口为3×3区域，处理后的图像见图4.由图4可以看出，中值滤波后的图像较好地保留了边缘信息和纹理特征，去掉了一些噪声信息.但进一步分析可以发现，图像在得到增强的同时，仍然丢失了一些细节信息，需要在后续工作中进一步完善.总体而言，中值滤波处理的效果良好，满足后续图像处理的需要.

图4 中值滤波后的效果图Fig.4 Images after median filter processing

图5（a）和图5（b）是原始图像经过灰度化、中值滤波后，分别应用大津法和迭代法进行分割后的结果.

图5 阈值分割后效果图Fig.5 Images after threshold segmentation

由分割结果可以看出，2种方法都能够较为准确地将病害区域分割出来，但是仍有部分区域分割不完整.因此，本研究对迭代法进行了改进，将其阈值计算参数由原来的1/2调整为1/3，分割结果见图5（c），可以看到分割效果得到了明显提升，病害部位轮廓更完整，分割结果优于大津法和迭代法.

为与本研究方法进行对比，将原始图像分别进行加权平均法灰度化（R*0.3+G*0.59+B*0.11）和均值法灰度化（（R+G+B）/3）操作，并使用改进的迭代法对灰度图进行分割，结果见图6，可以看到病害区域基本没有分割出来，效果非常不理想.因此，对原始图像进行超红特征灰度化处理是有必要的，有利于病害区域的识别.

图6 加权平均法灰度化和均值法灰度化后的分割结果图Fig.6 Segmentation results of grayscale images converted by weighted average method and average method

3 结论

本研究针对红掌种植过程中可能出现的病害情况，提出一种基于超红特征灰度化的红掌细菌性叶枯病图像的分割方法，依次使用2R-G-B算法、3×3的中值滤波技术和自适应阈值分割法（大津法、迭代法、改进迭代法）对图像进行灰度转换、预处理和病害图像分割，所得图像中病害部位轮廓清晰，说明本研究方法对病害区域进行了有效分割，具有较好的分割效果，为下一步的特征提取奠定了基础，也可为复杂背景下的病害分割提供参考.

[1]刘清丽，赵培军.红掌缺素症状研究[J].黑龙江农业科学，2009（1）：70-72. LIU Q L，ZHAO P J.Study on nutrient deficiency of anthurium scherzerianum[J].Heilongjiang Agricultural Sciences，2009（1）：70-72（in Chinese）.

[2]李桂祥，王玮玮，仲秀娟，等.红掌病虫害发生及其综合防治技术[J].上海农业科技，2010（5）：123-124. LI G X，WANG W W，ZHONG X J，et al.Integrated control technology for the happening of anthurium diseases[J].Shanghai Agricultural Science and Technology，2010（5）：123-124（in Chinese）.

[3]刘福秀，林明光，潘英文，等.红掌花叶病病原鉴定及检测方法的建立[J].广西农业科学，2010，41（12）：1296-1298. LIU F X，LIN M G，PAN Y W，et al.Development of a RT-PCR based method for identification of anthurium andraeanum mosasic virus pathogen[J].Guangxi Agricultural Sciences，2010，41（12）：1296-1298（in Chinese）.

[4]姚蓉.行家谈温室红掌的病害防治[N].中国花卉报，2009-03-07001. YAO R.Experts talking about diseases control of anthurium in greenhouse[N].China Flower，2009-03-07001（in Chinese）.

[5]赵聪慧，张静，王双喜.黄瓜霜霉病图像预处理方法研究[J].农机化研究，2010，32（1）：60-63. ZHAO C H，ZHANG J，WANG S X.Research on image preprocessing methods for cucumber downy mildew[J].Journal of Agricultural Mechanization Research，2010，32（1）：60-63（in Chinese）.

[6]路阳，关海鸥，赵斌，等.水稻病害图像预处理及其特征提取方法研究[J].农机化研究，2011，33（8）：27-30. LU Y，GUAN H O，ZHAO B，et al.Study on the method of image preprocessing and feature extraction for rice diseases[J].Journal of Agricultural Mechanization Research，2011，33（8）：27-30（in Chinese）.

[7]刁智华，王欢，宋寅卯，等.复杂背景下棉花病叶害螨图像分割方法[J].农业工程学报，2013，29（5）：147-152. DIAO Z H，WANG H，SONG Y M，et al.Segmentation method for cotton mite disease image under complex background[J].Transactions of the Chinese Society of Agricultural Engineering，2013，29（5）：147-152（in Chinese）.

[8]唐朝霞，张粤.基于遗传算法的玉米病害图像特征优化与识别[J].安徽农业大学学报，2013，40（2）：336-341. TANG Z X，ZHANG Y.Optimization and recognition of maize disease image features based on genetic algorithms[J].Journal of Anhui Agricultural University，2013，40（2）：336-341（in Chinese）.

[9]赵进辉，罗锡文，周志艳.基于颜色与形状特征的甘蔗病害图像分割方法[J].农业机械学报，2008，39（9）：100-103，133. ZHAO J H，LUO X W，ZHOU Z Y.Image segmentation method for sugarcane diseases based on color and shape features[J].Transactions of theChineseSocietyforAgriculturalMachinery，2008，39（9）：100-103，133（in Chinese）.

[10]邵庆，张楠，路阳.小麦病害图像识别处理及形状特征提取研究[J].农机化研究，2013，35（8）：35-37，42. SHAO Q，ZHANG N，LU Y.Study on the image recognition processing and shape feature extraction of wheat diseases[J].Journal of AgriculturalMechanizationResearch，2013，35（8）：35-37，42（inChinese）.

[11]刘丽娟，刘仲鹏，程芳.玉米生长期叶部病害图像识别预处理研究[J].河南农业科学，2013，42（10）：91-94.

LIU L J，LIU Z P，CHENG F.Image preprocessing of maize leaf diseases at growth period[J].Journal of Henan Agricultural Sciences，2013，42（10）：91-94（in Chinese）.

[12]夏永泉，曾莎，李耀斌.一种改进的植物叶片病斑区域边缘提取技术[J].郑州轻工业学院学报：自然科学版，2015，30（1）：67-70. XIA Y Q，ZENG S，LI Y W.An improved edge extraction technology of the plant leaf disease region[J].Journal of Zhengzhou University of Light Industry：Natural Science，2015，30（1）：67-70（in Chinese）.

[13]ARRIBAS J I，SÁNCHEZ-F G V，RUIZ-R G，et al.Leaf classification in sunflower crops by computer vision and neural networks[J].Computers and Electronics in Agriculture，2011，78（1）：9-18.

[14]BAUM T，NAVARRO-Q A，KNOGGE W，et al.HyphArea-Automated analysisofspatiotemporalfungalpatterns[J].Journalof Plant Physiology，2011，168（1）：72-78.

[15]CAMARGO A，SMITH J S.An image-processing based algorithm to automatically identify plant disease visual symptoms[J].Biosystems Engineering，2009，102（1）：9-21.

[16]王香菊.基于中值滤波和小波变换的图像去噪方法研究[D].西安科技大学，2008. WANG X J.The algorithm research of image denoising based on median filter and wavelet transform[D].Xi`an University of Science and Technology，2008（in Chinese）.

[17]田有文，李成华.基于统计模式识别的植物病害彩色图像分割方法[J].沈阳农业大学学报，2003，34（4）：301-304. TIAN Y W，LI C H.Recognition of maize disease based on texture feature and support vector machine[J].Journal of Shenyang Agricultural University，2003，34（4）：301-304（in Chinese）.

[18]GONZALEZ R C，WOODS R E，EDDINS S L.数字图像处理（MATLAB版）[M].阮秋琦译.北京：电子工业出版社，2001：129-151. GONZALEZ R C，WOODS R E，EDDINS S L.Digital Image Processing using MATLAB[M].RUAN Q Q Trans.Beijing：Publishing House of Electronics Industry，2001：129-151（in Chinese）.

[19]NOBUYUKIO.Athresholdselectionmethodfromgray-levelhistograms[J]. IEEE Transactions on Systems，Man and Cybernetics，1979，9（1）：62-66.

（责任编校 马新光）

定理的证明 考虑Adams谱序列，其E2项为，其微分为dr：由引理1可知

设（b1）2g1为（b1）2g1∈在映射

在Adams谱序列中是永久循环.

参考文献：

[1]ADAMS J.Stable Homotopy and Generalised Homology[M].Chicago: University of Chicago Press，1974.

[2]LIULEVICIUS A.The factorizations of cyclic reduced powers by secondary cohomology operations[J].Mem Amer Math Soc，1962，42：1-112.

[3]白建侠.（i1i0）*（b21k0）及（i1i0）*（b31k0）在π*V（1）中的收敛性[J].数学年刊，2009，30（3）：377-390. BAIJ X.The convergence of（i1i0）*（b21k0）and（i1i0）*（b31k0）in π*V（1）[J]. Ann of Math，2009，30（3）：377-390（in Chinese）.

[4]白建侠.（i2i1i0）*（b1l1）在π*V（2）中的收敛性[J].南开大学学报：自然科学版，2010，43（1）：1-4. BAI J X.The convergence of（i2i1i0）*（b1l1）in π*V（2）[J].Acta Scientiarum Naturalium Universitatis Nankaiensis，2010，43（1）:1-4（in Chinese）.

[5]冯丽丽，王玉玉.l1g0的收敛性 [J].河北师范大学学报：自然科学版，2014，4（38）：348-351. FENG L L，WANG Y Y.The convergence ofl1g0[J].Journal of Heibei Normal University：Natural Science Edition，2014，4（38）：348-351（in Chinese）.

[6]ADAMS J.On the groups J（x）[J].Topology，1966，5（1）：21-71.

[7]SMITH L.On realizing complex cobordism modules[J].Amer J Math，1970，92（4）：793-856.

[8]TODA H.On spectra realizing exterior part of the Steenrod algebra[J]. Topology，1971，10（2）：53-65.

[9]MAY J P.The cohomology of restricted Lie algebras and Hopf algebra [J].Journal of Algebra，1964，3：123-146.

[10]王健波，肖建明.h0b31在π*V（1）中的收敛性[J].南开大学学报：自然科学版，2006，39（1）：43-48. WANGJB，XIAO J M.The convergence of h0b31in π*V（1）[J].Acta Scientiarum Naturalium Universitatis Nankaiensis，2006，39（1）：43-48（in Chinese）.

（责任编校 马新光）

Image segmentation methods for bacterial blight of anthurium

ZHANG Hang1，LI Dan2，LI Naixiang1，HU Zijuan3，WANG Chuanqi1
（1.School of Computer and Information Engineering，Tianjin Agricultural University，Tianjin 300384，China；2.School of Computer Science and Technology，Tianjin University，Tianjin 300072，China；3.School of Computer and Information Engineering，Tianjin Chenjian University，Tianjin 300384，China）

Focusing on the requirements of machine recognition of anthurium's disease，an image segmentation method for bacterial blight of anthurium was proposed.Firstly，the blight images of anthurium were extracted using 2R-G-B algorithm to obtain grayscale images and the non-green parts were separated from the green parts.Secondly，median filtering with a 3×3 window was adopted to preprocess and enhance the grayscale images and perform image de-noising and then the processed images were segmented using the OTSU method，iterative algorithm and the improved iterative algorithm.The results of the proposed method were compared with the results of the weighted average grayscale method and the average grayscale method.The results showed that the proposed method could segment the disease area effectively with a clear contour and had a good segmentation effect.

anthurium；bacterial blight；image segmentation；2R-G-B；median filtering；threshold segmentation；improved iterative algorithm

TP391.41

A

1671-1114（2016）05-0023-05

2015-11-17

天津市科技特派员项目（14JCTPJC00523）.

张 航（1981—），男，硕士研究生.

李 聃（1986—），女，博士研究生，主要从事传感定位及模式识别技术方面的研究.