基于最大类间方差法的黄瓜病害叶片分割

张晴晴 张云龙 齐国红

摘要以黄瓜病害叶片为研究对象，采用直方图阈值分割法去除背景，分别采用最大类间方差法（Otsu）和边缘检测法来分割黄瓜叶片中的病害部位，对比这2种方法的分割效果。最后，对已有的最大类间方差法进行了改进，对病害叶片图像的红色分量进行了病斑分割。结果表明，边缘检测法分割出来的病斑部位轮廓具有不完整性，而最大类间方差法的分割效果较好。采用最大类间方差法对黄瓜病害叶片分割取得了较理想的效果，为后续病害识别奠定了基础。

关键词作物病斑；直方图；边缘检测法；最大类间方差法

中图分类号S126文献标识码A文章编号0517-6611（2017）12-0193-03

AbstractTaking diseased cucumber leaves as research object，the background was removed by the histogram threshold segmentation method. The diseased parts of cucumber leaves were segmented by using Otsu method and edge detection method. Otsu method was improved and be used to segment red component of disease spots. The results showed that the profile of the disease spot segmented by edge detection method was incomplete，and the segment effect of Otsu method was better. A better segmentation effect of diseased cucumber leaves was obtained by using Otsu method，which laid the foundation for identifying disease in the future.

Key wordsCrop disease spot；Histogram；Edge detection method；Otsu method

在農作物的病害识别研究过程中，通常需要将病害目标从图像中提取出来，即进行图像分割[1]。图像分割技术在图像处理中占据重要地位，它是计算机视觉和图像识别的最基本内容。图像分割就是利用灰度、纹理等特征向量来检验区域的一致性，从而将图像分割成不同区域，病害图像分割的好坏对病害识别的成败起着决定性的作用[2]。

董丕霞[3]在迭代分割阈值算法的基础上结合颜色特征、形态学腐蚀膨胀处理提出了新的病斑分割方法，获取位置准确的病斑彩色图，缺点是对未知颜色范围的病害识别具有局限性。Camargo等[4]对采集的RGB病害图像进行了颜色系统转换，在不同颜色系统中提取了病斑图像的颜色特征，利用局部优化阈值方法对病斑进行了分割。毛罕平等[5]采用模糊C均值的聚类对棉花病害图像进行自适应分割。Meunkaewjinda等[6]利用优化遗传算法对病害叶片进行了分割。通过这些分割方法均能获得很好的分割效果，同时也存在很多问题，如阈值分割只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。水平集模型在分割精度上有所提高，但分割速度并没有得到改善。聚类算法和遗传算法在分割过程中需要设置许多复杂参数，容易造成分割结果因参数变化而不稳定。在一些实时性要求较高、系统较复杂的领域，特别需要的是计算量小、鲁棒性好的阈值自动选取算法。

最大类间方差法，又称Otsu法，是在灰度直方图的基础上采用最小二乘法原理推导出来的，具有统计意义的最佳分割阈值[7]。最大类间方差法算法简单，自适应能力较强，在图像分割上具有广泛应用。笔者利用双峰法从背景中分割出目标叶片，利用Otsu法将正常叶片部位与病态部位分割，结果表明该算法的速度快，具有理想的分割效果。

1材料与方法

为了研究最大类间方差法的图像分割，选用病害叶片和健康叶片易于区分的黄瓜叶片为研究对象。为了更好地对病害叶片进行图像分割，将采集到的病害叶片放在白纸上，尽量使黄瓜叶片充满整个相机画面，在自然光照的非强光条件下进行拍照存储。图1为试验采集到的黄瓜病害叶片。

1.1直方图阈值法去除背景

直方图阈值分割法就是将大于阈值T 的灰度值变换为255，将小于阈值T 的灰度值变换为0[8]。试验中采用的是白色背景的黄瓜病害叶片，叶片和背景的灰度值差异明显，因此由灰度图得到的直方图呈现出明显的双峰性。通过分析RGB图像R、G、B各个通道的直方图发现，B分量直方图叶片和背景的双峰值差异最为明显。因此，可根据B分量直方图来去除背景。从 RGB 彩色图像中提取出B分量图，绘制出B分量直方图。将直方图的波谷点的灰度作为门限阈值T，根据直方图阈值将B分量图像转换为二值图像，如图2所示。

1.2病害叶片的预处理

在对黄瓜叶片图像的拍摄和存储过程中会引入噪声，从而影响黄瓜病害叶片的分割。因此，应先对图像进行预处理，即平滑滤波[9]，再提取黄瓜叶片病害部位。常用的滤波方法有均值滤波、中值滤波和维纳滤波。

均值滤波的基本思想是用图像某像素点邻域内像素值的平均值代替该像素的灰度值。中值滤波是最常见的一种非线性去噪方法，该方法的基本思想是用某个含有奇数点的窗口所有像素点的灰度值的中值来代替图像窗口中心点对应位置像素点的像素值。维纳滤波法是一种常用的线性去噪方法，该方法的基本思想是对图像中每个像素进行局部均值的估计以及方差的计算，利用其估计结果来达到图像的自适应去噪的目的。

分别采用均值滤波、中值滤波和维纳滤波对获取的黄瓜病害叶片图像进行平滑处理。因为图片中噪声较多，所以为了达到较好的滤波效果且又能较好地保护图像边缘，试验中选5×5 的窗口进行平滑处理。结果发现，均值滤波算法简单易行，运算速度快，但该方法在除去噪声的同时导致了图像边缘的模糊，严重影响到后续边缘检测处理，而图像细节的模糊程度随着邻域的增大而增大。维纳滤波也可以较好地保护边缘和纹理细节，但去除噪声的效果劣于中值滤波。中值滤波在保护边缘和纹理细节方面优于均值滤波，且去除噪声的效果较好。因此，选用5×5 窗口的中值滤波进行图像平滑。

1.3黄瓜病害叶片病斑提取

1.3.1最大类间方差法。

通过比较黄瓜叶片的正常部位和病害部位发现二者的灰度值存在差异，因此可利用阈值分割法提取黄瓜叶片病害部位。阈值的选取决定了图像分割的效果，阈值分割有很多方法，如模态法、p 参数法、双阈值法和最大类间方差法。由于人工选取阈值的主观性，笔者选用了最大类间方差法，从而可以自动求取阈值。

最大类间方差法是由日本人大津首先提出的，也称大津阈值法或最小类内方差法。该方法根据图像的一维直方图，将目标和背景的类间方差最大作为阈值选取准则。该方法利用类间方差最大自动确定阈值，简单、处理速度快，其基本思想[10-11]为：对于一幅图像，其像素数为N，灰度取值范围为[0，L-1]，ni为灰度级i的像素数，pi是灰度级为i的像素点出现的概率，则：

用阈值k将图像中的像素按灰度值分成背景类和目标类，表示为C0和C1，C0由灰度值在[0，k]之间的像素组成，C1由灰度值在[k+1，L-1]之间的像素组成，对于灰度分布几率，则此幅图像的均值为：

使k在[0，L-1]范围依次取值，当σB最大时对应的k值即为最大类间方差法的最佳阈值。方差越大，分割出的图像目标与背景的差别越大。

分别提取彩色图像的R、G、B 3个通道的图像和其灰度图像。采用最大类间方差法将它们转换为二值图像，以提取黄瓜叶片病害部位。

1.3.2边缘检测法。

对于黄瓜病害叶片，病态部位总存在边缘，这些边缘是指病态部位和正常部位交界处像素灰度发生跳变的点的集合。因此，可以利用边缘检测技术从RGB 图像的红色分量图中提取病害部位的轮廓。求灰度图像的梯度需要用边缘检测方法，边缘检测实际上是采用某种算法提取出图像中对象与背景间的分界线。边缘被定义为图像中灰度发生变化剧烈的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此可以对局部图像进行微分运算来获得边缘检测算子，通常是对图像中一个小范围邻域的内像素来构造边缘检测算子。

常用的边缘检测方法有Roberts 边缘检测算子、Sobel 边缘检测算子、Prewitt 边缘检测算子、Canny 边缘检测算子、LOG 边缘检测算子等。其中，Roberts 算子提取的边缘较粗，对边缘的定位不太准确；Sobel 算子和Prewitt 算子对噪声较多及模糊的图像处理效果较好；Canny 算子不易受噪声影响，能检测到真正的弱边缘；LOG 算子经常出现双像素边界，而且对噪声比较敏感。因此，最终选用Canny 算子提取病害部位的轮廓。

2结果与分析

通过对比发现，红色分量图像转换而来的二值化图像对病害部位的提取效果最佳。选用红色分量图像来提取黄瓜叶片的病害部位如图3所示。从图3可以看出，利用最大类间方差法可以较好地提取黄瓜病害叶片的病害部位。

从图4可以看出，利用边缘检测法提取出来的病态部位轮廓不是很完整。通过比较阈值分割法和边缘检测法的病斑提取效果发现，利用最大类间方差法提取病斑具有操作简单、分割效果好的特点。因此，最大类间方差法更适用于黄瓜病害叶片的病斑提取。

为了对得到的病斑图像进行进一步特征提取，需要对病斑进行标记，由最大类间方差法得到的病害图像中病斑和背景都是白色，因而需要将背景转化为黑色。首先，根据蓝色分量图提取出背景图像（二值化图像，葉片为黑色、背景为白色），然后根据红色分量图提取出病斑部位，此时的二值图像病斑与背景均为白色；最后，利用此图减去背景图像即可得到病斑图像。

3结论

笔者首先根据病害叶片和背景的灰度值存在明显差异的特点，利用直方图阈值法将背景和病害叶片进行二值化分割。其次，利用病害叶片的病害部位和正常部位的红色分量差异，分别采用最大类间方差法和边缘检测法对黄瓜病害叶片的病害部位进行提取。结果表明，最大类间方差法具有实时性强、分割速度快的优点，分割效果优于边缘检测法，更适合黄瓜病害叶片的病害提取，为进一步的病害识别研究奠定了基础。

参考文献

[1] 邹修国.基于计算机视觉的农作物病虫害识别研究现状[J].计算机系统应用，2011，20（6）：238-242.

[2] 张晓萌，付燕.图像分割技术研究[J].科技情报开发与经济，2007，17（18）：183-184.

[3] 董丕霞.基于图像处理技术的温室黄瓜病害识别系统研究[D].沈阳：沈阳工业大学，2013.

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

[5] 毛罕平，张艳诚，胡波.基于模糊C均值聚类的作物病害叶片图像分割方法研究[J].农业工程学报，2008，24（9）：136-140.

[6] MEUNKAEWJINDA A，KUMSAWAT P，ATTAKITMONGCOL K，et al.Grape leaf disease detection from color imagery using hybrid intelligent system[C]// Proceedings of the 5th international conference on electrical engineering/electronics，computer telecommunications and information technology.Piscataway，NJ：IEEE Press，2008：513-516.

[7] 朱驰，陈昌志，王宁，等.改进图割的显著性区域检测算法[J].计算机工程与设计，2015，36（6）：1560-1564.

[8] 李峰.一种基于K-L变换和Otsu阈值选择的彩色图像分割算法[J].计算机应用，2007（12）：93-94.

[9] 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.

[10] 贾建楠，吉海彦.基于病斑形状和神经网络的黄瓜病害识别[J].农业工程学报，2013，29（S1）：115-121.

[11] 李梅.基于Otsu算法的图像分割研究[D].合肥：合肥工业大学，2011：16-18.