基于WT—Otsu算法的植物病害叶片图像分割方法

张会敏+谢泽奇+张善文+张云龙

摘要：植物病害叶片图像分割是植物病害识别和植物分类的基础。为了解决作物病斑叶片的分割效率和实时性，在小波变换（wavelet transform）和Otsu法的基础上，提出一种基于WT-Otsu算法的植物病害叶片图像分割方法。首先，利用二维小波变换提取作物病斑图像的边缘点；其次，利用Otsu法在这些边缘点搜索最佳分割阈值；最后，利用该阈值分割图像。利用该方法在真实辣椒病害叶片图像上进行了分割试验，结果表明，该方法对病害叶片图像分割有效可行。

关键词：病害叶片图像分割；Otsu法；小波变换（WT）；最佳分割阈值

中图分类号： TP391.41 文献标志码： A 文章编号：1002-1302（2017）18-0194-03

收稿日期：2016-06-13

基金项目：国家自然科学基金（编号：61473237）；河南省科技厅基础与前沿技术研究（编号：172102210510、162300410188）；河南省教育厅高等学校重点科研项目（编号：16A520095）；郑州大学西亚斯国际学院校级科研项目（编号：2016KY01）；郑州大学西亚斯国际学院2016年度教改基金（编号：2016JGZD07）。

作者简介：张会敏（1981—），女，河南漯河人，硕士，副教授，研究方向为图像处理、模式识别。E-mail：zhm0413@163.com。

通信作者：谢泽奇，硕士，副教授，研究方向为计算机应用、图像处理。E-mail：xzq0413@163.com。 植物病害叶片图像分割是利用病害叶片进行植物病害诊断和识别的基础，是实现植物病害自动检测和田间植物自动化管理的前提。由于植物病害叶片图像成分复杂，病害叶片上的病斑形状和排列顺序无规律，叶片病斑的颜色深浅不一，且存在一定的随机噪声，植物病害叶片图像分割方法研究一直是很多学者的主要研究方向。叶片图像由病斑部分和正常部分组成，其分割是一个二类问题，可利用统计和图像处理方法分割植物病害叶片图像。常用的叶片及其病斑图像分割方法有阈值分割法、区域法、人工神经网络法等[1-4]。但目前还没有效果很好且普遍适用的图像分割规则。Otsu法是由日本学者大津提出的一种全局自动阈值选取法，是一种全局化的动态二值化分割方法，也是灰度图像二值化分割的常用算法[5-7]。胡波等引入像素灰度级和邻域灰度级构成二维直方图，来减小镜面反射和叶片污损带来的分割误差[4]。肖刚等提出了一种改进的二维Otsu图像分割方法，该方法利用像素邻域灰度差值的新方法构建二维直方图，解决了邻域像素灰度值偏离中心像素灰度值的情况[7]。该方法在建立直方图的时候虽然考虑了邻域像素灰度值偏离中心像素灰度值的情况，但是没有考虑邻域像素分布情况，导致图像边缘和角点分割不准确。田有文等将图像的RGB空间作为模式分类的特征空间，在此基础上根据Fisher准则，运用统计模式识别的线性判别函数对彩色图像进行真彩色分割，取得了较好效果[8]。赵进辉等根据甘蔗苗期赤腐病和环斑病图像的特點，提出了一种基于颜色和形状特征的甘蔗病害图像分割方法[9]。该算法能较好地完成对甘蔗苗期赤腐病和环斑病病斑的分割。虎晓红等提出了一种基于多示例图的小麦叶部病害分割方法，该方法将传统的图分割拓展到多示例的包空间下对判定函数进行设定[10]。江海洋等提出了一种基于多域多相水平集的黄瓜病害图像分割方法，该方法使不同的水平集函数在不同的空间域中演化，能够结合多种特征信息，或加入人为约束[11]。该方法也可以针对不同空间域的特点，使用不同的能量模型，具有较强的灵活性与扩展性。植物病害叶片图像的复杂性，使得病害叶片图像分割具有挑战性。

本研究提出了一种基于小波变换和Otsu法的植物病害叶片图像分割方法，首先利用二维小波变换提取作物病斑图像的边缘点；其次利用Otsu法在这些边缘点搜索最佳分割阈值；然后利用该阈值分割图像，最后在辣椒病斑叶片上进行验证，结果表明该方法简单有效，分割效果好。

1 材料与方法

1.1 病斑叶片图像的获取

本研究中所使用的病害样本图像均是在陕西省杨凌市农业蔬菜试验基地，利用数码相机采集的辣椒病害叶片图像。图像采集系统硬件主要包括数码相机和方正PC机，Intel Core TM i3-2130 CPU@3.4 GHz、4GB内存，Intel HD Graphics Family显卡，图像分辨率为2 592×1 728。数码相机为尼康D7100套机（18～140 mm STM）、2 020万像素。在自然光源条件下进行病害叶片图像采集，以JPG格式存储，图像大小设为1 037×692。

1.2 基于WT-Otsu算法的植物病害叶片图像分割方法

首先简单介绍小波变换（WT）和Otsu法，在此基础上提出一种病害叶片图像分割方法。

1.2.1 基于小波变换的图像边缘检测 小波变换具有良好的时频局部化特征及多分辨率分析能力，适用于检测病害叶片图像中的病斑局部信息[12-13]。由于叶片图像是二维，因此需要采用二维WT。图像f（x，y）的WT如图1所示，在进行二维WT分解后，把图像信号分解成不同频带范围内的图像分量，每一层小波分解都将待分解图像近似部分分解成4个子图像，即LL（水平与垂直方向均为低频）、LH（水平低频、垂直高频）、HL（水平高频、垂直低频）、HH（水平与垂直均为高频）。经过WT后得到一系列不同分辨率的子图像，分别描述不同频率的图像信息。

病害叶片灰度图像边缘检测描述为（l）对给定的叶片图像进行二层小波分解；（2）将低频系数设为0，高频系数保持不变，最大限度地保留病斑图像的边缘特征；（3）再利用处理后的小波系数进行小波重构；（4）选择合适的阈值对仅由高频系数重构得到的图像进行阈值处理，使得低于阈值的设为0，高于阈值的设为1，得到二值化边缘图像。endprint

1.2.2 Otsu法 Otsu法的基本思想是假设目标与背景具有不同的灰度值，将图像以某一灰度为阈值分成目标和背景2组，计算2组之间的方差。当分割的2组子图像之间的类间方差最大时，求得最佳分割阈值，由此阈值对图像进行分割。其具体过程描述如下：

对于任意一个灰度范围[0，m-1]的叶片图像P（x，y），（x，y）为图像中任一像素点，像素数为N，ni为灰度级i的像素数，灰度级为i的像素点出现的概率为Pi=ni/N，i=0，1，2，…，m-1。假设阈值k将图像分割为2类：c1={0，1…，k}，c2={k+1，k+2，…，m}，2类之间的类间方差为

式中：σ为所有类的类间方差，ωi和μi分别为第i类的比例和均值，μr是2类的总均值，ω1=∑ki=0Pi，ω2=∑mi=k+1Pi，μ1=∑ki=0iPiω1，μ2=∑ki=k+1iPiω2，μr=∑m-1i=0ωiμi。

使得σ取得最大值的一组阈值就是所要求的最优阈值。

1.2.3 基于WT和Otsu法的植物病害叶片图像分割 在通常情况下，植物病害叶片的病斑和正常部分的R、B分量相差较大，而G分量相差不大，且其R、G、B分量的直方图有重叠部分，不呈现明显的双峰状，所以简单地用R、G、B颜色分量进行病斑图像分割，很难使目标和背景分开。由病害叶片图像和文献[6-7，13-14]可以看出，基于阈值的病斑图像分割方法中，其阈值一般取值在图像的边缘处。因此，本研究提出一种基于WT和Otsu法的植物病害叶片图像分割方法。该方法的步骤为（1）首先将原始病害叶片图像转换为灰度图像Gray；（2）利用WT可以得到Gray的二值化边缘图像；（3）将二值化边缘图像与Gray进行乘运算，得到边缘灰度图像；（4）利用Otsu法求取最佳分割阈值；（5）最后对Gray进行病斑分割。

若需要得到彩色病斑图像，将分割的病斑灰度图像与原始图像进行乘运算。

2 结果与分析

本算法是在MATLAB 7.0中进行测试的。假设，1幅大小为M×N的RGB彩色病害叶片图像可以用1个M×N×3的矩阵表示，图像中的每一个像素点对应于红、绿、蓝3个分量组成的三元组。各R、G、B单层矩阵中每个元素值表示该元素的灰度值。由imread函数得到RGB数字图像I，再使用代码r=I（：，：，1）、g=I（：，：，2）、b=I（：，：，3）可以获得图像I RGB的3个分量矩阵[15]。由R、G、B 3个分量的线性和得到灰度图像：

灰度图像也可由函数rgb2gray得到灰度图像Gray。利用WT选取二阶Daubechies小波函数对图像进行二级小波分解，得到图像的二值化边缘图像，再与Gray相乘，得到灰度边缘图像BGray。

利用Otsu法计算灰度边缘图像BGray的最佳分割阈值，由此对病害叶片灰度图像Gray进行分割，得到病斑图像。将分割的灰度病斑图像与原始图像进行乘运算，可以得到原始病斑图像。

图2为辣椒病害叶片图像及其分割结果，分割阈值为125。为了说明本研究分割方法的有效性，图2还给出了基于Otsu[5]、分水岭算法[1]和邻域直方图[3]的病斑分割结果。

从表1、图2可以看出，本方法与基于Otsu和分水岭的分割效果基本一致或优于其效果。从主观上判断图2中本方法的结果较理想，用时较少，较好地保留了病斑信息。综上所述，本研究提出的方法在总体上效果比其他算法好。

由此可见，Otsu法是一种全局阈值搜索方法，可以自动得到统计意义上的最佳分割阈值，但是该方法需要对灰度级范围内的所有值进行穷尽搜索，所以该方法的分割效率较低。有学者将Otsu与遗传算法（GA）相结合，利用GA进行最佳阈值搜索取得了较好的效果，但GA容易陷入局部极值点而得到局部最佳阈值，影响病斑分割效果。本研究病害叶片分割的依据是病斑图像的最佳分割阈值一般出现在图像的边缘处。首先利用WT得到图像的边缘图像，再利用Otsu法进行最佳阈值搜索时只需要在边缘图像上进行搜索，所以搜索效率得到了较大提高。

3 结论与讨论

植物病害叶片图像分割是病害叶片图像分析、处理和病害识别的首要步骤，是实现植物病害自动监控和田间植物病害管理自动化的前提。其分割效果直接决定最终病害识别结果的准确程度。病害叶片图像分割的目的是把叶片图像中的病斑分割出来。本研究利用WT进行图像分解，得到边缘图像，然后利用Otsu法得到最佳分割阈值，进行图像分割得到病害图像。试验过程和分割结果表明，该方法具有快速、简单、可靠等优点，能很好地进行植物病害叶片图像分割，为后续的病害识别奠定了基础。

参考文献：

[1]任玉刚，张 建，李 淼，等. 基于分水岭算法的作物病害叶片图像分割方法[J]. 计算机应用，2012，32（3）：752-755.

[2]袁 媛，李 淼，梁 青，等. 基于水平集的作物病叶图像分割方法[J]. 农业工程学报，2011，27（2）：208-212.

[3]邵乔林，安 秋. 基于邻域直方图的玉米田绿色植物图像分割方法[J]. 江西农业学报，2011，23（5） ：126-128.

[4]胡 波，毛罕平，张艳诚. 基于二维直方图的杂草图像分割算法[J]. 农业机械化学报，2007，38（4） ：199-202.

[5]Otsu N. A threshold selection method from gray level histograms [J]. IEEE Trans on SMC，1979，9（1）：62-69.

[6]劉健庄，栗文青. 灰度图像的二维Otsu自动阈值分割法[J]. 自动化学报，1993，19（1）：101-105.

[7]肖 刚，应晓芳，高 飞，等. 基于邻域灰度差值的二维Otsu分割方法研究[J]. 计算机应用研究，2009，26（4） ：1544-1545.

[8]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]. 吉林大学学报（工学版），2004，34（2）：291-293.

[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）：100-104.

[10]虎晓红，李炳军，席 磊. 基于多示例图的小麦叶部病害分割方法[J]. 农业工程学报，2012，28（13）：154-159.

[11]江海洋，张 建，袁 媛，等. 基于MDMP-LSM算法的黄瓜叶片病斑分割方法[J]. 农业工程学报，2012，28（21）：142-148.

[12]王学松，周明全，樊亚春，等. 彩色图像色度距离权值的图论分割算法[J]. 中国图象图形学报，2011，16（2）：221-226.

[13]Stephani H，Herrmann M，Bauer F，et al. Wavelet-based dimensionality reduction for hyperspectral THz imaging[J]. THz Science and Technology：the International Journal of THz，2010，3（3）：117-129.

[14]张善文，张云龙，尚怡君. 一种基于Otsu算法的植物病害叶片图像分割方法[J]. 江苏农业科学，2014，42（4）：337-339.

[15]张善文，雷英杰，冯有前，等. MATLAB在时间序列分析中的应用[M]. 西安：西安电子科技大学出版社，2005.李 明，王 昆，于俊洋. 基于无线传感器网络的温室大棚太阳能集热调温系统[J]. 江苏农业科学，2017，45（18）：197-200.endprint