基于颜色特征的水稻病害图像分割方法研究

苏博妮 化希耀，2 范振岐

（1.四川文理学院智能制造学院 达州 635000）（2.达州智能制造产业技术研究院 达州 635000）

（3.塔里木大学信息工程学院 阿拉尔 843300）

1 引言

随着信息技术在农业领域的广泛应用，基于数字图像处理技术的农业病虫害的诊断与识别，具有省时、省力和实时性高等优点，越来越受到研究者的关注。作物病斑图像分割是病害识别的关键问题，常见的病斑图像分割方法有阈值分割、区域分割和分水岭分割等。张会敏等［1］首先利用小波变换提取辣椒病斑图像的边缘，再采用最大类间方差法搜索最佳分割阈值，最后用该阈值对辣椒病害图像进行分割，该方法较分水岭算法和邻域直方图法运行效率更快，分割效果更好。张善文等［2］在Lab颜色空间上，以欧式距离度量像素间的相似度，最后使用K均值方法对图像进行分割。张晴晴等［3］采用改进的最大类间方差法对黄瓜病害图像进行分割。龙满生等［4］对 HIS、YCbCr、Lab颜色空间和超绿特征2*G-R-B法分别对油茶叶片病斑进行阈值分割，最后对比发现超绿特征法运行时间少，分割效果优于其它几种方法。

张冲等［5］首先对梨树病害彩色图像R、G、B三个通道分别进行中值滤波，然后采用BP神经网络对病害图像进行分割，准确率达到89.07%。任守纲等［6］提出了基于显著性检测的黄瓜叶部病害图像分割方法，该方法比最大类间方差法和K均值算法冗余分割度低，且算法运行时间短。张武等［7］采用K均值聚类法、最大类间方差法和数学形态学方法较好地从含有光照、泥土和杂草的复杂背景中分割出小麦也不病斑图像。张芳等［8］利用K均值聚类算法、Log算子和模板匹配法进行复杂背景下黄瓜病害叶片的分割，准确率达94.7%。吴娜等［9］提出了一种基于融合多特征图切割的病害图像分割方法，该方法应用于黄瓜3种病害图像分割中，分割错分率低于最大类间方差法和半自动图切割算法。郭鹏等［10］基于二维最大熵原理，采用差分进化算法计算出分割阈值，并对黄瓜炭疽病、灰霉病和霜霉病三种病害图像进行分割，取得较好的分割效果。

从以上研究者的文献可以看出，由于不同作物病害颜色、形状等特征不同，其分割方法也不同，目前还没有一种通用的作物病害图像分割算法。本文对稻瘟病、细菌性条斑病和稻曲病3种水稻病害图像进行中值滤波、锐化和基于颜色特征的病斑分割研究，以期为后续开发水稻病害识别系统提供理论参考［11］。

2 水稻病害图像预处理

田间采集的水稻病害图像由于受到拍摄设备、自然光照以及灰尘等外界噪声的干扰，造成病害图像质量下降，从而影响后期病害图像的分割效果。因此，首先要对采集的病害图像进行滤波去噪。常用的滤波方法有均值滤波、中值滤波和频域滤波等［12］。均值滤波是指将当前像素值用其周围邻域内像素灰度值的平均值来代替。均值滤波实现起来简单，运行效率高，但该方法会使图像边缘信息变得平滑和模糊，而一般图像的边缘恰恰是图像最为重要的细节部分。中值滤波是用当前像素点邻域像素点灰度值的中值来代替它的灰度值。频域滤波是指在频域对图像进行滤波，如高通滤波、低通滤波等。由于中值滤波在滤波的同时还可较好地保持图像的边缘信息，故本文采用中值滤波。中值滤波的基本思想是：以某个像素点（x，y）为中心，将该点邻域内所有像素点灰度值排序后，取中间像素点的值代替该像素点灰度值，用公式表示为

式中 fi-v。…。fi-1。fi。fi+1。…。fi+v是指在 f1。f2。…。fn中取M个数，M为奇数。本文将病害图像分解成R、G、B三个通道灰度图像，然后采用中值滤波分别进行处理，最后对滤波后灰度图像进行通道融合。

为使后续能更好地提取病斑图像，在滤波去噪后，还应对水稻病害图像进行锐化增强处理，使图像的边缘变得清晰。拉普拉斯算子是一种二阶微分边缘点检测算子，且其与方向无关［13］。本文采用拉普拉斯算子对水稻病害图像进行锐化，其模板如下：

3 基于颜色特征的病斑分割

3.1 颜色空间

稻瘟病、细菌性条斑病和稻曲病病斑区域像素点和健康区域像素点存在明显差异。病斑区域一般呈现淡黄色晕圈，中央呈灰白色，边缘褐色，外有淡黄色，而健康水稻图像像素点呈现为绿色［14］。因此，可以根据水稻病害图像的颜色特征分割病斑。

常见的颜色空间包括HSV、YCbCr、Lab和RGB颜色空间［15］。其中HSV颜色空间是一种人眼感知事物颜色相似的颜色模型。其中H为色调，S为饱和度，V是亮度。本文实验表明HSV颜色空间H分量病斑区域和健康区域对比度不强。而Lab颜色空间a分量和YCbCr颜色空间Cr分量分割效果较好，详见本文实验与结果分析部分。

Lab颜色空间是一种与设备无关的颜色系统，由一个亮度分量L和两个色调分量a和b来表示。其中L分量的取值范围为0-100，a分量取值范围为-120（绿色）～120（红色），b分量的取值范围为-120（蓝色）～120（黄色）。

RGB颜色空间到Lab颜色空间的转换需要先转换为XYZ空间，再从XYZ空间转换成Lab颜色空间，转换公式为

YCbCr颜色空间用Y、Cb和Cr三个分量表示颜色特征。其中Y表示亮度，Cb和Cr表示色差，Cb分量为蓝色浓度偏移量，Cr分量是红色浓度偏移量。

RGB颜色空间到YCbCr颜色空间可以用下面的公式进行转换：

从图1、图2和图3水稻病害图像R、G、B三分量对比图可以看出，在R分量病斑区域和健康区域对比度最明显，且病斑区域R分量像素值大于G分量和B分量的像素值。利用这一特征，本文设计的算法在RGB颜色空间对病斑进行分割。计算过程为

再将计算的二值图与病害原图进行掩模运算，得到最终分割病斑彩图。

图1 稻瘟病3分量对比图

图2 细菌性条斑病3分量对比图

图3 稻曲病3分量对比图

3.2 算法基本步骤

本文采用的算法主要包括三个步骤：1）病害图像预处理（滤波、锐化）；2）根据颜色特征提取病斑，并进行形态学处理（删除小面积对象、填充、闭运算）；3）病害二值图像与原图进行掩模运算，得到分割后的病斑彩图，流程图如图4所示。

图4 算法流程图

4 实验与结果分析

4.1 实验设计

图5 不同颜色空间分割算法对比

本文算法是在Matlab R2012b环境下开发实现的，所用计算机配置为Intel i3-2120 CPU、4G内存、Windows 7操作系统。本文以3种常见水稻病害图像为实验对象，病害图像分辨率统一设置为250×245像素，图5（a）中从左到右依次是稻瘟病、细菌性条斑病和稻曲病原图。

4.2 病斑图像分割实验

为了验证本文采用的分割算法的效果，将该算法与最大类间方差法（otsu）进行对比，分割结果见图5所示。从上到下分别是水稻病害原图、Lab颜色空间a分量采用最大类间方差法分割、YCbCr颜色空间Cr分量采用最大类间方差法分割和RGB颜色空间采用本文算法分割效果对比图。

从图5可以看出，最大类间方差法在Lab颜色空间下存在着漏分割现象，而在YCbCr颜色空间下存在冗余分割现象。相比较而言，本文所采用的算法分割病斑较为完整，效果最好，且实现简单，直接在RGB颜色空间下分割，执行效率高。

5 结论

当前国内外正掀起计算机视觉技术研究新浪潮，图像处理技术在农业中的应用日益广泛，并取得了许多研究成果。本文对HSV、Lab、YCbCr和RGB几种颜色空间下水稻稻瘟病、细菌性条斑病和稻曲病3种病害图像分割进行了研究，实验表明HSV颜色空间下H分量病斑和健康图像对比度不强，Lab颜色空间下a分量和YCbCr颜色空间下Cr分量采用最大类间方差法分割，存在着漏分割和冗余分割现象，本文采用在RGB颜色空间下R分量明显高于G分量和B分量的特征分割算法，分割效果优于前几种颜色空间下的分割。本研究的下一步工作是水稻病害的特征提取和识别。