改进自适应分水岭方法分割棉花叶部粘连病斑

张建华，韩书庆，翟治芬，孔繁涛，冯 鑫，吴建寨



改进自适应分水岭方法分割棉花叶部粘连病斑

张建华1，韩书庆1，翟治芬2，孔繁涛1，冯 鑫3，吴建寨1※

（1. 中国农业科学院农业信息研究所/农业农村部农业大数据重点实验室，北京 100081；2. 农业农村部规划设计研究院，北京 100125； 3.重庆工商大学机械工程学院，重庆 400067）

针对棉花叶部病斑相互之间存在粘连问题，该文提出了一种自适应分水岭分割方法。该方法在H-minima分水岭分割方法基础上，结合最小二乘圆法误差理论，对图像中每个连通分量进行最小二乘圆拟合，并计算最小二乘圆误差值，通过最小二乘圆误差值大小判断每个连通分量的轮廓不规则度，针对不同轮廓不规则度确定H-minima变换的极小值阈值，根据不同极小值阈值实现棉花叶部粘连病斑的分水岭分割。不同数量粘连病斑分割试验结果表明：该方法实现了棉花叶部粘连病斑数量从2个粘连至5个粘连病斑的自动分割，分割准确率为91.25%，平均运行时间为0.088 s。不同分割方法对比结果显示：该方法能实现对棉花轮纹病、褐斑病、炭疽病、叶斑病和棉铃疫病共5种病害的粘连病斑自动分割，并将距离分水岭分割方法、梯度分水岭分割方法、标记分水岭分割方法、Chan-Vese方法、高斯混合方法与该文方法比较，正确分割率分别为67.8%、36.4%、83.7%、70.3%、82.1%、93.5%，该方法优于其他5种分割方法，有效抑制了过分割问题；在复杂背景、光照不均匀、病斑大小不一致等复杂条件下，该文方法也能较好地实现粘连病斑的分割。该方法不仅能对棉花叶部粘连病斑自动分割，也能为其他作物叶片粘连病斑分割提供参考。

作物；图像分割；算法；棉花叶部；粘连病斑；最小二乘圆法；H-minima变换；分水岭分割

0 引 言

粘连或重叠病斑的准确分割，是直接决定病斑特征提取及病害分类判别等后续处理效果好坏的关键[1-2]。在棉花的生长过程中，随着病菌侵染和病斑扩张，棉花叶部表面常常出现病斑聚堆、重叠、粘连的现象，即多个病斑聚集一起，形成较大的病斑区域，称为病斑重叠或粘连[3-4]。病斑有时是同一种类病斑粘连重叠，有时会发生不同种类病斑粘连，粘连的病斑聚集一起会使得获取的病斑图像在特征提取时的形状特征、颜色特征和纹理特征出现差异，对后续的处理造成较大的影响，降低病害识别的准确性[5-6]。

关于粘连重叠病斑或害虫分割问题，已有学者进行了研究，以准确分割粘连病斑，并使得分割后病斑尽可能保留边缘信息。张艳诚等[7]对病斑二值图像利用多尺度距离变换获得病斑的距离图像，通过极限腐蚀操作检测出标记种子，运用形态学测地重建运算获取测地影响区骨架分水岭线，很好地消除了伪种子点，得到较好的粘连病斑分离图像，但该方法对于极限腐蚀参数的大小需要人工设定。邱白晶等[8]采用标记控制分水岭分割算法去除蚜虫粘连重叠现象，最后利用连通区域标记法实现黄瓜蚜虫的自动计数，但该方法容易出现过分割情况。任艳娜等[9]用高斯混合模型描述每一病斑像素的色彩分布情况，最大适应度值的子模型作为当前分布模型来描述每一病斑像素的特征，用以分割重叠水稻病斑特征，该模型对于高度紧密的粘连病斑分割仍需要检验。张晴晴等[10]针对作物病害叶片病斑特点，在标记分水岭的基础上提出了一种改进的标记分水岭分割算法，对前景目标和背景目标进行有效标记，实现粘连病斑的分割，但标记点的确定仍是难点。米雅婷[11]提出了基于梯度的分水岭分割方法与区域合并方法结合，用以对番茄叶片的粘连病斑进行分割，但对于复杂环境条件下的病斑分割效果有待试验。Li等[12]研究了一种基于多重分形分析的叶面白粉虱检测方法，结合白粉虱的大小和形状以及局部奇异性和全局图像特征，实现了粘连白粉虱的分割与计数，但该方法对于多个白粉虱重叠情况分割准确性有待提高。Ding等[13]应用深度卷积神经网络建立了储粮害虫的检测识别方法，不仅可以检测害虫数量还可以进行分类，但对于多个害虫粘连情况常常出现漏检。Yao等[14]提出了一种基于光流方向的NCut分割方法，该方法较好实现了多个相互接触飞蛾的分割，该方法对于光源稳定和飞蛾大小的一致性要求较高，否则会降低该方法分割效果。Wang等[15]提出了基于Chan-Vese模型和Sobel算子的重叠病害叶片分割方法，在黄瓜病害叶片上获得了较好效果，但该方法计算时间长。Fang等[16]研究了基于分水岭分割和K均值的植物病害分割方法，实现了植物病害的背景分割与粘连分割，该方法对于病害粘连程度较低时分割效果较好，但对于多个病害重叠粘连情况会出现过分割。Melo等[17]应用基于距离变换分水岭分割算法进行牛奶体细胞的重叠分割，获得了较好的效果，但方法是基于牛奶体细胞体积大小相对一致基础上获得。Xia等[18]采用计算区域最小值和最大值进行分水岭分割标记，再进行基于区域最大值的分水岭变换，以实现害虫的背景分割与粘连分割，但对于粘连害虫分割存在部分欠分割。综上所述，对于作物叶片粘连重叠病斑分割方法，分水岭算法的优点是边界连续，在种子点选取较好的情况下，分割结果稳定，但由于受噪声和局部的不规则的影响，传统分水岭算法获取的局部极值过多造成过分割情况，造成大量虚假轮廓的出现，使得真正病斑边缘信息消失在过分割产生的复杂边缘和虚假轮廓信息里，尤其是对于多个病斑粘连情况该方法分割效果欠佳。

如何改进传统分水岭算法，提高其分割效果，减少过分割现象发生成为了关键。本研究针对病斑粘连重叠问题，以棉花叶部病斑为对象，在分水岭分割算法基础上，拟采用最小二乘圆法误差理论对图像中每个连通分量进行最小二乘圆误差值计算，通过最小二乘圆误差值大小确定H-minima变换的极小值阈值，进而实现棉花叶部粘连病斑的分水岭分割。

1 图像采集

2017年6月至2018年6月在中国农业大学农业试验基地，自然环境下采集棉花病害叶片图像，棉花品种为BT转基因棉，图像采集时间分布在苗期、花期、蕾期、铃期阶段，为了充分考虑自然场景的天气条件，分别选择了晴天、阴天进行图像采集。为使获取的图像有较强的代表性，采集方式为距离棉花叶片10～30 cm，选择相机与棉花叶片垂直角度拍摄。采集设备为佳能单反数码相机，型号为EOS 50D，焦距设定为：自动智能对焦。分别采集了轮纹病、褐斑病、炭疽病、叶斑病和棉铃疫病共5种病害叶片图像，采集的病斑包括2～5个粘连于一体的病斑图像，用于测试棉花粘连病斑的自动分割。在自然环境下采集的具有复杂背景的棉花病害叶片原始图像分辨率为640×480像素，共采集棉花叶片病害图像605幅图像，其中，轮纹病115幅、褐斑病140幅、炭疽病185幅、叶斑病90幅、棉铃疫病75幅，作为复杂背景棉花叶片病斑分割测试试验原始叶片病斑样本库。另外通过人工剪切方式和最邻近插值方法，将棉花叶片上的病斑图像统一缩放至256×256像素，作为不同数量粘连病斑分割试验和粘连病斑分割方法对比试验的病斑样本库。

2 病斑区域提取方法

病斑区域提取是粘连病斑分割的前提，其提取的准确性直接影响后续粘连病斑分割的效果[19-20]。首先进行滤波处理，然后进行颜色空间转换、二值分割，以及分割后的填充洞孔和去除毛刺处理，实现病斑区域的准确提取，满足后续的粘连病斑分割需要。以轮纹病为例进行病斑区域提取，其提取过程见图1。

图1 棉花病斑区域提取过程

2.1 滤波处理

在自然条件获取的图像都会含有一定的白噪声，需要对图像进行滤波处理[21-22]。高斯滤波器是平滑低通滤波器，适用于消除高斯噪声和白噪声[23]。由于采集的棉花图像为彩色图像，因此分别在、、颜色分量进行滤波处理，最后利用cat函数对3个颜色分量进行组合。通过大量试验得到标准差2=1模板尺度为3×3高斯滤波器，可较好地抑制噪声且保留图像的细节，见图1所示。

2.2 颜色分量转换

通过大量病斑图像试验，超绿颜色分量更能凸显病斑区域同时抑制其他区域，使得在二值分割中效果最好。在超绿颜色分量直方图中，前景病斑与背景叶片具有2个不同的波峰，差异比较明显。因此选用最大类间方差法[24]（OTSU法）确定最优阈值，对病斑区域进行二值分割，分割后的病斑区域为白色区域，背景为黑色区域。其超绿颜色分量图像见图1c，直方图见图1d，二值分割结果见图1e。

2.3 分割后处理

由于二值分割为阈值分割，分割后图像还存在一些洞孔和毛刺现象，因此，选择3×3像素圆形结构元素，利用数学形态学的洞孔填充（见图1f）和形态学开运算操作（见图1g）进行处理，使得分割后的病斑区域保持轮廓连续和边缘平滑。

3 粘连病斑分水岭分割方法

分水岭分割算法是一种重要的图像粘连分割方法[25-26]。该方法基于拓扑理论，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的脊边界即分水岭[27]。该方法具有速度快、轮廓保持平滑的优点，但容易出现过分割，本研究方法在H-minima变换方法基础上，利用病斑不规则度自适应确定极小值阈值，进行粘连病斑的分水岭分割。

3.1 H-minima变换方法

H-minima变换方法是一种通过消除局部极小值有效消除过分割的方法[28]。基本原理是：通过与给定的极小值阈值进行比较，抑制图像的所有极小值小于局部极小值阈值，并通通过生成标记图像和腐蚀重建实现[29]。

不同阈值的棉花病斑H-minima变换图像见图2，可以看出，不同阈值其得到的H-minima变换结果也不相同，当=1时，获得了4个极小值点，刚好对应4个病斑，且每个极小值点都很小；当=5、15、25时，分别获得了3、2、1个极小值点，直接进行分水岭分割则存在1、2、3个欠分割。因此，如何根据病斑的大小和病斑的不规则度，自适应确定阈值成为了分水岭分割的关键。

图2 不同局部极小值阈值h的棉花病斑H-minima变换图像

3.2 最小二乘圆度误差计算

最小二乘圆法是用多个等分点组成的平面曲线来代替连续的轮廓曲线，使从轮廓上各点到该圆的距离的平方和为最小，轮廓至最小二乘圆的最大距离和和最小距离之差，即为圆度误差[30]。该方法也是国家标准《圆度测量术语、定义及参数》中规定的圆度评定方法的其中一种，评定的圆度误差值具有唯一性[31-32]。因此，本研究引入最小二乘圆度误差计算法，计算图像中所有连通分量的平均圆度误差，用以自适应确定H-minima变换阈值大小。

根据病斑轮廓图，以病斑长轴与垂直短轴交点为中心点，令最小二乘圆的圆心直角坐标为(,)，按照极坐标测得的病斑轮廓坐标P(r,)，则最小二乘圆的圆心点(,)为

式中表示病斑轮廓等分间隔数；为病斑轮廓检测点序号；为最小二乘圆半径，∆为光学分度测得值；r为各点到坐标原点距离。

对图像中每个连通分量进行最小二乘圆拟合与误差计算，当误差值越小表明该图中连通分量轮廓越接近于圆形，反之则越不接近圆形。从图3可看出，当=1、5、15、25时棉花病斑预分割形成的连通分量，圆度平均误差为14.24、15.85、17.41和20.79像素，表明该图像中的病斑最不接近于圆形。

根据不同阈值的预分割最小二乘圆度误差计算，当=1时的圆形误差为14.24像素，在所有阈值的预分割中最小二乘圆度误差最小，因此，该病斑图像的H-minima变换可自适应确定阈值为1。

3.3 距离变换

距离变换是利用倒角法或欧氏距离计算法，对图中每一个像素到最近非零值像素的距离运算，得到距离变换图，近似于等高线图[32]。设定={(,)|H=1}为目标像素集合，H=1即极小值对应目标像素，距离变换即是对极小值数组中像素点到最近非零值像素的距离

式中Dist为像素点(,)到最近非零值像素(,)的最短距离。

从图4a三维距离变换图可以看出，极小值之间的最短距离最小，图中的4个低谷分别对应4个极小值，分别对应4个目标点；从图4b可以看出，极小值距离变换之后目标之间出现了白色线条，为分水岭分割提供了很好的脊线基础，黑色区域即为距离变换后的最小值区域。

注：RE为圆度误差。

图4 棉花病斑距离变换图像

3.4 自适应H-minima分水岭分割方法

针对棉花粘连病斑的分割问题，提出来了自适应H-minima分水岭分割方法。该方法首先利用最小二乘圆法获得图像病斑轮廓的圆度，在不同预分割的圆度检测基础上确定H-minima变换的阈值，然后获得最佳的极小值点图像，经过极小值的距离变换和集水盆计算，从而得出集水盆的脊边界，脊边界形成的脊线即为分水岭脊线。该方法流程图如图5所示，具体步骤如下：

1）读取棉花病斑图像；

2）提取棉花病斑区域；

3）对图像中每个连通分量进行最小二乘圆误差计算，并计算最小二乘圆误差值；

4）根据最小二乘圆误差值，调整H-minima变换阈值（25≥≥1），直至极小值点数量发生变化，并进行距离变换和预分水岭分割；

5）判断预分水岭分割前后最小二乘圆误差值变化，如果预分水岭分割前最小二乘圆误差值≤预分水岭分割后最小二乘圆误差值，则分割结束，如果预分水岭分割前最小二乘圆误差值>预分水岭分割后最小二乘圆误差值，则返回步骤3；

6）标记病斑分割区域；

7）与棉花病斑原图进行逻辑与运算可得到粘连病斑分割结果图。

图5 自适应H-minima分水岭分割方法流程图

粘连病斑图像的分水岭分割结果如图6所示，通过距离变换图运算获得3条分水岭脊线（图6a），通过3条分水岭脊线与病斑区域提取图像进行叠加（图6b），可看出分水岭脊线恰好处于粘连病斑间的粘连处，获得病斑区域的标记图像（图6c），与棉花病斑原图进行逻辑与运算可得到粘连病斑分割结果图（图6d），分割后病斑边缘检测后与原图的叠加（图6e）。

图6 粘连病斑的分水岭分割

4 试验结果与分析

4.1 试验设计

为了测试本文方法的准确性和稳定性，从棉花叶部病斑库中选取病斑图像进行试验，分别开展不同数量粘连病斑分割试验、粘连病斑分割方法对比试验及复杂背景条件下病斑分割试验共3个试验。试验的软件平台为Matlab r2017a，Windows 10版本64位操作系统；硬件平台为lenovo公司ThinkCentre品牌计算机，Intel(R) Core(TM)i5/3.2 GHz处理器，内存4.0 GB。

4.1.1 不同数量粘连病斑分割试验

从病斑样本库中选取2～5个粘连病斑，进行不同数量粘连病斑分割试验，用于测试2个至5个粘连病斑分割效果及平均运行时间。从病斑样本库库中选取不同粘连数量病斑进行测试，棉花叶部粘连病斑数量从2个粘连至5个粘连病斑共计160幅图像，其中2个粘连病斑100幅、3个粘连病斑20幅、4个粘连病斑20幅、5个粘连病斑20幅。

4.1.2 不同分割方法对比试验

从病害库中轮纹病、褐斑病、炭疽病、叶斑病和棉铃疫病共5种病害各选取粘连程度较高的30个样本，每个样本的图像分辨率为256×256像素，用以开展距离分水岭分割方法[17]、梯度分水岭分割方法[11]、标记分水岭分割方法[8]、Chan-Vese方法[15]、高斯混合方法[9]与本文方法的对比试验，以对比分析本文方法在病斑粘连分割中的性能，其中Chan-Vese方法参数：迭代次数=200次、能量函数正系数=1.0、时间步长=0.1、固定光滑系数=0.002×255×255、能量函数正参数1=2=1。

4.1.3 复杂背景条件下病斑分割试验

从原始病害叶片样本库中，选取具有不同复杂背景的棉花病害叶片图像，用于测试棉花生产实际中存在的各种复杂背景条件下的病斑分割效果；

4.2 结果与分析

4.2.1 不同数量粘连病斑分割试验结果

不同数量粘连病斑分割结果如图7所示。从图可知，利用自适应H-minima分水岭分割方法，较好地实现了2～5个粘连病斑的准确分割。

图7 2～5个粘连病斑分割结果

从不同数量粘连病斑分割结果表1中看出，本文方法对100幅2个粘连病斑图像，错误分割了5幅图像，原因是4幅图像的粘连病斑距离近被误认为1个病斑，另1幅是将2粘连病斑距离较远误分割为3个；对20幅3个粘连病斑，错误分割的1幅图像是存在欠分割；对20幅4个粘连病斑，错误的2幅图像是由于4个粘连病斑距离近，被误分割为3个病斑；对20幅5个粘连病斑，错误的1幅图像是由于5个粘连病斑的2个粘连病斑距离较远，被误分割为了3个，另外2幅图像是5个粘连距离近，分别被误分割为3个病斑和4个病斑；本文方法不同数量粘连病斑平均分割准确率为91.25%，平均运行时间为0.088 s。本文方法可以根据图像病斑轮廓计算出最小二乘圆度误差并自适应确定阈值的大小，具有病斑大小与不规则度的适应性，表明本文提出的自适应分水岭分割方法可较好的对粘连病斑进行分割。

表1 不同数量粘连病斑分割结果

4.2.2 不同分割方法对比试验结果

棉花叶部粘连病斑的不同分割方法测试结果如图8所示。可以看出，距离分水岭分割方法能对明显的粘连病斑进行分割，但会随着粘连病斑的增加，过分割现象越加严重；梯度分水岭分割方法由于病斑内部的梯度原因，使得该方法产生较多的过分割，病斑内部越不平滑，其产生的过分割越明显；标记分水岭分割方法相对于距离水分岭分割方法和梯度分水岭分割方法减少了过分割现象，但当粘连病斑比较严重且大小尺寸不一时，仍然出现了部分的过分割；Chan-Vese方法是利用水平集原理对病斑进行分割，其能量函数引导的曲线演化，对部分粘连病斑能实现分割，但大部分粘连病斑存在欠分割；高斯混合方法是通过概率密度函数来对病斑分割，对稀疏粘连病斑能较好的分割，但对于紧密粘连病斑分割效果不高；本文方法对各种粘连病斑图像均能自适应提取最优最小值，有效抑制分水岭分割方法产生过分割现象，同时粘连病斑经分割处理后，原始图像中的噪声和细微结构被很好地消除。本文方法能较好地抑制欠分割和过分割，分割效果最佳。

统计6种分割方法在5种病害共计150个样本的正确分割率（ACC）、过分割率（OVER）和欠分割率（UNDER）和方法运行时间。

式中NumALL为总体病斑数量，NumACC为正确病斑数量，NumOVER为过分割病斑数量，NumUNDER为欠分割病斑数量，TimeRUN为方法运行时间，TimeTOC为方法运行结束时间，TimeTIC为方法开始运行时间。

图8 本文方法与5种方法的棉花叶部粘连病斑对比分割测试结果

Fig.8 Results of comparative segmentation test results of cotton leaf adhesions between proposed method and other 5 methods

从表2对比分割统计结果中可以看出，在5种病害样本分割平均值方面，距离分水岭方法和梯度分水岭方法的病斑过分割率最高分别达到24.7%和54.5%，主要原因是病斑内部存在大小不一和灰度不均匀，造成距离分水岭方法和梯度分水岭方法在进行距离变换和梯度计算时存在伪极小值点，使得病斑内部越不平滑，产生的过分割越明显，同时，因方法较为简单只需计算距离变换和梯度计算，其平均运行时间最短分别为0.034和0.036 s；标记分水岭方法的过分割率和欠分割率分别为13.6%和3.5%，均优于于距离分水岭方法和梯度分水岭方法，原因是标记控制符的运用，消除了大部分伪极小值点，使得分割效果较好，因此平均运行时间为0.046 s多于前2种方法；Chan-Vese方法因对边界颜色变化不明显情况演化困难的缺点，在病斑分割时存在大量的欠分割病斑，因此，Chan-Vese方法欠分割率达24.6%，在运行时间方面，Chan-Vese方法在曲线演化过程中需要不断迭代，耗时达到0.357 s，在6种方法中运行时间最长；高斯混合方法通过概率密度函数来对病斑分割，对稀疏粘连病斑能较好的分割，但对于紧密粘连病斑分割效果不高，当粘连病斑比较紧密时，常常存在欠分割，高斯混合方法欠分割率为13.8%，运行时间为0.108 s；本文方法正确分割率、过分割率和欠分割率分别为93.5%、2.9%和4.0%，都优于其他5种分割方法，主要原因是本文方法对各种粘连病斑图像均能自适应提取最优极小值，有效抑制分水岭分割方法产生过分割现象，在运行时间方面，本文方法为0.094 s，较距离分水岭方法、梯度分水岭方法和标记分水岭方法多出了约0.06 s的耗时，但本文方法时间复杂度小于Chan-Vese方法和高斯混合方法，能够满足实时性处理要求。

4.2.3 复杂环境下病斑分割试验结果

为进一步检验本文方法在复杂环境条件下棉花病害分割效果，从获取的原始图像中选取了5幅棉花病害图像用以测试，测试结果如图9所示，从图中可以看出，自然条件下的原始图像背景复杂，光照强度不均，使得病斑分割存在的难度增加，如图9a。首先，利用基于全局梯度与局部信息的主动轮廓病叶自动分割模型，病叶分割效果如图9b；其次，利用本文方法对病叶进行粘连病斑分割，其分割效果如图9c所示；最后，将分割后病斑轮廓提取后叠加在原始图像上，其效果如图9d所示，从分割效果看，存在着粘连的病斑都较好的实现了分割。通过5幅自然条件下的棉花病害图像的测试可以看出，本文方法不仅适用于病斑图像，在自然条件下的棉花病害叶片图像同样适合，具有较强的鲁棒性。

表2 不同分割方法的对比测试统计结果

图9 自然条件下棉花叶部病斑分割测试结果

本文方法在粘连病斑分割中也存在分割错误案例，如图10中的欠分割和过分割案例。

图10 棉花叶部病斑分割错误案例

如图10a所示，矩形框中的病斑，实际存在3个病斑紧密粘连于一体的轮纹病病斑，但本文方法只识别出为2个病斑，因此存在欠分割；如图10b所示，矩形框中的病斑为1个病斑，但本文方法在计算最小二乘圆时将该病斑误计算为了2个病斑，因此造成了病斑的过分割。

5 结 论

由于棉花叶部病斑相互之间常常存在严重粘连现象，并且病斑尺寸大小不一致和病斑边缘不规则，使得传统分水岭分割方法造成过分割情况。本文研究针对粘连病斑分割问题，在H-minima分水岭分割基础上，结合最小二乘圆法误差理论，提出了自适应H-minima分水岭分割方法，通过试验测试得出以下结论。

1）通过不同粘连病斑分割试验结果表示本文方法能根据图像病斑轮廓计算出最小二乘圆度误差，并自适应确定H-minima变换的局部极小值阈值值大小，实现棉花叶部粘连病斑数量从2个粘连至5个粘连病斑的自动分割，病斑大小与不规则度的适应性较好。

2）不同分割方法粘连病斑分割对比试验，通过5种病害150个样本的对比，发现本文方法的正确分割率为93.5%，优于其他5种分割方法，特别是有效抑制了过分割问题。在效率方面，本文方法平均运行时间为0.094 s，略高于距离分水岭分割方法、梯度分水岭分割方法、标记分水岭分割方法，但低于Chan-Vese方法和高斯混合方法，能够达到实时处理图像要求。

3）在自然条件下病斑分割试验结果表明，本文方法能够较好实现自然场景中的棉花粘连病害分割，具有较强的鲁棒性。

本文方法存在的不足为当病斑粘连特别紧密情况和大小病斑重叠在一起时会存在部分欠分割情况，在今后进一步研究中将结合深度学习中的实例分割和语义分割，提高粘连病斑分割的正确率，降低本文方法的欠分割率。

[1] Lu J, Hu J, Zhao G, et al. An in-field automatic wheat disease diagnosis system[J]. Computers & Electronics in Agriculture, 2017, 142(9): 369－379.

[2] Zhang J, Kong F, Zhai Z, et al. Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm[J]. International Journal of Pattern Recognition & Artificial Intelligence, 2018, 32(5): 1－22.

[3] Barbedo J G A. A review on the main challenges in automatic plant disease identification based on visible range images[J]. Biosystems Engineering, 2016, 144(1): 52－60.

[4] Bock C H, Poole G H, Parker P E, et al. Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging[J]. Critical Reviews in Plant Sciences, 2010, 29(2): 59－107.

[5] Zhang J, Kong F, Zhai Z, et al. Automatic image segmentation method for cotton leaves with disease under natural environment[J]. Journal of Integrative Agriculture 2018, 17(8): 1800－1814.

[6] Phadikar S, Sil J, Das A K. Rice diseases classification using feature selection and rule generation techniques[J]. Computers & Electronics in Agriculture, 2013, 90(3): 76－85.

[7] 张艳诚，毛罕平，胡波，等. 作物病害图像中重叠病斑分离算法[J]. 农业机械学报，2008，39(2)：112－115.

Zhang Yancheng, Mao Hanping, Hu Bo, et al. Separate algorithm for overlapping spots in crop disease image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2008, 39(2): 112－115. (in Chinese with English abstract)

[8] 邱白晶，王天波，李娟娟，等. 黄瓜蚜虫的图像识别与计数方法[J]. 农业机械学报，2010，41(8)：151－155.

Qiu Baijing, Wang Tianbo, Li Juanjuan, et al. Image recognition and counting for glasshouse Aphis gossypii[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(8): 151－155. (in Chinese with English abstract)

[9] 任艳娜，席磊，汪强，等. 基于高斯概率模型的水稻重叠病斑分割算法[J]. 计算机仿真，2011，28(2)：341－344.

Ren Yanna, Xi Lei, Wang Qiang, et al. Design of rice lesion identification system based embedded[J]. Computer Simulation, 2011, 28(2): 341–344. (in Chinese with English abstract)

[10] 张晴晴，齐国红，张云龙．基于改进分水岭算法的作物病害叶片分割方法[J]. 江苏农业科学，2015，43(2)：400－403.Zhang Qingqing, Qi Guohong, Zhang Yunlong, et al. Crop disease leaf segmentation method based on improved watershed algorithm[J]. Jiangsu Agricultural Science, 2015, 43(2): 400－403. (in Chinese with English abstract)

[11] 米雅婷. 基于GA-BP神经网络的温室番茄病害诊断研究[D]. 哈尔滨：东北林业大学，2016. Mi Yating. Research on Greenhouse Tomato Disease Diagnosis based on GA-BP Network[D]. Harbin: Northeast Forestry University, 2016. (in Chinese with English abstract)

[12] Li Y, Xia C, Lee J. Detection of small-sized insect pest in greenhouses based on multifractal analysis[J]. Optik- International Journal for Light and Electron Optics, 2015, 126(19): 2138－2143.

[13] Ding W, Taylor G. Automatic moth detection from trap images for pest management[J]. Computers & Electronics in Agriculture, 2016, 123(3): 17－28.

[14] Yao Q, Liu Q, Dietterich T G, et al. Segmentation of touching insects based on optical flow and NCuts[J]. Biosystems Engineering, 2013, 114(2): 67－77.

[15] Wang Z, Wang K, Yang F, et al. Image segmentation of overlapping leaves based on chan–vese model and sobeloperator[J]. Information Processing in Agriculture, 2018, 5(1): 1－10.

[16] Fang Y, Ramasamy R P. Current and prospective methods for plant disease detection[J]. Biosensors, 2015, 5(3): 537－561.

[17] Melo G J A D, Gomes V, Baccili C C, et al. A robust segmentation method for counting bovine milk somatic cells in microscope slide images[J]. Computers & Electronics in Agriculture, 2015, 115(5): 142－149.

[18] Xia C, Chon T S, Ren Z, et al. Automatic identification and counting of small size pests in greenhouse conditions with low computational cost[J]. Ecological Informatics, 2015, 29(2): 139－146.

[19] 李文勇，李明，钱建平，等. 基于形状因子和分割点定位的粘连害虫图像分割方法[J]. 农业工程学报，2015，31(5)：175－180.

Li Wenyong, Li Ming, Qian Jianping, et al. Segmentation method for touching pest images based on shape factor and separation points location[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 175－180. (in Chinese with English abstract)

[20] 李凯，冯全，张建华. 棉花苗叶片复杂背景图像的联合分割算法[J]. 计算机辅助设计与图形学学报，2017，29(10)：1871－1880.

Li Kai, Feng Quan, Zhang Jianhua. Co-segmentation algorithm for complex background image of cotton seedling leaves[J]. Journal of Computer-Aided Design and Computer Graphics, 2017, 29(10): 1871－1880. (in Chinese with English abstract)

[21] Bhoyar K K, Kakde O G. Color image segmentation based on JND color histogram[J]. International Journal of Image Processing, 2010, 3(6): 282－293.

[22] Bhogal A K, Singla N, Kaur M. Color image segmentation based on color and texture properties[J]. International Journal of Advanced Engineering Sciences and Technologies, 2011, 8(2): 152－159.

[23] 李凯，张建华，冯全，等. 复杂背景与天气条件下的棉花叶片图像分割方法[J]. 中国农业大学学报，2018，23(2)：88－98.

Li Kai, Zhang Jianhua, Feng Quan, et al. Image segmentation method complex background and for cotton leaf under weather conditions[J]. Journal of China Agricultural University, 2018, 23(2): 88－98. (in Chinese with English abstract)

[24] 张建华，孔繁涛，李哲敏，等. 基于最优二叉树支持向量机的蜜柚叶部病害识别[J]. 农业工程学报，2014，30(19)：222－231.

Zhang Jianhua , Kong Fantao, Li Zhemin, et al. Recognition of honey pomelo leaf diseases based on optimal binary tree support vector machine[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(19): 222－231. (in Chinese with English abstract)

[25] 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. Jiang Haiyang, Zhang Jian, Yuan Yuan, et al. Segmentation of cucumber disease leaf image based on MDMP－LSM[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2012, 28(21): 142－148. (in Chinese with English abstract)

[26] Ren Y G, Jian Z, Miao L, et al. Segmentation method for crop disease leaf images based on watershed algorithm[J]. Journal of Computer Applications, 2012, 32(3): 752－755.

[27] Liu T, Chen W, Wu W, et al. Detection of aphids in wheat fields using a computer vision technique[J]. Biosystems Engineering, 2016, 141(11): 82－93.

[28] 王娅. 血液红细胞图像自适应标记分水岭分割算法[J]. 中国图象图形学报，2017，22(12)：1779－1787.

Wang Ya. Adaptive marked watershed segmentation algorithm for red blood cell images[J]. Journal of Image & Graphics, 2017, 22(12): 1779－1787. (in Chinese with English abstract)

[29] 方红萍，方康玲，刘新海，等. 自适应H－minima的改进分水岭堆叠细胞分割方法[J]. 计算机应用研究，2016，33(5)：1587－1590.

Fang Hongping, Fang Kangling, Liu Xinhai, et al. Clustered cells segmentation using modified watershed method based on adaptive H-minima[J]. Application Research of Computers, 2016, 33(5): 1587－1590. (in Chinese with English abstract)

[30] 石际亮，董黎君，梁国星. 基于MATLAB图像处理的圆度误差数据采集方法[J]. 中国农机化学报，2015，36(2)：257－261.

Shi Jiliang, Dong Lijun, Liang Guoxing. Acquisition method of roundness error data based on MATLAB image processing[J]. Journal of Chinese Agricultural Mechanization, 2015, 36(2): 257－261. (in Chinese with English abstract)

[31] 岳奎. 最小二乘圆法评定圆度误差的程序设计[J]. 工具技术，2006，40(4)：79－81.

Yue Kui. Programming for evaluation of roundness error by least squares mean circle method[J]. Tool Engineering, 2006, 40(4): 79－81. (in Chinese with English abstract)

[32] Wang J, He J, Han Y, et al. An adaptive thresholding algorithm of field leaf image[J]. Computers and Electronics in Agriculture, 2013, 96(6): 23－39.

Improved adaptive watershed method for segmentation of cotton leaf adhesion lesions

Zhang Jianhua1, Han Shuqing1, Zhai Zhifen2, Kong Fantao1, Feng Xin3, Wu Jianzhai1※

(1/100081,;2100125,; 3.,,, 400067,)

Accurate segmentation of cotton leaf adhesion lesions not only can extract the feature vector of individual lesions to a large extent, but also is important for the improvement of the accuracy of lesion identification. Some methods for adhesion lesions segmentation may result in over-segmentation or under-segmentation. In addition, some segmentation methods for adhesion lesions can better solve the segmentation problem, but the selection of parameters is sensitive, which needs to be manually set and cannot adapt to complex conditions, such as H-minima transform. Aiming at the adhesion problem between lesions, an adaptive watershed segmentation method was proposed. Firstly, for the cotton lesion area extraction, the Gaussian filter was used for image filtering processing, and then the super green color component was extracted and OTSU binary segmentation was performed. Post-segmentation processing was carried by the mathematical morphology of hole filling and the morphological opening operation, so that the contour of segmented lesion area was continuous and the edge was smooth. Secondly, the local minimum threshold () was determined. Based on the H-minima watershed segmentation method, the proposed method combined the least squares method error theory to fit the least squares of each connected component in the image. And the least squares error value was calculated, then the contour irregularity of each connected component was determined according to the least squares error value. The minimum thresholdof the H-minima transform was determined based on different contour irregularities. Finally, Watershed segmentation of cotton leaf adhesion lesions was achieved based on different minimum thresholds. A total of 160 images with 2 to 5 adhesion lesions were selected from the lesion sample library for testing. The lesions segmentation accuracy for cotton leaves with different number of adhesion lesions was 91.25% with running time of 0.088 s. The proposal method achieved the automatic segmentation , and was especially suitable for the adhesion of different lesions and irregularities. Meanwhile, 150 samples with high degree adhesion lesion of ring disease, brown spot, anthracnose, leaf spot and cotton boll blight were selected for different segmentation methods contrast test. The results of contrast test - showed that the proposed method could automatically segment the adhesion lesions of 5 diseases. Distance watershed method, Gradient watershed segmentation method, marker watershed segmentation method, Chan-Vese method, Gaussian mixture method and the proposed method, the correct segmentation ratio were 67.8%, 36.4%, 83.7%, 70.3%, 82.1% and 93.5%, respectively, with the average running time of 0.034, 0.036, 0.046, 0.357, 0.108 and 0.094 s. The experimental results showed that the proposed method was superior to the other 5 methods, especially the over-segmentation problem was effectively suppressed. The proposed method took slightly longer time than the distance watershed segmentation method, the gradient watershed segmentation method, and the marker watershed segmentation method, and was lower than the Chan-Vese method and the Gaussian mixture method, which could still meet the real-time image processing requirements. The results of lesion segmentation test in complex environment showed that under complex conditions such as complex background, uneven illumination and uniform lesion size, the proposed method could better achieve the segmentation of adhesion lesions, and its segmentation accuracy and running time could meet the actual needs. The proposed method can not only automatically segment the adhesion lesions on cotton leaf, but also provide reference for the segmentation of adhesion lesions for other crop leaves.

crops; image segmentation; algorithms; cotton leaf; adhesion lesion; least square method; H-minima transformation; watershed segmentation

张建华，韩书庆，翟治芬，孔繁涛，冯 鑫，吴建寨. 改进自适应分水岭方法分割棉花叶部粘连病斑[J]. 农业工程学报，2018，34(24)：165－174. doi：10.11975/j.issn.1002-6819.2018.24.020 http://www.tcsae.org

Zhang Jianhua, Han Shuqing, Zhai Zhifen, Kong Fantao, Feng Xin, Wu Jianzhai. Improved adaptive watershed method for segmentation of cotton leaf adhesion lesions[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(24): 165－174. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.24.020 http://www.tcsae.org

2018-08-03

2018-11-20

国家自然科学基金（31501229）；中国农业科学院创新工程（CAAS-ASTIP-2016-AII）；中央级公益性科研院所基本科研业务费专项（JBYW-AII-2017-05）

张建华，副研究员，博士，主要从事图像处理与图像识别研究。Email：zhangjianhua@caas.cn

吴建寨，副研究员，博士，主要从事地理信息系统研究。Email：wujianzhai@caas.cn

10.11975/j.issn.1002-6819.2018.24.020

TN911.73; S431.9

A

1002-6819(2018)-24-0165-10