基于Lab色彩模型差异的水稻叶部病害图像分割

陈勇翔 高遵海

(武汉轻工大学数学与计算机学院，湖北 武汉 430023)

0 引言

大米是人类最重要的食物之一，然而水稻病害会造成不同程度的减产，不同的水稻病害主要有叶黑粉病、褐斑病和叶枯病。目前在水稻叶部病害的图像识别方法上一般进行预处理后就直接分割图像，造成了一定程度上的图像失真。本文以水稻叶黑粉病、褐斑病和叶枯病为研究对象，依据水稻叶部病害和健康部分在Lab模型中a*b上的差异表现，设计此模式下12种不同颜色分量组合特征，便于水稻叶部病害的图像特征提取和k均值聚类，以此提高水稻叶部病害识别准确率。

1 预处理

国际水稻研究所(IRRI，International Rice Research Institute)提供了专门用于水稻疾病图片的图像数据库[1]。数据集来源UCI机器学习库中的水稻叶片疾病数据集[2-3]，该数据集图片采用尼康D80和佳能450D数码相机进行拍摄采集，拍摄保证在自然条件下足够的亮度和清晰度便于对图片的处理，并且拍摄得3类病害图片均设定和裁剪成740×290的尺寸。对采集的图片用中值滤波[4]方式进行去噪预处理，其原因是能够比较完整保留图像边缘信息。

2 叶部病害颜色特征提取

根据图像分割后病害颜色的差异，对L、a、b颜色分量进行组合，构造如表1所示的12个备选颜色参数。

表1 12个备选颜色参数

病斑分割图像为Lab颜色空间，直接提取L，a，b的一阶，二阶以及三阶矩阵共12个颜色矩阵参数。

3 病害区域聚类分割

在水稻叶部病害分割时将预处理的RGB图片通过XYZ作为中间层进行Lab图片转换，选用Lab色彩模型[5]可以尽量保留宽阔的色域，使得色彩过渡均匀，避免由于直接分割对病害区域造成不同程度的失真。Lab中L表示亮度，a和b为2个颜色通道，水稻叶部病害和健康部分主要通过Lab模型中a×b上的差异表现，并以此为依据进行k均值聚类方法[6]对病害斑点区域进行合理分割。

针对3类水稻病害进行聚类，聚类中心点个数分别设置为变量i(i=2，3，…，9)。其目标收敛函数为平方误差，具体的公式如下：

假设有M个数据源，C个聚类中心，x(i)由n个数据点组成的数据集，每个数据点x(i)是由d=12个表征数据组成的向量，μc为聚类中心。将每个类中的数据x(i)与每个聚类中心做差的平方和，J最小，意味着分割的效果最好。

4 实验结果与结论

水稻叶部病害图像共计120张，叶黑粉病样本和褐斑病样本以及叶枯病样本数量均为40张。经计算和验证，采用基于Lab空间的k均值聚类方法，叶黑粉病和褐斑病以及叶枯病聚类中心点个数均为3。样本中k=3黑粉病和褐斑病以及叶枯病叶部分割的效果如图1～图3所示。

图1 叶黑粉病及k均值图像分割效果

图2 褐斑病及k均值图像分割效果

图3 叶枯病原图和k均值图像分割效果

从图1～图3中可以直观看出，采用基于色彩模型Lab空间的k均值聚类方法能够将病害斑点进行清晰和有效的分割，便于后续对不同类别病斑区域准确识别。