自适应阈值Prewitt的石榴病斑检测算法

巨志勇，薛永杰，张文馨，翟春宇

自适应阈值Prewitt的石榴病斑检测算法

巨志勇，薛永杰，张文馨，翟春宇

（上海理工大学光电信息与计算机工程学院，上海 200093）

针对传统识别方法对石榴外表病斑及石榴轮廓检测精准度不高、抗噪声能力不强以及存在伪边缘等问题。该文提出一种基于自适应阈值Prewitt算子的石榴病斑检测算法。采用双边滤波减少噪声干扰；通过高频强调滤波提高图像高频分量，增强局部细节；根据高斯噪声概率分布设置算子卷积掩膜元素权重，利用对称性将方向梯度两两组合，并计算其L2范数作为该像素点的梯度。对人工拍摄的607张石榴图像进行图像增强和边缘检测试验，加入椒盐噪声和高斯噪声进行抗噪性能测试。试验结果表明，该文算法对石榴病斑的识别正确率为98.24%，获得图像的峰值信噪比为43.72 dB，单张图像识别耗时为0.174 s。该研究具有较好的病害样本与非病害样本区分能力，可为田间环境下石榴病害预防提供参考。

水果；算法；病害；边缘检测；图像增强；最小误差法；双边滤波

0 引 言

石榴作为中国重要的经济作物之一，产量巨大[1]。在其生长过程中，石榴病害的发生是引起石榴总体产量下滑的主要原因之一。石榴的病害种类多种多样，例如常见的黑斑病、干腐病和疮痂病等，及时检测出病害的发生并采取相应的措施是预防石榴产量下滑的重要手段之一[2-4]，而石榴病害检测的精度作为该一系列操作的前提，其重要性不言而喻。

目前，主流的农作物病斑检测方法主要有阈值法[5]、边缘法、人工神经网络法[6]、分水岭法[7]等，不同检测手段，所适用的场合也不尽相同。因此，如仅使用单一方法进行检测，得到的图像检测效果往往达不到预期的精度，一种常用以提升图像分割精度的有效手段为不同算法的融合使用与改进[8-11]。如Wang等[12]提出一种结合Canny算子和分水岭分类的方法，对白蘑菇菌伞取得了良好的检测效果。王震等[13]对传统Harr-like特征模型进行改进，解决了复杂自然环境背景下水稻病害采集及分割的问题，苗玉彬等[14]提出的一种基于Zernike矩边缘检测的分水岭算法，应用于轮廓特征提取，具有较高的检测效率。大量试验表明新算法分割效果显著，较现有的图像分割方法更好。当前对于石榴病害的边缘检测算法普遍存在受背景干扰影响大、需要人工设定阈值、适应性低等问题，使用固定的阈值很难达到理想的精度。具有自适应阈值的检测算法能够对不同背景做出阈值调整，因此成为解决算法适应性差的主流选用方法[15-16]。传统的Prewitt检测方法采用2个方向模板与图像进行邻域卷积来完成对预处理后的图像进行一阶求导，通过计算像素点与其相邻点的灰度差，达到边缘检测的目的，但对噪声抑制能力不强，同时也容易检测出粗边，无法精确定位边缘位置[17]。针对传统Prewitt算子存在误判率高、易缺失弱边缘特征、检测出的边缘不连续等缺点。国内外学者对该算法进行很多方面的改进[18-22]。国外学者，Sengupta等[23]提出一种基于蚁群优化的Prewitt算子边缘检测方法，得到了较好的边缘图像，但对于灰度变法复杂的图像识别率不高。Dwivedi等[24]提出一种基于Freeman链码的Prewitt检测算法，该方法提高了图像质量，能准确地检测边缘，但对应不同背景需要人工设定不同阈值，适应性较弱。国内学者，张晗等[25]使用深度探测法从而增强邻域边缘，具有良好的边缘处理能力和适应性，但计算量大，运行时间较长。徐欣和刘宝锺[26]提出了一种改进的Prewitt边缘检测算法，扩充了检测模板方向，将图像分为边缘图像和非边缘图像，对非边缘图像进行去噪后融合，但融合后的边缘易出现不连续的间隙。刘天时等[27]提出一种改进的自适应阈值Prewitt地质图像边缘检测算法，解决了由灰度信息变化导致的边缘缺失问题，但抗噪声能力不强。

鉴于以上各种检测方法的不足，本研究提出一种基于自适应阈值的Prewitt边缘检测算法，以获取清晰的石榴病斑边缘及整体轮廓。采用双边滤波平滑噪声，高频强调滤波对图像效果进行增强，利用改进的自适应阈值Prewitt算子对图像进行边缘检测。以石榴轮廓及病斑形态信息作为判据，通过确定合理的比例系数来区分病害与非病害样本，为石榴病害防治提供参考。

1 改进的边缘检测算法

数字图像中的绝大部分信息都由边缘包含，利用所提取的边缘信息就能对图像进行效分析。相较其它方法，Prewitt算子对于灰度变化较为缓慢的图像具有更好的检测效果。本研究采用Prewitt算子进行石榴病斑轮廓检测，主要步骤为通过双边滤波对图像进行去噪；利用高频增强滤波增加图像对比度与图像质量，突出图像细节。经过图像预处理后遍历每个像素点，进行卷积操作，求出每个像素点所对应的梯度值，随后将求得梯度按照互相垂直规则分组，求其二范数，并以二范数中的最大值作为该像素点的梯度。采用最小误差法求得最佳阈值以进行边缘和背景的分割。

1.1 改进的Prewitt算子

传统Prewitt算子是一种基于梯度的一阶微分边缘检测算子，通过在3×3掩膜内计算像素点与其相邻点的灰度差，从而检测边缘。在图像空间利用2个方向模板与图像进行邻域卷积以获取对应像素点梯度，2个方向模板分别检测图像水平边缘和垂直边缘。Prewitt算子2个方向的模板矩阵如（1）所示：

但由于只使用了2个方向模板，因此对图像中多方向分布的信息检测能力不强，检测复杂图像时效果欠佳，并易受到各种噪声的影响。为能更好检测出每个方向的梯度值，本研究改进的算法使用角度分别为0°、45°、90°、135°、180°、225°、270°和315°共8个方向模板。加大卷积掩膜中心元素的权重，从而使图像在经过卷积操作后，其边缘信息比周围像素有更高的对比度，并按照高斯噪声概率分布的性质设置权值，以降低噪声对算法的影响，使图像更加清晰。本研究采用5×5卷积掩膜，改进后的8个方向的模板矩阵如（2）所示：

各模板与其对应图像像素的关系矩阵如（3）所示：

M（0°,45°,90°,135°,180°,225°,270°,315°）为对应方向的模板，G为坐标（）的像素点和其周围所有像素点的灰度级。采用模板与邻域卷积运算，求得对应梯度，卷积计算如式（4）所示

式中分别取8个方向角度，(°)；r(,)表示通过G和M卷积得到的结果；为在方向在模板处对应的元素。

相较于传统Prewitt算子求梯度最大值的方法，本研究将求得梯度按互相垂直的规则合并为8组，随后计算各组梯度的L2范数，将其中最大L2范数作为此像素点的梯度。记各方向的梯度为g（=0°, 45°, 90°, 135°, 180°, 225°, 270°, 315°），合并后的8组梯度值表达式为（g,g），=1,2,…,8，其中j=(−1)×45°，k=mod((270°+(−1)×45°)，360°)，mod表示求模运算，其对应的L2范数||T||2如式（5）所示：

取||T||2，(=1,2,…,8)中的最大值为该像素点梯度如式（6）所示：

在实际计算中得出角度相差180°方向上的卷积结果具有对称性。为减少计算量，后续计算只需取一半连续的方向模板与图像进行卷积计算即可。

1.2 双边滤波

高斯滤波作为一种有效去除图像噪声的手段被广泛应用于各种场合。传统边缘检测算法中也采用高斯滤波消除图像噪声，其定义如式（7）和式（8）所示：

式中h()为高斯滤波后的中心像素值，px；为模板覆盖的坐标；()为滤波前该位置的像素值，px；表示基于空间距离的高斯权重；k()表示结果的单位化参数。高斯滤波只从空间的角度考虑了像素间的关系，导致通过滤波得到的结果失去了边缘所包含的特征。为解决此问题，双边滤波在原有基础上加入额外的一个权重分量来保持边缘特征信息，其表达式如式（9）与式（10）所示：

式中h()为基于像素间相似性高斯滤波后的中心像素值，px；表示基于像素间相似性的高斯权重；k()表示结果的单位化参数。综合以上2个部分即可得到包含像素空间距离和相似性的双边滤波如式（11）和式（12）所示：

式中()为双边滤波后的中心像素值，px；()为结果的单位化参数。双边滤波由2个高斯基滤波函数组成，在计算同一邻域内各邻接像素值时，从空间几何角度与亮度两方面，综合考虑了各像素值的相邻关系，因此具有双重滤波作用。相较普通的高斯滤波具有更好的去噪效果，并具有适应不同噪声的能力。

1.3 改进的图像增强

石榴样本图像可分为2个部分：高频分量和低频分量，其中高频分量对应石榴样本图像的细节部分，而低频分量对应石榴样本图像的背景。因此，合理对石榴样本图像的高频分量和低频分量进行加权处理，能够提高图像质量，为后续图像处理提供便利。目前提高图像质量的方法主要为通过高通滤波器增强图像中的高频分量，以突出图像细节特征；衰减低频分量，从而减少低频分量在图像中的比重，达到弱化背景的目的。传统高通滤波器可表示为式（13）所示：

式中(,)为高通滤波器传递函数；和为当前分量的坐标；和分别表示石榴样本图像的宽度与高度，cm；0代表滤波器的截止频率，Hz。对式（13）进行分析得出，理想高通滤波器的频率一定大于0，而低频分量的频率基本上为0，因此很大一部分低频信息会被过滤，从而导致目标图像的对比度下降，视觉效果明显变差。为解决传统高通滤波器的此类缺陷，并更好的保留石榴样本图像的低频特征，将一个＞1的常数与所用滤波器进行相乘，以提高高频分量的权重，同时施加一个偏移量以保持低频分量。通过该方法，在增强高频信息的同时，低频部分得以更好的保留，高频强调滤波如式（14）所示：

式中hfe(,)为高频强调滤波器的传递函数；表示低频段偏移常量参数；表示常量乘数。

1.4 改进的阈值分割算法

由于受到自然环境中不同拍摄环境的影响，拍摄的石榴图像呈现出的效果也参差不齐。常见的石榴病害如黑斑病和干腐病等，会在石榴表面呈现出不同的病斑形状、颜色。通常情况下石榴图像中病斑部位的颜色与正常健康部位的颜色相差较大，目前普遍采用根据阈值分割的方式来解决此类问题。为提高石榴病斑的边缘检测精度，可由两方面进行改进：一是边缘检测时阈值的选择，准确的阈值能够提高分割精度；二是提供给程序的数据质量，准确清晰的数据能够减少程序计算步骤，使检测结果更为精确。经过多种阈值选择方法对比试验，本研究提出一种利用最小误差法实现阈值自适应的方法，并对经过预处理后的图像进行边缘检测。最小误差法根据图像中灰度信息作为模式基础，将灰度视作独立分布的随机变量，其图像的分割模式也服从一定的概率分布，从而获得满足最小误差分类准则的最佳阈值分割[28]。该算法主要思路为假设图像中只存在前景和背景2种模式，根据前景和背景像素占图像总像素的百分比求出前景和背景的均值和方差，再由最小分类误差算法得到最小误差目标函数。本研究取使目标函数值最小的阈值作为最佳阈值。

具体算法过程如下：

式中()为灰度图像中各像素点出现的概率，%；为各灰度级的像素个数；μ()为目标均值；2()为目标方差；P()为先验概率（=0代表背景，=1代表前景），%；为假设的背景与前景分割阈值。

2）根据最小分类误差思想得到最小误差目标函数()如式（18）所示：

3）取使目标函数最小的值为最佳阈值t，为灰度级，如式（19）所示：

本算法受噪声影响小，能够应对图像中不同的噪声，实现了阈值的自适应，节省了在病害检测过程中人工设定阈值的时间，使此算法能够更好的运用到实际生产之中。

2 试验与结果分析

2.1 试验设计与样本来源

为保证获取样本数据的真实性，本次试验中图像主要获取途径为数码相机拍摄，拍摄相机使用索尼Alpha 7,配索尼FE 24～70 mmF2.8微距镜头。在石榴后放置纯白背景板，无额外辅助光源，研究人员分别于不同角度不同光照条件下进行采样，共获得石榴图像607张，其中石榴病斑图像283张（主要包括干腐病、黑斑病、日灼病和疮痂病），健康石榴图像324张，以作对比。通过预处理将样本转换为209×209的灰度图像，分别使用Prewitt[26]、Canny[29]、Roberts[30]、Laplacian[31]等算子和本研究提出的改进自适应阈值Prewitt算子进行了对比试验。计算机处理器为Intel(R) core(TM)i7-4720，内存为8.00 G，频率为2.60 GHz，系统版本为Windows 10增强版，以MATLAB2016B软件编程实现石榴病斑边缘的检测。

2.2 图像增强结果分析

由图1所示，从样本中选取1帧健康石榴样本（图1a）与2帧疮痂病石榴样本（图1b）和黑腐病（图1c），进行对比。图1d～图1f分别为对应经过图像增强之后的石榴样本。图1a～图1c石榴表皮纹路轮廓较为模糊，很难清晰分辨病斑的形态和边缘。经过高频强调滤波后的石榴样本图像对比度增加，细节明显，且病斑区域的颜色信息被增强，图像的整体视觉效果提升显著，为后续病斑的边缘检测提高精确度。

2.3 病斑检测结果分析

为比较不同算法的分割效果，分别使用Canny[29]、Roberts[30]、Prewitt[26]、Laplacian[31]等算子和本研究改进自适应阈值的Prewitt算子检测的图像进行检测，由图2试验结果所示Roberts、Canny和Laplacian算子检测到的石榴边缘图像边缘连续性不强，部分边缘信息丢失，受噪声影响较大，存在过分割的情况。

图1 图像增强对比

图2 石榴图像边缘检测结果

传统Prewitt算子采用固定阈值，无法平滑噪声干扰，由于阈值的不适应产生许多伪边缘，检测效果不理想。由图2～图3所示，使用改进后的自适应阈值Prewitt算子分割，对于由健康石榴样本（图2a）检测出的图2f线条清晰，除果柄处外无病斑痕迹。对于由黑腐病石榴样本（图3a）检测出的图3f，病斑区域轮廓检测完整，形状特征凸显，并很好的保留了石榴轮廓，得到的边缘连续无间断、无厚边。

2.4 抗噪声结果分析

鉴于实际应用环境中可能发生的天气变化及拍摄元器件自身引起的噪声，对图像分别加入强度为0.1的Salt噪声，强度为0.2的Gaussian噪声对算法进行抗噪声性能测试。检测结果如图4～图5所示，对于加入的Salt噪声和Gaussian噪声，Roberts算子和Canny算子均存在受噪声影响造成边缘误判的情况。由Laplacian算子检测出得轮廓较清晰，但也存在边缘检测不准确和图像噪声大等问题。传统Prewitt算子采用给定的阈值进行检测，对局部噪声的抗噪能力弱，边缘的判定易受噪声影响，部分边缘间断，检测出的边缘较厚。本研究提出的自适应阈值Prewitt算子抗噪声干扰的能力显著增强，检测得出的边缘连续平滑，无厚边，适应性较强，能够完整反映出石榴病斑的真实形状。

图3 黑腐病石榴图像边缘检测结果

图4 抗Salt噪声检测结果

图5 抗Gaussian噪声检测结果

2.5 各算法运行结果分析

在测试环节，使用本研究算法对607张石榴样本图像进行检测，并从正确率、均方误差（Mean Squared Error, MSE）、峰值信噪比（Peak Signal to Noise Ratio, PSNR）和运行时间4个方面，与不同算法进行对比，其中正确率采用Meyer和Neto[32]研究的式（20）计算：

式中R为识别正确率，%；A为检测病斑面积，cm2；A为实际病斑面积，cm2。

MSE是用于衡量图像失真程度的指标。通过逐个计算原始图像与待评价图像之间的像素点差，来确定图像的失真值。所得值越低，代表图像失真值越小。其定义如式（21）所示：

式中分别为图像的长和宽，cm；f为原始图像；为待评价图像；(,)为当前像素坐标。PSNR是一种基于误差敏感的图像质量评价指标，其值越大，说明图像质量越好。其定义如式（22）所示：

运行时间的定义如式（23）所示：

式中为平均运行时间，s；all为识别张待测图像的总耗时，s；表示算法运行的次数。

如表1所示，基于自适应阈值的Prewitt边缘检测算法与传统固定阈值Prewitt边缘检测算法相比，正确率由原来的90.63%提高至98.24%，提升了7.61%。这是由于本研究算法使用的卷积掩膜，其中心权重服从高斯分布，并使用改进的双边滤波和自适应阈值，增加了对噪声的抗性。相较于其它算法，本研究改进算法识别正确率优势较为明显。在MSE指标处，Laplacian算子误差最高，为8.17。造成其均方误差高的原因主要为图4~图5中加入的噪声其本质为灰度值突变的像素，而相对于一阶导数，二阶导数对相邻像素灰度值变化的差异更明显，因此对噪声敏感度较大，并易对边缘产生双重响应。本研究算法平均运行时间最短，相较其它算法，平均耗时减少约0.1 s。由于互相垂直规则组合的梯度具有对称性，在计算时只需对其中4个方向进行卷积操作即可，从而减少计算时间。整体来讲本研究提出的改进自适应阈值的Prewitt算子比其余传统边缘检测算法具有更好的性能。

为进一步验证本研究算法对石榴品质区分的有效性，取样本中34个健康石榴样本和28个染病石榴样本进行测试，并观察其比例系数分布与果实品质之间的关系。比例系数P的定义如式（24）所示：

式中A为检测病斑面积，cm2；A为石榴样本面积，cm2。由图6所示，健康石榴样本与染病石榴样本在比例系数上具有明显的分界线，比例系数越高代表样本病斑区域越大，果实品质越低。通过试验结果得出染病石榴样本的比例系数普遍高于0.35，而健康石榴样本的比例系数均低于0.25，得出判别石榴是否染病的比例系数阈值约为0.3。因此，本研究算法能够对石榴病害样本与非病害样本进行准确区分。

表1 石榴病斑检测结果

图6 测试样本比例系数分布

3 结 论

本研究针对石榴病斑检测问题，提出了一种基于改进自适应阈值Prewitt的石榴病斑检测算法。主要结论如下：

1）改进后的自适应阈值Prewitt算子能够在各种噪音干扰下对石榴图像进行有效检测，在本试验条件下获得的边缘优于Canny、Roberts、Laplacian等边缘检测算子获得的边缘。对于真实环境下采集的石榴样本图像，平均检测准确率达到了98.24%，峰值信噪比（Peak Signal to Noise Ratio, PSNR）达到了43.72 dB。得到的图像精准度更高，图像质量更好。

2）本研究使用最小误差法实现阈值自适应，采用每组梯度的二范数的最大值作为该像素点梯度，提升了运行速度，与传统Prewitt算子相比运行速度提升了17.4%。

3）本研究算法提高了石榴病害检测的自动化程度，利用Prewitt算子的实用性，为石榴病害防治，石榴果实品质检测提供了一定理论依据及技术参考。

本研究是对单目标进行检测，对于多目标的检测可能会因为位置重叠而产生漏检测的情况。针对此类情况可以通过改善检测时的光照条件，获取图像深度信息等方法，需要后续进一步优化本研究算法。

[1] 陈利娜，敬丹，唐丽颖，等. 新中国果树科学研究70年－石榴[J]. 果树学报，2019，36(10)：1389-1398.

Chen Lina, Jing Dan, Tang Liying, et al. Fruit scientific research in China in the past 70 years: Pomegranate[J]. Journal of Fruit Science, 2019, 36(10): 1389-1398. (in Chinese with English abstract)

[2] 王含，王娟，张迎军，等. 陕西石榴枝条干腐病的病原鉴定[J]. 植物病理学报，2017，47(3)：406-410.

Wang Han, Wang Juan, Zhang Yingjun, et al. Identification of the pathogen causing pomegranate branch rot in Shaanxi province[J]. Acta Phytopathologica Sinica, 2017, 47(3): 406-410. (in Chinese with English abstract)

[3] 袁绍杰，胡先奇. 石榴线虫病害研究进展[J]. 果树学报，2014，31(1)：140-142.

Yuan Shaojie, Hu Xianqi. Analysis on research status of pomegranate nematode disease[J]. Journal of Fruit Science, 2014, 31(1): 140-142. (in Chinese with English abstract)

[4] 宋晓贺，孙德茂，王明刚，等. 陕西石榴干腐病发生及病原菌鉴定[J]. 植物保护学报，2011，38(1)：93-94.

Song Xiaohe, Sun Demao, Wang Minggang. Occurrence of the pomegranate fruit rot and identification of its pathogen[J]. Journal of Plant Protection, 2011, 38(1): 93-94. (in Chinese with English abstract)

[5] 陈子文，李伟，张文强，等. 基于自动Hough变换累加阈值的蔬菜作物行提取方法研究[J]. 农业工程学报，2019，35(22)：314-322.

Chen Ziwen, Li Wei, Zhang Wenqiang, et al. Vegetable crop row extraction method based on accumulation threshold of Hough transformation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(22): 314-322. (in Chinese with English abstract)

[6] 李云伍，徐俊杰，刘得雄，等. 基于改进空洞卷积神经网络的丘陵山区田间道路场景识别[J]. 农业工程学报，2019，35(7)：150-159.

Li Yunwu, Xu Junjie, Liu Dexiong, et al. Field road scene recognition in hilly regions based on improved dilated convolutional networks[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(7): 150-159. (in Chinese with English abstract)

[7] Tan Suiyan, Ma Xu, Ma Zhiji, et al. Segmentation and counting algorithm for touching hybrid rice grains[J]. Computers and Electronics in Agriculture, 2019, 162(30), 493-504.

[8] 蔡强，刘亚奇，曹健，等. 一种基于自适应标记与区域间近邻传播聚类的分水岭图像分割算法[J]. 电子学报，2017，45(8)：1911-1918.

Cai Qiang, Liu Yaqi, Cao Jian, et al. A watershed image segmentation algorithm based on self-adaptive marking and interregional affinity propagation clustering[J]. Acta Electronica Sinica, 2017, 45(8): 1911-1918. (in Chinese with English abstract)

[9] 丁永军，张晶晶，Lee W S，等. 小波变换与分水岭算法融合的番茄冠层叶片图像分割[J]. 农业机械学报，2017，48(9)：32-37.

Ding Yongjun, Zhang Jingjing, Lee W S, et al. Segmentation of tomato leaves from canopy images by combination of wavelet transform and watershed algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(9): 32-37. (in Chinese with English abstract)

[10] Tao Yongting, Zhou Jun. Automatic apple recognition based on the fusion of color and 3D feature for robotic fruit picking[J]. Computers and Electronics in Agriculture, 2017, 142(9): 388-396.

[11] 马浚诚，温皓杰，李鑫星，等. 基于图像处理的温室黄瓜霜霉病诊断系统[J]. 农业机械学报，2017，48(2)：195-202.

Ma Juncheng, Wen Haojie, Li Xinxing, et al. Downy mildew diagnosis system for greenhouse cucumbers based on image processing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 195-202. (in Chinese with English abstract)

[12] Wang Fengyun, Zheng Jiye, Tian Xincheng, et al. An automatic sorting system for fresh white button mushrooms based on image processing[J]. Computers and Electronics in Agriculture, 2018, 151(6): 416-425.

[13] 王震，褚桂坤，张宏建，等. 基于无人机可见光图像Haar-like特征的水稻病害白穂识别[J]. 农业工程学报，2018，34(20)：73-82.

Wang Zhen, Chu Guikun, Zhang Hongjian, et al. Identification of diseased empty rice panicles based on Haar-like feature of UAV optical image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(20): 73-82. (in Chinese with English abstract)

[14] 苗玉彬，王浙明，刘秦. 水果轮廓特征提取的Zernike矩分水岭分割方法[J]. 农业工程学报，2013，29(1)：158-163.

Miao Yubin, Wang Zheming, Liu Qin. Application of Zernike-moment-based watershed segmentation on fruit features extraction[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(1): 158-163. (in Chinese with English abstract)

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

[16] Maciel Z, Eliezer F, Jacob S. A simple weighted thresholding method for the segmentation of pigmented skin lesions in macroscopic images[J]. Pattern Recognition, 2017, 64(11): 92-104.

[17] 黄颖，李婉佳. Prewitt边缘检测与钻石编码结合的隐写算法[J]. 计算机应用研究，2018，35(4)：1187-1190，1196.

Huang Ying, Li Wanjia. Steganography algorithm based on Prewitt edge detection and diamond encoding[J]. Application Research of Computers, 2018, 35(4):1187-1190, 1196. (in Chinese with English abstract)

[18] Ye Hanmin, Shen Bin, Yan Shili. Prewitt edge detection based on BM3D image denoising[C]//2018 IEEE 3rdAdvanced Information Technology, Electronic and Automation Control Conference (IAEAC), Chongqing, China, 2018: 1593-1597.

[19] O’Grady M J, Langton D, O'Hare G M P. Edge computing: A tractable model for smart agriculture?[J]. Artificial Intelligence in Agriculture, 2019, 3(9): 42-51.

[20] Antonio R M, José I R S. Application of gradient-based edge detectors to determine vanishing points in monoscopic images: Comparative study[J]. Image and Vision Computing, 2015, 43(11): 1-15.

[21] Chaple G N, Daruwala R D, Gofane M S. Comparisons of Robert, Prewitt, Sobel operator based edge detection methods for real time uses on FPGA[C]//2015 International Conference on Technologies for Sustainable Development (ICTSD), Mumbai, India, 2015: 1-4.

[22] 邓小炼，杜玉琪，王长耀，等. 像素自相关矩阵的阈值自适应角点检测算法[J]. 农业工程学报，2017，33(18)：134-140.

Deng Xiaolian, Du Yuqi, Wang Changyao, et al. An adaptive threshold corner detection algorithm based on auto-correlation matrix of image pixel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(18): 134-140. (in Chinese with English abstract)

[23] Sengupta S, Mittal N, Modi M. Improved skin lesion edge detection method using Ant Colony Optimization[J]. Skin Research & Technology, 2019, 25(6): 1-11.

[24] Dwivedi N, Srivastava K, Arya N. Sanskrit word recognition using Prewitt's operator and support vector classification[C]//International Conference on Emerging Trends in Computing. IEEE, Dehradun, India, 2013: 265-269.

[25] 张晗，钱育蓉，王跃飞，等. 基于图像边缘增强与弱化的边缘检测[J]. 计算机工程与设计，2019，40(11)：3106-3110.

Zhang Han, Qian Yurong, Wang Yuefei, et al. Edge detection based on image edge enhancement and weakening[J]. Computer Engineering and Design, 2019, 40(11): 3106-3110. (in Chinese with English abstract)

[26] 徐欣，刘宝锺. 基于改进Prewitt算子的农业图像去噪算法[J]. 江苏农业科学，2016，44(1)：406-408.

Xu Xin, Liu Baozhong. Agricultural image denoising algorithm based on improved Prewitt operator[J]. Jiangsu Agricultural Sciences, 2016, 44(1): 406-408. (in Chinese with English abstract)

[27] 刘天时，魏雨，李湘眷. 自适应阈值的Prewitt地质图像边缘检测算法[J]. 小型微型计算机系统，2016，37(5)：1062-1065.

Liu Tianshi, Wei Yu, Li Xiangjuan. Improved edge detection algorithm of geological image based on Prewitt operator with adaptive threshold[J]. Journal of Chinese Computer Systems, 2016, 37(5): 1062-1065. (in Chinese with English abstract)

[28] 龙建武，申铉京，陈海鹏. 自适应最小误差阈值分割算法[J]. 自动化学报，2012，38(7)：1134-1144.

Long Jianwu, Shen Xuanjing, Chen Haipeng. Adaptive minimum error thresholding algorithm[J]. Acta Automatica Sinica, 2012, 38(7): 1134-1144. (in Chinese with English abstract)

[29] 张超，王志浩，杨建宇，等. 基于Canny算子的农田线状工程地物自动提取方法[J]. 农业机械学报，2015，46(2)：270-275.

Zhang Chao, Wang Zhihao, Yang Jianyu, et al. Farmland linear project feature auto-extraction method based on Canny algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 270-275. (in Chinese with English abstract)

[30] 李树强. 基于Roberts算子的牡丹红斑病叶病斑边缘检测方法比较[J]. 经济林研究，2014，32(1)：144-149.

Li Shuqiang. Comparison of edge detection methods of red spots in infected peony base on improved Roberts algorithm[J]. Nonwood Forest Research, 2014, 32(1): 144-149. (in Chinese with English abstract)

[31] 代文征，杨勇. 基于改进高斯：拉普拉斯算子的噪声图像边缘检测方法[J]. 计算机应用研究，2019，36(8)：2544-2547，2555.

Dai Wenzheng, Yang Yong. Noise image edge detection based on improved Gauss-Laplace operator[J]. Application Research of Computers, 2019, 36(8): 2544-2547, 2555. (in Chinese with English abstract)

[32] Meyer G E, Neto J C. Verification of color vegetation indices for automated crop imaging applications[J]. Computers and Electronics in Agriculture, 2008, 63(2): 282-293.

Algorithm for detecting pomegranate disease spots based on Prewitt operator with adaptive threshold

Ju Zhiyong, Xue Yongjie, Zhang Wenxin, Zhai Chunyu

(School of Optical-Electrical and Computer Engineering, University of Shanghai for Sciences and Technology, Shanghai 200093, China)

Pomegranates are one of the economic fruits in China. The timely detection of pomegranate diseases and the corresponding preventive measures are important to increase crop yields and reduce economic losses. To tackle the issues that traditional edge detection operators usually resulted in low accuracy of the detection of pomegranate diseases and its contour, low anti-noise capability, and created false edges, this study presented an improved Prewitt operator with an adaptive threshold. Firstly, in the image pre-processing stage, the pending image was enhanced by high-frequency emphasize filter, and the high-frequency component, which represented to the details of the pomegranate sample in the image, was increased by the filter. On the contrary, the low-frequency component, which represented to the background of the pomegranate sample, was attenuated to facilitate the following image processing. Since the most original images contained the Gaussian noise, bilateral filtering was used to process the noise present in the image. The weighted average of the brightness values of adjacent pixels was used to represent the intensity of a pixel. The weighted average method was used based on Gaussian distribution. The weight calculation took into account both the Euclidean distance between the pixels and the radiation difference in the pixel range domain to better maintain edge feature information. Secondly, a fifth-order convolutional mask was proposed. The weights of the elements in the mask were set according to the properties of the Gaussian noise probability distribution to reduce the effect of noise on the algorithm. The weight of the central element of the convolutional mask was increased so that the edge information of the image had higher contrast. In terms of gradient calculation, eight direction templates were used to perform the convolutional operation of the image, then the gradient values of each direction were calculated. After that, the corresponding gradient values were obtained, and the gradient values of eight directions were combined into eight groups according to the rule of orthogonality. As a result, there was 90 degrees difference between each group of gradients. Then calculated the L2 norm of each set of gradients, and used the largest value of L2 norm as the gradient of the current pixel. It was shown that it was only necessary to calculate the convolutions in half the direction due to the convolutional results in opposite directions were inverse to each other. The gradients of the rest of the direction could be obtained by its symmetric property. The adaptive threshold was implemented through the minimum error method to decrease the probability of false detection and prune irrelevant details. The mean and variance of the target and background were calculated, meanwhile, the minimum error objective function was obtained according to the principle of the minimum error classification. The value that minimizes the objective function was taken as the optimal threshold. To demonstrate the effectiveness of the method in this paper, 607 test images were manually collected as samples in the natural environment from different angles and different illumination conditions. To further reduce the interference of light changes and suppress background noise, the pending images were converted into grayscale images. Therefore, the algorithm was tested using the converted grayscale images. The experimental results showed that the algorithm proposed in this study achieved a better definition at the edge of the lesion. Compared with the traditional edge detection operator, it achieved a higher recognition accuracy and lower running time. The peak signal to noise ratio of the obtained image was higher, and the obtained edge was complete and accurate. The algorithm proposed in this paper could quickly and accurately detect the area of pomegranate lesions, providing a fundamental reference for the future prevention of pomegranate diseases.

fruit; algorithms; diseases; edge detection; image enhancement; minimum error method; bilateral filtering

巨志勇，薛永杰，张文馨，等. 自适应阈值Prewitt的石榴病斑检测算法[J]. 农业工程学报，2020，36(8)：135-142.doi：10.11975/j.issn.1002-6819.2020.08.017 http://www.tcsae.org

Ju Zhiyong, Xue Yongjie, Zhang Wenxin, et al. Algorithm for detecting pomegranate disease spots based on Prewitt operator with adaptive threshold[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 135-142. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.08.017 http://www.tcsae.org

2019-11-21

2020-03-26

国家自然科学基金资助项目（81101116）

巨志勇，博士，讲师，主要从事图像处理与模式识别研究。Email：juzyusst@163.com

10.11975/j.issn.1002-6819.2020.08.017

TP391.4

A

1002-6819(2020)-08-0135-08