基于改进k-means算法的猕猴桃叶部病斑分割方法

张会敏 谢泽奇 张善文

摘要：为了提高植物病害图像的分割精度和分割效果，减弱经k-means算法RGB（Red Green Blue） 颜色分量高度线性相关以及欧氏距离的尺度相关性对图像分割结果产生的影响，并克服RGB空间色彩分布不匀的缺陷，提出了一种基于Lab颜色空间的改进 k-means的猕猴桃叶部病害图像分割方法。首先改变颜色空间，将RGB转换为Lab空间，由 L、a、b3分量组合表示每个像素点。其次，将马氏距离代替欧氏距离进行改进，用改进后的k-means算法对图像进行聚类。利用该方法对三种猕猴桃病害图像进行测试，实验结果表明，本文算法可以有效地将猕猴桃病害图像中的病斑图像分割，分割准确率高，并具有较高的鲁棒性。

关键词：猕猴桃叶部病害;Lab颜色空间;k-means算法;马氏距离;欧氏距离

中图分类号：TP391        文献标识码：A

文章编号：1009-3044（2020）25-0019-03

Abstract：To improve the segmentation accuracy and segmentation effect of plant disease images， the influence of the high linear correlation of RGB （Red Green Blue） color components and the scale correlation of Euclidean distance on the image segmentation results by the k-means algorithm is weakened， and the RGB space is overcome. Based on the defect of uneven color distribution， and improved k-means kiwi leaf disease image segmentation method based on Lab color space was proposed. First， change the color space， convert RGB to Lab space， and represent each pixel by a combination of L， a， and b components. Secondly， the Mahalanobis distance is replaced by the Euclidean distance， and the improved k-means algorithm is used to cluster the images. The method of segmentation of three kinds of kiwifruit disease images showed that the method can segment the lesions accurately and segment the kiwifruit disease images. The segmentation results are ideal， the robustness is good， and the segmentation accuracy is high.

Key words： Kiwi leaf disease; Lab color space; K-means algorithm; Mahalanobis distance; Euclidean distance

獼猴桃是我国重要的水果之一。猕猴桃病害严重降低猕猴桃的产量和质量。为了减少病害对猕猴桃产品的影响，及时对病害进行有效的防治是至关重要的。传统的农产品专家现场诊断，由于成本高、时间长，严重影响病害的最佳诊治时机，因此，利用计算机能够快速、准确地进行病害的自动诊断是现代化农业发展的趋势。其中，如何快速地、准确地分割页部病斑，对病害的诊断起到至关重要的作用，因此，对病斑进行有效地分割是病害识别的基础。张善文等提出一种基于颜色均值显著点聚类的作物病害叶片图像分割方法，该算法通过构造基于像素点的带权无向图，计算病害叶片图像像素点的邻域颜色均值，通过前后两个邻域的颜色均值差与设置的阈值进行对比，来判断该像素点是否为病斑点。张会敏等提出一种基于WT-Otsu算法的植物病害叶片图像分割方法。该算法利用二维小波变换提取作物病斑图像的边缘点，利用Otsu法在这些边缘点搜索最佳分割阈值来分割病斑图像。

其中，经典k-means 算法是一种经典且常用的将欧氏距离当作评判标准进而把目标划分成自定义 k类的硬聚类算法，其核心思想就是测算对象之间距离越小，相似度就越高。但由于欧氏距离具有尺度相关性并且不能全面考虑到信息中所包含的特性联系。因此，本文在此基础上，使用均匀颜色空间CIE Lab来代替RGB颜色空间，同时采用马氏距离测度方法来克服欧氏距离的尺度缺陷，可优化病斑分割结果，并在猕猴桃病斑图像上进行实验，来验证本文算法的有效性。

1 材料与方法

1.1 材料

猕猴桃叶片图像采集来自陕西省宝鸡市国家级眉县猕猴桃产业园试验基地，使用像素值为2000万的佳能数码相机对猕猴桃叶片图像进行采集。采集时间为不同时间点，包含各种不同的光照条件。采集图像中主要包括猕猴桃溃疡病、花叶病、叶枯病病常见的3种猕猴桃病害，病斑图像如图1所示。

1.2 Lab 颜色空间

色彩是眼睛对于不同频率光线而产生的不同感受，因此，选取合适的颜色空间可以为实现图像有效分割奠定坚实的基础。目前，常用的颜色空间RGB颜色空间、HSV 颜色空间以及CIE 等颜色空间。

Lab颜色空间是由国际照明委员会所制定具有国际标准的色彩模式，可以表示自然界中存在的任意一种颜色。其中，Lab颜色空间是可通过对RGB颜色空间进行非线性变换来实现，获取亮度通道L、a颜色通道和b颜色通道。a颜色通道主要表示从红到绿的分量改变，其值变化范围是127～-128。其中127表示红色。-128表示绿色。同理，b颜色通道主要表示从黄到蓝的分量改变，其值变化范围是127～-128。其中127表示黄色。-128表示蓝色。L分量表示亮度，其值变化范围是0 ～100。因此，任何颜色都可以通过L分量、a分量、b分量的值进行排列来进行表示。

由于猕猴桃病害图像不能直接由RGB颜色空间转换成为Lab颜色空间，因此，需要先转换成CIE XYZ颜色空间，再转换为CIE Lab空间。

1.3 改进的 k-means 聚类算法

K-means是聚类算法中一种典型的基于距离的聚类算法，主要采取欧式距离来作为评价指标。该算法通过利用设定的K值对以初始聚类中心来划分相似数据点，计算聚类中心与数据点的距离均值进行迭代优化，最终获得最优的聚类结果。本文研究是在 K 均值聚类算法的基础上，提出一种改进的 K 均值聚类算法。与经典的 K 均值聚类算法的主要区别在于：（1）本算法采用中值聚类中心;（2）将经典 k-means算法用来计算样本相似度的欧几里得距离（简称欧氏距离）改用马哈拉诺比斯距离（简称马氏距离）替代。改进后的应用于猕猴桃叶片病害分割的算法步骤如下：

对于获取的猕猴桃病害图像均为彩色图像，每个像素点都包含三个像素点值，即三维像素点向量，因此，可有三维向量来组成对应的聚类中心，因此，需要将灰度图像的像素值修改为三维向量即可。

2 结果与分析

本次实验在Windows10操作系统，软件Matlab R2016a中进行。在该实验中，将k设置为3，然后随机选取3个初始聚类中心，分别对猕猴桃页部病害彩色图像进行分割，实验结果如图2所示。从图2可以看出，（a）为3个原始图像（分别用原始图像1～3表示），（b）是利用本文改进k-means算法对原始图像进行运算得到的聚类结果，图像被划分为2个区域，分别进行重复聚类，最终标记分类的2个区域（一个是背景分割，一个是病斑分割）。其中，图2 c、图2 d图是对应原始图像按照背景和病斑进行分割所得到的结果。从实验结果可以看出，本文改进算法采用 Lab 色彩空间降低了颜色分量的线性相关性，对病斑有效地做出区分，从而获得较好地分割效果。

从图2可以看出，本文算法在对猕猴桃三种病害的彩色图像进行分割方法是有效的，根据聚类结果可以明显地定位出病害区域，然后能正确地分割出不同的病斑图像，为后面的特征提取与病害识别提供基础。为了更好地验证本文算法的有效性和实时性，将通过分割时间和分割误差概率作为评价标准，来分析经典k-means算法和本文算法的性能，实验结果如表1所示。其中，病斑分割误差概率计算公式如下：

由表1可以看出，虽然改进算法在运行时间上比传统k-means算法长，但没有体现出较大的优势;但本文算法的误差概率较低，从17.402%降低到8.603%，提高了近9%，因此，本文算法分割效果更准确、更具有优势。分析原因主要是由于Lab颜色空间表示更完整，聚类算法采取马氏距离，可以更准确地描述颜色差异，更具有尺度无关性，因此，本文算法就具有更好地聚类效果。

3 结论

经典k-means算法由于原理简单、快速高效而广泛到图像分割中。但由于RGB颜色空间为非均匀颜色空间，且具有高度线性相关性，并且以欧式距离来计算会影响分割效果的准确性。因此，本文在此基础上，本文改进算法选择均匀颜色空间CIE Lab，同时采用马氏距离来代替欧式距离来作为测度方法，可以克服经典k-means算法的尺度相关性缺陷，可更准确地描述像素点差异，分割效果更佳，并在猕猴桃病斑图像上进行实验，实验结果表明，本文算法是有效可行的，为其他作物的病斑分割提供一定的参考价值。

参考文献：

[1] 张善文，张晴晴，齐国红.基于颜色均值显著点聚类的作物病害叶片图像分割方法[J].安徽农业科学，2019，47（10）：228-230.

[2] 邵伦，周新志，赵成萍，等.基于多维网格空间的改进K-means聚类算法[J].计算机应用，2018，38（10）：2850-2855.

[3] 周红芳，刘园，谈姝辰.基于商空间理论的K-means改进算法[J].西安理工大学学报，2013，29（4）：400-405.

[4] 张会敏，谢泽奇，张善文，等.基于WT-Otsu算法的植物病害叶片图像分割方法[J].江苏农业科学，2017，45（18）：194-196.

[5] 王海起，王劲峰.一种基于空间邻接关系的k-means聚类改进算法[J].计算机工程，2006，32（21）：50-51，75.

[6] 张善文，张晴晴，齐国红，等.基于改进K中值聚类的苹果病害叶片分割方法[J].江苏农业科学，2017，45（18）：205-208.

[7] 蓝章礼，黄涛，李战，等.基于图像内容的沥青路面病害区域分割算法[J].计算机系统应用，2019，28（2）：177-183.

[8] 张明，王生荣，郭小燕.基于混合蛙跳算法的馬铃薯病害图像分割优化[J].植物保护学报，2018，45（3）：478-488.

[9] 邵伦，周新志，赵成萍，等.基于多维网格空间的改进K-means聚类算法[J].计算机应用，2018，38（10）：2850-2855.

[10] 王海起，王劲峰.一种基于空间邻接关系的k-means聚类改进算法[J].计算机工程，2006，32（21）：50-51，75.

[11] 周强强，王志成，赵卫东，等.基于水平集和视觉显著性的植物病害叶片图像分割[J].同济大学学报（自然科学版），2015，43（9）：1406-1413.

【通联编辑：唐一东】