基于OTSU算法的苹果果实病斑图像分割方法

薛 飞，刘立群

(甘肃农业大学 信息科学技术学院，甘肃 兰州 730070)

0 引 言

中国的苹果生产和消费已经位居世界之首[1]。在苹果种植面积和产量日益增长的情况下，苹果果实的各种病变(如黑点病、斑点落叶病、苦痘病、红点病、痘斑病、日灼病等)也日益增多，严重影响了果农的经济收益，因此对苹果进行检测对提升苹果整体的品质具有重要的意义。

目前，传统的检测方法以人工肉眼检测为主，受人为主观判断容易产生错误，降低了病变识别准确度。随着经济的快速发展，目前人工成本越来越高。随着技术的不断发展升级，能够替代人工肉眼识别的机器视觉的出现显得更为重要。机器视觉领域包括图像处理、智能控制、电光源照明、传感器检测、模拟数字视频技术等。图像处理是机器视觉的基础，其中图像分割是按照一定的原则将一幅图像分为若干的具有单独性质的子集，并提取出感兴趣目标的技术和过程。

因此，利用图像分割算法对苹果病斑图像识别进行研究具有重要的实际意义和应用前景。目前该领域的研究对象一般为黄瓜、西红柿、柑橘、马铃薯等常见病害图像。国外研究学者已经开展了大量工作，文献[2]为了分割出樱桃白粉病病害区域，采用自适应阈值分割方法，结果表明分割的病斑区域可以有效地反映疾病感染水平。文献[3]将Sobel边缘检测算子应用于大麦叶片病斑分割实验中，从而实现了病斑与背景的分离[4]。文献[5]选取种子像素并采用区域生长迭代法和分裂合并方法对柑橘皮病斑进行了分割，结果表明柑橘皮病斑区域分割结果良好。文献[6]通过实验对香蕉病害叶片病斑提取，选择最优门限阈值，准确将病斑分割出来[7]。文献[8]对苹果进行了形状判断的研究，依靠轴定向可以采集苹果在不同角度的5帧图像并使用计算机进行图像分析处理。文献[9]提出在理论上任意颜色都可以用R、G、B分量不同的数值组合来进行呈现，实验数据表明该理论的误差很小，但是这种方法增加了计算量，同时也降低了速率，增加了实际误差[10]。文献[11]采用机器视觉对草莓形状、大小及颜色等特征进行分级方法研究[12]。国内学者也开展了相关研究，文献[13]提出的改进全卷积神经网络的黄瓜叶部病斑分割方法可以对不同黄瓜叶部病斑做到精细化分割。文献[14]提出的LBP和OTSU相结合的病害叶片图像分割方法使病害叶片分割更完全。文献[15]提出的基于朴素贝叶斯的病害图像分割方法对柑橘溃疡病叶片图像进行分割研究，达到了较为适宜且精确度较高的程度。文献[16]提出了一种改进全卷积神经网络玉米叶片病斑分割方法，可以准确分割出玉米叶部病斑区域。文献[17]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，取得了不错的分割效果。可见，利用图像处理算法对病害进行分割与识别是一种非常有效的方法，将其应用于不同类型的苹果病斑图像的分割识别领域，可快速简单地进行苹果病斑识别，节省人力物力。

针对传统人工肉眼检测的缺陷，该文应用最大类间方差(OTSU)对不同类型的苹果病斑图像进行分割研究，提出了基于OTSU算法的苹果果实病斑图像分割方法。设计开发了苹果病斑图像分割处理系统，系统基于MATLAB GUI开发界面，将读取的苹果彩色病斑图像分别进行灰度处理、直方图均衡化、滤波增强、模糊增强、图像分割、识别病斑区域等一系列操作，分别选取苹果黑点病、斑点落叶病、苦痘病、红点病、痘斑病、日灼病等六种病斑果实图像进行分割处理，实现病斑图像分割结果展示。

1 理论基础

1.1 最大类间方差算法分割原理

广泛流行的图像分割算法是最大类间方差，又称大津法(OTSU)，是日本学者大津展之在1979年提出的。其算法思想是通过最大类间方差准则来选取最优阈值。

OTSU算法基本原理是：假设图像中有L个灰度等级，其中灰度值为j的数目为nj，则有图像中总的像素公式为：

(1)

每个灰度值概率公式如下：

(2)

假设在(0～L)灰度内存在灰度k将图像分为两类，那么公式如式(3)所示。

(3)

此外两类灰度值均值计算方法分别如式(4)和式(5)所示。

(4)

(5)

通过公式可以计算出图像总体灰度均值为wT=pAwA+pBwB，根据方差计算公式可得出式(6)[18]。

δ2=PA(ωA-ωT)2+PB(ωB-ωT)2

(6)

通过OTSU算法的基本原理可以得到OTSU求取图像最佳阈值的公式(7)，方差越大，效果越好[19]。

(7)

1.2 MATLAB及MATLAB GUI原理

随着面向对象技术的兴起，图形用户界面(GUI)的设计与开发已经成为一种大的趋势。MATLAB平台可建立基于用户完整的图形用户界面，对于图像的分割处理更加精准和简易[20]。

利用MATLAB GUI实现图像处理一体化平台设计可以充分发挥MATLAB在图形可视化方面的特性。平台设计中充分利用了MATLAB的各种图形对象，如按钮、文本框、菜单、图轴等控件，通过鼠标拖入控件来创建对象，编写相应回调函数实现平台的算法集成和交互可视化功能，为用户有效利用多种方法进行图像处理提供了便利。

1.3 苹果果实病斑分类

目前，苹果的各种病变体现在果实病斑上，主要包括以下六种类型：黑点病、斑点落叶病、苦痘病、红点病、痘斑病及日灼病。

苹果黑点病一般局限在果实表皮，不深入果肉[21]，影响苹果果实外观、经济价值。苹果斑点落叶影响苹果外观病贮藏期间还易感染其他病菌，并感染其他果实，造成经济损失。苹果苦痘病果面病斑深褐色至黑褐色[22]，严重影响苹果外观、口感和经济价值。苹果红点病出现在果皮表面，影响外观、果农经济收入[23]。苹果痘斑病表现在果实表面，病变严重可以深达果肉[24]，易感染其他果实造成经济损失。苹果日灼病是由果面高温和太阳光的辐射所引起，使苹果失去食用价值[25]。

2 苹果果实病斑图像分割方法

2.1 苹果果实病斑图像分割方法原理

针对传统人工肉眼检测的缺陷，该文提出了基于OTSU算法的苹果果实病斑图像分割方法。该方法基于MATLAB平台，将读取的苹果彩色病斑图像分别进行灰度处理、直方图均衡化、滤波增强、模糊增强、图像分割、识别病斑区域等一系列操作，分别选取苹果黑点病、斑点落叶病、苦痘病、红点病、痘斑病、日灼病六种病斑果实图像进行采样处理，利用OTSU算法对六种苹果病斑图像进行分割识别。

2.1.1 苹果果实病斑图像分割方法

苹果果实病斑图像分割方法包含以下四个模块：读取苹果病变图像模块、图像灰度处理模块、图像预处理模块、图像分割模块。

读取苹果病变图像模块实现苹果病斑图像的读入功能，首先对苹果黑点病、斑点落叶病、苦痘病、红点病、痘斑病、日灼病六种病变进行采样处理，在系统分别对应的功能区进行读入。图像灰度处理模块实现灰度图像处理功能，将苹果彩色病斑图像读入后自动将苹果病斑图像进行灰度处理并显示。图像预处理模块，建立预定义的滤波算子，模糊增强滤波器，将原始图像按指定的滤波器进行滤波增强处理，并计算出图像的直方图。图像分割模块，利用OTSU算法计算出图像的一个阈值，可以用来区分图像的前景和背景部分，然后显示病斑分割结果。

2.1.2 苹果果实病斑图像分割方法流程

Step1：读取苹果病斑图像。

Step2：对苹果病斑图像进行灰度处理。

Step3：建立预定义的滤波算子，模糊增强滤波器，将原始图像按指定的滤波器进行滤波增强处理，并计算出图像的直方图。

Step4：利用OTSU算法计算出图像的一个阈值finalT，显示病斑分割结果。

2.2 苹果病斑图像分割处理系统

2.2.1 总体设计方案

该文基于MATLAB平台，运用OTSU算法对苹果病斑图像进行分割，并利用MATLAB GUI功能实现病斑图像分割结果展示，设计开发了苹果病斑图像分割处理系统。

由于照片采集过程中会受到外部光源等一系列不确定因素的影响，可能会影响苹果病斑识别的正确率，因为存在这些不确定性因素，所以在苹果病斑识别过程中存在一定的复杂性。采集到的苹果病斑图像进行识别分割，因为受光源、色彩等因素的影响，所以在识别过程中先将彩色图像进行处理转换为灰度图像，并进行图像的预处理，然后进行病斑区域分割，以提高病斑分割正确率。苹果病斑图像分割处理系统总体设计方案如图1所示。

图1 总体设计方案

总体设计方案中的分割识别处理，分别读取苹果黑点病、斑点落叶病、苦痘病、红点病、痘斑病、日灼病六种病斑图像，将原图像变换为灰度图像，然后进行图像的预处理，最后输出结果并保存图像，分割识别结束。

2.2.2 苹果病斑图像分割处理系统处理流程

利用OTSU算法在MATLAB GUI平台对苹果病斑图像进行分割处理得出实验数据。苹果病斑图像分割处理系统的处理步骤包括：读取图像、灰度处理、直方图均衡化、滤波增强、模糊增强、图像分割、识别病斑区域，如图2所示。

图2 苹果病斑图像分割处理系统处理流程

2.2.3 系统设计界面

根据总体设计方案，设计开发出苹果病斑图像分割处理系统界面，如图3所示，六种苹果病斑图像分类选择界面如图4所示。

图3 苹果病斑图像分割处理系统界面

图4 六种苹果病斑图像分类选择界面

3 苹果病斑图像分割实验

3.1 实验设计

选取苹果黑点病、斑点落叶病、苦痘病、红点病、痘斑病、日灼病六种病斑图像进行实验，验证OTSU的图像阈值寻优能力及图像分割效果。图像采集选择室外自然光采集。计算机处理器为Intel Core i5，主频为1.8 GHz，内存为8.0 GB，显卡Intel HD Graphics 6000，显卡内存1 536 MB，数码相机选用Cannon G7。图片处理软件是Matlab 2019a。

根据果实病斑的实际大小，将分割出的目标按照形状、大小等特征进行划分，以下几种情况的目标可忽略不计入分割出的病斑数：目标过小成点状、目标过大成片状、目标成线条状。以分割出的果实病斑数与果实实际病斑数的比较来评价OTSU分割算法的分割效果。先定义Nm为算法分割识别出的总目标数。Nf为人工目视识别得到的实际病斑数，Nt为算法可分割识别出的病斑数。

分别定义识出率(R识别)、识别成功率(R成功)、误识率(R错误)和漏识率(R漏识)，选取识别率、成功率、误识率和漏识率4个指标进行衡量[26]。

(8)

(9)

(10)

R漏识=100%-R成功

(11)

3.2 实验结果与分析

六种苹果病斑图像分割阈值结果如表1所示，苹果果实黑点病、斑点落叶病、苦痘病、红点病、痘斑病、日灼病六种病斑类型图像分别用A#、B#、C#、D#、E#、F#表示。

表1 六种苹果病斑图像分割效果比较

将六种苹果病斑图像的六幅图像分别用OTSU分割方法进行分割后寻取的最优阈值如表2所示。

表2 六种苹果病斑图像分割最优阈值

由表2可以看出，不同类型病斑图像由于光照或自身原因，分割后得到的最优阈值并不相同。由此可见OTSU算法会根据实际情况得出各图像的最优阈值。

苹果病斑图像分割处理系统对六种不同的苹果病斑图像进行分割后的结果如图5所示。根据表1和表2及图5分割图像分析得出，图5(a)所示黑点病斑图像的识别率为61.9%。由于病斑点的颜色深浅不同、病斑大小不同及自然光照不充足，所以部分偏小病斑和右下方成片状无法分割。图5(b)所示苹果斑点落叶病斑图像由于左侧病斑偏小颜色偏浅并且下方连城片状无法分割，所以识别率为66.7%。图5(c)所示苹果苦痘病斑图像的识别率为100%。由于病斑点大小差别不大，光线照射充足所以识别率为100%。但同时错误率也有11.11%，造成这种情况的原因是左侧病斑点与周围环境连城片，苹果顶端凹陷处成黑色斑点被误识别为病斑点。图5(d)所示红点病斑图像的识别率为47.37%。造成这一结果的原因是红点病斑多而群发，且都集中在苹果右下侧分割后与背景颜色连接成片状无法分割。图5(e)所示痘斑病斑图像分割识别率为85.71%，大部分病斑点都分布在苹果果实上端、光照充足，病斑点大小颜色相近，未出现成片状分割结果，但是误把苹果果实顶端的凹陷处识别为病斑点。图5(f)所示苹果日灼病斑图像的原始计算值中识别率计算结果超过100%，因为光线和果实自身的影响、OTSU算法计算出的分割阈值存在缺陷，导致分割出过多误识的目标，根据前面假设，果实病斑的实际大小与目标相差过远，因此将图5(f)所示苹果日灼病斑图像中下方成片、微小的目标可忽略不计入分割出的病斑数。所以对苹果日灼病斑图像的分割总目标数Nm进行矫正，计算出识别率为100%。

图5 六种苹果病斑图像分割结果

综合表1、表2实验结果和图5六种苹果病斑图像分割结果，识别分割目标已经基本和背景分离，初步达到预期效果。但是识别成功率还是低于识别率，并存在一定的错误和漏识。

4 结束语

针对传统人工肉眼检测的缺陷，提出了基于最大类间方差法(OTSU)的苹果果实病斑图像分割方法。设计开发了苹果病斑图像分割处理系统，系统基于MATLAB GUI开发界面，将读取的苹果彩色病斑图像首先转换为灰度图像，并进行图像的预处理，然后进行病斑区域分割，以提高病斑分割正确率。实验分别选取苹果黑点病、斑点落叶病、苦痘病、红点病、痘斑病、日灼病六种病斑果实图像进行采样处理，利用OTSU算法对六种苹果病斑图像进行分割识别。分割实验结果显示，对于病斑适中、颜色较深的苹果病变区域分割后识出率和识别成功率较高。但是该系统识别成功率还是低于识别率，并存在一定的错误和漏识，分割算法还有待进一步改进。