基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割

袁芊芊，邓洪敏，王晓航

（四川大学电子信息学院，成都 610065）

（*通信作者电子邮箱hm_deng@scu.edu.cn）

0 引言

柑橘是世界第一大果树品种［1］，在世界范围内都广泛种植。作为一种多年生植物，柑橘不仅对环境保护起着重要作用，并且具有很多优势，既是一种食品的来源，又是很多工农业的原材料［2］。作为食品的柑橘富含维生素C，口感香甜，受到了广大消费者喜爱。然而，近年来柑橘的生产普遍受到病虫害的影响。诸如柑橘溃疡病、黄龙病（Huanglongbing，HLB）、炭疽病等病害和黑刺粉虱、橘蚜、恶性叶甲等虫害严重抑制了柑橘的生长，大幅降低了柑橘的产量和品质，使得柑橘在很多地区供不应求。

一棵普通的柑橘树大约有两万多片叶子，通常只有很少的叶子会表现出症状［3］。对柑橘作物大面积盲目地使用农药、杀虫剂、杀菌剂等不仅会增加经济成本，更会对环境造成污染。如何准确辨别各类柑橘类病症，及时隔离病株并采取针对性措施是避免重大损失的有力手段。传统的人工检测方法需要专家观察柑橘病症进行分类和治疗，且已经治愈的植株也存在复发的风险，因此需要长期密切监测，费时费力。近年来，研究人员致力于从图像处理的角度寻找新的基于计算机的柑橘病症早期识别的解决方案。这是一种快速、实用、有发展潜力的方法。

柑橘病变斑的检测和分类主要包括预处理、分割、特征提取和分类四个步骤［4］。其中，图像分割往往是许多实际应用中最重要、最困难的问题之一，它的目的是简化或改变图像的表现形式，使其更有意义，更容易分析［5］。图像分割类算法大致分为两类：无监督图像分割和有监督图像分割。相比神经网络等依赖样本数量和标签的有监督图像分割方法，聚类、活动轮廓模型、分水岭变换（Watershed Transform，WT）、隐马尔可夫随机域（Hidden Markov Random Field，HMRF）和模糊熵等无监督图像分割方法更简单。

针对柑橘黄龙病（HLB），Li 等［6］分别于2007 年和2010 年获取了柑橘林机载光谱图像，开发了多种HLB 检测算法，达到了29%～95%的检测精度。Deng 等［7］则探讨了一种基于可见光谱图像处理与成本支持向量分类（Cost-Support Vector Classification，C-SVC）的HLB 检测方法。他们对采集到的不同类别的柑橘叶片可见光图像进行预处理后，提取其灰度和HIS 颜色空间的纹理和直方图，然后基于C-SVC 进行特征建模，识别HLB 的存在。该方法识别成本低，但由于HLB 阳性叶片与营养不良的HLB 阴性叶片相似度很大，加上样本的匮乏，仅有91.3%的识别率。Weng 等［8］成功利用最小二乘支持向量机（Least Squares-Support Vector Machine，LS-SVM）分类器来分析健康、HLB 感染（无症状和有症状）及营养缺乏叶片的高光谱图像，结果发现，在冬季、夏季和总体的分类正确率分别是90.2%、96.0%和92.6%。2014 年，Kim 等［9］介绍了一种利用高光谱成像技术识别柑橘黑斑病（Citrus Black Spot，CBS）的方法。他们采用光谱角映射（Spectral Angle Mapper，SAM）和光谱信息发散（Spectral Information Divergence，SID）将水果样本分为CBS 和非CBS 类，分别得到了97.9%和97.14%的准确率。2017 年，Ali 等［10］提出了一种使用颜色直方图和纹理描述符进行基于症状的柑橘疾病自动检测方法。他们首先采用ΔE色差算法进行病害影响区域的分割，然后利用颜色、方向梯度直方图（Histogram of Oriented Gradient，HOG）和纹理特征进行分类，其精度和ROC 曲线下面积（Area Under ROC Curve，AUC）都有较好表现。2018 年，Sharif 等［11］提出了一种基于优化加权分割和特征选择的农业柑橘病害检测与分类方法。针对病变斑点的分割，他们首先采用顶帽滤波和高斯函数相结合的方法增强输入图像，然后利用卡方距离和阈值函数，采用有效的加权分割方法提取增强后柑橘上的病斑。

目前，大多数对柑橘病害的研究中都未涉及柑橘虫害，且多数用于研究的柑橘图像都是需要专业仪器拍摄收集的光谱图像。针对柑橘图像数据少，其病虫害区域难以自动分割的问题，本文提出了一种基于超像素快速模糊C 均值聚类（Superpixel Fast Fuzzy C-Means Clustering，SFFCM）与支持向量机（Support Vector Machine，SVM）相融合的分割方法。首先利用改进SFFCM 将柑橘病虫害图像进行初分割，二值化后得到前景（病虫害区域）和背景区域；由于区域间可能会有边缘混杂，利用形态学中的腐蚀和膨胀操作对二值化后的图像进行处理，分别从中随机选取50 个正类训练样本（前景点）和负类训练样本（背景点）；最后利用SVM 对选取的样本点进行训练，将训练结果应用于整幅待分割图像。SVM 具有良好的学习分类能力，用它来进行图像分割其实就是分类问题，但这种监督学习的方式通常需要人工选择和标记样本，自适应性差。SFFCM 能获得较好的局部空间邻域信息，在一般的图像前景自动分割方面有较快、较好的应用效果，但对柑橘病虫害的分割不是很准确。本文方法结合两者优势，在柑橘病虫害分割方面取得了较好的效果。

1 SFFCM算法

SFFCM 是一种快速、鲁棒的彩色图像聚类分割算法［12］。该算法首先定义一个多尺度形态学梯度重构（Multiscale Morphological Gradient Reconstruction，MMGR）操作，经过WT获得一个轮廓精确的超像素图像；接着，在获得的超像素图像的基础上，对每个超像素区域内所有像素颜色求平均，以此作为每个超像素区域的颜色，进而可以计算出超像素图像的颜色直方图；最后，利用直方图参数对超像素图像进行模糊C均值聚类（Fuzzy C-means Clustering，FCM），得到最终的分割结果。整个SFFCM算法框架如图1所示。

图1 SFFCM算法框架Fig.1 SFFCM algorithm framework

1）梯度图像。

梯度图像grad包含丰富的目标边缘信息，明暗对比度鲜明，非常适用于分水岭变换算法的分割，由式（1）得到。

其中：l、a、b分别代表输入图像f的Lab 色彩模式的三个通道图像；S(l)、S(a)和S(b)分别代表对这三个通道图像进行垂直和水平方向的Sobel算子边缘特征提取。

2）MMGR。

对梯度图像直接进行分水岭变换算法的分割会造成严重的过分割现象，形态学梯度重构（Morphological Gradient Reconstruction，MGR）在克服过分割方面有一定效果。但是MGR 的结构元素（Structuring Element，SE）尺寸是单一的，无法自适应地满足不同图像的需求。因此SFFCM 融合了多尺寸SE 值重构的梯度图像，即MMGR，从而消除了分割结果对SE值的依赖，用RMC定义为：

这里的SE 设置为“disk”结构B，其半径为r，r1、r2分别代表r的最小、最大值，即r1≤r≤r2，r1，r2∈N+；f为输入图像，g为标记图像，∨代表点态最大值表示形态学闭重构，即在闭运算的基础上增加了腐蚀重构，定义为

式中：•为形态学闭运算；ε代表腐蚀操作，对应的Rε即为腐蚀重构。形态学闭重构是建立在测地学腐蚀基础上的，后者的运算为迭代运算，在实际中若满足终止条件时，其稳定的输出则称为腐蚀重构，因此：

式（2）通过计算多幅重构图像的点态最大值，在保留重要边缘细节的情况下去除了大部分无用的局部极小值。r2决定了重构结果中最大区域的大小，超像素图像的效果会随之增大而逐渐趋于稳定。在实际应用中可用一个最小错误阈值η来代替r2，需满足

SFFCM通过实验设置了一个合适的阈值η=10-4。

3）WT。

分水岭变换（WT）算法是一种通过计算梯度图像的局部极小值（对应图2 中的A、B点）并搜索相邻局部极小值之间的分水岭来实现图像分割的快速算法。基于MMGR 的WT 能在较短的时间内得到较好的分割效果。

4）超像素图像颜色直方图。

图像颜色的量化有助于实现图像的快速分割，传统的颜色量化忽略了局部空间信息，量化后的图像颜色分布仍与原图像相似。SFFCM通过将MMGR-WT获得的超像素图像各区域颜色求平均，既融入了空间信息，又简化了颜色特征分布，且MMGR 操作有效避免了直接使用梯度图进行WT 的过分割现象。以图3中橘蚜幼蚜为例，直接使用梯度图进行WT后超像素图像的颜色直方图与经过MMGR-WT后所得超像素图像颜色直方图分别如图4（a）、（b）所示，图中横轴为颜色种类，纵轴为每种颜色像素个数。明显可见后者所包含的颜色种类更少，利用其进行后续FCM能明显降低计算复杂度。

图2 分水岭算法示意图Fig.2 Schematic diagram of watershed algorithm

图3 SFFCM分割结果Fig.3 Segmentation results of SFFCM

图4 超像素图像颜色直方图对比Fig.4 Color histogram of superpixel image

5）FCM［13］。

基于模糊集合理论的FCM 能较好地处理图像中存在的模糊、不确定性问题。在图像分割中，FCM通过迭代最小化目标函数来确定每个像素的最佳类别，目标函数为：

式中：n为待聚类样本数，c为聚类类别数，X={x1，x2，…，xn}为待聚类样本集合，V={v1，v2，…，vc}为c个聚类中心集合；‖xk-vi‖表示xk与vi间的欧氏距离；U=[uik]为c×n维的模糊隶属度矩阵，uik为第k个样本对第i类的隶属度值，且满足；m为模糊加权指数。

在原始FCM 目标函数的基础上，SFFCM 引入了直方图信息，其目标函数为：

其中：待聚类样本数q对应为超像素图像的区域数，Sl是第l个区域Rl的像素个数，xp是经过MMGR-WT 操作后得到的超像素图像中第l个区域内的颜色像素。

将SFFCM 算法应用于本文柑橘病虫害数据集进行分割实验，与图1对应过程示例如图3所示，为了便于观察，将梯度和MMGR 图像进行了反色操作。观察分割结果发现，对于虫害类目标比较大、色彩对比度较强的图像，SFFCM 分割能得到比较满意的结果，但是对于病害类目标比较小且散漫的图像，其分割效果并不理想。

为解决这一问题，本文在生成的梯度图像中融入了视觉显著性特征。Hou 等［14］提出的谱残差（Spectral Residual，SR）模型是一种简单的图像显著性检测方法。SR 的主要思想是基于图像频谱的log 函数，提取图像在频率域的残余，从而得到图像的显著部位。因此在式（1）的基础上得到本文梯度图像计算如下：

相比式（1），式（8）增加了SR(f)项，它是将图像f进行显著性检测得到的结果。融入了SR 前后的梯度图像如图5 所示，可以看出，SR操作将图像显著性区域进行了进一步增强。

利用图5所得的梯度图像继续进行SFFCM 分割得到结果如图6 所示。对比图3 分割结果可以看出，SR 的加入能更精确地定位到图像前景，在病、虫害区域的分割效果都优于原始SFFCM分割。

图5 融合SR前后梯度特征图像Fig.5 Gradient feature images before and after fusion

图6 SFFCM+SR分割结果Fig.6 Segmentation results of SFFCM+SR

2 支持向量机

由图6 的分割结果可见，虽然SFFCM+SR 能得到一定的效果，但分割依旧不是很精确。实验发现，利用SVM 进行再分割可以进一步提升精度。SVM 最初应用于二分类问题［15］，有别于传统的模式识别学习方法，其学习样本是有限的，是一种基于结构风险最小化准则的学习器。SVM学习的基本思想是求解能够正确划分训练数据集并使几何间隔最大的分离超平面。

给定训练样本集［16］D={(x1，y1)，(x2，y2)，…，(xn，yn)}，yi∈{-1，+1}，设存在超平面方程wTx+b=0 将训练样本按标签分为两类，并使任意样本点到超平面的距离都大于等于1，即满足

该分类问题即线性可分，参数w、b分别为超平面的法向量和截距。实际上只需要两个平行的超平面作为间隔边界即可判别样本类别：

间隔边界上方的样本为正类，下方的为负类。两间隔边界之间的距离被定义为分类间隔，位于间隔边界上的样本为支持向量。最优分类超平面应在正确二分类的情况下同时使分类后的类间距离最大。即应满足

同时，最大化间隔仅需最大化||w||-1，等价于最小化||w||2，因此式（11）等价于：

借助拉格朗日乘子法可得到其“对偶问题”（dual problem）。引入拉格朗日乘子αi≥0，构造拉格朗日函数：

其中：α=(α1，α2，…，αn)，令L(w，b，α)对w和b的偏导为零并代入式（13）将w和b消去，解出α后再求出w和b即可得到模型

根据KKT（Karuch-Kuhn-Tucher）条件，可推出最终模型仅与支持向量有关。又根据对偶问题是一个凸二次规划问题，因此可求出最优分类超平面的决策函数为：

其中：(x⋅xi)为两向量内积；x为待测样本，x（ii=1，2，…，n）为所有n个训练样本中第i个样本和b*分别为满足最大分类间隔情况下的α和b。

遇到线性不可分的情况，某些支持向量会落入错误的一侧，或者位于间隔边界内部，造成分类损失，此时，可以在式（12）中引入松弛项ξ≥0，来允许一部分非正确分类样本的存在，原优化问题从而变为：

其中，C≥0 为一常数，它控制对错分样本惩罚的程度。此时的目标函数综合考虑了最大化分类间隔和最小化错分样本数。

对于非线性分类问题，SVM 可借助核函数（Kernel Function）进行空间的非线性转换，在高维空间构造决策函数来实现线性可分。此时，分类超平面的求解函数为：

其中：φ(x)表示将x映射后的特征向量；κ(⋅，⋅)即为核函数，且κ(xi，xj)=φ(xi)Tφ(xj)。常用核函数有：

1）线性核函数：

2）多项式核函数：

将SVM 应用于图像分割，可以避免阈值选取的问题。针对非线性像素点的图像分割，可以利用核函数来避免复杂的运算。由于SVM 在图像分割中需要人工选择样本点，将其与SFFCM结合可以实现自动图像分割。

3 实验过程

3.1 实验数据集

本文的实验数据集是范振军［17］收集并整理的农作物病虫害图像库。该图像库包含马铃薯和柑橘两类作物，都是格式为JPEG（Joint Photographic Experts Group）的彩色图像。本实验仅选用其中的柑橘病虫害图像库，其中柑橘病害图像样本包含9类共140幅；虫害图像样本包含9类共90幅。病虫害图像样本示例如图7所示。

3.2 SFFCM初分割

首先进行高斯低通滤波，滤除图像中无用的高频成分。虽然滤波窗口越大降噪和平滑效果越好，但同时计算时间也会增加，因此选择合适的窗口大小为5×5，处理结果如图8 所示，可见图像经过明显的平滑处理，去除了部分噪声，能在一定程度上抑制过分割现象。

接着将RGB 空间转换到Lab 空间，利用式（8）将SR 特征融入边缘的提取，得到梯度特征如图9 所示，可见图像前景的边缘提取效果显著。

需要将图片分割为前景和背景两类，设置聚类类别数c=2，MMGR 的最小结构元素半径r1=2，控制r2的阈值η=10-4，模糊指数m=2，FCM算法的终止阈值ξ=10-5，通过改进的SFFCM得到初分割结果如图10所示，可见柑橘病虫害的大部分区域都被分割出来，有利于后期SVM 样本点的自动选取。

图7 柑橘病虫害图像库部分样本Fig.7 Some samples of citrus disease and insect pest image database

图8 高斯滤波Fig.8 Gaussian filtering

图9 梯度特征图像Fig.9 Gradient feature images

图10 初分割结果Fig.10 Initial segmentation results

3.3 SVM再分割

初分割的结果中，可以看到噪声和细密纹理等干扰都能被很好排除，但前景背景部分仍有混杂。为了保证SVM 选取训练样本的正确性，创建一个半径为2 的“disk”结构元素，在图10 的基础上，将提取前景的模板进行腐蚀，如图11（a）所示，这样能尽可能保证在白色区域内提取的样本点都为前景。类似将前景区域进行膨胀操作用于背景提取，结果如图11（b）所示，在黑色区域提取背景样本。

分别在腐蚀后的前景和膨胀后的背景区域各随机选取50 个样本点，前景点标记为°，背景点标记为*，如图12 所示，可见两类样本点的随机选取比较准确。

利用随机选取的点作为训练样本，将背景的标签设为0，前景的标签设为1，选择各样本点在原图中对应R、G、B通道的颜色特征值，描述为作为SVM 训练器的输入参数，借助LIBSVM 工具箱进行SVM 的实现。这里采用一次多项式核函数，即κ(x⋅xi)=(x⋅xi)/3+1，用训练好的分类器分割整幅图像。将分割后的图像与原始图像进行一一对应元素相乘，从而得到如图13 所示分割后的彩色图像。由图可见，本文方法能较好地分割出前景部分，对病害的星点部位也能实现分割。

图11 腐蚀、膨胀操作Fig.11 Erosion and dilation operations

图12 在前景和背景随机选取样本点Fig.12 Random sample point selection in foreground and background

图13 本文方法分割结果Fig.13 Segmentation results of the proposed method

4 实验结果及分析

4.1 分割效果对比实验

为分析上述实验结果，分别用快速鲁棒模糊C 均值聚类（Fast and Robust Fuzzy C-means Clustering，FRFCM）［18］及原始SFFCM 算法进行对比实验，由于以上三种方法都是无监督图像分割，故将230 张柑橘病虫害图像直接进行分割即可，这部分软件编程环境为Matlab R2014a。此外，近年来，深度学习在图像分割方面的表现与日俱进，全卷积神经网络（Fully Convolutional Network，FCN）是目前语义分割的基础，边缘引导网络（Edge Guidance Network，EGNet）［19］融合了目标的显著性与边缘特征，在不进行任何预处理和后续处理的情况下，能在六个广泛使用的数据集上具有当时SOTA（State-of-the-Art）表现。故本文采用EGNet 作为对比方法之一，这部分软件编程环境为PyCharm，深度学习框架为Pytorch。实验过程中将柑橘病虫害数据集分为训练集180张，测试集50张；所有参数都为默认设置，训练50个Epoch。训练过程中需要的原图、手工标注的图像标准二值掩码（Ground Truth，GT）及目标边缘信息如图14 所示。整个实验的硬件环境为：Intel Core i7-7700K CPU@4.20 GHz；RAM 为16.0 GB；Windows 10；GPU 为GTX1060。

图14 数据准备Fig.14 Data preparation

四种方法测试结果示例如图15 所示。图中第一行为橘蚜幼蚜虫害。原图特点是包含一个目标较大的橘蚜虫，而其周围还有一些幼蚜。FRFCM 虽然能分割出这些小目标的大体形状，但丢失了部分信息且混入了一些背景；SFFCM 对背景去除相较FRFCM 更好，仅右上角有小部分背景，但其丢失了左上角的小目标信息；EGNet对目标整体的保留效果很好，但其边缘依稀可见一些背景连通部分；本文方法能分割出图中5个目标，且没有背景干扰。

第二行为氏尖蚧虫害，虽然其个体目标很小，但因其聚集成片，颜色特征明显，因此比较容易分割。EGNet分割出的虫害区域依旧有背景混杂，且图像中上部分的虫害区域被误分为了背景；FRFCM、SFFCM 及本文方法都能较好地实现分割，但FRFCM 和SFFCM 将左下角的叶片病斑也误分割为前景，且SFFCM丢失了左上角的部分前景目标。

第三行为恶性叶甲幼虫害，因其躯干颜色是与背景相似的嫩绿色，所以是虫害中较难分割的对象。四种方法都很难完整地分割出整个目标，FRFCM 分割效果最差，无法分割出目标真实位置；SFFCM只分割出了部分躯干信息，而EGNet和本文方法则丢失了部分尾部和头部信息，但仍能看出虫害的大体形状。

第四行为黄龙病，其叶片呈现斑驳性黄化的特征。FRFCM 将各个黄斑区域都连通地分割出来，总体效果不错，但黄斑周围的绿色背景并未去除；SFFCM 也存在绿色背景的干扰，且并未分割到右下角的黄斑；EGNet分割出了完整的病斑区域，但周围一圈都是背景干扰，且中间的叶脉也清晰可见；本文方法不仅能分割出黄斑区域，同时将叶脉周围的背景部分进行了去除。

第五行为溃疡病，可以看到其整个果实及病变斑绿色与棕色的混杂效果和果实后的背景很相似，FRFCM、SFFCM 及EGNet 都无法将它们很好地分割开；本文方法虽然也没能去除左上角的少许背景，但大部分背景已经去除，且分割出了大部分病变斑。

第六行为炭疽病，这种病斑因其覆盖范围大，颜色对比鲜明而易于分割。四种方法都能完整地分割出整个病变斑，但FRFCM 与SFFCM 的分割结果图上方仍有部分背景，EGNet 在整个病变斑边缘都保留了一小圈背景，而本文方法则不存在这些问题。

分析认为：FRFCM 对背景敏感，最容易将邻近的背景区域误分为前景；SFFCM 利用了超像素的特点，由于具有相似特征的区域已经预分割为一个整体，所以分割效果视觉上优于FRFCM，但一些小目标容易在生成超像素图像的过程中失去其属于前景目标的颜色属性，且因为这些小目标离大目标较远，故容易被误分为背景；EGNet的分割结果表明其分割整体目标的能力不错，但其在背景去除方面的能力仍需更多样本数据来训练提高；而本文方法保留了更多的边缘信息，去除了大部分背景的干扰，视觉效果更好。

图15 不同算法分割效果对比Fig.15 Comparison of segmentation results of different algorithms

4.2 定量分析

本文的分割实验实际是一个二分类问题，分类结果混淆矩阵如表1所示，其中正例为图像前景，反例则为图像背景。

可用召回率（recall）、精确率（precision）与准确率（accuracy）［10］来定量分析实验结果。召回率可衡量算法分割感兴趣区域的能力，精确率指分类结果为正例中正确部分所占比例，而准确率在正负样本均衡的情况下可以很好地判断总的正确率，它们的计算公式分别如下：

表1 分类结果混淆矩阵Tab.1 Confusion matrix of classification results

表2 列出了四种方法在本文柑橘病虫害数据集上处理得到的召回率、精确率、准确率及运行时间的比较，其中Image_1到Image_6分别对应了图15中的6幅示例图。

由表2可见，在召回率和耗时方面，EGNet表现最佳，分析认为，由于EGNet融入了区域边缘信息和图像显著性特征，对感兴趣目标的提取能力更强。虽然测试时EGNet 耗时少，但其在训练时花费了25 min，如果样本更多则会训练更久。由于EGNet 在本文柑橘病虫害数据集上的分割实验可见，深度学习在图像分割上有着广阔的应用前景，但是这一切都是建立在大量数据的基础上。目前柑橘类病虫害图像库少，多数研究者都是自建数据集，这给深度学习在柑橘农业方面的进一步发展带来了阻碍。本文中EGNet用于训练的图像只有一百多张，学习还未达到最优模型，这也是它其他指标较低的原因。虽然本文方法的平均召回率稍低于EGNet，但是本文方法的平均精确率与准确率却远高于EGNet，且召回率只是衡量算法性能的指标之一，需要结合其他指标进行综合评价。此外，本文方法属于无监督分割，对单张图片也能实现较好的分割效果，所以需要的硬件条件也更低。

与FRFCM 及SFFCM 进行比较，本文方法在总体的召回率、精确率和准确率方面都更具优势。通过对各方法在所有病虫害分割结果图的观察，发现在虫害图像的分割上，本文方法并不具有明显优势，而在病害图像的分割上，本文方法各指标普遍高于对比算法。分析认为，本文分割方法是在SFFCM的基础上进行的，且进一步融入了SR 特征，因此在SVM 样本点的选取上更加准确，由于SVM 分割有一定容错能力，故可以进一步保证目标分割的精度；但是分割精度的提高是以耗时的增加为代价的。比较而言，本文方法的耗时最久，且随着图像前景分布越复杂与散漫，时间消耗也越多。例如Image_5图像前景最散漫，病斑分割的耗时也最多。

表2 不同方法在不同图像上的实验结果对比Tab.2 Comparison of experimental results of different methods on different images

5 结语

本文将彩色图像快速分割算法SFFCM 与SVM 算法有机结合，综合了前者包含空间区域信息与后者泛化性能好的优点，在不需要任何先验知识和人工干预的情况下，实现了柑橘病虫害区域的自动分割。将本文方法与FRFCM、SFFCM 和EGNet 在柑橘病虫害图像库上进行对比实验，发现本文方法可以达到0.937 1 的平均召回率、0.941 8 的平均精确率和0.930 3的平均准确率，在本文数据集上有相对更好的分割效果。但是，实验中发现，对于图7（f）、（h）中的绣线菊蚜、恶性叶甲幼虫等前景与背景颜色过于相近的图像，本文分割方法依旧不能取得良好效果。解决这类问题的方法是，在用SVM进行特征提取时，应提取除像素点RGB 信息外更多的特征，例如纹理信息等，这将在后期进一步改善。