基于阈值分割算法的水稻叶片病斑图像分割

高 婷，宋少忠，张佳环，蔡利平，徐 静，黎 萍，董迎雪，车伟康

（1.吉林工商学院，吉林长春130507；2.吉林工程技术师范学院，吉林长春130052；3.吉林农业大学，吉林长春130118；4.湖南农业大学，湖南长沙410128）

一、概述

随着科学技术的迅猛发展，人工智能、机器视觉、图形图像处理已经渗透到人们日常生活的各个领域。图像分割作为前期基础，其分割效果的优劣直接影响后期数据处理的结果。图像分割方法很多，每种方法优缺点不同。比较常用的图像分割方法有：基于阈值的图像分割方法、基于边缘检测的图像分割方法、基于区域的图像分割方法、基于聚类的图像分割方法、基于图论的图像分割方法、基于特定理论的图像分割方法等。其中较为常用的是基于阈值分割方法，该方法虽然存在一些弊端，但以分割方法简单、容易计算的突出优点受到广泛的关注，尤其是对图像中背景部分与目标部分的灰度级相差较大的图像有非常好的分割效果。

最早的图像分割方法出现在医学影像处理领域，首先对医学影像中的特定目标区域进行分割，然后对该目标区域进行分析诊断。［1］朱方文、何子元等多次将乳腺X光片图像灰度直方图信息进行计算机自动分割致密影像中的病灶影像，经统计学方法分析乳腺X光片图像中各个部分组织光密度特点，证明该方法有效。［2］王文宁等人利用灰度直方图的直观特征，提出一种自动阈值选取方法，寻找阈值分割点，经过实验证明该方法直观易懂，过程简单，计算量小，提取的阈值准确，有利于图像分割。［3］黄鹏等人通过实验证明阈值分割方法适用于与目标灰度分布均匀、变化小，目标和背景灰度差异较明显的图像，该方法简单容易实现并且效率较高。［1］齐千慧等人对比多种分割算法得出阈值分割算法简单，对目标和背景灰度相差较大、具有明显峰谷的直方图分布图像有比较好的处理效果。［4］李了了等以OTSU为基础，把整幅图像划分为许多小块，每一小块内的局部阈值由OTSU计算决定，证明此法在光照不均匀、图像模糊的情况下能很好地对图像目标进行分割。［5］程杰采用OTSU法对红外图像进行分割，证明只要图像直方图中存在多峰结构，能够确定理想的阈值，便能得到很好的分割效果。［6］魏伟波等对多种分割方法进行对比研究，经试验验证，阈值分割法具有计算简单、速度快的特点。［7-12］张丽等通过阈值图像迭代分割算法对烟叶特征进行提取研究，得到了理想效果。［13］

二、实验方法

阈值分割算法的基本思想是通过寻找图像中的灰度值作为图像分割的阈值，对图像灰度直方图中的各个像素点进行分类，将灰度值在同一个范围内的像素归属为同一类。［14-16］

在图形图像分割过程中，我们可以根据灰度值的不同对图形图像进行分割，将图形图像分为感兴趣区域及背景区域。由于感兴趣的目标区域与背景区域的灰度值存在差异，因此可以根据灰度值的不同来确定一个阈值，通过该阈值即可将目标区域与背景区域分割开来，从而得到感兴趣的目标区域。当然，阈值的不同决定了分割效果的不同。该方法容易操作，计算量小，适用于目标灰度分布均匀、变化小，感兴趣的目标区域和背景区域的灰度值相差较大的图像。

本研究的操作步骤为：选取待处理的新鲜的染病水稻叶片图像；将新鲜的染病的水稻叶片的彩色图像转换为灰度图；根据得到的灰度图画出染病水稻叶片图像对应的直方图；找出直方图中的波峰、波谷位置，在波谷处选取合适的对应的灰度值作为阈值；将待处理的新鲜的染病水稻叶片图像中的像素的灰度值依次与选中的阈值进行比较，把比较后的结果进行归类，从而完成图像分割。

（一）灰度直方图

灰度直方图是关于图像灰度值分布的函数，用来统计图像中各个灰度值出现的频率。

课题组选取稻田中新鲜的染病水稻叶片，将采集后的带有病斑的新鲜水稻叶片在10分钟之内完成图像采集，以防止水稻叶片的蒸腾作用对实验结果带来的影响。采集图像时将叶片向阳面朝上，放置于白板之上，在自然光照条件下进行拍照。首先，将原图转换成为灰度图，如图1所示。由于水稻叶片的灰度值与病斑处的灰度值不同，因此，在灰度图中仍然可以清晰地分辨出叶脉两侧的呈条状的3处病斑。再根据灰度图画出原图对应的灰度直方图，如图2所示。在灰度直方图中，横坐标代表新鲜的染病水稻叶片图像的灰度值，纵坐标代表该灰度值对应的像素在图像中出现的频率。横坐标的取值范围为0至255，共256个值。灰度直方图显示出明显的双峰结构，其中一个波峰出现在灰度值为60附近，另一个波峰出现在灰度值为175附近；波谷出现在灰度值为100附近。

循环水系统有效节约城市工业用水和水资源浪费的，不但能有效缓解企业工业用水与民生用水之间对水资源分配紧张和矛盾问题，还能有效消除企业排污对农作物、居民饮水的不良影响造成的社会矛盾，这对维护社会的安定团结，促进经济发展和居民生活质量的提高，改善人居环境状况有举足轻重的作用。

图1 带有病斑的水稻叶片灰度图

图2 原图对应的灰度直方图

为了进一步精确像素点的灰度值分布情况，课 题组将0~255分为9等份，取10个灰度值，分别计算出10个灰度值对应的像素点出现的次数。根据图像中像素点分布情况求出各个灰度值出现的频率，结果如表1所示。根据表1中灰度值分布情况进行分析，可以得出当灰度值从0开始增加到56.7时，对应的像素点出现的次数由0增加至301541，随后像素点出现的次数有所下降，直至灰度值为170.0时，对应的像素点出现的次数第二次达到高峰，为318187。根据这两次出现的频率较高的像素值确定其对应的灰度值为两个波峰；在两个波峰之间，有3处灰度值取值点，其中灰度值为113.3处对应的像素点出现次数最少，为11042次。因此能够确定：该灰度直方图中，其中一个波峰出现的位置对应的灰度值在56.7附近，另一个波峰出现的位置对应的灰度值在170.0附近；波谷出现的位置对应的灰度值在113.3附近（对灰度值分割越细，得到的结果越精确）。与肉眼观测到的波峰对应的灰度值在60、175附近和波谷对应的灰度值在110附近基本吻合。因此，阈值可以在85.0~141.7之间取值。

表1 图像灰度值分布情况表

（二）直方图阈值分割法

本文采用直方图阈值分割法，在新鲜的染病水稻叶片图像的灰度直方图的波谷处选取合适的阈值。根据阈值对染病水稻叶片图像进行病斑分割。原图对应的灰度直方图（图2）呈现出明显的双峰分布。假设其双峰对应的谷底处选取的灰度值为s，把s作为合适的阈值，对染病水稻叶片的图像进行分割。将目标像素的灰度值与s进行对比，大于等于s的分为一类，小于s的分为一类。阈值判定公式为：

三、实验结果

根据阈值分割原理，本次实验对同一染病水稻叶片的直方图先后5次选取阈值（阈值别为70、80、90、100、110），对选取不同阈值分割后的结果进行对比。对应的病斑分割结果如图3所示。（a）为阈值为70时的水稻叶片病斑分割结果，该结果能够反映出病斑所在的位置及形状、大小，但水稻叶片下边缘及叶片两端的部分区域也被分割出来，单从分割后的结果看，无法区分是否为病斑，该结果对后续的研究工作产生影响。因此，阈值为70时，存在过度分割现象。（b）为阈值为80时的水稻叶片病斑分割结果，该结果能够很好地反映图像中病斑的位置及形状、大小。与阈值为70时的病斑分割结果对比，水稻叶片边缘及叶片两端分割效果比较清晰，只有左侧靠近叶柄的部分存在少许过度分割现象。（c）是阈值为90时的水稻叶片病斑分割结果，该结果能够反映出病斑大概位置，但无法准确反映出水稻叶片上病斑的形状及大小，分割后所有病斑的面积均比实际面积小，左侧第一个病斑分割后形态上被分割为两部分。（d）是阈值为100时的水稻叶片病斑分割结果，该结果能够反映出部分病斑大概位置，但无法反映出水稻叶片上病斑的准确形状及大小，分割后所有病斑的面积明显小于实际病斑面积，左侧第一个病斑分割后形态上被分割为两个独立部分，叶片右侧第一个病斑形态模糊。（e）是阈值为110时的水稻叶片病斑分割结果，该结果基本无法反映出病斑的大小及形态，叶片左侧第一个病斑及右侧第一个病斑并没有被分割出来，导致病斑与背景融为一体，中间位置的病斑形态比较模糊。

图3 不同阈值分割后的图像

通过与原图的对比分析，阈值分割法能将染病的水稻叶片图像中的病斑与水稻叶片分割开。但最终分割结果的质量受所选阈值的影响比较大。本实验中，阈值为80时，能够得到较为理想的病斑分割效果。

四、结论

本文论述阈值分割方法，并通过实例，对新鲜的染病水稻叶片图像进行病斑采集，选取不同阈值进行图像分割。实验结果表明，在直方图波谷处选取不同阈值都能将图像进行分割，但阈值选取的差异会对分割结果产生影响。因此，在图像分割过程中，应尽量多次选取不同阈值进行比较，以达到更为理想的分割质量。