基于Lab颜色空间下的小麦赤霉病图像分割

许高建 沈 杰 徐浩宇

(1．安徽农业大学 信息与计算机学院，合肥 230036；2.安徽建筑大学 档案馆，合肥 230022)

小麦赤霉病是一种较难防治的气候型病害，在小麦各个生育期均能发生，形成苗腐烂、茎腐、秆腐和穗腐。其中以穗腐最为严重，小麦扬花后约6～10天出现病状，发病盛期在乳熟期到糊熟期，黄熟后基本结束[1]，期间均有可能发生赤霉病，其表现为：最先在麦穗上单个穗粒出现黄褐色水渍斑，在适宜的温湿度情况下病害区域逐渐蔓延致使多粒麦穗出现枯黄色状，若遭遇连续降雨麦穗病害区域会产生粉红色霉层，接着延伸到穗轴或穗颈，最后在持续的日照下干枯死亡[2]，小麦赤霉病分布广泛，尤其在长江中下游多雨区域最为严重[3]。以安徽省为例，2003年、2010年、2012年以及2015年均有发生大规模小麦赤霉病[4],因此对小麦赤霉病的诊断和预防研究迫在眉睫。

近年来，利用图像处理技术对农作物病害分析的研究越来越多。在图像方面，陈盼盼[5]利用RGB颜色空间中的B分量、HSV颜色空间中的S分量和YCrCb颜色空间中的Cr分量分别进行阈值分割，再将这3个分量分割的结果经过形态学运算得出棉花黄萎病的病斑区域。胡秋霞[6]提出基于相似度改进的C-V模型，在RGB颜色空间中计算3个颜色分量的曲线外部区域能量将差分图像的能量求和，得出的结果再根据Euler-Lagrange方程计算水平集的演化结果，零水平集曲线就是最终分割出的病害区域曲线。王美丽等[7]以小麦白粉病和锈病作为研究对象，将原彩色图像由RGB空间转到HSV空间，找到其特征范围再根据其特征值对未知样本进行识别。刘连忠等[8]通过对比RGB中的R分量和B分量的取值范围判断小麦叶片患病种类。对大多数农作物的病害图像处理集中在叶部患病研究，但以小麦患病麦穗图像作为对象进行图像分割的鲜有研究。麦穗不同于叶片部分，通常分割叶片图像只需要1个平面图像，而麦穗需要4个平面，每个平面图像的病害状况都要综合考虑，最终用于判断麦穗的病害程度。由于麦穗纹理复杂不适应提取纹理特征和形状特征，所以着重在于颜色特征的研究。而野外拍摄的患赤霉病麦穗图像受到光照的影响导致麦穗的病害区域分割成为难点。图像分割算法一般分成基于阈值、区域增长、聚类法等[9]。阈值化分割算法可以分为基于点的全局阈值方法、基于区域的全局阈值方法、局部阈值方法和多阈值方法，常用的基于点的全局阈值方法主要有：p分位数法、直方图凹面分析法、熵方法和最大类间方差法(OTSU)等[10]。基于聚类的方法如k-means算法是常用的一种无监督算法。

本研究拟采用基于阈值的OTSU算法和基于聚类的k-means算法，分别在RGB、HSV和Lab颜色空间中对患病麦穗病图像进行分割试验，以期为降低分割患病麦穗图像的误分率提供一种新方法。

1 试验材料与方法

1.1 图像获取与预处理

试验样本图像来源于安徽省庐江县郭河镇实验基地，坐标为东经117.28°、北纬31.25°，地处中纬度区域，平均气温约为15.8 ℃，平均降雨量1 188 mm。图像于小麦扬花期到黄熟期拍摄，拍摄时间为2019-05-07T 10：00—13：00，光线良好，温度为18～26 ℃，湿度30%～50%。由于麦穗病害不在纹理复杂的两侧延伸处，故最终拍摄图像为纹理清晰的正对面，分别用r和f表示；图像大小为4 032像素×3 042 像素，共计200幅，原始图像格式均为RGB格式。图1示出200幅样本图像中随机选取的1株患病麦穗的正反面。为了加快试验速度将图像统一压缩为250像素×380像素，图像清晰度适中。在分割患病麦穗区域之前，先经过中值滤波、高斯滤波、小波阈值进行去噪。衡量指标为全部参考法[31](Full Reference)。在上述3种方法中，使用中值滤波方法去噪最优。因此本研究优先选择中值滤波作为图像预处理方法。

图1 样本患病麦穗的正(a)反面(b)图像Fig.1 Front (a) and back (b) image of of a diseased wheat ear

1.2 颜色空间

RGB为红色、绿色和蓝色3种颜色叠加而成的一种颜色空间[11]，其色彩模式结构为正方体模型，任何一种颜色均可由模型中的1个点表示。虽然RGB模式最常见并且易获取颜色信息，但它容易受到光照的影响，即便是相同的设备和相同的对象在不同的地点和不同的时间拍摄到的图像都可能不同。

HSV颜色空间是最接近人类肉眼识别程度的直观型颜色空间[8]，其中分量H用来描述RGB的三基色相隔差[12]。但是HSV颜色空间并不适合光线混合的情况下使用。图像由RGB颜色空间转化为HSV颜色空间的公式[13]为：

V=max{R,G,B}

(1)

(2)

(3)

式中：R、G、B分别为图像在HSV颜色空间中不同通道的像素值；V、S、H分别为HSV颜色空间的明度值、饱和度值、色调值。

Lab颜色空间L、a和b分量可以表示其他的颜色[14]，其最大特点是明度和颜色不在同1个通道里面。L分量只有明度而a、b分量只有颜色，具体表现为：在a、b分量中对象轮廓清晰并且Lab颜色空间分辨色差的能力很强。所以对拍摄图像的设备要求比较低，但它包含了RGB模式下的所有颜色信息。由RGB颜色空间转化为Lab颜色空间的公式[15]为：

(4)

(5)

其中：

式中：X、Y、Z均为中间变量。

1.3 OTSU算法分割

阈值分割算法中的最大类间方差法是最常用的像灰度自适应阈值分割算法[16-18]。根据灰度值可以把图像划分为背景区域和目标区域。若图像的2个区域之间差别很大则它们的类间方差很大，若这2个区域之间形成了相互错分现象会导致2个区域的差别变小，因此OTSU算法是一种错分率较小的分割算法。对于RGB模式下的图像直接使用最大类间方差法(OTSU)实现图像分割。将RGB颜色空间转为HSV颜色空间，并对其H分量和S分量使用阈值分割算法。同理将RGB颜色空间转化为Lab颜色空间之后再对其a分量和b分量使用阈值分割算法，图像分割结果见图2。

图2 3种颜色空间下不同分量的OTSU分割结果Fig.2 OTSU segmentation results of different components in three color spaces

1.4 k-means算法图像分割

k-means算法是一种基于原型的目标函数聚类方法也是一种基本的聚类划分算法[19-21]。k-means的原理是：定义一个核心点，将可聚合为一类的点与其周围点的某种距离作为一个目标函数，利用该目标函数求极值不断迭代来调整簇的中心点，直到中心点位置不发生变化[22]。该算法将欧式距离作为测试类之间相似的准则，即两点之间的欧氏距离越小这两者越具有相似性。距离小的对象聚集成为一个簇，把类内距离最小且类间距离最大的几个簇作为最终结果。虽然k-means算法的时间复杂度较低，但是k值的选择比较困难，不同的k值会有不同的分割结果。本研究根据麦穗患病区域的颜色特征，选择k为2、3和4。不同k值的病害区域分割结果见图3、图4和图5。

图3 k=2时3种颜色空间下不同分量的k-means分割结果Fig.3 k-means segmentation results of different components in 3 color spaces when k is equal to 2

2 结果与分析

由k-means算法在k分别为2、3、4时的分割结果(图3、图4和图5)可以得出：当k=4时，聚类的簇出现病害区域分割过细，区域模糊的情况，导致难以区分出病害区域[23-24]且k-means算法的时间复杂度与k值有关系，k值越大时间复杂度越大，所以不考虑k=4的情况。最终比较的是k=2、k=3时OTSU算法在3种不同的颜色空间中不同分量下的分割效果。在对图像分割结果进行效果验证时，已有研究采用统计目标区域的像素来评价分割的效果[25-27]，也有检测目标个体个数的方式来验证分割效果[28]，验证方法主要依据研究对象来确定。本研究使用错分率(D)[29-30]进行分析,公式为：

图4 k=3时3种颜色空间下不同分量的k-means分割结果Fig.4 k-means segmentation results of different components in 3 color spaces when k is equal to 3

图5 k=4时3种颜色空间下不同分量的k-means分割结果Fig.5 k-means segmentation results of different components in 3 color spaces when k is equal to 4

(6)

式中：V为算法分割出的麦穗患赤霉病图像区域的像素总数；Vp为PyCharm软件统计出病害区域的像素总数；|V∩Vp|为2种方式中相同坐标下像素相等的个数；M×N为图像尺寸。

D值越大表示错分率越大，识别率越低，分割效果越差。在RGB、HSV和Lab颜色空间下分别对样本图像使用不同的图像分割算法，使用式(6)得出错分率(D)。上述分割的结果均采用f面进行试验，r面的结果也有1个病斑面积，最终的错分率(D)需要综合考虑2个面的错分结果来求取。将式(6)中的V使用(Vf+Vr)替换，(Vf+Vr)为算法分割出的同一株麦穗2个面病害区域像素之和，用(Vpf+Vpr)替换公式中的Vp，(Vpf+Vpr)为利用PyCharm软件统计出每株麦穗图像f面和r面2幅图像病害区域的像素总数，公式的其他部分不变。200幅图像分割试验的最终结果见表1。

表1 3种颜色空间下OTSU与k-means算法对图像不同分量的错分率Table 1 Difference ratio of OTSU and k-means algorithms on different components of the image in three color spaces %

可见，OTSU和k-means分割算法在HSV颜色空间与RGB颜色空间中每个分量下错分率都很高，在Lab颜色空间a分量下的错分率较低，显然在Lab颜色空间下使用2种分割算法效果最佳。特别对Lab颜色空间下的a分量使用最大类间方差法得出的错分率最小，错分率为1.11%。这是由于Lab颜色空间的明度和颜色不在1个通道里，L分量只有明度而a、b分量只有颜色，所以在a、b分量中对象轮廓显得更清晰更易于利用颜色分割出目标。

在此次试验之前使用MATLAB工具分别对3种颜色空间中各个分量进行处理，发现Lab颜色空间下a分量和b分量的直方图中波峰和波谷相隔较明显(图6)。其中a分量颜色直方图的波峰和波谷相隔最为明显，b分量相对平缓，即说明在a分量下更适合实现图像分割，也验证了此次试验的结果。

图6 Lab颜色空间下a分量(a)和b分量(b)直方图Fig.6 Histogram of a component (a) and b component (b) in Lab color space

3 结 论

针对试验田环境下小麦患赤霉病图像的分割问题，本研究在RGB、Lab和HSV颜色空间中使用OTSU和k-means算法对不同分量麦穗患病区域进行图像分割，使用错分率(D)对2种算法的分割效果进行评价，得到如下结论：

1)对比RGB颜色空间和HSV颜色空间下OTSU与k-means算法的分割效果，麦穗患病图像在Lab颜色空间中的分割优势最大；2)在Lab颜色空间下对比OTSU算法和k-means算法的分割效果，对a分量使用OTSU分割算法得到的错分率最小，误分率仅有1.11%。本研究中使用OTSU算法对图像在Lab颜色空间中a分量下分割患病区域的方法为小麦赤霉病的智能诊断和预防提供研究基础。