您好, 访客   登录/注册

基于颜色均值显著点聚类的作物病害叶片图像分割方法

来源:用户上传      作者:

  摘要 作物病害叶片图像分割是病害类型识别方法的一个重要步骤,其分割效果直接影响后续的识别结果。病害叶片图像的复杂多样性使得很多现有的图像分割方法不能有效应用于作物病害叶片图像分割中。针对复杂的自然病害叶片图像分割难题,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。该方法建立在HIS颜色空间,首先构造基于像素点HIS模型的带权无向图,然后计算病害叶片图像像素点的邻域的颜色均值,再计算该点前后两个邻域的颜色均值差作为该点的颜色跳跃度,当跳跃度大于设置的一个阈值时,该像素点为病斑点。结果表明,该算法具有较高的分割精确度和较好的抗噪声性能。
  关键词 病害叶片图像分割;显著点;颜色均值显著点聚类;颜色跳跃度
  中图分类号 S126;TP391文献标识码 A
  文章编号 0517-6611(2019)10-0228-03
  Abstract The segmentation of crop disease leaf image is an important step in disease type recognition method,and its segmentation effect directly affects the subsequent recognition results.Because of the complexity and diversity of disease leaf images,many existing image segmentation methods cannot be effectively applied to crop disease leaf image segmentation.Aiming at the difficult problem of leaf image segmentation in complex natural environment,a method of diseased leaf image segmentation based on color mean salient point clustering is proposed.This method is based on HIS color space.Firstly,weighted undirected graph based on pixel HSI model was constructed.Then,the color mean of the neighborhood of the pixel of the diseased leaf image was calculated.The difference of the color mean of the two neighborhoods before and after the point was calculated as the color leaping degree of the point.When the leaping degree was larger than a threshold,the pixel was a spot pixel.Experimental results showed that the proposed algorithm had higher segmentation accuracy and better noise immunity.
  Key words Disease leaf image segmentation;Salient points;Color mean significant point clustering;Color leaping degree
  作物病害葉片图像分割是作物病害图像分析处理和病害类型识别的基础工作和重要环节,也是计算机图像处理和机器视觉领域的研究热点之一。已经有很多复杂图像分割方法和技术,包括基于图论[1-2]、分水岭方法[3-5]、模糊聚类[6-7]、灰度阈值的[8]、边缘检测[9]和混合算法的分割方法[10]等。很多研究成果已经成功应用于病害检查和识别中。作物病害叶片图像的复杂多样性使得作物病害图像的自动分割目前尚有很多困难和问题[11-13]。在彩色病害叶片图像检测中,由于彩色叶片图像的病斑复杂性和特殊性,对应的灰度图像边缘检测算子一般不能直接应用于彩色图像。目前彩色病害叶片图像边缘检测问题还没有较成熟的解决方法,因此研究彩色病害叶片图像边缘检测方法还处于初始阶段。作物病害叶片图像作为特殊目标,即要求能够更全面、更准确地分割出来的病害区域。在分割中,当病斑区域与周边区域的对比度不明显时,它将导致误判,其结果表现为非病斑区域被保留下来。由于叶脉部分与其他部位的对比度较低,提取的病害区域会包含一些不相关的部分,从而影响病害分割的准确性。不准确的分割将会影响到后续病害识别的精确性。因此,分割后的病害区域需要校正。病害区域的颜色是非常复杂的,难以用RGB色彩空间中的颜色来描述。
  1 均值显著点聚类方法
  假设观测到一组样本Y1,Y2,…,Yn,通常观测值按时间出现先后排列。对于第m个点Ym的期望有EY1=…=EYm-1=a1,EYm=…=EYn=a2,且1<m≤n,则当EY1=EYn…=EYn时,无显著点。当a1≠a2时,Ym称为显著点,|a1-a2|为Ym的跳跃度。
  在像素均值显著点聚类模型中,假设像素点为Y1,Y2,…,Yn为该点的灰度值,且服从独立正态分布,则显著点的个数至多为1个的均值显著点模型可表述为:
  2 性能分析
  为了说明该算法的有效性,使用图像分割的类别平均准确率(Meanacc)和平均区域重合度(MeanIU)为分割精度指标[14]。在分割时应考虑算法的分割时间。   式中,ncl为分割图像像素所属类别,p表示图像中像素正确对应的像素类别,q表示图像中像素错误分类后所属像素类别,tp为分割中p类别的像素总数tp=jnpj,npp为分割中正确分割为类别p的像素总数,npq为分割中属于类别p但被误分为q的像素数量。
  3 试验与分析
  为了测试该方法的有效性,将其应用于黄瓜病害叶片图像病斑分割中,并与基于SVM分割方法[11]、基于K-means聚类法[12]和基于改进最大类间方差(Otsu)的方法[13]进行了对比。
  将上述方法在50幅病害叶片图像上的类别平均准确率和平均区域重合度作为评价指标。图2为利用该方法和4种现有的分割方法对3种病害叶片图像的分割结果。表1为利用4种方法对50幅图像进行分割的平均准确率和平均区域重合度以及分割时间。
  从图2和表1可以看出,该方法优于其他3种方法,而且能够减少复杂背景信息对病斑的干扰。其原因是,该方法充分利用了病害叶片图像中的病斑像素的显著性特性,以彩色图像的HSI颜色值为特征值,在水平、垂直、对角线方向的区域上建立均值变点模型,最后通过叠加得到检测结果。
  4 结论
  该研究将统计中的显著点思想应用于病害叶片图像分割中,提出了一种基于均值显著性聚类的作物病害叶片图像分割方法。该方法利用HIS颜色空间的3个分量,定义了跳跃度,由此进行图像分割,得到病斑图像。实验结果表明,提出的分割算法分割速度快、分割准确率高,并且能够减少背景干扰。该方法为后续进一步提取特征参数、识别和诊断病害类别打下良好的基础。
  参考文献
  [1] ANGULO J.Geometric algebra colour image representations and derived total orderings for morphological operators-part I:Colour quaternions [J].Journal of vision and communication image representation,2010,21(1):33-48.
  [2] 朱晓临,陈嫚,李雪艳,等.结合形态学变形虫和复合颜色空间的彩色图像边缘检测模型[J].计算机辅助设计与图形学学报,2014,26(7):1060-1066.
  [3] 余旺盛,侯志强,宋建军.基于标记分水岭和区域合并的彩色图像分割[J].电子学报,2011,39(5):1007-1012.
  [4] 李占波,杨二伟,李进文.基于改进分水岭和区域合并的彩色图像分割[J].计算机工程与设计,2014,35(7):2458-2461.
  [5] 王栋,于威威,庄斐弘.基于标记分水岭和FLICM模糊聚类的圖像分割方法研究[J].微型机与应用,2017,36(17):49-51,58.
  [6] THEOHARATOS C,ECONOMOU G,FOTOPOULOS S.Color edge detection using the minimal spanning tree[J].Pattern recognition,2005,38(4):603-606.
  [7] 李丹丹,史秀璋.基于HSI空间和K-means方法的彩色图像分割算法[J].微电子学与计算机,2010,27(7):121-124.
  [8] KONISHI S,YUILLE A L,COUGHLAN J,et al.Statistical edge detection: Learning and evaluating edge cues[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2008,25(1):57-74.
  [9] EVANS A N,LIU X U.A morphological gradient approach to color edge detection [J].IEEE Transactions on Image Processing,2006,15(6):1454-1463.
  [10] 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.
  [11] 白文斌,白帆,贺文文,等.基于SVM的高粱叶片病斑图像自动分割提取方法研究[J].农学学报,2014,4(6):101-106.
  [12] 邹秋霞,杨林楠,彭琳,等.基于Lab空间和K-Means聚类的叶片分割算法研究[J].农机化研究,2015(9):222-226.
  [13] RADZALI M H,KAMAL N A M,DIAH N M.Measuring leaf area using Otsu Segmentation Method (LAMOS)[J].Indian journal of science & technology,2016,9(48):1-6.
  [14] LONG J,SHELHAMER E,DARRELL T.Fully convolutional networks for semantic segmentation[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Madison,WI:IEEE,2015:3431-3440.
转载注明来源:https://www.xzbu.com/1/view-14874049.htm