張會(huì)敏 謝澤奇 張善文

摘要：為了提高植物病害圖像的分割精度和分割效果，減弱經(jīng)k-means算法RGB（Red Green Blue） 顏色分量高度線性相關(guān)以及歐氏距離的尺度相關(guān)性對(duì)圖像分割結(jié)果產(chǎn)生的影響，并克服RGB空間色彩分布不勻的缺陷，提出了一種基于Lab顏色空間的改進(jìn) k-means的獼猴桃葉部病害圖像分割方法。首先改變顏色空間，將RGB轉(zhuǎn)換為L(zhǎng)ab空間，由 L、a、b3分量組合表示每個(gè)像素點(diǎn)。其次，將馬氏距離代替歐氏距離進(jìn)行改進(jìn)，用改進(jìn)后的k-means算法對(duì)圖像進(jìn)行聚類。利用該方法對(duì)三種獼猴桃病害圖像進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明，本文算法可以有效地將獼猴桃病害圖像中的病斑圖像分割，分割準(zhǔn)確率高，并具有較高的魯棒性。

關(guān)鍵詞：獼猴桃葉部病害;Lab顏色空間;k-means算法;馬氏距離;歐氏距離

中圖分類號(hào)：TP391 ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）25-0019-03

Abstract：To improve the segmentation accuracy and segmentation effect of plant disease images， the influence of the high linear correlation of RGB （Red Green Blue） color components and the scale correlation of Euclidean distance on the image segmentation results by the k-means algorithm is weakened， and the RGB space is overcome. Based on the defect of uneven color distribution， and improved k-means kiwi leaf disease image segmentation method based on Lab color space was proposed. First， change the color space， convert RGB to Lab space， and represent each pixel by a combination of L， a， and b components. Secondly， the Mahalanobis distance is replaced by the Euclidean distance， and the improved k-means algorithm is used to cluster the images. The method of segmentation of three kinds of kiwifruit disease images showed that the method can segment the lesions accurately and segment the kiwifruit disease images. The segmentation results are ideal， the robustness is good， and the segmentation accuracy is high.

Key words： Kiwi leaf disease; Lab color space; K-means algorithm; Mahalanobis distance; Euclidean distance

獼猴桃是我國(guó)重要的水果之一。獼猴桃病害嚴(yán)重降低獼猴桃的產(chǎn)量和質(zhì)量。為了減少病害對(duì)獼猴桃產(chǎn)品的影響，及時(shí)對(duì)病害進(jìn)行有效的防治是至關(guān)重要的。傳統(tǒng)的農(nóng)產(chǎn)品專家現(xiàn)場(chǎng)診斷，由于成本高、時(shí)間長(zhǎng)，嚴(yán)重影響病害的最佳診治時(shí)機(jī)，因此，利用計(jì)算機(jī)能夠快速、準(zhǔn)確地進(jìn)行病害的自動(dòng)診斷是現(xiàn)代化農(nóng)業(yè)發(fā)展的趨勢(shì)。其中，如何快速地、準(zhǔn)確地分割頁(yè)部病斑，對(duì)病害的診斷起到至關(guān)重要的作用，因此，對(duì)病斑進(jìn)行有效地分割是病害識(shí)別的基礎(chǔ)。張善文等提出一種基于顏色均值顯著點(diǎn)聚類的作物病害葉片圖像分割方法，該算法通過(guò)構(gòu)造基于像素點(diǎn)的帶權(quán)無(wú)向圖，計(jì)算病害葉片圖像像素點(diǎn)的鄰域顏色均值，通過(guò)前后兩個(gè)鄰域的顏色均值差與設(shè)置的閾值進(jìn)行對(duì)比，來(lái)判斷該像素點(diǎn)是否為病斑點(diǎn)。張會(huì)敏等提出一種基于WT-Otsu算法的植物病害葉片圖像分割方法。該算法利用二維小波變換提取作物病斑圖像的邊緣點(diǎn)，利用Otsu法在這些邊緣點(diǎn)搜索最佳分割閾值來(lái)分割病斑圖像。

其中，經(jīng)典k-means 算法是一種經(jīng)典且常用的將歐氏距離當(dāng)作評(píng)判標(biāo)準(zhǔn)進(jìn)而把目標(biāo)劃分成自定義 k類的硬聚類算法，其核心思想就是測(cè)算對(duì)象之間距離越小，相似度就越高。但由于歐氏距離具有尺度相關(guān)性并且不能全面考慮到信息中所包含的特性聯(lián)系。因此，本文在此基礎(chǔ)上，使用均勻顏色空間CIE Lab來(lái)代替RGB顏色空間，同時(shí)采用馬氏距離測(cè)度方法來(lái)克服歐氏距離的尺度缺陷，可優(yōu)化病斑分割結(jié)果，并在獼猴桃病斑圖像上進(jìn)行實(shí)驗(yàn)，來(lái)驗(yàn)證本文算法的有效性。

1 材料與方法

1.1 材料

獼猴桃葉片圖像采集來(lái)自陜西省寶雞市國(guó)家級(jí)眉縣獼猴桃產(chǎn)業(yè)園試驗(yàn)基地，使用像素值為2000萬(wàn)的佳能數(shù)碼相機(jī)對(duì)獼猴桃葉片圖像進(jìn)行采集。采集時(shí)間為不同時(shí)間點(diǎn)，包含各種不同的光照條件。采集圖像中主要包括獼猴桃潰瘍病、花葉病、葉枯病病常見(jiàn)的3種獼猴桃病害，病斑圖像如圖1所示。

1.2 Lab 顏色空間

色彩是眼睛對(duì)于不同頻率光線而產(chǎn)生的不同感受，因此，選取合適的顏色空間可以為實(shí)現(xiàn)圖像有效分割奠定堅(jiān)實(shí)的基礎(chǔ)。目前，常用的顏色空間RGB顏色空間、HSV 顏色空間以及CIE 等顏色空間。

Lab顏色空間是由國(guó)際照明委員會(huì)所制定具有國(guó)際標(biāo)準(zhǔn)的色彩模式，可以表示自然界中存在的任意一種顏色。其中，Lab顏色空間是可通過(guò)對(duì)RGB顏色空間進(jìn)行非線性變換來(lái)實(shí)現(xiàn)，獲取亮度通道L、a顏色通道和b顏色通道。a顏色通道主要表示從紅到綠的分量改變，其值變化范圍是127～-128。其中127表示紅色。-128表示綠色。同理，b顏色通道主要表示從黃到藍(lán)的分量改變，其值變化范圍是127～-128。其中127表示黃色。-128表示藍(lán)色。L分量表示亮度，其值變化范圍是0 ～100。因此，任何顏色都可以通過(guò)L分量、a分量、b分量的值進(jìn)行排列來(lái)進(jìn)行表示。

由于獼猴桃病害圖像不能直接由RGB顏色空間轉(zhuǎn)換成為L(zhǎng)ab顏色空間，因此，需要先轉(zhuǎn)換成CIE XYZ顏色空間，再轉(zhuǎn)換為CIE Lab空間。

1.3 改進(jìn)的 k-means 聚類算法

K-means是聚類算法中一種典型的基于距離的聚類算法，主要采取歐式距離來(lái)作為評(píng)價(jià)指標(biāo)。該算法通過(guò)利用設(shè)定的K值對(duì)以初始聚類中心來(lái)劃分相似數(shù)據(jù)點(diǎn)，計(jì)算聚類中心與數(shù)據(jù)點(diǎn)的距離均值進(jìn)行迭代優(yōu)化，最終獲得最優(yōu)的聚類結(jié)果。本文研究是在 K 均值聚類算法的基礎(chǔ)上，提出一種改進(jìn)的 K 均值聚類算法。與經(jīng)典的 K 均值聚類算法的主要區(qū)別在于：（1）本算法采用中值聚類中心;（2）將經(jīng)典 k-means算法用來(lái)計(jì)算樣本相似度的歐幾里得距離（簡(jiǎn)稱歐氏距離）改用馬哈拉諾比斯距離（簡(jiǎn)稱馬氏距離）替代。改進(jìn)后的應(yīng)用于獼猴桃葉片病害分割的算法步驟如下：

對(duì)于獲取的獼猴桃病害圖像均為彩色圖像，每個(gè)像素點(diǎn)都包含三個(gè)像素點(diǎn)值，即三維像素點(diǎn)向量，因此，可有三維向量來(lái)組成對(duì)應(yīng)的聚類中心，因此，需要將灰度圖像的像素值修改為三維向量即可。

2 結(jié)果與分析

本次實(shí)驗(yàn)在Windows10操作系統(tǒng)，軟件Matlab R2016a中進(jìn)行。在該實(shí)驗(yàn)中，將k設(shè)置為3，然后隨機(jī)選取3個(gè)初始聚類中心，分別對(duì)獼猴桃頁(yè)部病害彩色圖像進(jìn)行分割，實(shí)驗(yàn)結(jié)果如圖2所示。從圖2可以看出，（a）為3個(gè)原始圖像（分別用原始圖像1～3表示），（b）是利用本文改進(jìn)k-means算法對(duì)原始圖像進(jìn)行運(yùn)算得到的聚類結(jié)果，圖像被劃分為2個(gè)區(qū)域，分別進(jìn)行重復(fù)聚類，最終標(biāo)記分類的2個(gè)區(qū)域（一個(gè)是背景分割，一個(gè)是病斑分割）。其中，圖2 c、圖2 d圖是對(duì)應(yīng)原始圖像按照背景和病斑進(jìn)行分割所得到的結(jié)果。從實(shí)驗(yàn)結(jié)果可以看出，本文改進(jìn)算法采用 Lab 色彩空間降低了顏色分量的線性相關(guān)性，對(duì)病斑有效地做出區(qū)分，從而獲得較好地分割效果。

從圖2可以看出，本文算法在對(duì)獼猴桃三種病害的彩色圖像進(jìn)行分割方法是有效的，根據(jù)聚類結(jié)果可以明顯地定位出病害區(qū)域，然后能正確地分割出不同的病斑圖像，為后面的特征提取與病害識(shí)別提供基礎(chǔ)。為了更好地驗(yàn)證本文算法的有效性和實(shí)時(shí)性，將通過(guò)分割時(shí)間和分割誤差概率作為評(píng)價(jià)標(biāo)準(zhǔn)，來(lái)分析經(jīng)典k-means算法和本文算法的性能，實(shí)驗(yàn)結(jié)果如表1所示。其中，病斑分割誤差概率計(jì)算公式如下：

由表1可以看出，雖然改進(jìn)算法在運(yùn)行時(shí)間上比傳統(tǒng)k-means算法長(zhǎng)，但沒(méi)有體現(xiàn)出較大的優(yōu)勢(shì);但本文算法的誤差概率較低，從17.402%降低到8.603%，提高了近9%，因此，本文算法分割效果更準(zhǔn)確、更具有優(yōu)勢(shì)。分析原因主要是由于Lab顏色空間表示更完整，聚類算法采取馬氏距離，可以更準(zhǔn)確地描述顏色差異，更具有尺度無(wú)關(guān)性，因此，本文算法就具有更好地聚類效果。

3 結(jié)論

經(jīng)典k-means算法由于原理簡(jiǎn)單、快速高效而廣泛到圖像分割中。但由于RGB顏色空間為非均勻顏色空間，且具有高度線性相關(guān)性，并且以歐式距離來(lái)計(jì)算會(huì)影響分割效果的準(zhǔn)確性。因此，本文在此基礎(chǔ)上，本文改進(jìn)算法選擇均勻顏色空間CIE Lab，同時(shí)采用馬氏距離來(lái)代替歐式距離來(lái)作為測(cè)度方法，可以克服經(jīng)典k-means算法的尺度相關(guān)性缺陷，可更準(zhǔn)確地描述像素點(diǎn)差異，分割效果更佳，并在獼猴桃病斑圖像上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，本文算法是有效可行的，為其他作物的病斑分割提供一定的參考價(jià)值。

參考文獻(xiàn)：

[1] 張善文，張晴晴，齊國(guó)紅.基于顏色均值顯著點(diǎn)聚類的作物病害葉片圖像分割方法[J].安徽農(nóng)業(yè)科學(xué)，2019，47（10）：228-230.

[2] 邵倫，周新志，趙成萍，等.基于多維網(wǎng)格空間的改進(jìn)K-means聚類算法[J].計(jì)算機(jī)應(yīng)用，2018，38（10）：2850-2855.

[3] 周紅芳，劉園，談姝辰.基于商空間理論的K-means改進(jìn)算法[J].西安理工大學(xué)學(xué)報(bào)，2013，29（4）：400-405.

[4] 張會(huì)敏，謝澤奇，張善文，等.基于WT-Otsu算法的植物病害葉片圖像分割方法[J].江蘇農(nóng)業(yè)科學(xué)，2017，45（18）：194-196.

[5] 王海起，王勁峰.一種基于空間鄰接關(guān)系的k-means聚類改進(jìn)算法[J].計(jì)算機(jī)工程，2006，32（21）：50-51，75.

[6] 張善文，張晴晴，齊國(guó)紅，等.基于改進(jìn)K中值聚類的蘋果病害葉片分割方法[J].江蘇農(nóng)業(yè)科學(xué)，2017，45（18）：205-208.

[7] 藍(lán)章禮，黃濤，李戰(zhàn)，等.基于圖像內(nèi)容的瀝青路面病害區(qū)域分割算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（2）：177-183.

[8] 張明，王生榮，郭小燕.基于混合蛙跳算法的馬鈴薯病害圖像分割優(yōu)化[J].植物保護(hù)學(xué)報(bào)，2018，45（3）：478-488.

[9] 邵倫，周新志，趙成萍，等.基于多維網(wǎng)格空間的改進(jìn)K-means聚類算法[J].計(jì)算機(jī)應(yīng)用，2018，38（10）：2850-2855.

[10] 王海起，王勁峰.一種基于空間鄰接關(guān)系的k-means聚類改進(jìn)算法[J].計(jì)算機(jī)工程，2006，32（21）：50-51，75.

[11] 周強(qiáng)強(qiáng)，王志成，趙衛(wèi)東，等.基于水平集和視覺(jué)顯著性的植物病害葉片圖像分割[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，43（9）：1406-1413.

【通聯(lián)編輯：唐一東】