焦翠玲,王順崗,張延迪,王澤輝,孔德川

（1.河南科技學院人工智能學院,河南新鄉(xiāng)453003；2.河南科技學院信息工程學院,河南新鄉(xiāng)453003）

隨著農(nóng)業(yè)信息化和人工智能技術(shù)的飛速發(fā)展,農(nóng)作物病害圖像處理及模式識別技術(shù)已經(jīng)應用的愈加成熟,學者們在農(nóng)作物病蟲害識別分類、農(nóng)田作物生理生態(tài)監(jiān)測、農(nóng)田小氣候監(jiān)控預警等領域開展了廣泛的應用研究,取得了不少較好的科研成果.

圖像分割技術(shù)是通過像素級分類方案按照需求在圖像中劃分若干特定目標和不同特性區(qū)域,是圖像分析的第一個重要環(huán)節(jié)[1].文獻[2]對大田作物玉米病害圖像采用基于差分圖像的處理技術(shù),通過從葉片病害圖片中提取R、G、B三原色的通道向量,使用迭代方案自動生成閾值在圖像背景中分割出玉米葉片,實現(xiàn)了對玉米小斑病病害圖像區(qū)域進行分割.文獻[3]提出了一種以小麥為研究對象的病害部位診斷算法,經(jīng)過小波分解變換和紋路矩陣計算,通過自動閾值算法獲取小麥病害區(qū)域的二值圖像,從而計算出顏色特征值并與病害數(shù)據(jù)庫中圖像進行比對,做出病害檢測判斷.文獻[4]提出了利用聚類算法提取病害部位的形狀、顏色等50個特征參數(shù),以徑向基函數(shù)作為核函數(shù)構(gòu)建支持向量機,對小麥病害進行分割識別.文獻[5]針對玉米病害圖像先做預處理,然后利用Triplet loss損失函數(shù)構(gòu)建卷積神經(jīng)網(wǎng)絡,用于提取、學習病害圖像特征信息,再使用SIFT算法提取病害圖像紋理特征,最后通過Softmax函數(shù)對圖像進行標簽分類.

從上述研究可以看出,目前基于機器視覺的農(nóng)作物病害自動識別診斷方法已經(jīng)成為主流技術(shù),農(nóng)作物病害圖像分割領域相關研究隨著圖像處理技術(shù)的迅速發(fā)展,已經(jīng)取得了較多的科研成果.但是相關技術(shù)在農(nóng)業(yè)大田作物實際生產(chǎn)應用中,農(nóng)作物病害圖像病斑區(qū)域的有效、高速分割獲取還存在不少問題.現(xiàn)有的圖像分割算法中,學者們研究的興趣點多關注在對病害圖像的病害病斑邊緣、紋理和顏色等特征的處理和分析上,要求獲取的病害圖像分辨率高、背景干擾少,以便于算法分割識別.所以使用的病害圖像多采用先在大田收集農(nóng)作物病害樣本,返回實驗室后在專業(yè)圖像采集設備上完成圖像獲取.而在農(nóng)業(yè)大田實際生產(chǎn)過程中,為了更廣泛地及時獲取農(nóng)作物病害圖像,圖像采集過程往往存在圖像背景復雜、噪聲干擾多、多尺度混雜等情況,而這些問題是原有分割算法不能解決的.在現(xiàn)有圖像分割方法中,大部分算法的參數(shù)還需要針對農(nóng)作物品種和作物病害種類的不同而進行人工干預調(diào)整,圖像分割效果很容易受人為因素的影響,造成分割算法運算效率低.同時對病害圖像采集要求較高、限制較多,不便于基層農(nóng)業(yè)生產(chǎn)人員操作,相關技術(shù)推廣較為困難.

本文針對在農(nóng)業(yè)大田生產(chǎn)復雜背景情況下,小麥病害圖像中病斑區(qū)域分割提取,提出了一種基于超像素的病害部位圖像快速分割算法.該算法能夠?qū)υ谵r(nóng)業(yè)大田中采集到的復雜背景的作物病害圖片,針對病害部位病斑區(qū)域的聚類模糊問題,采用基于超像素生成的方法進行病害區(qū)域分割,使病斑、葉片、圖像背景之間有較好的分割效果區(qū)域一致性,能夠得到精確的病斑邊緣,便于提取病斑區(qū)域圖像特征,對后續(xù)采用深度學習方法準確識別分類病害圖像,有較大幫助.

1 超像素分割算法

超像素分割屬于圖像分割中的過分割（Over Segmentation）,指的是將原像素級（Pixel-level）圖像根據(jù)某種特征劃分成區(qū)域級（District-level）圖像.在每個子區(qū)域圖像內(nèi),像素之間的某些特征具有很強的一致性,這些子區(qū)域大多數(shù)保留了圖像的有效信息（如顏色、亮度、紋理等）,同時通過盡可能的保存圖像邊緣輪廓信息來大幅提高運算效率.通過超像素圖像分割算法后的結(jié)果是圖像劃分后子區(qū)域的集合,或圖像若干紋理特征輪廓線的集合[6].子區(qū)域中每個像素之間在性能度量、特征提取等計算得出的特征都具有很強的一致性和緊密型[7].

1.1 SLIC算法

在2012年,Achanta等[8]提出了基于顏色和空間距離的簡單線性迭代聚類算法SLIC,該算法是在傳統(tǒng)的K-Means聚類算法的基礎上擴展產(chǎn)生出的一種簡單高效的超像素生成算法.算法首先劃分超像素區(qū)域,對于N個像素的圖像,預分割K個超像素,每個超像素大小約為N/K個像素點,并且每個超像素區(qū)域的寬度即每個超像素中心相鄰距離大約為,將各超像素中心點的移動界限設定為n×n窗口,并移動至規(guī)定鄰域大小內(nèi)的最小梯度的位置,防止中心點在圖像邊緣位置中出現(xiàn),避免對后續(xù)聚類過程造成干擾.

SLIC算法將圖像中顏色向量和位置向量結(jié)合構(gòu)成五維空間向量{l,a,b,x,y},其中{l、a、b}是CIElab顏色空間中的分量,{x、y}是像素的坐標[9].

定義兩個像素點之間的距離為

式（1）中：m是用來控制超像素緊湊度的參數(shù),dlab是像素點之間的顏色差異,dxy是像素點之間的空間距離,Ds越大,則表明兩個像素點的相似度越大[10].

SLIC算法描述為算法1：

C l a b x y, , , , T k k k k k k =[ ]1設置步長s,對像素進行采樣,初始化聚類中心2設n=3移動聚類中心到n×n中梯度最小的位置3對每一個像素i設置標簽為-1,設置距離∞4 for每一個聚類中心Ck 5每一個像素i在一個Ck周圍的2s×2s區(qū)域內(nèi)進行新的聚類6 endfor 7計算新的聚類中心及殘差E 8直到E≤閾值,算法收斂

1.2 改進的K-SLIC算法

在上述基本SLIC超像素分割算法中,使用K-Means方法對CIElab顏色空間像素進行聚類時,在對于顏色密集或顏色區(qū)域之間區(qū)別明顯的圖像有較好效果.但是,有時因為聚類條件有限,田間采集的作物病害圖像背景復雜、干擾較多時,導致超像素分割出來的圖塊過小、相似性太高,造成局部過收斂.而圖像進行超像素分割時所需的超像素數(shù)目需要人工干預進行設置,這些都對分割效果造成很大的干擾,影響分割精度和速度.

對于基本SLIC算法存在的問題,本研究提出依據(jù)農(nóng)作物病害圖像自身顏色數(shù)值信息,結(jié)合農(nóng)作物自身種質(zhì)特性和病害種類,引入作物病害易感因子,二者共同確定其超像素圖像分割時所需的超像素的數(shù)目.在病害圖像分割中,由于顏色數(shù)值信息量會隨著輸入圖像分辨率的增大而增多,若對整體圖像進行掃提取描顏色特征信息,會大量的占用運行內(nèi)存和運行時間,提取過程中產(chǎn)生的冗余信息也較多.如果假設農(nóng)作物病害圖像分辨率大小為W*H個像素,設e為控制提取顏色信息數(shù)量的平衡參數(shù),α為農(nóng)作物病害易感因子,通過隨機掃描病害圖像的W/（e*α）行或H/（e*α）列來進行提取圖像信息,可以大大減少運算時間和資源消耗,降低數(shù)據(jù)冗余,提高聚類精度.如果（e*α）的值越大,提取處理的像素顏色信息越少,會導致細節(jié)丟失過多,但運算效率較高；如果（e*α）的值越小,提取處理的像素顏色信息越多,會導致細節(jié)保留較多,但運算效率較低.

由于農(nóng)作物的枝干、葉片等生物質(zhì)部位富含葉綠素,所以大部分農(nóng)作物在生長階段為綠色,而病害部位往往會呈現(xiàn)黃色、白色等與綠色不同的顏色.HSV顏色空間比RGB顏色空間對顏色的色調(diào)、飽和度和亮度更加敏感,更利于且區(qū)別、分割不同顏色的部位.由于HSV顏色空間為非線性顏色空間,從RGB顏色空間轉(zhuǎn)換時,轉(zhuǎn)換速度快,顏色信息丟失少,更便于使用超像素方法對病害部位進行圖像分割.

改進后的K-SLIC算法如算法2所示：

1依據(jù)實驗經(jīng)驗確定平衡參數(shù)e和作物病害易感因子α 2對圖像進行隨機掃描,獲得W/（e*α）行或者H/（e*α）列像素點的顏色信息3對獲得的像素點的CIELAB顏色信息轉(zhuǎn)化為HSV顏色信息4對HSV顏色信息進行非等間隔量化,合并成一維特征向量5多次掃描,取平均值,確定所需超像素數(shù)目k 6以步長s對像素進行采樣,初始化聚類中心7設n=3,移動聚類中心到n×n中梯度最小的位置8 for每一個聚類中心Ck 9每一個像素i在一個Ck周圍的2s×2s區(qū)域內(nèi)進行新的聚類10 e ndfor 11計算新的聚類中心及殘差E 12直到E≤閾值,算法收斂13修正迭代錯誤,合并孤立點,完成分割C l a b x y, , , , T k k k k k k =[ ]

在上述算法中,當對病害圖像進行掃描提取顏色信息時,可以進行多次隨機掃描,將每次掃描獲得的的一維特征向量值匯總后取平均值,用于在病害圖像分割中確定較為合理的超像素數(shù)目.相對于傳統(tǒng)SLIC算法,改進的K-SLIC算法在計算圖像分割所需要的超像素數(shù)目時,運行時間短,內(nèi)存占用少,算法收斂速度快,圖像分割效果更好.

2 實驗與分析

2.1 數(shù)據(jù)預處理

本研究以小麥常見葉面病害為研究對象.病害圖像分別在2018年5月13日—18日、2019年5月16日—19日采集于河南省新鄉(xiāng)市崔莊村河南科技學院小麥千畝試驗田和新鄉(xiāng)市金蕾種業(yè)試驗田,主要涉及小麥品種為百農(nóng)矮抗58、周麥16、濮麥26等河南小麥產(chǎn)區(qū)主要品種,作物病害為銹病和白粉病.主要采集設備為課題組自研的農(nóng)作物葉片圖像采集裝置,對病斑采集時,使用尼康D5000單反相機,鏡頭為定焦50 mm,光圈F2.8,固定角度拍攝,圖像尺寸為3 800×2 056像素.圖像采集后,對圖像背景不進行處理,保持原有比例,僅將主要病害部位分割成600×450像素大小的圖片用于圖像分割實驗.

2.2 實驗結(jié)果

本研究實驗實現(xiàn)環(huán)境為Inter Core i7-4900 K主頻4.00 GHz,內(nèi)存16 GB,軟件為WIN7,MATLAB R2014a,分別選取閾值分割法、分水嶺分割法、SLIC分割法和文中算法進行對比實驗,小麥銹病實驗分割結(jié)果如圖1所示,小麥白粉病實驗分割結(jié)果如圖2所示.

圖1 銹病圖像分割效果Fig.1 Image segmentation effect of leaf rust

圖2 白粉病圖像分割效果Fig.2 Image segmentation effect of powdery mildew

通過圖1和圖2,在兩種病害圖片中,閾值分割法由于病害圖片背景復雜或者病斑區(qū)域與健康葉片區(qū)域灰度差別不大,導致分割出的圖像質(zhì)量差,圖像細節(jié)丟失過多,不能用于后續(xù)基于深度學習的病害分類識別的特征提取.分水嶺算法則對圖片自身的圖片背景、亮度、對比度、色彩等圖像質(zhì)量要求較高,在圖1-b中該算法就不能很好識別病斑,分割質(zhì)量較差,邊界保持區(qū)域一致性較差.SLIC算法能夠較好地實現(xiàn)病害圖像病斑的分割,本文算法的分割結(jié)果在復雜背景下時的邊界分割明顯優(yōu)于SLIC算法.

圖3中根據(jù)圖像大小超像素數(shù)目k為隨機選取,從圖中可以看出,超像素數(shù)目為153和527時,圖像分割區(qū)域過于細碎,作物病害病斑整體性不好,由于病斑自身紋理、顏色等特征的影響,導致圖像細節(jié)被過分強調(diào),不符合后續(xù)應用于深度學習網(wǎng)絡的需要.超像素數(shù)目為815～1 057時,能夠達到較滿意的分割效果.本文算法對病害圖像進行掃描提取顏色信息時,通過5次隨機掃描,將5次掃描獲得的一維特征向量值匯總后平均,得到推算出的超像素數(shù)目為1 036,這個數(shù)值與圖3實驗中得到的較好分割效果時的超像素數(shù)目1 057較為接近,病斑區(qū)域分割整體性較好,能夠體現(xiàn)出病斑整體特性,便于提取圖像特征,有助于判斷作物病害程度和進展.本文算法通過推算得到超像素數(shù)目比原有算法通過隨機獲取超像素數(shù)目,能夠更快的使算法收斂,復雜度更低.算法運行時間比較見表1.

圖3 超像素數(shù)目對圖像分割的影響Fig.3 The influence of the number of super pixels on image segmentation

表1 算法運行時間比較Tab.1 Algorithm running time comparison

由表1可知，除了閾值分割算法以外的其他三類超像素算法的運算速度均優(yōu)于閾值分割法,同時由于本文算法對圖像分割前超像素數(shù)目的選擇是通過隨機掃描圖像的W/（e*α）行或者H/（e*α）列來獲取一維特征向量,大幅減少了計算量,使本文算法運算速度相對于其他三種算法,得到較大提高.

3 結(jié)論

本文提出的基于超像素的K-SLIC分割算法,通過將SLIC算法中的CIElab顏色空間轉(zhuǎn)換為HSV顏色空間,同時超像素數(shù)目由隨機掃描圖像W/（e*α）行或者H/（e*α）列,實現(xiàn)了一維特征降維,并由平衡參數(shù)e和作物病害易感因子α來控制分割質(zhì)量,有效改善超像素分割造成的零碎圖塊,從而使算法達到了較好的分割效果和較快的運行速度.