稻叶瘟病斑分割的新型图像处理方法

　　0 引言

　　农作物叶片病斑能够直接反映病害种类及危害程度。研究农作物叶片病斑的图像识别,及时发现病情,并对其进行动态、实时地监控,对农作物病害的有效防控具有重要意义。随着计算机视觉技术的不断发展和在各领域的应用,对作物病害信息进行实时监控和诊断已逐渐成为可能。作为计算机视觉病害检测的重要组成部分,病斑的分割结果将影响对病害的判断。由于叶片病斑图像呈现出特征多样性、复杂性和模糊性等特点,采用传统的病斑图像检测方法,很难将病斑准确分割。病斑有自身的发生与表现规律,可综合利用病斑形状、颜色等特征进行检测。

　　本研究以感染稻瘟病的水稻叶片为研究对象,结合色度学模型、边缘检测、形态学运算和 DNGBI 等方法对稻叶瘟病斑进行分割,为稻瘟病的检测和诊断奠定基础。

　　1、 材料与方法

　　1. 1 田间图像采集与预处理

　　试验田位于广东省从化市吕田镇,水稻品种为CO39,田间稻叶瘟包含不同病害等级。在自然光照且无风条件下,用 Canon A490 数码照相机采集田间水稻稻瘟病叶片图像。试验共采集了 30 幅田间采集的水稻叶瘟图像,所采集的图像包含不同等级叶瘟病斑信息,成像清晰,图像大小为 2 594 ×1 994 像素。将图像处理成为 500 × 500 像素左右,程序设计语言为MatLab。

　　1. 2 基于色度学模型的特征提取

　　特征的提取是为快速获取图像中图斑(包含病斑和一些封闭的非病斑区域) 的信息,在病斑的识别中起到初提取的作用,其处理的目的在于获取突出病斑特征的灰度图像以进行图像分割。图像处理成为单一图层,可减少数据运算量,实现快速识别。颜色识别是病斑识别的主要途径之一,本研究将采用色度学模型进行病斑识别过程中的特征要素提取,利用 RGB颜色模型实现病斑的提取,利用 HIS 颜色模型实现叶片的提取。

　　1. 2. 1 基于 RGB 颜色模型的图斑提取针对可见光图像,病斑提取的方法较多,常见的有采用绿色波段或者红绿蓝取均值波段及制定特定病斑指数,如归一化绿蓝差值指数(Normalized Differ-ence Green and Blue Index,DNGBI)。通过对稻瘟病病斑的颜色分析可知,叶片被病菌侵染后,侵染中心会呈现褐色或灰白色,病斑附近的叶片部分可能呈现枯黄状。通过多次对比试验发现,采用 2R - G 色差分量实现图斑的提取,水稻叶瘟病斑的边缘能在 2R - G 色差分量上较好地表现出来,利于边缘提取结果。

　　1. 2. 2 基于 HIS 颜色模型的叶片提取植物与背景分离的最大根据为植物叶片与背景的彩色分量的差异,利用此特性可以进行分类识别。色彩对光照很敏感,不同光照下色彩的变化差异很大。

　　采集图像所用的彩色空间为 RGB,而红(R) 、绿(G) 与蓝(B) 这 3 个分量随光照的变化是不一致的,在实际使用过程中,很难要求系统每次的光照完全一致,因此很难找到一个理想的彩色距离中心。HIS 模型是从人的视觉系统出发,用色调(H) 、饱和度(S) 和亮度(I) 来描述色彩。通过颜色模型转换公式即可实现两种模型的转换。为更好地识别目标物,希望利用颜色模型中某一分量或类似植被指数等模型,使得叶片病斑与背景之间的差异显著。从 RGB 模型到 HIS模型的转换关系,如式(1) 、式(2) 和式(3) ,仅取 H 分量进行分析。利用 H 色彩分量可以识别绿色区域,并利用形态学运算进行封闭区域填充,形成一个连片的完整区域,便于后期进行掩膜过滤,图 2 为叶片掩膜区域提取。有

　　1. 3 封闭边缘提取与修复

　　利用边缘提取算子对 2R - G 色差分量图进行边缘提取,对提取的边缘进行封闭修复并过滤,可获得病斑的封闭边缘。

　　1. 3. 1 边缘提取

　　Canny 算子采用二维高斯函数的任意方向上的一阶方向导数为噪声滤波器,通过与图像卷积进行滤波; 然后寻找滤波后图像梯度的局部最大值,以此来确定目标边缘。根据对信噪比与定位乘积进行测度,得到最优化逼近算子。Canny 算子具有滤去噪声和保持边缘的特性。对 2R - G 色差分量图利用 Canny进行边缘检测。在Canny 边缘提取后的图像中,病斑边缘和一些封闭的非病斑边缘(用圆圈标示区域) 都被识别出来,影响稻叶瘟病斑的检测精度。

　　1. 3. 2 封闭边缘修复

　　由于对比度、叶脉等因素的影响,多数提取的边缘未能闭合,因此设计边缘修复模板对病斑边缘轮廓进行提取。按照由上至下、由左至右的处理顺序,依次对图像中的每一个像素点进行运算。算法步骤如下: 首先抽取一个 3 ×3 的图像处理窗口,其中心点 p5是待处理像素点(见图 4) ; 然后取窗口四周共 9 点(p1,p2,p3,p4,p5,p6,p7,p8,p9) 分别与边缘修复模板(见图 5) 进行匹配(虚线框代表可能出现一个或者多个像素) ,若和其中任意一个边缘修复模板匹配,则该中心像素被填充; 否则保持不变,移动到下个点,直至图像所有的点都被遍历。

　　1. 3. 3 封闭边缘提取

　　利用1. 2. 2 节的叶片提取结果与封闭边缘修复后的图像进行掩膜运算,从而获得叶片范围内的病斑边界结果。闭合的边缘与未闭合的边缘主要区别在于是否可以填充边界,对上述边缘修复的结果进行封闭填充,利用形态学的“开”运算,过滤未闭合的边缘,得到封闭的区域,再进行边缘检测,获得封闭边缘。

　　1. 3. 4 稻叶瘟病斑检测

　　提取的封闭边缘线,在很多因素影响下未必是病斑,对病斑属性的精确确定,需要通过对封闭边缘覆盖下的病斑图像进行波段或者光谱等信息的分析。

　　本文以归一化绿蓝差值指数(DNGBI) (公式 4) 为病斑最终确定的模型。统计封闭边缘区域覆盖图像的DNGBI 均值,取一定的阈值进行分割。封闭边缘提取的结果 DNGBI 图表现为: 病斑覆盖区域的 DNGBI 均值要比非病斑覆盖 DNGBI 均值高,取一定的阈值可分离出病斑。封闭的非病斑边缘(用圆圈标示区域) 都被剔除。稻叶瘟病斑检测算法流程图,如图 7 所示。有DNGBI = (G - B) /2(0. 3R + 0. 59G + 0. 11B) (4

　　2、结果与分析

　　对 30 幅野外采集的水稻叶瘟图像进行检测。对于叶片的提取,H 分量取值范围设为 50 ~130,此范围可较完整地提取出不同明度、不同亮度的绿色叶片信息。DNGBI 过滤阈值设为 1 800。由于病斑处于叶片边缘造成叶片掩膜不完整,同时由于部分病斑边缘未封闭,部分病斑并未正确识别出来。通过 DNGBI 阈值过滤后,剩余的图斑以叶瘟病斑为主。对 30 幅图像的正确识别率进行统计,结果为 90. 26% 。

　　通过试验分析可知,在 2R - G 分量图上,病斑的边缘较清晰,便于病斑的边缘提取。通过对病斑进行边缘识别,可以得出,病斑能够正确提取的条件是: 病斑边缘清晰、叶脉干扰小及病斑周边不存在模糊过渡区域。Canny 算法稳健,边缘提取效果稳定,但易受到对比度、叶脉等多因素影响,病斑容易出现断点、断线的情况。采用形态学方法实现病斑的封闭修复与提取,不受方向性限制,对病斑的边缘断线能起到一定的修补作用。

　　边缘提取与修复的结果不仅包含了病斑,同时也包含了一些封闭的非病斑边界。为了精确进行病斑识别,需要针对病害的种类制定特定的识别模型。研究针对水稻叶瘟病斑,封闭的图斑覆盖区域在 DNGBI图上病斑与非病斑差别较大,采用 DNGBI 图对封闭区域的图斑进行阈值过滤,可以得到稻叶瘟病斑。

　　3、 结论

　　1) 以水稻叶瘟 RGB 图像为研究对象,计算 2R -G 色差分量模型,采用 Canny 算法进行边缘检测,通过边缘封闭修复与过滤,去除封闭的非病斑边界,对稻叶瘟病斑边缘进行修复,可以封闭部分断开的边界。

　　2) 采用 HIS 模型的 H 分量提取的叶片正常部位信息与修复后图像做掩膜运算,获得叶片范围内的病斑边界结果,采用 DNGBI 阈值分割可检测出水稻叶瘟的普通型病斑。试验结果表明,该方法对病斑的正确识别率为 90. 26% 。

　　参考文献:
　　[1] 马德贵,邵陆寿,葛婧,等. 水稻稻瘟病及水稻纹枯病病害程度图像检测[J]. 中国农学通报,2008,24(9) : 485- 489.
　　[2] 王坤,朱大洲,张东彦,等. 成像光谱技术在农作物信息诊断中的研究进展[J]. 光谱学与光谱分析,2011,31(3) : 589 -595.
　　[3] DB23/T 1118 -2007,水稻稻瘟病防治技术规范[S].
　　[4] 胡小峰,赵辉. Visual C + + / MATLAB 图像处理与识别实用案例精选[M]. 北京: 人民邮电出版社,2004.
　　[5] 丁浩. 植物黑腐病病斑的自动识别与分析[D]. 南宁: 广西大学,2007.
　　[6] 张柏毅. 玉米叶部病斑识别[D]. 大庆: 黑龙江八一农垦大学,2012.
　　[7] 谢忠红,姬长英,郭小清,等. 基于改进 Hough 变换的类圆果实目标检测[J]. 农业工程学报,2010(7) : 157 -162.
　　[8] 冈萨雷斯(美) . 数字图像边缘检测(2 版) [M]. 阮秋琦,译. 北京: 电子工业出版社,2005.