一种作物病害叶片图像中病斑的分割方法技术

本发明专利技术提供一种作物病害叶片图像中病斑的分割方法，包括以下步骤：从图像采集设备中获取包含作物病害叶片的彩色图像，归一化处理，转换到CIEL*a*b*颜色空间，设置初始分类数目为2，利用自适应特征学习方法，学习图像中的病斑和背景叶片的初始分类颜色特征R、G、B的值，计算各个像素点到分类中心的距离，把数据归类；计算a*均值之间的距离，若a*值的距离得出最大结果则分割结束。本发明专利技术提出的方法，克服了已有技术存在不同作物、不同病害分割结果不稳定的问题，提高了病斑分割算法的分割精度和适应性，而且还能够应用于智能手机等移动终端，适合田间操作，拓宽了该方法的应用范围。

A spot crop disease leaf image segmentation method

The invention provides a spot crop disease leaf image segmentation method comprises the following steps: obtaining the color image, including crop disease leaf from image acquisition equipment normalized conversion to CIEL*a*b* color space, set the initial classification number is 2, the use of adaptive feature learning method, B R G, the initial classification, color feature learning in the image and the background values of leaf spot, the calculation of each pixel to the distance from the center of the data classification, classification; calculate a* mean distance between the distance from the maximum value if a* is cutting the end result. The method of the invention overcomes the problems of instable results of different crops, different diseases, improve the lesion segmentation algorithm of segmentation accuracy and adaptability, but also can be applied to intelligent mobile phone and other mobile terminals, which is suitable for field operation, broaden the scope of application of this method.

【技术实现步骤摘要】

本专利技术属于数字图像处理领域，具体涉及一种植物叶片图像的处理方法。
技术介绍
病害是导致农作物减产的一个重要因素。及时地发现和控制病害，对减少农药的使用，提高农作物的产量和质量具有十分重要的意义。当前农业生产中，专家们主要以个人经验和病理学知识进行分析与判断病害的种类和严重程度，但此方法识别出来的病害主观性强、速度慢、错误率高且实时性差。随着计算机技术的高速发展，图像处理技术越来越多地被应用于农业生产过程中。相对于之前仅凭肉眼和个人经验不同，计算机的视觉和图像处理技术具有很强的客观性和及时性，能够很精确地识别出不同农作物的病害，为后续变量喷药系统提供必要的参数。在使用计算机视觉技术进行作物病害的识别和处理中，将图像中病斑区域和非病斑区域的分开操作叫做对病斑图像的分割，病斑图像分割是对作物病害图像特征和模式识别的前提。在对病害的诊断过程中，由病害造成的叶片病斑的种类和大小是各种诊断方法判断病害发生程度的主要依据。因此，如何准确无误地分割出病害叶片上的病斑是实现病害种类的识别和防治的关键。但是，由于作物病害图像存在病斑排列无序、大小不一、颜色分布不均，且不同作物、不同病害其病斑各异等问题，使得病斑的准确分割异常困难。目前，常用于作物叶片病斑的分割方法主要有阈值分割法、分水岭分割法、主动轮廓分割法等方法。但是，上述分割方法在对病斑进行分割时，往往需要设置许多固定的参数，这样会造成分割的结果和当前所设置的参数密切相关，存在不同作物、不同病害分割结果不稳定的问题，算法的适应性不高。因此，已有的病斑分割技术中仍缺少一种适应于不同作物、不同病害种类的病斑自适应分割方法。为此，研究一种自适应于不同作物、不同病害种类的作物叶片图像中病斑的分割方法，是目前业界亟待解决的技术课题。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种作物叶片图像中病斑的分割方法，可以将不同作物、不同病害种类的病斑从作物叶片图像中准确的分割出来。实现本专利技术目的的技术方案为：一种作物病害叶片图像中病斑的分割方法，包括以下步骤：S1从图像采集设备中获取包含作物病害叶片的彩色图像I1，对所述彩色图像I1进行归一化处理形成彩色图像I2；S2提取图像I2的红色、绿色、蓝色三个颜色通道上的子图像Ir,Ig,Ib，并将图像I2转换到CIEL*a*b*颜色空间，提取a*颜色分量，并形成图像Ia*；S3根据病害叶片的特点，设置初始分类数目为2，即将病害叶片分为病斑部分和正常叶片部分2大类；S4利用自适应特征学习方法，学习图像中的病斑和背景叶片的初始分类颜色特征R、G、B的值，其中，病斑图像R、G、B的平均值为病斑分类中心，正常叶片图像R、G、B的平均值为背景叶片分类中心；S5计算各个像素点到分类中心的距离，把数据归到离它最近的那个分类中心所在的类；S6分别统计分割结果中病斑区域和正常叶片区域的像素在CIEL*a*b*颜色空间模型中a*值的均值和R、G、B的均值；S7计算病斑区域和背景叶片区域两类a*均值之间的距离；S8若a*值的距离与下一次重新聚类得出的值相比最大则分割结束；否则，更新分类中心，重复步骤S5～S8直至a*值的距离小于上一次聚类结果时的距离。其中，步骤S1中，利用双线性插值方法将所述彩色图像归一化为L×H大小的图像，其中L、H分别为放缩后图像的宽度和高度，其中，H或者H满足将L或者H中像素数小于100的值置为0，如L＝488，缩放后为400，同理H亦如此。L和H的具体范围视采集图像的大小而定。在L*a*b*颜色空间中，L*分量用于表示像素的亮度；a*表示从红色到绿色的范围，其正值代表红色而负值代表绿色；b表示从黄色到蓝色的范围，其正值代表黄色而负值代表蓝色。因此，绿色的背景叶片区域与非绿色的叶片区域在a*颜色分量上会存在明显的差异。进一步地，步骤S4的自适应特征学习方法，包括以下操作：S41将图像I2分成为s×t像素大小的M块子图像；S42随机选取一幅不重复的子图像blcoki(1≤i≤M)，将该图像转换到CIEL*a*b*颜色空间，并提取a*分量，形成子图像block_a*；S43将block_a*中所有的像素进行排序，分别提取最大的前N个值和最小的前N个值所对应的像素点；S44根据公式(1)，(Ig(x,y)-Ir(x,y)＞θ1)∩(Ig(x,y)-Ib(x,y)＞θ2)(1)计算满足公式(1)条件下，block_a*值中最小的前N个值所对应的像素点的平均R、G、B值，记为R1、G1、B1，并统计满足公式(1)的像素个数N1；式(1)中，0＜θ1＜255，0＜θ2＜255；S45计算不满足公式(1)条件下，block_a*值中最大的前N个值所对应的像素点的平均R、G、B值，记为R2、G2、B2，并统计不满足公式(1)的像素个数N2；S46若N1＞θ3×N，则R1、G1、B1，为正常叶片区域的初始分类颜色特征初值，否则，跳到步骤S42；其中0.5≤θ3≤1；S47若N2＞θ4×N，则R2、G2、B2，为病斑区域的初始分类颜色特征初值，否则，跳到步骤S42；其中0.5≤θ4≤1；S48根据同时满足步骤S46和步骤S47条件的叶片初始特征颜色值R1、G1、B1和病斑初始颜色特征值R2、G2、B2，利用传统的K-means聚类算法对图像blcoki进行分类，提取分类中心不再变化的分类中心点，为该图像blcoki最终的分类特征值，Ri1、Gi1、Bi1和Ri2、Gi2、Bi2，并统计参与分类的子图像blcoki的个数Num；S49重复步骤S42～S48,直至对所述M幅子图像全部进行遍历，然后将Num个子图像所对应的Ri1、Gi1、Bi1和Ri2、Gi2、Bi2分别进行求取均值，其均值和为图像I2最终的初始颜色特征值。其中，步骤S41中，1≤s≤L，1≤t≤L。例如s为80～120的10的倍数，t为80～120的10的倍数。其中，步骤S45中，1≤N≤s×t。其中，在步骤S49重复S42～S48。其中，在步骤S5进行像素点分类，包括步骤：S51选取图像I2中任意不重复的像素点，并提取出该像素点R、G、B值，按照公式(2)和公式(3)进行距离的计算S52若Dist1＜Dist2，则将该像素点归于背景叶片一类，否则，将其归为病斑一类；S53重复步骤S51～S52，直至所有像素都进行分类。其中，所述的步骤S8中的距离计算公式(4)为：Dist＝mean(sp)-mean(bg)(4)其中，mean(sp)为病斑区域所有像素a*分量值的均值，mean(bg)为背景叶片区域所有像素a*分量值的均值。其中，所述的步骤S8中的分类中心更新，包括如下操作：根据步骤S53对图像中所有像素点分类完成后，分别计算正常叶片区域中的R、G、B值的均值，作为新的均值分别计算病斑区域中的所有R、G、B值的均值，作为新的本专利技术的有益效果在于：相比于现有技术，本专利技术提出的方法，能够根据待分割的病害叶片图像自动学习图像的初始分割特征值，对病害叶片中的病斑进行分割，从而实现了分割模型的动态自适应建模，以便获取与特定的病害叶片相适应的分割模型，克服了已有技术存在不同作物、不同病害分割结果不稳定的问题，提高了病斑分割算法的分割精度和适应性，而且还能够应用于智能手机等移动终端，适合本文档来自技高网...

【技术保护点】
一种作物病害叶片图像中病斑的分割方法，其特征在于，包括以下步骤：S1从图像采集设备中获取包含作物病害叶片的彩色图像I1，对所述彩色图像I1进行归一化处理形成彩色图像I2；S2提取图像I2的红色、绿色、蓝色三个颜色通道上的子图像Ir,Ig,Ib，并将图像I2转换到CIEL*a*b*颜色空间，提取a*颜色分量，并形成图像Ia*；S3根据病害叶片的特点，设置初始分类数目为2，即将病害叶片分为病斑部分和正常叶片部分2大类；S4利用自适应特征学习方法，学习图像中的病斑和背景叶片的初始分类颜色特征R、G、B的值，病斑图像R、G、B的平均值为病斑分类中心，正常叶片图像R、G、B的平均值为背景叶片分类中心，S5计算各个像素点到分类中心的距离，把数据归到离它最近的那个分类中心所在的类；S6分别统计分割结果中病斑区域和正常叶片区域的像素在CIEL*a*b*颜色空间模型中a*值的均值和R、G、B的均值；S7计算病斑区域和背景叶片区域两类a*均值之间的距离；S8若a*值的距离与下一次重新聚类得出的值相比最大则分割结束；否则，更新分类中心，重复步骤S5～S8直至a*值的距离小于上一次聚类结果时的距离。

【技术特征摘要】
1.一种作物病害叶片图像中病斑的分割方法，其特征在于，包括以下步骤：S1从图像采集设备中获取包含作物病害叶片的彩色图像I1，对所述彩色图像I1进行归一化处理形成彩色图像I2；S2提取图像I2的红色、绿色、蓝色三个颜色通道上的子图像Ir,Ig,Ib，并将图像I2转换到CIEL*a*b*颜色空间，提取a*颜色分量，并形成图像Ia*；S3根据病害叶片的特点，设置初始分类数目为2，即将病害叶片分为病斑部分和正常叶片部分2大类；S4利用自适应特征学习方法，学习图像中的病斑和背景叶片的初始分类颜色特征R、G、B的值，病斑图像R、G、B的平均值为病斑分类中心，正常叶片图像R、G、B的平均值为背景叶片分类中心，S5计算各个像素点到分类中心的距离，把数据归到离它最近的那个分类中心所在的类；S6分别统计分割结果中病斑区域和正常叶片区域的像素在CIEL*a*b*颜色空间模型中a*值的均值和R、G、B的均值；S7计算病斑区域和背景叶片区域两类a*均值之间的距离；S8若a*值的距离与下一次重新聚类得出的值相比最大则分割结束；否则，更新分类中心，重复步骤S5～S8直至a*值的距离小于上一次聚类结果时的距离。2.根据权利要求1所述的作物病害叶片图像中病斑的分割方法，其特征在于，步骤S1中，利用双线性插值方法将所述彩色图像归一化为L×H大小的图像，其中L、H分别为放缩后图像的宽度和高度，图像中像素数小于100的值置为0。3.根据权利要求1所述的作物病害叶片图像中病斑的分割方法，其特征在于，步骤S4的自适应特征学习方法，包括以下操作：S41将图像I2分成为s×t像素大小的M块子图像；S42随机选取一幅不重复的子图像blcoki(1≤i≤M)，将该图像转换到CIEL*a*b*颜色空间，并提取a*分量，形成子图像block_a*；S43将block_a*中所有的像素进行排序，分别提取最大的前N个值和最小的前N个值所对应的像素点；S44根据公式(1)，(Ig(x,y)-Ir(x,y)＞θ1)∩(Ig(x,y)-Ib(x,y)＞θ2)(1)计算满足公式(1)条件下，block_a*值中最小的前N个值所对应的像素点的平均R、G、B值，记为R1、G1、B1，并统计满足公式(1)的像素个数N1；式(1)中，0＜θ1＜255，0＜θ2＜255；S45计算不满足公式(1)条件下，block_a*值中最大的前N个值所对应的像素点的平均R、G、B值，记为R2、G2、B2，并统计不满足公式(1)的像素个数...

【专利技术属性】
技术研发人员：王志彬，王开义，韩焱云，潘守慧，赵向宇，王书锋，
申请(专利权)人：北京农业信息技术研究中心，
类型：发明
国别省市：北京;11