基于Roberts算子的牡丹紅斑病葉病斑邊緣檢測(cè)方法比較

李樹(shù)強(qiáng)

(河南科技大學(xué) 農(nóng)業(yè)工程學(xué)院，河南 洛陽(yáng) 471003)

牡丹紅斑病(red spot of peony)是牡丹的主要病害之一，發(fā)生嚴(yán)重時(shí)對(duì)牡丹植株的生長(zhǎng)影響較大，其相關(guān)研究報(bào)道較多[1-6]。正常牡丹葉片的兩面均為綠色，葉片表面平整，紅斑病染病初期葉正、反面出現(xiàn)綠色針頭狀小點(diǎn)，隨后日益擴(kuò)大增多。30d后可擴(kuò)展成10～30mm 大小的病斑，病斑多呈近圓形，也有呈不規(guī)則形的，紫紅色或褐色，隨著紅斑病的發(fā)展病斑相連成片，最后病斑部位枯焦。葉片上的病斑如發(fā)生在葉緣，可使葉片扭曲。目前對(duì)牡丹病害的診斷及性質(zhì)的研究主要有2種手段：第1種是園藝技術(shù)人員通過(guò)肉眼觀察目標(biāo)的外形變化根據(jù)經(jīng)驗(yàn)進(jìn)行判斷，此方法快捷方便，但判斷上易出現(xiàn)偏差；第2種判斷方法是將目標(biāo)葉片采集后進(jìn)行相應(yīng)的檢測(cè)和分析，根據(jù)得出的數(shù)據(jù)結(jié)果做出相應(yīng)的判斷。此種方法結(jié)果準(zhǔn)確，但實(shí)時(shí)性較差[7-8]。牡丹紅斑病發(fā)生程度與病斑形狀、病斑的發(fā)展程度有一定的關(guān)系，不同染病階段的病斑形狀和分布規(guī)?？赡艽嬖谳^為明顯的差異，可以通過(guò)數(shù)字圖像處理的方法對(duì)病斑的邊緣進(jìn)行識(shí)別和分析。

圖像邊緣是指圖像灰度(亮度)發(fā)生空間突變或者在梯度方向上發(fā)生突變的像素的集合，其中蘊(yùn)含了圖像豐富的內(nèi)在信息，廣泛應(yīng)用于圖像分割、圖像分類(lèi)、圖像配準(zhǔn)和模式識(shí)別中[9-13]。任意一對(duì)相互垂直方向上的差分可以看成求梯度的近似方法，Roberts邊緣檢測(cè)算子利用該原理，采用對(duì)角線方向相鄰兩像素之差代替梯度，即計(jì)算梯度：

梯度的幅值可以近似地表示為：

適當(dāng)選取閾值τ，如果R(i，j)＞τ，則認(rèn)為點(diǎn)(i，j)屬于邊緣點(diǎn)。Robert邊緣檢測(cè)算子采用對(duì)角線方向相鄰兩像素之差進(jìn)行梯度幅值檢測(cè)，其檢測(cè)水平、垂直方向邊緣的性能要好于普通斜線方向邊緣，此種方法檢測(cè)定位精度較高，運(yùn)算量不大，適用于噪聲較少的圖像[14-15]。

為了獲得對(duì)牡丹紅斑病的快速、準(zhǔn)確的診斷識(shí)別方法，利用Roberts邊緣檢測(cè)算子對(duì)牡丹紅斑病主要染病階段的圖像進(jìn)行處理，文中采用邊緣檢測(cè)的方法對(duì)病斑進(jìn)行識(shí)別和分析，通過(guò)選取不同的閾值對(duì)邊緣進(jìn)行檢測(cè)和檢測(cè)效果比較，建立適合不同染病階段的Roberts邊緣檢測(cè)算子閾值庫(kù)，得到最優(yōu)邊緣檢測(cè)策略，結(jié)果可為牡丹紅斑病數(shù)字圖像快速診斷和識(shí)別提供科學(xué)依據(jù)。

1 基于傳統(tǒng)Roberts算子的牡丹紅斑病邊緣檢測(cè)獲取與處理

本研究對(duì)不同染病階段的牡丹紅斑病葉進(jìn)行數(shù)字圖像獲取，分別得到了牡丹紅斑病的染病早期、中期、晚期3個(gè)階段的圖片，如圖1所示。

圖1 牡丹葉片特征Fig.1 The features of peony leaves

由圖1可以看出健康的牡丹葉片表面沒(méi)有斑點(diǎn)，葉片邊緣較為規(guī)則；在牡丹紅斑病染病早期，葉片上出現(xiàn)斑點(diǎn)，斑點(diǎn)顏色較正常葉片略深，斑點(diǎn)分布較為分散；染病中期，斑點(diǎn)顏色明顯變深，斑點(diǎn)面積變大，斑點(diǎn)和正常葉片的區(qū)別較大；染病晚期，斑點(diǎn)逐漸連接成片，葉片邊緣部分出現(xiàn)卷曲壞死的現(xiàn)象。不同生長(zhǎng)階段的病斑邊緣差異較為明顯，因此使用病斑邊緣檢測(cè)方法檢測(cè)牡丹紅斑病和分析染病情況具有可行性。Roberts算子邊緣檢測(cè)具有算法簡(jiǎn)單、運(yùn)行速度快、檢測(cè)正確率較高等特點(diǎn)，Roberts算子邊緣檢測(cè)對(duì)于噪音較為敏感，因此首先對(duì)圖片進(jìn)行高斯去噪。Roberts邊緣檢測(cè)的閾值τ的選取直接影響到邊緣檢測(cè)的效果，本研究針對(duì)不同染病階段分別選取了6種不同的閾值10、30、50、70、90、110進(jìn)行邊緣檢測(cè)，并進(jìn)行了效果分析和對(duì)比。

2 基于改進(jìn)型Roberts算子的牡丹紅斑病邊緣檢測(cè)獲取與處理

傳統(tǒng)Roberts算子檢測(cè)方法的閾值選擇系人為指定，因此檢測(cè)算子的穩(wěn)定性和魯棒性有待加強(qiáng)[16-17]，根據(jù)紅斑病病斑的特點(diǎn)，本研究提出了改進(jìn)型Robert算子檢測(cè)方法。與傳統(tǒng)方法略有不同，改進(jìn)型Roberts算子根據(jù)紅斑病的特點(diǎn)，提出了閾值自適應(yīng)方法，根據(jù)紅斑病染病程度的不同，相應(yīng)地調(diào)整病斑邊緣檢測(cè)閾值，與傳統(tǒng)Roberts算子相比具有更好的病斑檢測(cè)適應(yīng)性，客觀上提高了病斑邊緣檢測(cè)的準(zhǔn)確性，減少了檢測(cè)中的人為干擾因素，提高了模型的適應(yīng)性和魯棒性。

3 結(jié)果與討論

3.1 傳統(tǒng)Roberts算子邊緣檢測(cè)效果分析

傳統(tǒng)Roberts算子采用對(duì)角線方向相鄰兩像素之差進(jìn)行梯度幅值檢測(cè)，其卷積算子為：

對(duì)紅斑病染病早期的葉片圖像進(jìn)行了高斯去噪和邊緣檢測(cè)，結(jié)果如圖2所示。

圖2 紅斑病染病早期處理圖Fig.2 Roberts transform of red spot disease fi gure at early period

由圖2b可以看出，Roberts算子檢測(cè)出目標(biāo)整個(gè)區(qū)域圖。選取不同的閾值可得到多個(gè)邊緣識(shí)別圖，如圖3所示。

圖3 紅斑病早期不同閾值邊緣識(shí)別Fig.3 Edge recognition of different threshold values of red spot disease at early period

由圖3可以看出，紅斑病早期Roberts算子邊緣檢測(cè)的效果不佳，這主要是由于病斑不明顯、邊緣檢測(cè)圖中的細(xì)節(jié)較多、不易直接分辨病斑的形狀和范圍所致。對(duì)比不同閾值的邊緣識(shí)別效果可以看出，低閾值時(shí)檢測(cè)的細(xì)節(jié)過(guò)多，對(duì)病斑不明顯的染病早期的邊緣識(shí)別形成了較大的干擾；高閾值時(shí)損失的有效信息較多，無(wú)法檢測(cè)出完整的病斑邊緣。閾值為50、70時(shí)病斑邊緣識(shí)別效果較好。因此選擇閾值為50、70對(duì)紅斑病染病中期和染病后期進(jìn)行病斑識(shí)別，效果如圖4、圖5所示。

圖4 紅斑病染病中期處理圖Fig.4 Roberts transform of red spot disease fi gure at middle period

圖5 紅斑病染病后期處理圖Fig.5 Roberts transform of red spot disease fi gure at later period

圖4 、圖5是閾值為50、70時(shí)Roberts算子對(duì)不同染病階段葉片的病斑檢測(cè)結(jié)果?？梢钥闯黾t斑病染病中期的病斑比早期病斑要明顯，病斑形狀為不規(guī)則的多邊形，多邊形中部沒(méi)有出現(xiàn)明顯的識(shí)別線條，表明病斑在顏色上有所變化，可以通過(guò)邊緣檢測(cè)檢出，病斑中間部分并未出現(xiàn)褶皺枯萎現(xiàn)象。閾值為50時(shí)檢測(cè)效果好，病斑部分的邊緣較為完整，但內(nèi)部的干擾信息較多；閾值為70時(shí)，干擾信息有所降低，雖然病斑邊緣出現(xiàn)斷裂現(xiàn)象，但是病斑的形狀和位置較為清晰。圖5為紅斑病感染后期處理圖，邊緣識(shí)別呈現(xiàn)了絮狀聚集的現(xiàn)象，這主要是因?yàn)椴“哌B接成片，病斑面積較大，病斑葉片部分呈現(xiàn)褶皺壞死現(xiàn)象，導(dǎo)致邊緣檢出不夠完整，但大量的絮狀檢測(cè)結(jié)果可以較為清晰地看出病斑的分布情況和染病程度。為了表征病斑檢出效果，提出了邊緣檢出率ρ：

其中，NS表示邊界完整率超過(guò)75％的病斑檢出個(gè)數(shù)，ND表示錯(cuò)檢區(qū)域(類(lèi)病斑邊緣，完整性75％)，Nτ表示平滑未進(jìn)行病斑檢測(cè)處理的圖片上可辨別的病斑個(gè)數(shù)，AS表示絮狀病斑檢出部分的面積，AD表示錯(cuò)檢面積，Aτ表示平滑后圖片的可辨認(rèn)病斑面積。

對(duì)圖片中的病斑面積和健康葉片面積的求解過(guò)程使用matlab編程實(shí)現(xiàn)，處理的思路是生成單位面積的圓形模型Δ，其面積SΔ＝1，則半徑r：

使用該面積圓對(duì)病斑和健康葉片進(jìn)行掃描，圓心與邊緣之間的距離為L(zhǎng)，當(dāng)L≥r時(shí)則該面積計(jì)入病斑面積，若L＜r時(shí)該面積不計(jì)入病斑面積，掃描病斑可以得到病斑面積QB和健康葉面積QR。使用Matlab軟件對(duì)不同染病階段的病斑邊緣檢測(cè)圖進(jìn)行分析得到邊緣檢出率，如表1所示。

表1 傳統(tǒng)Roberts算子對(duì)不同染病階段的病斑邊緣檢出率ρTable 1 Rates of edge recognitions by traditional Roberts algorithm at different disease periods ％

由表1可以看出，傳統(tǒng)Roberts算子對(duì)紅斑病邊緣檢測(cè)均有一定的檢測(cè)效果，平均檢出率為63％。傳統(tǒng)Roberts算子檢測(cè)對(duì)于圖像的噪聲敏感，閾值需要人為設(shè)定，邊緣檢測(cè)的效果人為干擾因素較多，檢測(cè)模型的魯棒性有待提高。

3.2 基于改進(jìn)型Roberts算子的紅斑病邊緣檢測(cè)

其中QB表示染病總面積，QR表示健康葉面積。

結(jié)合σ與Morigin得到改進(jìn)型Roberts算子的閾值Mnew：

使用Matlab軟件實(shí)現(xiàn)改進(jìn)型Roberts邊緣檢測(cè)，對(duì)染病葉片的邊緣檢測(cè)效果如圖6所示。

圖6 改進(jìn)型Roberts算子對(duì)紅斑病的邊緣識(shí)別Fig.6 Edge recognition of red spot disease by improved Roberts algorithm

由圖6可以看出，病斑檢出的效果與傳統(tǒng)Roberts病斑檢出的效果相近，達(dá)到了相應(yīng)的預(yù)測(cè)效果，而選擇閾值使用的是閾值庫(kù)的方法，大大降低了模型預(yù)測(cè)的人為干擾，邊緣檢測(cè)模型的自動(dòng)化和適應(yīng)性有所提高。根據(jù)統(tǒng)計(jì)病斑檢出率的標(biāo)準(zhǔn)可以得到改進(jìn)型Roberts算子的邊緣檢出率ρ，如表2所示。

表2 改進(jìn)型Roberts算子對(duì)不同染病階段的病斑邊緣檢出率ρTable 2 Rates of edge recognitions to red spot by improved Roberts algorithm at different disease periods ％

4 結(jié) 論

采用傳統(tǒng)的和改進(jìn)型Roberts邊緣檢測(cè)方法對(duì)牡丹紅斑病葉片的病斑邊緣進(jìn)行了檢測(cè)，主要得出了以下結(jié)論。

(1)牡丹紅斑病染病早、中、晚各階段的病斑邊緣形狀不同，使用Roberts邊緣檢測(cè)算子對(duì)病葉的圖像尤其是對(duì)病斑圖像的邊緣進(jìn)行檢測(cè)和分析，可以對(duì)紅斑病染病的時(shí)期進(jìn)行識(shí)別。

(2)傳統(tǒng)Roberts算子邊緣檢測(cè)法對(duì)牡丹紅斑病染病部分邊緣具有一定的識(shí)別效果，平均病斑檢出率為63％，病斑邊緣檢測(cè)速度較快，能夠滿(mǎn)足一定的檢測(cè)需求，閾值選擇在50和70，需要對(duì)比具體的閾值檢測(cè)效果，人為決定閾值，因此傳統(tǒng)Roberts算子邊緣檢測(cè)方法通常用于檢測(cè)單片病葉，或者檢測(cè)自動(dòng)化要求不高而精度要求較高的場(chǎng)合。

(3)改進(jìn)型的Roberts算子邊緣檢測(cè)策略是根據(jù)紅斑病病斑的特點(diǎn)提出的。使用harr小波對(duì)邊緣檢測(cè)的原始圖像進(jìn)行去噪，以減小噪聲對(duì)Roberts算子的影響，使用閾值庫(kù)p和閾值修正因子σ，對(duì)固定閾值根據(jù)實(shí)際檢驗(yàn)樣品的染病面積與健康葉面積的面積比進(jìn)行相應(yīng)的調(diào)節(jié)，選取最符合樣品特征的閾值，使病斑檢測(cè)效果達(dá)到樣品最佳狀態(tài)。改進(jìn)型Roberts算子檢測(cè)方法在病斑邊緣識(shí)別能力方面與傳統(tǒng)算子具有同樣的效果，由于其檢測(cè)閾值的選取可根據(jù)樣品染病特征進(jìn)行調(diào)節(jié)，可減少閾值的人為干擾因素，降低噪聲的影響，提高邊緣檢測(cè)精度，因此改進(jìn)型Roberts算子檢測(cè)方法在檢測(cè)水平要求較高的場(chǎng)合具有更大的應(yīng)用潛力。

[1] 廖偉超,劉全信,蘇百童,等.牡丹紅斑病、炭疽病及病毒病的發(fā)生與防治[J].農(nóng)技服務(wù),2012,29(6):708-709.

[2] 代玉民,甘欣勇,王海燕,等.菏澤牡丹主要病害控制技術(shù)研究[J].山東林業(yè)科技,2012,(2):78-81.

[3] 吳玉柱,季延平,劉 慇,等.牡丹紅斑病的研究[J].林業(yè)科學(xué)研究,2005,18(6):711-716.

[4] 張艷麗,劉秀賢,王 雁,等.滇牡丹愈傷組織繼代培養(yǎng)中的褐化防治[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31(2):77-81.

[5] 張 亮,唐 紅,劉文蘭,等.西北地區(qū)紫斑牡丹傳統(tǒng)品種的數(shù)量分類(lèi)研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31(6):132-138.

[6] 王雪山,杜秉海,姚良同,等.種植年限對(duì)牡丹根際土壤微生物群落結(jié)構(gòu)的影響[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2012,43(4):508-516.

[7] 孫曰波,張文靜,趙從凱,等.野生玫瑰與栽培玫瑰根系生理生化特性的比較研究[J].經(jīng)濟(jì)林研究,2013,31(1):53-57.

[8] 李鳳英,李潤(rùn)豐,趙希艷,等.60種花卉多酚、黃酮含量及其抗氧化活性[J] 經(jīng)濟(jì)林研究,2011,29(3): 59-63.

[9] 嚴(yán)恩萍,林 輝,莫登奎,等.基于光譜特征的森林類(lèi)型識(shí)別研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31(11): 23-29.

[10] 李 昕,李立君,易春峰.基于目標(biāo)保護(hù)的林業(yè)機(jī)器人視覺(jué)系統(tǒng)的研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31(7):174-178.

[11] 張 偉,王軍鋒,王 濤.一種基于改進(jìn)算子的形態(tài)學(xué)邊緣檢測(cè)算法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2013,23(6):23-26.

[12] 王 丹,吳孟達(dá),毛紫陽(yáng),等.基于多粒度粗糙模糊集的圖像邊緣檢測(cè)[J].模式識(shí)別與人工智能,2012,25(2):195-204.

[13] 鄧宏貴,李明輝,高小龍.基于上下文模型的混合傅里葉-小波圖像降噪方法[J].中南大學(xué)學(xué)報(bào):自然科學(xué)版,2013,44(1):166-171.

[14] 臧 卓,林 輝,楊敏華.基于色素含量的針葉樹(shù)種敏感波段提取研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2013,33(1): 35-40.

[15] 翟乃強(qiáng).應(yīng)用顏色信息的圖像分割研究[J].電子設(shè)計(jì)工程,2012,20(1):181-183.

[16] 叢煥武,郭福娟,呂 飛,等.基于CCD圖像處理的焊縫識(shí)別技術(shù)研究[J].電子測(cè)量技術(shù),2012,35(3):73-77.

[17] 雷麗珍.數(shù)字圖像邊緣檢測(cè)方法的探討[J].測(cè)繪通報(bào),2006,(3): 40-42.