基于改進(jìn)遺傳算法的最大熵作物病害葉片圖像分割算法

師韻等

摘要：作物病害葉片圖像分割是病害識(shí)別中的一個(gè)關(guān)鍵步驟。為了分割照度不均勻的病害葉片圖像，在最大熵和遺傳算法（genetic algorithm，GA）的基礎(chǔ)上，提出了一種作物病害葉片圖像分割方法。將信息熵作為GA的適應(yīng)度函數(shù)，將最大熵作為遺傳算法的收斂準(zhǔn)則。經(jīng)過遺傳操作，得到最佳閾值，由此進(jìn)行病害葉片圖像分割。玉米病害葉片圖像的試驗(yàn)結(jié)果表明，該方法能夠自動(dòng)、有效地選取閾值，分割效果優(yōu)于其他3種算法，并能保留原始病害葉片圖像的主要病斑特征。

關(guān)鍵詞：最大熵法；改進(jìn)遺傳算法；圖像分割；作物病害；葉片病斑

中圖分類號(hào)： TP391.41；S126文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2015）09-00453-02

作物病害葉片圖像分割是一種基本的計(jì)算機(jī)視覺技術(shù)，也是由葉片圖像處理進(jìn)入病斑分析、識(shí)別的關(guān)鍵步驟，一直是作物葉片圖像處理領(lǐng)域的一項(xiàng)重要研究?jī)?nèi)容。作物葉片的病斑特征直接反映作物病害的危害程度，病斑是作物病害識(shí)別的依據(jù)。利用圖像處理技術(shù)進(jìn)行作物病害葉片圖像分析和識(shí)別以及病害的智能化診斷已經(jīng)成為一個(gè)重要研究方向[1-4]。目前已經(jīng)有很多作物病害的識(shí)別方法，這些方法均是利用作物病害葉片進(jìn)行病害識(shí)別，其關(guān)鍵步驟是從病害葉片圖像中將病斑圖像分割出來[5]。實(shí)踐表明，病斑圖像分割效果直接影響后續(xù)病害識(shí)別算法的準(zhǔn)確率。Valliammal等提出了基于模糊聚類的病害葉片分割方法，取得了較好的分割效果[6-7]；任玉剛等提出了一種基于分水嶺算法的作物病害葉片分割方法[8]；王紅君等提出了一種基于分水嶺與自動(dòng)種子區(qū)域生長(zhǎng)相結(jié)合的病害葉片分割方法，利用該方法能夠在復(fù)雜背景下將葉片病斑完整地分割出來[9]；耿長(zhǎng)興等提出了一種基于可見光波段的黃瓜霜霉病的分割方法[10]。由于病害葉片的復(fù)雜多樣性，使得上述這些分割方法均有各自的適合場(chǎng)合，不能對(duì)所有病害葉片圖像分割的效果都有效。本研究將遺傳算法（genetic algorithm，GA）和最大熵閾值法有機(jī)地結(jié)合起來，提出一種作物病害葉片病斑分割方法，并應(yīng)用于病害玉米葉片圖像分割中。該算法有效提高了病害葉片圖像的分割速度，增強(qiáng)了分割算法的實(shí)時(shí)處理能力。

1最大熵閾值分割原理

最大熵圖像分割算法在圖像質(zhì)量較好和背景穩(wěn)定變化時(shí)，可以取得比較理想的分割結(jié)果。對(duì)于灰度范圍為0～255的病害葉片圖像，假設(shè)圖中灰度級(jí)低于t的像素點(diǎn)構(gòu)成病斑區(qū)域（gi），灰度級(jí)高于t的像素點(diǎn)構(gòu)成背景區(qū)域（Gi），則各個(gè)灰度級(jí)在兩區(qū)域的分布概率分別為：

當(dāng)熵函數(shù)取得最大值時(shí)，對(duì)應(yīng)的灰度值T就是所求的最佳閾值，即

T=argmax0≤t≤255 H（t）。（6）

2最大熵算法與GA相結(jié)合的圖像分割方法

最大熵算法的求解原理是在解空間中找到一個(gè)最優(yōu)解，使得圖像中目標(biāo)與背景分布的熵最大。GA是一種基于生物自然選擇和遺傳機(jī)理的隨機(jī)搜索算法，具有強(qiáng)大的全局最優(yōu)解搜索能力和信息處理的隱并行性以及應(yīng)用的魯棒性。只要檢測(cè)少量結(jié)構(gòu)就能反映搜索空間較大的區(qū)域，并可獲得穩(wěn)定的最優(yōu)解。GA是一個(gè)以適應(yīng)度函數(shù)為依據(jù)，通過對(duì)種群中的個(gè)體施加遺傳操作，實(shí)現(xiàn)種群內(nèi)個(gè)體結(jié)構(gòu)重組的迭代過程，逐漸逼近最優(yōu)解。將GA與最大熵算法相結(jié)合，能夠得到病斑圖像分割的最佳閾值。其病斑圖像分割過程描述如下：（1）數(shù)據(jù)輸入。讀入作物病害葉片圖像，將其轉(zhuǎn)換為灰度圖像。（2）編碼方式。將種群中的各個(gè)個(gè)體編碼為8位二進(jìn)制碼，每個(gè)個(gè)體代表1個(gè)分割閾值，即用00000000～11111111之間的一個(gè)8位二進(jìn)制代碼代表一個(gè)圖像分割閾值。（3）確定算法參數(shù)。種群規(guī)模n定為20，最小迭代次數(shù)為10。當(dāng)?shù)螖?shù)超過該值后，檢查每代種群中最優(yōu)個(gè)體適應(yīng)度的變化，若變化很小，即終止算法。在運(yùn)算的初始階段取較大的交叉概率（Pc=0.5）和較小的變異概率（Pm=0.02），以便盡快搜索出最優(yōu)個(gè)體。當(dāng)?shù)^程中種群個(gè)體的適應(yīng)值難以繼續(xù)增大時(shí)，將交叉概率減小10%、變異概率增加20%，由此可提高收斂速度，避免陷入局部極值。（4）種群規(guī)模設(shè)置。隨機(jī)在0～255 之間以同等概率生成n個(gè)個(gè)體I1～I(xiàn)n作為第1次尋優(yōu)的初始種群。種群規(guī)模設(shè)置應(yīng)該合理，若種群規(guī)模過大，則適應(yīng)度評(píng)估次數(shù)增加，計(jì)算量增加；種群規(guī)模過小，可能會(huì)引起未成熟收斂現(xiàn)象。（5）適應(yīng)度函數(shù)設(shè)計(jì)。適應(yīng)度函數(shù)是對(duì)個(gè)體進(jìn)行遺傳操作的依據(jù)，要能反映個(gè)體進(jìn)化的優(yōu)良程度，即個(gè)體有可能達(dá)到或接近問題最優(yōu)解的程度。本算法采用式（5）作為適應(yīng)度函數(shù)。（6）解碼。對(duì)二進(jìn)制個(gè)體組解碼為0～255之間的實(shí)數(shù)，求其適應(yīng)度值。（7）選擇操作。選擇操作先進(jìn)行賭輪法，再采用精英策略。其具體過程為先計(jì)算各個(gè)體的適應(yīng)度的總和S，再隨機(jī)生成0～S之間一個(gè)隨機(jī)數(shù)k，然后從第1個(gè)個(gè)體開始累加，直到累加值大于該隨機(jī)數(shù)k，此時(shí)最后一個(gè)累加的個(gè)體便是要選擇的個(gè)體。如此重復(fù)形成用于繁殖的新種群 。（8）交叉操作。采用單點(diǎn)交叉，在I′1～I(xiàn)′n中每次選取2個(gè)個(gè)體按設(shè)定的交叉概率進(jìn)行交叉操作，生成新代的種群I″1～I(xiàn)″n。（9）變異操作。采用基本變異算子，按設(shè)定的變異概率隨機(jī)從I″1～I(xiàn)″n中選擇若干個(gè)個(gè)體，再隨機(jī)從這些個(gè)體中選擇某一位進(jìn)行變異運(yùn)算。從而形成新代種群I1～I(xiàn)n。（10）對(duì)經(jīng)過遺傳操作后的個(gè)體采用小生境技術(shù)，由于對(duì)適應(yīng)度小的個(gè)體使用懲罰函數(shù)，可大幅提高其被淘汰的概率。（11）終止準(zhǔn)則。沒有滿足某種停止條件，則繼續(xù)上述操作，否則進(jìn)入（5）。以迭代次數(shù)為終止條件，達(dá)到預(yù)定的最大迭代次數(shù)，則算法終止。當(dāng)算法執(zhí)行到最大進(jìn)化代數(shù)（或滿足終止條件），種群中的最高適應(yīng)度值仍未發(fā)生變化（穩(wěn)定條件）時(shí)，算法停止運(yùn)行，具有最高適應(yīng)度值的個(gè)體即為分割閾值；否則以新代種群I1～I(xiàn)n轉(zhuǎn)到步驟（5）。本算法的終止準(zhǔn)則，為當(dāng)相鄰2代的個(gè)體的平均適應(yīng)度值小于0.001時(shí)停止迭代。

3結(jié)果與分析

在Matlab 7.0 環(huán)境下，編程實(shí)現(xiàn)本研究提出的基于最大熵和GA的病害葉片圖像分割算法，并以實(shí)際采集到玉米病葉圖像為測(cè)試對(duì)象進(jìn)行試驗(yàn)驗(yàn)證。試驗(yàn)所用的計(jì)算機(jī)的配置為Intel Core Q6700 2.66 GHz 中央處理器，4 G 內(nèi)存，Windows XP 操作系統(tǒng)。葉片圖像的初始尺寸為1 600像素×1 200像素[1]。為提高處理速度，在實(shí)驗(yàn)室進(jìn)行調(diào)整和剪切后尺寸為512像素×512像素。endprint

采集到的玉米病害葉片圖像為RGB模型，它使用紅、綠、藍(lán)三原色的亮度來定量表示顏色。在Matlab 7.0中，1幅大小為M×N[2]的RGB彩色圖像可以用一個(gè)M[3]×N[4]×3的矩陣來描述，圖像中的每一個(gè)像素點(diǎn)對(duì)應(yīng)于紅、綠、藍(lán)3個(gè)分量組成的三元組，各R、G、B單一矩陣?yán)锩總€(gè)元素值表示該元素的灰度值。使用rgb2gray（）函數(shù)將RGB葉片圖像轉(zhuǎn)換成灰度圖像，利用本研究提出的圖像分割方法進(jìn)行病斑分割，本研究采用英國(guó)謝菲爾德大學(xué)開發(fā)的基于Matlab的GOAT工具箱。個(gè)體種群數(shù)目NIND=20、最大遺傳代數(shù)MAXGEN=100、代溝GGAP=0.9、變量的二進(jìn)制位數(shù)PRECI=8，選擇、交叉和變異的算子分別取GOAT工具箱中的select、recombin和mut函數(shù)，其適應(yīng)度函數(shù)選擇為式（5）。經(jīng)過50次迭代，選取閾值M=112，分割出的二值圖像如圖1-C。由此可以看出，本研究方法能較好地分離出病斑部分。為了突出本研究方法的優(yōu)越性，圖1-D給出了圖像分割中常用的迭代閾值法的分割結(jié)果[11]。通過對(duì)比發(fā)現(xiàn)，迭代閾值法的分割結(jié)果不完整，部分病斑發(fā)生了缺失現(xiàn)象，而且分割結(jié)果中還存在許多由于噪聲和細(xì)小紋理所導(dǎo)致的小斑點(diǎn)，而這些小斑點(diǎn)對(duì)實(shí)際病害識(shí)別的意義不大。試驗(yàn)結(jié)果說明較之迭代閾值法，本研究方法能夠取得更好的分割效果。

4結(jié)論

為了改善作物病害葉片圖像的分割效果，提出了一種基于最大熵和GA的病害葉片圖像分割方法。該方法充分利用GA的最優(yōu)尋優(yōu)特性，將圖像分割的信息熵作為適應(yīng)度函數(shù)。試驗(yàn)結(jié)果表明，本研究方法能夠?qū)ψ魑锊『θ~片圖像進(jìn)行準(zhǔn)確分割，比其他病害葉片圖像分割方法具有更好的分割效果。雖然本研究方法在分割的準(zhǔn)確性上取得了較好的效果，但是，針對(duì)部分重疊病斑，本研究方法難以將它們完全分離，下一步擬對(duì)其進(jìn)行改進(jìn)以解決此問題。

參考文獻(xiàn)：

[1]Chaudhary P，Chaudhari A K，Cheeran A N，et al. Color transform based approach for disease spot detection on plant leaf[J]. International Journal of Computer Science and Telecommunications，2012，3（6）：65-70.

[2]Al-Hiary H，Bani-Ahmad S，Reyalat M，et al. Fast and accurate detection and classification of plant diseases[J]. International Journal of Computer Applications，2011，17（1）：31-38.

[3]Arivazhagan S，Newlinshebiah R，Ananthi S，et al. Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features[J]. Agric Eng Int，2013，15（1）：211-217.

[4]Song K，Liu Z K，Su H，et al. A research of maize disease image recognition of corn based on BP networks[C]//2011 Third International Conference on Measuring Technology and Mechatronics Automation，2011：246-249.

[5]刁智華，宋寅卯，王歡，等. 基于植物病斑的圖像分割研究綜述[J]. 農(nóng)機(jī)化研究，2012，34（10）：1-5，11.

[6]Valliammal N，Geethalakshmi S N. A novel approach for plant leaf image segmentation using fuzzy clustering[J]. International Journal of Computer Applications，2012，44（3）：10～20.

[7]Arivazhagan S，Shebiah R N，Ananthi S，et al. Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features[J]. Agric Eng Int，2013，15（1）：211-217.

[8]任玉剛，張建，李淼，等. 基于分水嶺算法的作物病害葉片圖像分割方法[J]. 計(jì)算機(jī)應(yīng)用，2012，32（3）：752-755.

[9]王紅君，陳偉，趙輝，等. 復(fù)雜背景下植物葉片的彩色圖像分割[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2013，34（2）：207-211.

[10]耿長(zhǎng)興，張俊雄，曹崢勇，等. 基于色度和紋理的黃瓜霜霉病識(shí)別與特征提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（3）：170-174.

[11]Tushar H J，Ravindra D B，Prashant G P. Crop disease detection using image segmentation[J]. World Journal of Science and Technology，2012，2（4）：190-194.李丹陽，李彬，李江全. 基于北斗導(dǎo)航、百度地圖的采棉機(jī)監(jiān)控系統(tǒng)設(shè)計(jì)[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（9）：455-457.endprint