遺傳算法改進(jìn)的KSW熵法計(jì)算黃瓜葉部角斑病密度

徐海 秦立峰

摘要[目的]去除復(fù)雜背景影響，提高角斑病病斑分割精度和速度。[方法]首先對預(yù)處理后的b*通道圖像采用大津法進(jìn)行初分割，去除大部分背景和噪聲。再對目標(biāo)部位的灰度圖，用基于遺傳算法改進(jìn)的KSW熵閾值分割法進(jìn)行二次分割，得到病斑的二值圖像，并計(jì)算病斑面積，最后與葉片面積做比得到病斑密度。[結(jié)果]該方法計(jì)算的病斑密度與方格板手動(dòng)計(jì)算的結(jié)果的絕對誤差約為0.02，而病斑的分割速度提高了45%以上。[結(jié)論]該方法為黃瓜角斑病病害程度自動(dòng)診斷提供技術(shù)依據(jù)。

關(guān)鍵詞黃瓜角斑?。粓D像分割；遺傳算法；KSW熵

中圖分類號S126；TP391.4文獻(xiàn)標(biāo)識碼

A文章編號0517-6611（2017）32-0212-04

KSW Entropy Method Improved by Genetic Algorithm for Density of Cucumber Angular Leaf Spot Calculation

XU Hai1，QIN Lifeng1，2*（1.Electromechanical College，Northwest A& F University ，Yangling，Shaanxi 712100； 2.Key Laboratory of Agricultural EPC System Network， Ministry of Agriculture，Yangling，Shaanxi 712100）

Abstract[Objective] The aim was to eliminate the influence of complex background， and improve the precision and speed of angular leaf spot segmentation.[Method] Firstly， the Otsu method was used to segment the b* channel image after preprocessing to remove background noise.Then， the gray image of the target area was segmented through the GAimproved KSW entropy thresholding method， and the binary image of disease spot was obtained as well as disease spot area was computed.Finally， the disease spot density was calculated.[Results] The results showed that the absolute error of the method calculated by the algorithm was about 0.02 compared with grid plate manual calculation method， and the segmentation speed increased by more than 45%.[Conclusion] The method provides the technical basis for automatic diagnosis of disease degree of cucumber spot disease.

Key wordsAngular leaf spot of cucumber； Image segmentation； Genetic algorithm； KSW Entropy

蔬菜病害對生產(chǎn)者造成重大經(jīng)濟(jì)損失，是制約蔬菜種植業(yè)發(fā)展的重要原因。黃瓜角斑病是黃瓜主要病害之一[1]，其在葉部產(chǎn)生病斑數(shù)量和大小是判斷病害程度的主要依據(jù)。依靠人工觀察計(jì)數(shù)進(jìn)行判斷，費(fèi)時(shí)費(fèi)力，準(zhǔn)確性低。利用圖像處理和模式識別技術(shù)可實(shí)現(xiàn)角斑病病斑密度的自動(dòng)統(tǒng)計(jì)，作為病害防治措施的依據(jù)，從而高效地控制病害發(fā)生，減少經(jīng)濟(jì)損失，是農(nóng)業(yè)信息化技術(shù)的重要研究方向[2-5]。

病斑密度計(jì)算以病斑分割、葉片與病斑面積計(jì)算為前提。葛婧等[6]利用玉米小斑病的RGB圖像分兩步將病斑分割出來，并利用分割結(jié)果求得玉米冠層危害程度。但該研究針對圖像背景較單一，不適用于田間復(fù)雜背景情況。田有文等[7]研發(fā)基于Android平臺的黃瓜葉部病害嚴(yán)重程度實(shí)時(shí)無損檢測系統(tǒng)，采用迭代式閾值法分割葉片區(qū)域和背景區(qū)域；采用模糊C均值聚類算法提取病斑區(qū)域；最后計(jì)算病斑區(qū)域像素點(diǎn)個(gè)數(shù)與整個(gè)葉片區(qū)域像素點(diǎn)個(gè)數(shù)的比值。李冠林等[8]對完整的葡萄霜霉病單葉葉部病害正投影，利用k-means聚類算法自動(dòng)分割發(fā)病區(qū)域，計(jì)算出發(fā)病區(qū)域所占葉片總面積的百分比，并根據(jù)分級標(biāo)準(zhǔn)給出病害嚴(yán)重度級別。關(guān)輝等[9]用分水嶺法提取葉片區(qū)域，在YUV顏色模型下選取V分量進(jìn)行病斑分割，通過計(jì)算病斑面積與葉片面積的比例得出病害的染病級別。李學(xué)俊等[10]對大豆樣本圖片的彩色梯度圖，采用Otsu與分水嶺相結(jié)合的算法獲得病斑粗略區(qū)域，再對粗略目標(biāo)區(qū)域進(jìn)行模糊C聚類分割得到目標(biāo)病斑。由于分水嶺算法收斂較慢，使得病斑分割過程較長。

綜上所述，病斑分割是病斑密度計(jì)算的前提。閾值分割快速，但最佳閾值自動(dòng)獲取較困難。Kapur等[11]提出的KSW熵法是自動(dòng)確定閾值的有效方法，但計(jì)算量大。利用遺傳算法（Genetic Algorithm，GA）并行搜索特點(diǎn)，改進(jìn)病斑分割方法，并進(jìn)一步進(jìn)行密度計(jì)算。

1角斑病病斑分割

1.1圖像采集與預(yù)處理

一幅黃瓜葉片角斑病原圖圖像如圖1所示。取La*b*顏色空間b*通道進(jìn)行初分割，b*通道特征可降低削弱背景噪聲，克服光照影響。b*通道如圖2所示。對b*通道圖像進(jìn)行直方圖均衡化，以增強(qiáng)病斑和背景的對比度，結(jié)果如圖3所示。

1.2KSW熵法

Kapur等[8]將信息論中Shannon信息熵用于灰度圖像分割，定義前景熵與背景布熵之和為KSW熵，搜索使KSW熵最大的灰度值為最佳閾值。根據(jù)Shannon熵的概念，對于灰度范圍{0，1，…，L-1}的圖像直方圖，其信息熵HT計(jì)算式為：

HT=-L-1t=0pilnpi （1）

式中，pi為第i個(gè)灰度級出現(xiàn)的概率。設(shè)閾值t將圖像分為前景和背景2個(gè)部分，2類的概率分布分別為（2）和（3）式。

p0Pt，p1Pt，…，ptPt（2）

pt+11-Pt，pt+21-Pt，…，pL-11-Pt（3）

式中，Pt=ti=0pi，前景熵HA（t）和背景熵HB（t）分別為：

HA（t）=-ti=0piPtlnpiPt=lnPt+HtPt （4）

HB（t）=-L-1i=t+1pi1-Ptlnpi1-Pt=ln（1-Pt）+HT-Ht1-Pt （5）

其中，Ht=-ti=0pilnpi。

KSW熵H（t）為HA（t）和HB（t）之和，即：

H（t）=lnPt（1-Pt）+HT-Ht1-Pt+HtPt （6）

最后，通過式（7）求取最佳閾值t*。

t*=arg max0≤t≤L-1 H（t）（7）

1.3基于遺傳算法改進(jìn)的KSW熵分割法

遺傳算法是一種高效并行的全局搜索方法，能自適應(yīng)的控制搜索過程以求得最優(yōu)解或滿意解，在多個(gè)領(lǐng)域有重要應(yīng)用。該研究用遺傳算法改進(jìn)KSW熵法（GA-KSW），有效縮短尋找閾值的時(shí)間。

由于圖像灰度值在0～255，故將各染色體編碼為8位二進(jìn)制碼；為避免種群數(shù)過多導(dǎo)致每一代適應(yīng)度值計(jì)算量大，設(shè)置種群數(shù)為10，最大繁殖代數(shù)為500。對二進(jìn)制染色體數(shù)組解碼為0～255的值，以求其適應(yīng)度值，適應(yīng)度函數(shù)用式（6）計(jì)算。選擇階段先采用精英算法，再采用輪盤賭算法進(jìn)行個(gè)體選擇。假設(shè)群體的個(gè)體總數(shù)是n， f（xi）為個(gè)體xi的適應(yīng)度，則一個(gè)體被選中的概率為：

p（xi）=f（xi）nj=1f（xj） （8）

以np（xi）為下一代個(gè)體的數(shù)目。適應(yīng)度高的個(gè)體繁殖下一代的數(shù)目多，適應(yīng)度低的個(gè)體繁殖下一代數(shù)目少甚至被淘汰。由此產(chǎn)生對環(huán)境適應(yīng)能力較強(qiáng)的后代，即選擇出了與最優(yōu)解接近的中間解。交叉采用改進(jìn)的交叉算子，當(dāng)代數(shù)低于20時(shí)交叉概率取0.8，當(dāng)代數(shù)高于20時(shí)，交叉概率取0.6；當(dāng)代數(shù)大于30小于50時(shí)，變異概率取0.03，否則取0.02。當(dāng)最優(yōu)個(gè)體的適應(yīng)度和群體適應(yīng)度不再上升或當(dāng)算法執(zhí)行到最大代數(shù)時(shí)，算法停止。此時(shí)具有最高適應(yīng)度值的個(gè)體即為分割閾值。

基于GA-KSW熵法的黃瓜葉部角斑病病斑分割過程如下：首先對預(yù)處理后的b*通道圖像采用大津閾值法進(jìn)行初分割，消除大部分背景和噪聲，同時(shí)保留病斑。用二值圖像對原彩色圖像進(jìn)行掩膜運(yùn)算，將得到的彩色圖像轉(zhuǎn)到灰度空間，用基于遺傳算法改進(jìn)的最佳直方圖熵閾值分割法對其進(jìn)行分割，得到病斑的二值圖像，最后將得到的病斑二值圖像在原圖中標(biāo)記出來（圖4）。

2病斑的密度計(jì)算

2.1葉片面積計(jì)算

對有背景噪聲的葉片圖像，須先將葉片從背景中分離出來并計(jì)算葉片面積，后才能統(tǒng)計(jì)病斑密度。首先對含病害葉片圖像利用canny算子進(jìn)行邊緣提取，結(jié)果如圖5所示。對其進(jìn)行閉運(yùn)算，使得各個(gè)邊緣部分的像素點(diǎn)連通；利用面積法去掉多余像素點(diǎn)；再用閉運(yùn)算和腐蝕使得葉片邊界更加平滑，最終得到葉片的二值圖像如圖6所示。

2.2病斑面積計(jì)算

由圖4（c）可見，得到的病斑中混淆了較多葉片邊緣點(diǎn)，需要去除。先利用餅狀結(jié)構(gòu)元素進(jìn)行形態(tài)學(xué)膨脹，使相鄰像素點(diǎn)連接起來，膨脹后的結(jié)果如圖7所示。再利用面積法去掉面積小邊緣亮斑。再對二值圖像中孔洞進(jìn)行填充，最后用膨脹使未連通的細(xì)小區(qū)域相互連通，得到的結(jié)果病斑的二值圖像如圖8所示。利用二值圖像對原彩色圖像掩膜得到完整的病斑分割圖像如圖9所示。由圖9可見，葉片邊緣的光斑被過濾，得到了較完整病斑圖像。

2.3密度計(jì)算

以像素點(diǎn)數(shù)M作為葉片面積。用病斑分割的二值圖像的目標(biāo)像素點(diǎn)數(shù)N作為病斑面積，則病斑密度的計(jì)算式為：

ρ=NM （9）

安徽農(nóng)業(yè)科學(xué)2017年

3結(jié)果與分析

為檢驗(yàn)提出算法的性能，對3幅黃瓜葉片角斑病病斑進(jìn)行分割和密度計(jì)算。作為對比，同時(shí)對試驗(yàn)樣本采用方格板法計(jì)算密度。將樣本置于透明方格板下方，計(jì)算葉片所占方格數(shù)。每個(gè)方格為1 cm2，葉片邊緣超過半格的計(jì)為1格，不足半格舍去。病斑面積過小的，將局部病斑圖片進(jìn)行10倍放大，得到放大病斑面積后再縮小10倍，得到病斑實(shí)際面積。病斑密度統(tǒng)計(jì)結(jié)果如表1所示。

由表1可見，該文方法所計(jì)算的病斑密度與方格法的計(jì)算結(jié)果非常接近，絕對差在大約2百分點(diǎn)以下。另外，對10幅病斑圖像進(jìn)行試驗(yàn)，結(jié)果表明，方格法密度計(jì)算算法得到的平均密度為7.12%，該文算法統(tǒng)計(jì)得到病斑的密度為6.51%，絕對差為0.52%。表明提出的方法具有較高的精度。與方格法相比，該文算法計(jì)算的密度偏小，這是由于利用面積法去掉葉片邊緣像素點(diǎn)時(shí)，一些面積較小的病斑也被去掉。

統(tǒng)計(jì)3幅圖片的最佳閾值搜索時(shí)間。分別用普通KSW熵法和基于遺傳算法改進(jìn)的KSW熵法尋找最佳閾值的時(shí)間如表2所示。

由表2可見，與普通的KSW熵法相比，基于遺傳算法改進(jìn)的最佳直方圖熵閾值分割法大大縮短了尋找最佳閾值的時(shí)間，縮短比在40%以上。

4結(jié)論

針對黃瓜角斑病病斑分割和密度統(tǒng)計(jì)問題，采用遺傳算法改進(jìn)最佳直方圖熵閾值獲取方法、邊緣檢測和大津閾值法對病斑圖像在2個(gè)顏色空間下進(jìn)行分割。結(jié)合數(shù)學(xué)形態(tài)學(xué)處理，計(jì)算病斑像素?cái)?shù)；采用canny算子邊緣檢測和圖形學(xué)方法計(jì)算葉片面積，最終得到角斑病病斑密度。試驗(yàn)結(jié)果表明，所提出的方法可提取出較完整的黃瓜葉部角斑病病斑，10幅圖像的密度與手動(dòng)計(jì)算結(jié)果絕對差平均為0.52百分點(diǎn)，同時(shí)大大縮短了KSW熵法尋找最佳閾值的時(shí)間，使病斑的閾值選取更為精確。

該研究方法雖能較快速準(zhǔn)確地分割病斑，但仍然不能完全濾掉光照和背景噪聲。由于提取出完整病斑的同時(shí)過濾掉了極小的病斑，因此在計(jì)算病斑密度的時(shí)候?qū)е陆Y(jié)果偏小，需在后續(xù)研究中進(jìn)一步改進(jìn)。

參考文獻(xiàn)

[1]

趙文俊.大棚黃瓜細(xì)菌性角斑病癥狀識別與防治[J].農(nóng)民致富之友，2017（11）：56.

[2] 張晴晴， 張?jiān)讫垼?齊國紅.基于最大類間方差法的黃瓜病害葉片分割[J].安徽農(nóng)業(yè)科學(xué)， 2017， 45（12）：193-195.

[3] 袁媛， 陳雷， 吳娜，等.水稻紋枯病圖像識別處理方法研究[J].農(nóng)機(jī)化研究， 2016， 38（6）：84-87.

[4] 胡維煒， 張武， 劉連忠，等.利用圖像處理技術(shù)計(jì)算大豆葉片相對病斑面積[J].江蘇農(nóng)業(yè)學(xué)報(bào)， 2016， 32（4）：774-779.

[5] 馬浚誠， 溫皓杰， 李鑫星，等.基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2017， 48（2）：195-202.

[6] 葛婧， 邵陸壽， 丁克堅(jiān)，等.玉米小斑病病害程度圖像檢測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2008， 39（1）：114-117.

[7] 田有文， 鄭鵬輝， 許童羽，等.基于安卓的黃瓜葉部病害程度檢測系統(tǒng)的研發(fā)[J].計(jì)算機(jī)工程與設(shè)計(jì)， 2016， 37（5）：1411-1416.

[8] 李冠林， 馬占鴻， 王海光.基于圖像處理的葡萄霜霉病單葉嚴(yán)重度自動(dòng)分級方法[J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2011， 16（6）：88-93.

[9] 關(guān)輝， 張長利， 張春媛.基于圖像處理的黃瓜葉片病斑分級方法的研究[J].農(nóng)機(jī)化研究， 2010， 32（3）：94-97.

[10] 李學(xué)俊， 趙禮良.扁豆病害葉片的病斑剝離分割[J].計(jì)算機(jī)工程與應(yīng)用， 2014， 50（23）：181-184.

[11] KAPUR J N，SAHOO P K，WONG A K C.A new method for graylevel picture thresholding using the entropy of the histogram[J].Computer vision， graphics， and image processing， 1985， 29（3）： 273-285.