基于改進K中值聚類的蘋果病害葉片分割方法

張善文+張晴晴+齊國紅+周偉

摘要：針對復(fù)雜背景下的蘋果病害葉片分割問題，提出一種基于改進的K均值聚類的蘋果病害葉片病斑分割方法。首先將原始葉片圖像由RGB（R為紅，G為綠，B為藍(lán)）顏色空間轉(zhuǎn)換到Lab（L為亮度，a為從洋紅色至綠色的范圍，b為從黃色至藍(lán)色的范圍）顏色空間，然后在Lab顏色空間中利用ab二維數(shù)據(jù)空間的顏色差異，以歐式距離度量像素間的相似度，使用K均值對圖像進行聚類，利用數(shù)學(xué)形態(tài)學(xué)中的開閉交替濾波方法對聚類后的灰度圖像進行校正，最后得到圖像病斑。對3種常見蘋果病害葉片圖像進行分割，并與其他分割方法進行比較。結(jié)果表明，該方法效果好，其誤分率為8.41%。

關(guān)鍵詞：K均值聚類；蘋果病害葉片圖像；病斑分割；改進的K中值聚類

中圖分類號： TP391.41 文獻標(biāo)志碼： A 文章編號：1002-1302（2017）18-0205-03

收稿日期：2016-04-07

基金項目：國家自然科學(xué)基金（編號：61473237）；河南省教育廳自然科學(xué)基礎(chǔ)研究計劃（編號：15A520101）；河南省科技攻關(guān)計劃（編號：152102310368）。

作者簡介：張善文（1965—），男，陜西西安人，博士，教授，主要從事植物病害葉片圖像處理及病害識別方法等研究。E-mail：wjdw716@163.com。 蘋果是我國主要的水果作物之一。近年來，由于環(huán)境變化、不科學(xué)施肥和盲目使用農(nóng)藥等原因，使蘋果病害越來越普遍[1]，其中，蘋果銹病、斑點落葉病和花葉病等都是典型的葉部病害。葉部病害嚴(yán)重影響了蘋果的產(chǎn)量和質(zhì)量，給果農(nóng)造成了嚴(yán)重的經(jīng)濟損失。傳統(tǒng)的蘋果葉部病害檢測識別方法依賴于個人的經(jīng)驗肉眼觀察，費時費力，不適合大面積果園的病害管理[2]。隨著計算機圖像處理和模式識別技術(shù)的發(fā)展，運用農(nóng)業(yè)物聯(lián)網(wǎng)和葉片圖像識別技術(shù)能夠有效、快速地發(fā)現(xiàn)并診斷蘋果病害，以便采取最有效的防治方法減少植物病害損失[3-5]。植物葉片病斑圖像分割一直是植物病害識別中的一個重要過程，也是目前復(fù)雜圖像處理中的一個重要研究方向，病斑的分割精度直接影響后續(xù)特征提取的可靠性、病害識別的準(zhǔn)確性和后期病害識別算法的識別率[6-7]。最大類間方差法（Otsu）是一種簡單有效、分割效果較好、適用范圍較廣的圖像閾值分割方法，該方法不受圖像亮度和對比度的影響，已被廣泛應(yīng)用于植物病害葉片圖像分割中。張善文等提出了1種基于Otsu算法的植物病害葉片圖像分割方法[8]?；约t等提出了1種利用圖像變換得到圖像特征向量的方法，該方法利用了隸屬關(guān)系區(qū)分目標(biāo)和背景[9]。趙瑤池等在虎曉紅等研究[9]的基礎(chǔ)上，提出了1種基于對數(shù)相似度約束Otsu的自然場景病害果實圖像分割方法，該方法利用統(tǒng)計方法建立目標(biāo)顏色概率統(tǒng)計模型，再進行約束Otsu聚類，得到基于病斑區(qū)域的分割結(jié)果，最后結(jié)合橢圓擬合與改進的距離規(guī)則水平集演化活動輪廓[10]。Chen等提出了1種基于目標(biāo)檢測的病斑圖像分割方法，該方法對提取的結(jié)構(gòu)特征和顏色特征首先進行整合并對特征空間進行量化，得到作物病害葉片圖像的顯著區(qū)域，再利用模糊檢測進一步過濾背景和模糊區(qū)域的圖像，該方法不需要去除復(fù)雜背景就可得到病斑區(qū)域[11]。張武等針對復(fù)雜背景下蘋果葉部病害圖像分割難題，提出了1種結(jié)合K均值聚類和Otsu閾值法等多種方法的分割策略[12]。K均值聚類是另一種簡單、有效的圖像分割方法[13-15]。周世兵等提出了1種基于遞增思想的聚類算法的全局K均值聚類算法，該算法由前k-1個簇的最佳初始中心，通過反復(fù)計算運行K均值聚類算法來確定第k個簇的最佳聚類中心[16]。吳曉蓉使用最大與最小距離算法確定初始聚類中心，取盡可能遠(yuǎn)的對象作為聚類中心，避免了初值選取時可能出現(xiàn)的初始聚類中心過于鄰近的問題[17]。賴玉霞等提出了1種基于遺傳算法的K均值聚類，在自適應(yīng)交叉和變異概率的遺傳算法中引入K均值，克服了K均值算法對初始中心的敏感性[18]。采用K均值算法對蘋果病害葉片圖像進行聚類運算，可以實現(xiàn)葉片病斑圖像分割。由于在大田自然環(huán)境中，蘋果病害葉片圖像結(jié)構(gòu)和成分復(fù)雜、色彩不均勻、病斑邊界的不確定以及不同病斑的相互重疊等特性，特別是病斑圖像變化多樣，使得很多經(jīng)典的圖像分割方法在分割病斑圖像時的效果往往不理想，還有很多分割方法存在邊緣不連續(xù)或圖像邊緣過粗等缺點，使得后續(xù)提取的特征不準(zhǔn)確。至今還沒有一種良好的通用性分割算法能夠完全解決各種作物病害葉片圖像分割問題。本研究在K均值聚類方法的基礎(chǔ)上，提出了1種改進的K均值聚類的蘋果病害病斑圖像分割方法。該方法能夠較準(zhǔn)確地實現(xiàn)復(fù)雜背景下的蘋果葉部病害圖像分割，為復(fù)雜背景下的病害葉部病害識別系統(tǒng)提供了有效的技術(shù)支持，也為其他作物的病害葉片圖像分割提供了參考。

1 改進的快速全局K中值聚類

K均值聚類算法是通過迭代尋找最優(yōu)劃分的過程，該方法被廣泛應(yīng)用于圖像分割中。若要將圖像分為k個類別，首先選擇k個類的初始劃分，計算這些類的均值向量，然后根據(jù)歐式距離把剩余的每個樣本分配到距離它最近類均值向量的一個劃分，再重新計算被分配到每個類的樣本的均值向量，作為新的類質(zhì)心，重復(fù)這一過程直到均值向量μ收斂為止。本研究在K均值聚類算法的基礎(chǔ)上，提出1種改進的K中值聚類算法。與經(jīng)典的K均值聚類算法的主要區(qū)別在于本研究的方法采用中值聚類中心。該方法應(yīng)用于病害葉片圖像分割的實現(xiàn)步驟如下：

（1）初始化。給定一幅病害葉片的灰度圖像，第i個像素點的灰度記為g（i），i=1，2，…，n。計算圖像的直方圖，利用直方圖的k個峰值a0，a1，…，ak將圖像劃分為k部分。若圖像的直方圖的峰區(qū)分不明顯，可以等間隔地將圖像劃分為k部分。計算每個部分中的所有像素的中值，作為圖像分割前的聚類中心Z（0）1，Z（0）2，…，Z（0）k：

（2）按最小距離準(zhǔn)則，將所有像素點劃分為k類：若 Z（0）j

（3）計算每一類中所有像素的中值，作為圖像第1次分割的聚類中心Z（1）1，Z（1）2，…，Z（1）k：

得到第1次聚類中心[Z（1）1，Z（1）2，…，Z（1）k]。以[Z（1）1，Z（1）2，…，Z（1）k]為新的聚類中心，逐個重新將所有像素點按最小距離準(zhǔn)則分配給k個新聚類中心中的某一個Z（1）j對應(yīng)的類。

（4）若Z（k+1）j≠Z（k）j（j=1，2，…，k）則返回（2），將樣本空間數(shù)據(jù)集逐個重新分類，重復(fù)迭代運算；若Z（k+1）j=Z（k）j，j=1，2，…，k，則算法收斂，迭代運算結(jié)束。

在實際應(yīng)用中，很難達到Z（k+1）j=Z（k）j（j=1，2，…，k），所以當(dāng)max[Z（k+1）j-Z（k）j]

2 選擇葉片圖像聚類色彩空間

病害葉片圖像分割常用的顏色空間主要有RGB、HSV（H為色調(diào)，S為飽和度，V為明度）、HSI（H為色調(diào)，S為飽和度，I為強度）、Lab等顏色空間模式。本研究由農(nóng)業(yè)物聯(lián)網(wǎng)獲得的植物病害葉片圖像為RGB顏色圖像。植物葉片圖像病斑與背景的顏色區(qū)別明顯，根據(jù)不同的顏色塊進行聚類從而完成病斑圖像分割。Lab顏色空間用于計算機色調(diào)調(diào)整和彩色校正[19]，它可以獨立地實現(xiàn)設(shè)備的彩色模型，生成模型所需要的特定顏色可以直接通過使用顏色空間內(nèi)的幾何距離進行不同顏色之間的比較分析，可以有效、方便地用在測量較小的色差上。人的肉眼可感知的色彩，都能通過Lab顏色空間表現(xiàn)出來。該顏色空間彌補了RGB色彩模型色彩分布不均勻等不足，所以在病害葉片圖像分割中，Lab顏色空間要優(yōu)于RGB顏色空間，可以依據(jù)不同的顏色塊來進行聚類[20]。

圖像不能直接由RGB顏色空間轉(zhuǎn)換到Lab顏色空間，需要先將RGB顏色空間轉(zhuǎn)換到XYZ顏色空間，再由XYZ顏色空間轉(zhuǎn)換至Lab顏色空間，轉(zhuǎn)換公式如下

7.787t+16/116，t≤0.008 856；X0、Y0、Z0分別表示X、Y、Z對應(yīng)的參考點。

在Lab顏色空間中，所有的病害顏色信息都包含在a、b分量中。分析病害葉片圖像可以看出，有病斑目標(biāo)區(qū)域在背景顏色上存在著明顯的差異，表明可以根據(jù)不同的顏色差異對圖像進行聚類。

3 結(jié)果與分析

在MATLAB 2012b平臺上，將本研究提出的病害葉片圖像分割算法應(yīng)用于蘋果病害葉片圖像分割中。隨機選擇3種常見的蘋果病害（銹病、斑點落葉病、花葉?。┑?幅葉片圖像（圖1-a）作為試驗對象。將原始圖像從RGB顏色空間轉(zhuǎn)換到Lab顏色空間，利用a、b顏色分量對圖像顏色聚類，采用歐式距離量度衡量像素之間的相似性，并利用誤差平方和準(zhǔn)則函數(shù)決定算法是否收斂。聚類分割后的病斑圖像再使用開閉交替濾波算法，濾除毛刺和小的孤立點，平滑目標(biāo)輪廓，得到病斑圖像。圖1-b為蘋果病害葉片的Lab顏色空間圖像。由于葉片與背景區(qū)域顏色對比比較明顯，因此直接對彩色圖像進行分割可以達到較好的分割效果，不需要進行開閉交替濾波算法就能得到較清晰的病斑圖像（圖1-c）。

為了表明本研究算法的有效性，同時采用基于H分量直方圖分割和主動輪廓（C_V模型）分割方法，得到復(fù)雜背景下的蘋果病害葉片聚類分割的病斑圖像。由圖2可知，本研究的K中值聚類具有較好的聚類分割效果，本研究聚類分割算法的原理也可以證明這一點。由于K均值聚類分割的初始中心是隨機選擇的，可能導(dǎo)致其聚類分割過程比較費時，甚至分割結(jié)果不正確。

由圖1和圖2的分割結(jié)果可以看出，本研究的方法能夠較好地將病斑分割出來。雖然基于H分量直方圖分割和主動輪廓（C_V模型）的方法也能分割出病斑，但當(dāng)病斑圖像存在孔洞情況時，分割效果不理想，可能影響后續(xù)的特征提取和病害識別效果，仍需要改進。

利用公式（6）計算不同算法的病斑圖像誤分率：

病斑圖像與背景和正常的葉片分割開來，已經(jīng)成為作物病害葉片圖像分析與病害識別領(lǐng)域亟待解決的實際問題。本研究在K均值聚類算法的基礎(chǔ)上，提出1種改進的K均值聚類的蘋果病害葉片圖像分割算法。通過使用快速全局K中值聚類，解決了經(jīng)典K均值聚類算法的初始聚類中心點隨機選擇而導(dǎo)致聚類結(jié)果可能不正確、算法費時等問題，并消除了噪聲對聚類結(jié)果的影響。試驗結(jié)果表明，本研究提出的方法提高了蘋果病害葉片圖像分割的準(zhǔn)確性，能夠有效、快速地發(fā)現(xiàn)并診斷蘋果病害。

參考文獻：

[1]姜 猛，王 軍，王志軍，等. 蘋果樹病蟲害決策支持系統(tǒng)研究與集成[J]. 山東農(nóng)業(yè)科學(xué)，2015，47（6）：129-133.

[2]Gui J S，Hao L，Zhang Q，et al. A new method for soybean leaf disease detection based on modified salient regions[J]. International Journal of Multimedia and Ubiquitous Engineering，2015，10（6）：45-52.

[3]Cubero S，Aleixos N，Moltó E，et al. Advances in machine vision applications for automatic inspection and quality evaluation of fruits and vegetables[J]. Food and Bioprocess Technology，2011，4（4）：487-504.

[4]穆亞梅，馬國俊. 基于物聯(lián)網(wǎng)的蘋果樹病蟲防治專家系統(tǒng)的設(shè)計與應(yīng)用[J]. 自動化與儀器儀表，2012（5）：89-90.

[5]王文山，柳平增，臧官勝，等. 基于物聯(lián)網(wǎng)的果園環(huán)境信息監(jiān)測系統(tǒng)的設(shè)計[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2012，43（2）：239-243.endprint

[6]李宗儒，何東健. 基于手機拍攝圖像分析的蘋果病害識別技術(shù)研究[J]. 計算機工程與設(shè)計，2010，31（13）：3051-3053.

[7]胡 林，周國民，丘 耘，等. 蘋果樹圖像分割算法研究綜述[J]. 中國農(nóng)業(yè)科技導(dǎo)報，2015，17（2）：100-108.

[8]張善文，張云龍，尚怡君. 1種基于Otsu算法的植物病害葉片圖像分割方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（4）：337-339.

[9]虎曉紅，李炳軍，席 磊. 基于多示例圖的小麥葉部病害分割方法[J]. 農(nóng)業(yè)工程學(xué)報，2012，28（13）：154-159.

[10]趙瑤池，胡祝華. 基于對數(shù)相似度約束Otsu的自然場景病害果實圖像分割[J]. 農(nóng)業(yè)機械學(xué)報，2015，46（11）：9-15.

[11]Chen L，Yuan Y，Wu N，et al. Segmentation for low depth of field crop disease images based on saliency and blurred detection[J]. Transactions of the Chinese Society of Agricultural Engineering，2015，31（S2）：145-151.

[12]張 武，黃 帥，汪京京，等. 復(fù)雜背景下小麥葉部病害圖像分割方法研究[J]. 計算機工程與科學(xué)，2015，37（7）：1349-1354.

[13]朱景福，李 雪. 聚類算法在玉米葉片病斑降維識別中的應(yīng)用[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（1）：405-406.

[14]張星龍，馮 全，楊 梅，等. 基于光源不變圖和聚類算法的葉片陰影中病斑的分割[J]. 西北農(nóng)林科技大學(xué)學(xué)報（自然科學(xué)版），2015，43（10）：189-194.

[15]Likas A，Vlassis M，Verbeek J. The global K-means clustering algorithm[J]. Pattern Recognition，2003，36（2）：451-461.

[16]周世兵，徐振源，唐旭清. 新的K均值算法最佳聚類數(shù)確定方法[J]. 計算機工程與應(yīng)用，2010，46（16）：27-31.

[17]吳曉蓉. K均值聚類算法初始中心選取相關(guān)問題的研究[D]. 長沙：湖南大學(xué)，2008.

[18]賴玉霞，劉建平，楊國興. 基于遺傳算法的K均值聚類分析[J]. 計算機工程，2008，34（20）：200-202.

[19]李 莎，錢建平，趙春江，等. 不同顏色模型識別成熟蘋果圖像的比較分析[J]. 計算機工程與設(shè)計，2015，36（6）：1545-1550.

[20]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.張曉明，鮑安紅，謝守勇，等. 基于Fluent的文丘里管結(jié)構(gòu)參數(shù)對吸肥性能的影響[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（18）：208-210.endprint