基于高斯混合模型的葉片檢測分割算法

侯兆靜 馮 全 張 濤

(甘肅農(nóng)業(yè)大學(xué)機電工程學(xué)院 甘肅 蘭州 730070)

0 引 言

在農(nóng)業(yè)領(lǐng)域，利用圖像處理和機器視覺對作物的生長狀態(tài)、病蟲害進行監(jiān)測、識別，已經(jīng)越來越流行。要完成這些任務(wù)，通常要在圖像中準確分割出作物的葉片區(qū)域，以便在葉片區(qū)域進行后續(xù)其他處理，如測量葉片面積、檢測是否有病斑等。圖像分割是圖像識別過程中關(guān)鍵的一步，決定了后續(xù)識別是否成功。對于大田作物葉片的分割，面臨來自葉片類內(nèi)劇烈變化和復(fù)雜背景兩個方面的挑戰(zhàn)。類內(nèi)影響主要有：(1) 由于光照在一天內(nèi)變化劇烈，從早到晚，圖像中同一葉片的顏色、灰度值等變化劇烈[1]；(2) 監(jiān)控圖像中，既有正常葉片，也有非正常葉片(如葉片上有各種病斑)；(3) 有些葉片處于陰影區(qū)，有些則處于光照區(qū)，也會出現(xiàn)一張葉片的不同區(qū)域處于陰影和光照區(qū)。復(fù)雜背景則包括雜草、泥土、作物果實、莖稈、藤、套袋、塑料膜等。對于作物葉片分割，研究者已經(jīng)提出了許多方法，主要包括閾值、區(qū)域、邊緣檢測、聚類、水平集、分形、神經(jīng)網(wǎng)絡(luò)等[2-12]。這些方法中，大多處理對象限于單葉片圖像，對圖像采集時間、角度、距離、背景等有嚴格要求。此外大部分算法在實際分割過程中需要人工參與，不能自動完成分割任務(wù)。雖然文獻[12]實現(xiàn)了分割的全程自動化，但是只能處理特定類型葉片圖像(純綠色且表面較為光滑、無病斑)。

本文試圖解決現(xiàn)有葉片分割算法存在的問題，提出一種能適應(yīng)多種情形，分割過程完全自動化的葉片分割方法，為此引入了機器視覺中的目標檢測技術(shù)。目標檢測技術(shù)以一幅圖像為輸入，輸出通常為若干方框，即邊界盒，邊界盒內(nèi)包含識別出的目標。根據(jù)直觀觀察，一個好的目標檢測算法輸出的邊界盒可以將目標緊湊地框出，從而為分割提供很好的初始值。在對葉片分割之前，我們首先用多張各種類型葉片圖像樣本訓(xùn)練葉片檢測器；在實際分割時，用訓(xùn)練好的葉片檢測器在一幅圖像中檢測出葉片的大體位置和范圍，在這些范圍內(nèi)對分割特征采樣，由采樣點作為種子構(gòu)造出葉片特征的混合高斯模型，采用馬爾科夫隨機場中能量最小化的方法對整幅圖像的葉片區(qū)域進行分割，圖1給出了本方法流程圖。我們以葡萄葉片作為分割對象，實驗表明，本方法能較好解決復(fù)雜背景和多種病斑葉片的自動分割問題。

圖1 本分割方法的流程圖

1 葉片檢測算法

文獻[14]采用滑動窗口檢測方式，通過構(gòu)建尺度金字塔在各個尺度搜索，在一個窗口上用HOG特征和SVM分類器判斷是否有葡萄葉片。這種方法對于視角較正的葉片檢測效果較高。但沒有解決多視角問題、葉片姿態(tài)不正，以及葉片因病斑導(dǎo)致的表面變化很大時的檢測問題。葡萄葉片基本呈心形，觀察葉片圖像，不同視角下葉片形狀變化較大，但其各子區(qū)域相對于中心位置通常不會出現(xiàn)明顯偏移(形變小)。故本文采用了多個子線性分類器對不同視角、不同外觀的葡萄葉片分類，不同視角的葉片可以看成不同子類，外觀相差很大的葉片也可看成不同子類。檢測過程采用滑動窗口和多尺度模式[14]。

1.1 無監(jiān)督子類分類器的訓(xùn)練

1.1.1 基本分類器的優(yōu)化問題

假設(shè)有已經(jīng)標識的n個訓(xùn)練圖像樣本I={(I1,l1),…,(Ii,li),…,(In,ln)}，其中l(wèi)i∈{-1,1}。我們的目標是從這些樣本訓(xùn)練出一組KC個子分類器，將正負葉片樣本區(qū)分開來，其中每個分類器在訓(xùn)練集的不同子集上訓(xùn)練。這要求將正樣本聚成KC個子類，為每個子類訓(xùn)練一個子分類器。如何將正的訓(xùn)練樣本分配到每個子集的問題由隱變量x來建模，則分類問題可以表示為如下latent SVM的優(yōu)化問題：

(1)

li·si,xi≥1 -εi,εi≥0

(2)

(3)

si,j=ωj·φj(Ii)+bj

(4)

式中：‖a‖表示對a取L2范數(shù)，ε為松弛變量，si,j為第i個樣本在第j個子分類器的得分，ωj為第j個子類的決策面，φj表示圖像特征，本文采用HOG特征，bj為第j個子分類器的偏置。由于這個優(yōu)化問題是半凸的，分類器參數(shù)ωj和隱變量xi可以用文獻[15]中求解latent SVM的迭代法獲得。

1.1.2 歸一化后優(yōu)化問題

觀察上述優(yōu)化問題發(fā)現(xiàn)，上述KC個子分類器只在式(3)才有真正的耦合，即在分配正負樣本給不同子集時。故實際上各個子分類器的學(xué)習(xí)還是獨立的。由于不同子集數(shù)據(jù)分布不同，每個子分類器的輸出得分并不在一個基準上，這可能造成有些實際分類效果好的分類器輸出得分不一定高，有些差分類器卻輸出較高得分，這可以通過對每個子分類器的輸出得分進行歸一化來解決。我們采用文獻[16]的方法，將第j個子分類器對第i個樣本的得分si,j通過sigmoid函數(shù)轉(zhuǎn)換成可以彼此比較的得分分布：

(5)

(6)

式中：Aj和Bj是從下列l(wèi)ogistic損失函數(shù)Lj中學(xué)到的參數(shù)：

(7)

式中：ti=|Wi,j∩Wi|/|Wi,j∪Wi|，ti∈[0,1]，Wi為第i個樣本的人工標出的邊界盒，Wi,j為第j個子分類器對第i個樣本預(yù)測的邊界盒。

故經(jīng)過校準，最終的KC個子分類器的參數(shù)優(yōu)化問題變?yōu)閷κ?1)、式(2)、式(4)、式(5)、式(6)和式(7)的優(yōu)化，仍然可以采用文獻[15]的迭代法解決。

1.1.3 子集的初始化

多個線性子分類器擬合非線性分類器成功的關(guān)鍵之一是要生成對應(yīng)的多個初始子集，這可以采用人工方法完成，即一開始由人工根據(jù)子集數(shù)量KC，將視覺上比較接近的樣本放入同一個子集合中。但這種方法在樣本較多時比較費時費力，我們采用了無監(jiān)督的聚類方法自動完成：計算所有正樣本的特征，用K-means聚類算法將所有正樣本劃分成KC個子集。子集初始化時采用HOG特征，與實際葉片檢測時所用特征一致。

1.2 特征與檢測

本文中，葡萄葉片的檢測特征采用HOG特征。HOG的核心思想是假定所檢測的物體外形能夠被光強梯度或邊緣方向的分布所描述[17]。通過將整幅圖像分割成小的連接區(qū)域(稱為cells)，每個cell生成一個方向梯度直方圖或者cell中像素的邊緣方向，這些直方圖的組合可作為待檢測目標的描述子。通過Gammar校正，HOG特征具有很好的照射/陰影不變性。HOG特征在目標檢測中得到了廣泛的應(yīng)用，如經(jīng)典的DPM方法就采用了HOG特征。

上述多子類分類器訓(xùn)練完成后，我們采用多尺度窗口掃描方式在一幅圖像檢測葡萄葉片。每個檢測結(jié)果定義為返回的一個邊界盒和相應(yīng)的得分。檢測的基本過程如下：(1) 在每個尺度上的每個掃描窗口中，首先逐個用每個子分類器計算窗口的得分，得分越高，是葉片的可能性越高。(2) 保留得分高于某個閾值的檢測結(jié)果，其余丟棄。(3) 對每個子分類器產(chǎn)生的多個重疊窗口用非極大值抑制，只保留得分最高的窗口。(4) 對于每個子分類器的檢測得分，用從訓(xùn)練樣本中學(xué)習(xí)得到Aj和Bj和式(5)進行校準。(5) 對于多個子分類器的重疊窗口，仍然采用非極大值抑制，保留最高得分窗口。(6) 輸出得分高于一定閾值的窗口作為葉片目標的邊界盒。

2 基于高斯混合模型和馬爾科夫隨機場的葉片分割

上述基于HOG特征的葉片檢測利用了葉片的外觀和形狀邊緣信息，形狀信息是先驗知識，研究表明：構(gòu)造自頂而下分割框架是提高分割精度的有效策略[18-19]。近年來，用基于馬爾科夫隨機場(MRF)的能量方程對像素以及相鄰關(guān)系建模，再用圖割最小化能量方程，被證明是一種高效的底層分割方法[20-21]，它只需要像素的底層信息。但這類方法通常需要人機交互來獲得目標和背景種子。本文的分割策略是將這兩種方法結(jié)合起來，用形狀先驗知識檢測葉片大體區(qū)域，再用圖割法分割葉片，將先驗知識和底層信息有效的結(jié)合起來。

2.1 像素模型

設(shè)圖像由RGB顏色空間的像素組成，我們采用高斯混合模型(GMM)對一幅圖像中葉片目標和背景分布建模。高斯分布被廣泛用于圖像處理領(lǐng)域?qū)μ卣鞣植歼M行建模，對于多維特征變量v，它具有如下形式：

(8)

式中：參數(shù)μ和Σ分別為均值和協(xié)方差矩陣，本文采用彩色圖像，則v=[R,G,B]。

而GMM模型認為數(shù)據(jù)由若干個高斯分布組合生成，即：

(9)

2.2 MRF中的能量方程

記圖像I={v1,…,vi,…,vN}，N為I中的像素數(shù)量，以及圖像的二元標簽S={s1,…,si,…,sN}，si∈{0,1}，其中0表示背景，1表示前景。本文將葉片分割視為MRF中二元標記問題，分割就變成了對圖像的每個像素分配最優(yōu)0-1標簽的過程。

首先建立能量方程：

(10)

式中：第一項為數(shù)據(jù)項，表示單個像素的能量；第二項為平滑項，與相鄰像素有關(guān)，N表示像素鄰域；λ為常數(shù)，用于調(diào)整平滑項的權(quán)重。數(shù)據(jù)項能量按下式計算：

(11)

式中：si∈{0,1}，lmax為Θ{0,1}中使vi概率最大的那個高斯核。數(shù)據(jù)項取像素特征概率的負對數(shù)，概率越小則對能量懲罰越大。

根據(jù)MRF的性質(zhì)，相鄰的像素應(yīng)盡量賦予相同的標簽，能量平滑項就是用來懲罰相鄰像素標簽的非連續(xù)性；本文采用文獻[21]的方法：

(12)

式中：β=(2<(vi-vj)2>)-1，表示在一幅圖像關(guān)于a求期望值；[b]表示當條件b為真時取1，否則取0；‖c‖表示對c取L2范數(shù)。

2.3 能量方程的求解

采用第1節(jié)的方法在一幅圖像中檢測葉片時，邊界盒能提供葉片的較為精確位置信息，特別是在邊界盒的中間區(qū)域是葉片的概率極高，但是邊界盒中也有部分背景像素，尤其是在邊界盒的四周。初始階段，我們?nèi)∷羞吔绾兄虚g區(qū)域的并集A中像素特征的概率分布地代表整個葉片的分布。對A中像素，對其特征v用GMM建模。一般情況下，可以用期望值最大算法(EM)計算GMM參數(shù)，這種方法雖然精確，但計算速度較慢。本文采用精度略低但速度更快的K-means聚類方法估計GMM參數(shù)，而且這種方法能同時得到初始的像素標簽(算法1之步驟1、2)。

由于自然狀態(tài)下，葉片是比較稠密的，監(jiān)控攝像頭拍攝的圖像通常包含多張葉片，而葉片檢測算法并不能將所有葉片框出來，背景中有葉片成分，此外圖像中也遠處常有細碎葉片。在對背景建模時，這些葉片信息混雜在背景中，使得Θ0出現(xiàn)“失真”，可能導(dǎo)致分割結(jié)果出現(xiàn)一些錯誤。為了讓初始的Θ0比較“純”，在算法1之步驟3中，我們將Θ0中與Θ1中幾個主要成分進行比較，刪除背景中與葉片最相似的幾個成分。這里我們采用了一種簡單方法：直接比較兩者高斯核均值的距離。在刪除Θ0中幾個高斯成分后，將初始背景中貼有這幾個被刪除成分標簽的像素踢出背景，對所剩背景像素重新用K-means算法進行聚類，并更新Θ0(步驟4)。

算法1之步驟5-步驟10迭代地求解能量方程式(10)，直至能量E收斂。每次迭代后，用新分割后的目標和背景區(qū)域更新Θ1與Θ0。步驟8的作用有兩個：(1) 限制圖像中一些細碎葉片被分割出來，這些葉片由于太小，很難對其進行測量和識別；但它們的RGB特征與前景中大葉片相同(相似)，分割時可能會被分割出來。本文設(shè)定閾值T，只有面積超過T的連通區(qū)域才會被標為前景，否則置為背景。(2) 如果葉片上有病斑等與正常葉片相差較大，但又沒有處于邊界盒中間區(qū)域，則可能被貼上背景標簽，對這些處于目標包圍的背景，本文進行孔洞填補

算法1：

輸入：一幅葉片圖像I和由檢測算法檢出的邊界盒

1: 取出區(qū)域A的所有像素Df，對其特征v用K-means聚類，并賦予Df中每個像素以聚類標簽，聚類數(shù)量為Kf；并分別對貼有相同標簽的像素計算單高斯模型參數(shù)，組合成前景的GMM模型Θ1。

2: 取出A之外的所有像素Db，對其特征v用K-means聚類，并賦予Db中每個像素以聚類標簽，聚類數(shù)量為Kb；并分別對貼有相同標簽的像素計算單高斯模型參數(shù)，組合成背景的GMM模型Θ0。

3: 對Θ1中高斯核按μ排序，計算Θ1和Θ0中各高斯核μ的距離，刪除Θ0與Θ1中距離最近的2個高斯核，同時丟棄Db中貼有對應(yīng)標簽的像素。

4: 用剩余的背景像素重新計算背景GMM參數(shù)。

5: repeat。

6: 按照式(10)、式(11)和式(12)計算I中每個像素點的能量，用Graph cut求得S*和對應(yīng)的能量E。

7: 計算本次E與上次迭代的E之差值ΔE，如果ΔE收斂，則結(jié)束循環(huán)，否則繼續(xù)。

8: 將S*視為二值圖，刪除面積小于閾值T的區(qū)域，并填補孔洞。

9: 由S*中標簽為1和0的對應(yīng)像素分別按照1和2步的方式更新Θ0和Θ1。

10: 返回5。

3 算法評價方法

3.1 葉片檢測器評價方法

針對葉片的檢測采用檢測率DR和誤檢率FPR作為評價準則[22]，其中DR和FPR分別定義為：

式中：TP1表示人工標定到的同時檢測器也檢測到的葉片數(shù)量；FN1表示人工標定了，但檢測算法未能檢測的葉片數(shù)量；FP1表示人工未標注，但檢測器檢測為葉片的數(shù)量。

對于是否檢測到目標，采用了PASCAL協(xié)議[23]，當檢測器給出的邊界盒與人工標定的邊界盒之間的重疊率IOU(Intersection Over Union)>0.5時，認為準確檢測到了的目標。

3.2 分割算法的評價方法

對于用本分割算法自動分割出了目標和背景的圖像，將其與人工分割葉片基準圖進行比較，計算出兩者的總體精度(ACC，百分比)以及馬修斯相關(guān)系數(shù)(MCC)作為評價算法分割精度的標準。其中ACC的定義如下：

式中：L為圖像中用本文算法分割得出的葉片目標區(qū)域，L0為人工分割的葉片基準區(qū)域。

而MCC按下式計算：

式中：TP2為真陽性，表示基準葉片像素同本研究所分割葉片像素重合的數(shù)量；FP2為假陽性，表示基準葉片未標注的像素，但本研究所分割葉片卻標注為葉片的像素的數(shù)量；FN2為假陰性，表示基準葉片所標注的像素，但本研究所分割葉片未標注的像素數(shù)量；TN2為真陰性，表示基準葉片未標注的像素和本研究所分割葉片未標注的像素重合數(shù)量。MCC的值在[-1,1]之間，其值越大表示分割的越精確。

4 實驗結(jié)果及討論

4.1 實驗材料的采集

本研究以 2014年至2016年期間多次于甘肅農(nóng)業(yè)大學(xué)葡萄園(東經(jīng)103.69°，北緯36.08°)采集的不同光照條件下的葡萄葉片圖像為樣本。拍攝樣本所用相機為Canon EOS1200D，拍攝模式均為自動對焦模式，拍攝時間分為早上(8:00-10:00)、中午(11:00-15:00)和下午(17:00-18:00)。拍攝時采用如下方法：在無風(fēng)的環(huán)境條件下, 利用三腳架固定好相機，對所拍攝葉片進行標定，以確保同一葉片在不同天氣不同時間段的取樣，方便比較算法對同一葉片不同光照條件的分割效果。圖像樣本共600幅，其中晴天條件下450幅，多云/陰天150幅。為了減少分割時間，試驗中所有圖像分辨率均調(diào)整到400×300?？紤]到不同天氣，不同時間有不同的光照強度和光照角度，會影響到拍攝到的樣本葉片的顏色狀態(tài)，比如在晴天下分別有光線從葉片背部入射的情況，以及葉片上有陰影的情況，在拍攝時，盡可能采集這些圖像。

4.2 程序參數(shù)設(shè)置

本文在Matlab2016a編程平臺中實現(xiàn)了上述目標檢測算法和分割算法。對檢測分類器進行訓(xùn)練時，子分類器的數(shù)量KC設(shè)為6。邊界盒的中間區(qū)域A選擇如下：若設(shè)某個邊界盒的尺寸是a×b，本文取自邊界盒中心算起，(a/2)×(b/2)區(qū)域為邊界盒的中間區(qū)域；A占整個盒子面積的1/4。需要說明的是本文采用的是多尺度檢測，在不同尺度上邊界盒的尺寸并不相同，最大尺寸接近圖像大小，最小邊界盒只有圖像尺寸的5%。對于RGB空間中背景和葉片的GMM模型，Kb和Kf過大分割效果不好，文獻[20]建議取5。通過試驗發(fā)現(xiàn)，對于葉片圖像，可能顏色比較單一(主要是綠色)，這兩個值選3、4時，分割精度基本接近，總體分割效果較好，當這兩個值大一些時效果反而下降，故在實驗統(tǒng)計時，設(shè)為4。式(10)的系數(shù)λ用于調(diào)節(jié)平滑項與數(shù)據(jù)項的權(quán)重，λ大則給予不連續(xù)標簽懲罰大，反之則小，實驗中發(fā)現(xiàn)該值在20～80之間分割結(jié)果總體比較一致，實驗統(tǒng)計時，設(shè)為50。算法1中T根據(jù)圖像大小而定，實驗中設(shè)為一幅圖像總像素的1%。算法1的收斂標準判斷依據(jù)是ΔE/E小于1%。

4.3 檢測算法的試驗結(jié)果與討論

對樣本圖像中的葉片人工進行標定，用邊界盒共標出4 000余葉片，隨機選擇其中的2 000個進行多個子分類器訓(xùn)練。為了準確評價算法性能，測試樣本圖像按下面方法進行分類：(1) 少葉片正常圖像，圖像中正面完整葉片數(shù)量不多于3張，且無顯著病斑；(2) 多葉片正常圖像，圖像中正面完整葉片數(shù)量超過3張，且無顯著病斑；(3) 病斑葉片圖像，不區(qū)分圖像中葉片數(shù)量。表1統(tǒng)計了不同情形下葉片的檢測率和誤檢率，3種情形下的檢測率分別為92.50%，88.62%和83.30%，誤檢率分別為5.50%，7.38%和12.06%。實驗結(jié)果表明，一幅圖像中葉片數(shù)量少時，檢測率和誤檢率兩方面都是最優(yōu)的；對于多葉片圖像，由于葉片重疊比較明顯、遮擋的情形較多，葉片的檢測率較少葉片略低，誤檢率也有所較高。對于病斑葉片，由于葉片的殘損、外觀變化劇烈，誤檢率較高，但統(tǒng)計的檢測率在83.33%左右，對于基本完整的病斑葉片還是可以準確檢測。

實驗表明，對于后期分割，一幅圖像中葉片不需要完全檢測出，因為不同葉片的相似性，使得它們的特征可以共享已知的前景分布模型。但應(yīng)選擇最可靠的葉片區(qū)域?qū)η熬敖＃M量避免背景像素混入，以提高分割精度。本文通過提高檢測器得分閾值來篩選一幅圖像中最可靠的葉片區(qū)域，只有歸一化得分超過0.9以上的邊界盒才會被認為是葉片。

表1 葉片檢測準確性

4.4 分割算法的實驗結(jié)果與討論

實驗發(fā)現(xiàn)，對于本分割算法，一幅圖像中葉片是否完全檢測出對分割結(jié)果影響不大。如圖1(a)，原圖中視覺上完整的正面葉片有3個，但圖1(b)本檢測算法只檢測出兩個，圖1(c)顯示本分割算法能將三個葉片完整分割出來。

圖1 一個檢測與分割示例

對于分割，圖像畫面的復(fù)雜程度很大程度決定了分割效果的好壞，本文首先根據(jù)圖像中葉片的多少與背景的復(fù)雜程度將葡萄葉片圖像分成了兩類：A類圖像中只有1張主要葉片，可以有少許其他小葉片或其他葉片的部分區(qū)域，背景不是很復(fù)雜；B類圖像中有2張以上的大葉片，背景復(fù)雜，主要是細碎葉片較多。A類圖像中又分為正常葉片和有病斑葉片兩種。對于A類圖像，更容易考察光照條件的變化和葉片形態(tài)變化對本算法分割效果魯棒性的影響,因為這類圖像背景較簡單，可以在很大程度上排除因背景因素對數(shù)據(jù)統(tǒng)計的干擾。對于B類圖像，其分割效果綜合取決于光照、葉片表面形態(tài)和背景，本文不再對比不同拍攝條件，只按照葉片有無病斑進行實驗對比。按照以下幾種情形對A、B類圖像分別進行了分割實驗，并對分割效果進行統(tǒng)計：(1) A1：無病斑，晴天早上(8:00-10:00，下同)；(2) A2：無病斑，晴天中午(11:00-15:00，下同)；(3) A3：無病斑，晴天下午(17:00-18:00，下同)；(4) A4：無病斑，多云/陰天早上；(5) A5：無病斑，多云/陰天中午；(6) A6：病斑葉片，晴天早上；(7) A7：病斑葉片，晴天中午；(8) B1：無病斑，多葉片復(fù)雜背景；(9) B2：有病斑，多葉片復(fù)雜背景。

本文得到的分割結(jié)果如表2所示?？梢钥闯觯?1) A1-A7的ACC在90.82%～95.53%之間，根據(jù)ACC的定義可知，這表明本算法分割出的葉片區(qū)域與人工摳出的葉片區(qū)域的重疊率較高，因此本算法有較高的分割精度。MCC綜合反映出各種錯誤，其值比ACC低，主要原因是即便是單葉片圖像，其中仍然存在不完整和細小葉片，人工摳圖時，只摳出了圖中最大的葉片，其他則作為背景；但對于圖像中主葉片和不完整葉片，本算法均能分割出來，這使得ACC很高，但不完整葉片被認為是錯誤分割，從而降低了MCC。圖2給出了某葉片在情形A1-A5的分割實例，圖3給出了4張病葉的分割實例。(2) A1-A7的平均ACC是93.02%，方差為3.24×10-4，可見7種情形它們之間的離散度較小，說明本算法在照明變化和葉子表面形態(tài)變化時分割效果差異不大，因此對這兩種情形具有較好的適應(yīng)性。(3) B1和B2的分割效果比A1-A7有一定的差距，說明復(fù)雜的背景對于分割精度的影響超過了光照和葉面自身形態(tài)的變化。但實驗還表明，如果背景主要由土壤等組成，則圖像分割效果好于背景由細小葉片和部分遮擋葉片組成的圖像。圖4給出了某同一場景B1～B2類圖像的分割實例。

表2 樣本圖像的ACC與MCC統(tǒng)計表

圖2 某單葉片在不同光照下的分割效果實例

圖3 幾個單病葉分割實例

圖4 幾個多葉片圖像分割實例

為了驗證本分割算法的魯棒性，我們在A1類圖像中加入零均值高斯噪聲，實驗表明：當噪聲方差σ=3時，分割精度幾乎不變，當σ=5，7時，ACC分別為94.07%，90.68%，比表2有所下降，但仍保持了較高的精度，因此本算法具有較好的魯棒性。

5 結(jié) 語

葉片分割是基于機器視覺的農(nóng)作物生長狀態(tài)自動分析的基礎(chǔ)，由于自然條件下光照變化、葉片自身表觀變化、攝像機視角、復(fù)雜背景等因素，給從監(jiān)控攝像機采集的圖像中的葉片分割帶來了極大困難。本文提出了一種通用的、全自動的葉片分割框架。首先用形狀和信息檢測圖像中的葉片，利用得到邊界盒中心區(qū)域的像素建立葉片的初始GMM模型，邊界盒以外區(qū)域的像素被用來建立背景的初始GMM模型。采用圖割算法和迭代策略相結(jié)合的方式分割葉片，分割結(jié)果逐步由粗到精。實驗表明，本文的方法能在多種復(fù)雜條件下獲得較好的分割效果，具有較高的魯棒性。

[1] 趙玉琴,馮全,李妙祺,等.自然條件下葡萄葉片圖像顏色一致性恢復(fù)效果的對比研究[J].中國農(nóng)業(yè)大學(xué)學(xué)報,2016,21(6):92-99.

[2] 陳佳娟.基于圖像處理和人工智能的植物病害自動診斷技術(shù)的研究[D].長春:吉林大學(xué),2001.

[3] 田有文,李成華.基于統(tǒng)計模式識別的植物病害彩色圖像分割方法[J].沈陽農(nóng)業(yè)大學(xué)學(xué)報,2003,34(4):301-304.

[4] 姜淑華.農(nóng)作物病害圖像識別及其危害程度自動分級方法研究[D].沈陽:沈陽農(nóng)業(yè)大學(xué),2007.

[5] 毛罕平,張艷誠,胡波.基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J].農(nóng)業(yè)工程學(xué)報,2008,24(9):136-140.

[6] 董金勇,王建侖,李道亮.田間棗樹葉片復(fù)雜目標圖像綜合分割方法[J].農(nóng)業(yè)機械學(xué)報,2011,42(1):165-170.

[7] 孫俊,武小紅,張曉東.基于MFICSC算法的生菜圖像目標聚類分割[J].農(nóng)業(yè)工程學(xué)報,2012,28(13):149-153.

[8] 程玉柱,陳勇,張浩.基于MMC與CV模型的苗期玉米圖像分割算法[J].農(nóng)業(yè)機械學(xué)報,2013,44(11):266-270.

[9] 施文,鄒銳標,王訪.基于多重分形的油菜病蟲害葉片圖像分割[J].湖南農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版),2014,40(5):556-560.

[10] 李曉斌,王玉順,付麗紅.用K-means圖像法和主成分分析法監(jiān)測生菜生長勢[J].農(nóng)業(yè)工程學(xué)報,2016,32(12):179-186.

[11] 張連寬,Paul Weckler,肖德琴.作物葉面圖像自動分割方法 [J].江蘇大學(xué)學(xué)報(自然科學(xué)版),2016,37(6):663-669.

[12] 鄭緒.基于m-PCNN葉片圖像處理的應(yīng)用研究[D].蘭州:蘭州大學(xué),2016.

[13] 馬媛,馮全,楊梅,等.基于HOG的釀酒葡萄葉檢測[J].計算機工程與應(yīng)用,2016,52(15):158-161.

[14] Felzenszwalb P,Girshick R,McAllester D,et al.Object detection with discriminatively trained part based models[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(9):1627-1645.

[15] Platt C.Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods[C]//In Advances in Large Margin Classifiers 2000,MIT Press,2000:61-74.

[16] Dalal N,Triggs D.Histograms of oriented gradients for human detection[C]//Conference on Computer Vision and Pattern Recognition (CVPR2005),San Diego,California,USA,2005:1886-1893.

[17] Borenstein E.Combining top-down and bottom-up segmentation[C]//Computer Vision and Pattern Recognition,2004 (CVPR 2004),Washington,DC,USA.2004:46-53.

[18] Kumar M P,Torr P H S,Zisserman A.OBJ CUT[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition.IEEE Computer Society,2005:18-25.

[19] Boykov Y,Funka-Lea G.Graph Cuts and Efficient N-D Image Segmentation[J].International Journal of Computer Vision,2006,70(2):109-131.

[20] Rother C,Kolmogorov V,Blake A.Grabcut:Interactive foreground extraction using iterated graph cuts[J].ACM Transactions on Graphics,2004,23(3):309-314.

[21] Hosang J,Benenson R,Dollar P,et al.What Makes for Effective Detection Proposals?[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2016,38(4):814-830.

[22] Everingham M,Gool L V,Williams C K I,et al.The Pascal,Visual Object Classes (VOC) Challenge[J].International Journal of Computer Vision,2010,88(2):303-338.

[23] Matthews W.Comparison of the predicted and observed secondary structure of T4 phage lysozyme[J].Biochimica et Biophysica Acta (BBA)-Protein Structure.1975,405(2):442-451.