基于改進(jìn)型模糊邊緣檢測(cè)的小麥病斑閾值分割算法

刁智華，刁春迎，袁萬(wàn)賓，毋媛媛

（1. 鄭州輕工業(yè)學(xué)院電氣信息工程學(xué)院，鄭州 450002；2. 河南省信息化電器重點(diǎn)實(shí)驗(yàn)室，鄭州 450002）

0 引 言

小麥?zhǔn)且粋€(gè)國(guó)家命脈性的經(jīng)濟(jì)作物，其產(chǎn)量對(duì)人們的生活水平和經(jīng)濟(jì)的發(fā)展有直接的影響，而病害的發(fā)生是導(dǎo)致作物產(chǎn)量下降的重要原因。作物的病害種類多種多樣，及時(shí)檢測(cè)出病害種類并采取對(duì)應(yīng)防治是解決作物產(chǎn)量減少的迫切要求。而病害分割是病害檢測(cè)的關(guān)鍵，分割的病斑信息是進(jìn)行病害種類識(shí)別、病害程度判別、施藥決策等一系列操作的前提[1]。目前，針對(duì)作物病斑分割主要有閾值法、邊緣法、人工神經(jīng)網(wǎng)絡(luò)法、分水嶺法、特定理論法以及區(qū)域法等，由于分割目標(biāo)不同使用的方法也不盡相同，在分割要求精確的情況下使用單一某一種方法往往達(dá)不到理想的效果，因此方法的混合使用與改進(jìn)成為提高圖像分割效率的一項(xiàng)關(guān)鍵措施[2-7]。如Soumen Biswas等[8]提出的一種新的基于曲線擬合的高階多項(xiàng)式平滑的圖像分割算法， Tripathy等[9]提出的一種基于分布式計(jì)算的模糊聚類分割方法，胡秋霞等[10]針對(duì)植物病斑背景復(fù)雜難以分割的問(wèn)題對(duì)傳統(tǒng)C-V模型進(jìn)行的改進(jìn)算法，溫長(zhǎng)吉等[11]提出的一種改進(jìn)蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的圖像分割方法，大量試驗(yàn)表明新算法分割效果明顯，優(yōu)于現(xiàn)有的圖像分割方法。

目前對(duì)小麥病斑圖像分割算法研究表明，一般的圖像分割方法存在較差的適應(yīng)性和兼容性，和其他方法混合使用難以達(dá)到理想的結(jié)果，而模糊邊緣檢測(cè)算法以較強(qiáng)的適應(yīng)性成為解決此類問(wèn)題的優(yōu)先選用方法[12-13]。傳統(tǒng)的模糊邊緣檢測(cè)方法是對(duì)預(yù)處理后圖像進(jìn)行一階求導(dǎo)，利用邊緣的不連續(xù)性檢測(cè)邊緣點(diǎn)，從而實(shí)現(xiàn)邊緣的檢測(cè)[14]。由于傳統(tǒng)算法錯(cuò)判率大、容易丟失弱邊緣信息的缺點(diǎn)，國(guó)內(nèi)外研究學(xué)者對(duì)算法進(jìn)行了多方位改進(jìn)[15-23]。在國(guó)外，Sanjay等[24]提出一種最大模糊熵的模糊邊緣檢測(cè)方法，得到了較好的邊緣圖像。Fatemeh Afsari等[25]提出一種基于區(qū)間值直觀模糊邊緣檢測(cè)方法，試驗(yàn)研究結(jié)果證明，新方法不僅提高了圖像質(zhì)量，更能準(zhǔn)確地檢測(cè)邊緣。在國(guó)內(nèi)，易三莉等[26]通過(guò)改進(jìn)模糊推理規(guī)則對(duì)模糊邊緣檢測(cè)進(jìn)行了算法改進(jìn)，具有較好的邊緣檢測(cè)能力和抗噪性。陳嫚等[27]提出了一種改進(jìn)的模糊形態(tài)學(xué)算法并將其應(yīng)用到彩色圖像邊緣檢測(cè)，邊緣檢測(cè)準(zhǔn)確且能得到有效的邊緣信息。楊勇[28]等利用新的定義提出一種改進(jìn)的Pal和King模糊邊緣檢測(cè)算法，解決了傳統(tǒng)算法容易導(dǎo)致圖像灰度信息缺失的缺陷。在分析以上改進(jìn)模糊邊緣檢測(cè)方法的優(yōu)點(diǎn)及參閱大量圖像分割算法的基礎(chǔ)上，本文提出一種基于改進(jìn)型模糊邊緣增強(qiáng)與閾值分割相結(jié)合的圖像分割算法。針對(duì)閾值分割簡(jiǎn)單快速但存在計(jì)算量大、病斑邊緣噪聲明顯的現(xiàn)象，本文將模糊邊緣檢測(cè)的概念引入到閾值分割中進(jìn)行算法改進(jìn)。首先利用加權(quán)均值濾波方法去除噪聲，然后使用改進(jìn)的圖像增強(qiáng)算法進(jìn)行圖像增強(qiáng)，在進(jìn)行 2步圖像預(yù)處理后，最后結(jié)合改進(jìn)的閾值變換進(jìn)行圖像分割，得到小麥病斑的形態(tài)信息，為進(jìn)一步圖像處理提供依據(jù)。

1 改進(jìn)的模糊邊緣檢測(cè)算法

在數(shù)字圖像中，邊緣指一種特征的結(jié)束和另一種特征的開(kāi)始，不同區(qū)域的特征是不同的，邊緣檢測(cè)就是利用這種特征的差異性來(lái)實(shí)現(xiàn)。相比其他方法，模糊邊緣檢測(cè)有速度快、邊緣清晰的優(yōu)點(diǎn)，本文選擇模糊邊緣檢測(cè)方法進(jìn)行小麥病斑的邊緣輪廓檢測(cè)，主要步驟有圖像濾波、圖像增強(qiáng)以及邊緣檢測(cè)。針對(duì)傳統(tǒng)模糊邊緣檢測(cè)算法在圖像處理時(shí)有弱邊緣信息容易丟失、錯(cuò)檢等缺點(diǎn)，對(duì)傳統(tǒng)模糊邊緣檢測(cè)算法進(jìn)行了改進(jìn)。

1.1 平滑濾波

在平滑濾波方面，使用梯度倒數(shù)均值加權(quán)濾波法，令中間像素點(diǎn)梯度為 1且權(quán)值賦為圖像所有像素點(diǎn)的均值，既平滑了圖像又保留了邊緣細(xì)節(jié)。具體算法如下：

令處理圖像模板為M×M（由于一次處理中像素點(diǎn)選取點(diǎn)越多失真越嚴(yán)重，本文選 3×3），中間像素點(diǎn)(i, j)的像素值為f(i, j)，平滑濾波后輸出圖像為fout1(i, j)。設(shè)置權(quán)值矩陣后，定義梯度倒數(shù)函數(shù)為

利用式（2）消除梯度算子對(duì)邊緣方向的依賴，其中⊕為膨脹運(yùn)算符號(hào)，⊙為腐蝕運(yùn)算符號(hào)。

則權(quán)值矩陣值為

式中A為所有像素的集合，s、t取值為-1、0、1且s、t不同時(shí)為0。加權(quán)矩陣的加入使濾波后像素值輸出為模板像素值點(diǎn)乘加權(quán)矩陣，即：

1.2 改進(jìn)的圖像增強(qiáng)

模糊增強(qiáng)以效果明顯的優(yōu)勢(shì)成為圖像處理領(lǐng)域最活躍的課題之一，圖像增強(qiáng)的作用是選擇性地增強(qiáng)想要突出的信息，使差異更大、更直觀，為邊緣的提取做準(zhǔn)備。模糊增強(qiáng)有層次之分，單層次在增強(qiáng)某一灰度層次邊緣信息的同時(shí)會(huì)抑制其他灰度層次的邊緣增強(qiáng)，不會(huì)丟失低灰度信息。目前使用模糊增強(qiáng)處理圖像大多是基于單層次的算法，造成了低灰度邊緣信息的丟失。

本文將模糊增強(qiáng)引入到多層次算法中，將圖像看作一個(gè)整體矢量，在考慮到模糊隸屬度相關(guān)性的基礎(chǔ)上，增加區(qū)域間斷點(diǎn)，并對(duì)復(fù)雜冗余和不適用的算法進(jìn)行了改進(jìn)。

定義隸屬度函數(shù)為 μij，設(shè)待增強(qiáng)圖像灰度級(jí)為 x1,x2,…,xK，其中 x0=0，xK+1=L-1，則

選取合適的隸屬度 μc，令 μm≤μc≤μm+1，m=0,1,2,…,K，定義如下非線性變換：

在求取 f1(μij)時(shí)，μc作為間斷點(diǎn)把區(qū)間分為［μm,μc］與（μc,μm+1］2部分，通過(guò)細(xì)化區(qū)間來(lái)減少低灰度邊緣的丟失，如式（7）所示。

式（7）中間斷點(diǎn)μc一直都是進(jìn)行隨機(jī)選取，不但可靠性低，而且容易增加隨機(jī)誤差，為解決μc的選取問(wèn)題，令

其中xc為間斷點(diǎn)灰度級(jí)，通過(guò)式（8）的改進(jìn)，減少了邊緣低灰度的抑制缺陷。增強(qiáng)后圖像灰度值輸出為

得到的增強(qiáng)邊緣線把圖像分為目標(biāo)區(qū)域和背景區(qū)域，其中目標(biāo)區(qū)域被邊緣線包裹信息突出，背景區(qū)域被弱化。邊緣增強(qiáng)后的圖像如圖1所示。

1.3 改進(jìn)的閾值分割算法

自然條件下拍攝的小麥圖片受環(huán)境影響較大，影響病斑分割的主要障礙是在復(fù)雜的背景中找出感興趣的部分。小麥葉片感染不同的病害會(huì)出現(xiàn)不同的病斑顏色、形態(tài)，通常情況下病斑邊界模糊不定，直接分割難以確保病斑形狀的準(zhǔn)確性[29]。目前通常使用RGB子區(qū)域分量分割方法進(jìn)行圖像分割，再使用一定的合并方法得到結(jié)果，但在子區(qū)域分量分割時(shí)存在巨大的計(jì)算量，且選取的合并方法直接影響合并的結(jié)果，沒(méi)有一個(gè)通用的方法完成所有的工作，實(shí)踐中根據(jù)具體情況而定，存在一定的被動(dòng)缺陷。

小麥圖像中非病害部位與病害部位存在較大的顏色差異，閾值分割因簡(jiǎn)單快速是解決此類問(wèn)題的最優(yōu)方法。但在閾值分割中，算法參數(shù)直接影響圖像分割的效果，因此對(duì)小麥病斑形狀分割的細(xì)致程度可以依靠 2個(gè)方面的調(diào)控：一是閾值選取，閾值T受像素灰度相對(duì)差調(diào)控；二是參與計(jì)算的數(shù)據(jù)，數(shù)據(jù)關(guān)乎計(jì)算時(shí)間，減少參與數(shù)據(jù)是提高分割算法效率的主要方法。經(jīng)過(guò)多種分割對(duì)比試驗(yàn)，本文提出一種改進(jìn)的最大類間方差比閾值分割方法，在增強(qiáng)圖像邊緣的基礎(chǔ)上進(jìn)行閾值分割，改進(jìn)閾值選取方法，使用改進(jìn)公式分類計(jì)算2類方差，從2方面來(lái)提高閾值分割的整體性能。

1）找出圖像增強(qiáng)后整個(gè)圖像像素最多點(diǎn)對(duì)應(yīng)的灰度級(jí)K，并求出K之前的灰度級(jí)像素總數(shù)N以及所有像素的灰度均值μ、方差δ2和分布概率p0,p1,p2,…,pk；

式中ijx′為圖像增強(qiáng)后輸出像素值，u，v分別為該像素的坐標(biāo)值。

2）令x′=128，利用高斯擬合參數(shù)給定一個(gè)非零初始閾值T0；

圖像被分為C1、C22類，分別為病害部位與非病害部位，T0的函數(shù)逼近方式（式（11））選取解決了隨機(jī)選取的誤差。

3）計(jì)算灰度均值 μ1、μ2和方差、；

4）計(jì)算C1、C2的發(fā)生概率P1、P2；

5）計(jì)算類內(nèi)方差和類間方差；

6）令 T =，重復(fù)2）～5）步驟，第二次運(yùn)算時(shí)取T0=1 2(μ1+μ2)，依次類推，當(dāng)且僅當(dāng)?shù)贸鯰為最大值時(shí)為最佳閾值。本算法將圖像分為 2部分區(qū)別對(duì)待，簡(jiǎn)化了算法步驟并減少誤差。

2 試驗(yàn)與結(jié)果分析

2.1 試驗(yàn)設(shè)計(jì)與樣本來(lái)源

在本研究中，以小麥葉部病斑圖像（主要包括白粉病，條銹病，葉銹病，葉枯?。閷?duì)象，上述小麥病害發(fā)生在大田真實(shí)環(huán)境中，采用自然發(fā)生的方式，不對(duì)其進(jìn)行任何干預(yù)。拍攝相機(jī)采用尼康D90，配尼康A(chǔ)F-S DX 18~105 mm f/3.5-5.6G 微距鏡頭，無(wú)任何補(bǔ)充光源，拍攝時(shí)間為8:00、10:00、16:00和18:00，在小麥葉片后放置純黑背景板，拍攝具有景深效果的微距圖像，共獲得小麥病斑圖像1 083張。

分別用傳統(tǒng)固定閾值方法、基于曲線擬合的高階多項(xiàng)式平滑的圖像分割方法[8]以及本文提出的改進(jìn)閾值分割算法進(jìn)行了小麥病斑分割對(duì)比試驗(yàn)。計(jì)算機(jī)處理器為Intel(R) core(TM) i3-2100，內(nèi)存為 3.10 G，頻率為3.10GHz，使用Windows 7 x86 旗艦版v2016.04型號(hào)操作系統(tǒng)，以C++6.0軟件編程實(shí)現(xiàn)小麥病斑圖像的分割。

對(duì)小麥原始圖像與使用本文改進(jìn)模糊邊緣增強(qiáng)圖像進(jìn)行小麥病斑邊緣檢測(cè)對(duì)比，試驗(yàn)結(jié)果如圖 1所示。分別使用傳統(tǒng)閾值分割算法與基于曲線擬合的高階多項(xiàng)式平滑的圖像分割方法[8]對(duì)初始圖像進(jìn)行分割，使用本文改進(jìn)閾值分割算法對(duì)邊緣增強(qiáng)后圖像進(jìn)行閾值分割，從分割時(shí)間和分割正確率等參數(shù)上對(duì)比試驗(yàn)結(jié)果，分割圖像如圖2所示。

2.2 結(jié)果與分析

由圖 1可得出，小麥病斑的初始輪廓模糊不清，肉眼很難確定輪廓的走勢(shì)及小病斑的形態(tài)，經(jīng)過(guò)邊緣增強(qiáng)后病斑輪廓清晰、形態(tài)凸顯，且病斑區(qū)域特征被加強(qiáng)，背景信息被減少，有較為明顯的改進(jìn)效果，為后續(xù)精確分割病斑形狀提供了保證。

圖1 邊緣增強(qiáng)圖像Fig.1 Edge enhanced image

從主觀視覺(jué)上評(píng)價(jià)，圖2b比圖2a噪聲少，分割效果更好；圖2c與圖2b的對(duì)比圖像可以看出使用本文提出的改進(jìn)閾值分割方法相比基于曲線擬合的高階多項(xiàng)式平滑的分割圖像[8]，圖片幾乎無(wú)噪聲、小麥病斑形態(tài)得到準(zhǔn)確的分割，同時(shí)病斑的輪廓也較為完整，更好地突出了病斑的形狀特征。從客觀量化參數(shù)方面進(jìn)行評(píng)價(jià)，對(duì)自建小麥病害圖片庫(kù)中的 1 083張圖像的分割效果進(jìn)行正確率、漏檢比、噪聲比、耗時(shí) 4個(gè)方面的參數(shù)統(tǒng)計(jì)，其中正確率采用文獻(xiàn)[30]的計(jì)算公式，漏檢比為漏檢的病斑面積與實(shí)際病斑面積之比，噪聲比為分割出的病斑為噪聲的面積與實(shí)際病斑面積之比

式中實(shí)際分割的病斑面積是指算法處理的病斑面積，而實(shí)際病斑面積是指病斑本身應(yīng)該具有的面積。

表1為各算法分割指標(biāo)統(tǒng)計(jì)，由表1可以得出，基于曲線擬合的高階多項(xiàng)式平滑的圖像分割方法[8]與傳統(tǒng)固定閾值分割算法相比，在正確率上提高了6.48個(gè)百分點(diǎn)，在漏檢比上增加了1.85個(gè)百分點(diǎn)，噪聲比減少了7.05個(gè)百分點(diǎn)，耗時(shí)減少了 0.268 s。但本文改進(jìn)閾值算法在正確率上高達(dá)98.76%，相比傳統(tǒng)固定閾值分割算法提高了8.35個(gè)百分點(diǎn)，漏檢比增加了1.29個(gè)百分點(diǎn)，噪聲比為1.86%，相比減少了8.36個(gè)百分點(diǎn)，在運(yùn)算時(shí)間上減少了 0.331 s。從整體上來(lái)說(shuō)，本文提出的改進(jìn)閾值分割算法比傳統(tǒng)閾值分割算法及基于曲線擬合的高階多項(xiàng)式平滑的圖像分割方法[8]有更好的分割性能。

圖2 閾值分割圖像結(jié)果Fig.2 Threshold segmentation image results

表1 小麥病斑分割結(jié)果Table 1 Segmentation results of wheat disease

3 結(jié) 論

本文提出一種基于改進(jìn)邊緣檢測(cè)的閾值圖像分割方法，實(shí)現(xiàn)了小麥病斑圖像的準(zhǔn)確分割。改進(jìn)算法中引入改進(jìn)模糊邊緣檢測(cè)算法，改變傳統(tǒng)賦權(quán)值的一般做法進(jìn)行平滑濾波，把模糊增強(qiáng)引入到多層次范圍中，以增加間斷點(diǎn)的方法優(yōu)化邊緣分割參數(shù)。在整個(gè)圖像分割過(guò)程中，使用本文提出的改進(jìn)閾值算法對(duì)小麥病害圖像進(jìn)行圖像分割，利用平均多次分割結(jié)果作為最后分割結(jié)果參數(shù)。從小麥病斑圖片的分割對(duì)比結(jié)果可以看出，改進(jìn)的結(jié)合算法更為細(xì)致的體現(xiàn)了小麥病斑的形態(tài)特征，同時(shí)也保留了小麥病斑的邊緣信息。對(duì)模糊邊緣增強(qiáng)后的圖像進(jìn)行改進(jìn)閾值分割，正確分割率高達(dá)98.76%，噪聲比減少了8.36個(gè)百分點(diǎn)，耗時(shí)減少了0.331 s，但漏檢比增加了1.29個(gè)百分點(diǎn)，需要進(jìn)一步優(yōu)化。綜合所有的分割后圖像參數(shù)，本文改進(jìn)算法明顯優(yōu)于傳統(tǒng)算法與基于曲線擬合的高階多項(xiàng)式平滑的圖像分割方法[8]。

[1] Hu Qiuxia, Tian Jie, He Dongjian. Wheat leaf lesion color image segmentation with improved multichannel selection based on the Chan–Vese model[J]. Computers and Electronics in Agriculture, 2017, 135: 260–268.

[2] Arnal Barbedo, Jayme Garcia. A new automatic method for disease symptom segmentation in digital photographs of plant leaves[J]. European Journal of Plant Pathology, 2017,147(2): 349–364.

[3] 刁智華，王歡，宋寅卯，等. 復(fù)雜背景下棉花病葉害螨圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(5)：147–152.Diao Zhihua, Wang Huan, Song Yinmao, et al. Segmentation method for cotton mite disease image under complex background[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013,29(5): 147–152. (in Chinese with English abstract)

[4] 吳露露，馬 旭，齊龍，等. 改進(jìn)Hough 變換的農(nóng)作物病斑目標(biāo)檢測(cè)方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30(10)：152–159.Wu Lulu, Ma Xu, Qi Long, et al. A method of target detection for crop disease spots by improved Hough transform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014,30(10): 152–159. (in Chinese with English abstract)

[5] 田杰，韓冬，胡秋霞，等. 基于PCA和高斯混合模型的小麥病害彩色圖像分割[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(7)：267–271.Tian Jie, Han Dong, Hu Qiuxia, et al. Segmentation of wheat rust lesion image using PCA and Gaussian mix model [J].Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 267–271. (in Chinese with English abstract)

[6] 張輝，朱家明，唐文杰. 基于聚類和改進(jìn)型水平集的圖像分割算法[J]. 計(jì)算機(jī)科學(xué)，2017，44(6A)：198–201.Zhang Hui, Zhu Jiaming, Tang Wenjie. Image segmentation algorithm based on clustering and improved double level set[J]. Computer Science, 2017, 44(6A): 198–201. (in Chinese with English abstract)

[7] 李昌興，薛新偉，吳成茂. 一種改進(jìn)的模糊聚類圖像分割算法[J]. 西安郵電大學(xué)學(xué)報(bào)，2017，22(5)：28–36.Li Changxing, Xue Xinwei, Wu Chengmao. An improved image segmentation algorithm based on fuzzy clustering [J].Journal of Xi'an University of Posts and Telecommunications,2017, 22(5): 28–36. (in Chinese with English abstract)

[8] Soumen Biswas, Dibyendu Ghoshal, Ranjay Hazra. A new algorithm of image segmentation using curve fitting based higher order polynomial smoothing [J]. Optik - International Journal for Light and Electron Optics, 2016, 127(20): 8916–8925.

[9] Tripathy B K, Dishant Mittal. Hadoop based uncertain possibilistic kernelized c-means algorithms for image segmentation and a comparative analysis [J]. Applied Soft Computing, 2016, 46: 886–923.

[10] 胡秋霞，田杰，何東健，等. 基于改進(jìn)型C-V模型的植物病斑圖像分割[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(5)：157–161.Hu Qiuxia, Tian Jie, He Dongjian, et al. Segmentation of plant lesion image using improved C-V model[J].Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(5): 157–161. (in Chinese with English abstract)

[11] 溫長(zhǎng)吉，王生生，于合龍，等. 基于改進(jìn)蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的玉米病害圖像分割[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(13)：142–149.Wen Changji, Wang Shengsheng, Yu Helong, et al. Image segmentation method for maize diseases based on pulse coupled neural network with modified artificial bee algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013,29(13): 142–149. (in Chinese with English abstract)

[12] 宗曉萍，徐艷，董江濤. 多信息融合的模糊邊緣檢測(cè)技術(shù)[J]. 物理學(xué)報(bào)，2006，55(7)：3223–3228.Zong Xiaoping, Xu Yan, Dong Jiangtao. Fuzzy edge detection technique using multi-information fusion algorithm[J]. Acta Physica Sinica, 2006, 55(7): 3223–3228.(in Chinese with English abstract)

[13] 林開(kāi)顏，司慧萍，周強(qiáng)，等. 基于模糊邏輯的植物葉片邊緣檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(6)：227–231.Lin Kaiyan, Si Huiping, Zhou Qiang, et al. Plant leaf edge detection based on fuzzy logic[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(6):227–231. (in Chinese with English abstract)

[14] 張文杰，熊慶宇，石為人，等. 基于鄰域加權(quán)的多層次模糊邊緣檢測(cè)算法[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版)，2015，45(3)：998–1004.Zhang Wenjie, Xiong Qingyu, Shi Weiren, et al. Weighted neighbor-region based multi -level fuzzy edge detection method[J]. Journal of Jilin University (Engineering and Technology Edition), 2015, 45(3): 998–1004. (in Chinese with English abstract)

[15] Derek Kelly, Avimanyou Vatsa, Wade Mayham, et al.Extracting complex lesion phenotypes in Zea mays [J].Machine Vision and Applications, 2016, 27: 145–156.

[16] Jian Ren, Xiliang Zeng. An image segmentation method of improved sobel operator [J]. Boletín Técnico, 2017, 55(1):193–199.

[17] Nguyen Mong Hien, Nguyen Thanh Binh, Ngo Quoe Viet.Edge detection based on fuzzy C Means in medical image processing system [C]//2017 International Conference on System Science and Engineering, 2017 : 12–15.

[18] Elaraby A, Moratal D. A generalized entropy-based two-phase threshold algorithm for noisy medical image edge detection[J]. Scientia Iranica, 2017, 24(6): 3247–3256.

[19] Li Xiaoguang, Wu Bianxia, Li Yuanbo. Study on improved algorithm for image edge detection based on genetic fuzzy[J].International Journal of Signal Processing, Image Processing and Pattern Recognition, 2016, 9(7): 329–340.

[20] 何潔，孟慶寬，張漫，等. 基于邊緣檢測(cè)與掃描濾波的農(nóng)機(jī)導(dǎo)航基準(zhǔn)線提取方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(S1)：265–270.He Jie, Meng Qingkuan, Zhang Man, et al. Crop baseline extraction method for off-road vehicle based on boundary detection and scan-filter[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(S1): 265–270.(in Chinese with English abstract)

[21] 朱偉超，萬(wàn)新軍，楊波，等. 模糊圖像邊緣精確定位的濾波算法[J]. 光學(xué)儀器，2015，37(1)：45–51.Zhu Weichao, Wan Xinjun, Yang Bo, et al. Study of filtering mathods for accurate edge detection of blurred images[J].Optical Instruments, 2015, 37(1): 45–51. (in Chinese with English abstract)

[22] 沈志熙，代東林，趙凱. 基于多特征分步模糊推理的邊緣檢測(cè)算法[J]. 電子科技大學(xué)學(xué)報(bào)，2014，43(3)：381–387.Shen Zhixi, Dai Donglin, Zhao Kai. Edge detection based on multi-features and step-by-Step fuzzy inference[J]. Journal of University of Electronic Science and Technology of China,2014, 43(3): 381–387. (in Chinese with English abstract)

[23] 于莉潔，孫瑜亮，繆永偉. 基于深度信息局部二值模式特征的室內(nèi)場(chǎng)景邊緣檢測(cè)[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2017，29(12)：2162–2170.Yu Lijie, Sun Yuliang, Miao Yongwei. Edge detection on indoor scenes using local binary pattern features[J]. Journal of Computer-Aided Design & Computer Graphics, 2017,29(12): 2162–2170. (in Chinese with English abstract)

[24] Sanjay Kumar Singh, Kirat Pal, Madhav J Nigam. Fuzzy edge detection based on maximum entropy thresholding[J].Iete Journal of Research, 2011, 54(4): 325–330.

[25] Fatemeh Afsari, Esfandiar Eslami, Pooya Eslami.Interval-valued intuitionistic fuzzy generators: Application to edge detection [J]. Journal of Intelligent & Fuzzy Systems,2014, 27(3): 1309–1324.

[26] 易三莉，郭貝貝，馬磊，等. 改進(jìn)的模糊推理規(guī)則圖像邊緣檢測(cè)算法[J]. 計(jì)算機(jī)工程與應(yīng)用，2016，52(12)：180–183.Yi Sanli, Guo Beibei, Ma Lei, et al. Improved image edge detection algorithm based on fuzzy inference rules[J].Computer Engineering and Applications, 2016, 52(12):180–183. (in Chinese with English abstract)

[27] 陳嫚，朱曉臨，李雪艷，等. 改進(jìn)的模糊形態(tài)學(xué)彩色圖像邊緣檢測(cè)算法[J]. 合肥工業(yè)大學(xué)學(xué)報(bào)，2014，37(8)：922–927.Chen Man, Zhu Xiaolin, Li Xueyan, et al. Improved color image edge detection algorithm based on fuzzy mathematical morphology[J].Journal of Hefei University of Technology,2014, 37(8): 922–927. (in Chinese with English abstract)

[28] 楊勇，黃淑英. 一種改進(jìn)的Pal和King模糊邊緣檢測(cè)算法[J]. 儀器儀表學(xué)報(bào)，2008，29(9)：1918–1922.Yang Yong, Huang Shuying. Modified Pal and King algorithm for fuzzy edge detection[J]. Chinese Journal of Scientific Instrument, 2008, 29(9): 1918–1922. (in Chinese with English abstract)

[29] Soumen Biswas, Dibyendu Ghoshal, Ranjay Hazra. A new algorithm of image segmentation using curve fitting based higher order polynomial smoothing[J]. Optik-International Journal for Light and Electron Optics, 2016, 127(20):8916–8925.

[30] Meyer G E, Neto J C. Verification of color vegetation indices for automated crop imaging applications[J]. Computers and Electronics in Agriculture, 2008, 63(2): 282–293.