改進自適應(yīng)分水嶺方法分割棉花葉部粘連病斑

張建華，韓書慶，翟治芬，孔繁濤，馮 鑫，吳建寨

?

改進自適應(yīng)分水嶺方法分割棉花葉部粘連病斑

張建華1，韓書慶1，翟治芬2，孔繁濤1，馮 鑫3，吳建寨1※

（1. 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)大數(shù)據(jù)重點實驗室，北京 100081；2. 農(nóng)業(yè)農(nóng)村部規(guī)劃設(shè)計研究院，北京 100125； 3.重慶工商大學(xué)機械工程學(xué)院，重慶 400067）

針對棉花葉部病斑相互之間存在粘連問題，該文提出了一種自適應(yīng)分水嶺分割方法。該方法在H-minima分水嶺分割方法基礎(chǔ)上，結(jié)合最小二乘圓法誤差理論，對圖像中每個連通分量進行最小二乘圓擬合，并計算最小二乘圓誤差值，通過最小二乘圓誤差值大小判斷每個連通分量的輪廓不規(guī)則度，針對不同輪廓不規(guī)則度確定H-minima變換的極小值閾值，根據(jù)不同極小值閾值實現(xiàn)棉花葉部粘連病斑的分水嶺分割。不同數(shù)量粘連病斑分割試驗結(jié)果表明：該方法實現(xiàn)了棉花葉部粘連病斑數(shù)量從2個粘連至5個粘連病斑的自動分割，分割準(zhǔn)確率為91.25%，平均運行時間為0.088 s。不同分割方法對比結(jié)果顯示：該方法能實現(xiàn)對棉花輪紋病、褐斑病、炭疽病、葉斑病和棉鈴疫病共5種病害的粘連病斑自動分割，并將距離分水嶺分割方法、梯度分水嶺分割方法、標(biāo)記分水嶺分割方法、Chan-Vese方法、高斯混合方法與該文方法比較，正確分割率分別為67.8%、36.4%、83.7%、70.3%、82.1%、93.5%，該方法優(yōu)于其他5種分割方法，有效抑制了過分割問題；在復(fù)雜背景、光照不均勻、病斑大小不一致等復(fù)雜條件下，該文方法也能較好地實現(xiàn)粘連病斑的分割。該方法不僅能對棉花葉部粘連病斑自動分割，也能為其他作物葉片粘連病斑分割提供參考。

作物；圖像分割；算法；棉花葉部；粘連病斑；最小二乘圓法；H-minima變換；分水嶺分割

0 引 言

粘連或重疊病斑的準(zhǔn)確分割，是直接決定病斑特征提取及病害分類判別等后續(xù)處理效果好壞的關(guān)鍵[1-2]。在棉花的生長過程中，隨著病菌侵染和病斑擴張，棉花葉部表面常常出現(xiàn)病斑聚堆、重疊、粘連的現(xiàn)象，即多個病斑聚集一起，形成較大的病斑區(qū)域，稱為病斑重疊或粘連[3-4]。病斑有時是同一種類病斑粘連重疊，有時會發(fā)生不同種類病斑粘連，粘連的病斑聚集一起會使得獲取的病斑圖像在特征提取時的形狀特征、顏色特征和紋理特征出現(xiàn)差異，對后續(xù)的處理造成較大的影響，降低病害識別的準(zhǔn)確性[5-6]。

關(guān)于粘連重疊病斑或害蟲分割問題，已有學(xué)者進行了研究，以準(zhǔn)確分割粘連病斑，并使得分割后病斑盡可能保留邊緣信息。張艷誠等[7]對病斑二值圖像利用多尺度距離變換獲得病斑的距離圖像，通過極限腐蝕操作檢測出標(biāo)記種子，運用形態(tài)學(xué)測地重建運算獲取測地影響區(qū)骨架分水嶺線，很好地消除了偽種子點，得到較好的粘連病斑分離圖像，但該方法對于極限腐蝕參數(shù)的大小需要人工設(shè)定。邱白晶等[8]采用標(biāo)記控制分水嶺分割算法去除蚜蟲粘連重疊現(xiàn)象，最后利用連通區(qū)域標(biāo)記法實現(xiàn)黃瓜蚜蟲的自動計數(shù)，但該方法容易出現(xiàn)過分割情況。任艷娜等[9]用高斯混合模型描述每一病斑像素的色彩分布情況，最大適應(yīng)度值的子模型作為當(dāng)前分布模型來描述每一病斑像素的特征，用以分割重疊水稻病斑特征，該模型對于高度緊密的粘連病斑分割仍需要檢驗。張晴晴等[10]針對作物病害葉片病斑特點，在標(biāo)記分水嶺的基礎(chǔ)上提出了一種改進的標(biāo)記分水嶺分割算法，對前景目標(biāo)和背景目標(biāo)進行有效標(biāo)記，實現(xiàn)粘連病斑的分割，但標(biāo)記點的確定仍是難點。米雅婷[11]提出了基于梯度的分水嶺分割方法與區(qū)域合并方法結(jié)合，用以對番茄葉片的粘連病斑進行分割，但對于復(fù)雜環(huán)境條件下的病斑分割效果有待試驗。Li等[12]研究了一種基于多重分形分析的葉面白粉虱檢測方法，結(jié)合白粉虱的大小和形狀以及局部奇異性和全局圖像特征，實現(xiàn)了粘連白粉虱的分割與計數(shù)，但該方法對于多個白粉虱重疊情況分割準(zhǔn)確性有待提高。Ding等[13]應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)建立了儲糧害蟲的檢測識別方法，不僅可以檢測害蟲數(shù)量還可以進行分類，但對于多個害蟲粘連情況常常出現(xiàn)漏檢。Yao等[14]提出了一種基于光流方向的NCut分割方法，該方法較好實現(xiàn)了多個相互接觸飛蛾的分割，該方法對于光源穩(wěn)定和飛蛾大小的一致性要求較高，否則會降低該方法分割效果。Wang等[15]提出了基于Chan-Vese模型和Sobel算子的重疊病害葉片分割方法，在黃瓜病害葉片上獲得了較好效果，但該方法計算時間長。Fang等[16]研究了基于分水嶺分割和K均值的植物病害分割方法，實現(xiàn)了植物病害的背景分割與粘連分割，該方法對于病害粘連程度較低時分割效果較好，但對于多個病害重疊粘連情況會出現(xiàn)過分割。Melo等[17]應(yīng)用基于距離變換分水嶺分割算法進行牛奶體細胞的重疊分割，獲得了較好的效果，但方法是基于牛奶體細胞體積大小相對一致基礎(chǔ)上獲得。Xia等[18]采用計算區(qū)域最小值和最大值進行分水嶺分割標(biāo)記，再進行基于區(qū)域最大值的分水嶺變換，以實現(xiàn)害蟲的背景分割與粘連分割，但對于粘連害蟲分割存在部分欠分割。綜上所述，對于作物葉片粘連重疊病斑分割方法，分水嶺算法的優(yōu)點是邊界連續(xù)，在種子點選取較好的情況下，分割結(jié)果穩(wěn)定，但由于受噪聲和局部的不規(guī)則的影響，傳統(tǒng)分水嶺算法獲取的局部極值過多造成過分割情況，造成大量虛假輪廓的出現(xiàn)，使得真正病斑邊緣信息消失在過分割產(chǎn)生的復(fù)雜邊緣和虛假輪廓信息里，尤其是對于多個病斑粘連情況該方法分割效果欠佳。

如何改進傳統(tǒng)分水嶺算法，提高其分割效果，減少過分割現(xiàn)象發(fā)生成為了關(guān)鍵。本研究針對病斑粘連重疊問題，以棉花葉部病斑為對象，在分水嶺分割算法基礎(chǔ)上，擬采用最小二乘圓法誤差理論對圖像中每個連通分量進行最小二乘圓誤差值計算，通過最小二乘圓誤差值大小確定H-minima變換的極小值閾值，進而實現(xiàn)棉花葉部粘連病斑的分水嶺分割。

1 圖像采集

2017年6月至2018年6月在中國農(nóng)業(yè)大學(xué)農(nóng)業(yè)試驗基地，自然環(huán)境下采集棉花病害葉片圖像，棉花品種為BT轉(zhuǎn)基因棉，圖像采集時間分布在苗期、花期、蕾期、鈴期階段，為了充分考慮自然場景的天氣條件，分別選擇了晴天、陰天進行圖像采集。為使獲取的圖像有較強的代表性，采集方式為距離棉花葉片10～30 cm，選擇相機與棉花葉片垂直角度拍攝。采集設(shè)備為佳能單反數(shù)碼相機，型號為EOS 50D，焦距設(shè)定為：自動智能對焦。分別采集了輪紋病、褐斑病、炭疽病、葉斑病和棉鈴疫病共5種病害葉片圖像，采集的病斑包括2～5個粘連于一體的病斑圖像，用于測試棉花粘連病斑的自動分割。在自然環(huán)境下采集的具有復(fù)雜背景的棉花病害葉片原始圖像分辨率為640×480像素，共采集棉花葉片病害圖像605幅圖像，其中，輪紋病115幅、褐斑病140幅、炭疽病185幅、葉斑病90幅、棉鈴疫病75幅，作為復(fù)雜背景棉花葉片病斑分割測試試驗原始葉片病斑樣本庫。另外通過人工剪切方式和最鄰近插值方法，將棉花葉片上的病斑圖像統(tǒng)一縮放至256×256像素，作為不同數(shù)量粘連病斑分割試驗和粘連病斑分割方法對比試驗的病斑樣本庫。

2 病斑區(qū)域提取方法

病斑區(qū)域提取是粘連病斑分割的前提，其提取的準(zhǔn)確性直接影響后續(xù)粘連病斑分割的效果[19-20]。首先進行濾波處理，然后進行顏色空間轉(zhuǎn)換、二值分割，以及分割后的填充洞孔和去除毛刺處理，實現(xiàn)病斑區(qū)域的準(zhǔn)確提取，滿足后續(xù)的粘連病斑分割需要。以輪紋病為例進行病斑區(qū)域提取，其提取過程見圖1。

圖1 棉花病斑區(qū)域提取過程

2.1 濾波處理

在自然條件獲取的圖像都會含有一定的白噪聲，需要對圖像進行濾波處理[21-22]。高斯濾波器是平滑低通濾波器，適用于消除高斯噪聲和白噪聲[23]。由于采集的棉花圖像為彩色圖像，因此分別在、、顏色分量進行濾波處理，最后利用cat函數(shù)對3個顏色分量進行組合。通過大量試驗得到標(biāo)準(zhǔn)差2=1模板尺度為3×3高斯濾波器，可較好地抑制噪聲且保留圖像的細節(jié)，見圖1所示。

2.2 顏色分量轉(zhuǎn)換

通過大量病斑圖像試驗，超綠顏色分量更能凸顯病斑區(qū)域同時抑制其他區(qū)域，使得在二值分割中效果最好。在超綠顏色分量直方圖中，前景病斑與背景葉片具有2個不同的波峰，差異比較明顯。因此選用最大類間方差法[24]（OTSU法）確定最優(yōu)閾值，對病斑區(qū)域進行二值分割，分割后的病斑區(qū)域為白色區(qū)域，背景為黑色區(qū)域。其超綠顏色分量圖像見圖1c，直方圖見圖1d，二值分割結(jié)果見圖1e。

2.3 分割后處理

由于二值分割為閾值分割，分割后圖像還存在一些洞孔和毛刺現(xiàn)象，因此，選擇3×3像素圓形結(jié)構(gòu)元素，利用數(shù)學(xué)形態(tài)學(xué)的洞孔填充（見圖1f）和形態(tài)學(xué)開運算操作（見圖1g）進行處理，使得分割后的病斑區(qū)域保持輪廓連續(xù)和邊緣平滑。

3 粘連病斑分水嶺分割方法

分水嶺分割算法是一種重要的圖像粘連分割方法[25-26]。該方法基于拓撲理論，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區(qū)域稱為集水盆，而集水盆的脊邊界即分水嶺[27]。該方法具有速度快、輪廓保持平滑的優(yōu)點，但容易出現(xiàn)過分割，本研究方法在H-minima變換方法基礎(chǔ)上，利用病斑不規(guī)則度自適應(yīng)確定極小值閾值，進行粘連病斑的分水嶺分割。

3.1 H-minima變換方法

H-minima變換方法是一種通過消除局部極小值有效消除過分割的方法[28]?；驹硎牵和ㄟ^與給定的極小值閾值進行比較，抑制圖像的所有極小值小于局部極小值閾值，并通通過生成標(biāo)記圖像和腐蝕重建實現(xiàn)[29]。

不同閾值的棉花病斑H-minima變換圖像見圖2，可以看出，不同閾值其得到的H-minima變換結(jié)果也不相同，當(dāng)=1時，獲得了4個極小值點，剛好對應(yīng)4個病斑，且每個極小值點都很小；當(dāng)=5、15、25時，分別獲得了3、2、1個極小值點，直接進行分水嶺分割則存在1、2、3個欠分割。因此，如何根據(jù)病斑的大小和病斑的不規(guī)則度，自適應(yīng)確定閾值成為了分水嶺分割的關(guān)鍵。

圖2 不同局部極小值閾值h的棉花病斑H-minima變換圖像

3.2 最小二乘圓度誤差計算

最小二乘圓法是用多個等分點組成的平面曲線來代替連續(xù)的輪廓曲線，使從輪廓上各點到該圓的距離的平方和為最小，輪廓至最小二乘圓的最大距離和和最小距離之差，即為圓度誤差[30]。該方法也是國家標(biāo)準(zhǔn)《圓度測量術(shù)語、定義及參數(shù)》中規(guī)定的圓度評定方法的其中一種，評定的圓度誤差值具有唯一性[31-32]。因此，本研究引入最小二乘圓度誤差計算法，計算圖像中所有連通分量的平均圓度誤差，用以自適應(yīng)確定H-minima變換閾值大小。

根據(jù)病斑輪廓圖，以病斑長軸與垂直短軸交點為中心點，令最小二乘圓的圓心直角坐標(biāo)為(,)，按照極坐標(biāo)測得的病斑輪廓坐標(biāo)P(r,)，則最小二乘圓的圓心點(,)為

式中表示病斑輪廓等分間隔數(shù)；為病斑輪廓檢測點序號；為最小二乘圓半徑，?為光學(xué)分度測得值；r為各點到坐標(biāo)原點距離。

對圖像中每個連通分量進行最小二乘圓擬合與誤差計算，當(dāng)誤差值越小表明該圖中連通分量輪廓越接近于圓形，反之則越不接近圓形。從圖3可看出，當(dāng)=1、5、15、25時棉花病斑預(yù)分割形成的連通分量，圓度平均誤差為14.24、15.85、17.41和20.79像素，表明該圖像中的病斑最不接近于圓形。

根據(jù)不同閾值的預(yù)分割最小二乘圓度誤差計算，當(dāng)=1時的圓形誤差為14.24像素，在所有閾值的預(yù)分割中最小二乘圓度誤差最小，因此，該病斑圖像的H-minima變換可自適應(yīng)確定閾值為1。

3.3 距離變換

距離變換是利用倒角法或歐氏距離計算法，對圖中每一個像素到最近非零值像素的距離運算，得到距離變換圖，近似于等高線圖[32]。設(shè)定={(,)|H=1}為目標(biāo)像素集合，H=1即極小值對應(yīng)目標(biāo)像素，距離變換即是對極小值數(shù)組中像素點到最近非零值像素的距離

式中Dist為像素點(,)到最近非零值像素(,)的最短距離。

從圖4a三維距離變換圖可以看出，極小值之間的最短距離最小，圖中的4個低谷分別對應(yīng)4個極小值，分別對應(yīng)4個目標(biāo)點；從圖4b可以看出，極小值距離變換之后目標(biāo)之間出現(xiàn)了白色線條，為分水嶺分割提供了很好的脊線基礎(chǔ)，黑色區(qū)域即為距離變換后的最小值區(qū)域。

注：RE為圓度誤差。

圖4 棉花病斑距離變換圖像

3.4 自適應(yīng)H-minima分水嶺分割方法

針對棉花粘連病斑的分割問題，提出來了自適應(yīng)H-minima分水嶺分割方法。該方法首先利用最小二乘圓法獲得圖像病斑輪廓的圓度，在不同預(yù)分割的圓度檢測基礎(chǔ)上確定H-minima變換的閾值，然后獲得最佳的極小值點圖像，經(jīng)過極小值的距離變換和集水盆計算，從而得出集水盆的脊邊界，脊邊界形成的脊線即為分水嶺脊線。該方法流程圖如圖5所示，具體步驟如下：

1）讀取棉花病斑圖像；

2）提取棉花病斑區(qū)域；

3）對圖像中每個連通分量進行最小二乘圓誤差計算，并計算最小二乘圓誤差值；

4）根據(jù)最小二乘圓誤差值，調(diào)整H-minima變換閾值（25≥≥1），直至極小值點數(shù)量發(fā)生變化，并進行距離變換和預(yù)分水嶺分割；

5）判斷預(yù)分水嶺分割前后最小二乘圓誤差值變化，如果預(yù)分水嶺分割前最小二乘圓誤差值≤預(yù)分水嶺分割后最小二乘圓誤差值，則分割結(jié)束，如果預(yù)分水嶺分割前最小二乘圓誤差值>預(yù)分水嶺分割后最小二乘圓誤差值，則返回步驟3；

6）標(biāo)記病斑分割區(qū)域；

7）與棉花病斑原圖進行邏輯與運算可得到粘連病斑分割結(jié)果圖。

圖5 自適應(yīng)H-minima分水嶺分割方法流程圖

粘連病斑圖像的分水嶺分割結(jié)果如圖6所示，通過距離變換圖運算獲得3條分水嶺脊線（圖6a），通過3條分水嶺脊線與病斑區(qū)域提取圖像進行疊加（圖6b），可看出分水嶺脊線恰好處于粘連病斑間的粘連處，獲得病斑區(qū)域的標(biāo)記圖像（圖6c），與棉花病斑原圖進行邏輯與運算可得到粘連病斑分割結(jié)果圖（圖6d），分割后病斑邊緣檢測后與原圖的疊加（圖6e）。

圖6 粘連病斑的分水嶺分割

4 試驗結(jié)果與分析

4.1 試驗設(shè)計

為了測試本文方法的準(zhǔn)確性和穩(wěn)定性，從棉花葉部病斑庫中選取病斑圖像進行試驗，分別開展不同數(shù)量粘連病斑分割試驗、粘連病斑分割方法對比試驗及復(fù)雜背景條件下病斑分割試驗共3個試驗。試驗的軟件平臺為Matlab r2017a，Windows 10版本64位操作系統(tǒng)；硬件平臺為lenovo公司ThinkCentre品牌計算機，Intel(R) Core(TM)i5/3.2 GHz處理器，內(nèi)存4.0 GB。

4.1.1 不同數(shù)量粘連病斑分割試驗

從病斑樣本庫中選取2～5個粘連病斑，進行不同數(shù)量粘連病斑分割試驗，用于測試2個至5個粘連病斑分割效果及平均運行時間。從病斑樣本庫庫中選取不同粘連數(shù)量病斑進行測試，棉花葉部粘連病斑數(shù)量從2個粘連至5個粘連病斑共計160幅圖像，其中2個粘連病斑100幅、3個粘連病斑20幅、4個粘連病斑20幅、5個粘連病斑20幅。

4.1.2 不同分割方法對比試驗

從病害庫中輪紋病、褐斑病、炭疽病、葉斑病和棉鈴疫病共5種病害各選取粘連程度較高的30個樣本，每個樣本的圖像分辨率為256×256像素，用以開展距離分水嶺分割方法[17]、梯度分水嶺分割方法[11]、標(biāo)記分水嶺分割方法[8]、Chan-Vese方法[15]、高斯混合方法[9]與本文方法的對比試驗，以對比分析本文方法在病斑粘連分割中的性能，其中Chan-Vese方法參數(shù)：迭代次數(shù)=200次、能量函數(shù)正系數(shù)=1.0、時間步長=0.1、固定光滑系數(shù)=0.002×255×255、能量函數(shù)正參數(shù)1=2=1。

4.1.3 復(fù)雜背景條件下病斑分割試驗

從原始病害葉片樣本庫中，選取具有不同復(fù)雜背景的棉花病害葉片圖像，用于測試棉花生產(chǎn)實際中存在的各種復(fù)雜背景條件下的病斑分割效果；

4.2 結(jié)果與分析

4.2.1 不同數(shù)量粘連病斑分割試驗結(jié)果

不同數(shù)量粘連病斑分割結(jié)果如圖7所示。從圖可知，利用自適應(yīng)H-minima分水嶺分割方法，較好地實現(xiàn)了2～5個粘連病斑的準(zhǔn)確分割。

圖7 2～5個粘連病斑分割結(jié)果

從不同數(shù)量粘連病斑分割結(jié)果表1中看出，本文方法對100幅2個粘連病斑圖像，錯誤分割了5幅圖像，原因是4幅圖像的粘連病斑距離近被誤認為1個病斑，另1幅是將2粘連病斑距離較遠誤分割為3個；對20幅3個粘連病斑，錯誤分割的1幅圖像是存在欠分割；對20幅4個粘連病斑，錯誤的2幅圖像是由于4個粘連病斑距離近，被誤分割為3個病斑；對20幅5個粘連病斑，錯誤的1幅圖像是由于5個粘連病斑的2個粘連病斑距離較遠，被誤分割為了3個，另外2幅圖像是5個粘連距離近，分別被誤分割為3個病斑和4個病斑；本文方法不同數(shù)量粘連病斑平均分割準(zhǔn)確率為91.25%，平均運行時間為0.088 s。本文方法可以根據(jù)圖像病斑輪廓計算出最小二乘圓度誤差并自適應(yīng)確定閾值的大小，具有病斑大小與不規(guī)則度的適應(yīng)性，表明本文提出的自適應(yīng)分水嶺分割方法可較好的對粘連病斑進行分割。

表1 不同數(shù)量粘連病斑分割結(jié)果

4.2.2 不同分割方法對比試驗結(jié)果

棉花葉部粘連病斑的不同分割方法測試結(jié)果如圖8所示。可以看出，距離分水嶺分割方法能對明顯的粘連病斑進行分割，但會隨著粘連病斑的增加，過分割現(xiàn)象越加嚴(yán)重；梯度分水嶺分割方法由于病斑內(nèi)部的梯度原因，使得該方法產(chǎn)生較多的過分割，病斑內(nèi)部越不平滑，其產(chǎn)生的過分割越明顯；標(biāo)記分水嶺分割方法相對于距離水分嶺分割方法和梯度分水嶺分割方法減少了過分割現(xiàn)象，但當(dāng)粘連病斑比較嚴(yán)重且大小尺寸不一時，仍然出現(xiàn)了部分的過分割；Chan-Vese方法是利用水平集原理對病斑進行分割，其能量函數(shù)引導(dǎo)的曲線演化，對部分粘連病斑能實現(xiàn)分割，但大部分粘連病斑存在欠分割；高斯混合方法是通過概率密度函數(shù)來對病斑分割，對稀疏粘連病斑能較好的分割，但對于緊密粘連病斑分割效果不高；本文方法對各種粘連病斑圖像均能自適應(yīng)提取最優(yōu)最小值，有效抑制分水嶺分割方法產(chǎn)生過分割現(xiàn)象，同時粘連病斑經(jīng)分割處理后，原始圖像中的噪聲和細微結(jié)構(gòu)被很好地消除。本文方法能較好地抑制欠分割和過分割，分割效果最佳。

統(tǒng)計6種分割方法在5種病害共計150個樣本的正確分割率（ACC）、過分割率（OVER）和欠分割率（UNDER）和方法運行時間。

式中NumALL為總體病斑數(shù)量，NumACC為正確病斑數(shù)量，NumOVER為過分割病斑數(shù)量，NumUNDER為欠分割病斑數(shù)量，TimeRUN為方法運行時間，TimeTOC為方法運行結(jié)束時間，TimeTIC為方法開始運行時間。

圖8 本文方法與5種方法的棉花葉部粘連病斑對比分割測試結(jié)果

Fig.8 Results of comparative segmentation test results of cotton leaf adhesions between proposed method and other 5 methods

從表2對比分割統(tǒng)計結(jié)果中可以看出，在5種病害樣本分割平均值方面，距離分水嶺方法和梯度分水嶺方法的病斑過分割率最高分別達到24.7%和54.5%，主要原因是病斑內(nèi)部存在大小不一和灰度不均勻，造成距離分水嶺方法和梯度分水嶺方法在進行距離變換和梯度計算時存在偽極小值點，使得病斑內(nèi)部越不平滑，產(chǎn)生的過分割越明顯，同時，因方法較為簡單只需計算距離變換和梯度計算，其平均運行時間最短分別為0.034和0.036 s；標(biāo)記分水嶺方法的過分割率和欠分割率分別為13.6%和3.5%，均優(yōu)于于距離分水嶺方法和梯度分水嶺方法，原因是標(biāo)記控制符的運用，消除了大部分偽極小值點，使得分割效果較好，因此平均運行時間為0.046 s多于前2種方法；Chan-Vese方法因?qū)吔珙伾兓幻黠@情況演化困難的缺點，在病斑分割時存在大量的欠分割病斑，因此，Chan-Vese方法欠分割率達24.6%，在運行時間方面，Chan-Vese方法在曲線演化過程中需要不斷迭代，耗時達到0.357 s，在6種方法中運行時間最長；高斯混合方法通過概率密度函數(shù)來對病斑分割，對稀疏粘連病斑能較好的分割，但對于緊密粘連病斑分割效果不高，當(dāng)粘連病斑比較緊密時，常常存在欠分割，高斯混合方法欠分割率為13.8%，運行時間為0.108 s；本文方法正確分割率、過分割率和欠分割率分別為93.5%、2.9%和4.0%，都優(yōu)于其他5種分割方法，主要原因是本文方法對各種粘連病斑圖像均能自適應(yīng)提取最優(yōu)極小值，有效抑制分水嶺分割方法產(chǎn)生過分割現(xiàn)象，在運行時間方面，本文方法為0.094 s，較距離分水嶺方法、梯度分水嶺方法和標(biāo)記分水嶺方法多出了約0.06 s的耗時，但本文方法時間復(fù)雜度小于Chan-Vese方法和高斯混合方法，能夠滿足實時性處理要求。

4.2.3 復(fù)雜環(huán)境下病斑分割試驗結(jié)果

為進一步檢驗本文方法在復(fù)雜環(huán)境條件下棉花病害分割效果，從獲取的原始圖像中選取了5幅棉花病害圖像用以測試，測試結(jié)果如圖9所示，從圖中可以看出，自然條件下的原始圖像背景復(fù)雜，光照強度不均，使得病斑分割存在的難度增加，如圖9a。首先，利用基于全局梯度與局部信息的主動輪廓病葉自動分割模型，病葉分割效果如圖9b；其次，利用本文方法對病葉進行粘連病斑分割，其分割效果如圖9c所示；最后，將分割后病斑輪廓提取后疊加在原始圖像上，其效果如圖9d所示，從分割效果看，存在著粘連的病斑都較好的實現(xiàn)了分割。通過5幅自然條件下的棉花病害圖像的測試可以看出，本文方法不僅適用于病斑圖像，在自然條件下的棉花病害葉片圖像同樣適合，具有較強的魯棒性。

表2 不同分割方法的對比測試統(tǒng)計結(jié)果

圖9 自然條件下棉花葉部病斑分割測試結(jié)果

本文方法在粘連病斑分割中也存在分割錯誤案例，如圖10中的欠分割和過分割案例。

圖10 棉花葉部病斑分割錯誤案例

如圖10a所示，矩形框中的病斑，實際存在3個病斑緊密粘連于一體的輪紋病病斑，但本文方法只識別出為2個病斑，因此存在欠分割；如圖10b所示，矩形框中的病斑為1個病斑，但本文方法在計算最小二乘圓時將該病斑誤計算為了2個病斑，因此造成了病斑的過分割。

5 結(jié) 論

由于棉花葉部病斑相互之間常常存在嚴(yán)重粘連現(xiàn)象，并且病斑尺寸大小不一致和病斑邊緣不規(guī)則，使得傳統(tǒng)分水嶺分割方法造成過分割情況。本文研究針對粘連病斑分割問題，在H-minima分水嶺分割基礎(chǔ)上，結(jié)合最小二乘圓法誤差理論，提出了自適應(yīng)H-minima分水嶺分割方法，通過試驗測試得出以下結(jié)論。

1）通過不同粘連病斑分割試驗結(jié)果表示本文方法能根據(jù)圖像病斑輪廓計算出最小二乘圓度誤差，并自適應(yīng)確定H-minima變換的局部極小值閾值值大小，實現(xiàn)棉花葉部粘連病斑數(shù)量從2個粘連至5個粘連病斑的自動分割，病斑大小與不規(guī)則度的適應(yīng)性較好。

2）不同分割方法粘連病斑分割對比試驗，通過5種病害150個樣本的對比，發(fā)現(xiàn)本文方法的正確分割率為93.5%，優(yōu)于其他5種分割方法，特別是有效抑制了過分割問題。在效率方面，本文方法平均運行時間為0.094 s，略高于距離分水嶺分割方法、梯度分水嶺分割方法、標(biāo)記分水嶺分割方法，但低于Chan-Vese方法和高斯混合方法，能夠達到實時處理圖像要求。

3）在自然條件下病斑分割試驗結(jié)果表明，本文方法能夠較好實現(xiàn)自然場景中的棉花粘連病害分割，具有較強的魯棒性。

本文方法存在的不足為當(dāng)病斑粘連特別緊密情況和大小病斑重疊在一起時會存在部分欠分割情況，在今后進一步研究中將結(jié)合深度學(xué)習(xí)中的實例分割和語義分割，提高粘連病斑分割的正確率，降低本文方法的欠分割率。

[1] Lu J, Hu J, Zhao G, et al. An in-field automatic wheat disease diagnosis system[J]. Computers & Electronics in Agriculture, 2017, 142(9): 369－379.

[2] Zhang J, Kong F, Zhai Z, et al. Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm[J]. International Journal of Pattern Recognition & Artificial Intelligence, 2018, 32(5): 1－22.

[3] Barbedo J G A. A review on the main challenges in automatic plant disease identification based on visible range images[J]. Biosystems Engineering, 2016, 144(1): 52－60.

[4] Bock C H, Poole G H, Parker P E, et al. Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging[J]. Critical Reviews in Plant Sciences, 2010, 29(2): 59－107.

[5] Zhang J, Kong F, Zhai Z, et al. Automatic image segmentation method for cotton leaves with disease under natural environment[J]. Journal of Integrative Agriculture 2018, 17(8): 1800－1814.

[6] Phadikar S, Sil J, Das A K. Rice diseases classification using feature selection and rule generation techniques[J]. Computers & Electronics in Agriculture, 2013, 90(3): 76－85.

[7] 張艷誠，毛罕平，胡波，等. 作物病害圖像中重疊病斑分離算法[J]. 農(nóng)業(yè)機械學(xué)報，2008，39(2)：112－115.

Zhang Yancheng, Mao Hanping, Hu Bo, et al. Separate algorithm for overlapping spots in crop disease image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2008, 39(2): 112－115. (in Chinese with English abstract)

[8] 邱白晶，王天波，李娟娟，等. 黃瓜蚜蟲的圖像識別與計數(shù)方法[J]. 農(nóng)業(yè)機械學(xué)報，2010，41(8)：151－155.

Qiu Baijing, Wang Tianbo, Li Juanjuan, et al. Image recognition and counting for glasshouse Aphis gossypii[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(8): 151－155. (in Chinese with English abstract)

[9] 任艷娜，席磊，汪強，等. 基于高斯概率模型的水稻重疊病斑分割算法[J]. 計算機仿真，2011，28(2)：341－344.

Ren Yanna, Xi Lei, Wang Qiang, et al. Design of rice lesion identification system based embedded[J]. Computer Simulation, 2011, 28(2): 341–344. (in Chinese with English abstract)

[10] 張晴晴，齊國紅，張云龍．基于改進分水嶺算法的作物病害葉片分割方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43(2)：400－403.Zhang Qingqing, Qi Guohong, Zhang Yunlong, et al. Crop disease leaf segmentation method based on improved watershed algorithm[J]. Jiangsu Agricultural Science, 2015, 43(2): 400－403. (in Chinese with English abstract)

[11] 米雅婷. 基于GA-BP神經(jīng)網(wǎng)絡(luò)的溫室番茄病害診斷研究[D]. 哈爾濱：東北林業(yè)大學(xué)，2016. Mi Yating. Research on Greenhouse Tomato Disease Diagnosis based on GA-BP Network[D]. Harbin: Northeast Forestry University, 2016. (in Chinese with English abstract)

[12] Li Y, Xia C, Lee J. Detection of small-sized insect pest in greenhouses based on multifractal analysis[J]. Optik- International Journal for Light and Electron Optics, 2015, 126(19): 2138－2143.

[13] Ding W, Taylor G. Automatic moth detection from trap images for pest management[J]. Computers & Electronics in Agriculture, 2016, 123(3): 17－28.

[14] Yao Q, Liu Q, Dietterich T G, et al. Segmentation of touching insects based on optical flow and NCuts[J]. Biosystems Engineering, 2013, 114(2): 67－77.

[15] Wang Z, Wang K, Yang F, et al. Image segmentation of overlapping leaves based on chan–vese model and sobeloperator[J]. Information Processing in Agriculture, 2018, 5(1): 1－10.

[16] Fang Y, Ramasamy R P. Current and prospective methods for plant disease detection[J]. Biosensors, 2015, 5(3): 537－561.

[17] Melo G J A D, Gomes V, Baccili C C, et al. A robust segmentation method for counting bovine milk somatic cells in microscope slide images[J]. Computers & Electronics in Agriculture, 2015, 115(5): 142－149.

[18] Xia C, Chon T S, Ren Z, et al. Automatic identification and counting of small size pests in greenhouse conditions with low computational cost[J]. Ecological Informatics, 2015, 29(2): 139－146.

[19] 李文勇，李明，錢建平，等. 基于形狀因子和分割點定位的粘連害蟲圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(5)：175－180.

Li Wenyong, Li Ming, Qian Jianping, et al. Segmentation method for touching pest images based on shape factor and separation points location[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 175－180. (in Chinese with English abstract)

[20] 李凱，馮全，張建華. 棉花苗葉片復(fù)雜背景圖像的聯(lián)合分割算法[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)報，2017，29(10)：1871－1880.

Li Kai, Feng Quan, Zhang Jianhua. Co-segmentation algorithm for complex background image of cotton seedling leaves[J]. Journal of Computer-Aided Design and Computer Graphics, 2017, 29(10): 1871－1880. (in Chinese with English abstract)

[21] Bhoyar K K, Kakde O G. Color image segmentation based on JND color histogram[J]. International Journal of Image Processing, 2010, 3(6): 282－293.

[22] Bhogal A K, Singla N, Kaur M. Color image segmentation based on color and texture properties[J]. International Journal of Advanced Engineering Sciences and Technologies, 2011, 8(2): 152－159.

[23] 李凱，張建華，馮全，等. 復(fù)雜背景與天氣條件下的棉花葉片圖像分割方法[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報，2018，23(2)：88－98.

Li Kai, Zhang Jianhua, Feng Quan, et al. Image segmentation method complex background and for cotton leaf under weather conditions[J]. Journal of China Agricultural University, 2018, 23(2): 88－98. (in Chinese with English abstract)

[24] 張建華，孔繁濤，李哲敏，等. 基于最優(yōu)二叉樹支持向量機的蜜柚葉部病害識別[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(19)：222－231.

Zhang Jianhua , Kong Fantao, Li Zhemin, et al. Recognition of honey pomelo leaf diseases based on optimal binary tree support vector machine[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(19): 222－231. (in Chinese with English abstract)

[25] 江海洋，張建，袁媛，等. 基于MDMP-LSM算法的黃瓜葉片病斑分割方法[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(21)：142－148. Jiang Haiyang, Zhang Jian, Yuan Yuan, et al. Segmentation of cucumber disease leaf image based on MDMP－LSM[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2012, 28(21): 142－148. (in Chinese with English abstract)

[26] Ren Y G, Jian Z, Miao L, et al. Segmentation method for crop disease leaf images based on watershed algorithm[J]. Journal of Computer Applications, 2012, 32(3): 752－755.

[27] Liu T, Chen W, Wu W, et al. Detection of aphids in wheat fields using a computer vision technique[J]. Biosystems Engineering, 2016, 141(11): 82－93.

[28] 王婭. 血液紅細胞圖像自適應(yīng)標(biāo)記分水嶺分割算法[J]. 中國圖象圖形學(xué)報，2017，22(12)：1779－1787.

Wang Ya. Adaptive marked watershed segmentation algorithm for red blood cell images[J]. Journal of Image & Graphics, 2017, 22(12): 1779－1787. (in Chinese with English abstract)

[29] 方紅萍，方康玲，劉新海，等. 自適應(yīng)H－minima的改進分水嶺堆疊細胞分割方法[J]. 計算機應(yīng)用研究，2016，33(5)：1587－1590.

Fang Hongping, Fang Kangling, Liu Xinhai, et al. Clustered cells segmentation using modified watershed method based on adaptive H-minima[J]. Application Research of Computers, 2016, 33(5): 1587－1590. (in Chinese with English abstract)

[30] 石際亮，董黎君，梁國星. 基于MATLAB圖像處理的圓度誤差數(shù)據(jù)采集方法[J]. 中國農(nóng)機化學(xué)報，2015，36(2)：257－261.

Shi Jiliang, Dong Lijun, Liang Guoxing. Acquisition method of roundness error data based on MATLAB image processing[J]. Journal of Chinese Agricultural Mechanization, 2015, 36(2): 257－261. (in Chinese with English abstract)

[31] 岳奎. 最小二乘圓法評定圓度誤差的程序設(shè)計[J]. 工具技術(shù)，2006，40(4)：79－81.

Yue Kui. Programming for evaluation of roundness error by least squares mean circle method[J]. Tool Engineering, 2006, 40(4): 79－81. (in Chinese with English abstract)

[32] Wang J, He J, Han Y, et al. An adaptive thresholding algorithm of field leaf image[J]. Computers and Electronics in Agriculture, 2013, 96(6): 23－39.

Improved adaptive watershed method for segmentation of cotton leaf adhesion lesions

Zhang Jianhua1, Han Shuqing1, Zhai Zhifen2, Kong Fantao1, Feng Xin3, Wu Jianzhai1※

(1/100081,;2100125,; 3.,,, 400067,)

Accurate segmentation of cotton leaf adhesion lesions not only can extract the feature vector of individual lesions to a large extent, but also is important for the improvement of the accuracy of lesion identification. Some methods for adhesion lesions segmentation may result in over-segmentation or under-segmentation. In addition, some segmentation methods for adhesion lesions can better solve the segmentation problem, but the selection of parameters is sensitive, which needs to be manually set and cannot adapt to complex conditions, such as H-minima transform. Aiming at the adhesion problem between lesions, an adaptive watershed segmentation method was proposed. Firstly, for the cotton lesion area extraction, the Gaussian filter was used for image filtering processing, and then the super green color component was extracted and OTSU binary segmentation was performed. Post-segmentation processing was carried by the mathematical morphology of hole filling and the morphological opening operation, so that the contour of segmented lesion area was continuous and the edge was smooth. Secondly, the local minimum threshold () was determined. Based on the H-minima watershed segmentation method, the proposed method combined the least squares method error theory to fit the least squares of each connected component in the image. And the least squares error value was calculated, then the contour irregularity of each connected component was determined according to the least squares error value. The minimum thresholdof the H-minima transform was determined based on different contour irregularities. Finally, Watershed segmentation of cotton leaf adhesion lesions was achieved based on different minimum thresholds. A total of 160 images with 2 to 5 adhesion lesions were selected from the lesion sample library for testing. The lesions segmentation accuracy for cotton leaves with different number of adhesion lesions was 91.25% with running time of 0.088 s. The proposal method achieved the automatic segmentation , and was especially suitable for the adhesion of different lesions and irregularities. Meanwhile, 150 samples with high degree adhesion lesion of ring disease, brown spot, anthracnose, leaf spot and cotton boll blight were selected for different segmentation methods contrast test. The results of contrast test - showed that the proposed method could automatically segment the adhesion lesions of 5 diseases. Distance watershed method, Gradient watershed segmentation method, marker watershed segmentation method, Chan-Vese method, Gaussian mixture method and the proposed method, the correct segmentation ratio were 67.8%, 36.4%, 83.7%, 70.3%, 82.1% and 93.5%, respectively, with the average running time of 0.034, 0.036, 0.046, 0.357, 0.108 and 0.094 s. The experimental results showed that the proposed method was superior to the other 5 methods, especially the over-segmentation problem was effectively suppressed. The proposed method took slightly longer time than the distance watershed segmentation method, the gradient watershed segmentation method, and the marker watershed segmentation method, and was lower than the Chan-Vese method and the Gaussian mixture method, which could still meet the real-time image processing requirements. The results of lesion segmentation test in complex environment showed that under complex conditions such as complex background, uneven illumination and uniform lesion size, the proposed method could better achieve the segmentation of adhesion lesions, and its segmentation accuracy and running time could meet the actual needs. The proposed method can not only automatically segment the adhesion lesions on cotton leaf, but also provide reference for the segmentation of adhesion lesions for other crop leaves.

crops; image segmentation; algorithms; cotton leaf; adhesion lesion; least square method; H-minima transformation; watershed segmentation

張建華，韓書慶，翟治芬，孔繁濤，馮 鑫，吳建寨. 改進自適應(yīng)分水嶺方法分割棉花葉部粘連病斑[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(24)：165－174. doi：10.11975/j.issn.1002-6819.2018.24.020 http://www.tcsae.org

Zhang Jianhua, Han Shuqing, Zhai Zhifen, Kong Fantao, Feng Xin, Wu Jianzhai. Improved adaptive watershed method for segmentation of cotton leaf adhesion lesions[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(24): 165－174. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.24.020 http://www.tcsae.org

2018-08-03

2018-11-20

國家自然科學(xué)基金（31501229）；中國農(nóng)業(yè)科學(xué)院創(chuàng)新工程（CAAS-ASTIP-2016-AII）；中央級公益性科研院所基本科研業(yè)務(wù)費專項（JBYW-AII-2017-05）

張建華，副研究員，博士，主要從事圖像處理與圖像識別研究。Email：zhangjianhua@caas.cn

吳建寨，副研究員，博士，主要從事地理信息系統(tǒng)研究。Email：wujianzhai@caas.cn

10.11975/j.issn.1002-6819.2018.24.020

TN911.73; S431.9

A

1002-6819(2018)-24-0165-10