基于小波濾波與自適應閾值分割算法的玫瑰葉片病斑提取研究

肖灑　 賴菲　董春富　李文勤　李明

摘 要：針對玫瑰葉片白粉病病斑分布離散、無序且邊緣細節(jié)復雜、傳統(tǒng)圖像分割算法提取病斑困難等問題，提出了一種基于小波濾波與自適應均值閾值分割（WT-AAT）的葉片病斑圖像提取算法。首先，為了去除原始圖像噪聲，使用二維離散哈爾小波變換將圖像進行二層小波分解，并依據高、低頻子圖像自動提取噪聲系數，進而設定濾波閾值;然后，將高于閾值的噪聲系數置零，并逆序對每層進行小波重構，最終生成等尺度的去噪圖像;最后，采用可滑動窗口分割算法對去噪圖像進行自適應分割，再根據子圖的灰度均值設定二值化閾值，在二值化處理的基礎上析取白粉病病斑。結果表明，與WaterShed、Prewitt、Otsu等傳統(tǒng)分割算法相比，WT-ATT的像素漏警率的降低率分別為18%、18%和6%，說明該方法能夠較為準確地分割出病斑，并達到良好的病斑辨識效果。

關鍵詞：玫瑰白粉病;圖像分割;小波變換;自適應閾值;WT-ATT算法

中圖分類號 S436.8+1;TP391.41 文獻標識碼 A 文章編號 1007-7731（2022）07-0097-04

玫瑰對于生長條件要求嚴格，在栽培過程中易發(fā)白粉病，嚴重影響玫瑰花的產量和藥用價值，精確識別白粉病病斑可以有效防治白粉病。使用機器視覺識別白粉病害有效解決了目前專業(yè)人士識別白粉病害成本高的問題[1]。其中，玫瑰葉片的病斑提取是使用機器視覺實現病害識別的一個關鍵步驟。目前針對農作物病斑的提取和病害的識別的主流研究方法有神經網絡分割、邊緣分割、多尺度分割[2-9]。而閾值分割[10]以其簡潔、魯棒性高的特點被廣泛運用。閾值分割法可劃分為全局固定閾值分割和局部自適應閾值分割2種類型，全局固定閾值分割將圖像視為整體分析灰度值，確定整體閾值并對圖像進行分割，該方法能實現大部分圖像的二維化[11]。但由于農作物病害葉片病斑區(qū)域與健康區(qū)域區(qū)分度不高，全局固定閾值分割對該類灰度對比不明顯的圖像處理困難，而局部自適應閾值分割法從圖像自身的局部特征作為分割算法的切入點進行圖像分割，極大程度地降低了圖像整體對比度對分割效果的影響。

筆者從現場采集玫瑰白粉病葉片樣本，病斑具有形狀不規(guī)則、采集噪聲復雜、分布無序且灰度值不均等特性，使用傳統(tǒng)的圖像分割算法很難達到理想效果，無法將病斑精確分割[12]。二維小波變換可以將圖像分為高、低頻段信號，由于病斑圖像噪聲主要集中在高頻段，所以小波變換能夠有效去除圖像噪聲。而且，小波變換的多分辨率特性能夠較好地保留圖像的邊緣和細節(jié)，為此采用二維哈爾小波變換對原始圖像進行預處理。在病斑分割和析取方面，傳統(tǒng)閾值分割法由于閾值固定，通常很難分辨光照不均的目標和背景，因此筆者通過設定局部閾值的方式對病斑圖像進行自適應分割，以此得到細節(jié)更完整的病斑圖像，并且采用像素漏警率和像素虛警率指標比較和驗證不同算法的效果。為便于敘述，本文提出的算法記為WT-AAT（Wavelet Transform & Adaptive Average Threshold）。

1 材料與方法

1.1 試驗設備與材料 本研究中所使用的葉片病斑圖像來自于云南省玉溪市通?？h錦海玫瑰培育基地。為方便采集圖像，將被采集的玫瑰白粉病葉片置于平整白色pvc塑料板上，在葉片正前后方斜45°正上方固定2個同一強度光源，使用相機固定150mm距離垂直葉片進行拍攝，并以800×600像素的jpg格式保存樣本。圖像處理設備的配置為Windows10操作系統(tǒng)，處理器為Inter Core i7-10700k，3.80GHz，運行內存為32G，顯示適配器為NVIDA GeForce RTX 3060 Ti。圖像處理軟件是Matlab和Pycharm。

1.2 WT-AAT葉片病斑圖像分割方法 WT-AAT分割法首先使用二維哈爾小波變換對圖像進行濾波，減少圖像中存在的噪聲對分割的影響，再使用自適應均值閾值對圖像二值化處理以提取出病斑。

1.2.1 基于二維哈爾小波變換的圖像濾波 小波變換是用一組小波函數或基函數來表示一段信號，具有多分辨率分析的特點，可以表征時頻域內的信號特征[13-14]。在圖像處理中，通常將平面圖像視為二維矩陣，用小波變換對矩陣的行和列分解后提取各尺度的低頻和高頻系數，進而對高頻噪聲系數進行閾值處理，再通過處理后的小波系數對圖像進行各級重構以達到濾波的目的。如圖1所示，A1、A2分別為第一、二級小波分解的近似圖像，V1、V2分別為第一、二級垂直細節(jié)信息，H1、H2分別為第一、二級水平細節(jié)信息，D1、D2分別為第一、二級對角線細節(jié)信息。

二維小波變換的原理如式（1）～（3）所示，大小為M×N的原始圖像由二維離散函數[fx，y]表示，該函數可分解為二維尺度函數和二維小波函數的線性組合，其中[Wφ0，m，n]為近似系數，[Wiψj，m，n]為細節(jié)系數，j為小波分解的級數。

[φj，m，nx，y]和[ψij，m，nx，y]是不同尺度和不同位置下的尺度函數和小波函數：

1.2.2 基于自適應均值閾值的圖像分割 由于光照的影響，本研究采集的玫瑰白粉病葉片的病斑顏色和正常葉片顏色區(qū)分度較低，對比度不高，部分圖像中還存在過曝或者欠曝的情況，這給基于全局閾值的分割法帶來了極大的困難。自適應均值閾值分割作為一種局部閾值分割法，將圖像分成若干個小塊，對每個塊的閾值進行計算，以每塊圖像的閾值用作二值化圖像的依據，可以有效解決光照不均的圖像二值化后不理想的問題，保留更完整的圖像細節(jié)。自適應均值閾值分割設定一個可滑動矩形窗口，通過計算窗口內各個像素的均值確定二值化閾值，使灰度不均區(qū)域的閾值根據鄰域像素塊的灰度值改變。設M、N為滑動矩形窗口的大小，通常設定M=N，數值取3、5、7等奇數，窗口取值越小，閾值選取越精確，分割后的圖像越細節(jié)。[μ]為窗口內所有像素值的平均值，[δ]為人工確定的差值，取值范圍為正無窮到負無窮，[θ]為矩形窗口內圖像塊的閾值，f（x，y）為輸入圖像的像素值，g（x，y）為輸出圖像的像素值，自適應均值閾值分割算法有如下定義：

經過多次對比實驗，本研究設定滑動矩形窗口大小為5×5的尺寸，[δ]設置為6。

2 結果與分析

使用10張玫瑰白粉病葉片作為樣本進行試驗，依次編號為No.1～No.10，如圖2a所示。由圖2a可以看出，樣本病斑為白色，病斑邊緣不光滑不連續(xù)，與健康區(qū)域區(qū)分度不高，且病斑區(qū)域占健康區(qū)域少。圖2展示了Otsu、WaterShed、Prewitt和WT-AAT 4種分割方法對10張樣本的分割結果，以及分割結果和人工標注病斑的對比圖，各二值圖中葉片內的黑色部分為算法提取或標注的病斑區(qū)域。

為了對試驗結果進行客觀分析，本研究使用2個評價指標將分割圖像和人工像素級標注后的圖像進行對比評估：像素漏警率（Pixel Missing Alarm，PMA）和像素虛警率（Pixel False Alarm，PFA）。

像素虛警率是把健康區(qū)域判斷為病斑區(qū)域占實際健康總區(qū)域的比例：

像素漏警率是把病斑區(qū)域判斷為健康區(qū)域占實際病斑總區(qū)域的比例：

式中，m、n為圖像的大小，[pt（i，j）]為正確判斷為病斑的像素數，[pf（i，j）]為錯誤判斷為病斑的像素數，[pψ（i，j）]為正確判斷為非病斑的像素數，[pφ（i，j）]為錯誤判斷為非病斑的像素數。

由表1可以看出，WT-AAT算法的平均像素漏警率為76.19%，Otsu、WaterShed和Prewitt 3種算法的平均像素漏警率分別為93.32%、93.28%和81.59%。與其他3種算法相比，WT-AAT算法的平均像素漏警率有所降低。結合圖2和表1可以看出，在4種算法中，Otsu算法像素漏警率最高，且圖2中提取的有效病斑明顯偏少。由表1可知，No.7的病斑分割效果明顯優(yōu)于其他樣本，其像素漏警率為67.47%。這是因為Otsu算法是基于目標圖像和背景的最大類間方差實現目標圖像的分割提取，而相對于其他樣本，No.7的病斑圖像與背景灰度值差異明顯，進而導致了病斑圖像與背景圖像的最大類間方差值大，病斑與背景圖像之間的區(qū)分度高，病斑分割效果顯著，這也側面說明了Otsu算法在圖像分割方面的局限性。

WaterShed算法側重于提取具有較大分布面積的連續(xù)性目標圖像，但是實際葉片病斑不僅連續(xù)分布面積小，且病斑分布離散，因而整體上病斑分割效果并不理想。由表1可知，樣本No.3的像素漏警率為54.06%，看似取得良好的分割效果，而實際上該算法的像素虛警率高達51.37%，說明大面積的健康葉片被誤判為病斑。因此從試驗結果來看，WaterShed算法并不適用于玫瑰葉片的病斑分割。

由表1可知，Prewitt算法整體上的病斑提取效果較Otsu和WaterShed算法有所提高，但相對于WT-AAT算法仍表現出一定的局限性。如No.9的像素虛警率為14.32%，與WT-AAT的整體像素虛警率相比，雖然差別不明顯，但其像素漏警率達到100%，意味著根本沒有提取出有效病斑。這是由于其作為一種邊緣檢測算法，對于目標面積小的病斑邊緣檢測困難，導致分割出的結果差。

WT-AAT算法首先使用小波變換對圖像濾波，在保留病斑特征的前提下抑制噪聲，有效地彌補了單一自適應均值閾值算法的分割出圖像噪聲大的不足，同時使用自適應均值閾值分割法消除了灰度值分布不均對圖像二值化的影響。由表1可知，該算法整體分割效果穩(wěn)定，在已有的樣本中未出現過特異性情況。其分割效果更接近人工標注圖像，病斑細節(jié)豐富，整體像素漏警率低。對于60%的圖像，WT-AAT的像素漏警率低于其他3種算法。其中，No.4的像素漏警率更是低至51.56%，比其他3種算法減少了27.27%以上。但由于在選取局部閾值時，容易將局部灰度值偏低的像素點誤判為病斑，導致像素虛警率偏高，并且當窗口內病斑占絕大多數時，病斑提取效果不夠理想，如No.2的像素漏警率達84.49%。

3 結論與討論

由于玫瑰白粉病葉片中病斑和健康部位灰度值分布不均、病斑分布離散的特點，本研究提出了WT-AAT算法來提取病斑。試驗結果表明，WT-AAT算法與Otsu、WaterShed和Prewitt 3種算法相比，平均像素漏警率的降低率分別為18%、18%和6%，對玫瑰白粉病病斑的提取效果有所提升，為后續(xù)的農作物病害鑒別提供了借鑒途徑。未來將對自適應均值閾值分割法中可滑動窗口的選取進行改進，并建立神經網絡模型，進而更有效地對農作物病害進行識別并分類。

參考文獻

[1]袁媛，李淼，梁青，等.基于水平集的作物病葉圖像分割方法[J]. 農業(yè)工程學報，2011，27（02）：208-212.

[2]Liang Qiaokang，Xiang Shao，Hu Yucheng，et al. PD2SE-Net：Computer-assisted plant disease diagnosis and severity estimation network[J]. Computers & Electronics in Agriculture，2019，157：518-529.

[3]Kamal M，Phinn S，Johansen K. Assessment of multi-resolution image data for mangrove leaf area index mapping[J]. Remote Sensing of Environment，2016，176：242-254.

[4]王海青，姬長英，顧寶興，等.基于參數自適應脈沖耦合神經網絡的黃瓜目標分割[J].農業(yè)機械學報，2013，44（03）：204-208.

[5]明浩，蘇喜友.利用特征分割和病斑增強的楊樹葉部病害識別[J]. 浙江農林大學學報，2020，37（06）：1159-1166.

[6]何建斌，梁威，李曉明.基于K均值聚類和數學形態(tài)學的小麥彩色圖像分割[J].浙江農業(yè)學報，2011，23（04）：829-832.

[7]Liu L，Zhang W，Shu S，et al. Image Recognition of Wheat Disease Based on RBF Support Vector Machine[J]. International Conference on Advanced Computer Science and Electronics Information （ICACSEI2013），2013：307-310.

[8]Tushar H Jaware，Ravindra D Badgujar，Prashant G Patil. Crop disease detection using image segmentation[J]. World Journal of Science and Technology，2012，2（4）：190-194.

[9]唐紅梅，吳士婧，郭迎春，等.自適應閾值分割與局部背景線索結合的顯著性檢測[J].電子與信息學報，2017，39（07）：1592-1598.

[10]Otsu N. A Threshold Selection Method from Gray-Level Histograms[J]. IEEE Transactions on Systems Man & Cybernetics，2007，9（1）：62-66.

[11]張會敏，謝澤奇，張善文，等.基于WT-Otsu算法的植物病害葉片圖像分割方法[J].江蘇農業(yè)科學，2017，45（18）：194-196.

[12]李冠林，馬占鴻，黃沖，等.基于Kmeans硬聚類算法的葡萄病害彩色圖像分割方法[J].農業(yè)工程學報，2010，26（S2）：32-37.

[13]陳曉曦，王延杰，劉戀.小波閾值去噪法的深入研究[J]. 激光與紅外，2012，42（01）：105-110.

（責編：徐世紅）

Research on Rose Leaf Disease Spot Extraction Based on Wavelet Filtering and Adaptive Threshold Segmentation Algorithm

XIAO Sa ?LAI Fei DONG Chunfu LI Wenqin LI Ming

（1Southwest Forestry University College of mechanics and transportation，Kunming 650224， China; 2Tonghai Jinhai Agricultural Technology Development Co.， Ltd， Yuxi 650224， China; 3Key Laboratory of Advanced Perception and Intelligent Control of High-end Equipment of Ministry of Education， Anhui Polytechnic University， Wuhu 241000， China; 4School of Electrical Engineering， Anhui Polytechnic University， Wuhu 241000， China）

Abstract： In view of the discrete， disorderly distribution and complicated edge details of rose leaf powdery mildew disease spots， traditional image segmentation algorithms are difficult to extract the disease spots， and a new leaf disease spot extraction algorithm based on wavelet filtering and adaptive mean threshold segmentation （WT-AAT） is proposed. First， in order to remove the original image noise， the image is decomposed by two-layer wavelet using two-dimensional discrete Haar wavelet transform， and the noise coefficient is automatically extracted according to the high and low frequency sub-images， and then the filter threshold is set; then， zero the noise figure above the threshold， and perform wavelet reconstruction on each layer in reverse order， and finally generate an equal-scale denoised image; finally， use a sliding window segmentation algorithm to adaptively segment the denoised image， and then set it according to the gray average of the sub-image Binarization threshold， extract powdery mildew lesions on the basis of binarization treatment. The experimental results show that compared with traditional segmentation algorithms such as WaterShed， Prewitt operator， and Otsu， the reduction rates of WT-ATT′s pixel missing alarm rate are 18%， 18%， and 6%. It shows that the method can segment the lesions more accurately and achieve a good effect of lesion identification.

Key words： Rose powdery mildew; Image segmentation; Wavelet transform; Adaptive threshold; WT-ATT algorithm

基金項目：國家自然科學基金項目（31760182）：基于聲發(fā)射能量模型的膠合木結構蠕變機理與演變規(guī)律研究。

作者簡介：肖灑（1999—），女，湖南衡陽人，碩士，研究方向：圖像處理。

通訊作者：李明（1977—），男，江蘇鹽城人，教授，研究方向：智能控制與優(yōu)化，木材聲發(fā)射特性。? 收稿日期：2021-12-25