[发明专利]一种作物病害叶片图像中病斑的分割方法

权利要求书

1.一种作物病害叶片图像中病斑的分割方法，其特征在于，包括以下步骤：

S1从图像采集设备中获取包含作物病害叶片的彩色图像I₁，对所述彩色图像I₁进行归一化处理形成彩色图像I₂；

S2提取图像I₂的红色、绿色、蓝色三个颜色通道上的子图像I_r,I_g,I_b，并将图像I₂转换到CIEL*a*b*颜色空间，提取a*颜色分量，并形成图像I_a*；

S3根据病害叶片的特点，设置初始分类数目为2，即将病害叶片分为病斑部分和正常叶片部分2大类；

S4利用自适应特征学习方法，学习图像中的病斑和背景叶片的初始分类颜色特征R、G、B的值，病斑图像R、G、B的平均值为病斑分类中心，正常叶片图像R、G、B的平均值为背景叶片分类中心，

S5计算各个像素点到分类中心的距离，把数据归到离它最近的那个分类中心所在的类；

S6分别统计分割结果中病斑区域和正常叶片区域的像素在CIEL*a*b*颜色空间模型中a*值的均值和R、G、B的均值；

S7计算病斑区域和背景叶片区域两类a*均值之间的距离；

S8若a*值的距离与下一次重新聚类得出的值相比最大则分割结束；否则，更新分类中心，重复步骤S5～S8直至a*值的距离小于上一次聚类结果时的距离。

2.根据权利要求1所述的作物病害叶片图像中病斑的分割方法，其特征在于，步骤S1中，利用双线性插值方法将所述彩色图像归一化为L×H大小的图像，其中L、H分别为放缩后图像的宽度和高度，图像中像素数小于100的值置为0。

3.根据权利要求1所述的作物病害叶片图像中病斑的分割方法，其特征在于，步骤S4的自适应特征学习方法，包括以下操作：

S41将图像I₂分成为s×t像素大小的M块子图像；

S42随机选取一幅不重复的子图像blcok_i(1≤i≤M)，将该图像转换到CIEL*a*b*颜色空间，并提取a*分量，形成子图像block_a*；

S43将block_a*中所有的像素进行排序，分别提取最大的前N个值和最小的前N个值所对应的像素点；

S44根据公式(1)，

(I_g(x,y)-I_r(x,y)＞θ₁)∩(I_g(x,y)-I_b(x,y)＞θ₂) (1)

计算满足公式(1)条件下，block_a*值中最小的前N个值所对应的像素点的平均R、G、B值，记为R₁、G₁、B₁，并统计满足公式(1)的像素个数N₁；

式(1)中，0＜θ₁＜255，0＜θ₂＜255；

S45计算不满足公式(1)条件下，block_a*值中最大的前N个值所对应的像素点的平均R、G、B值，记为R₂、G₂、B₂，并统计不满足公式(1)的像素个数N₂；

S46若N₁＞θ₃×N，则R₁、G₁、B₁，为正常叶片区域的初始分类颜色特征初值，否则，跳到步骤S42；其中0.5≤θ₃≤1；

S47若N₂＞θ₄×N，则R₂、G₂、B₂，为病斑区域的初始分类颜色特征初值，否则，跳到步骤S42；其中0.5≤θ₄≤1；

S48根据同时满足步骤S46和步骤S47条件的叶片初始特征颜色值R₁、G₁、B₁和病斑初始颜色特征值R₂、G₂、B₂，利用传统的K-means聚类算法对图像blcok_i进行分类，提取分类中心不再变化的分类中心点，为该图像blcok_i最终的分类特征值，R_i1、G_i1、B_i1和R_i2、G_i2、B_i2，并统计参与分类的子图像blcok_i的个数Num；

S49重复步骤S42～S48,直至对所述M幅子图像全部进行遍历，然后将Num个子图像所对应的R_i1、G_i1、B_i1和R_i2、G_i2、B_i2分别进行求取均值，其均值和为图像I₂最终的初始颜色特征值。