[发明专利]一种作物病害叶片图像中病斑的分割方法

说明书

技术领域

本发明属于数字图像处理领域，具体涉及一种植物叶片图像的处理方法。

背景技术

病害是导致农作物减产的一个重要因素。及时地发现和控制病害，对减少农药的使用，提高农作物的产量和质量具有十分重要的意义。当前农业生产中，专家们主要以个人经验和病理学知识进行分析与判断病害的种类和严重程度，但此方法识别出来的病害主观性强、速度慢、错误率高且实时性差。随着计算机技术的高速发展，图像处理技术越来越多地被应用于农业生产过程中。相对于之前仅凭肉眼和个人经验不同，计算机的视觉和图像处理技术具有很强的客观性和及时性，能够很精确地识别出不同农作物的病害，为后续变量喷药系统提供必要的参数。在使用计算机视觉技术进行作物病害的识别和处理中，将图像中病斑区域和非病斑区域的分开操作叫做对病斑图像的分割，病斑图像分割是对作物病害图像特征和模式识别的前提。

在对病害的诊断过程中，由病害造成的叶片病斑的种类和大小是各种诊断方法判断病害发生程度的主要依据。因此，如何准确无误地分割出病害叶片上的病斑是实现病害种类的识别和防治的关键。但是，由于作物病害图像存在病斑排列无序、大小不一、颜色分布不均，且不同作物、不同病害其病斑各异等问题，使得病斑的准确分割异常困难。目前，常用于作物叶片病斑的分割方法主要有阈值分割法、分水岭分割法、主动轮廓分割法等方法。

但是，上述分割方法在对病斑进行分割时，往往需要设置许多固定的参数，这样会造成分割的结果和当前所设置的参数密切相关，存在不同作物、不同病害分割结果不稳定的问题，算法的适应性不高。因此，已有的病斑分割技术中仍缺少一种适应于不同作物、不同病害种类的病斑自适应分割方法。

为此，研究一种自适应于不同作物、不同病害种类的作物叶片图像中病斑的分割方法，是目前业界亟待解决的技术课题。

发明内容

针对现有技术存在的问题，本发明提供了一种作物叶片图像中病斑的分割方法，可以将不同作物、不同病害种类的病斑从作物叶片图像中准确的分割出来。

实现本发明目的的技术方案为：

一种作物病害叶片图像中病斑的分割方法，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，其中，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。

其中，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，其中，H或者H满足将L或者H中像素数小于100的值置为0，如L＝488，缩放后为400，同理H亦如此。L和H的具体范围视采集图像的大小而定。

在L*a*b*颜色空间中，L*分量用于表示像素的亮度；a*表示从红色到绿色的范围，其正值代表红色而负值代表绿色；b表示从黄色到蓝色的范围，其正值代表黄色而负值代表蓝色。因此，绿色的背景叶片区域与非绿色的叶片区域在a*颜色分量上会存在明显的差异。进一步地，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；