论文部分内容阅读
最近十多年，农作物病害、虫灾越来越严重，其病害种类越来越多、规模越来越大，因此而造成了大幅度的农业减产。伴随着计算机技术的发展，特别是人工智能技术、图像处理技术在各领域的广泛使用，越来越多学者开始研究在农作物病害自动诊断系统中引入图像处理技术。
图像分割技术作为图像处理过程中最靠前的阶段，它是特征提取、图像识别的基础和关键。图像分割技术在某些时候也可以直接分割出目标，简化后续处理。本文主要研究剥离分割，就是通过图像分割相关算法直接将病虫害叶片图像中的病斑直接剥离出来，通过不断分割排出非目标区域以获得最后的目标区域。
首先，病害叶片图像是从真实的田地中拍摄得到的，背景复杂、噪声强度大，因此需要进行一系列的预先处理:利用图像裁剪技术把图像的复杂背景转换成简单背景，再通过矢量中值滤波算法对图像进行去噪，再分别使用直方图均衡和图像拉伸来突出图像的对比度。
由于传统的图像分割技术都是基于灰度图像进行研究的，因此本文首先对预处理后的图片基于灰度分割算法进行实验。采用的分割算法有阈值法中的最大类间方差法(OTSU)，分割效果并不理想，然后又采用了其他一些灰度分割算法如二维最大熵法、神经网络、模糊C均值(FCM)分割算法，发现效果都不理想，究其原因是扁豆叶片病斑图像转成灰度图像后，背景和目标灰度差距并不明显，直方图并不具有明显的双峰，而且背景灰度范围较广，类内方差较大，传统的分割算法将图像分割成两类时，当两类类内方差差距较小时，具有好的分割效果，OTSU算法求得的分割阈值就是偏向类内方差大的一类，针对这个问题，本文提出了信息熵指导灰度拉伸的方法，在一定程度上减小了两类之间的类内差别即类内方差，因而在一定程度上提高了分割质量。
然而基于熵拉伸的OTSU仍然不能解决目标和背景在灰度值上有大范围重叠的情况，而扁豆叶片病斑图像目标和背景灰度值重叠范围也较广，因此需要对原始的彩色图像进行分割研究。对彩色图像进行分割，利用彩色信息有三种方式:
1)利用最佳的一个色彩通道:该方法缺点是很难确定哪个通道最适合分割，因此有种方法是将三个通道分别进行分割然后进行融合，但该方法获得的融合后的图像很难确定目标类别。
2)将三个色彩通道映射到一个平面即色彩降维:该方法难点是映射函数数学模型很难确定，至今尚没有通用的模型，降维结果好坏难以评价。
3)根据三个色彩通道求取一个矢量特征:该方法典型应用就是求取彩色矢量梯度，进行分水岭分割，但分水岭算法容易出现过分割和欠分割，分割结果需要进一步修正。
最后，本文提出了一种适合扁豆叶片病斑图像的剥离分割方法。该方法包括两层分割，第一层是彩色分水岭分割，并通过抑制小梯度来进行分水岭过分割，由于病害早期，植物叶片图像正常叶片面积远大于病斑区域，可通过面积法排除大面积的正常叶片，这样就间接解决了目标和背景类内方差差距大的问题;第二层是模糊聚类分割，由于目标和背景样本量相当，类内方差差距也较小，能得到较好的分割效果，又由于在植物早期和中期，正常叶片的绿色通道值一般大于病斑区域，可通过绿色分割将病斑区域最终剥离出来。实验结果表明，该剥离分割算法能很好的分割出病斑目标。