为进一步提升方法的通用性, 试验数据由两部分组成: 一部分试验数据来源于网络, 包括24幅图像; 另一部分试验数据采集于天津市农科院植保所农业创新基地日光温室5号棚, 共69幅图像。 图像采集于晴天, 采集时间为2016年4月20日早8:00— 下午17:00, 采集设备为Nikon Coolpix S3100数码相机, 采用自动模式, 采集过程中保持闪光灯关闭, 并且不使用光学变焦, 采集的图像尺寸为2 592× 1 944。 为降低运算量, 提高整体运行效率, 获取图像后, 将图像的尺寸统一处理为800× 600并保存为JPG格式。 图像处理算法采用Matlab 2014a编程实现。

在温室现场采集的病害图像中, 颜色特征是区分病斑与正常叶片的最直接特征^{[4, 5]}。 在光照条件相对均匀的情况下, ExR, HSV颜色空间中的H分量和L^* a^* b^* 颜色空间中的b^* 分量三种颜色特征都能够区分病斑与正常叶片。 一旦光照不均匀, ExR会受到较大的影响, 导致病斑分割产生错误。 而H分量和b^* 分量对光照变化不敏感, 可以在一定程度上减弱由于光照条件对病斑分割产生的影响^{[6, 7]}。 因此, 借鉴Minervini等研究^[8], 本文将ExR, H, b^* 三种颜色特征结合, 建立一种能够克服光照不均匀的颜色特征及其检测方法。

采用高斯差分滤波(DoG)、 圆形区域均值滤波分别对ExR, H, b^* 三种颜色特征图像进行二维离散卷积操作, 得到一种基于可见光光谱的颜色特征CVCF检测方法

f(I: r, σa, σb, α)=α(pb(r)* IExR)+DoG(σa, σb)* IH+pb(r)* Ib(1)

其中, I为输入图像, I_ExR为ExR特征图像, Ib*为b^* 颜色分量图像, I_H为H颜色分量图像, pb_(r)为以r为半径的圆形区域均值滤波器, Do G(σa, σb)为标准差为σ _H, σ _L的高斯差分滤波器, α 为ExR参数, 取值范围为(0, 1], * 为二维离散卷积操作。 CVCF可由式(2)计算得出

CVCF=exp(-β|f(I:r, σH, σL, α)|)(2)

其中, β 为下降速率参数。

支持向量机(support vector machine, SVM)是由Vapnik在1979年首先提出的一种基于结构风险最小化的分类器^[9]。 支持向量机涉及到的参数较少, 鲁棒性较好, 计算效率较高, 并且具有过拟合控制策略以及良好的抗干扰和噪声能力^[1], 在分类识别以及回归预测方面应用非常广泛^{[9, 10, 11]}。 因此采用SVM算法, 结合CVCF实现温室黄瓜霜霉病图像的初始分割。

SURF特征^[12]是一种具有尺度不变性的图像局部特征向量, 对于光照条件的影响, 具有很好的鲁棒性, 能够快速、 准确的检测图像的特征点。 为进一步提高分割结果的准确率, 引入了SURF特征, 优化SVM初始分类的结果。

由于ExR容易受到光照不均匀的影响, 因此, CVCF颜色特征提取的关键是ExR参数(0< α ≤ 1)的确定。 采用受到不均匀光照叶片的平均CVCF值与正常叶片区域平均CVCF值之比作为选择ExR参数的依据。

通过试验得出, 当ExR参数α 取值为0.1时, 受到光照不均匀影响叶片区域的平均CVCF值与正常叶片区域平均CVCF值之比最小, 表明光照条件不均匀的影响最小。 因此, CVCF检测方法可修正为

f(I:r, σa, σb, α)=0.1(pb(r)* IExR)+DoG(σα, σb)* IH+pb(r)* Ib* (3)

利用式(2)和式(3)对黄瓜霜霉病图像进行CVCF特征检测, 结果如图2所示, 其中, σ _a=5, σ _b=4, r=3, β =3。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 CVCF特征检测结果Fig.2 Detection results of CVCF

病斑分割模型的构建, 采用LIBSVM^[13]实现, 在核函数选择方面, 通过试验, 选择了基于径向基核函数的SVM分类器构建分割模型。 病斑分割模型的训练数据为60幅黄瓜霜霉病图像, 测试数据为33幅黄瓜霜霉病图像。 同时, 算法采用K-fold cross validation方法, 通过交叉验证, 对径向基SVM分类器的惩罚因子c以及核函数参数g进行优化。 病斑初始分割结果如图3所示, 其中c=0.7, g=11。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 初始病斑分割结果Fig.3 Initial segmentation results

从初始分割结果中可以看到, 基于CVCF特征与参数优化后的径向基SVM分类器, 能够克服图像中光照条件的影响, 将病斑与正常叶片分离。 由于现场采集的图像含有较多的背景噪声, 对病斑的分割准确度产生较大的影响, 需要对初始分割结果进一步优化。

采用SURF特征结合形态学操作进行初始分割结果优化, 具体流程如图4和图5。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 初始病斑分割结果优化流程Fig.4 Flow chart of optimization of initial segmentation results

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 初始病斑与SURF特征点匹配结果Fig.5 Matching results of initial segmentation results and SURF keypoints

(1)对CVCF特征图进行SURF特征点检测, 形成初始SURF特征点集S_{s₁, s₂, …, s_i}, i=1, 2, …, n, s_i为第i个特征点, n为初始SURF特征点的数量。

(2)计算所有特征点的平均强度值AvgM, 将S中所有特征点强度值 Msi与AvgM比较。 如果 Msi满足式(4), 则将s_i加入优化后的SURF特征点集optS, 不满足式(4)的特征点加入到剔除SURF特征点集DltS中。

Msi-avgM≥0(4)

(3)将optS中所有特征点与初始病斑分割结果R={ds₁, ds₂, …, ds_j}, j=1, 2, …, m, 进行匹配。 ds_j为分割结果中第j个病斑, m为病斑的数量。

(4)如果病斑ds_j满足式(5)条件, 则保留该区域, 否则在分割结果中剔除该区域。

dsj⋂optsi≠⌀(5)

(5)如果病斑ds_j与optS中多个特征点同时满足式(5)条件, 则比较这些特征点的强度大小, 保留强度最大的特征点, 将其他点加入到剔除SURF特征点集DltS中, 并记录数量D_i。

(6)将DltS中所有特征点按照强度大小进行排序, 提取前D_i个特征点加入到optS中。

(7)重复步骤(3)— 步骤(5), 直到病斑ds_j与optS中特征点唯一匹配。

病斑分割最终结果如图6所示。 为进一步验证方法的有效性, 开展了对比试验。 在基于阈值的分割方法和基于区域的分割方法中, 选择了比较常见的、 具有代表性的OTSU方法、 K均值聚类和决策树方法开展对比, 同时将对比方法与本文构建CVCF特征采用的可见光光谱特征结合, 增强结果的可参考性。 最终, 采用OTSU算法(基于H分量, 算法的分割阈值通过试验设定为0.2, 以下简称为OTSU+H^* 0.2)、 K均值聚类算法(基于H分量和b^* 分量, 以下简称为K-means+H+b^* )和决策树算法(基于H分量和b^* 分量, 以下简称为DT+H+b^* )三种分割方法与本方法进行分割效果对比(图7)。 通过对比结果可以看出, OTSU+H^* 0.2, K-means+H+b^* 和DT+H+b^* 三种方法在不同程度上均受到了光照条件和复杂背景的影响, 分割的精度不高。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 最终病斑分割结果Fig.6 Final segmentation results

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 病斑分割结果对比 (a): 原图; (b): OTSU+H* 0.2; (c): K-means+H+b* ; (d): DT+H+b* ; (e): 本法Fig.7 Comparison of segmentation results (a): Original imges; (b): OTSU+H* 0.2; (c): K-means+H+b* ; (d): DT+H+b* ; (e): Proposed method

而本法采用的CVCF特征对病斑和正常叶片及背景噪声具有良好的区分能力, 进一步通过SURF特征与形态学操作优化后, 取得了较好的分割效果, 能够基本克服现场采集的叶片图像中光照和复杂背景对于分割的影响。 同时, 以病斑错分率为评价指标^[1], 对OTSU+H^* 0.2, K-means+H+b^* 和DT+H+b^* 三种方法及本法的分割效果进行定量评价, 评价结果如图8所示。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 错分率对比Fig.8 Comparison of classification error

从图中可以看出, OTSU+H^* 0.2, K-means+H+b^* , DT+H+b^* 和本法的错分率分别为: 19.44%, 40.19%, 16.27%和7.37%, 此结果为33幅图像错分率的平均值。 本法的错分率明显低于另外三种方法。 而K-means+H+b^* 的错分率最高, 其次是OTSU+H^* 0.2和DT+H+b^* 。 定量评价的结果进一步表明, 本法对温室现场采集的黄瓜霜霉病图像具有良好的分割效果, 能够充分克服光照不匀和复杂背景的影响, 准确的提取病斑, 为下一步病害诊断提供可靠的数据。