一種甘蔗病害圖像識別方法

關(guān)于斑病的識別機械視覺技術(shù)用于自動識別病蟲害的圖像，對于可變藥物的使用具有重要意義。與手動方法相比，它不僅降低了勞動強度，而且提高了工作效率。甘蔗赤腐病和環(huán)斑病是甘蔗苗期常見的兩種病害,由于其病斑顏色與土壤、枯萎雜草等背景顏色相似,如何將病斑從背景中分割出來成為一個主要問題。國內(nèi)外已有學(xué)者根據(jù)不同的作物病蟲害圖像特點,從顏色特征、紋理特征、形狀特征等方面作了一些研究和探索,并取得了許多有價值的研究成果。然而,由于基于機器視覺技術(shù)的植物病蟲害識別本身的技術(shù)難度,其研究離實用化還有一定距離。本文以甘蔗苗期赤腐病和環(huán)斑病為研究對象,利用顏色和形狀特征分割病斑圖像。1圖像分割1.1圖像像素的分離在甘蔗病害圖像中,甘蔗正常葉片、綠色雜草屬于綠色植物類;甘蔗赤腐病葉片病斑一般呈紅色,甘蔗環(huán)斑病葉片病斑一般呈墨綠色至紅褐色,甘蔗葉片中脈呈黃白色,土壤為紅色或赤紅色,它們和枯萎的雜草等一起歸為非綠色植物類。因非綠色植物類顏色相似,通過顏色特征很難將病斑直接提取出來。為此,提出先通過顏色特征將非綠色植物類從綠色植物類與葉片中脈中分離出來,然后通過形狀特征將病斑從非綠色植物類中提取出來。通過對病害樣本圖像的像素值研究發(fā)現(xiàn),綠色植物類同一像素的綠色通道分量值一般大于紅色和藍色通道分量值,甘蔗葉片中脈同一像素的藍色通道分量值一般大于紅色和綠色通道分量值,土壤等其他非綠色植物類同一像素的紅色通道分量值一般大于藍色和綠色通道分量值。根據(jù)圖像像素值這個特點,采用顏色特征2G-R-B和2R-G-B將病斑、土壤等非綠色植物類從綠色植物類與葉片中脈中分離出來,為了后續(xù)區(qū)域標記的需要,將分離后的病斑、土壤等非綠色植物類的像素值設(shè)置為黑色(0),綠色植物類與葉片中脈的像素值設(shè)置為白色(255)。為了不破壞原圖像中的數(shù)據(jù)及方便后續(xù)圖像處理,先開辟3個與原圖像相同大小的內(nèi)存緩沖區(qū)p-temp1、p-temp2和p-temp3,并將3個緩沖區(qū)的初始值設(shè)置為白色(255),具體的分離方法如下:若2G(i,j)-R(i,j)-B(i,j)>0或2R(i,j)-G(i,j)-B(i,j)<0,則R1(i,j)=255,G1(i,j)=255,B1(i,j)=255;否則,R1(i,j)=0,G1(i,j)=0,B1(i,j)=0。其中i、j表示像素的位置坐標;R(i,j)、G(i,j)和B(i,j)表示在原圖像中位置為(i,j)處的像素顏色三分量值;R1(i,j)、G1(i,j)和B1(i,j)表示在緩沖區(qū)p-temp1中位置為(i,j)處的像素顏色三分量值。圖1為原圖像,圖2為圖1通過上述方法處理后的結(jié)果圖。從圖2可以看出,白色像素區(qū)域為綠色植物類和甘蔗葉片中脈,黑色像素區(qū)域為病斑、土壤等非綠色植物類,采用顏色特征2G-R-B和2R-G-B能較好地將病斑、土壤等非綠色植物類從綠色植物類與葉片中脈中分離出來,滿足下一步處理的需要。1.2區(qū)域像素數(shù)目赤腐病在葉片的發(fā)病部位一般在中脈上,環(huán)斑病在葉片的發(fā)病部位一般在葉片內(nèi)部,從圖2可以看出,利用顏色特征提取出病斑、土壤等非綠色植物類后,綠色植物類和甘蔗葉片中脈(白色區(qū)域)將病斑與其他非綠色植物類隔離開來,病斑形成一類連通區(qū)域,其他的非綠色植物類形成另一類連通區(qū)域。一般甘蔗赤腐病和環(huán)斑病病斑有一定的面積,可以先根據(jù)區(qū)域面積消除面積過大的連通區(qū)域和面積過小的噪聲區(qū)域。為了確定每個由黑色像素組成的連通區(qū)域面積大小,采用基于區(qū)域生長標記方法區(qū)分每個由黑色像素組成的連通區(qū)域,然后統(tǒng)計每個區(qū)域的像素數(shù)目,并用像素數(shù)目來表示連通區(qū)域面積的大小。具體的面積閾值分割流程描述如下:(1)分別定義一個初始值為零的區(qū)域標記符號label,一個統(tǒng)計連通區(qū)域像素個數(shù)的變量shumu,一個保存種子點的堆棧:typedefstruct{intgaodu;//種子點的縱坐標intkuandu;//種子點的橫坐標}seed;(2)逐行掃描保存在緩沖區(qū)p-temp1中的圖像,若找到一個像素值為零的點,把該點作為種子點壓入堆棧,記錄種子點的橫坐標x和縱坐標y的位置,shumu初始化為零,并執(zhí)行(3);否則,結(jié)束整個面積閾值分割程序。(3)當堆棧非空時,從堆棧中推出一個像素,并改變該像素的值(本文算法改為100),shumu的值加1,同時檢測該像素的八連通像素,將八連通像素中像素值為零的點壓入堆棧。(4)根據(jù)面積初步判斷是否為病斑區(qū)域,判定方法為:若T1<shumu<T2,初步判斷該區(qū)域為病斑區(qū)域,則執(zhí)行(5);否則,執(zhí)行(2)。其中:T1、T2為面積分割閾值。(5)在緩沖區(qū)p-temp1中以和(2)中找到的種子點具有相同位置坐標的點作為種子點壓入堆棧,當堆棧非空時,從堆棧中推出一個像素,并改變緩沖區(qū)p-temp1中該位置像素的值(本文算法改為10)和緩沖區(qū)p-temp2中該位置像素的值為label,同時檢測緩沖區(qū)p-temp1中該位置像素的八連通像素,將八連通像素中像素值為100的點壓入堆棧。(6)label的值加1。(7)重復(fù)(2)~(6)。通過上述算法得到的結(jié)果保存在緩沖區(qū)p-temp2中,結(jié)果圖如圖3所示。從圖3可以看出,面積過大的黑色像素連通區(qū)域和面積過小的黑色像素噪聲區(qū)域已被消除掉,而病斑區(qū)域則被較好地保留。1.3區(qū)域形狀特征分割通過面積閾值分割后的圖像臨時保存在緩沖區(qū)p-temp2中,圖像中的非白色連通區(qū)域?qū)嶋H上是一個從零到label-1的區(qū)域標記圖。甘蔗赤腐病病斑一般呈紡錘形或長條形斑,甘蔗環(huán)斑病病斑一般呈卵圓形或梭形,通過面積閾值分割后的非病斑標記區(qū)域一般由甘蔗葉片包圍形成三角形、梯形等不規(guī)則形狀,可以通過形狀特征排除這些非病斑標記區(qū)域。采用寬度、圓度和矩形度作為區(qū)分它們的形狀特征,并采用Freeman鏈碼對每個標記區(qū)域進行形狀特征計算,計算方法為:周長L=ne+2√n0L=ne+2n0式中ne——鏈碼中偶數(shù)碼的數(shù)目n0——鏈碼中奇數(shù)碼的數(shù)目面積S=∑i=1n∑i=1naix(yi?1+12aiy)aix(yi-1+12aiy)其中yi=yi-1+aiy式中aix、aiy——ai在X、Y軸上的分量長度和寬度:標記區(qū)域長度H是標記區(qū)域邊界上任意兩點的最大歐氏距離。標記區(qū)域?qū)挾萕的計算方法是:先求出標記區(qū)域長度H方向的直線方程,然后分別求出長度H方向的直線方程兩側(cè)標記區(qū)域邊界上的點到長度H方向的直線方程最大距離Wl和Wr,則標記區(qū)域的寬度W=Wl+Wr。圓度C=4πSL2C=4πSL2矩形度R=SWHR=SWΗ具體的形狀特征分割流程為:(1)設(shè)置循環(huán)變量m的初始值為零。(2)選取輪廓跟蹤起始點。按照從左到右、從下到上的順序搜索保存在緩沖區(qū)p-temp2中的圖像,若搜索到第一個像素值為m的像素,則用這個像素的位置坐標作為該連通區(qū)域輪廓跟蹤的起始點的位置坐標,記下該像素的位置坐標,并停止掃描,執(zhí)行(3)。(3)輪廓跟蹤提取外輪廓線上的點和計算該連通區(qū)域的面積。由于連通區(qū)域邊界都是連續(xù)的,從(2)找到的起始點的位置坐標開始,按照一定的跟蹤準則可以找到每個連通區(qū)域的外輪廓線點,并用Freeman鏈碼計算當前連通區(qū)域的面積S,把外輪廓線上的點保存在如下的堆棧中:typedefstruct{intx0;//外輪廓線上的點的橫坐標inty0;//外輪廓線上的點的縱坐標}zuobiao;其中外輪廓線上的點采用如下跟蹤準則:對于緩沖區(qū)p-temp2中的圖像,從(2)找到的起始點位置坐標開始,定義初始的搜索方向是左上方方向,如果左上方方向的像素值為m,則是邊界點;否則搜索方向順時針旋轉(zhuǎn)45°。這樣一直找到第一個像素值為m的點。然后把這個像素值為m的點作為新的邊界點,在當前搜索方向的基礎(chǔ)上逆時針旋轉(zhuǎn)90°,繼續(xù)用同樣的方法搜索下一個像素值為m的點,直到返回最初的邊界點為止。(4)根據(jù)公式計算當前連通區(qū)域的長度H、寬度W、圓度C和矩形度R。(5)根據(jù)形狀特征判斷當前連通區(qū)域是否為病斑區(qū)域,判定方法為:若H<T3&&R>T4&&R<T5&&C<T6,則判斷該連通區(qū)域為病斑區(qū)域,并執(zhí)行(6);否則,執(zhí)行(7)。其中,T3、T4、T5、T6分別為各形狀特征分割閾值。(6)為了后續(xù)圖像處理和模式識別的需要,把當前病斑區(qū)域的彩色信息保存于緩沖區(qū)p-temp3中,其規(guī)則為:逐行掃描保存在緩沖區(qū)p-temp2中的圖像,若B2(i,j)==m,則B3(i,j)=B(i,j),G3(i,j)=G(i,j),R3(i,j)=R(i,j);否則B3(i,j)、G3(i,j)和R3(i,j)的值保持不變。其中,R3(i,j)、G3(i,j)和B3(i,j)表示在緩沖區(qū)p-temp3中位置為(i,j)處的像素顏色三分量值。(7)循環(huán)變量m加1。(8)重復(fù)(2)~(7),直到循環(huán)變量m的值大于label-1。圖4給出了形狀特征分割的結(jié)果圖。從圖4可以看出,赤腐病和環(huán)斑病病斑較好地從圖像背景中分離出來,可以滿足進一步分析處理的要求。2bmp文件格式及環(huán)境用SONY彩色數(shù)碼相機于2007年3月至5月在華南農(nóng)業(yè)大學(xué)甘蔗實驗田和湛江市高陽村拍攝甘蔗苗期赤腐病和環(huán)斑病圖像,甘蔗種植時間為2007年1月,圖像大小為1200×900像素,為了方便后續(xù)分析和處理,將圖像從JPG文件格式轉(zhuǎn)化為BMP文件格式并存儲在計算機中。拍攝時盡量使彩色數(shù)碼相機鏡頭垂直向下,與地面的距離大約為170cm。所有算法均在MicrosoftVisualC++6.0環(huán)境下實現(xiàn),軟件運行環(huán)境是一臺配置為Celeron(R)2.4GHzCPU、512MB內(nèi)存的計算機。為了驗證本文算法對甘蔗苗期赤腐病和環(huán)斑病病斑分割的有效性,對30幅甘蔗赤腐病圖像和30幅甘蔗環(huán)斑病圖像進行分割實驗,實驗結(jié)果列于表1中。實驗結(jié)果表明,將分割后的圖像分成10×10的農(nóng)藥噴霧小區(qū),對每個小區(qū)分割結(jié)果進行分析,對環(huán)斑病圖像分割正確率達93