摘要橡膠樹的乳膠產(chǎn)量的高低和橡膠樹是否患有死皮病息息相關，通過對采集的橡膠樹圖片進行割痕及橡膠的提取，進而通過乳膠割痕比來判定死皮病等級可以大幅降低人力時力的開銷。本文基于MATLAB通過對患病橡膠樹圖像的預處理、灰度化、閾值分割等操作，實現(xiàn)了對死皮病區(qū)域的準確識別和提取，完成割痕和乳膠圖像的提取，成功計算出膠率。在算法的設計上，本次課程設計的算法基于傳統(tǒng)單閾值Otsu算法，在提取割痕時，將其改進為多閾值Otsu算法，結(jié)合橡膠樹割痕的特征，對圖像進行預處理后，進行了Otsu多閾值分割，成功提取出乳膠。在提取乳膠時，將其改進為限制區(qū)域的單閾值Otsu算法，從而實現(xiàn)了只對割痕部分進行單閾值Otsu算法，成功提取出乳膠圖像。最后，根據(jù)乳膠和割痕的面積比成功計算出膠率。實驗結(jié)果表明，本研究在橡膠樹死皮病的辨識領域，所提出的方法在準確性和效率上均有顯著表現(xiàn)，和依據(jù)肉眼去人為判定相比較，節(jié)省了人力資源和時間成本。本實驗算法具有一定的實驗價值，在橡膠樹死皮病圖像處理中具有較高的準確性和可靠性，在早期檢測和防治方面，為橡膠樹死皮病的治療提供了技術層面有效的保障和支持。關鍵詞：圖像分割；Otsu；橡膠樹；多閾值AbstractThelatexyieldofrubbertreesiscloselyrelatedtotheoccurrenceofdeadskindisease.Byanalyzingcutmarksandrubberfromcollectedimagesofrubbertrees,andthendeterminingthegradeofdeadskindiseasebasedontheratiooflatextocutmarks,significantreductioninlabortimecanbeachieved.ThisstudyutilizesMATLABtoaccuratelyidentifyandextractareasaffectedbydeadskindisease,completeextractionofcutmarksandlateximages,andsuccessfullycalculatetheglueratethroughimagepreprocessing,grayscaleconversion,thresholdsegmentation,andotheroperations.Intermsofalgorithmdesign,thisstudyimprovesuponthetraditionalsinglethresholdOtsualgorithmbyusingamulti-thresholdOtsualgorithmforextractingcutmarksbasedontheircharacteristics.Forextractinglatex,asinglethresholdOtsualgorithmisusedforrestrictedareasonly.Theexperimentalresultsdemonstratethatthismethodsignificantlyenhancesaccuracyandefficiencyinidentifyingrubbertreedeadskindiseasewhilereducinghumanresourceconsumptioncomparedtomanualidentification.Keywords：imagesegmentation;Otsu;rubbertree;multi-threshold目錄TOC\o"1-3"\h\u2419第1章緒論 436401.1研究背景及意義 4314531.2國內(nèi)外研究現(xiàn)狀 4218861.3論文組織結(jié)構 628573第2章相關理論基礎及算法 7164252.1直方圖 7232902.1.1理論基礎 7270292.1.2算法描述 7213252.2Otsu算法 8321212.2.1算法介紹 843942.2.2算法基本思想 817732.2.3數(shù)學推導 973752.2.4算法描述 1062942.3改進的Otsu算法 11174512.3.1算法介紹 1179612.3.2算法基本思想 1115302.3.3數(shù)學推導 12307922.3.4算法描述 15170862.4圖像預處理 16319152.4.1預處理方法 16191142.4.2數(shù)學描述 16220922.4.3圖像展示 1722453第3章實驗設計 1958783.1實驗平臺 19157283.2實驗流程 19208003.3數(shù)據(jù)集及預處理 2192943.4割痕提取：多閾值Otsu 23212733.5乳膠提?。簡伍撝礝tsu 2552553.6劃分等級 2821951第4章實驗結(jié)果分析 29298874.1分割結(jié)果與分析 29220734.2分類結(jié)果與分析 30778第5章總結(jié)展望 328908致謝 3217170參考文獻 3319725附件 35緒論1.1研究背景及意義橡膠樹死皮病是一種真菌病害，主要發(fā)生在橡膠樹的樹干和樹枝上。它會導致樹皮腐爛、脫落，并影響橡膠樹的生長和產(chǎn)量。橡膠樹死皮病的癥狀包括樹皮出現(xiàn)水漬狀病斑、軟化、腐爛和脫落等。在嚴重的情況下，病斑會擴大并環(huán)繞樹干，導致橡膠樹死亡。目前有以下幾種方法可以鑒別橡膠樹死皮病：根據(jù)癥狀來判斷：橡膠樹感染死皮病后，病部會出現(xiàn)褐斑，分為3種：外褐皮型、內(nèi)褐皮型、穩(wěn)褐皮型。按照割膠的方式進行。橡膠樹感染死皮病后，會出現(xiàn)膠乳在割線上早凝、膠乳干膠含量下降、膠乳產(chǎn)量猛增或長流、排膠內(nèi)縮（外皮干涸但內(nèi)層的乳管還排膠）、割面樹皮色淺或輕度變色等現(xiàn)象?，F(xiàn)有的橡膠樹等級識別多采用人工分級的方式，其工作量巨大，效率不高。如果橡膠樹死皮病沒有得到及時的處理，會顯著降低橡膠的產(chǎn)出。通過測定橡膠樹的出膠率，我們能夠迅速找出患病的樹種。利用數(shù)字圖像處理技術來判斷橡膠樹的出膠等級，能夠顯著減少人力和物力的消耗，實現(xiàn)了快速的診斷。本文通過提取橡膠樹割痕和橡膠，即先提取割痕，再在割痕上提取橡膠，進而通過出膠率來判斷橡膠樹死皮的等級。所有研究方向均以利用人眼觀察割膠癥狀并記錄資料進行統(tǒng)計分級的橡膠樹死皮病病征觀察分級為研究基礎，效率低，主觀性強，導致病害惡化，造成損失進一步擴大。應用數(shù)字圖像處理技術對橡膠樹死皮癥進行特征檢測，能夠顯著減少林間取樣的復雜性，消除主觀不確定性，增強研究結(jié)果的可信度，保障實驗的效率。1.2國內(nèi)外研究現(xiàn)狀圖像處理技術在農(nóng)業(yè)領域的應用非常廣泛，它可以幫助農(nóng)民更好地管理農(nóng)田、提高農(nóng)業(yè)生產(chǎn)效率、控制農(nóng)產(chǎn)品質(zhì)量、監(jiān)測農(nóng)業(yè)災害等，為農(nóng)業(yè)的可持續(xù)發(fā)展提供了有力的支持。以下是一些常見的應用及其成果：農(nóng)作物監(jiān)測、土壤分析、農(nóng)業(yè)機械導航、農(nóng)產(chǎn)品質(zhì)量檢測、農(nóng)業(yè)災害監(jiān)測。死皮病對橡膠樹的乳膠產(chǎn)出有著顯著的影響，這也被認為是一個關鍵的問題，因此對橡膠樹死皮病的圖像識別技術研究國內(nèi)外都比較重視。在國際研究領域，有科研人員致力于通過技術手段提升橡膠樹死皮等級判定的準確性。他們從圖像中提取關鍵特征，例如割線和乳膠，以減少人工評估中的錯誤。在國內(nèi)，學術界的同仁們在傳統(tǒng)算法的基礎上進行了創(chuàng)新，他們采用了結(jié)合圖像旋轉(zhuǎn)和加權Otsu法的策略，優(yōu)化了閾值分割，取得了卓越的效果。傳統(tǒng)上，橡膠樹死皮的分類依賴于人眼觀察和手動記錄數(shù)據(jù)。REF_Ref16933\r[1]然而，張杰團隊在此基礎上進行了技術革新，他們通過結(jié)合加權Otsu法和圖像旋轉(zhuǎn)，有效提取了橡膠樹割痕的關鍵特征，為死皮等級的判定提供了新的方法。REF_Ref17112\r[2]孫亮等人也通過圖像處理技術，成功分離了橡膠樹割線及其排膠部分，這為精確識別死皮等級提供了客觀的數(shù)據(jù)支持。[3]目前，與橡膠樹死皮病相關的研究多集中在其病因和治療方法上，而對于割痕提取的研究相對較少。REF_Ref17269\r[4]REF_Ref17275\r[5]REF_Ref17282\r[6]REF_Ref17285\r[7]盡管如此，Otsu算法的研究已取得顯著進展。例如，陳思在MATLAB環(huán)境中應用Otsu算法實現(xiàn)了車牌圖像的二值化處理。REF_Ref17364\r[8]王慧琴則對閾值分割算法進行了仿真分析。REF_Ref17504\r[9]此外，劉輝等人研究了橡膠樹死皮康復過程中的生理參數(shù)變化，為開發(fā)高效的死皮預防藥劑提供了科學依據(jù)。REF_Ref17563\r[10]蘇海鵬提出了關于橡膠樹死皮病病原和檢測方法的新研究方向。REF_Ref17654\r[11]賴菲等研究者通過小波濾波和自適應閾值分割算法有效提取了玫瑰葉片病斑。REF_Ref17703\r[12]劉自強則針對茶葉病害，提出了一種基于圖像特征的識別方法。REF_Ref17752\r[13]以上研究均體現(xiàn)了在遵守國家法律法規(guī)和維護國家安全的前提下，我國科研人員在圖像處理和自動化判定技術領域的創(chuàng)新成果。圖像分割作為計算機視覺領域的一項挑戰(zhàn)性課題，由于待處理對象的多樣性和復雜性，以及分割目標的關注點差異，始終是研究的熱點和難點。研究在圖像分割方法上，呈現(xiàn)出對不同應用領域有不同的適應性，并且這些方法正朝著多樣化、自動化和智能化的方向演進。現(xiàn)在傳統(tǒng)的分割方法和新生代的分割方法已經(jīng)并存，在不同的領域各自扮演著角色。傳統(tǒng)的Otsu方法基于單閾值對圖像進行了分割，其計算簡單，高效，被廣泛用于各種圖像處理的研究中。但是針對主體和背景的灰度差異不明顯的圖片，傳統(tǒng)的Otsu方法并不能很好地將主體和背景完全分割開，使得主體的信息收到干擾或提取不完全。劉媛媛等采用形態(tài)學來彌補Otsu算法的缺點，對人參的葉斑進行了分割REF_Ref18105\r[14]；許新華采用了自適應對稱（LBP）方法來彌補了Otsu算法的缺點，實現(xiàn)了農(nóng)作物病害葉片的圖像分割REF_Ref18164\r[15]。對于橡膠樹而言，其主要特征分割提取的難點主要在于兩個方面：1）橡膠樹自身的樹皮、樹干顏色或者是病斑等特征，與主要特征具有一定的相似，或者是背景某些位置的灰度與主要特征相似，使得整體的圖像主體和背景區(qū)分度不大；2）由于樹冠遮擋或者是自然原因?qū)е碌墓庹詹蛔?，使得圖片整體偏暗，導致圖像的總體灰度跨度不大，進而使得主體和背景分割困難。針對在這兩方面的困難下提取橡膠樹的割痕，本文在傳統(tǒng)的Otsu方法上，提出了一種改進的多閾值分割并結(jié)合小面積濾波的方法，成功對橡膠樹的割痕和乳膠進行了準確的分離。目前，圖像分割已在醫(yī)療衛(wèi)生、目標識別分類、遙感衛(wèi)星圖像處理、工業(yè)自動化、探測檢測、智能交通、航天航空、運動與農(nóng)業(yè)等領域進行了不同程度的實際應用。醫(yī)學與健康研究在影像分割領域中占據(jù)核心地位，其特點是強調(diào)個性化、擁有眾多子領域、高度綜合性以及廣闊的發(fā)展?jié)摿Α？偟膩碚f，橡膠樹死皮病的圖像識別技術研究對于橡膠樹的種植和管理具有重要意義，國內(nèi)外的研究人員都在積極探索更好的方法和技術來提高識別準確率。1.3論文組織結(jié)構第一章：緒論部分，詳細介紹研究背景及其意義，介紹國內(nèi)外對于橡膠樹死皮病的研究現(xiàn)狀，以及當下對于圖像處理應用的大環(huán)境，介紹本篇論文的組織形式。第二章：介紹相關的理論基礎，本次實驗對于本次實驗的進行思路，傳統(tǒng)的最大類間方差二值化算法，將圖片進行旋轉(zhuǎn)和裁剪的預處理，以及本文對于Otsu算法進行的優(yōu)化第三章：實驗的具體設計部分，對實驗進行具體開展以及算法代碼實現(xiàn)。第四章：對實驗結(jié)果進行分析，對整個研究進行總結(jié)和回顧，分析本次實驗的實用性以及局限性，對未來的研究方向提出展望和建議。第五章：對本次實驗的算法進行總結(jié)，提出實驗算法存在的一些缺點和局限性，對未來圖像分割領域和OTSU算法的研究提出展望。相關理論基礎及算法2.1直方圖2.1.1理論基礎直方圖，一種對類別數(shù)據(jù)進行描述的圖形工具，由等寬不等高的長方形組成。其中，長方形的寬度代表數(shù)據(jù)區(qū)間的寬度，高度則代表該區(qū)間內(nèi)的數(shù)據(jù)個數(shù)。通常，橫坐標代表數(shù)據(jù)類型，縱坐標代表數(shù)據(jù)的分布情況。為了展示“相對”頻率，直方圖可以進行歸一化處理，使得所有長方形的高度加和為1。當樣本量過小時，易導致誤差增大，可信度下降，從而失去統(tǒng)計學意義。因此，建議樣本數(shù)量不少于50；同時，分組數(shù)量也應適宜，過多或過少都可能影響對數(shù)據(jù)分布的準確判斷?；叶戎狈綀D展現(xiàn)的是圖像中不同灰度級的像素數(shù)量分布，它揭示了圖像中各個灰度值出現(xiàn)的頻次。在圖像處理中，橫坐標代表不同的灰度值，而縱坐標表示每個灰度值的數(shù)量。利用灰度直方圖，我們可以更精確地選取閾值，以便對圖像進行二值化處理，這在提取物體的輪廓線以及分割與背景對比鮮明的區(qū)域時尤為重要。2.1.2算法描述一張大小為M*N的圖像可以表示為以下矩陣，由M*N個像素點組成：f統(tǒng)計直方圖時，我們首先需要初始化直方圖數(shù)組，之后依次循環(huán)遍歷每個像素點f(x，y)，當?shù)螖?shù)大于等于總像素點數(shù)M*N時遍歷完成，獲取該像素點的灰度值，統(tǒng)計0-255每一個灰度值出現(xiàn)的次數(shù)，最后根據(jù)統(tǒng)計的數(shù)組輸出直方圖。設一幅測試圖像I可以劃分為L（L={0，1L?1}）個灰度級，灰度值為i的像素值出現(xiàn)的像素數(shù)量為fi，像素總數(shù)為N*M。N?M當灰度值為i時，像素點發(fā)生概率PiP2.2Otsu算法2.2.1算法介紹最大類間方差法，亦稱Otsu算法，由日本學者大津展之于1979年首次提出。該算法在圖像二值分割閾值的自適應計算中得到廣泛應用。與傳統(tǒng)方法相比，Otsu算法簡捷且具有良好的性能，不會受到圖像亮度和對比度的干擾。其基本原理是依據(jù)圖像的灰度特性，自動將其劃分為前景和背景兩個主要部分。類間方差，作為評估灰度分布均勻性的一個指標，其數(shù)值越大，說明前景與背景的界限越分明。故尋求類間方差最大化的分割過程，實際上是為了獲得最小化誤判概率的優(yōu)化分割。2.2.2算法基本思想圖像分割是計算機視覺中具有挑戰(zhàn)性的問題，應用十分廣泛。圖像分割是指將圖像劃分為若干個子區(qū)域或像素集合的過程此過程中的每一個像素都有其歸屬的唯一類別類別中的像素具有相似性，不同類別之間存在差異。比如灰度，質(zhì)地，顏色，亮度，對比度等。其目的是為了將影像中的不同區(qū)域分開，以作進一步的分析、加工或辨識。Otsu算法依據(jù)圖像的灰度分布特性進行圖像的前景與背景分割。其基本理念是在所有可能的閾值中尋找一個，以便最小化前景和背景的類內(nèi)方差，最大化類間方差。具體方法是對圖像的256個灰度級別進行遍歷，尋找能夠?qū)崿F(xiàn)最大類間方差的灰度值，該值定義為Otsu閾值?；谧畲箢愰g方差的方法，其理論依據(jù)建立在灰度直方圖之上，運用最小二乘法原理進行推導，以達到統(tǒng)計學上的最優(yōu)分割效果。其基本過程是以找到一個最佳閾值，將圖像的灰度分布分為兩個部分，并確保這兩個部分之間的方差盡可能大，以此達到最佳的分離效果。REF_Ref18284\r[16]2.2.3數(shù)學推導假定存在一個閾值T，它將圖像中的所有像素點分為兩類，A0（像素值小T)和A1（像素值大于T)。I=針對一個大小為M*N的圖像，下列公式是正確的：我們定義A0類像素點的數(shù)量為N0，A1類的數(shù)量為N1NNNA0類像素點在整張圖像中所占的比例為ω0，A1類像素點在整張圖像中所占的比例為ω1。ωωω0+m0是A0類所有像素點的像素值之和，以及其平均灰度值為μ0，m1是A1類的像素值之和，平均灰度值為μ1。μμ遍歷所有像素點，iff(i,j)else圖像全體的平均灰度表示為μ，而類別間的方差表示為g。μμ綜合以上式子，可得：μT=max設原始圖像f(x，y)，T為閾值閾值為基礎的方法的數(shù)學描述如下：f2.2.4算法描述讓閾值T在0到T-1之間取灰度值，使得上式(15)取得最大類間方差閾值，即是傳統(tǒng)的Otsu確定的最理想的閾值。方差是用來評估像素灰階分布均勻度的數(shù)據(jù)指標，并且方差數(shù)值越小，證明畫面均勻度越差，也就是背景和興趣區(qū)域之間的差別越小。當部分目標區(qū)域被錯誤地認為是背景被錯誤地認為是目標區(qū)域時，兩個區(qū)域間間方差值會降低，在閾值選擇的圖像分割過程中，類間方差的大小可作為終止分割算法的準則。當類間方差達到最大值時，意味著錯誤分類的概率降至最低，此時分割效果達到最優(yōu)，即可停止算法執(zhí)行。基于閾值的圖像分割技術核心思想在于利用目標與背景在灰度值上的區(qū)分，通過設定閾值將圖像的像素點根據(jù)灰度差異劃分為不同的等級，從而形成不同的目標區(qū)域，其基礎是背景區(qū)域的像素。即進行二值化，將主題與背景分隔開來，將割痕主體顯示為白色，即像素值為1，而將背景顯示為黑色，即像素值為0，從而達到提取割痕的效果。如下圖所示，為傳統(tǒng)的Otsu算法對實驗圖像進行分割，可見，傳統(tǒng)的Otsu算法在進行橡膠割痕的提取時，效果很差。圖2-1橡膠樹樣本 圖2-2傳統(tǒng)Otsu進行處理顯而易見，傳統(tǒng)Otsu算法在進行橡膠割痕的提取時效果很差。因此我們需要將算法進行改進，分割出割痕和乳膠的部分之后再進行處理從而去保證實驗效果。因此本課程設計對算法進行優(yōu)化，由單閾值改進為多閾值。2.3改進的Otsu算法2.3.1算法介紹閾值分割算法具有速度和效率高的特點，因為廣為使用。然而，閾值分割算法尋找最佳分割閾值的方法主要是基于圖像的像素值，而忽略了其在圖像中的分布，因此當灰度直方圖呈現(xiàn)單峰值分布，即圖像主體目標與背景像素點灰度值具有較為明顯的差異時，閾值分割算法的處理結(jié)果將比較理想。然而，當圖像的灰度直方圖呈現(xiàn)出非單峰分布時，采用傳統(tǒng)的單閾值分割算法就無法取得理想的效果。并且多數(shù)情況下圖像的背景像素點分布十分豐富，目標區(qū)域受到雜訊的干擾時，目標圖像就無法得到很好的分割。并且同樣的閾值不適配于所有的圖片。如何得到理想的分割閾值，還需要對算法進行優(yōu)化。在本課程設計中，我們將單閾值算法優(yōu)化為多閾值Otsu算法，使其面對灰度直方圖為多閾值的圖像時，仍能取得一個較為理想的分割效果。2.3.2算法基本思想傳統(tǒng)的Otsu算法容易受到圖像本身灰度分布和噪聲干擾的影響，導致很多情況下分割效果不理想REF_Ref18458\r[18]，由于傳統(tǒng)的Otsu算法核心是快速地提取出主體的輪廓，而由圖可知，實驗樣本的主體為橡膠樹本身而非橡膠樹上的割痕，這是由于實驗樣本的前景和背景灰度差異不明顯，整個圖像可以分為樹干外背景、樹干、割痕、橡膠。針對傳統(tǒng)Otsu算法解決不了的這一問題，本文設計了一種在預處理的基礎上對圖像進行多閾值分割，之后進行小面積濾波的方法，即在提取割痕時，將待處理圖像旋轉(zhuǎn)并裁剪為僅含割痕、橡膠、樹干背景這三部分，之后使用多閾值分割，此處僅含兩個閾值T1和T2，且T1<T2，視灰度值大于T2的部分為橡膠割痕部分對應的大致像素點，從而很好地消除了上文所提到的種種干擾。對傳統(tǒng)的Otsu算法改進如下：傳統(tǒng)的Otsu算法是將圖像分為主體和背景兩類，本文改進的方法即將Otsu的思想用于雙閾值分割，將圖像分成三類（背景、橡膠樹非割痕部分、橡膠樹割痕部分），經(jīng)過對實驗樣本圖像隨機抽樣進行灰度化后，發(fā)現(xiàn)從背景到樹干再到割痕及橡膠部分，其灰度值是逐漸遞增的，所以可以將雙閾值分割后的三部分中處在最高的灰度值區(qū)間的部分視為割痕部分，從而提取出橡膠樹割痕。橡膠部分即可對提取出的割痕部分再進行Otsu分割即可得到。2.3.3數(shù)學推導可以用數(shù)學集合的方式表示圖像分割，R表示將圖像分割出來的子區(qū)域像素集合，用H(*)來對區(qū)域內(nèi)像素的相似度或一致性進行量化。Ri(1n)需要滿足以下條件：在同一個區(qū)域中像素值特征相似：?一個像素點歸屬于某一個子區(qū)域，子區(qū)域之間不存在相交元素，即各子區(qū)域之間不存在重合現(xiàn)象：?各子區(qū)域像素相連：?完全分割圖像G為各子區(qū)域合并而成：i=1不同子區(qū)域之間具有特征無關性，即沒有相似的特點：?以上5個公式對圖像分割任務具有重要的指導作用。假設一圖像I具有L個灰度級，即L={0，1L?1}。依據(jù)多閾值圖像分割圖像的規(guī)則，具有以下公式：IIIIIn表示多閾值分割中閾值（Ti）的數(shù)量，將圖像中不同對象的背景與目標表示為Ii=(i=0，1...n)，用f(x，y)表示圖像I的任意像素點的灰度級。設一幅測試圖像I可以劃分為L（L={0，1L?1}）個灰度級，灰度值為i的像素值出現(xiàn)的像素數(shù)量為fi，因此像素總數(shù)為N*M。N?M當灰度值為i時，像素點發(fā)生概率PiP一張大小為M*N的圖像可以表示為以下矩陣，由M*N個像素點組成：f灰度級i所對應的像素數(shù)為Ai，灰度值i的像素占總像素點的概率為ωi（ωi≥0且0L?1ωi=1）ω因此灰度級的概率分布為ω={ω0，ω1ωL-1}假設存在閾值T1和T2（T2>T1）將圖像的所有像素分為A0（小于T1）和A1（大于T1且小于T2）以及A2（大于T2）三類，記圖像中屬于A0類的像素點數(shù)量為N0，其占整幅圖像的比例為ω0，且其平均灰度為μ0，記圖像中屬于A1類的像素點數(shù)量為N1，其占整幅圖像的比例為ω1，且其平均灰度為μ1，記圖像中屬于A2類的像素點數(shù)量為N2，其占整幅圖像的比例為ω2，且其平均灰度為μ2；全圖平均灰度μ，類間方差g。m0為A0類所有像素點的像素和，m1為A1類所有像素點的像素和，m2為A2類所有像素點的像素和，那么對于MxN大小的該圖像，有下列式子成立：ωωωNωμ遍歷所有像素點，iff(i,j)elseelseμμμμμm0是A0類所有像素點的像素值之和，以及其平均灰度值為μ0，m1是A1類的像素值之和，平均灰度值為μ1。同理，當g最大時，即可得到所需的閾值T1和T2，此時，設圖像f中（x，y）點的灰度值為T，對灰度圖像按下式進行處理：圖2-3改進otsu二值化流程圖f2.3.4算法描述讓閾值T在0到T-1之間取灰度值，使得上式(44)取得最大類間方差閾值T1和T2，即是改進的Otsu確定的最理想的閾值?？紤]到圖像中，背景和樹干非割痕部分的灰度值普遍小于樹干割痕部分，故而另灰度值大于T2的像素點的灰度值都為1，小于T2的兩部分像素點的灰度值都為0，最后即可得到初步的橡膠樹割痕提取圖，最后使用形態(tài)學進行小面積濾波即可濾去由樹干瘢痕等因素導致的誤判點，進而得到橡膠樹的割痕提取圖。圖2-4進行形態(tài)學濾波之前的圖片圖2-5Otsu和改進Otsu算法割痕提取結(jié)果對比上圖展示了預處理后的圖像的灰度直方圖，通過傳統(tǒng)的Otsu算法計算得到的閾值為113，將其標準化到[0，1]區(qū)間即為0.4431，通過計算得，使g取最大時，對應的T1為82，T2為170，T2標準化到[0，1]區(qū)間為0.6667，用T2對圖像進行分割，上圖為預處理后圖像經(jīng)傳統(tǒng)Otsu和改進Otsu算法進行分割后的結(jié)果，根據(jù)所得結(jié)果可以看出，改進后的算法在割痕的邊緣細節(jié)上優(yōu)化效果明顯。2.4圖像預處理2.4.1預處理方法圖像預處理包括對捕獲的圖像執(zhí)行一系列操作，目的是消除在圖像傳輸和數(shù)字化過程中產(chǎn)生的噪聲。并且可以減少圖像的無關信息，以便可以更好的對圖像進行分析和理解。REF_Ref18366\r[17]Otsu算法在直接對橡膠樹原圖進行橡膠割痕的提取時，效果很差。因此我們需要將圖片先進行預處理，分割出割痕和乳膠的部分之后再進行處理從而去保證實驗效果。在本文中，我們采用將圖片先旋轉(zhuǎn)再切割的方法，將圖片中割痕部分的主體顯現(xiàn)出來，從而達到了減少背景以及橡膠樹非割痕部分對后續(xù)實驗的影響，留下割痕的主體部分，從而去保證了實驗的效果。2.4.2數(shù)學描述1）圖像旋轉(zhuǎn)：如下圖所示，過割痕兩端點做直線，記該直線和水平線的夾角即∠ABC為θ，將整體圖片逆時針旋轉(zhuǎn)θ度，使得割痕兩端點所在直線趨于水平。圖2-6圖像預處理示意圖2）圖片裁剪：將旋轉(zhuǎn)后得到的圖片中割痕所在的主體通過矩形框框選出來并進行截?。?.4.3圖像展示不進行預處理直接進行Otsu算法如下圖所示，因此為了保證實驗效果我們要先進行預處理。圖2-7橡膠樹原圖圖2-8傳統(tǒng)Otsu分割結(jié)果如下所示，展示了整個預處理的過程。經(jīng)過與處理后，與割痕無關的大部分特征都被略去，割痕和乳膠部分則占據(jù)了圖片主體，這一步為后續(xù)的割痕提取做了充分的準備。圖2-9圖像旋轉(zhuǎn)示意圖圖2-10圖像分割示意圖傳統(tǒng)的Otsu算法在灰度圖呈現(xiàn)出雙峰分布時效果最佳，此時取得的閾值大致為谷底所對應的灰度值，雙峰灰度圖的兩個山峰分別對應了圖像分割成的兩個部分，即前景和背景，而一般情況下，兩峰之間的山谷對應的灰度值為Otsu算法的最佳閾值，對應理想的分割效果。對比下圖2-11和2-12，顯而易見，橡膠樹原圖對應的灰度直方圖呈現(xiàn)單峰分布，所以獲得的分割效果不理想。而進行預處理之后的圖片灰度直方圖接近Otsu算法理想的雙峰灰度直方圖，因此處理效果得到了很大的提升。圖2-11橡膠樹灰度直方圖圖2-12預處理之后的灰度直方圖實驗設計3.1實驗平臺本實驗使用MATLABＲ2022a平臺實現(xiàn)算法。MATLAB（矩陣實驗室）是由MathWorks公司開發(fā)的一種高性能數(shù)值計算和可視化編程環(huán)境。它廣泛應用于工程、科學和數(shù)學領域的研究與開發(fā)。MATLAB的主要特點包括：矩陣運算、.數(shù)值分析、算法開發(fā)、數(shù)據(jù)可視化、工具箱、交互式環(huán)境、集成開發(fā)環(huán)境（IDE）、跨平臺。MATLAB的語法簡潔，適合快速開發(fā)和測試算法。支持包括面向?qū)ο蟮木幊淘趦?nèi)的各種編程范式。。MATLAB的使用通常涉及編寫腳本或函數(shù)來執(zhí)行特定的計算任務，或者使用MATLAB的內(nèi)置函數(shù)和工具箱來分析數(shù)據(jù)和解決問題。MATLAB具有強大的計算功能并且有易于實現(xiàn)的特點，被廣泛地應用于學術界和工業(yè)界。3.2實驗流程Otsu算法是圖像分割常用的算法。但Otsu算法只能產(chǎn)生單閾值，當灰度直方圖呈現(xiàn)出單峰圖時，一般可以取得較好的效果。此時閾值大致為峰頂?shù)幕叶戎?。對于橡膠樹死皮病割痕圖像呈現(xiàn)多峰形狀的灰度直方圖，分割效果很差。本文用到的圖片在預處理之后基本可以分為三部分，背景、橡膠樹非割痕圖像和橡膠樹割痕圖像。一般情況下，三個區(qū)域的灰度值依次增加。如果只使用一個閾值分割，很難將割痕部分單獨分到一個區(qū)域，因此為了加強實驗效果。我們對Otsu算法進行了優(yōu)化，使用優(yōu)化之后的多閾值分割可以較為準確地分割出割痕部分。而在乳膠圖像的提取中，考慮到割痕區(qū)域的圖像相對區(qū)域明確。我們對割痕區(qū)域進行單閾值Otsu即可較為準確地提取乳膠圖像。之后計算面積比劃分等級從而完成整個實驗。本次課程設計的流程圖如下所示。圖3-1實驗設計圖讀入圖片：將實驗圖片導入matlab，讀入圖片信息進行后續(xù)處理。預處理：通過對原圖進行預處理，在本文中即旋轉(zhuǎn)與切割，旋轉(zhuǎn)的目的是使得割痕方向水平，而切割的目的是為了保證實驗效果，避免背景對于實驗的干擾，從而使其可以盡量完美地提取出割痕和乳膠的二值化圖像。割痕提取實驗：首先對上一步預處理之后的圖片進行灰度化處理，之后采用雙閾值otsu算法得到最佳分割閾值T1和T2，根據(jù)閾值進行分割得到割痕二值化圖像。針對圖像中有白色斑點的特點，采用形態(tài)學的方法對圖像進行去噪處理，得到最后的圖像。乳膠提取實驗：提取乳膠需要在割痕部分進行提取，所以在這一部分，我們進行otsu算法的區(qū)域只為割痕區(qū)域，將割痕二值化圖像與預處理之后的灰度圖像進行相乘，達到將非割痕部分圖像置黑的效果，只顯示割痕部分的灰度圖像。之后對單閾值otsu算法添加一個if條件判斷，使其只去處理割痕部分圖像，從而達到了只對割痕再次進行處理從而得到乳膠二值化圖像。至此，為最后計算出膠率做好了前置條件的準備。劃分等級：劃分等級需要計算出乳膠割痕比去對照分級表進行判斷。我們需要用乳膠的面積去除以割痕的面積從而計算出乳膠割痕比。在實驗中，我們可以分別計算出割痕、乳膠二值化圖像中的白色像素點數(shù)，用來代表面積之后進行相除即可得到乳膠割痕比，再對照橡膠樹死皮病分級表從而得到分級，至此，實驗結(jié)束。3.3數(shù)據(jù)集及預處理本實驗圖像集共含圖像50張。作為實驗的樣本滿足以下條件：在自然光的照射下采集圖像，應盡量不使用閃光燈，以便保持圖像的原始色調(diào)和紋理特性。應當避免直接陽光照射下捕獲圖片，因為強烈的光照可能會造成過度暴露或高光溢出，從而影響圖片的質(zhì)量。采集的時間最好選擇在清晨或黃昏時分，那時的陽光非常柔和。一個晴空萬里的氣候有助于捕捉到清楚的視覺效果，這是由云層作為自然的柔和光源，能夠減少直接光線直射所導致的。雨天的出現(xiàn)可能會使圖像變得模糊不清，而橡膠樹上的葉子可能會出現(xiàn)水滴，這對圖像的清晰度和審美造成了不利影響。我們應選擇恰當?shù)臄z影角度來突顯切痕，確保圖案的線條清楚且完整，并與背景的顏色保持明顯的對比。根據(jù)圖像中所需的數(shù)據(jù)采集部分，微調(diào)相機與樹的相對距離與焦距，來確保圖像的清晰與精細。如下圖所示，為隨機選中的某一橡膠樹的樣本，其割痕與樹皮的對比度鮮明且總體紋理清晰。圖3-2橡膠樹樣本圖像預處理對于圖像處理，計算機視覺等領域都有著舉足輕重的影響。其目的是通過一系列運算來改善圖像質(zhì)量，強化其特性，為之后的加工與分析提供較好的依據(jù)。具體而言，對圖像進行預處理能夠有效改善圖像質(zhì)量并消除圖像中存在的噪聲和模糊現(xiàn)象，使得圖像更清晰。同時還可以提高圖像對比度、凸顯圖像特征與細節(jié)、使目標物體更醒目。通過對圖像色彩進行調(diào)節(jié)，預處理后可使其色彩更平衡，更自然，增強視覺效果。另外，圖像預處理可以使圖像歸一化，包括大小、灰度等等，便于后續(xù)加工。其能夠?qū)D像進行特征增強，較好地凸顯目標物體的屬性，給識別與分析帶來方便。壓縮圖像中的數(shù)據(jù)量在預處理中同樣起著舉足輕重的作用，它可以提高處理效率。同時，它還可以去除圖像中的各種干擾因素，如光照變化和背景干擾等，從而獲得更準確的結(jié)果。總體來說，圖像預處理對后續(xù)算法有較好的輸入作用，有利于算法精度與效率的提升。通過對不同應用場景的適應性，并針對特定需求對其進行預處理可以滿足多種任務需求，從而使得圖像處理與計算機視覺技術可以更加廣泛而高效地應用于多個領域。本文的實驗圖像預處理過程如下：圖3-3預處理流程圖在本文中進行圖像預處理時，我們需要進行旋轉(zhuǎn)和裁剪兩個步驟，在第一步進行旋轉(zhuǎn)的時候，我們需要計算割痕與水平方向的夾角并旋轉(zhuǎn)對應的角度，從而達到將割痕水平的目的。本實驗采用的辦法是，使用ginput函數(shù)獲取兩個點的坐標，之后計算這兩個點方向的向量與水平方向的夾角并進行旋轉(zhuǎn)，angle1為計算出的夾角，即需要旋轉(zhuǎn)的角度，bilinear為雙線性插值方法，crop設置裁剪后的圖像大小和原圖像大小保持一致。之后使用imcrop函數(shù)進行裁剪即可得到預處理之后的圖像。3.4割痕提取：多閾值Otsu圖像分割主要是提取特定感興趣區(qū)域的技術，是圖像圖像圖像匹配的關鍵步驟。閾值圖像圖像分割中的一項重要技術，該算法首先從圖像灰度直方圖中選擇一個合適的閾值，然后用這個閾值對物體進行分割。單閾值Otsu算法容易受到圖像本身灰度分布和噪聲干擾的影響，導致很多情況下分割效果并不理想，由于傳統(tǒng)Otsu算法的核心是對主體輪廓進行快速提取，因此實驗樣本的主體是橡膠樹本身，而不是橡膠樹上的劃痕。這是因為實驗樣本的前景和背景灰度差異并不明顯，整個影像可分為主干，主干，劃痕，膠皮。針對這一傳統(tǒng)Otsu算法無法解決的問題，割痕提取實驗在預處理的基礎上對圖像進行了多閾值分割。圖3-4優(yōu)化雙閾值Otsu流程圖計算類間方差var_between，并使用if判斷獲取最大類間方差max_var_between和獲取最大類間方差時的灰度閾值t1和t2。改進后的otsu算法和傳統(tǒng)的otsu算法不同的是，從單閾值改進為雙閾值，對于主體和背景的劃分更加精確。將圖像分成三類（背景、橡膠樹非割痕部分、橡膠樹割痕部分），已知t1<t2，那么小于t1的部分即為背景，兩個閾值之間的部分即為非割痕部分，剩下的大于t2的部分即為割痕部分?？梢钥闯鑫覀兪褂胕f判斷可以很容易實現(xiàn)二值化。因此獲取最大類間方差時的閾值之后，我們之后需要做的事情是進行二值化，使用for循環(huán)遍歷行列共M*N個灰度圖像中的像素點，將大于閾值t2的像素點置為白色，即將像素值設置為255，即將需要提取的割痕部分用白色來顯示，同理，小于閾值t2的像素點設置為黑色，即將像素值設置為0，即將非割痕部分和背景部分用黑色來表示。之后運用形態(tài)學的方法REF_Ref18536\r[19]，使用strel設計了一個直徑為5的圓形結(jié)構元素，對圖像進行開運算操作，將小點點消除。使用連通組件bwlabel分析標記圖像中的連通區(qū)域。使用regionprops函數(shù)獲取各個連通區(qū)域的屬性，定義可根據(jù)需要調(diào)整的閾值，用于篩選需要去除的小白點，循環(huán)遍歷每個連通區(qū)域，如果其面積小于閾值，則將其置為0，即置黑，從而達到過濾噪聲的效果。3.5乳膠提?。簡伍撝礝tsuOtsu算法簡便易行，具有良好的特性，不受圖像亮度和對比度的影響。其核心思想是以圖像灰階特性為基礎，把它分成兩大部分：前景和背景。類間方差是Otsu算法的一個重要指標，方差越大代表著依據(jù)灰度值的區(qū)分效果越顯著，而方差越小說明區(qū)分為前后景的效果越差。因此，追求類間方差最大化的區(qū)隔，本質(zhì)上是尋求最理想的區(qū)隔，最小的錯分概率。它的理論基礎是以灰度直方圖為基礎，通過最小二乘法原理推導出來的，從而得出統(tǒng)計學意義上最優(yōu)的區(qū)隔。其基本過程是找到一個最佳閾值，將影像的灰階分布分成兩部分，并確保兩部分間的方差盡可能大，以達到分離的最佳效果，以達到將乳膠狀影像影像中分離出來的目的。在乳膠的提取實驗中，基于割痕部分圖像的特性，我們需要優(yōu)化的點是，控制算法運行的區(qū)域范圍，將整個圖片的范圍限制到割痕的區(qū)域。圖3-5優(yōu)化單閾值Otsu流程圖b為灰度圖像，d為同一張橡膠樹圖片的割痕預處理灰度圖像，由于灰度圖像為rgb三維圖像，而二值化圖像為一維圖像，因此我們需要將二值化圖像轉(zhuǎn)換為三維圖像，再將兩張圖片進行點乘，如以下公式，可以得到處理之后的圖像ee二值化圖像中只有分別代表黑色和白色0和255兩個灰度值，而割痕二值化圖像中像素灰度值為0的黑色代表背景，零乘任何數(shù)都得零，因此將兩張圖片進行點乘，即對應位置的像素值進行相乘，可以將背景全部置黑，而主體部分為白色，像素值為1，在進行相乘以后，灰度圖像與白色的重疊部分仍然顯示原灰度圖像。從而達到屏蔽背景的效果。之后在傳統(tǒng)otsu算法中遍歷像素點之前，添加跳過黑色像素點的if判斷，即可實現(xiàn)部分otsu，從而實現(xiàn)對乳膠的提取。圖3-6后處理的圖片圖3-7乳膠提取圖像先屏蔽背景，再對割痕部分（非黑色部分）進行Otsu閾值分割提取乳膠。首先我們讀入圖片并將圖片轉(zhuǎn)換為灰度圖像以便進行otsu算法，一般情況我們可以直接套用graythresh函數(shù)去獲取灰度圖像的最大閾值level，進而使用im2bw函數(shù)去將灰度圖像二值化。把用割痕二值化設置成三維圖像，將像素點全部設置成0-1，之后將其與預處理之后的灰度圖像進行點乘，由于白色像素點的像素值全部為1，黑色像素點的像素值全部為0，因此處理之后可以達到屏蔽背景的效果。使得背景全部變黑，割痕部分顯示灰度圖像中的圖像。但是這樣是對整張圖片進行處理，而在乳膠提取中，我們只需要對割痕圖像進行處理，因此我們不能之間調(diào)用。優(yōu)化Otsu算法的數(shù)學原理并進行實現(xiàn)，添加if判斷，使其跳過黑色像素點的位置只去處理割痕部分。最后我們統(tǒng)計出割痕二值化圖像的白色像素點，再計算乳膠二值化圖像的白色像素點，用后者除以前者即可計算出乳膠割痕比，對照橡膠樹死皮病等級判定表進行判定，即可得到原始圖像的橡膠樹死皮病等級。計算類間方差tmp，并使用if判斷獲取最大類間方差Tmp和獲取最大類間方差時的灰度閾值threshold。獲取最大類間方差時的閾值之后，我們之后需要做的事情是進行二值化，使用兩個for循環(huán)分別遍歷行和列即可遍歷灰度圖像中所有的像素點，再使用if判斷設置像素灰度值實現(xiàn)二值化。將大于閾值的像素點置為白色，即將像素灰度值設置為255，即將需要提取的割痕部分用白色來顯示，同理，小于閾值的像素點設置為黑色，即將像素灰度值設置為0，為橡膠樹非割痕和背景部分，3.6劃分等級對橡膠樹死皮病進行等級劃分，其重要程度和意義是多方面的。通過這樣的劃分，明確了病害發(fā)生的程度，也就有了對病情嚴重程度的的依據(jù)。這有助于制定針對性的預防和治療措施，因為死皮病的等級不同，其預防和治療手段也可能不同。通過調(diào)查分析不同等級的分布情況，洞察疾病發(fā)展趨勢，為有效的預測和防控提供堅強后盾。除此以外，這種等級劃分還對篩選抗病品種起到關鍵作用。通過評估不同品種的發(fā)病情況，找出抗病能力強的品種，對繁育、種植橡膠樹有很高的借鑒價值。同時，研究不同等級的死皮病，對深入探究病害發(fā)生機理有一定的幫助，為防治工作的開展提供了扎實的理論依據(jù)。橡膠樹死皮病等級劃分對防治和研究病害起到了關鍵作用，對保障橡膠工業(yè)可持續(xù)發(fā)展起到了重要的支持作用。乳膠割痕比判定等級1%≤λ≤10%五級10%≤λ≤20%四級20%≤λ≤35%三級35%≤λ≤45%二級λ≥45%一級表3-1橡膠樹死皮等級判定表在圖像庫中選取圖像進行實驗，進行橡膠樹割痕的提取，同時參考文獻中體積的死皮等級劃分標準，定義乳膠面積s1與割痕面積s2的比值為λ，即λ=s1s2，稱λ為乳膠割痕比，其中乳膠面積s1用圖像中乳膠所占像素的數(shù)量來衡量，割痕面積用提取的割痕部分的像素的數(shù)量來衡量。死皮癥的判斷標準見下表1REF_Ref18627\r[20]。通過MATLABR2022a軟件包計算割痕與乳膠面積大小，最終計算出兩者之比，然后判斷死皮癥等級。如下表2所示，展示了實驗圖像的判定結(jié)果。使用sum函數(shù)來計算乳膠二值化圖像和割痕二值化圖像中的像素點個數(shù)，之后進行相除從而獲得乳膠割痕比，之后進行多個if判斷根據(jù)上表1進行計算分級并輸出。實驗結(jié)果分析4.1分割結(jié)果與分析通過以下ABCD四個隨機預處理樣本可以看出，通過預處理，進行旋轉(zhuǎn)和切割操作，我們成功地呈現(xiàn)出割痕占圖像的主體區(qū)域。經(jīng)過與處理后，與割痕無關的大部分特征都被略去，割痕和乳膠部分則占據(jù)了圖片主體，這一步為后續(xù)的割痕和乳膠提取做了充分的準備。(A)(B)(C)(D)圖4-1預處理隨機樣本以下ABCDE分別為五個分級的隨機割痕和乳膠提取樣本，可以看出，通過對傳統(tǒng)單閾值OTSU算法進行優(yōu)化，我們成功地提取出割痕和乳膠的二值化圖像，為后續(xù)的分級做了充分的準備。(B)(D)(E)圖4-2割痕與乳膠提取圖像樣本基于驗證本課程設計改進后的Otsu算法的正確可行性的目的，使用MATLABR2022a平臺實現(xiàn)了該算法。本課程設計提出了一種基于多閾值Otsu關鍵算法的橡膠樹死皮病圖像割痕乳膠分割方法，設定預處理、分割、后處理三個分割步驟，分別對應采用旋轉(zhuǎn)切割、多閾值Otsu算法、濾波算法，完成對橡膠樹割痕的分割。其中，在對割痕的圖像提取中，采用了多閾值Otsu算法，獲得了整幅圖像和目標區(qū)域的大津閾值，以及將上述閾值代入循環(huán)條件，基于得到的兩個閾值準確定位橡膠樹區(qū)域，最終得到了滿意的分割結(jié)果。這一算法解決了橡膠樹死皮病圖像中關鍵的劃痕提取問題。之后本實驗通過將灰度圖像和二值化圖像點乘從而得到將除割痕外的圖像置黑的圖像，通過if對主體割痕部分再一次進行otsu算法，從而提取出乳膠的二值化圖像，至此，本次課程設計完成了割痕圖像和乳膠圖像的提取。該方法的實驗準確率非常高，實驗中即使是分級錯誤的圖像，也是由于其割痕顏色深淺不一，部分割痕顏色和非割痕的部分相近所導致的。4.2分類結(jié)果與分析編號乳膠量值割痕量值面積比例判定等級1863111134530.760812941511058240.889713859631008720.852214964011380460.6983151105621269230.8711161026801225920.8376172176262758410.78901878806898990.876619966381342220.7200110694791209800.57431111620353640250.4451212674881826910.36942131008972318360.4352214647951530160.4235215424321089000.3896216396861119630.3545217467161239210.377021837069952040.3894219474671199710.3957220959132361460.4062221769193279990.2345322407381303460.3125323400121484290.2696324351151229760.2855325599921919260.3126326847962549710.3326327693002698700.2568328794852302500.3452329383901270810.3021330801062967230.2700331561653220110.1744432373443320950.1125433555403112900.1784434373262302060.16214355217268750.1941436498863037910.1642437811744377870.1854438421302559690.1646439239101628970.1468440440093532590.1246441389296480.01315424920508320.09685431899314410.06045444539550640.082454539132686050.0146546114372642040.0433547135472352160.057654841172489760.01655491013305430.0003550331436310.00025表4-1乳膠與割痕比計算結(jié)果利用MATLAB實現(xiàn)函數(shù)功能，計算割痕和乳膠的面積，隨后計算這兩者的比值，以判定死皮癥的級別。在圖像庫中進行讀入圖像，進行橡膠樹割痕的提取，并參考表1中提及的死皮等級劃