稻葉瘟病斑分割的新型圖像處理方法,植物保護論文

稻葉瘟病斑分割的新型圖像處理方法,植物保護論文農(nóng)作物葉片病斑能夠直接反映病害種類及危害程度。研究農(nóng)作物葉片病斑的圖像辨別,及時發(fā)現(xiàn)病情,并對其進行動態(tài)、實時地監(jiān)控,對農(nóng)作物病害的有效防控具有重要意義。隨著計算機視覺技術(shù)的不斷發(fā)展和在各領(lǐng)域的應(yīng)用,對作物病害信息進行實時監(jiān)控和診斷已逐步成為可能。作為計算機視覺病害檢測的重要組成部分,病斑的分割結(jié)果將影響對病害的判定。由于葉片病斑圖像呈現(xiàn)出特征多樣性、復雜性和模糊性等特點,采用傳統(tǒng)的病斑圖像檢測方式方法,很難將病斑準確分割。病斑有本身的發(fā)生與表現(xiàn)規(guī)律,可綜合利用病斑形狀、顏色等特征進行檢測。本研究以感染稻瘟病的水稻葉片為研究對象,結(jié)合色度學模型、邊緣檢測、形態(tài)學運算和DNGBI等方式方法對稻葉瘟病斑進行分割,為稻瘟病的檢測和診斷奠定基礎(chǔ)。1、材料與方式方法1.1田間圖像采集與預處理試驗田位于廣東省從化市呂田鎮(zhèn),水稻品種為CO39,田間稻葉瘟包含不同病害等級。在自然光照且無風條件下,用CanonA490數(shù)碼照相機采集田間水稻稻瘟病葉片圖像。試驗共采集了30幅田間采集的水稻葉瘟圖像,所采集的圖像包含不同等級葉瘟病斑信息,成像清楚明晰,圖像大小為25941994像素。將圖像處理成為500500像素左右,程序設(shè)計語言為MatLab。1.2基于色度學模型的特征提取特征的提取是為快速獲取圖像中圖斑(包含病斑和一些封閉的非病斑區(qū)域)的信息,在病斑的辨別中起到初提取的作用,其處理的目的在于獲取突出病斑特征的灰度圖像以進行圖像分割。圖像處理成為單一圖層,可減少數(shù)據(jù)運算量,實現(xiàn)快速辨別。顏色辨別是病斑辨別的主要途徑之一,本研究將采用色度學模型進行病斑辨別經(jīng)過中的特征要素提取,利用RGB顏色模型實現(xiàn)病斑的提取,利用HIS顏色模型實現(xiàn)葉片的提取。1.2.1基于RGB顏色模型的圖斑提取針對可見光圖像,病斑提取的方式方法較多,常見的有采用綠色波段或者紅綠藍取均值波段及制定特定病斑指數(shù),如歸一化綠藍差值指數(shù)(NormalizedDiffer-enceGreenandBlueIndex,DNGBI)。通過對稻瘟病病斑的顏色分析可知,葉片被病菌侵染后,侵染中心會呈現(xiàn)褐色或灰白色,病斑附近的葉片部分可能呈現(xiàn)枯黃狀。通太多次比照試驗發(fā)現(xiàn),采用2R-G色差分量實現(xiàn)圖斑的提取,水稻葉瘟病斑的邊緣能在2R-G色差分量上較好地表現(xiàn)出來,利于邊緣提取結(jié)果。1.2.2基于HIS顏色模型的葉片提取植物與背景分離的最大根據(jù)為植物葉片與背景的彩色分量的差異,利用此特性能夠進行分類辨別。色彩對光照很敏感,不同光照下色彩的變化差異很大。采集圖像所用的彩色空間為RGB,而紅(R)、綠(G)與藍(B)這3個分量隨光照的變化是不一致的,在實際使用經(jīng)過中,很難要求系統(tǒng)每次的光照完全一致,因而很難找到一個理想的彩色距離中心。HIS模型是從人的視覺系統(tǒng)出發(fā),用色調(diào)(H)、飽和度(S)和亮度(I)來描繪敘述色彩。通過顏色模型轉(zhuǎn)換公式即可實現(xiàn)兩種模型的轉(zhuǎn)換。為更好地辨別目的物,希望利用顏色模型中某一分量或類似植被指數(shù)等模型,使得葉片病斑與背景之間的差異顯著。從RGB模型到HIS模型的轉(zhuǎn)換關(guān)系,如式(1)、式(2)和式(3),僅取H分量進行分析。利用H色彩分量能夠辨別綠色區(qū)域,并利用形態(tài)學運算進行封閉區(qū)域填充,構(gòu)成一個連片的完好區(qū)域,便于后期進行掩膜過濾,圖2為葉片掩膜區(qū)域提取。有1.3封閉邊緣提取與修復利用邊緣提取算子對2R-G色差分量圖進行邊緣提取,對提取的邊緣進行封閉修復并過濾,可獲得病斑的封閉邊緣。1.3.1邊緣提取Canny算子采用二維高斯函數(shù)的任意方向上的一階方向?qū)?shù)為噪聲濾波器,通過與圖像卷積進行濾波;然后尋找濾波后圖像梯度的局部最大值,以此來確定目的邊緣。根據(jù)對信噪比與定位乘積進行測度,得到最優(yōu)化逼近算子。Canny算子具有濾去噪聲和保持邊緣的特性。對2R-G色差分量圖利用Canny進行邊緣檢測。在Canny邊緣提取后的圖像中,病斑邊緣和一些封閉的非病斑邊緣(用圓圈標示區(qū)域)都被辨別出來,影響稻葉瘟病斑的檢測精度。1.3.2封閉邊緣修復由于比照度、葉脈等因素的影響,多數(shù)提取的邊緣沒有能閉合,因而設(shè)計邊緣修復模板對病斑邊緣輪廓進行提取。根據(jù)由上至下、由左至右的處理順序,依次對圖像中的每一個像素點進行運算。算法步驟如下:首先抽取一個33的圖像處理窗口,華而不實心點p5是待處理像素點(見圖4);然后取窗口四周共9點(p1,p2,p3,p4,p5,p6,p7,p8,p9)分別與邊緣修復模板(見圖5)進行匹配(虛線框代表可能出現(xiàn)一個或者多個像素),若和華而不實任意一個邊緣修復模板匹配,則該中心像素被填充;否則保持不變,移動到下個點,直至圖像所有的點都被遍歷。1.3.3封閉邊緣提取利用1.2.2節(jié)的葉片提取結(jié)果與封閉邊緣修復后的圖像進行掩膜運算,進而獲得葉片范圍內(nèi)的病斑邊界結(jié)果。閉合的邊緣與未閉合的邊緣主要區(qū)別在于能否能夠填充邊界,對上述邊緣修復的結(jié)果進行封閉填充,利用形態(tài)學的開運算,過濾未閉合的邊緣,得到封閉的區(qū)域,再進行邊緣檢測,獲得封閉邊緣。1.3.4稻葉瘟病斑檢測提取的封閉邊緣線,在很多因素影響下未必是病斑,對病斑屬性的精到準確確定,需要通過對封閉邊緣覆蓋下的病斑圖像進行波段或者光譜等信息的分析。本文以歸一化綠藍差值指數(shù)(DNGBI)(公式4)為病斑最終確定的模型。統(tǒng)計封閉邊緣區(qū)域覆蓋圖像的DNGBI均值,取一定的閾值進行分割。封閉邊緣提取的結(jié)果DNGBI圖表現(xiàn)為:病斑覆蓋區(qū)域的DNGBI均值要比非病斑覆蓋DNGBI均值高,取一定的閾值可分離出病斑。封閉的非病斑邊緣(用圓圈標示區(qū)域)都被剔除。稻葉瘟病斑檢測算法流程圖,如此圖7所示。有DNGBI=(G-B)/2(0.3R+0.59G+0.11B)(42、結(jié)果與分析對30幅野外采集的水稻葉瘟圖像進行檢測。對于葉片的提取,H分量取值范圍設(shè)為50~130,此范圍可較完好地提取出不同明度、不同亮度的綠色葉片信息。DNGBI過濾閾值設(shè)為1800。由于病斑處于葉片邊緣造成葉片掩膜不完好,同時由于部分病斑邊緣未封閉,部分病斑并未正確辨別出來。通過DNGBI閾值過濾后,剩余的圖斑以葉瘟病斑為主。對30幅圖像的正確辨別率進行統(tǒng)計,結(jié)果為90.26%。通過試驗分析可知,在2R-G分量圖上,病斑的邊緣較清楚明晰,便于病斑的邊緣提取。通過對病斑進行邊緣辨別,能夠得出,病斑能夠正確提取的條件是:病斑邊緣清楚明晰、葉脈干擾小及病斑周邊不存在模糊過渡區(qū)域。Canny算法穩(wěn)健,邊緣提取效果穩(wěn)定,但易遭到比照度、葉脈等多因素影響,病斑容易出現(xiàn)斷點、斷線的情況。采用形態(tài)學方式方法實現(xiàn)病斑的封閉修復與提取,不受方向性限制,對病斑的邊緣斷線能起到一定的修補作用。邊緣提取與修復的結(jié)果不僅包含了病斑,同時也包含了一些封閉的非病斑邊界。為了精到準確進行病斑辨別,需要針對病害的種類制定特定的辨別模型。研究針對水稻葉瘟病斑,封閉的圖斑覆蓋區(qū)域在DNGBI圖上病斑與非病斑差異不同較大,采用DNGBI圖對封閉區(qū)域的圖斑進行閾值過濾,能夠得到稻葉瘟病斑。3、結(jié)論1)以水稻葉瘟RGB圖像為研究對象,計算2R-G色差分量模型,采用Canny算法進行邊緣檢測,通過邊緣封閉修復與過濾,去除封閉的非病斑邊界,對稻葉瘟病斑邊緣進行修復,能夠封閉部分斷開的邊界。2)采用HIS模型的H分量提取的葉片正常部位信息與修復后圖像做掩膜運算,獲得葉片范圍內(nèi)的病斑邊界結(jié)果,采用DNGBI閾值分割可檢測出水稻葉瘟的普通型病斑。試驗結(jié)果表示清楚,該方式方法對病斑的正確辨別率為90.26%。以下為參考文獻:[1]馬德貴,邵陸壽,葛婧,等.水稻稻瘟病及水稻紋枯病病害程度圖像檢測[J].中國農(nóng)學通報,2008,24(9):485-489.[2]王坤,朱大洲,張東彥,等.成像光譜技術(shù)在農(nóng)作物信息診斷中的研究進展[J].光譜學與光譜分析,2018,31(3):589-595.[3]DB23/T1118-2007,水稻稻瘟病防治技術(shù)規(guī)范[S].[4]胡小峰,趙輝.VisualC++/MATLAB圖像處理與辨別實用案例優(yōu)選[M].北京:人民郵電出版社,2004.[5]丁浩.植物黑腐病病斑的自動辨別與分析[D].南寧: