作物病害图像分割方法研究范文

摘要:针对复杂背景下作物病害叶片分割问题，提出一种改进模糊C均值聚类(FuzzyCMeans，FCM)的作物病害图像分割方法。该方法综合考虑图像的像素点的局部空间信息和灰度信息，计算出更为准确的局部空间信息，减少噪声的同时更好地保留了图像细节，从而使图像分割效果更为精确。选取黄瓜病害叶片图像进行本文算法的验证，并与其它分割方法进行比较实验。实验结果表明，本文提出的方法分割效果更好，其分割正确率为97．81%。

关键词:模糊C均值聚类;局部空间信息;分割正确率

引言

中国是一个农业大国，农作物的产量直接影响国民经济发展和人们生活的高追求实现。近年来，由于生态环境的问题突显，作物自身对环境的耐受能力也在变差，导致作物病害日益恶化，病害种类也在持续增多，直接影响着作物产量、质量和口味［1－3］。之前，作物病害的检测和识别大多依赖于经验丰富的农耕人员和实验室病理学分析的研究人员。其中，借助于农耕人员存在个人主观性强的缺点，借助于研究人员虽然准确度好、但是花费较高［4］。国内大部分从事农业耕作的一线人员并非是植保专家，缺乏对病害诱因病理学专业分析的深厚学识，无法根据早期症状对病害做出判断甄别。一旦发现了作物病害，为了干预病情蔓延，无差别、大剂量地使用农药，一方面，延误了预防的最佳时期，另一方面，农药的过度使用也将降低作物果实的出产品质。从长远发展来看，既对资源造成浪费，又破坏了生态可持续发展。由于作物病害种类繁多，不同病害表现出来的特点千差万别［5］，而且常常以不同的特征分属多种类别，因而就对图像分割的结果精度造成不利影响。将模糊聚类的思想运用到像素点分类中，可以有效解决像素点不确定归属问题。此时，根据模糊聚类的思想可以将图像中的像素点根据隶属度函数进行类别确定，属于无监督的分类。模糊C－均值聚类(FCM)根据作物病害图像中背景和病斑像素点的属性不同给出类别划分，首先确定类别数c，计算图像像素点和聚类中心的加权相似度，根据目标函数，对目标函数进行迭代化最小计算，确定像素点属于病斑和背景的最佳分割度。毛罕平等［6］结合模糊C－均值聚类(FCM)，提出了自适应分割算法，将其运用到棉花病害中，得到了良好的病斑图像。马旭等［7］研究了无监督的模糊C均值方法，仿真验证后的结果显示有效提高了分割准确率。但是，前述研究中的FCM进行图像分割时，没有考虑像素空间信息的问题，基于此，本文研发提出了一种基于改进FCM的作物病害图像分割算法。研究内容论述如下。

1改进FCM算法

改进后的FCM算法设计充分融合了图像的像素点的局部空间信息和灰度信息，将其作为像素点的相似性度量，且考虑到两像素点间的欧式距离，从而计算出准确的局部空间信息，将噪声点去除的同时保留了图像细节。

2结果和分析

研究选取陕西省杨凌农业蔬菜实验基地，利用手机采集黄瓜叶片病害图像50幅。(1)选择在阳光充足的晴天，并且选择利用自然环境光照。(2)在斟酌取相角度时，尽可能呈现病害叶片在图像中间，边缘部分多为复杂背景的拍摄效果。(3)图像分辨率设为1200×1600，以bmp格式存储。运用改进的FCM进行病斑的分割。如图2(a)即为黄瓜叶片病害图像的原图。为了验证本文算法的分割结果，仿真选取了经典的双阈值算法、FCM算法和改进后的FCM算法对黄瓜叶片病斑图像分别进行准确分割。

3结束语

在研究现有作物病害图像分割的基础上，提出改进FCM用于作物病斑图像分割，实验结果表明，该方法能够较为准确地将病斑分割出来。与学界经典的双阈值、改进前的FCM分割结果进行对比可知，本文提出的改进FCM算法能够避免正常绿色区域、及病害叶片的轮廓均被误判为病斑部分的问题弊端，为后续病斑的识别提供了技术基础。基于计算机视觉技术在图像处理方面所表现出来的长足优势，将作物病害的分割和识别带入了物联网时代，加速了现代化农业发展的新进程。尤其是作物的远程检测，不但可以随时了解作物的生产状况，又节省了人员的时间和精力，经济效益非常可观。所以开展关于如何将病害图像从作物病害叶片中准确分割出来的研究，及时进行病害防治，对于作物产量的提高具有十分重要的意义。

参考文献

［1］穆亚梅，马国俊．基于物联网的苹果树病虫防治专家系统的设计与应用［J］．自动化与仪器仪表，2012，10(5):89－90．

［2］王文山，柳平增，臧官胜，等．基于物联网的果园环境信息监测系统的设计［J］．山东农业大学学报(自然科学版)，2012，43(2):239－243.

［6］毛罕平，张艳诚，胡波．基于模糊C均值聚类的作物病害叶片图像分割方法研究［J］．农业工程学报，2008，24(9):136－140．

［7］马旭，齐龙，张小超．基于模糊聚类的玉米大斑病害图像的分割技术［J］．农机化研究，2008(12):24－26．

作者：曹晓丽；齐国红；井荣枝 单位：郑州大学西亚斯国际学院