設(shè)施蔬菜葉部病斑圖像分割方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供一種設(shè)施蔬菜葉部病斑圖像分割方法及系統(tǒng)，包括：將設(shè)施現(xiàn)場采集的蔬菜葉部病害圖像分為訓(xùn)練組和測試組，對其進(jìn)行增強(qiáng)處理；提取增強(qiáng)處理后訓(xùn)練組圖像的初始顏色分類特征和梯度特征；將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本，按照提取的初始顏色分類特征和梯度特征，獲取病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)和梯度特征數(shù)據(jù)；采用粗糙集的方法，針對病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)，選擇顏色分類特征，得到顏色特征子集；根據(jù)顏色特征子集以及病斑樣本和葉片樣本的梯度特征數(shù)據(jù)，構(gòu)建條件隨機(jī)場模型；根據(jù)條件隨機(jī)場模型對增強(qiáng)處理后的測試組圖像進(jìn)行分割，提取病斑圖像。本發(fā)明提取病斑圖像準(zhǔn)確且速度快。
【專利說明】
設(shè)施蔬菜葉部病斑圖像分割方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及系統(tǒng)工程和信息技術(shù)領(lǐng)域，尤其設(shè)及一種設(shè)施蔬菜葉部病斑圖像分割 方法及系統(tǒng)。
【背景技術(shù)】
[0002] 目前，圖像分割一直是計算機(jī)視覺和圖像處理領(lǐng)域研究的熱點(diǎn)。所謂圖像分割，就 是把一張圖像分為互相不重疊的并且具有相似的特征區(qū)域，然后從多個區(qū)域中提取出感興 趣區(qū)域的過程。病斑分割是基于計算機(jī)視覺技術(shù)的作物病害檢測最重要的一個環(huán)節(jié)，是病 斑特征提取和選擇的基礎(chǔ)步驟。因此，準(zhǔn)確的病斑分割，對于蔬菜病害的準(zhǔn)確識別，具有重 要的意義。
[0003] 目前圖像分割算法很多，主要包括W下幾種：（1)基于闊值的分割方法，應(yīng)用最為 廣泛的方法之一，其特點(diǎn)是快速、簡單。該方法的核屯、問題在于如何選取合適的闊值實(shí)現(xiàn)背 景與前景的分割，適用于目標(biāo)和背景之間灰度差異明顯的圖像。（2)基于邊緣檢測的分割方 法，充分利用圖像邊緣信息，來實(shí)現(xiàn)圖像背景和前景的分離。（3)基于區(qū)域的分割方法，將圖 像中具有相似特征的一系列像素點(diǎn)作為一個群體，通過群體的合并實(shí)現(xiàn)圖像分割。（4)活動 輪廓模型分割方法，可分為參數(shù)活動輪廓模型和幾何活動輪廓模型，雖然能夠取得較好的 分割效果，但運(yùn)種方法較為復(fù)雜，計算量大較大，在難W滿足實(shí)時性的要求
[0004] 由于溫室葉類蔬菜病斑圖像是在溫室現(xiàn)場條件下采集，并且通過分析發(fā)現(xiàn)，病斑 的數(shù)量多、面積小，其顏色特征并非整個圖像的主導(dǎo)顏色特征，難W通過自動確定的方法來 定位病斑的位置。如何克服光照條件和復(fù)雜背景對病斑分割的準(zhǔn)確性的影響，解決當(dāng)前常 見的病斑分割方法得到的病斑區(qū)域邊界稀疏不明確、內(nèi)部不均勻致密等問題，面向設(shè)施蔬 菜病害識別的需求，快速、準(zhǔn)確的提取相應(yīng)的病斑圖像分割方法是亟待解決的問題。

【發(fā)明內(nèi)容】

[0005] 為解決上述的技術(shù)問題，本發(fā)明提供一種設(shè)施蔬菜葉部病斑圖像分割方法及系 統(tǒng)，能夠快速、準(zhǔn)確的從設(shè)施現(xiàn)場采集的蔬菜病害圖像中獲取病斑圖像。
[0006] 第一方面，本發(fā)明提供一種設(shè)施蔬菜葉部病斑圖像分割方法，包括：
[0007] 將設(shè)施現(xiàn)場采集的蔬菜葉部病害圖像分為訓(xùn)練組和測試組，并對訓(xùn)練組圖像和測 試組圖像進(jìn)行增強(qiáng)處理；
[000引提取增強(qiáng)處理后的訓(xùn)練組圖像的初始顏色分類特征和梯度特征；
[0009] 將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本，按照提取的初始顏色分 類特征和梯度特征，獲取所述病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)和梯度特征數(shù) 據(jù)；
[0010] 采用粗糖集的方法，針對所述病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)，選 擇顏色分類特征，得到顏色特征子集；
[0011] 根據(jù)所述顏色特征子集W及所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)，構(gòu)建條件 隨機(jī)場模型；
[0012] 根據(jù)所述條件隨機(jī)場模型，對增強(qiáng)處理后的測試組圖像進(jìn)行分割，提取病斑圖像。
[0013] 可選地，所述對訓(xùn)練組圖像和測試組圖像進(jìn)行增強(qiáng)處理，包括：
[0014] 采用中值濾波的方法，對訓(xùn)練組圖像和測試組圖像進(jìn)行增強(qiáng)處理。
[0015] 可選地，所述初始顏色分類特征，包括:RGB、HSV、HSI、La*b*和YCbCr五個顏色空間 的15個顏色特征。
[0016] 可選地，所述梯度特征，包括:像素點(diǎn)的梯度方向和梯度幅值；
[0017] 在獲取所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)時，利用第一公式提取訓(xùn)練組圖 像中像素點(diǎn)的梯度方向，利用第二公式提取訓(xùn)練組圖像中像素點(diǎn)的梯度幅值；
[0018] 其中，所述第一公式為：
[0019]
[0020] 0(i，j)表示像素點(diǎn)（i，j)的梯度方向，i和j均為正整數(shù)；
[0021] 所述第二公式為：
[0022]
[0023] M( i，j)表示像素點(diǎn)（i，j)的梯度幅值。
[0024] 可選地，所述采用粗糖集的方法，針對所述病斑樣本和葉片樣本的初始顏色分類 特征數(shù)據(jù)，選擇顏色分類特征，包括：
[0025] 采用等頻區(qū)間法將所述病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)進(jìn)行離散 化；
[0026] 基于遺傳算法的粗糖集屬性約簡方法，針對離散化后的數(shù)據(jù)選擇顏色分類特征。
[0027] 可選地，所述根據(jù)所述顏色特征子集W及所述病斑樣本和葉片樣本的梯度特征數(shù) 據(jù)，構(gòu)建條件隨機(jī)場模型，包括：
[0028] 根據(jù)所述顏色特征子集W及所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)，構(gòu)建初始 決策分類樹；
[0029] 采用決策樹層數(shù)與交叉驗(yàn)證錯誤率的關(guān)系，對所述初始決策分類樹進(jìn)行剪枝，得 到優(yōu)化的決策分類樹；
[0030] 基于優(yōu)化的決策分類樹擴(kuò)展的一元勢函數(shù)，并結(jié)合二元勢函數(shù)，構(gòu)建條件隨機(jī)場 模型，并進(jìn)行模型參數(shù)估計和推理；
[0031 ]其中，所述條件隨機(jī)場模型為：
[0032]
[0033] 其中，I為輸入圖像;Xi為圖像第i個像素點(diǎn)的特征集合;yi為第i個像素點(diǎn)的類別， 在將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本時，將病斑樣本標(biāo)記為類別+1， 將葉片樣本標(biāo)記為類別-1;Z為歸一化函數(shù);Ni為輸入圖像I第i個像素點(diǎn)的所有鄰域像素 ；i 和j均為正整數(shù)；4 (yi，xi)為基于優(yōu)化的決策分類樹擴(kuò)展的一元勢函數(shù)，表示該像素在其特 征條件下屬于某一類別的概率，4 (yi，xi)是通過第S公式計算得到的；exp(yiyijKTfij(x)) 為二元勢函數(shù)，表示該像素在其鄰域像素作用下屬于某一類別的概率，其中yu為第i個像素 點(diǎn)的第j個鄰域像素點(diǎn)的類別，V為待估參數(shù)向量，T為轉(zhuǎn)置符，fu(x)為聯(lián)合特征向量，fij (X)是通過第四公式計算得到的；
[0034] 所述第S公式為：
[0035]
[0036] 其中，T為常數(shù)，用于調(diào)節(jié)的大小;DT(Xi)為圖像第i個像素點(diǎn)對應(yīng)的優(yōu)化 的決策分類樹的分類結(jié)果；
[0037] 所述第四公式為：
[003引 fij(x) = [l,||xi-Xj||]T
[0039] 其中，M ? M表示歐式距離。
[0040] 第二方面，本發(fā)明提供一種設(shè)施蔬菜葉部病斑圖像分割系統(tǒng)，包括：
[0041] 增強(qiáng)處理模塊，用于將設(shè)施現(xiàn)場采集的蔬菜葉部病害圖像分為訓(xùn)練組和測試組， 并對訓(xùn)練組圖像和測試組圖像進(jìn)行增強(qiáng)處理；
[0042] 第一提取模塊，用于提取增強(qiáng)處理后的訓(xùn)練組圖像的初始顏色分類特征和梯度特 征；
[0043] 獲取模塊，用于將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本，按照提 取的初始顏色分類特征和梯度特征，獲取所述病斑樣本和葉片樣本的初始顏色分類特征數(shù) 據(jù)和梯度特征數(shù)據(jù)；
[0044] 選擇模塊，用于采用粗糖集的方法，針對所述病斑樣本和葉片樣本的初始顏色分 類特征數(shù)據(jù)，選擇顏色分類特征，得到顏色特征子集；
[0045] 構(gòu)建模塊，用于根據(jù)所述顏色特征子集W及所述病斑樣本和葉片樣本的梯度特征 數(shù)據(jù)，構(gòu)建條件隨機(jī)場模型；
[0046] 第二提取模塊，用于根據(jù)所述條件隨機(jī)場模型，對增強(qiáng)處理后的測試組圖像進(jìn)行 分割，提取病斑圖像。
[0047] 可選地，所述增強(qiáng)處理模塊，具體用于
[0048] 將設(shè)施現(xiàn)場采集的病害圖像分為訓(xùn)練組和測試組，并采用中值濾波的方法，對訓(xùn) 練組圖像和測試組圖像進(jìn)行增強(qiáng)處理。
[0049] 可選地，所述選擇模塊，具體用于
[0050] 采用等頻區(qū)間法將所述病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)進(jìn)行離散 化；
[0051] 基于遺傳算法的粗糖集屬性約簡方法，針對離散化后的數(shù)據(jù)選擇顏色分類特征， 得到顏色特征子集。
[0052] 可選地，所述構(gòu)建模塊，具體用于
[0053] 根據(jù)所述顏色特征子集W及所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)，構(gòu)建初始 決策分類樹；
[0054] 采用決策樹層數(shù)與交叉驗(yàn)證錯誤率的關(guān)系，對所述初始決策分類樹進(jìn)行剪枝，得 到優(yōu)化的決策分類樹；
[0055] 基于優(yōu)化的決策分類樹擴(kuò)展的一元勢函數(shù)，并結(jié)合二元勢函數(shù)，構(gòu)建條件隨機(jī)場 模型，并進(jìn)行模型參數(shù)估計和推理；
[0056]其中，所述條件隨機(jī)場模型為：
[0化7]
[0058]其中，功輸入圖像;X功圖像第i個像素點(diǎn)的特征集合;yi為第i個像素點(diǎn)的類別， 在將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本時，將病斑樣本標(biāo)記為類別+1， 將葉片樣本標(biāo)記為類別-1;Z為歸一化函數(shù);Ni為輸入圖像I第i個像素點(diǎn)的所有鄰域像素 ；i 和j均為正整數(shù)；4 (yi，xi)為基于優(yōu)化的決策分類樹擴(kuò)展的一元勢函數(shù)，表示該像素在其特 征條件下屬于某一類別的概率，4 (yi，xi)是通過第S公式計算得到的；exp(yiyuKTfij(x)) 為二元勢函數(shù)，表示該像素在其鄰域像素作用下屬于某一類別的概率，其中yu為第i個像素 點(diǎn)的第j個鄰域像素點(diǎn)的類別，V為待估參數(shù)向量，T為轉(zhuǎn)置符，fu(x)為聯(lián)合特征向量，fij (X)是通過第四公式計算得到的；
[0化9]所述第S公式為：
[0060]
[0061 ]共T，W巧女義，化T爐」,V、yi,Xi)的大??；DT(Xi)為圖像第i個像素點(diǎn)對應(yīng)的優(yōu)化 的決策分類樹的分類結(jié)果；
[0062] 所述第四公式為：
[0063] fij(x) = [ 1, I I Xi-Xj I I ]T
[0064] 其中，I I . I I表示歐式距離。
[0065] 由上述技術(shù)方案可知，本發(fā)明的設(shè)施蔬菜葉部病斑圖像分割方法及系統(tǒng)，能夠快 速、準(zhǔn)確的從設(shè)施現(xiàn)場采集的蔬菜病害圖像中獲取病斑圖像，為蔬菜病害的識別奠定堅(jiān)實(shí) 的基礎(chǔ)。
【附圖說明】
[0066] 圖1為本發(fā)明一實(shí)施例提供的一種設(shè)施蔬菜葉部病斑圖像分割方法的流程示意 圖；
[0067] 圖2為本發(fā)明另一優(yōu)選實(shí)施例提供的一種設(shè)施蔬菜葉部病斑圖像分割方法的流程 不意圖；
[0068] 圖3為本發(fā)明實(shí)施例提供的設(shè)施蔬菜葉部病斑圖像分割方法中的決策樹層數(shù)與交 叉驗(yàn)證錯誤率的關(guān)系圖；
[0069] 圖4為本發(fā)明一實(shí)施例提供的一種設(shè)施蔬菜葉部病斑圖像分割系統(tǒng)的結(jié)構(gòu)示意 圖。
【具體實(shí)施方式】
[0070] 為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例 中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整的描述，顯然，所描述的實(shí)施例僅 僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明的實(shí)施例，本領(lǐng)域普通技術(shù)人 員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他的實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0071] 圖1示出了本發(fā)明一實(shí)施例提供的設(shè)施蔬菜葉部病斑圖像分割方法的流程示意 圖，如圖1所示，本實(shí)施例的設(shè)施蔬菜葉部病斑圖像分割方法，包括下述步驟101-106:
[0072] 101、將設(shè)施現(xiàn)場采集的蔬菜葉部病害圖像分為訓(xùn)練組和測試組，并對訓(xùn)練組圖像 和測試組圖像進(jìn)行增強(qiáng)處理。
[0073] 在具體應(yīng)用中，優(yōu)選地，如圖2所示，可采用中值濾波的方法，對訓(xùn)練組圖像和測試 組圖像進(jìn)行增強(qiáng)處理。
[0074] 102、提取增強(qiáng)處理后的訓(xùn)練組圖像的初始顏色分類特征和梯度特征。
[00巧]其中，所述初始顏色分類特征，可包括:RGB、HSV、HSI、La*b*和YCbCr五個顏色空間 的15個顏色特征。
[0076] 其中，所述梯度特征，可包括:像素點(diǎn)的梯度方向和梯度幅值；
[0077] 在獲取所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)時，可利用第一公式提取訓(xùn)練組 圖像中像素點(diǎn)的梯度方向，可利用第二公式提取訓(xùn)練組圖像中像素點(diǎn)的梯度幅值；
[0078] 其中，所述第一公式為：
[0079]
[0080] 0(i，j)表示像素點(diǎn)（i，j)的梯度方向，i和j均為正整數(shù)；
[0081 ] 所述第二公式為：
[0082]
[0083] M( i，j)表示像素點(diǎn)（i，j)的梯度幅值。
[0084] 可理解的是，顏色特征是區(qū)分病斑和正常葉片區(qū)域的最最主要特征。因此，本實(shí)施 例選擇的分類特征主要為顏色特征，同時提取像素的梯度信息特征，可提高分割的魯棒性。
[0085] 103、將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本，按照提取的初始顏 色分類特征和梯度特征，獲取所述病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)和梯度特 征數(shù)據(jù)。
[0086] 在具體應(yīng)用中，在將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本時，將 病斑樣本(即圖像前景)標(biāo)記為類別+1，將葉片樣本(即圖像背景)標(biāo)記為類別-1。
[0087] 優(yōu)選地，可采用5X5像素大小的方框進(jìn)行病斑樣本訓(xùn)練數(shù)據(jù)集和葉片樣本訓(xùn)練數(shù) 據(jù)集的選擇。
[0088] 104、采用粗糖集的方法，針對所述病斑樣本和葉片樣本的初始顏色分類特征數(shù) 據(jù)，選擇顏色分類特征，得到顏色特征子集。
[0089] 可理解的是，通過采用粗糖集的方法選擇顏色分類特征，形成顏色特征子集，可W 剔除冗余的、對病斑分割貢獻(xiàn)較小的顏色特征。
[0090] 在具體應(yīng)用中，所述步驟104可W具體包括：
[0091] 采用等頻區(qū)間法將所述病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)進(jìn)行離散 化；
[0092] 基于遺傳算法的粗糖集屬性約簡方法，針對離散化后的數(shù)據(jù)選擇顏色分類特征。
[0093] 105、根據(jù)所述顏色特征子集W及所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)，構(gòu)建 條件隨機(jī)場模型（Conditional Random Field,簡稱CRF)。
[0094] 在具體應(yīng)用中，所述步驟105可W具體包括圖中未示出的步驟105a-105c:
[00%] 105a、根據(jù)所述顏色特征子集W及所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)，構(gòu) 建初始決策分類樹。
[0096] 在具體應(yīng)用中，所述步驟105a可根據(jù)所述顏色特征子集W及所述病斑樣本和葉片 樣本的梯度特征數(shù)據(jù)，利用分類回歸樹（Classification And Regression Tree,簡稱 CART)方法構(gòu)建初始決策分類樹，可具體如下：
[0097] 根據(jù)訓(xùn)練數(shù)據(jù)集（即病斑樣本和葉片樣本的訓(xùn)練數(shù)據(jù)集），從根結(jié)點(diǎn)開始，假設(shè)節(jié) 點(diǎn)的訓(xùn)練數(shù)據(jù)集為D，計算現(xiàn)有特征對該數(shù)據(jù)集的基尼指數(shù)；
[009引
么或《1 )
[0099] 上式中，Cp是D屬于第P類的樣本子集，P是類的個數(shù)。此時，對每一個特征A，對其可 能取得每個值a，根據(jù)樣本點(diǎn)對A = a的測試為"是"或"否"將D分成化和化兩部分，利用公式 (2)計算A = a時的基尼指數(shù)；
[0100]
公式（2 )
[0101] 在所有可能的特征A集他們所有可能的切分點(diǎn)a中，選擇基尼指數(shù)最小的特征及其 對應(yīng)的切分點(diǎn)作為最有特征與與最優(yōu)切分點(diǎn)，根據(jù)最優(yōu)特征與最優(yōu)切分點(diǎn)，從現(xiàn)節(jié)點(diǎn)生成 兩個字節(jié)點(diǎn)，將訓(xùn)練數(shù)據(jù)集根據(jù)特征，分配到兩個子節(jié)點(diǎn)中去；
[0102] 對兩個子節(jié)點(diǎn)遞歸調(diào)用公式(1)、（2)，直到滿足停止條件并生成決策樹模型。
[0103] 105b、采用決策樹層數(shù)與交叉驗(yàn)證錯誤率的關(guān)系，對所述初始決策分類樹進(jìn)行剪 枝，得到優(yōu)化的決策分類樹。
[0104] 105c、基于優(yōu)化的決策分類樹擴(kuò)展的一元勢函數(shù)，并結(jié)合二元勢函數(shù)，構(gòu)建條件隨 機(jī)場模型，并進(jìn)行模型參數(shù)估計和推理。
[0105] 其中，所述條件隨機(jī)場模型為：
[0106]
[0107]其中，I為輸入圖像;Xi為圖像第i個像素點(diǎn)的特征集合;yi為第i個像素點(diǎn)的類別， 在將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本時，將病斑樣本標(biāo)記為類別+1， 將葉片樣本標(biāo)記為類別-1;Z為歸一化函數(shù);Ni為輸入圖像I第i個像素點(diǎn)的所有鄰域像素 ；i 和j均為正整數(shù)；4 (yi，xi)為基于優(yōu)化的決策分類樹擴(kuò)展的一元勢函數(shù)，表示該像素在其特 征條件下屬于某一類別的概率，4 (yi，xi)是通過第S公式計算得到的；exp(yiyijKTfij(x)) 為二元勢函數(shù)，表示該像素在其鄰域像素作用下屬于某一類別的概率，其中yu為第i個像素 點(diǎn)的第j個鄰域像素點(diǎn)的類別，V為待估參數(shù)向量，T為轉(zhuǎn)置符，fu(x)為聯(lián)合特征向量，fij (X)是通過第四公式計算得到的；
[010引 所沐笠二公擊為，
[0109]
[0110]其中，T為常數(shù)，用于調(diào)節(jié)(Hyi，Xi)的大小;DT(Xi)為圖像第i個像素點(diǎn)對應(yīng)的優(yōu)化 的決策分類樹的分類結(jié)果；
[011。 所述第四公式為：
[0112] fij(x) = [l, I |xi-xj| I
[0113] 其中，11 ? M表示歐式距離。
[0114] 在具體應(yīng)用中，步驟105c可假設(shè)訓(xùn)練數(shù)據(jù)集中有M幅圖像，即xW，xW，……，x?， 對應(yīng)要分割出來的目標(biāo)其手工標(biāo)記為yW，yW，……，/">，可采用最大似然估計來進(jìn)行件隨 機(jī)場模型的待估參數(shù)向量V的估計，計算方法如下：
[0115] !
[0116] 基于最大似然估計，可利用下述公式，使用隨機(jī)梯度下降法獲取最優(yōu)參數(shù)向量
[0117]
[0118] 106、根據(jù)所述條件隨機(jī)場模型，對增強(qiáng)處理后的測試組圖像進(jìn)行分割，提取病斑 圖像。
[0119] 本實(shí)施例的設(shè)施蔬菜葉部病斑圖像分割方法，通過將設(shè)施現(xiàn)場采集的蔬菜葉部病 害圖像分為訓(xùn)練組和測試組，并對訓(xùn)練組圖像和測試組圖像進(jìn)行增強(qiáng)處理；提取增強(qiáng)處理 后的訓(xùn)練組圖像的初始顏色分類特征和梯度特征;將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑 樣本和葉片樣本，按照提取的初始顏色分類特征和梯度特征，獲取所述病斑樣本和葉片樣 本的初始顏色分類特征數(shù)據(jù)和梯度特征數(shù)據(jù);采用粗糖集的方法，針對所述病斑樣本和葉 片樣本的初始顏色分類特征數(shù)據(jù)，選擇顏色分類特征，得到顏色特征子集;根據(jù)所述顏色特 征子集W及所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)，構(gòu)建條件隨機(jī)場模型;根據(jù)所述條 件隨機(jī)場模型，對增強(qiáng)處理后的測試組圖像進(jìn)行分割，提取病斑圖像。能夠快速、準(zhǔn)確的從 設(shè)施現(xiàn)場采集的蔬菜病害圖像的復(fù)雜背景中提取病斑圖像，為蔬菜病害的識別奠定堅(jiān)實(shí)的 基礎(chǔ)。本發(fā)明與圖像處理、模式識別等技術(shù)結(jié)合的基礎(chǔ)上，會在設(shè)施蔬菜病害識別方面有很 大的貢獻(xiàn)。
[0120] 圖4示出了本發(fā)明一實(shí)施例提供的設(shè)施蔬菜葉部病斑圖像分割系統(tǒng)的結(jié)構(gòu)示意 圖，如圖4所示，本實(shí)施例的設(shè)施蔬菜葉部病斑圖像分割系統(tǒng)，包括:增強(qiáng)處理模塊41、第一 提取模塊42、獲取模塊43、選擇模塊44、構(gòu)建模塊45和第二提取模塊46;其中：
[0121] 增強(qiáng)處理模塊41用于將設(shè)施現(xiàn)場采集的蔬菜葉部病害圖像分為訓(xùn)練組和測試組， 并對訓(xùn)練組圖像和測試組圖像進(jìn)行增強(qiáng)處理；
[0122] 第一提取模塊42用于提取增強(qiáng)處理后的訓(xùn)練組圖像的初始顏色分類特征和梯度 特征；
[0123] 獲取模塊43用于將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本，按照提 取的初始顏色分類特征和梯度特征，獲取所述病斑樣本和葉片樣本的初始顏色分類特征數(shù) 據(jù)和梯度特征數(shù)據(jù)；
[0124] 選擇模塊44用于采用粗糖集的方法，針對所述病斑樣本和葉片樣本的初始顏色分 類特征數(shù)據(jù)，選擇顏色分類特征，得到顏色特征子集；
[0125] 構(gòu)建模塊45用于根據(jù)所述顏色特征子集W及所述病斑樣本和葉片樣本的梯度特 征數(shù)據(jù)，構(gòu)建條件隨機(jī)場模型；
[0126] 第二提取模塊46用于根據(jù)所述條件隨機(jī)場模型，對增強(qiáng)處理后的測試組圖像進(jìn)行 分割，提取病斑圖像。
[0127] 在具體應(yīng)用中，所述增強(qiáng)處理模塊41可具體用于
[0128] 將設(shè)施現(xiàn)場采集的病害圖像分為訓(xùn)練組和測試組，并采用中值濾波的方法，對訓(xùn) 練組圖像和測試組圖像進(jìn)行增強(qiáng)處理。
[0129] 在具體應(yīng)用中，所述選擇模塊44可具體用于
[0130] 采用等頻區(qū)間法將所述病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)進(jìn)行離散 化；
[0131] 基于遺傳算法的粗糖集屬性約簡方法，針對離散化后的數(shù)據(jù)選擇顏色分類特征， 得到顏色特征子集。
[0132] 在具體應(yīng)用中，所述構(gòu)建模塊45,可具體用于
[0133] 根據(jù)所述顏色特征子集W及所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)，構(gòu)建初始 決策分類樹；
[0134] 采用決策樹層數(shù)與交叉驗(yàn)證錯誤率的關(guān)系，對所述初始決策分類樹進(jìn)行剪枝，得 到優(yōu)化的決策分類樹；
[0135] 基于優(yōu)化的決策分類樹擴(kuò)展的一元勢函數(shù)，并結(jié)合二元勢函數(shù)，構(gòu)建條件隨機(jī)場 模型，并進(jìn)行模型參數(shù)估計和推理；
[0136] 其中，所述條件隨機(jī)場模型為：
[0137]
[0138] 其中，I為輸入圖像;Xi為圖像第i個像素點(diǎn)的特征集合;yi為第i個像素點(diǎn)的類別， 在將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本時，將病斑樣本標(biāo)記為類別+1， 將葉片樣本標(biāo)記為類別-1;Z為歸一化函數(shù);Ni為輸入圖像I第i個像素點(diǎn)的所有鄰域像素 ；i 和j均為正整數(shù)；4 (yi，xi)為基于優(yōu)化的決策分類樹擴(kuò)展的一元勢函數(shù)，表示該像素在其特 征條件下屬于某一類別的概率，4 (yi，xi)是通過第S公式計算得到的；exp(yiyuKTfij(x)) 為二元勢函數(shù)，表示該像素在其鄰域像素作用下屬于某一類別的概率，其中yu為第i個像素 點(diǎn)的第j個鄰域像素點(diǎn)的類別，V為待估參數(shù)向量，T為轉(zhuǎn)置符，fu(x)為聯(lián)合特征向量，fij (X)是通過第四公式計算得到的；
[0139] 所述第S公式為：
[0140]
[0141] 其中，T為常數(shù)，用于調(diào)節(jié)的大小;DT(Xi)為圖像第i個像素點(diǎn)對應(yīng)的優(yōu)化 的決策分類樹的分類結(jié)果；
[0142] 所述第四公式為：
[01創(chuàng) fij(X) = [l, I |xi-Xj| I ]T
[0144] 其中，I I ? I I表示歐式距離。
[0145] 本實(shí)施例所述的系統(tǒng)可W用于執(zhí)行上述方法實(shí)施例，其原理和技術(shù)效果類似，此 處不再寶述。
[0146] 需要說明的是，對于系統(tǒng)實(shí)施例而言，由于其與方法實(shí)施例基本相似，所W描述的 比較簡單，相關(guān)之處參見方法實(shí)施例的部分說明即可。
[0147] 本實(shí)施例的設(shè)施蔬菜葉部病斑圖像分割系統(tǒng)，能夠快速、準(zhǔn)確的從設(shè)施現(xiàn)場采集 的蔬菜病害圖像的復(fù)雜背景中提取病斑圖像，為蔬菜病害的識別奠定堅(jiān)實(shí)的基礎(chǔ)。本發(fā)明 與圖像處理、模式識別等技術(shù)結(jié)合的基礎(chǔ)上，會在設(shè)施蔬菜病害識別方面有很大的貢獻(xiàn)。
[0148] 本領(lǐng)域普通技術(shù)人員可W理解:實(shí)現(xiàn)上述各方法實(shí)施例的全部或部分步驟可W通 過程序指令相關(guān)的硬件來完成。前述的程序可W存儲于一計算機(jī)可讀取存儲介質(zhì)中。該程 序在執(zhí)行時，執(zhí)行包括上述各方法實(shí)施例的步驟;而前述的存儲介質(zhì)包括:R〇M、RAM、磁碟或 者光盤等各種可W存儲程序代碼的介質(zhì)。
[0149] 最后應(yīng)說明的是：W上各實(shí)施例僅用W說明本發(fā)明的技術(shù)方案，而非對其限制;盡 管參照前述各實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依 然可W對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分或者全部技術(shù)特征進(jìn) 行等同替換；而運(yùn)些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù) 方案的范圍。
【主權(quán)項(xiàng)】
1. 一種設(shè)施蔬菜葉部病斑圖像分割方法，其特征在于，包括： 將設(shè)施現(xiàn)場采集的蔬菜葉部病害圖像分為訓(xùn)練組和測試組，并對訓(xùn)練組圖像和測試組 圖像進(jìn)行增強(qiáng)處理； 提取增強(qiáng)處理后的訓(xùn)練組圖像的初始顏色分類特征和梯度特征； 將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本，按照提取的初始顏色分類特 征和梯度特征，獲取所述病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)和梯度特征數(shù)據(jù)； 采用粗糙集的方法，針對所述病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)，選擇顏 色分類特征，得到顏色特征子集； 根據(jù)所述顏色特征子集以及所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)，構(gòu)建條件隨機(jī) 場模型； 根據(jù)所述條件隨機(jī)場模型，對增強(qiáng)處理后的測試組圖像進(jìn)行分割，提取病斑圖像。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對訓(xùn)練組圖像和測試組圖像進(jìn)行增強(qiáng) 處理，包括： 采用中值濾波的方法，對訓(xùn)練組圖像和測試組圖像進(jìn)行增強(qiáng)處理。3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述初始顏色分類特征，包括:RGB、HSV、 HSI、La*b*和YCbCr五個顏色空間的15個顏色特征。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述梯度特征，包括:像素點(diǎn)的梯度方向和 梯度幅值； 在獲取所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)時，利用第一公式提取訓(xùn)練組圖像中 像素點(diǎn)的梯度方向，利用第二公式提取訓(xùn)練組圖像中像素點(diǎn)的梯度幅值； 其中，所述第一公式為：9(i，j)表示像素點(diǎn)（i，j)的梯度方向，i和j均為正整數(shù)； 所述第二公式為：M( i，j)表示像素點(diǎn)（i，j)的梯度幅值。5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述采用粗糙集的方法，針對所述病斑樣 本和葉片樣本的初始顏色分類特征數(shù)據(jù)，選擇顏色分類特征，包括： 采用等頻區(qū)間法將所述病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)進(jìn)行離散化； 基于遺傳算法的粗糙集屬性約簡方法，針對離散化后的數(shù)據(jù)選擇顏色分類特征。6. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述顏色特征子集以及所述病斑 樣本和葉片樣本的梯度特征數(shù)據(jù)，構(gòu)建條件隨機(jī)場模型，包括： 根據(jù)所述顏色特征子集以及所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)，構(gòu)建初始決策 分類樹； 采用決策樹層數(shù)與交叉驗(yàn)證錯誤率的關(guān)系，對所述初始決策分類樹進(jìn)行剪枝，得到優(yōu) 化的決策分類樹； 基于優(yōu)化的決策分類樹擴(kuò)展的一元勢函數(shù)，并結(jié)合二元勢函數(shù)，構(gòu)建條件隨機(jī)場模型， 并進(jìn)行模型參數(shù)估計和推理； 其中，所述條件隨機(jī)場模型為：其中，I為輸入圖像;χΛ圖像第i個像素點(diǎn)的特征集合為第i個像素點(diǎn)的類別，在將 增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本時，將病斑樣本標(biāo)記為類別+1，將葉 片樣本標(biāo)記為類別-I; Z為歸一化函數(shù);Ni為輸入圖像I第i個像素點(diǎn)的所有鄰域像素；i和j 均為正整數(shù)；Φ (yi，Xl)為基于優(yōu)化的決策分類樹擴(kuò)展的一元勢函數(shù)，表示該像素在其特征 條件下屬于某一類別的概率，Φ (yi，xi)是通過第三公式計算得到的；exp(yiyijKTfij(x))為 二元勢函數(shù)，表示該像素在其鄰域像素作用下屬于某一類別的概率，其中yu為第i個像素點(diǎn) 的第j個鄰域像素點(diǎn)的類別，V為待估參數(shù)向量，T為轉(zhuǎn)置符，fuU)為聯(lián)合特征向量，fu(x) 是通過第四公式計算得到的； 所述第三公式為：其中，τ為常數(shù)，用于調(diào)節(jié)Φ(7ι，Xl)的大小;DT(X1)為圖像第i個像素點(diǎn)對應(yīng)的優(yōu)化的決 策分類樹的分類結(jié)果； 所述第四公式為： fij(x) = [l, I |xi-xj| I ]T 其中，M · 11表示歐式距離。7. -種設(shè)施蔬菜葉部病斑圖像分割系統(tǒng)，其特征在于，包括： 增強(qiáng)處理模塊，用于將設(shè)施現(xiàn)場采集的蔬菜葉部病害圖像分為訓(xùn)練組和測試組，并對 訓(xùn)練組圖像和測試組圖像進(jìn)行增強(qiáng)處理； 第一提取模塊，用于提取增強(qiáng)處理后的訓(xùn)練組圖像的初始顏色分類特征和梯度特征； 獲取模塊，用于將增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本，按照提取的 初始顏色分類特征和梯度特征，獲取所述病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)和 梯度特征數(shù)據(jù)； 選擇模塊，用于采用粗糙集的方法，針對所述病斑樣本和葉片樣本的初始顏色分類特 征數(shù)據(jù)，選擇顏色分類特征，得到顏色特征子集； 構(gòu)建模塊，用于根據(jù)所述顏色特征子集以及所述病斑樣本和葉片樣本的梯度特征數(shù) 據(jù)，構(gòu)建條件隨機(jī)場模型； 第二提取模塊，用于根據(jù)所述條件隨機(jī)場模型，對增強(qiáng)處理后的測試組圖像進(jìn)行分割， 提取病斑圖像。8. 根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，所述增強(qiáng)處理模塊，具體用于 將設(shè)施現(xiàn)場采集的病害圖像分為訓(xùn)練組和測試組，并采用中值濾波的方法，對訓(xùn)練組 圖像和測試組圖像進(jìn)行增強(qiáng)處理。9. 根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，所述選擇模塊，具體用于 采用等頻區(qū)間法將所述病斑樣本和葉片樣本的初始顏色分類特征數(shù)據(jù)進(jìn)行離散化； 基于遺傳算法的粗糙集屬性約簡方法，針對離散化后的數(shù)據(jù)選擇顏色分類特征，得到 顏色特征子集。10.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，所述構(gòu)建模塊，具體用于 根據(jù)所述顏色特征子集以及所述病斑樣本和葉片樣本的梯度特征數(shù)據(jù)，構(gòu)建初始決策 分類樹； 采用決策樹層數(shù)與交叉驗(yàn)證錯誤率的關(guān)系，對所述初始決策分類樹進(jìn)行剪枝，得到優(yōu) 化的決策分類樹； 基于優(yōu)化的決策分類樹擴(kuò)展的一元勢函數(shù)，并結(jié)合二元勢函數(shù)，構(gòu)建條件隨機(jī)場模型， 并進(jìn)行模型參數(shù)估計和推理； 其中，所述條件隨機(jī)場模型為：其中，I為輸入圖像;χΛ圖像第i個像素點(diǎn)的特征集合為第i個像素點(diǎn)的類別，在將 增強(qiáng)處理后的訓(xùn)練組圖像分類為病斑樣本和葉片樣本時，將病斑樣本標(biāo)記為類別+1，將葉 片樣本標(biāo)記為類別-I; Z為歸一化函數(shù);Ni為輸入圖像I第i個像素點(diǎn)的所有鄰域像素；i和j 均為正整數(shù)；Φ (yi，Xl)為基于優(yōu)化的決策分類樹擴(kuò)展的一元勢函數(shù)，表示該像素在其特征 條件下屬于某一類別的概率，Φ (yi，xi)是通過第三公式計算得到的；exp(yiyijKTfij(x))為 二元勢函數(shù)，表示該像素在其鄰域像素作用下屬于某一類別的概率，其中yu為第i個像素點(diǎn) 的第j個鄰域像素點(diǎn)的類別，V為待估參數(shù)向量，T為轉(zhuǎn)置符，fuU)為聯(lián)合特征向量，fu(x) 是通過第四公式計算得到的； 所述第三公式為：其中，τ為常數(shù)，用于調(diào)節(jié)Φ(7ι，Xl)的大小;DT(X1)為圖像第i個像素點(diǎn)對應(yīng)的優(yōu)化的決 策分類樹的分類結(jié)果； 所述第四公式為： fij(x) = [l, I |xi-xj| I ]T 其中，M · 11表示歐式距離。
【文檔編號】G06T7/00GK106023159SQ201610306331
【公開日】2016年10月12日
【申請日】2016年5月10日
【發(fā)明人】張領(lǐng)先, 馬浚誠, 李鑫星, 郭蕾, 劉菲, 劉威麟, 鄭巳明, 嚴(yán)謹(jǐn), 關(guān)博方
【申請人】中國農(nóng)業(yè)大學(xué)