基于改进K中值聚类的苹果病害叶片分割方法

张善文+张晴晴+齐国红+周伟

摘要：针对复杂背景下的苹果病害叶片分割问题，提出一种基于改进的K均值聚类的苹果病害叶片病斑分割方法。首先将原始叶片图像由RGB（R为红，G为绿，B为蓝）颜色空间转换到Lab（L为亮度，a为从洋红色至绿色的范围，b为从黄色至蓝色的范围）颜色空间，然后在Lab颜色空间中利用ab二维数据空间的颜色差异，以欧式距离度量像素间的相似度，使用K均值对图像进行聚类，利用数学形态学中的开闭交替滤波方法对聚类后的灰度图像进行校正，最后得到图像病斑。对3种常见苹果病害叶片图像进行分割，并与其他分割方法进行比较。结果表明，该方法效果好，其误分率为8.41%。

关键词：K均值聚类；苹果病害叶片图像；病斑分割；改进的K中值聚类

中图分类号： TP391.41 文献标志码： A 文章编号：1002-1302（2017）18-0205-03

收稿日期：2016-04-07

基金项目：国家自然科学基金（编号：61473237）；河南省教育厅自然科学基础研究计划（编号：15A520101）；河南省科技攻关计划（编号：152102310368）。

作者简介：张善文（1965—），男，陕西西安人，博士，教授，主要從事植物病害叶片图像处理及病害识别方法等研究。E-mail：wjdw716@163.com。 苹果是我国主要的水果作物之一。近年来，由于环境变化、不科学施肥和盲目使用农药等原因，使苹果病害越来越普遍[1]，其中，苹果锈病、斑点落叶病和花叶病等都是典型的叶部病害。叶部病害严重影响了苹果的产量和质量，给果农造成了严重的经济损失。传统的苹果叶部病害检测识别方法依赖于个人的经验肉眼观察，费时费力，不适合大面积果园的病害管理[2]。随着计算机图像处理和模式识别技术的发展，运用农业物联网和叶片图像识别技术能够有效、快速地发现并诊断苹果病害，以便采取最有效的防治方法减少植物病害损失[3-5]。植物叶片病斑图像分割一直是植物病害识别中的一个重要过程，也是目前复杂图像处理中的一个重要研究方向，病斑的分割精度直接影响后续特征提取的可靠性、病害识别的准确性和后期病害识别算法的识别率[6-7]。最大类间方差法（Otsu）是一种简单有效、分割效果较好、适用范围较广的图像阈值分割方法，该方法不受图像亮度和对比度的影响，已被广泛应用于植物病害叶片图像分割中。张善文等提出了1种基于Otsu算法的植物病害叶片图像分割方法[8]。虎晓红等提出了1种利用图像变换得到图像特征向量的方法，该方法利用了隶属关系区分目标和背景[9]。赵瑶池等在虎晓红等研究[9]的基础上，提出了1种基于对数相似度约束Otsu的自然场景病害果实图像分割方法，该方法利用统计方法建立目标颜色概率统计模型，再进行约束Otsu聚类，得到基于病斑区域的分割结果，最后结合椭圆拟合与改进的距离规则水平集演化活动轮廓[10]。Chen等提出了1种基于目标检测的病斑图像分割方法，该方法对提取的结构特征和颜色特征首先进行整合并对特征空间进行量化，得到作物病害叶片图像的显著区域，再利用模糊检测进一步过滤背景和模糊区域的图像，该方法不需要去除复杂背景就可得到病斑区域[11]。张武等针对复杂背景下苹果叶部病害图像分割难题，提出了1种结合K均值聚类和Otsu阈值法等多种方法的分割策略[12]。K均值聚类是另一种简单、有效的图像分割方法[13-15]。周世兵等提出了1种基于递增思想的聚类算法的全局K均值聚类算法，该算法由前k-1个簇的最佳初始中心，通过反复计算运行K均值聚类算法来确定第k个簇的最佳聚类中心[16]。吴晓蓉使用最大与最小距离算法确定初始聚类中心，取尽可能远的对象作为聚类中心，避免了初值选取时可能出现的初始聚类中心过于邻近的问题[17]。赖玉霞等提出了1种基于遗传算法的K均值聚类，在自适应交叉和变异概率的遗传算法中引入K均值，克服了K均值算法对初始中心的敏感性[18]。采用K均值算法对苹果病害叶片图像进行聚类运算，可以实现叶片病斑图像分割。由于在大田自然环境中，苹果病害叶片图像结构和成分复杂、色彩不均匀、病斑边界的不确定以及不同病斑的相互重叠等特性，特别是病斑图像变化多样，使得很多经典的图像分割方法在分割病斑图像时的效果往往不理想，还有很多分割方法存在边缘不连续或图像边缘过粗等缺点，使得后续提取的特征不准确。至今还没有一种良好的通用性分割算法能够完全解决各种作物病害叶片图像分割问题。本研究在K均值聚类方法的基础上，提出了1种改进的K均值聚类的苹果病害病斑图像分割方法。该方法能够较准确地实现复杂背景下的苹果叶部病害图像分割，为复杂背景下的病害叶部病害识别系统提供了有效的技术支持，也为其他作物的病害叶片图像分割提供了参考。

1 改进的快速全局K中值聚类

K均值聚类算法是通过迭代寻找最优划分的过程，该方法被广泛应用于图像分割中。若要将图像分为k个类别，首先选择k个类的初始划分，计算这些类的均值向量，然后根据欧式距离把剩余的每个样本分配到距离它最近类均值向量的一个划分，再重新计算被分配到每个类的样本的均值向量，作为新的类质心，重复这一过程直到均值向量μ收敛为止。本研究在K均值聚类算法的基础上，提出1种改进的K中值聚类算法。与经典的K均值聚类算法的主要区别在于本研究的方法采用中值聚类中心。该方法应用于病害叶片图像分割的实现步骤如下：

（1）初始化。给定一幅病害叶片的灰度图像，第i个像素点的灰度记为g（i），i=1，2，…，n。计算图像的直方图，利用直方图的k个峰值a0，a1，…，ak将图像划分为k部分。若图像的直方图的峰区分不明显，可以等间隔地将图像划分为k部分。计算每个部分中的所有像素的中值，作为图像分割前的聚类中心Z（0）1，Z（0）2，…，Z（0）k：

（2）按最小距离准则，将所有像素点划分为k类：若 Z（0）j

（3）计算每一类中所有像素的中值，作为图像第1次分割的聚类中心Z（1）1，Z（1）2，…，Z（1）k：

得到第1次聚类中心[Z（1）1，Z（1）2，…，Z（1）k]。以[Z（1）1，Z（1）2，…，Z（1）k]为新的聚类中心，逐个重新将所有像素点按最小距离准则分配给k个新聚类中心中的某一个Z（1）j对应的类。

（4）若Z（k+1）j≠Z（k）j（j=1，2，…，k）则返回（2），将样本空间数据集逐个重新分类，重复迭代运算；若Z（k+1）j=Z（k）j，j=1，2，…，k，则算法收敛，迭代运算结束。

在实际应用中，很难达到Z（k+1）j=Z（k）j（j=1，2，…，k），所以当max[Z（k+1）j-Z（k）j]

2 选择叶片图像聚类色彩空间

病害叶片图像分割常用的颜色空间主要有RGB、HSV（H为色调，S为饱和度，V为明度）、HSI（H为色调，S为饱和度，I为强度）、Lab等颜色空间模式。本研究由农业物联网获得的植物病害叶片图像为RGB颜色图像。植物叶片图像病斑与背景的颜色区别明显，根据不同的颜色块进行聚类从而完成病斑图像分割。Lab颜色空间用于计算机色调调整和彩色校正[19]，它可以独立地实现设备的彩色模型，生成模型所需要的特定颜色可以直接通过使用颜色空间内的几何距离进行不同颜色之间的比较分析，可以有效、方便地用在测量较小的色差上。人的肉眼可感知的色彩，都能通过Lab颜色空间表现出来。该颜色空间弥补了RGB色彩模型色彩分布不均匀等不足，所以在病害叶片图像分割中，Lab颜色空间要优于RGB颜色空间，可以依据不同的颜色块来进行聚类[20]。

图像不能直接由RGB颜色空间转换到Lab颜色空间，需要先将RGB颜色空间转换到XYZ颜色空间，再由XYZ颜色空间转换至Lab颜色空间，转换公式如下

7.787t+16/116，t≤0.008 856；X0、Y0、Z0分别表示X、Y、Z对应的参考点。

在Lab颜色空间中，所有的病害颜色信息都包含在a、b分量中。分析病害叶片图像可以看出，有病斑目标区域在背景颜色上存在着明显的差异，表明可以根据不同的颜色差異对图像进行聚类。

3 结果与分析

在MATLAB 2012b平台上，将本研究提出的病害叶片图像分割算法应用于苹果病害叶片图像分割中。随机选择3种常见的苹果病害（锈病、斑点落叶病、花叶病）的3幅叶片图像（图1-a）作为试验对象。将原始图像从RGB颜色空间转换到Lab颜色空间，利用a、b颜色分量对图像颜色聚类，采用欧式距离量度衡量像素之间的相似性，并利用误差平方和准则函数决定算法是否收敛。聚类分割后的病斑图像再使用开闭交替滤波算法，滤除毛刺和小的孤立点，平滑目标轮廓，得到病斑图像。图1-b为苹果病害叶片的Lab颜色空间图像。由于叶片与背景区域颜色对比比较明显，因此直接对彩色图像进行分割可以达到较好的分割效果，不需要进行开闭交替滤波算法就能得到较清晰的病斑图像（图1-c）。

为了表明本研究算法的有效性，同时采用基于H分量直方图分割和主动轮廓（C_V模型）分割方法，得到复杂背景下的苹果病害叶片聚类分割的病斑图像。由图2可知，本研究的K中值聚类具有较好的聚类分割效果，本研究聚类分割算法的原理也可以证明这一点。由于K均值聚类分割的初始中心是随机选择的，可能导致其聚类分割过程比较费时，甚至分割结果不正确。

由图1和图2的分割结果可以看出，本研究的方法能够较好地将病斑分割出来。虽然基于H分量直方图分割和主动轮廓（C_V模型）的方法也能分割出病斑，但当病斑图像存在孔洞情况时，分割效果不理想，可能影响后续的特征提取和病害识别效果，仍需要改进。

利用公式（6）计算不同算法的病斑图像误分率：

病斑图像与背景和正常的叶片分割开来，已经成为作物病害叶片图像分析与病害识别领域亟待解决的实际问题。本研究在K均值聚类算法的基础上，提出1种改进的K均值聚类的苹果病害叶片图像分割算法。通过使用快速全局K中值聚类，解决了经典K均值聚类算法的初始聚类中心点随机选择而导致聚类结果可能不正确、算法费时等问题，并消除了噪声对聚类结果的影响。试验结果表明，本研究提出的方法提高了苹果病害叶片图像分割的准确性，能够有效、快速地发现并诊断苹果病害。

参考文献：

[1]姜 猛，王 军，王志军，等. 苹果树病虫害决策支持系统研究与集成[J]. 山东农业科学，2015，47（6）：129-133.

[2]Gui J S，Hao L，Zhang Q，et al. A new method for soybean leaf disease detection based on modified salient regions[J]. International Journal of Multimedia and Ubiquitous Engineering，2015，10（6）：45-52.

[3]Cubero S，Aleixos N，Moltó E，et al. Advances in machine vision applications for automatic inspection and quality evaluation of fruits and vegetables[J]. Food and Bioprocess Technology，2011，4（4）：487-504.

[4]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（5）：89-90.

[5]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.endprint

[6]李宗儒，何东健. 基于手机拍摄图像分析的蘋果病害识别技术研究[J]. 计算机工程与设计，2010，31（13）：3051-3053.

[7]胡 林，周国民，丘 耘，等. 苹果树图像分割算法研究综述[J]. 中国农业科技导报，2015，17（2）：100-108.

[8]张善文，张云龙，尚怡君. 1种基于Otsu算法的植物病害叶片图像分割方法[J]. 江苏农业科学，2014，42（4）：337-339.

[9]虎晓红，李炳军，席 磊. 基于多示例图的小麦叶部病害分割方法[J]. 农业工程学报，2012，28（13）：154-159.

[10]赵瑶池，胡祝华. 基于对数相似度约束Otsu的自然场景病害果实图像分割[J]. 农业机械学报，2015，46（11）：9-15.

[11]Chen L，Yuan Y，Wu N，et al. Segmentation for low depth of field crop disease images based on saliency and blurred detection[J]. Transactions of the Chinese Society of Agricultural Engineering，2015，31（S2）：145-151.

[12]张 武，黄 帅，汪京京，等. 复杂背景下小麦叶部病害图像分割方法研究[J]. 计算机工程与科学，2015，37（7）：1349-1354.

[13]朱景福，李 雪. 聚类算法在玉米叶片病斑降维识别中的应用[J]. 江苏农业科学，2015，43（1）：405-406.

[14]张星龙，冯 全，杨 梅，等. 基于光源不变图和聚类算法的叶片阴影中病斑的分割[J]. 西北农林科技大学学报（自然科学版），2015，43（10）：189-194.

[15]Likas A，Vlassis M，Verbeek J. The global K-means clustering algorithm[J]. Pattern Recognition，2003，36（2）：451-461.

[16]周世兵，徐振源，唐旭清. 新的K均值算法最佳聚类数确定方法[J]. 计算机工程与应用，2010，46（16）：27-31.

[17]吴晓蓉. K均值聚类算法初始中心选取相关问题的研究[D]. 长沙：湖南大学，2008.

[18]赖玉霞，刘建平，杨国兴. 基于遗传算法的K均值聚类分析[J]. 计算机工程，2008，34（20）：200-202.

[19]李 莎，钱建平，赵春江，等. 不同颜色模型识别成熟苹果图像的比较分析[J]. 计算机工程与设计，2015，36（6）：1545-1550.

[20]Camargo A，Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering，2009，102（1）：9-21.张晓明，鲍安红，谢守勇，等. 基于Fluent的文丘里管结构参数对吸肥性能的影响[J]. 江苏农业科学，2017，45（18）：208-210.endprint