基于改进K中值聚类的苹果病害叶片分割方法.docx

    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Reference：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%Keys：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TP391.41 ： A ：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：[email protected] 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。