本發(fā)明涉及農(nóng)業(yè)技術(shù)領(lǐng)域，尤其涉及一種設(shè)施蔬菜邊緣清晰類葉面病斑分割方法及裝置。

背景技術(shù)：

圖像分割能夠?qū)⒁环鶊D像分成許多個區(qū)域，而且，各個區(qū)域間彼此不相重疊，位于同一區(qū)域內(nèi)的像素具有相似性，而位于不同區(qū)域內(nèi)的像素則具有相異性。在基于計算機(jī)視覺的圖像處理過程中，圖像分割技術(shù)至關(guān)重要。合理而有效的圖像分割結(jié)果能精確的提取出目標(biāo)的信息，對后續(xù)的圖像處理和病害診斷過程具有十分重要的作用。

計算機(jī)輔助植物病害診斷和防治是近年來圖像處理技術(shù)、計算機(jī)視覺技術(shù)和模式識別技術(shù)應(yīng)用的新領(lǐng)域。計算機(jī)輔助病害診斷和防治的基礎(chǔ)和關(guān)鍵是能夠有效地進(jìn)行病害對象的自動識別。為了提高病害識別的準(zhǔn)確率進(jìn)而為植物病害診斷和防治提供可靠的依據(jù)，因此很有必要針對葉面病斑的圖像分割算法進(jìn)行研究。

但是，目前并沒有一種采用計算機(jī)視覺技術(shù)進(jìn)行植物病害識別的技術(shù)。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種設(shè)施蔬菜邊緣清晰類葉面病斑分割方法及裝置，該方法和裝置基于葉片正常區(qū)域和病斑區(qū)域的顏色及特征差異，通過計算機(jī)視覺技術(shù)對圖像進(jìn)行處理，從而將葉片病斑區(qū)域分割出來。

第一方面，本發(fā)明提供一種設(shè)施蔬菜邊緣清晰類葉面病斑分割方法，包括：

獲取待處理圖像，對所述待處理圖像進(jìn)行預(yù)處理，去除所述待處理圖像的非綠色背景，并根據(jù)HSI顏色模型獲取去除非綠色背景的圖像的亮度分量梯度圖；

利用分水嶺算法對所述亮度分量梯度圖進(jìn)行分割，獲取第一分割圖像，獲取所述第一分割圖像的色調(diào)分量和飽和度分量，并利用分水嶺算法分別對第一分割圖像的色調(diào)分量和飽和度分量分割，分別獲取第二分割圖像和第三分割圖像；所述第一分割圖像、第二分割圖像和第三分割圖像均包括多個分割塊；

按照預(yù)設(shè)規(guī)則分別對目標(biāo)分割圖像的多個分割塊進(jìn)行合并提取，獲取所述目標(biāo)分割圖像的待選目標(biāo)葉片區(qū)域，所述目標(biāo)分割圖像分別為所述第一分割圖像、第二分割圖像和第三分割圖像，與所述第一分割圖像、第二分割圖像和第三分割圖像對應(yīng)的目標(biāo)待選葉片區(qū)域分別為第一待選目標(biāo)葉片區(qū)域、第二待選目標(biāo)葉片區(qū)域和第三待選目標(biāo)葉片區(qū)域；

分別獲取所述第一待選目標(biāo)葉片區(qū)域、第二待選目標(biāo)葉片區(qū)域和第三待選目標(biāo)葉片區(qū)域的外接最小凸多邊形，在獲取所述第一待選目標(biāo)葉片區(qū)域所占的像素點數(shù)、所述第一待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)、所述第二待選目標(biāo)葉片區(qū)域所占的像素點數(shù)、所述第二待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)、所述第三待選目標(biāo)葉片區(qū)域所占的像素點數(shù)以及所述第三待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)后，根據(jù)待選目標(biāo)葉片區(qū)域所占的像素點數(shù)和所述待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)，計算所述待選目標(biāo)葉片區(qū)域的葉片完整性參數(shù)；所述待選目標(biāo)葉片區(qū)域分別為所述第一待選目標(biāo)葉片區(qū)域、第二待選目標(biāo)葉片區(qū)域和第三待選目標(biāo)葉片區(qū)域，與所述第一待選目標(biāo)葉片區(qū)域?qū)?yīng)的葉片完整性參數(shù)為第一葉片完整性參數(shù)、與所述第二待選目標(biāo)葉片區(qū)域?qū)?yīng)的葉片完整性參數(shù)為第二葉片完整性參數(shù)，與所述第一待選目標(biāo)葉片區(qū)域?qū)?yīng)的葉片完整性參數(shù)為第三葉片完整性參數(shù)；

將所述第一葉片完整性參數(shù)、第二葉片完整性參數(shù)和第三葉片完整性參數(shù)中的最大值對應(yīng)的待選目標(biāo)葉片區(qū)域確定為目標(biāo)葉片區(qū)域，獲取所述待處理圖像的灰度圖像，并獲取所述灰度圖像中所述目標(biāo)葉片區(qū)域中各像素點的灰度值；

根據(jù)所述灰度圖像中所述目標(biāo)葉片區(qū)域中各像素點的灰度值，采用預(yù)設(shè)聚類算法將所述目標(biāo)葉片區(qū)域的各像素點分成多個類別；

根據(jù)所述多個類別，獲取所述目標(biāo)葉片區(qū)域的的病斑區(qū)域。

優(yōu)選的，按照預(yù)設(shè)規(guī)則分別對目標(biāo)分割圖像的多個分割塊進(jìn)行合并提取，獲取所述目標(biāo)分割圖像的待選目標(biāo)葉片區(qū)域，包括：

在所述目標(biāo)分割圖像的預(yù)設(shè)位置選定一個預(yù)設(shè)形狀和預(yù)設(shè)大小的目標(biāo)區(qū)域；

依次判斷所述目標(biāo)分割圖像的各分割塊中的像素點是否在所述目標(biāo)區(qū)域內(nèi)；

若是，則將分割塊合并提取形成所述目標(biāo)分割圖像的待選目標(biāo)葉片區(qū)域。

優(yōu)選的，根據(jù)待選目標(biāo)葉片區(qū)域所占的像素點數(shù)和所述待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)，計算所述待選目標(biāo)葉片區(qū)域的葉片完整性參數(shù)，包括：

根據(jù)待選目標(biāo)葉片區(qū)域所占的像素點數(shù)和所述待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)，利用公式(一)計算所述待選目標(biāo)葉片區(qū)域的葉片完整性參數(shù)

其中Extrected Area為待選目標(biāo)葉片區(qū)域所占的像素點數(shù)，Convex Area為待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)。

優(yōu)選的，根據(jù)所述灰度圖像中所述目標(biāo)葉片區(qū)域中各像素點的灰度值，采用預(yù)設(shè)聚類算法將所述目標(biāo)葉片區(qū)域的各像素點分成多個類別，包括：

將一預(yù)設(shè)的灰度值作為當(dāng)前聚類中心，根據(jù)所述目標(biāo)葉片區(qū)域的各像素點的灰度值和當(dāng)前聚類中心，采用預(yù)設(shè)目標(biāo)函數(shù)計算目標(biāo)函數(shù)值；

按照預(yù)設(shè)規(guī)則再依次選取不同的灰度值，分別將再次選取的不同的灰度值作為當(dāng)前聚類中心，對所述預(yù)設(shè)目標(biāo)函數(shù)進(jìn)行迭代，計算與各個當(dāng)前聚類中心對應(yīng)的目標(biāo)函數(shù)值；

判斷相鄰兩次迭代計算出的目標(biāo)函數(shù)值之間的差值是否小于等于預(yù)設(shè)閾值或迭代次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)；

若相鄰兩次迭代計算出的目標(biāo)函數(shù)值之間的差值小于等于預(yù)設(shè)閾值或迭代次數(shù)達(dá)到預(yù)設(shè)次數(shù)，則確定當(dāng)前聚類中心為目標(biāo)聚類中心；

計算所述目標(biāo)葉片區(qū)域中各像素點的灰度值與所述目標(biāo)聚類中心之間的歐式距離并將歐式距離小于等于預(yù)設(shè)距離的灰度值對應(yīng)的像素點作為一個類別。

優(yōu)選的，根據(jù)所述目標(biāo)葉片區(qū)域的各像素點的灰度值和當(dāng)前聚類中心，采用預(yù)設(shè)目標(biāo)函數(shù)計算目標(biāo)函數(shù)值，包括：

根據(jù)所述目標(biāo)葉片區(qū)域的各像素點的灰度值和當(dāng)前聚類中心，采用公式(二)計算目標(biāo)函數(shù)值；

其中，J_m(U，V；X)為目標(biāo)函數(shù)值，x_j為第j個像素灰度值，v_i為第i個類別的聚類中心，c為類別數(shù)，m為常數(shù)，n為像素數(shù)，w為大于0的預(yù)設(shè)值；

$u_{ij}=\frac{1}{{\Σ}_{k=1}^c{\left(\frac{d^2(x_j,p_i)}{d^2(x_j,p_k)}\right)}^{\frac{1}{m-1}}}$

其中，p_i是像素點x_j屬于v_i的概率，p_k是像素點x_j屬于第k個類別的聚類中心v_k的概率。

第二方面，本發(fā)明還提供一種設(shè)施蔬菜邊緣清晰類葉面病斑分割裝置，包括：

第一獲取單元，用于獲取待處理圖像，對所述待處理圖像進(jìn)行預(yù)處理，去除所述待處理圖像的非綠色背景，并根據(jù)HSI顏色模型獲取去除非綠色背景的圖像的亮度分量梯度圖；

第一分割單元，用于利用分水嶺算法對所述亮度分量梯度圖進(jìn)行分割，獲取第一分割圖像，獲取所述第一分割圖像的色調(diào)分量和飽和度分量，并利用分水嶺算法分別對第一分割圖像的色調(diào)分量和飽和度分量分割，分別獲取第二分割圖像和第三分割圖像；所述第一分割圖像、第二分割圖像和第三分割圖像均包括多個分割塊；

第二獲取單元，用于按照預(yù)設(shè)規(guī)則分別對目標(biāo)分割圖像的多個分割塊進(jìn)行合并提取，獲取所述目標(biāo)分割圖像的待選目標(biāo)葉片區(qū)域，所述目標(biāo)分割圖像分別為所述第一分割圖像、第二分割圖像和第三分割圖像，與所述第一分割圖像、第二分割圖像和第三分割圖像對應(yīng)的目標(biāo)待選葉片區(qū)域分別為第一待選目標(biāo)葉片區(qū)域、第二待選目標(biāo)葉片區(qū)域和第三待選目標(biāo)葉片區(qū)域；

計算單元，用于分別獲取所述第一待選目標(biāo)葉片區(qū)域、第二待選目標(biāo)葉片區(qū)域和第三待選目標(biāo)葉片區(qū)域的外接最小凸多邊形，在獲取所述第一待選目標(biāo)葉片區(qū)域所占的像素點數(shù)、所述第一待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)、所述第二待選目標(biāo)葉片區(qū)域所占的像素點數(shù)、所述第二待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)、所述第三待選目標(biāo)葉片區(qū)域所占的像素點數(shù)以及所述第三待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)后，根據(jù)待選目標(biāo)葉片區(qū)域所占的像素點數(shù)和所述待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)，計算所述待選目標(biāo)葉片區(qū)域的葉片完整性參數(shù)；所述待選目標(biāo)葉片區(qū)域分別為所述第一待選目標(biāo)葉片區(qū)域、第二待選目標(biāo)葉片區(qū)域和第三待選目標(biāo)葉片區(qū)域，與所述第一待選目標(biāo)葉片區(qū)域?qū)?yīng)的葉片完整性參數(shù)為第一葉片完整性參數(shù)、與所述第二待選目標(biāo)葉片區(qū)域?qū)?yīng)的葉片完整性參數(shù)為第二葉片完整性參數(shù)，與所述第一待選目標(biāo)葉片區(qū)域?qū)?yīng)的葉片完整性參數(shù)為第三葉片完整性參數(shù)；

第三獲取單元，用于將所述第一葉片完整性參數(shù)、第二葉片完整性參數(shù)和第三葉片完整性參數(shù)中的最大值對應(yīng)的待選目標(biāo)葉片區(qū)域確定為目標(biāo)葉片區(qū)域，獲取所述待處理圖像的灰度圖像，并獲取所述灰度圖像中所述目標(biāo)葉片區(qū)域中各像素點的灰度值；

第二分割單元，用于根據(jù)所述灰度圖像中所述目標(biāo)葉片區(qū)域中各像素點的灰度值，采用預(yù)設(shè)聚類算法將所述目標(biāo)葉片區(qū)域的各像素點分成多個類別；

第三分割單元，用于根據(jù)所述多個類別，獲取所述目標(biāo)葉片區(qū)域的的病斑區(qū)域。

優(yōu)選的，所述第二獲取單元還用于：

在所述目標(biāo)分割圖像的預(yù)設(shè)位置選定一個預(yù)設(shè)形狀和預(yù)設(shè)大小的目標(biāo)區(qū)域；

依次判斷所述目標(biāo)分割圖像的各分割塊中的像素點是否在所述目標(biāo)區(qū)域內(nèi)；

若是，則將分割塊合并提取形成所述目標(biāo)分割圖像的待選目標(biāo)葉片區(qū)域。

優(yōu)選的，所述計算單元還用于：

根據(jù)待選目標(biāo)葉片區(qū)域所占的像素點數(shù)和所述待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)，計算所述待選目標(biāo)葉片區(qū)域的葉片完整性參數(shù)，包括：

根據(jù)待選目標(biāo)葉片區(qū)域所占的像素點數(shù)和所述待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)，利用公式(一)計算所述待選目標(biāo)葉片區(qū)域的葉片完整性參數(shù)

其中Extrected Area為待選目標(biāo)葉片區(qū)域所占的像素點數(shù)，Convex Area為待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)。

優(yōu)選的，所述第二分割單元還用于：

將一預(yù)設(shè)的灰度值作為當(dāng)前聚類中心，根據(jù)所述目標(biāo)葉片區(qū)域的各像素點的灰度值和當(dāng)前聚類中心，采用預(yù)設(shè)目標(biāo)函數(shù)計算目標(biāo)函數(shù)值；

按照預(yù)設(shè)規(guī)則再依次選取不同的灰度值，分別將再次選取的不同的灰度值作為當(dāng)前聚類中心，對所述預(yù)設(shè)目標(biāo)函數(shù)進(jìn)行迭代，計算與各個當(dāng)前聚類中心對應(yīng)的目標(biāo)函數(shù)值；

判斷相鄰兩次迭代計算出的目標(biāo)函數(shù)值之間的差值是否小于等于預(yù)設(shè)閾值或迭代次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)；

若相鄰兩次迭代計算出的目標(biāo)函數(shù)值之間的差值小于等于預(yù)設(shè)閾值或迭代次數(shù)達(dá)到預(yù)設(shè)次數(shù)，則確定當(dāng)前聚類中心為目標(biāo)聚類中心；

計算所述目標(biāo)葉片區(qū)域中各像素點的灰度值與所述目標(biāo)聚類中心之間的歐式距離并將歐式距離小于等于預(yù)設(shè)距離的灰度值對應(yīng)的像素點作為一個類別。

優(yōu)選的，所述第二分割單元還用于：

根據(jù)所述目標(biāo)葉片區(qū)域的各像素點的灰度值和當(dāng)前聚類中心，采用公式(二)計算目標(biāo)函數(shù)值；

其中，J_m(U，V；X)為目標(biāo)函數(shù)值，x_j為第j個像素灰度值，v_i為第i個類別的聚類中心，c為類別數(shù)，m為常數(shù)，n為像素數(shù)，w為大于0的預(yù)設(shè)值；

$u_{ij}=\frac{1}{{\Σ}_{k=1}^c{\left(\frac{d^2(x_j,p_i)}{d^2(x_j,p_k)}\right)}^{\frac{1}{m-1}}}$

其中，p_i是像素點x_j屬于v_i的概率，p_k是像素點x_j屬于第k個類別的聚類中心v_k的概率。

由上述技術(shù)方案可知，本發(fā)明基于葉片正常區(qū)域和病斑區(qū)域的顏色及特征差異，通過計算機(jī)視覺技術(shù)對圖像進(jìn)行處理，從而將葉片病斑區(qū)域分割出來。

附圖說明

圖1為本發(fā)明一實施例提供的設(shè)施蔬菜邊緣清晰類葉面病斑分割方法的流程圖；

圖2為本發(fā)明一實施例提供的設(shè)施蔬菜邊緣清晰類葉面病斑分割裝置的結(jié)構(gòu)示意圖。

附圖標(biāo)記說明

第一獲取單元21 第一分割單元22 第二獲取單元23 計算單元24 第三獲取單元25 第二分割單元26 第三分割單元27。

具體實施方式

下面結(jié)合附圖和實施例，對本發(fā)明的具體實施方式作進(jìn)一步詳細(xì)描述。以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

圖1為本發(fā)明一實施例提供的一種設(shè)施蔬菜邊緣清晰類葉面病斑分割方法的流程圖。

如圖1所示的一種設(shè)施蔬菜邊緣清晰類葉面病斑分割方法，包括：

S11、獲取待處理圖像，對所述待處理圖像進(jìn)行預(yù)處理，去除所述待處理圖像的非綠色背景，并根據(jù)HSI顏色模型獲取去除非綠色背景的圖像的亮度分量梯度圖；

可以理解的是，所述待處理圖像為彩色圖像。

可以理解的是，一副圖像中認(rèn)為非綠色背景的是灰塵、土等絕對不可能是葉片的物體，因此去除所述待處理圖像的非綠色背景即是通過預(yù)處理將灰塵、土等絕對不可能是葉片的部分去除掉。

具體地，所述去除所述待處理圖像的非綠色背景可通過下述方法實現(xiàn)：把RGB分量組合為超綠顏色指標(biāo)ExG,再減去超紅顏色指標(biāo)ExR,即ExG-ExR，其中ExG＝2G-R-B,ExR＝1.4R-G-B。

S12、利用分水嶺算法對所述亮度分量梯度圖進(jìn)行分割，獲取第一分割圖像，獲取所述第一分割圖像的色調(diào)分量和飽和度分量，并利用分水嶺算法分別對第一分割圖像的色調(diào)分量和飽和度分量分割，分別獲取第二分割圖像和第三分割圖像；所述第一分割圖像、第二分割圖像和第三分割圖像均包括多個分割塊；

值得說明的是，本步驟中可利用Otsu算法(最大類間方差法)對ExG-ExR所得結(jié)果進(jìn)行全局閾值分割，并通過圖像的形態(tài)學(xué)算法處理細(xì)節(jié)和閾值分割所產(chǎn)生的細(xì)小空洞(形態(tài)學(xué)算法處理細(xì)節(jié)和閾值分割即為分水嶺算法)。

S13、按照預(yù)設(shè)規(guī)則分別對目標(biāo)分割圖像的多個分割塊進(jìn)行合并提取，獲取所述目標(biāo)分割圖像的待選目標(biāo)葉片區(qū)域，所述目標(biāo)分割圖像分別為所述第一分割圖像、第二分割圖像和第三分割圖像，與所述第一分割圖像、第二分割圖像和第三分割圖像對應(yīng)的目標(biāo)待選葉片區(qū)域分別為第一待選目標(biāo)葉片區(qū)域、第二待選目標(biāo)葉片區(qū)域和第三待選目標(biāo)葉片區(qū)域；

值得說明的是，步驟S13是利用上述方法分別獲取所述第一分割圖像、第二分割圖像和第三分割圖像的待選目標(biāo)葉片區(qū)域，獲取與所述第一分割圖像對應(yīng)的第一待選目標(biāo)葉片區(qū)域，與第二分割圖像對應(yīng)的第二待選目標(biāo)葉片區(qū)域和與所述第三分割圖像對應(yīng)的第三待選目標(biāo)葉片區(qū)域。

上述步驟中對所述亮度分量梯度圖進(jìn)行分割可以獲取最大分割塊和中心點附近的分割塊作為目標(biāo)葉片所在塊(所述塊即為分割塊),并利用連通性去除孤立小塊。可利用強(qiáng)制最小值方法和所得的標(biāo)記塊位置亮度分量(I)的梯度圖(即對所述亮度分量梯度圖進(jìn)行分割)，標(biāo)記塊即分割塊。

S14、分別獲取所述第一待選目標(biāo)葉片區(qū)域、第二待選目標(biāo)葉片區(qū)域和第三待選目標(biāo)葉片區(qū)域的外接最小凸多邊形，在獲取所述第一待選目標(biāo)葉片區(qū)域所占的像素點數(shù)、所述第一待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)、所述第二待選目標(biāo)葉片區(qū)域所占的像素點數(shù)、所述第二待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)、所述第三待選目標(biāo)葉片區(qū)域所占的像素點數(shù)以及所述第三待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)后，根據(jù)待選目標(biāo)葉片區(qū)域所占的像素點數(shù)和所述待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)，計算所述待選目標(biāo)葉片區(qū)域的葉片完整性參數(shù)；所述待選目標(biāo)葉片區(qū)域分別為所述第一待選目標(biāo)葉片區(qū)域、第二待選目標(biāo)葉片區(qū)域和第三待選目標(biāo)葉片區(qū)域，與所述第一待選目標(biāo)葉片區(qū)域?qū)?yīng)的葉片完整性參數(shù)為第一葉片完整性參數(shù)、與所述第二待選目標(biāo)葉片區(qū)域?qū)?yīng)的葉片完整性參數(shù)為第二葉片完整性參數(shù)，與所述第一待選目標(biāo)葉片區(qū)域?qū)?yīng)的葉片完整性參數(shù)為第三葉片完整性參數(shù)；

可以理解的是，凸多邊形一般為一個邊數(shù)大于等于3的多邊形，可根據(jù)個人選定，凸多邊形獲得是通過現(xiàn)有圖像軟件程序。

值得說明的是，步驟S14中是利用上述方法分別計算所述第一待選目標(biāo)葉片區(qū)域?qū)?yīng)的第一葉片完整性參數(shù)，所述第二待選目標(biāo)葉片區(qū)域?qū)?yīng)的第二葉片完整性參數(shù)，所述第三待選目標(biāo)葉片區(qū)域?qū)?yīng)的第三葉片完整性參數(shù)。

采用S14可以獲取一個具有平滑邊緣的葉片區(qū)域。

S15、將所述第一葉片完整性參數(shù)、第二葉片完整性參數(shù)和第三葉片完整性參數(shù)中的最大值對應(yīng)的待選目標(biāo)葉片區(qū)域確定為目標(biāo)葉片區(qū)域，獲取所述待處理圖像的灰度圖像，并獲取所述灰度圖像中所述目標(biāo)葉片區(qū)域中各像素點的灰度值；

值得說明的是，葉片完整性參數(shù)越大說明該葉片越完整，因此通過該步驟可以獲取待處理的最完整的目標(biāo)葉片區(qū)域。

S16、根據(jù)所述灰度圖像中所述目標(biāo)葉片區(qū)域中各像素點的灰度值，采用預(yù)設(shè)聚類算法將所述目標(biāo)葉片區(qū)域的各像素點分成多個類別；

S17、根據(jù)所述多個類別，獲取所述目標(biāo)葉片區(qū)域的的病斑區(qū)域。

可以理解的是，獲取的多個類別均為病斑區(qū)域。

可以理解的是，通過步驟S16和S17的聚類方法將葉片的正常部分和病斑部分區(qū)分開，以將葉片的正常區(qū)域和病斑區(qū)域分割開。

本發(fā)明主要適用于設(shè)施蔬菜邊緣清晰類葉面病斑的分割。邊緣清晰類葉面病斑指蔬菜葉面存在的一類病斑以肉眼可以明確判定其向正常葉片過度的邊緣界限。

本發(fā)明基于葉片正常區(qū)域和病斑區(qū)域的顏色及特征差異，通過計算機(jī)視覺技術(shù)對圖像進(jìn)行處理，從而將葉片病斑區(qū)域分割出來。

作為一種優(yōu)選實施例，所述S13，包括：

在所述目標(biāo)分割圖像的預(yù)設(shè)位置選定一個預(yù)設(shè)形狀和預(yù)設(shè)大小的目標(biāo)區(qū)域；

一般地，待處理的病斑葉片會在一副圖像的中心位置，因此預(yù)設(shè)位置可為圖片的中心，基于一般葉片形狀和大小，預(yù)設(shè)形狀和預(yù)設(shè)大小可為長寬均為圖像1/4長的矩形框。當(dāng)然，目標(biāo)區(qū)域的位置、大小和形狀不局限于此，本發(fā)明對此不做限制。

依次判斷所述目標(biāo)分割圖像的各分割塊中的像素點是否在所述目標(biāo)區(qū)域內(nèi)；

若是，則將分割塊合并提取形成所述目標(biāo)分割圖像的待選目標(biāo)葉片區(qū)域。

若否，則對分割塊不處理。

本發(fā)明實施例可通過預(yù)設(shè)位置、預(yù)設(shè)形狀和預(yù)設(shè)大小的目標(biāo)區(qū)域初步選取出待選目標(biāo)葉片區(qū)域。

作為一種優(yōu)選實施例，所述步驟S14中的根據(jù)待選目標(biāo)葉片區(qū)域所占的像素點數(shù)和所述待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)，計算所述待選目標(biāo)葉片區(qū)域的葉片完整性參數(shù)，包括：

根據(jù)待選目標(biāo)葉片區(qū)域所占的像素點數(shù)和所述待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)，利用公式(一)計算所述待選目標(biāo)葉片區(qū)域的葉片完整性參數(shù)

其中Extrected Area為待選目標(biāo)葉片區(qū)域所占的像素點數(shù)，Convex Area為待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)。

作為一種優(yōu)選實施例，所述步驟S16，包括：

將一預(yù)設(shè)的灰度值作為當(dāng)前聚類中心，根據(jù)所述目標(biāo)葉片區(qū)域的各像素點的灰度值和當(dāng)前聚類中心，采用預(yù)設(shè)目標(biāo)函數(shù)計算目標(biāo)函數(shù)值；

按照預(yù)設(shè)規(guī)則再依次選取不同的灰度值，分別將再次選取的不同的灰度值作為當(dāng)前聚類中心，對所述預(yù)設(shè)目標(biāo)函數(shù)進(jìn)行迭代，計算與各個當(dāng)前聚類中心對應(yīng)的目標(biāo)函數(shù)值；

判斷相鄰兩次迭代計算出的目標(biāo)函數(shù)值之間的差值是否小于等于預(yù)設(shè)閾值或迭代次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)；

若相鄰兩次迭代計算出的目標(biāo)函數(shù)值之間的差值小于等于預(yù)設(shè)閾值或迭代次數(shù)達(dá)到預(yù)設(shè)次數(shù)，則確定當(dāng)前聚類中心為目標(biāo)聚類中心；

計算所述目標(biāo)葉片區(qū)域中各像素點的灰度值與所述目標(biāo)聚類中心之間的歐式距離并將歐式距離小于等于預(yù)設(shè)距離的灰度值對應(yīng)的像素點作為一個類別。

可以理解的是，本發(fā)明實施例通過選取的多個聚類中心，采用所述預(yù)設(shè)目標(biāo)函數(shù)計算，由于開始選取的聚類中心可能并不是最有代表性的聚類中心，比如選取的可能是病斑邊緣的灰度值，不是最優(yōu)的聚類中心，因此需利用所述目標(biāo)函數(shù)不斷迭代，獲取最優(yōu)聚類中心(即最有代表性的聚類中心)，從而保證將葉片的正常區(qū)域和病斑區(qū)域有效分割開。

作為一種優(yōu)選實施例，根據(jù)所述目標(biāo)葉片區(qū)域的各像素點的灰度值和當(dāng)前聚類中心，采用預(yù)設(shè)目標(biāo)函數(shù)計算目標(biāo)函數(shù)值，包括：

根據(jù)所述目標(biāo)葉片區(qū)域的各像素點的灰度值和當(dāng)前聚類中心，采用公式(二)計算目標(biāo)函數(shù)值；

其中，J_m(U，V；X)為目標(biāo)函數(shù)值，x_j為第j個像素灰度值，v_i為第i個類別的聚類中心，c為類別數(shù)，m為常數(shù)，n為像素數(shù)，w為大于0的預(yù)設(shè)值；

$u_{ij}=\frac{1}{{\Σ}_{k=1}^c{\left(\frac{d^2(x_j,p_i)}{d^2(x_j,p_k)}\right)}^{\frac{1}{m-1}}}$

其中，p_i是像素點x_j屬于v_i的概率，p_k是像素點x_j屬于第k個類別的聚類中心v_k的概率。

所述類別為聚類出的類別。

下面說明所述預(yù)設(shè)目標(biāo)函數(shù)選取的原理。

將像素與聚類中心v_i之間的特征距離(歐氏距離)重新定義為可以使得像素的模糊隸屬度在經(jīng)過一次迭代之后能夠有較大的變化，進(jìn)而使得算法經(jīng)過較少次數(shù)的迭代就能達(dá)到收斂，提高了算法的效率并且改善了算法的分割效果。本發(fā)明改進(jìn)后的FCM算法(模糊C均值聚類算法)目標(biāo)函數(shù)定義如下：如上公式(二)

所述改進(jìn)后的FCM算法為一種在標(biāo)準(zhǔn)FCM算法中加入空間信息的方法，首先將圖像各個象素的鄰域灰度均值計算出來，然后將它與圖像的灰度信息構(gòu)成一個二維向量，作為樣本點代替FCM算法中的灰度。

假設(shè)M×N為待分割圖像的尺寸大小，其灰度范圍是0～L-1。如果這L個灰度值用Z集合進(jìn)行表示，那么Z＝{z₀|z₀∈[0，1]}。顯然，圖像中像元點(m，n)的灰度f(m，n)為集合中的值，即定義像元點(m，n)的鄰域灰度均值可以表示如下：

可以用矩陣[F(m，n)]_(M×N)×2＝[f(m，n)，g(m，n)]來表示任意一幀圖像f(m，n)，f(m，n)代表一副圖像的一個像素點灰度值，即：

[F(m，n)]_(M×N)×2＝[f(m，n)，g(m，n)] 公式22

對于大小為M×N的圖像f(M，N)，當(dāng)采用向量[f(m，n)，g(m，n)]表示該圖像時，需要定義并計算該圖像的二維直方圖。在圖像的二維直方圖中，橫坐標(biāo)代表圖像像元的灰度值，縱坐標(biāo)代表圖像像元的鄰域平均灰度值，定義范圍在大小為L×L的正方形區(qū)域。h_ij表示向量(i，j)發(fā)生的概率，定義了直方圖中任意一點的值，這里(i，j)表示[f(m，n)，g(m，n)],0≤i，j≤L。如果向量(i，j)發(fā)生的頻數(shù)用n_ij表示，則向量(i，j)發(fā)生的概率h_ij為：

其中0≤i，j≤L且

利用基于圖像灰度及鄰域灰度均值的特征加權(quán)，調(diào)節(jié)圖像中不同的信息分量對圖像分割的影響。在上述得到的圖像的二維向量表示(鄰域灰度均值與灰度)矩陣F_n×2。假定圖像灰度與鄰域灰度均值的對圖像分割的貢獻(xiàn)大小分別為w₁和w₂，而且w_i＞0(i＝1，2)，首先預(yù)處理特征加權(quán)：

x′_k＝x_k×w

其中k＝1，2，...，n。

對于灰度貢獻(xiàn)為0的情況不做考慮，則特征權(quán)值可改為：

x′_k＝x_k×w

其中k＝1，2，...，n。

經(jīng)過預(yù)處理后任意兩個特征值之間的歐氏距離可表示為：

令W＝ww^T，得

加權(quán)矩陣W為對角陣。

由上式可以得出，預(yù)處理后任意兩個特征矢量新距離變?yōu)樵嚯x的加權(quán)。根據(jù)上述推導(dǎo)可知，所述預(yù)設(shè)目標(biāo)函數(shù)中的W＝W₂，W₂為大于0的預(yù)設(shè)值。

上述在標(biāo)準(zhǔn)FCM算法中加入空間信息的方法，將圖像象素的鄰域灰度均值進(jìn)入算法，可以降低噪聲對算法的影響。

利用基于圖像灰度及鄰域灰度均值的特征加權(quán)，可調(diào)節(jié)圖像中不同的信息分量對圖像分割的影響。

圖2為本發(fā)明一實施例提供的設(shè)施蔬菜邊緣清晰類葉面病斑分割裝置的結(jié)構(gòu)示意圖。

如圖2所示的一種設(shè)施蔬菜邊緣清晰類葉面病斑分割裝置，包括：

第一獲取單元21，用于獲取待處理圖像，對所述待處理圖像進(jìn)行預(yù)處理，去除所述待處理圖像的非綠色背景，并根據(jù)HSI顏色模型獲取去除非綠色背景的圖像的亮度分量梯度圖；

第一分割單元22，用于利用分水嶺算法對所述亮度分量梯度圖進(jìn)行分割，獲取第一分割圖像，獲取所述第一分割圖像的色調(diào)分量和飽和度分量，并利用分水嶺算法分別對第一分割圖像的色調(diào)分量和飽和度分量分割，分別獲取第二分割圖像和第三分割圖像；所述第一分割圖像、第二分割圖像和第三分割圖像均包括多個分割塊；

第二獲取單元23，用于按照預(yù)設(shè)規(guī)則分別對目標(biāo)分割圖像的多個分割塊進(jìn)行合并提取，獲取所述目標(biāo)分割圖像的待選目標(biāo)葉片區(qū)域，所述目標(biāo)分割圖像分別為所述第一分割圖像、第二分割圖像和第三分割圖像，與所述第一分割圖像、第二分割圖像和第三分割圖像對應(yīng)的目標(biāo)待選葉片區(qū)域分別為第一待選目標(biāo)葉片區(qū)域、第二待選目標(biāo)葉片區(qū)域和第三待選目標(biāo)葉片區(qū)域；

計算單元24，用于分別獲取所述第一待選目標(biāo)葉片區(qū)域、第二待選目標(biāo)葉片區(qū)域和第三待選目標(biāo)葉片區(qū)域的外接最小凸多邊形，在獲取所述第一待選目標(biāo)葉片區(qū)域所占的像素點數(shù)、所述第一待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)、所述第二待選目標(biāo)葉片區(qū)域所占的像素點數(shù)、所述第二待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)、所述第三待選目標(biāo)葉片區(qū)域所占的像素點數(shù)以及所述第三待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)后，根據(jù)待選目標(biāo)葉片區(qū)域所占的像素點數(shù)和所述待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)，計算所述待選目標(biāo)葉片區(qū)域的葉片完整性參數(shù)；所述待選目標(biāo)葉片區(qū)域分別為所述第一待選目標(biāo)葉片區(qū)域、第二待選目標(biāo)葉片區(qū)域和第三待選目標(biāo)葉片區(qū)域，與所述第一待選目標(biāo)葉片區(qū)域?qū)?yīng)的葉片完整性參數(shù)為第一葉片完整性參數(shù)、與所述第二待選目標(biāo)葉片區(qū)域?qū)?yīng)的葉片完整性參數(shù)為第二葉片完整性參數(shù)，與所述第一待選目標(biāo)葉片區(qū)域?qū)?yīng)的葉片完整性參數(shù)為第三葉片完整性參數(shù)；

第三獲取單元25，用于將所述第一葉片完整性參數(shù)、第二葉片完整性參數(shù)和第三葉片完整性參數(shù)中的最大值對應(yīng)的待選目標(biāo)葉片區(qū)域確定為目標(biāo)葉片區(qū)域，獲取所述待處理圖像的灰度圖像，并獲取所述灰度圖像中所述目標(biāo)葉片區(qū)域中各像素點的灰度值；

第二分割單元26，用于根據(jù)所述灰度圖像中所述目標(biāo)葉片區(qū)域中各像素點的灰度值，采用預(yù)設(shè)聚類算法將所述目標(biāo)葉片區(qū)域的各像素點分成多個類別；

第三分割單元27，用于根據(jù)所述多個類別，獲取所述目標(biāo)葉片區(qū)域的的病斑區(qū)域。

作為一種優(yōu)選實施例，所述第二獲取單元23還用于：

在所述目標(biāo)分割圖像的預(yù)設(shè)位置選定一個預(yù)設(shè)形狀和預(yù)設(shè)大小的目標(biāo)區(qū)域；

依次判斷所述目標(biāo)分割圖像的各分割塊中的像素點是否在所述目標(biāo)區(qū)域內(nèi)；

若是，則將分割塊合并提取形成所述目標(biāo)分割圖像的待選目標(biāo)葉片區(qū)域。

作為一種優(yōu)選實施例，所述計算單元24還用于：

根據(jù)待選目標(biāo)葉片區(qū)域所占的像素點數(shù)和所述待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)，計算所述待選目標(biāo)葉片區(qū)域的葉片完整性參數(shù)，包括：

根據(jù)待選目標(biāo)葉片區(qū)域所占的像素點數(shù)和所述待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)，利用公式(一)計算所述待選目標(biāo)葉片區(qū)域的葉片完整性參數(shù)

其中Extrected Area為待選目標(biāo)葉片區(qū)域所占的像素點數(shù)，Convex Area為待選目標(biāo)葉片區(qū)域外接最小凸多邊形所占的像素點數(shù)。

作為一種優(yōu)選實施例，所述第二分割單元26還用于：

將一預(yù)設(shè)的灰度值作為當(dāng)前聚類中心，根據(jù)所述目標(biāo)葉片區(qū)域的各像素點的灰度值和當(dāng)前聚類中心，采用預(yù)設(shè)目標(biāo)函數(shù)計算目標(biāo)函數(shù)值；

按照預(yù)設(shè)規(guī)則再依次選取不同的灰度值，分別將再次選取的不同的灰度值作為當(dāng)前聚類中心，對所述預(yù)設(shè)目標(biāo)函數(shù)進(jìn)行迭代，計算與各個當(dāng)前聚類中心對應(yīng)的目標(biāo)函數(shù)值；

判斷相鄰兩次迭代計算出的目標(biāo)函數(shù)值之間的差值是否小于等于預(yù)設(shè)閾值或迭代次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)；

若相鄰兩次迭代計算出的目標(biāo)函數(shù)值之間的差值小于等于預(yù)設(shè)閾值或迭代次數(shù)達(dá)到預(yù)設(shè)次數(shù)，則確定當(dāng)前聚類中心為目標(biāo)聚類中心；

計算所述目標(biāo)葉片區(qū)域中各像素點的灰度值與所述目標(biāo)聚類中心之間的歐式距離并將歐式距離小于等于預(yù)設(shè)距離的灰度值對應(yīng)的像素點作為一個類別。

作為一種優(yōu)選實施例，所述第二分割單元26還用于：

根據(jù)所述目標(biāo)葉片區(qū)域的各像素點的灰度值和當(dāng)前聚類中心，采用公式(二)計算目標(biāo)函數(shù)值；

其中，J_m(U，V；X)為目標(biāo)函數(shù)值，x_j為第j個像素灰度值，v_i為第i個類別的聚類中心，c為類別數(shù)，m為常數(shù)，n為像素數(shù)，w為大于0的預(yù)設(shè)值；

$u_{ij}=\frac{1}{{\Σ}_{k=1}^c{\left(\frac{d^2(x_j,p_i)}{d^2(x_j,p_k)}\right)}^{\frac{1}{m-1}}}$

其中，p_i是像素點x_j屬于v_i的概率，p_k是像素點x_j屬于第k個類別的聚類中心v_k的概率。

由于本發(fā)明的一種設(shè)施蔬菜邊緣清晰類葉面病斑分割裝置和一種設(shè)施蔬菜邊緣清晰類葉面病斑分割方法是一一對應(yīng)的，因此對一種設(shè)施蔬菜邊緣清晰類葉面病斑分割裝置不再詳述。

本領(lǐng)域普通技術(shù)人員可以理解：以上各實施例僅用以說明本發(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：其依然可以對前述各實施例所記載的技術(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；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明權(quán)利要求所限定的范圍。