基于小波滤波与自适应阈值分割算法的玫瑰叶片病斑提取研究

来源:用户上传      作者:肖洒　 赖菲　董春富　李文勤　李明

　　摘 要：针对玫瑰叶片白粉病病斑分布离散、无序且边缘细节复杂、传统图像分割算法提取病斑困难等问题，提出了一种基于小波滤波与自适应均值阈值分割（WT-AAT）的叶片病斑图像提取算法。首先，为了去除原始图像噪声，使用二维离散哈尔小波变换将图像进行二层小波分解，并依据高、低频子图像自动提取噪声系数，进而设定滤波阈值;然后，将高于阈值的噪声系数置零，并逆序对每层进行小波重构，最终生成等尺度的去噪图像;最后，采用可滑动窗口分割算法对去噪图像进行自适应分割，再根据子图的灰度均值设定二值化阈值，在二值化处理的基础上析取白粉病病斑。结果表明，与WaterShed、Prewitt、Otsu等传统分割算法相比，WT-ATT的像素漏警率的降低率分别为18%、18%和6%，说明该方法能够较为准确地分割出病斑，并达到良好的病斑辨识效果。
　　关键词：玫瑰白粉病;图像分割;小波变换;自适应阈值;WT-ATT算法
　　中图分类号 S436.8+1;TP391.41 文献标识码 A 文章编号 1007-7731（2022）07-0097-04
　　玫瑰对于生长条件要求严格，在栽培过程中易发白粉病，严重影响玫瑰花的a量和药用价值，精确识别白粉病病斑可以有效防治白粉病。使用机器视觉识别白粉病害有效解决了目前专业人士识别白粉病害成本高的问题[1]。其中，玫瑰叶片的病斑提取是使用机器视觉实现病害识别的一个关键步骤。目前针对农作物病斑的提取和病害的识别的主流研究方法有神经网络分割、边缘分割、多尺度分割[2-9]。而阈值分割[10]以其简洁、鲁棒性高的特点被广泛运用。阈值分割法可划分为全局固定阈值分割和局部自适应阈值分割2种类型，全局固定阈值分割将图像视为整体分析灰度值，确定整体阈值并对图像进行分割，该方法能实现大部分图像的二维化[11]。但由于农作物病害叶片病斑区域与健康区域区分度不高，全局固定阈值分割对该类灰度对比不明显的图像处理困难，而局部自适应阈值分割法从图像自身的局部特征作为分割算法的切入点进行图像分割，极大程度地降低了图像整体对比度对分割效果的影响。
　　笔者从现场采集玫瑰白粉病叶片样本，病斑具有形状不规则、采集噪声复杂、分布无序且灰度值不均等特性，使用传统的图像分割算法很难达到理想效果，无法将病斑精确分割[12]。二维小波变换可以将图像分为高、低频段信号，由于病斑图像噪声主要集中在高频段，所以小波变换能够有效去除图像噪声。而且，小波变换的多分辨率特性能够较好地保留图像的边缘和细节，为此采用二维哈尔小波变换对原始图像进行预处理。在病斑分割和析取方面，传统阈值分割法由于阈值固定，通常很难分辨光照不均的目标和背景，因此笔者通过设定局部阈值的方式对病斑图像进行自适应分割，以此得到细节更完整的病斑图像，并且采用像素漏警率和像素虚警率指标比较和验证不同算法的效果。为便于叙述，本文提出的算法记为WT-AAT（Wavelet Transform & Adaptive Average Threshold）。
　　1 材料与方法
　　1.1 试验设备与材料 本研究中所使用的叶片病斑图像来自于云南省玉溪市通海县锦海玫瑰培育基地。为方便采集图像，将被采集的玫瑰白粉病叶片置于平整白色pvc塑料板上，在叶片正前后方斜45°正上方固定2个同一强度光源，使用相机固定150mm距离垂直叶片进行拍摄，并以800×600像素的jpg格式保存样本。图像处理设备的配置为Windows10操作系统，处理器为Inter Core i7-10700k，3.80GHz，运行内存为32G，显示适配器为NVIDA GeForce RTX 3060 Ti。图像处理软件是Matlab和Pycharm。
　　1.2 WT-AAT叶片病斑图像分割方法 WT-AAT分割法首先使用二维哈尔小波变换对图像进行滤波，减少图像中存在的噪声对分割的影响，再使用自适应均值阈值对图像二值化处理以提取出病斑。
　　1.2.1 基于二维哈尔小波变换的图像滤波 小波变换是用一组小波函数或基函数来表示一段信号，具有多分辨率分析的特点，可以表征时频域内的信号特征[13-14]。在图像处理中，通常将平面图像视为二维矩阵，用小波变换对矩阵的行和列分解后提取各尺度的低频和高频系数，进而对高频噪声系数进行阈值处理，再通过处理后的小波系数对图像进行各级重构以达到滤波的目的。如图1所示，A1、A2分别为第一、二级小波分解的近似图像，V1、V2分别为第一、二级垂直细节信息，H1、H2分别为第一、二级水平细节信息，D1、D2分别为第一、二级对角线细节信息。
　　二维小波变换的原理如式（1）～（3）所示，大小为M×N的原始图像由二维离散函数[fx，y]表示，该函数可分解为二维尺度函数和二维小波函数的线性组合，其中[Wφ0，m，n]为近似系数，[Wiψj，m，n]为细节系数，j为小波分解的级数。
　　[φj，m，nx，y]和[ψij，m，nx，y]是不同尺度和不同位置下的尺度函数和小波函数：
　　1.2.2 基于自适应均值阈值的图像分割 由于光照的影响，本研究采集的玫瑰白粉病叶片的病斑颜色和正常叶片颜色区分度较低，对比度不高，部分图像中还存在过曝或者欠曝的情况，这给基于全局阈值的分割法带来了极大的困难。自适应均值阈值分割作为一种局部阈值分割法，将图像分成若干个小块，对每个块的阈值进行计算，以每块图像的阈值用作二值化图像的依据，可以有效解决光照不均的图像二值化后不理想的问题，保留更完整的图像细节。自适应均值阈值分割设定一个可滑动矩形窗口，通过计算窗口内各个像素的均值确定二值化阈值，使灰度不均区域的阈值根据邻域像素块的灰度值改变。设M、N为滑动矩形窗口的大小，通常设定M=N，数值取3、5、7等奇数，窗口取值越小，阈值选取越精确，分割后的图像越细节。[μ]为窗口内所有像素值的平均值，[δ]为人工确定的差值，取值范围为正无穷到负无穷，[θ]为矩形窗口内图像块的阈值，f（x，y）为输入图像的像素值，g（x，y）为输出图像的像素值，自适应均值阈值分割算法有如下定义：

nlc202204281445

转载注明来源:https://www.xzbu.com/1/view-15429925.htm