基于改進(jìn)LBP的復(fù)雜背景下作物病害葉片病斑分割方法研究.pdf

1、作物病害葉片圖像分割是基于圖像分析和計(jì)算機(jī)視覺的作物病害識別方法研究中的難題，是從原始病害葉片圖像中提取出顯著的感興趣病斑區(qū)域，剔除非顯著的不重要區(qū)域，突出病斑圖像的重要部分，有利于作物病害的后期檢測、診斷和識別。病害葉片圖像分割是圖像處理領(lǐng)域的一個(gè)重要課題，是作物葉片圖像病蟲害識別方法中的關(guān)鍵步驟，在作物病害自動識別領(lǐng)域和農(nóng)業(yè)自動化領(lǐng)域中越來越重要。盡管作物病害葉片圖像的分割方法很多，但很多方法的分割精度還不能滿足當(dāng)前的作物病害識別系

2、統(tǒng)的實(shí)際需要。閡值法是應(yīng)用最廣泛的一種方法，但它依賴于特征圖和閡值，而且在作物病害葉圖像閡值分割方法中，假設(shè)原始圖像可以分割。也就是說，顏色直方圖中的谷可以分割病害葉片的病斑區(qū)域。然而，由于病害葉片圖像復(fù)雜多樣，而且含有大量的顏色成分和噪聲，因此作物病害葉片圖像的直方圖中沒有明顯的谷點(diǎn)。所以很多傳統(tǒng)的圖像分割方法不能直接應(yīng)用于病害葉片圖像分割。圖像預(yù)處理過程中的濾波、平滑和增強(qiáng)可以提高分割效果。局部二值模式(Local Binary p

3、attern，LBP)算子具有較強(qiáng)的判別能力，而且計(jì)算簡單的特點(diǎn)，在實(shí)時(shí)系統(tǒng)中易于實(shí)現(xiàn)，因此在許多領(lǐng)域特別是計(jì)算機(jī)視覺中得到了廣泛應(yīng)用。盡管LBP被應(yīng)用于圖像分割中取得了較好的效果，但它在復(fù)雜的作物病害葉片圖像分割中的效果較差。針對作物病害識別中的病害葉片圖像分割難題，本文研究LBP及其改進(jìn)算法，并將其用于實(shí)際的病害葉片圖像分割中。植物病害識別中只有精確、完整地分割出病斑圖像，才能準(zhǔn)確地對病害圖像進(jìn)行定量化的特征表示與描述。由于病害葉片

4、圖像的復(fù)雜多樣性，使得目前很多圖像分割方法很少能達(dá)到這個(gè)要求。為此，我們提出一種改進(jìn)的LBP算法，記為改進(jìn)的自適應(yīng)對稱LBP(Modified Adaptive Center-symmetric LBP,MACLBP)，并與Otsu閡值分割方法相結(jié)合，應(yīng)用于病害葉片圖像分割。其主要貢獻(xiàn)為:
　　(1)根據(jù)病害葉片圖像的顏色和紋理特征對傳統(tǒng)LBP模式分類方法重定義;
　　(2)定義了一種塊顏色相似度S，若某塊的S值偏小，則把該

5、塊歸類為非病斑，不進(jìn)行圖像分割，直接把該塊歸為無意義局部模式。該度量不僅表征了病害葉片顏色中病斑顏色的分布信息，而且彌補(bǔ)了顏色直方圖中忽略不同顏色對病斑區(qū)域相關(guān)性的不足;
　　(3)提出了一種改進(jìn)的LBP算法(MACLBP)，該算法利用了每個(gè)像素點(diǎn)與鄰近像素點(diǎn)之間的相關(guān)性，利用自適應(yīng)中心對稱局部二值模式(ACS-LBP)算法獲取不同區(qū)域的紋理特征直方圖和權(quán)值，經(jīng)過加權(quán)連接得到病斑的加權(quán)紋理特征直方圖向量;
　　(4)利用Ot

6、su算法對得到LBP特征圖進(jìn)行閾值分割，從而得到病斑圖像的二值圖。該方法根據(jù)圖像的灰度級分布特性，以病斑部分和正常葉片部分的類間方差最大為閡值選取的準(zhǔn)則。
　　通過這些改進(jìn)，所提出的病害葉片圖像分割方法具有計(jì)算速度快、抗噪性強(qiáng)、對光照條件的魯棒性高，且不必預(yù)先分割出病害葉片區(qū)域，即可分割出病斑圖像。該方法不僅考慮中心像素點(diǎn)與鄰域像素點(diǎn)的之間的差值，而且考慮了像素點(diǎn)與其鄰域點(diǎn)之間的相關(guān)性，突出了圖像灰度值變化的強(qiáng)度和像素的顯著性，增