基于统计识别的植物病害彩色图像分割方法.pdfVIP

田有文李成华 (沈阳农业大学农业工程学院110161) [摘要]根据植物病害彩色图像的特点，提出了用颜色空间作为特征空间，利用统计模式识别的监督分类 方法。采用基于Fisher准则的线性判别函数来对彩色图像进行真彩色二值化分割。实验结果表明，该方法 具备快速、有效和准确的特点，对彩色植物病害图像的分割处理十分有效。 【关键词]彩色图像分割统计模式识别植物病害 图像分割是图像分析和图像处理的首要步骤，也是其重要和必要的组成部分，其结果直接决定着最终分 析结果的好坏。植物病害图像分割是对植物病害图像进行处理的基础，是实现植物病害情况自动检测和田 间管理自动化的前提条件。常用的图像分割技术有阈值分割法、区域法、边缘检测法、人工神经网络法[·～2】 等。植物病害图像成分复杂，病叶上的病斑排列无规则，其颜色深浅不一。不同病种，其病斑的颜色也不相 同。并且同种病斑，随着植物生长，病斑的颜色也发生变化，且图像存在大量的随机噪声。由于植物病害图 像的复杂性，运用传统的图像分割技术，将病斑从病叶中分割出来比较困难。考虑到图像由病斑和正常两部 分组成，本质上分割就是一个二类问题。因此可运用模式识别的分类方法来分割图像。本文在研究了植物 病害图像特征后，采用RGB空间作为模式分类的特征空间。在此基础上，根据Fisher准则，运用统计模式识 别的线性判别函数，对彩色图像进行了真彩色分割。 1．统计模式识别系统构成 基于统计模式识别方法建立的识别系统由两个过程组成，即统计分类和根据决策规则进行分类决策，如 图1所示。 VIl练过程 识剐过程 雷1模式识别系统的基本构成框图 数据获取是通过测量、采样和量化，用矩阵或向量表示二维图像或一维波形的过程。然后对数据进行预 处理，其目的是去除噪声，加强有用的信息。此时数据量可能相当太，故要对原始数据进行变换，得到最能反 映分类本质的特征，这是特征提取和选择的过程。一般我们称分类识另q赖以进行的空间Bq特征空问。分类 决策就是在特征空间中用统计方法把被识别对象分为某一类。其基本方法是在样本训练基础上确定某个判 决规则，使按这种判决规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最小。 1150 2．特征提取和选择 特征提取的目的是获取一维“少而精”的分类特征，即获得特征数目少且分类错误概率小的特征向量。 而待分类模式的可供选择的原始特征数量往往很大，其特征是一个高维向量，计算机识别的难度很大。因此 为了有效实现分类识别，应对原始数据进行降维，即通过一定的映射变换的方法，把高维特征向量映射到低 维空间中，即通过A：)pY(x是测量空间，Y是特征空间)，得到一组最能反映分类本质的特征。由于植物 病害图像的分割是一个二类模式识别问题，故可利用一定的经验知识，采用人机交互手段，用监督分类的方 式划定训练样本。通过计算机的学习过程，得到样本区域的特征参数。唯一要求的是训练样本对于识别对 象来讲一定要具有代表性。 对于彩色图像分割问题，必须充分利用彩色图像所包含的丰富的色彩信息，故其每一像素点R、G、B颜 色向量是该像素的重要特征。在通常情况下植物病害的病斑和正常部分R、B值相差较大，而其G值相差不 大，且其R、G、B分量的直方图有重叠部分，不十分明显的双峰状，故简单地用R、G、B颜色分量进行图像分 割，很难使目标和背景分开。 因此我们考虑把三维RGB颜色空间的样本投影到一条直线上，形成一维空问。在一般情况下总能找到 某个方向，使在这个方向上，样本的投影能分开得最好。 3．分类器设计 根据上面分析，本文研究的分割是二类问题，假设判别函数为线性，则其一般表达式为： g(x)=w’。x+Wo (1) 式中x是三维特征向量，w称为权向量，分别表示为： x=[RGB]’，w=[w1，w2，w3] Ⅵ，0为常数，称为阅值权。对于两类L1、k问题的线性分类器，可以采用下述的决策规则： 令s(x)=gl(x)一s2(x) 如果 fg(x)o，则决策x∈Ll {