崔世钢，次丹妮，梁　帆（天津职业技术师范大学天津市信息传感与智能控制重点实验室，天津　300222）

基于Lab颜色空间和遗传算法的苦苣菜叶片病斑分割

崔世钢，次丹妮，梁帆
（天津职业技术师范大学天津市信息传感与智能控制重点实验室，天津300222）

摘要：随着可耕地的不断减少，植物生长柜的出现可以高效地给人们提供更加高质量的绿色蔬菜。但有时因营养液成分配比不均或一些不可预知的因素存在，使植物生长柜中的蔬菜出现了病斑。这种病害会对植物生长柜中的其他蔬菜造成影响，因此在对其进行识别和诊断时，首要的就是进行分割并提取病斑。本文采用一种在Lab空间下用遗传算法对苦苣菜叶片病斑进行提取的方法，把图像从RGB模型转换到Lab模型，把彩色图像转换成Lab图像；再采用遗传算法快速寻取最佳阈值，对叶片进行分割，完成对叶片正常区域和病斑区域的分离，最终还原出病斑的彩色图像。结果表明，所提出的方法能够精确地提取出叶片病斑区域。

关键词：病斑分割；遗传算法；植物生长柜；Lab颜色空间

我国农业发展面临着利用有限资源满足人们日益增长的对食品需求的重大挑战。植物生长柜的出现为未来农业向垂直空间发展提供了有效的技术支撑，为以后可以在某些土地资源匮乏的地方实施种植提供了技术上的支持。随着我国蔬菜产业快速迅猛地发展，蔬菜病害也随之增加，特别是新病害的大量滋生严重制约着我国蔬菜产业的发展[1]。虽然植物柜中出现病害的情况较少，但是一旦在这个封闭的环境下出现病害，必然会造成比较严重的影响，蔬菜可能会出现大面积的病害感染，最终导致产量的降低。由于营养液成分配比不均或一些不可预知的因素的出现会使植物生长柜中的蔬菜出现病斑，所以有必要研究如何精确地识别出植物生长柜中蔬菜的病害，以便后续在封闭的柜式环境下，通过控制生长柜内的温度、湿度等环境因素，为蔬菜提供最适宜的生长环境，使其处于最佳生长状态。根据获得的病害信息，可以采取有效的防治措施，控制病害的发生，最大程度上挽回病害造成的经济损失。因此研究病斑图像的分割对于研究整个蔬菜的病虫害问题具有重要意义。

传统的图像分割[2]主要可以分为经典的图像分割方法和结合特定理论的图像分割方法2大类。在经典的方法中，又以基于阈值的分割、基于边缘检测的分割和利用图像中灰度变化的区域信息方法的分割作为代表。相机拍到的图像会受到光照亮度的影响，传统的基于阈值分割的蔬菜病斑识别方法，不能去除不均匀光照对图像的影响。另一些方法是将某些特定学科理论如统计学、模糊论、数学形态学与图像分割进行融合，从而提高分割的精度，但是这些方法中只考虑了颜色信息的离散度，没有考虑像素的空间关系，阈值的自动确定比较困难。苦苣菜图像本身边缘细碎、不规则、受光照影响较大，而且其病斑与正常叶片的色差较小，不易辨识。因此，本文提出了基于Lab颜色空间和遗传算法来分割苦苣菜叶片病斑的方法。Lab颜色空间[3]具有等距性和色差高分辨力的特点，非常适合在色差较小的情况下进行颜色测量和比较。遗传算法具有鲁棒性、并行性、自适应性等特点，利用其高效、并行的寻优能力可以大大缩短阈值的选取时间，提高分割效率，提高图像处理的效率。

1　材料与方法

由于选用拍照设备的不同也会对采集的图片质量造成一定的影响，而Lab颜色空间是目前最均匀的颜色空间，它与设备无关，更加适用于接近自然光照的场合，所以本文提出在Lab颜色空间上用遗传算法选取最佳阈值，对病斑叶片进行分割。首先，将原始图像从RGB空间转换到lab空间；之后运用数学形态学进行平滑滤波，消除孤立点，改善图像质量；最后，采用遗传算法快速寻取最佳阈值，对图像进行分割，完成了对病斑区域的提取。采用遗传算法提取植物生长柜中苦苣菜叶片病斑图像的流程图如图1所示。

图1　采用遗传算法提取植物生长柜中苦苣菜叶片病斑图像的流程图

1.1实验环境和图像的获取

本实验在智能植物生长柜环境下进行，以苦苣菜叶片作为研究对象。为保证植物生长所必需的各种营养元素以及提供适宜的生长环境，实验采用标准营养液水培的方式，并通过智能控制面板调节柜内环境参数：LED光源设置为白色光源，光照度设置为3000 LUX，温度设置为23℃，湿度设置为60%，二氧化碳质量分数设置为600×10-6。

摘取植物生长柜中有病斑的苦苣菜叶片，置于白色背景板上（选用白色纸板可以有效区别背景颜色与叶片），用1 300万像数的相机进行拍摄，获取有病斑的叶片。拍摄叶片时应使数码相机与被测叶片保持较远的距离，使拍摄的焦距拉长，使人为误差大大降低。这样就将叶片信息转化成计算机可识别的图像信息，采集环境如图2所示。

图2　白色LED灯光下植物生长柜中苦苣菜的生长环境

1.2彩色图像预处理

彩色图像处理中颜色空间的选取至关重要，不同的颜色空间有不同的应用目的和背景。一般可选择的颜色空间模型有RGB、YUV、HSI、HSV等颜色空间。传统的分割一般都选用在RGB彩色图像下进行，本文选取的是在Lab颜色空间下进行分割。Lab空间细分了明度指数和色品指数的级差，具有较高的色差分辨力，更适合在色差较小的情况下进行颜色分析。Lab颜色模型弥补了RGB色彩模式的不足，这就意味着RGB所能描述的色彩信息都可以在Lab空间中得到映射。Lab颜色模型中L表示亮度，a和b表示2个颜色通道。L的值域可以从0～100由深变浅；a包括的颜色是从深绿色（低亮度值）到灰色（中亮度值）再到亮粉红色（高亮度值）；b是从亮蓝色（底亮度值）到灰色（中亮度值）再到黄色（高亮度值）。因此，这种颜色混合后产生的明亮效果色彩可以使分割出来的病斑特征更加明显。RGB到Lab的转换使用XYZ作为中间模式间接进行，其公式为：

RGB的取值范围为[0，1），计算完成后得到XYZ的取值范围，将XYZ转换到Lab。其中f（x）是一个校正函数，它的值域和自变量一样都是[0，1），计算完成后，得到L的取值范围[0，100），而a和b则为[-169，+169]和[-160，+160]，如式（2）和式（3）所示。

1.3阈值分割

本文采用遗传算法快速寻优得到最佳的阈值，完成对图像的分割，实现对病斑区域的提取。遗传算法的基本原理是通过模拟生物个体间的基因变换、变异和种群的世代更替，保存对环境适应度高的染色体，淘汰适应度低的染色体，以实现优化的目的。它需要解决的问题越复杂、目标越不明确，其优越性就越大。

在搜索之前，先将变量以二进制编码形式进行编码，其编码长度少且不需要再次转换编码和解码。将遗传算法应用于图像分割求取最优分割阈值时，选取控制参数是非常重要的，控制参数的选取对遗传算法的性能有着较大影响。本文采用最大进化代数控制算法的终止，设定最大代数为150，其他参数设置为染色体长度lchrom=8、种群大小popsize=10、交叉概率cross_probability rate=0.7、变异概率mutation_ probability rate=0.4。其算法设计流程如图3所示。

图3　遗传算法用于图像分割的算法流程

1.4还原病斑的彩色图像

阈值分割后所得到二值化图像可以对病斑的外形特征进行直观的反映，但是并不能对颜色的具体形态进行展示，所以需要重新设置R、G、B颜色通道，保留已经分割出的二值图的原彩色部分，用cat还原彩色图像，得到最后的叶片病斑图像。

2　实验结果与分析

本文选用植物生长柜中有病斑的苦苣菜叶片彩色图像在MATLAB7.1平台上进行实验，得到的每一代最佳阈值进化曲线如图4所示。苦苣菜叶片的病斑原始图像如图5所示。采用遗传算法在Lab颜色空间下求取苦苣菜叶片的病斑图像如图6所示。分离病斑后的苦苣菜叶片图像如图7所示。

图4　每一代最佳阈值进化曲线

图5　苦苣菜叶片的病斑原始图像

图6　提取出的病斑图像

图7　分离病斑后的苦苣菜叶片图像

实验结果表明：在MATLAB7.1平台上，在Lab的颜色空间下可以很好地提取出叶片的病斑，加之使用遗传算法缩短了阈值寻优的时间，实现了病斑的自动分割。

3　结束语

蔬菜的叶片是人类食用的主要部分，因此研究蔬菜叶片的发育情况，以及发现叶片病变情况对于保障生长柜中蔬菜的健康成长有着十分关键的作用。将RGB空间转换为Lab空间，可以降低颜色空间的几何维数，削弱光照对叶片图像的影响。遗传算法具备的全局随机搜索能力，使得它可以在复杂的大矢量空间中快速有效地找到全局最优解，从而提高整个工作的效率。实验发现，计算机可以对苦苣菜叶片的病变部分进行较为理想的提取。实验分析结果表明，叶片在颜色上发生的直观变化可以很好地反映出叶片病变的程度，对叶片进行颜色的观察，使管理植物生长柜的实验者可以及时了解叶片病变情况并掌握苦苣菜的生长情况，调整苦苣菜生长的环境参数以及营养液的配比。同时，精确地选取病斑图像有用的样本信息可以为后期的病害识别和诊断奠定先期基础。

参考文献：

［1］王萍，唐江丰，王博，等.基于数学形态学的植物叶片图像分割方法研究［J］.浙江农业学报，2012，24（3）：509-513.

［2］栗娜，李萍，张善文.基于改进遗传算法的作物叶片病斑分割算法［J］.江苏农业科学，2014，42（7）：140-142.

［3］皱秋霞，杨林楠，彭琳，等.基于Lab空间和K-Means聚类的叶片分割算法研究［J］.农机化研究，2015（9）：222-226.

［4］虎晓红，李炳军，席磊.基于多示例图的小麦叶部病害分割方法［J］.农业工程学报，2012，28（13）：154-159.

［5］陈佳娟.采用计算机视觉进行棉花虫害程度的自动测定［J］.农业工程学报，2001，17（2）：157-160.

［6］陈佳娟.基于图像处理和人工智能的植物病害自动诊断技术的研究［D］.长春：吉林工业大学，2001.

［7］邱道尹，张红涛.基于机器视觉的大田害虫检测系统［J］.农业机械学报，2007，38（1）：120-122.

［8］程鹏飞，刘静香，周春娥.基于图像的植物病变叶面特征值提取研究［J］.安徽农业科学，2010，38（27）：15000-15001.

Segmentation of common sow thistle leave disease spots based on Lab color space and genetic algorithm

CUI Shi-gang，CI Dan-ni，LIANG Fan
（Tianjin Key Laboratory of Information Sensing and Intelligent Control，Tianjin University of Technology and Education，Tianjin 300222，China）

Abstract：With the continuous decrease of arable land，the occurrence of plant growth cabinet can efficiently provide people with more high quality green vegetables. But sometimes uneven ratio of nutrient solution components or the existence of some unpredictable factors makes vegetables appeared disease spot in the Plant Growth Cabine. In order to avoid this kind of disease affect growth of other vegetables in the Plant Growth Cabine, we need to be recognition and diagnosis，the priority is splitting and extracting the disease spot. This paper puts forward a method to extract the disease spot of common sow thistle leave by the genetic algorithm in lab space. Firstly，Switch the image from the RGB model to Lab model，and transform the color image to Lab images；Secondly seek out optimal threshold based on the genetic algorithm fastly，the blade was divided，complete the separation of leave normal area and the disease spot area；Finally restore the color images of disease spot area. The test results show that the proposed method can accurately extract leave disease spot area.

Key words：segmentation of disease spots；genetic algorithm；plant growth cabinet；Lab color space

作者简介：崔世钢（1963—），男，教授，博士，硕士生导师，研究方向为机器人控制、人工智能等.

基金项目：国家高技术研究发展计划项目（863计划）（2015AA033303，SS2013AA03120）；国家自然科学基金资助项目（61178048）.

收稿日期：2015-05-13

中图分类号：TP391.41

文献标识码：A

文章编号：2095－0926（2015）03－0004－04