张善文，王 振，王祖良

（西京学院信息工程学院，西安 710123）

0 引 言

作物病害叶片图像分割是病害检测和病害类型识别方法中的一个重要步骤，其分割效果直接影响到后续的检测和识别结果。由于作物病害叶片图像的形状和颜色复杂、多样、无规律且多变，使得病害叶片图像分割方法研究一直是一项重要且具有挑战性的研究方向[1-3]，涌现出很多基于图像处理和模式识别的多种农作物病害叶片图像分割方法[4-6]。传统的方法是采用单一阈值，对在简单背景下的病害叶片图像进行分割，取得了较高的分割效果，但由于大田病害叶片图像的背景比较复杂，而且叶片图像颜色成分丰富，包含大量噪声和一些不确定像素，不能采用单一的阈值对图像进行分割[7-8]。为了提高水稻叶病图像的分割效果，Liu[9]采用最优迭代阈值法、OTSU 法和模糊 C-均值聚类算法对不同情况下采集的水稻叶病图像进行自适应分割。对比分析表明，3 种方法均能有效地从病害叶片图像中分割出病斑，而模糊 C-均值聚类算法的效果最好，但迭代次数过多，花费的时间最多；OTSU 法的效果较差，最优迭代阈值法效果最差。Barbedo 等[10]针对多种环境条件下的作物病害叶片图像分割问题，对病变的定界、光照、叶脉干扰、叶片强度等问题进行了深入的探讨。Ma 等[11]提出了一种利用综合颜色特征（Comprehensive Color Feature，CCF）进行蔬菜病害叶斑分割的方法，实现对病害叶片的病斑和杂波背景的强识别。Wang 等[12]提出了一种基于 K-均值聚类的作物病害图像自适应分割方法。……