作物病害叶片图像分割是基于图像分析和计算机视觉的作物病害识别方法研究中的难题,是从原始病害叶片图像中提取出显著的感兴趣病斑区域,剔除非显著的不重要区域,突出病斑图像的重要部分,有利于作物病害的后期检测、诊断和识别。病害叶片图像分割是图像处理领域的一个重要课题,是作物叶片图像病虫害识别方法中的关键步骤,在作物病害自动识别领域和农业自动化领域中越来越重要。尽管作物病害叶片图像的分割方法很多,但很多方法的分割精度还不能满足当前的作物病害识别系统的实际需要。阈值法是应用最广泛的一种方法,但它依赖于特征图和阈值,而且在作物病害叶图像阈值分割方法中,假设原始图像可以分割。也就是说,颜色直方图中的谷可以分割病害叶片的病斑区域。然而,由于病害叶片图像复杂多样,而且含有大量的颜色成分和噪声,因此作物病害叶片图像的直方图中没有明显的谷点。所以很多传统的图像分割方法不能直接应用于病害叶片图像分割。图像预处理过程中的滤波、平滑和增强可以提高分割效果。局部二值模式(Local Binary pattern,LBP)算子具有较强的判别能力,而且计算简单的特点,在实时系统中易于实现,因此在许多领域特别是计算机视觉中得到了广泛应用。尽管LBP被应用于图像分割中取得了较好的效果,但它在复杂的作物病害叶片图像分割中的效果较差。针对作物病害识别中的病害叶片图像分割难题,本文研究LBP及其改进算法,并将其用于实际的病害叶片图像分割中。植物病害识别中只有精确、完整地分割出病斑图像,才能准确地对病害图像进行定量化的特征表示与描述。由于病害叶片图像的复杂多样性,使得目前很多图像分割方法很少能达到这个要求。为此,我们提出一种改进的LBP算法,记为改进的自适应对称LBP(Modified Adaptive Center-symmetric LBP,MACLBP),并与Otsu阈值分割方法相结合,应用于病害叶片图像分割。其主要贡献为:(1)根据病害叶片图像的颜色和纹理特征对传统LBP模式分类方法重定义;(2)定义了一种块颜色相似度S,若某块的S值偏小,则把该块归类为非病斑,不进行图像分割,直接把该块归为无意义局部模式。该度量不仅表征了病害叶片颜色中病斑颜色的分布信息,而且弥补了颜色直方图中忽略不同颜色对病斑区域相关性的不足;(3)提出了一种改进的LBP算法(MACLBP),该算法利用了每个像素点与邻近像素点之间的相关性,利用自适应中心对称局部二值模式(ACS-LBP)算法获取不同区域的纹理特征直方图和权值,经过加权连接得到病斑的加权纹理特征直方图向量;(4)利用Otsu算法对得到LBP特征图进行阈值分割,从而得到病斑图像的二值图。该方法根据图像的灰度级分布特性,以病斑部分和正常叶片部分的类间方差最大为阈值选取的准则。通过这些改进,所提出的病害叶片图像分割方法具有计算速度快、抗噪性强、对光照条件的鲁棒性高,且不必预先分割出病害叶片区域,即可分割出病斑图像。该方法不仅考虑中心像素点与邻域像素点的之间的差值,而且考虑了像素点与其邻域点之间的相关性,突出了图像灰度值变化的强度和像素的显著性,增加了病斑与健康部分的对比度,而且在作物病害叶片图像部分和正常绿色部分的边界处的边缘轮廓信息更明显。实验结果表明,该方法能够精确、完整地分割出病斑,并且不需要预先分割出病斑区域,为后期病害叶片图像的定量化描述和病害识别应用提供了有效手段。