IGA-PCNN玉米病害图像分割方法
超级会员免费看
基于 IGA - PCNN 的玉米病害图像分割方法
1. 引言
植物病害是影响玉米等主要农作物生长的主要原因之一。为提高农作物的质量和产量，对病害进行准确诊断和有效治疗迫在眉睫。传统的专家实地诊断方式不仅耗时费力，还容易受主观因素和外部环境条件的影响，导致诊断结果不准确。而数字图像处理技术具有快速、准确和客观的优点，成为替代人类视觉进行病害诊断的可行途径。
基于数字图像处理技术的作物病害诊断主要包括病害图像预处理、图像分割、特征提取、模式识别等主要步骤。其中，有效的图像分割对病害图像特征提取和模式识别的准确性有重要影响，是有效区分作物病害的关键。常见的图像分割算法有阈值分割算法、空间聚类算法、区域生长算法、数学形态学方法和各种计算智能方法等。然而，由于作物病害图像背景信息复杂、病斑分布无序、颜色分布不均、病斑边界模糊、叶脉噪声以及环境光干扰等问题，目前尚无一种具有良好鲁棒性且简单通用的方法。同时，传统的病害识别方法基于灰度图像分割处理，会丢失大量病理图像的颜色纹理信息，进而影响病斑图像特征提取和模式识别的准确性。
遗传算法（Genetic Algorithm, GA）由密歇根大学的 J.H Holland 教授于 1975 年首次提出，它通过对生物进化过程进行建模来实现优化，是一种仿生搜索算法，广泛应用于组合优化、机器学习、信号处理、自适应控制、人工生命等多个领域。脉冲耦合神经网络（Pulse Coupled Neural Network, PCNN）是 Eckhorn 及其同事在研究模仿猫、猴和小型哺乳动物视觉皮层成像机制时发现的，并由 Johnson 进一步简化和修正后提出的人工网络模型。该模型在图像去噪、图像平滑、图像边缘检测、图像分割、图像增强和图像融合等方面有广泛应用。本文结合遗传算法的全局搜索优化特性和 PCNN 的视觉仿生特性，提出一种改进的遗传算法与 PCNN 相结合的方法，用于控制优化网络参数，并将该网络模型应用于复杂背景玉米病害的图像分割。
本文结构如下：第一部分主要介绍作物病害识别和病害图像分割的研究现状，并提出本文的主要思路；第二部分详细介绍基于改进遗传算法的 PCNN 算法实现，同时给出本文算法在 RGB 颜色子空间的分割结果合并策略；第三和第四部分讨论仿真结果并得出结论。
2. 基于改进遗传脉冲耦合神经网络模型的病害图像分割
2.1 PCNN 的基本原理
脉冲耦合神经网络也被称为第三代神经网络，它是基于模仿生物视觉皮层机制提出的一种反馈型网络，包括接收域、调制域和脉冲激励域。经典 PCNN 神经网络的数学表达式机制如下：
[
\begin{cases}
F_{ij}(n) = S_{ij} \
L_{ij}(n) = \sum_{kl} w_{ijkl}Y_{kl}(n - 1) \
U_{ij}(n) = F_{ij}(n)[1 + \beta_{ij}L_{ij}(n)] \
Y_{ij}(n) = \begin{cases}
1, & U_{ij}(n) > \theta_{ij}(n) \
0, & else
\end{cases} \
\theta_{ij}(n) = V_{\theta}Y_{ij}(n - 1) + \theta_{ij}(n - 1)\exp(-\alpha_{\theta})
\end{cases}
]
其中，$S$ 是 PCNN 某个神经元的输入激励，$F$ 是对应神经元的输入，$L$ 是神经元的链接输入，$U$ 是 PCNN 内部网络的神经元活动，$Y$ 是 PCNN 的输出，$\theta$ 是脉冲活动的动态阈值，$w$ 是 PCNN 内部网络的链接权重矩阵。
由于 PCNN 的连接特性，在某个被触发并输出脉冲的神经元周围，具有相似输入激励的神经元也会在下次迭代过程中被激活并输出脉冲，即对应灰度值相似的像素的神经元会被激发。因此，PCNN 在数字图像处理领域得到了广泛应用。但在使用 PCNN 进行具体图像时，网络参数仍需人工交互控制或通过大量实验经验来确定，这使得该网络模型在实际应用中存在一定局限性。
目前，调整 PCNN 参数的典型工作主要有一些参考文献，但这些方法仍存在一些局限性，如部分方法仍需调整耦合系数和阈值衰减幅度，有的使用经典遗传算法优化参数，但由于经典遗传算法本身的局限性，实际效果与预期结果存在一定差距。本文在参考使用遗传算法优化 PCNN 参数（GA - PCNN）的基础上，提出一种改进的算法，对目标适应度函数、交叉概率和变异概率进行了改进，提高了 PCNN 的性能，并将该算法应用于彩色图像分割。
2.2 改进的遗传算法
遗传算法是一种模拟生物进化过程的全局收敛算法，在过去十年中作为一种强大的优化工具被广泛应用。然而，经典遗传算法的交叉概率和变异概率在进化过程中是固定的，容易陷入局部最优早熟。本文采用一种自适应调整交叉概率和变异概率的算法，其思想基础是随着种群的进化，群体适应度函数均值会提高，同时在一致性原则的指导下，个体的方差会越来越小，即个体适应度函数的均值和方差会越来越小。因此，在进化过程中采用递减模式设置交叉概率和变异概率，以确保进化开始时个体的差异和进化结束时的稳定性。具体调整原则如下：
[
P_{ci} = \frac{S_i}{S_0} \times \frac{C_0}{C_i} \times P_{c0}
]
[
P_{mi} = \left(1 - \frac{S_i}{S_0} \times \frac{C_0}{C_i}\right) \times \lambda \times P_{m0}
]
其中，$P_{c0}$ 和 $P_{m0}$ 分别是交叉概率和变异概率的初始值，$S_i$ 和 $C_i$ 分别是第 $i$ 代适应度函数的均值和标准差，$S_0$ 和 $C_0$ 分别是第一代适应度函数的均值和标准差，$\lambda \in (0, 1)$。
2.3 改进的遗传脉冲耦合神经网络（IGA - PCNN）
本文基于最大香农熵和最小交叉熵的线性加权函数定义了目标评价函数，通过自适应调整交叉概率和变异概率，优化了基于改进遗传算法的脉冲耦合神经网络的参数，包括连接系数 $\beta$、幅度系数 $V_{\theta}$ 和激励脉冲衰减系数 $\alpha_{\theta}$。具体算法如下：
-
种群初始化与编码描述
：个体编码采用二进制编码原则，个体染色体长度为 55 位，分别由连接系数编码、幅度系数编码和激励脉冲衰减系数编码组成，染色体构成种群的初始个体。基因簇定义如下表所示：
| 基因定义 | 最小值 | 最大值 | 编码描述 |
| — | — | — | — |
| 连接系数 $\beta$ | 0.0001 | 400 | 19 |
| 幅度系数 $V_{\theta}$ | 0.0001 | 400 | 19 |
| 脉冲衰减系数 $\alpha_{\theta}$ | 0.0001 | 100 | 17 |
-
适应度函数定义
：本文基于最大香农熵和最小交叉熵的线性加权函数定义了适应度函数，定义如下：
[
Fitval = (1 - \rho)H(p_1) + \rho H(p_2)
]
其中，$H(p_1)$ 和 $H(p_2)$ 分别表示适应度函数部分的最大香农熵和最小交叉熵，$p_1$ 和 $p_0$ 分别表示 PCNN 输出值为 1 和 0 的概率，$\rho$ 是适应度函数的加权系数，$\rho \in [0, 1]$。在特殊情况下，当 $\rho$ 取 1 时，适应度函数定义为最大香农熵；否则，定义为最小交叉熵。
-
遗传算法操作
：遗传算法通过选择、交叉和变异操作使初始种群的个体向适应度函数的最优方向进化。本文采用轮盘赌方式选择每个个体，并保存每一代的最优个体。通过使用自适应交叉概率和变异概率以及两点交叉和单点变异操作，驱动种群向最优方向进化，避免种群早熟。
-
算法终止条件
：对于种群进化过程的终止条件，设置最大进化代数或阈值。当最优适应度值的差值小于给定阈值时，算法终止。当算法满足上述任意条件时，可确保种群进化终止，个体为最优。
2.4 彩色病害图像分割策略
对于彩色图像分割，一般策略是将目标图像分割成对应于某个颜色空间的结果，然后通过某种组合策略将这些结果合并，从而得到彩色图像分割的最终结果。RGB 颜色空间是更常用的颜色空间表示方式，由于 R、G、B 分量之间的相关性较高，对应于 R、G、B 的彩色图像分割结果可以保留原始图像的大量细节信息，并增加合并过程的容错性。在 R、G、B 子空间中，使用本文提出的 IGA - PCNN 算法将彩色图像分割成对应子空间的分量，以获得 R、G、B 分量的最佳分割结果。采用 Y Tan、D Zhou 提出的选择性高概率合并策略合并对应于 R、G、B 子空间的结果，最终结果即为彩色病害图像分割的感兴趣目标。
下面通过 mermaid 流程图展示整个彩色病害图像分割的流程：
graph TD;
A[获取玉米病害彩色图像] --> B[RGB 颜色空间分解];
B --> C[在 R、G、B 子空间使用 IGA - PCNN 分割];
C --> D[选择性高概率合并策略合并结果];
D --> E[得到彩色病害图像分割最终结果];
3. 实验与分析
3.1 实验
在吉林农业大学的玉米地中，使用松下 SZ1 相机在自然光照条件下通过自动曝光拍摄一组照片，将照片保存为 JPEG 格式，并使用 Photoshop7.0 将照片裁剪为 640 * 480 大小。同时，在配备 4G 内存的 ThinkPad Core i5 电脑上使用 Matlab2011b 作为开发平台。将本文方法用于分割玉米病害图像，并与 GA - PCNN 和最小交叉熵阈值法（MCET）的结果进行比较。
对比实验需要进行一些必要的设置：
-
GA - PCNN 参数设置
：
- 种群大小 N：30
- 代数 G：50
- 四代的适应度偏差小于 0.001
- 交叉概率 $P_c$：0.7
- 变异概率 $P_m$：0.01
-
本文算法参数设置
：
- 种群大小 N：30
- 初始交叉概率 $P_{c0}$：0.1
- 初始变异概率 $P_{m0}$：0.01
- 代数 G：100
- 适应度函数加权系数 $\rho$：0.5
选择两张具有不同外部形态特征的常见玉米黑粉病图像进行实验，实验结果如下：
3.2 分析
通过对比实验，从主观视觉评价和算法设置两方面综合评估本文算法。从实验结果可以看出，GA - PCNN 算法和 IGA - PCNN 算法对 RGB 颜色空间子图进行分割，然后合并从 RGB 颜色空间子图提取的分割结果，其目标区域特征（包括病害轮廓特征、病害视觉颜色判别特征）明显优于传统的在灰度图像上进行最小交叉熵阈值分割处理的方法。此外，比较 GA - PCNN 算法和本文提出的 IGA - PCNN 算法对玉米黑粉病的分割效果，除了细节上的外部形态特征外，IGA - PCNN 算法取得了更好的效果，颜色纹理特征信息也得到了更满意的结果。本文提出的改进遗传脉冲耦合神经网络模型减少了人工调节，提高了自动化程度。
从定量分析的角度，采用相关方法比较交叉熵阈值法、GA - PCNN 和 IGA - PCNN 的实验结果，计算公式如下：
-
匹配度（Match）
：
[
Match = \frac{N_1 - N_2}{N_1 + N_2} \times 100\%
]
-
误差（Error）
：
[
Error = \frac{N_1 - N_2}{m \times n} \times 100\%
]
-
准确率（Accuracy）
：
[
Accuracy = Match - Error
]
其中，$N_1$ 分别表示使用三种方法得到的目标区域像素值，$N_2$ 表示手动分割得到的目标区域像素值，$m \times n$ 表示图像大小。本文对每种算法进行了十次实验，并取结果的平均值。比较实验结果如下表所示：
| 组别 | 交叉熵阈值法 | | | GA - PCNN | | | IGA - PCNN | | |
| — | — | — | — | — | — | — | — | — | — |
| | 匹配度 | 误差 | 准确率 | 匹配度 | 误差 | 准确率 | 匹配度 | 误差 | 准确率 |
| a1 | 93.47 | 11.86 | 81.61 | 95.24 | 3.13 | 93.11 | 96.76 | 1.06 | 95.70 |
| b1 | 93.7 | 12.47 | 81.29 | 95.10 | 3.26 | 91.84 | 95.89 | 1.57 | 94.32 |
从上述表格可以看出，本文提出的 IGA - PCNN 算法性能优于其他方法。
综上所述，本文提出的改进遗传脉冲耦合神经网络具有诸多优点。首先，它降低了人工参与程度，提高了算法的自动化程度；其次，使用该算法对玉米病害图像进行分割，目标区域的外观比其他方法更精细，且目标区域的颜色纹理特征信息得到了更好的保留。因此，该算法对于特征提取和病害识别具有重要意义，具有较好的应用价值和实际意义。
基于 IGA - PCNN 的玉米病害图像分割方法
4. 算法优势总结与应用展望
4.1 算法优势总结
本算法在玉米病害图像分割中展现出了显著的优势，下面通过表格形式详细总结：
| 优势类别 | 具体优势描述 |
| — | — |
| 自动化程度 | 减少了人工调节，通过自适应调整交叉概率和变异概率，以及优化网络参数，提高了算法的自动化程度，降低了人工参与的工作量和误差。 |
| 分割效果 | 在 RGB 颜色空间进行分割并合并结果，能更好地保留目标区域的颜色纹理特征信息，使病害轮廓更清晰，视觉颜色判别更准确。与传统的灰度图像分割方法以及 GA - PCNN 算法相比，在细节和整体效果上都更优。 |
| 性能指标 | 通过定量分析的匹配度、误差和准确率等指标，IGA - PCNN 算法均表现出色，说明其在实际应用中具有更高的可靠性和准确性。 |
4.2 应用展望
该算法在农业领域具有广阔的应用前景，以下是一些可能的应用场景：
-
精准农业
：利用该算法对农田中的作物病害图像进行实时分割和识别，帮助农民及时发现病害，采取针对性的防治措施，提高农作物的产量和质量，实现精准农业管理。
-
农业科研
：为农业科研人员提供更准确的病害图像分析工具，有助于深入研究病害的发生机制、传播规律等，推动农业科学的发展。
-
农产品质量检测
：在农产品收购、加工等环节，通过对农产品表面病害图像的分割和识别，筛选出优质产品，提高农产品的市场竞争力。
下面通过 mermaid 流程图展示该算法在精准农业中的应用流程：
graph TD;
A[无人机或摄像头采集农田图像] --> B[图像传输至处理中心];
B --> C[使用 IGA - PCNN 算法进行病害图像分割];
C --> D[分析病害情况，确定防治方案];
D --> E[通过智能设备指导农民实施防治措施];
E --> F[监测防治效果，反馈调整方案];
5. 总结
本文围绕玉米病害图像分割问题，提出了基于 IGA - PCNN 的改进算法。通过对 PCNN 基本原理的分析，结合改进的遗传算法，优化了网络参数，提高了算法的性能。在彩色病害图像分割策略上，采用 RGB 颜色空间分割和选择性高概率合并策略，有效地保留了图像的颜色纹理特征信息。
实验结果表明，该算法在主观视觉评价和定量分析方面都优于传统的分割方法和 GA - PCNN 算法，具有更好的分割效果和更高的自动化程度。该算法在农业领域的应用前景广阔，有望为精准农业、农业科研和农产品质量检测等方面提供有力的技术支持。未来，可以进一步研究该算法在不同作物病害图像分割中的适用性，以及与其他技术的融合应用，如机器学习、人工智能等，以提高病害识别的准确性和效率。
扫一扫
145
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
