一种基于轮廓角距比的小麦赤霉病粘连孢子计数方法

本发明涉及孢子分割，具体来说是一种基于轮廓角距比的小麦赤霉病粘连孢子计数方法。

背景技术：

1、小麦赤霉病是典型的孢子类病害，其病菌以菌丝、分生孢子或子囊壳等形式，腐生在小麦的秸秆上越夏和越冬，发育成熟后，直接借助风雨传播对小麦完成感染。一般情况下，赤霉病孢子数量超过一定阈值，便会引起赤霉病爆发，如果能实时对小麦上的赤霉病孢子进行快速计数，便可根据情况，制定有效防治决策，实现小麦赤霉病的提前预防。

2、目前小麦赤霉病孢子计数方法主要分为田间预估法与实验室检测法。前者是由专人在田地里观察小麦状态，根据经验做出致病孢子数量的预估，然后进行病情指数的计算。这种方法虽然简便，但存在主观性强、易误判等缺点；后者是指检测人员人工采集小麦样本，在显微镜下统计赤霉病孢子的数量，实现赤霉病的分级诊断。此方法虽然提升了孢子计数的准确率，但由于孢子在显微镜下个体小、杂质多、数量多且粘连多，导致此方法需要耗费大量时间与精力，所以目前急需一种自动快速而精确的小麦赤霉病孢子计数方法，来提高效率。

3、小麦赤霉病孢子计数的关键，在于粘连孢子的有效分割，目前国内外关于植物病害孢子计数类的研究较少，而且大多是针对条锈病、白粉病这种形状规则的病菌孢子，对于赤霉病孢子这种狭长、且体内有多道隔膜的粘连目标基本没有涉及，特别是针对赤霉病孢子椭圆形的孢子形状特点，则更难进行分割处理。

4、雷雨等人基于改进分水岭的办法，对90幅小麦条锈病夏孢子图像进行统计计数，得到了92.6％的准确率；su等人基于晚疫病孢子显微图像，设计了一种基于积分图像的孢子分割与计数算法，得到了99.2％的准确率，但不足之处在于图像粘连太过简单，且杂质较少；高星等人以五点夹角法和链码差法相结合，提升了凹点定位的准确度，使得粘连目标的分割精度有所提升；齐龙等人提出了基于高斯滤波和距离变换的改进分水岭算法，在100幅稻瘟病菌孢子测试图像中，得到了98.5％的平均检测率，不过孢子粘连情况太过简单，不适用复杂情况；liang等人采用改进u-net对小麦白粉病孢子进行分割计数，达到了91.4％的准确率，但图片中孢子数太少，不适用于多孢子粘连计数；wang等人基于分水岭和拓扑图结合的方法，对粘连炭疽孢子进行了分割计数，结果表明该算法相比传统分水岭算法效果更优。

5、小麦赤霉病孢子呈类镰刀形，中间有多道贯穿隔膜，这相比其他病害孢子更难进行分割计数；同时由于赤霉病孢子只有几十微米，实地田间获取的孢子样本，在显微镜下粘连极为严重，而且孢子显微图像中还通常夹带灰尘、花粉、以及其他病害的孢子，这些因素使得计数难度大大提升。

6、此外，要获得质量较佳的小麦赤霉病显微图像，一般需要植保人员配备造价高昂的显微镜，否则图像质量太低会对计数造成干扰。特别是，由于赤霉病孢子具有体型狭长、多道横贯细胞隔膜、以及轮廓边缘随机凸起等诸多特点，这些使得它相比于小麦条锈、白粉等病害孢子计数领域来讲，难度更大。

7、因此，如何实现小麦赤霉病粘连孢子计数已经成为急需解决的技术问题。

技术实现思路

1、本发明的目的是为了解决现有技术中难以针对镰刀状小麦赤霉病孢子进行计数的缺陷，提供一种基于轮廓角距比的小麦赤霉病粘连孢子计数方法来解决上述问题。

2、为了实现上述目的，本发明的技术方案如下：

3、一种基于轮廓角距比的小麦赤霉病粘连孢子计数方法，包括以下步骤：

4、小麦赤霉病粘连孢子图像的获取：获取小麦赤霉病粘连孢子图像；

5、小麦赤霉病粘连孢子图像的预处理：对小麦赤霉病粘连孢子图像进行图像均值漂移、sobel算子边缘处理、形态学处理；

6、孢子杂质去除处理：选用面积、长度、外接矩形宽高比、椭圆拟合离心率特征因子，对小麦赤霉病粘连孢子图像进行杂质去除；

7、凹点寻找处理：对孢子连接体进行凹点寻找处理；

8、轮廓角距比筛选：使用轮廓角距比自定义的筛选因子，去找到粘连孢子的真凹点，进行凹点匹配分割；

9、小麦赤霉病粘连孢子的计数：对完成凹点匹配分割的粘连孢子进行计算，得到小麦赤霉病粘连孢子的计数结果。

10、所述的图像均值漂移包括以下步骤：

11、设定偏移均值计算公式如下

12、

13、式中：sh是以x为中心点，半径为h的高维球区域；xi是属于sh范围内的点，k是在sh范围内点的个数；

14、获取小麦赤霉病粘连孢子预处理后图像；

15、随机选定初始迭代点，在小麦赤霉病粘连孢子图像随机选定p0点；

16、色彩向量累加，以p0为中心点，根据选定的区域m，在粘连孢子图像上累加p0点到m区域类所有点的色彩向量，得到新的迭代点p1；

17、不断迭代至收敛，以p1为中心点重复步骤24)，直至收敛于固定的点pk，此时pk是粘连孢子图像区域m内概率密度最大的地方，称为聚簇点；

18、遍历粘连孢子图像所有区域：通过迭代上述步骤，对图像原来的值不断更新，寻找样本分布最密集的区域，即完成图像均值漂移滤波处理。

19、所述的孢子杂质去除处理包括以下步骤：

20、获取滤波处理后的小麦赤霉病粘连孢子图像；

21、进行特征因子计算：针对小麦赤霉病粘连孢子图像中所有目标体，利用函数计算四个特征因子数值：轮廓面积s、长度l、外接矩形宽高比ar、椭圆拟合离心率e，其计算公式如下：

22、f(α,x)＝x·α＝ax2+bxy+cy2+dx+ey+f＝0    (1)

23、

24、式中，f(α,x)为孢子轮廓拟合出来的最小二乘椭圆曲线，其中α＝[a b c d e f]t为椭圆方程的系数，x＝[x2 xy y2 x y 1]x,y是曲线上点横、纵坐标；e是该椭圆两焦点间距dc与长轴长度la的比值；

25、确定孢子特征因子的参数阈值：任意选取50幅小麦赤霉病孢子图像，对所有孢子进行上述特征因子的统计计算，得参数阈值；

26、在此，设s＝50、l＝60、ar＝1.2、e＝0.9；

27、杂质去除：通过参数阈值的筛选，把所有满足参数阈值的目标体，重新写入新的图像中。

28、所述的凹点寻找处理包括以下步骤：

29、获取小麦赤霉病粘连孢子杂质去除图像；

30、生成凸包：在粘连孢子图像中任选一孢子目标体，根据其最外层轮廓点集，生成一个能包含孢子目标体的最小凸多边形，即凸包；

31、找到凹陷区域：计算凸包与目标体轮廓的相对偏移，得到所有凹陷区域；

32、返回凹陷区域的关键信息：任选一凹陷区域，遍历且比较凹陷区域的所有轮廓点到凸包的距离，根据结果返回一组关键信息，凹陷起点坐标、终点坐标、距离凸包最远点坐标以及最远点到凸包的距离，其表达式如下：

33、

34、式中，u是孢子轮廓点指向凹陷起点的向量，v为凹陷起点指向终点的向量旋转90°后所得向量，u′是u投影到v的向量；

35、定位凹点：根据凹陷区域关键信息中的距离凸包最远点坐标，标记孢子目标体中的凹点；

36、遍历粘连图像中所有孢子目标体：遍历所有孢子目标体，得小麦赤霉病粘连孢子的所有凹点。

37、所述轮廓角距比筛选包括以下步骤：

38、针对小麦赤霉病粘连孢子凹点寻找后的图像，定义轮廓角距比，轮廓角距比定义为，在一个孢子目标体的凹陷区域中，凹点到凹陷起点和终点连线的距离，同凹陷角度之比；

39、统计粘连孢子的轮廓角距比：任意选取50幅小麦赤霉病粘连孢子图像，针对粘连孢子的轮廓角距比进行统计，设阈值范围在0.7-3.3；

40、adf＝θ/d

41、

42、

43、式中：θ为凹点与左右轮廓点的夹角，为轮廓凹点与其左右轮廓点构成的向量；d为凹点到孢子包络的垂直最短距离，(x0,y0)为凹点，a、b、c为凹陷起点与终点构成的直线方程的参数；

44、去除假凹点：基于统计所得的粘连孢子轮廓角距比阈值范围，对粘连图像中的假凹点进行去除，即筛选出可以使得粘连孢子目标体正确分割的真凹点；

45、遍历所有孢子目标体：遍历所有孢子目标体，得小麦赤霉病粘连孢子所有正确分割的真凹点；

46、按凹点匹配策略分割：针对每个孢子目标体所拥有的真凹点个数，选用凹点匹配策略进行分割；

47、凹点匹配策略为：当只有一个粘连凹点的时候，找出此时粘连孢子的重心，将凹点与重心连接，便直接分割孢子；如果有两个粘连凹点直接连接；如果是三个凹点或者三个以上，使用轮廓段椭圆拟合的方法进行分割。

48、有益效果

49、本发明的一种基于轮廓角距比的小麦赤霉病粘连孢子计数方法，与现有技术相比利用均值漂移、sobel算子边缘检测、形状特征因子筛选对孢子图像进行处理，提升显微镜下拍摄的赤霉病孢子图像质量，再根据形状特征因子筛选出赤霉病粘连孢子，最后基于镰刀形赤霉病孢子的轮廓角距比对粘连孢子进行分割，从而快速精确地完成对小麦赤霉病孢子的计数。

50、通过测试结果表明，本发明在313幅模拟室外的小麦赤霉病孢子显微图像中，获得了93.1％的准确率，相比传统机器学习聚类分割计数算法提高了7.9％，有效提高了计数效率。