[发明专利]一种用于小样本图像数据集的小麦白粉病孢子分割方法

说明书

一种用于小样本图像数据集的小麦白粉病孢子分割方法属于计算机视觉技术领域，解决现有技术不能精确地通过图片进行小麦白粉病病害分析的问题。本发明主要设计了一种语义分割方法，进行小麦白粉病孢子的图像分割。其中主体包括两个网络，一是用于数据增强的对抗式生成网络模型，一个是用于分割目标小麦白粉病孢子的分割网络模型模型。在对分割模型进行训练时，为了弥补训练数据的不足，需要对图像进行相应的预处理以及使用对抗式生成网络模型及仿射变换进行数据增强。同时为了对目标孢子进行语义分割，也需要通过图像掩码提取出小麦白粉病孢子的轮廓实体用于训练。

技术领域

本发明属于计算机视觉技术领域以及孢子分割领域。其中主要涉及的知识包括一些图像预处理、数据增强、神经网络语义分割、对抗式生成网络等。

背景技术

小麦白粉病是一种常见的小麦病害，白粉病孢子常生长在植物表面。在适当的环境条件下，白粉病孢子可以尽可能长时间的传播，从而造成对植物的伤害——白粉病，它影响植物的生长发育，严重的落叶甚至死亡。小麦白粉病在中国北方和南方各省十分常见，给农作物和经济造成了巨大的损失。目前，已经有智能一体化设备和农业病虫害监测系统实现了小麦白粉病孢子显微图片的采集和分析，但是其分割算法缺少研究，存在分割精度低的问题，并且难以实现语义分割，即从图中分割出目标孢子与背景，去除其他噪音和杂物，因此，如何从图像中准确地分割小麦白粉病孢子，以便进一步对小麦白粉病孢子进行识别，及时分析和获取小麦白粉病的信息，实现小麦白粉病的自动化监测，是当前需要解决的重要问题。

在计算机数字图像处理领域内，小麦白粉病孢子目标分割问题可以被归类为图像的二分类语义分割问题，即对图像中的每一个像素进行分类，将图像划分为前景和背景，因此该问题可以被视为一个逐像素的分类问题。在传统的图像语义分割方法中，使用的方法主要是根据图像纹理、颜色等浅层表观特征，进行特征的人工筛选和设计，进而使用支持向量机(SVM)、随机森林、AdaBoost，K-Means等分类算法进行分类。而小麦白粉病孢子图像存在噪声多，孢子颜色与部分杂物相近，边缘模糊等特点，因此传统方法效果并不好。近年来，随着深度学习技术和硬件的发展，许多基于深度学习的细胞和孢子图像分割方法取得了非常不错的表现，2014年，Long等人提出了全卷积神经网络(FCN)，该网络可以直接进行逐像素的端到端图像语义分割，使得深度学习在语义分割领域内产生了突破性进展。随后的几年中，SegNet，DeepLab，以及针对医疗图像设计的语义分割网络U-Net等模型相继出现，在各自的应用场景中取得了瞩目的效果。

目前，小麦白粉病图像分割存在如下问题，由于小麦白粉病孢子图片数据集具有样本少，噪声多，目标小等特点，已有小麦白粉病孢子分割算法分割正确率低，无法对目标孢子进行精确分割，分割结果存在空洞，不能精确地通过图片进行小麦白粉病病害分析。

发明内容

基于上述分析，本发明主要设计了一种语义分割方法，进行小麦白粉病孢子的图像分割。其中主体包括两个网络，一是用于数据增强的对抗式生成网络模型，一个是用于分割目标小麦白粉病孢子的分割网络模型模型。在对分割模型进行训练时，为了弥补训练数据的不足，需要对图像进行相应的预处理以及使用对抗式生成网络模型及仿射变换进行数据增强。同时为了对目标孢子进行语义分割，也需要通过图像掩码提取出小麦白粉病孢子的轮廓实体用于训练。训练与测试所用的数据来自于实验室提供的的小麦白粉病孢子图像数据。