[发明专利]基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法

说明书

本发明涉及基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法，与现有技术相比解决了难以针对样本为赤霉病孢子的小目标密集且存在粘连进行精准分割的缺陷。本发明包括以下步骤：小麦赤霉病孢子识别图像的获取；CRF_ResUnet++网络的构建；CRF_ResUnet++网络的训练；待分割小麦赤霉病孢子图像的获取；小麦赤霉病孢子分割结果的获得。本发明利用具有编码器解码器结构的Unet++对孢子图像进行初始分割，再在Unet++中引入残差块ResNet，以强化特征的传播能力，提取更多孢子细节信息，最后使用全连接条件随机场模型进行后处理，得到更精确的边缘和完整孢子区域。

技术领域

本发明涉及赤霉病孢子图像处理技术领域，具体来说是基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法。

背景技术

孢子图像分割是图像识别算法在农业病虫害真菌孢子检测领域中的应用，其主要用途为在图像上精准提取目标病害孢子便于后续计数，统计信息等操作。

孢子图像分割主要采用传统图像处理、机器学习和深度学习三种方法。传统图像处理方法多基于阈值、边缘检测等方式，通过不同目标的像素值进行分割；机器学习传统方法多基于特征工程和预分割的方式得到目标轮廓；基于深度学习的语义分割模型通常是经过网络训练后根据权重参数直接实现目标分割。在传统孢子分割技术领域中，Deng et al.（2012）^[1]针对背景亮度不均等问题，将聚类迭代次数以R、G、B各分量的总和不变性作为条件，对病菌数据采用K均值聚类方法实现分割。使各像素均值距离达到局部极小值，较好的分割了病菌图像，但杂质背景复杂等问题造成分割边缘不完整等问题未被解决。Li et al.（2013）^[2]根据最近邻插值法对图像进行缩放并结合K-means聚类算法，对孢子图像分别采用划分处理、形态学处理以及分水岭算法等相关处理手段，对孢子捕获器采集的小麦条锈病菌夏孢子完成了自动计数以及边缘标记，但针对光照不均和多目标重叠的问题无法实现很好的分割效果。Qi et al.（2015）^[3]提出了分块背景提取方法用于解决采集时光照不均造成孢子边缘轮廓不清晰这一问题，基于特征提取方法采用显微图像中目标孢子的边缘特征信息，并采用Canny算子检测边缘，阈值采用模糊C均值算法，自动地确定梯度图，然后，将边缘检测出来的二值图像做数学形态学闭开运算。对仅含有孢子的二值图像进行提取并最终，提出一种基于距离变换与高斯滤波相结合的改进分水岭算法，用于粘连孢子的分离，取得了较好的检测效果，但存在粘连孢子漏分割的现象。

传统的机器学习和图像处理方法虽然在孢子分割上取得了一定的成果，但其只适用于背景简单，光照均匀和粘连轻微的情形。而对于粘连严重、光照不均、对比不明显的目标分割，很难通过传统方法实现分割要求，而深度学习具有丰富的特征提取手段和学习能力，完成目标的检测（Woyzichovski et al, 2021）^[4]。