1. 课程导入与任务全景

在作物病害监测与精准植保中，“叶片上病斑占多大比例”是一个既直观又关键的问题。它直接关系到病害严重度分级、防治阈值判断、药剂效果评估以及品种抗性筛选。然而，如果仅凭肉眼估计，同一片叶子在不同人眼中可能得出 10% 与 25% 两种截然不同的结论。本课程要解决的核心任务，就是借助图像处理与计算机视觉方法，把“病斑”从叶片背景中自动分割出来，并换算成可信的面积指标。

先明确本课程贯穿始终的两个基本量。其一是病斑像素面积，即分割掩膜中标记为病斑的像素总数；其二是病斑面积占比，定义为病斑像素数除以叶片像素数（不是整幅图像像素数）。这个分母的选择非常重要：如果图像中包含大量背景土壤或桌面，用整幅图作分母会系统性低估严重度。因此本课程统一约定：面积占比 = 病斑像素数 ÷ 叶片像素数 × 100%，后文所有计算与图示均遵循这一约定。

典型应用场景

理解应用场景有助于判断技术方案的精度要求。在田间病害普查中，往往用手机在自然光下拍摄，背景杂乱、叶片重叠，此时更看重算法的鲁棒性与批量处理速度；在药剂防效试验中，需要对处理前、处理后同一批叶片重复测量，关注的是面积占比的变化量，对绝对精度要求高而对实时性要求低；在品种抗性鉴定中，大量样本需要统一尺度拍摄，常配合扫描仪或固定支架获取平整叶片图像，以便进行高精度分割与统计。三类场景对图像质量、标注成本和算法复杂度的取舍并不相同，这也是后续章节要分别讨论预处理策略的原因。

完整技术流程概览

从一张原始叶片图像到最终的面积报表，整体可拆为五个环节：图像采集与标定、叶片区域提取、病斑分割、面积计算与校正、结果统计与判读。下图展示了这一数据流的主干，以及每个环节的关键输出物。

图中五个环节并非严格串行：例如叶片提取失败时，需要回到采集环节调整拍摄方式；病斑分割出现大量误检时，往往要回头改进光照校正。因此实际工作中它是一个带反馈的迭代过程，而不是一次跑通的流水线。

一个可复现的示例：从像素到占比

为便于建立数量感，这里给出一个教学示例（数值为合理假设，非实测结果）。假设用手机在固定支架下拍摄一片黄瓜病叶，图像分辨率为 3000×4000 像素，图像中放置了一枚边长 20 mm 的正方形标定片。经测量，标定片在图像中占 200×200 像素，则比例尺为 20 mm ÷ 200 像素 = 0.1 mm/像素。经叶片提取得到叶片像素数为 1 850 000，经病斑分割并限制在叶片掩膜内后得到病斑像素数为 148 000。于是：

面积占比 = 148000 / 1850000 × 100% ≈ 8.0%
病斑物理面积 = 148000 × (0.1 mm/像素)² = 1480 mm²
叶片物理面积 = 1850000 × 0.01 = 18500 mm²

得到 8.0% 后，还需对照该作物的严重度分级标准才能转化为管理决策。例如某分级体系规定 0～5% 为轻、5%～15% 为中、15% 以上为重，则本例属于“中”等级。可以看到，像素计数本身不难，难的是保证叶片掩膜与病斑掩膜都足够准确——分母错 10%，占比就整体偏移约 10%。

本课程的能力目标

学完本课程，你应当能够独立完成一条从图像输入到面积报表的处理链路，并具备三项关键判断力：其一，能根据拍摄条件选择合适的预处理与颜色空间，而不是套用固定阈值；其二，能识别分割结果中的典型错误（病斑漏检、健康组织误检、叶缘混入背景），并知道从哪个环节修正；其三，能用交并比（IoU）、面积相对误差等指标定量评价自己的分割结果，而不是只看“看起来差不多”。

后续内容将沿着图中的主干逐段展开：先解决图像质量与标定问题，再讨论叶片与病斑的分割策略，最后落到面积换算、批量统计与精度评价。请始终记住本课程的统一约定——面积占比的分母是叶片像素，所有比较都应在同一分辨率或同一物理标定下进行。