📚 课程目录第3章图像预处理与叶片区域提取

3. 图像预处理与叶片区域提取

病斑分割算法真正处理的并不是“叶片”，而是整幅田间图像。图像里往往同时存在土壤、地膜、杂草、阴影、滴灌带、手指甚至相邻叶片，病斑像素只占很小一部分。如果直接对原图做阈值分割或聚类，背景中的黄褐色土壤很容易被误判为病斑，杂草的绿色也会混入叶片区域。因此，在进入病斑分割之前，必须先完成一套稳定的预处理链：把彩色图像转换到更适合分离颜色信息的色彩空间，去除与叶片无关的背景，提取完整叶片轮廓，用形态学操作修补缺陷，最后裁剪出只包含叶片的感兴趣区域（ROI）。这一节按这条处理链逐步展开，并给出可复现的参数示例。

色彩空间转换：为“绿色”和“病斑”找到合适的坐标

RGB 三个通道高度相关，受光照强度影响大：同一片叶子在阳光下和阴影中，R、G、B 数值可以相差几十甚至上百，但颜色本质没变。因此预处理的第一步通常是转换到对亮度不敏感的色彩空间。常用选择有三类：HSV 把颜色分解为色调 H、饱和度 S、明度 V，适合用 H 通道圈定绿色叶片；Lab 空间用 a、b 两个色度通道描述“绿—红”“蓝—黄”方向，其中 a 通道负值代表绿色，对叶片与土壤的区分很有效；ExG（超绿指数）则是面向植被的简化指数，计算式为 ExG = 2G − R − B，数值越大越偏向植被。

以 OpenCV 实现为例，读入图像后先做一次轻度高斯滤波抑制噪点，再分别得到 HSV 与 Lab：

import cv2, numpy as np
img = cv2.imread("leaf_01.jpg")
img = cv2.GaussianBlur(img, (5, 5), 0)
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
b, g, r = cv2.split(img.astype(np.int16))
exg = 2 * g - r - b          # 超绿指数，范围约 -510 ~ 510
exg = np.clip(exg, 0, 255).astype(np.uint8)

需要注意 OpenCV 中 H 通道的取值范围是 0～179（对应 0～360°），S、V 为 0～255。绿色在 H 上大致落在 35～85 区间，但不同作物、不同白平衡下会有偏移，实际使用时应先在样本图上用鼠标读取叶片与背景的 H 值，再确定阈值，而不是照搬固定数值。

背景去除与叶片轮廓分割

得到合适的通道后，背景去除本质上是一个二值化问题。对 ExG 图或 Lab 的 a 通道做 Otsu 自动阈值，可以得到“植被/非植被”的粗略掩膜；对 HSV 则常用区间阈值 cv2.inRange 圈定绿色。两种方式各有短板：Otsu 在背景与叶片亮度接近时会失效，固定 H 区间在偏黄老叶上会漏检。实践中可以把两者取交集或并集，再用面积筛选剔除小连通域。

二值掩膜往往并不干净：叶缘有锯齿、叶面有反光孔洞、叶柄处可能断裂。此时用形态学开运算去除细小噪点，用闭运算填补孔洞，是成本最低的修补手段。核尺寸要与图像分辨率匹配——例如 2000×1500 像素的手机照片，叶片宽度约 800 像素，用 5×5 或 7×7 的椭圆核比较合适；核过大（如 25×25）会把相邻叶片粘连，反而破坏轮廓。

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN,  kernel, iterations=1)
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=2)
cnts, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL,
                           cv2.CHAIN_APPROX_SIMPLE)
cnts = [c for c in cnts if cv2.contourArea(c) > 5000]
leaf = max(cnts, key=cv2.contourArea)   # 取最大连通域作为主叶片

这里有两个判断依据值得强调。第一，面积阈值 5000 像素只是示例，应按实际分辨率换算成“最小可接受叶片面积”，例如要求叶片至少占画面 2%。第二，取最大连通域适用于单叶平铺拍摄；若图像中有多片叶子，应保留全部满足面积条件的轮廓，并分别建立 ROI，而不是简单取最大者。

形态学处理与轮廓精修

开闭运算之后，轮廓仍可能存在凹陷或毛刺。若后续要计算叶面积，轮廓的凹凸会直接影响结果，因此常再做一次轮廓平滑：用 cv2.approxPolyDP 做多边形逼近，或对轮廓点做滑动平均。另一种做法是先填充轮廓内部得到实心掩膜，再与原始掩膜求交，从而消除内部孔洞而不改变外缘。对于叶柄细长、容易断裂的情况，可先做一次小核闭运算连接，再提取轮廓。

需要提醒的是，形态学操作会系统性地改变叶片边界：闭运算使轮廓外扩，开运算使轮廓内缩。若面积测量精度要求较高（例如误差需控制在 3% 以内），应记录所用核尺寸与迭代次数，并在标定环节用已知面积的标准圆片验证偏差方向与大小，必要时对结果做补偿。

感兴趣区域裁剪与掩膜输出

最后一步是把叶片从整幅图中“抠”出来。先由轮廓计算外接矩形，再向外扩若干像素作为边距，避免叶缘被切掉：

x, y, w, h = cv2.boundingRect(leaf)
pad = 10
x0, y0 = max(x - pad, 0), max(y - pad, 0)
x1 = min(x + w + pad, img.shape[1])
y1 = min(y + h + pad, img.shape[0])
roi_img  = img[y0:y1, x0:x1]
roi_mask = np.zeros(img.shape[:2], np.uint8)
cv2.drawContours(roi_mask, [leaf], -1, 255, -1)
roi_mask = roi_mask[y0:y1, x0:x1]

裁剪后应同时保留两样东西：ROI 彩色图与 ROI 二值掩膜。后续病斑分割只在掩膜内部进行，掩膜外的像素一律置零，这样土壤和杂草就不会再干扰病斑判断。裁剪坐标 (x0, y0) 也要记录，以便把 ROI 中的病斑面积换算回原图坐标系，或与多期图像对齐。

判断预处理是否合格，可以看三个指标：掩膜内叶片像素占 ROI 的比例（通常应大于 60%）、轮廓是否闭合无断裂、掩膜外是否残留绿色或褐色区域。若掩膜外仍有大片非零像素，说明背景去除不彻底，应先回到色彩空间与阈值环节调整，而不是继续往下做病斑分割。

把上述步骤串起来，一条完整的预处理函数应当返回 ROI 图像、ROI 掩膜、裁剪偏移和轮廓点集四项结果。这四项分别服务于后续的病斑分割、面积统计、坐标还原和形状分析。参数不要写死在代码里，而应集中为配置字典，便于针对不同作物、不同拍摄设备批量调整。例如水稻叶片细长、小麦叶片窄，形态学核尺寸和最小面积阈值都应相应减小；而手机近景拍摄的烟草叶片宽大，核尺寸可适当增大。

常见误区是“先裁剪再分割”。如果先按固定窗口裁剪，叶片可能被切断，后续轮廓不完整，面积统计必然偏小。正确顺序是先分割出完整叶片轮廓，再由轮廓外接矩形决定裁剪范围。另一个误区是过度依赖形态学：核尺寸过大虽然能让掩膜看起来“干净”，但会吞掉叶缘的细小病斑，导致病斑面积被系统性低估。

完成本节处理后，得到的 ROI 掩膜已经把问题从“整幅田间图像”缩小到“一片叶子的内部”。接下来的病斑分割只需在这个受限区域内区分健康组织与病斑组织，背景干扰被大幅削弱，阈值和分类器的稳定性都会明显提高。建议在正式处理批量图像前，先抽取 5～10 张涵盖晴天、阴天、不同叶龄的样本，逐一检查掩膜质量并记录参数，形成本批次图像的预处理配置，再统一应用到全部图像上。