4. 病斑视觉特征分析

在完成叶片图像预处理之后，真正决定分割成败的，是我们能否把“病斑”和“健康组织”在视觉上区分开来。分割算法本质上是在某个特征空间里寻找一条分界线，而这条分界线是否容易找到，取决于两类组织在颜色、纹理、形状、边缘等维度上的差异有多大。本节围绕这四个维度展开观察方法，并给出特征可分离性的评估思路，为后续阈值选取与分类器设计提供依据。

颜色特征：最直接也最易受干扰的维度

颜色是病斑最直观的表征。健康叶片通常呈现较均匀的绿色，叶绿素在可见光波段的强吸收使绿通道数值相对较高；而病斑区域由于细胞坏死、色素降解或真菌孢子堆积，往往表现为黄化、褐变、灰白或黑褐。观察时不能只看 RGB 三通道的绝对值，因为光照强度和色温会整体抬升或压低数值。更稳健的做法是转换到对亮度不敏感的色彩空间，例如 HSV 中的 H（色调）与 S（饱和度），或 Lab 中的 a、b 分量。

以常见的褐色病斑为例，在 HSV 空间中，健康绿色组织的 H 分量大致落在 60°～120° 区间，而褐变区域 H 值偏向 10°～40°，两者在色调轴上形成明显间隔。实操中可以先在叶片上手动框选若干健康小块与病斑小块，分别统计其 H 分量直方图，观察两个分布是否重叠。若重叠很小，说明单靠色调即可粗分；若重叠明显，则需引入饱和度或亮度辅助，或转向纹理特征。

纹理特征：颜色相近时的关键补充

有些病害在早期颜色变化并不显著，但表面质地已经改变。例如白粉病在叶面形成粉状霉层，霜霉病在叶背产生霉状物，这些区域的颜色可能与健康组织接近，却呈现出更细密的高频纹理。此时可借助灰度共生矩阵（GLCM）提取对比度、能量、相关性、同质性等指标，或使用局部二值模式（LBP）描述微观结构。

一个可操作的观察流程是：将图像转为灰度，在健康区域和病斑区域各取一个 32×32 的窗口，计算其 GLCM 的对比度。健康叶面通常较为平滑，对比度偏低；霉层或坏死组织因颗粒感强，对比度偏高。若两类窗口的对比度均值差异达到 1.5 倍以上，纹理特征就具备较好的判别力。需要注意，纹理计算对窗口尺寸敏感，窗口过小统计不稳，过大则跨越组织边界，一般以 16～64 像素为宜。

形状与边缘：从区域到轮廓的判别线索

病斑的形状往往带有病害类型的“签名”。真菌性叶斑多呈近圆形或不规则圆形，细菌性病斑常受叶脉限制而呈多角形，病毒性病害则可能表现为条斑或环斑。观察形状时，可关注面积、周长、圆度（4πA/P²）、长宽比、矩形度等几何量。圆度接近 1 说明轮廓接近圆形，明显小于 1 则提示不规则或受叶脉切割。

边缘特征同样重要。健康与病斑的交界处可能是突变的锐利边界，也可能是逐渐过渡的晕圈。锐利边界在梯度图上表现为强响应，适合用边缘检测或活动轮廓模型捕捉；渐变边界则更适合基于区域生长或水平集的方法。观察时可对图像求 Sobel 梯度，比较病斑边缘处的梯度幅值与叶片内部平滑区域的差异，若边缘梯度显著偏高，说明边界清晰、可分性强。

健康组织与病斑组织的差异表达

把上述四个维度落到具体表达上，可以构造一个特征向量 f = [H, S, V, GLCM对比度, 圆度, 边缘梯度均值]。对每个候选区域计算该向量，健康组织与病斑组织就分别对应特征空间中的两簇点。差异表达的核心不是罗列数值，而是看两簇点在每个维度上的分布是否拉开。例如某批样本中，健康组织的 H 均值为 95°、标准差 8°，病斑组织 H 均值为 28°、标准差 10°，两者均值差 67°，远大于合并标准差，说明色调维度可分性很强；而若 V 分量均值分别为 140 和 132、标准差均约 25，则亮度维度几乎不可分，应避免单独使用。

需要强调的是，差异表达应尽量在归一化之后进行。不同拍摄设备、不同曝光时间会导致同一组织数值漂移，建议对每张图像先做白平衡或灰度世界归一化，再提取特征，使跨图像的比较具有意义。

特征可分离性评估：从观察到量化

观察只能给出定性判断，真正指导算法设计的是可分离性指标。最常用的是判别比（Fisher 判别准则的简化形式）：对某一特征，计算两类样本均值之差与类内标准差之和的比值，比值越大说明该特征越能把两类分开。实操中可按以下方式执行：

1. 在若干张代表性叶片图像上，人工标注健康区域与病斑区域的样本块，每类不少于 30 块。
2. 对每个样本块提取候选特征，记录为表格。
3. 逐特征计算类间均值差与类内标准差，得到判别比并排序。
4. 保留判别比高的 2～4 个特征，剔除冗余或判别比接近 1 的特征。

下面是一段可直接参考的特征统计示例代码，用于计算单个特征的判别比：

import numpy as np

def fisher_ratio(healthy, lesion):
    # healthy, lesion: 一维特征数组
    mu_h, mu_l = np.mean(healthy), np.mean(lesion)
    sd_h, sd_l = np.std(healthy), np.std(lesion)
    return abs(mu_h - mu_l) / (sd_h + sd_l + 1e-6)

# 示例：H 分量（单位：度）
H_healthy = np.array([92, 98, 88, 101, 95, 90, 97, 93])
H_lesion  = np.array([30, 25, 35, 28, 22, 33, 27, 31])
print("H 判别比:", round(fisher_ratio(H_healthy, H_lesion), 2))
# 输出示例：H 判别比: 3.42（数值为教学示例，非实测结果）

判别比的经验判断是：大于 2 通常认为可分性良好，1～2 之间需要结合其他特征，接近或小于 1 则基本不可单独使用。若多个特征判别比都偏低，说明当前图像质量或特征选择存在问题，应回到预处理阶段检查光照、对焦与色彩还原，而不是强行调阈值。

把观察结论转化为分割策略

完成上述分析后，应形成一份简明的特征选择结论：哪些维度可分、判别比大约多少、推荐使用哪种分割思路。例如颜色判别比高且边缘锐利，可优先采用 HSV 阈值加形态学清理；颜色重叠但纹理差异明显，可转向 GLCM 或 LBP 特征配合小窗口分类；形状规则且边界清晰，则可考虑边缘检测加轮廓拟合。这样的结论直接决定后续阈值范围、窗口尺寸和分类器输入维度，避免盲目试参。特征分析做得扎实，分割阶段就只需微调；反之，若跳过这一步，后续任何算法都容易陷入反复调参却难以稳定的困境。