0、 引言
图像分割是图像处理过渡到图像分析的关键步骤，分割的精度决定着计算机分析过程最终的成败。
但由于不同的应用需求，不同种类的图像需要提取的目标特征不同，对应的分割方法也就不同。因此，不存在一种普遍适用的图像分割方法，目前提出的分割算法大都是针对具体问题的。一般来说，图像分割结果以人的视觉来评价，但是针对同一图像如何比较不同分割方法处理结果的好坏就需要有一个评价标准来衡量。关于图像分割评价方法方面，已经有不少研究成果，通常分为实验法和分析法两类。在实际应用中，通过公式计算得到指标值来确定算法的优劣更为直观，所以定量实验法应用更多。
在作物病害图像处理方面，针对病斑提取结果的评价应用比较多的则是定量实验法中的像素数量误差。这种方法主要计算由于分割错误而产生的错分像素的个数，常见的有面积错分率、分类误差、正确分割的百分数及误差概率等。
目前，关于作物病害图像分割评价方法的研究还未见报道，因此以黄瓜叶部病害为例，通过对常用的几种评价方法进行比较，探讨其评价性能，为作物病害图像分割的评价提供基础研究。
1． 1 实验材料及运行环境
使用佳能 6D 型数码相机，在田间自然光照环境下，采用自动曝光模式获取黄瓜叶部病害图像，以JEPG 格式存储; 然后通过 Photoshop CS 软件去除图像中的复杂背景，仅留下图像中的主要叶片。用 MatLab自带的 Imresize 函数压缩图片成 900×600 大小。这里需要说明的是，有些图片存在光照不均匀、混合病害或者病叶表面有杂物等均会影响误分率计算结果，因此选择图像时需要排除上述影响。
本文采用算法均在 MatLab7． 1 和 VC++6． 0 混合编程 MEX 环境下编程实现，以实际采集到黄瓜靶斑病和白粉病为测试对象进行实验。实验所用计算机的配置为 Intel Core Q6700 2． 66GHz 中央处理器、4G内存和 Windows XP 操作系统，每种病害各选取 10 幅进行实验。
1． 2 实验设计
针对上述两种黄瓜病害图像，设置 3 个处理: 处理 1，最大类间方差法(OTSU) ; 处理 2，改进后的图切割方法; 处理 3，基于极小值标定的分水岭方法。
1． 3 图像分割评价方法
本文拟采用目前针对作物病斑分割结果常用的 4种图像分割评价方法，具体为
式中 N1—算法进行病斑区域分割的像素值;N2—手动标准分割病斑区域的像素值;m×n—图像总像素。
2、 结果与分析
2． 1 4 种评价方法的计算结果曲线图
针对 20 幅黄瓜病害图片(靶斑病和白粉病各 10幅) ，应用处理 1、处理 2 和处理 3 得到如下 4 种评价方法计算结果曲线图。其中，方法1 和方法 2 的误分率对照右边纵坐标数值，方法 3 和方法 4 的误分率对照左边纵坐标数值。
可以看出: 方法 1 和方法 2 的曲线走势基本相同，误分率的计算结果基本上都在 0～ 100% 之间波动; 方法 3 和方法 4 的曲线走势基本相同，误分率的计算结果在 0 ～ 4 000% 之间波动。方法 3、4 比方法 1、2 的计算结果波动幅度大很多。
2． 2 两种病害分割结果示意图
任选黄瓜靶斑病和白粉病各 1 幅，给出原图、标准病斑、处理 1、处理 2 和处理 3 得到的分割结果对比图，如图4 和图5 所示。同时，给出3 种处理方式下应用 4 种评价方法得到的误分率计算结果，如表 1、表 2和表 3 所示。
改进方法后的处理2、处理3 病斑提取结果比处理 1 的结果明显要好。对照表1、表 2 和表 3 的数据来看，表 2 和表 3 的数据明显比表 1 的数据结果小。也就是说，4 种评价方法计算结果都能体现出 3 种处理分割结果的差异。但是，从人的主观感觉来说，前两种评价方法的计算结果比较符合常规逻辑，而后两种评价方法的计算结果容易受到实际病斑面积大小的影响，计算数值波动太大。
3、 结论
1) 方法 1 和方法 2 比较适合用于作物病害图像分割结果的评价。
2) 目前，标准病斑参考图片仍然手工提取，可能存在一定的随机误差。以后，针对作物病害图像分割，期望能够采用无需标准分割图像作为参考的无监督图像分割评价方法。
参考文献:
［1］ 章毓晋． 图象分割评价技术分类和比较［J］． 中国图象图形学报，1996，1(2) : 151－157．
