汪 濤，成孝剛，李德志，呂泓君，李海波

(南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003)

0 引 言

葉脈是植物的重要器官之一，其特征直接反映了樹葉的生長狀態(tài)[1-2]。目前，國內(nèi)外的學(xué)者從不同角度對(duì)葉脈特征進(jìn)行研究。李燦燦等[3-4]利用基于K-means聚類算法和基于改進(jìn)的Sobel算子和色調(diào)信息相結(jié)合的方法提取葉脈；張金瑞[5]利用基于數(shù)字圖像處理技術(shù)提取了毛白楊的葉面積等特征；余孝源等[6]針對(duì)葉片主莖脈與次莖脈之間的節(jié)點(diǎn)分部信息進(jìn)行提取；金秋春等[7-8]對(duì)HIS顏色空間中植物葉脈信息進(jìn)行提取，將多方向Top-Hat變換應(yīng)用到葉脈特征提取中；Cope等[9]運(yùn)用蟻群算法對(duì)樹葉的葉脈進(jìn)行提?。煌鯐詽嵉萚10-11]設(shè)計(jì)了基于凸包的植物葉鋸齒方法，并對(duì)多種葉片進(jìn)行檢測?，F(xiàn)有算法無法適應(yīng)大批量樹葉的處理，這導(dǎo)致部分基因研究團(tuán)隊(duì)仍然采用人工測量方法。由此，亟待一種智能化的葉脈特征提取算法，以輔助植物基因研究。

文中提出一種基于霍夫變換[12-13]的葉脈特征提取算法。通過霍夫變換尋找主葉脈位置，判定其頂端和底端。通過角點(diǎn)檢測，得到主葉脈和次葉脈的交叉坐標(biāo)，繼而得到主次葉脈的細(xì)節(jié)特征，并在此基礎(chǔ)上計(jì)算對(duì)應(yīng)角度。文中的主要貢獻(xiàn)在于：將霍夫變換與角點(diǎn)檢測相結(jié)合，應(yīng)用于樹葉主次葉脈提取；應(yīng)用海量葉片掃描數(shù)據(jù)，對(duì)算法進(jìn)行驗(yàn)證。

1 理論基礎(chǔ)

1.1 霍夫變換

文中主要利用霍夫變換對(duì)樹葉主莖脈進(jìn)行直線檢測?；舴蜃儞Q的原理是當(dāng)圖像平面上所有的點(diǎn)都對(duì)應(yīng)到參數(shù)平面上，如果有不同的點(diǎn)進(jìn)行變換后的曲線交于同一點(diǎn)，那么可以認(rèn)為這些點(diǎn)通過原始平面內(nèi)的同一條直線。可以假設(shè)一個(gè)閾值，若交于某一點(diǎn)的曲線大于規(guī)定的閾值，則可認(rèn)定這個(gè)交點(diǎn)為原始平面上的一條直線。

1.2 角點(diǎn)檢測

在求取樹葉主莖脈與次莖脈形成的夾角時(shí)，需要尋找角點(diǎn)，即主次葉脈的交叉點(diǎn)。文中主要運(yùn)用Harris角點(diǎn)檢測的思想[14-16]。角點(diǎn)檢測的具體步驟為：(1)計(jì)算圖像一階高斯偏導(dǎo)數(shù)IX與IY；

(3)對(duì)步驟2的三個(gè)值進(jìn)行高斯模糊，得到SXX,SYY,SXY；

(4)定義Harris矩陣，計(jì)算矩陣特征值；

(5)計(jì)算R值，R=detM-K(traceM)2,其中detM=λ1λ2，traceM=λ1+λ2；

(6)使用3*3或者5*5的窗口，實(shí)現(xiàn)非最大值壓制。

2 葉脈特征提取算法

該算法的研究主要分為三個(gè)部分：主次葉脈坐標(biāo)提??；主葉脈與葉片邊界角度提??；主次葉脈夾角提取。具體闡述如下：

2.1 骨架化

首先使用Canny、Sobel、Roberts三種邊緣檢測算子獲取圖像的間斷邊緣；然后利用形態(tài)學(xué)膨脹方法將邊緣間斷處連接；繼而將膨脹邊緣圖像骨架化，細(xì)化到一個(gè)像素寬度的連續(xù)邊緣圖；接著去除圖像骨架化過程中形成的毛刺；最后得到樹葉葉脈和邊界的輪廓坐標(biāo)。預(yù)處理后得到了一個(gè)樹葉邊緣輪廓以及主莖脈與次莖脈的圖，如圖1所示。

圖1 葉片骨架化效果

通過圖中發(fā)現(xiàn)，使用Canny算子提取樹葉主次莖脈的效果最好。

2.2 主葉脈與樹葉邊界角度提取

文中利用霍夫變換來檢測樹葉中的主莖脈的近似位置。通過提取的樹葉邊緣坐標(biāo)找到與主莖脈距離最近的點(diǎn)，即樹葉的頂端和底端坐標(biāo)。接著，以頂點(diǎn)和底點(diǎn)為起點(diǎn)向樹葉兩側(cè)使用區(qū)域增長法找到邊緣坐標(biāo)。最終得到葉片邊緣與主莖脈形成的四個(gè)夾角。

2.3 主次葉脈及其角度提取

在此過程中，首先通過角點(diǎn)檢測得到圖像上的候選角點(diǎn)，繼而篩選出位于主葉脈上的關(guān)鍵角點(diǎn)，即主葉脈和次葉脈的交叉點(diǎn)。接著通過判斷候選角點(diǎn)與Hough變換檢測直線的兩個(gè)端點(diǎn)是否近似在一條直線以確定目標(biāo)角點(diǎn)的坐標(biāo)。針對(duì)每一個(gè)角點(diǎn)提取周圍一塊區(qū)域，使用區(qū)域增長法找到鄰近的主莖脈與次莖脈。根據(jù)已提取的主莖脈和次莖脈進(jìn)行角度計(jì)算。算法的詳細(xì)步驟如下：

算法:基于霍夫變換和角點(diǎn)檢測的葉脈特征提取算法。

輸入:1 200棵白楊樹(12 000片樹葉)。

輸出:單個(gè)樹葉主葉脈與樹葉邊界角度、主次葉脈夾角。

(1)預(yù)處理。

濾除噪聲并二值化；

Canny邊緣檢測獲取樹葉邊緣；

獲取樹葉邊界和葉脈坐標(biāo)。

(2)主葉脈與樹葉邊界角度提取。

利用霍夫變換檢測樹葉主莖脈；

搜索樹葉頂端和底端坐標(biāo)；

利用區(qū)域增長法搜索以頂點(diǎn)和底點(diǎn)為起點(diǎn)的邊緣坐標(biāo)。

(3)主次葉脈及其角度提取。

角點(diǎn)檢測搜索候選角點(diǎn)；

篩選出主葉脈與次葉脈相交的角點(diǎn)；

針對(duì)每一個(gè)角點(diǎn)利用區(qū)域增長法找到鄰近的主次葉脈坐標(biāo)。

3 計(jì)算機(jī)驗(yàn)證及分析

利用Matlab和Python對(duì)算法進(jìn)行驗(yàn)證。計(jì)算硬件信息如下：CPU i7-6700HQ 2.60 GHz，顯卡NVIDIA GeForce GTX 960M，顯存2 GB，內(nèi)存8 GB。用于算法驗(yàn)證的白楊樹葉來自瑞典等國家，共計(jì)12 000片(1 200棵樹*10片/棵)。實(shí)驗(yàn)結(jié)果顯示良好，能夠提取樹葉的主次葉脈坐標(biāo)和角度特征參量。下面給出了一組樹葉中的部分效果圖。圖2為樹葉灰度化后的效果，圖中直線為霍夫變換找到的近似主莖脈的直線；圖3是主莖脈與次莖脈形成的角度效果；圖4是主莖脈與樹葉邊緣形成的角度效果。

圖2 樹葉灰度化效果

圖3 主莖脈與次莖脈夾角效果

綜上，文中算法可以得到葉脈角度的信息。在實(shí)驗(yàn)中，對(duì)葉片的角度信息進(jìn)行了主觀評(píng)測，用以衡量算法的準(zhǔn)確性。表1給出了圖3中各角度參量，每一行下方給出了相應(yīng)的主觀評(píng)測數(shù)據(jù)。由上至下編號(hào)為1,2,3,4。此外，表1也分別給出了用Sobel、Roberts兩種算子提取的骨架形成的主次葉脈夾角的度數(shù)，用以進(jìn)行比較。表2給出了圖4中各角度的參量，每一行下方給出了相應(yīng)的主觀評(píng)測數(shù)據(jù)。根據(jù)左上方，右上方，左下方，右下方角度的順序依次編號(hào)為1,2,3,4。角度單位均為角度制。

注：‘/’表示用該算子無法求出角度；‘N’表示沒有該角。

表2 主葉脈和葉片邊緣角度數(shù)據(jù)

根據(jù)表1、表2的數(shù)據(jù)，繪制如圖5、圖6的折線圖，以比較各算子計(jì)算度數(shù)的準(zhǔn)確度。

圖6 主葉脈和葉片邊緣角度誤差比較

通過圖5發(fā)現(xiàn)，在用三種不同算子計(jì)算角度時(shí)，由于Sobel、Roberts算子骨架化的效果較差，有些角度出現(xiàn)丟失，并且角度與主觀評(píng)測的誤差較大。而Canny算子的效果最好，與主觀評(píng)測的誤差最小。表2的實(shí)驗(yàn)結(jié)果也與主觀評(píng)測的結(jié)果誤差較小。需要說明的是，在海量的算法驗(yàn)證過程中，也出現(xiàn)了一些效果不理想的圖片，如圖4(a)所示?？梢钥闯鲈跍y量樹葉頂部角度時(shí)，由于頂點(diǎn)坐標(biāo)選取的誤差導(dǎo)致角度的檢測并不精確。隨機(jī)抽取100張圖片，這種情況的概率為5%。這對(duì)于海量數(shù)據(jù)的檢測而言，已經(jīng)能夠滿足應(yīng)用需求。這也將成為后續(xù)改進(jìn)的方向。

4 結(jié)束語

采用霍夫變換對(duì)主葉脈進(jìn)行檢測，然后搜索樹葉頂點(diǎn)和底端坐標(biāo)，繼而通過角點(diǎn)檢測法篩選出主次葉脈的交點(diǎn)，最后提取所有主次葉脈坐標(biāo)和角度特征信息。文中的研究對(duì)象是瑞典的白楊樹葉片，葉片數(shù)據(jù)經(jīng)過10年的采集，共計(jì)12 000片。實(shí)驗(yàn)表明，該方法在提取角度以及主次葉脈信息方面效果良好。存在的局限性是該方法是否適用于其他種類的樹葉。同時(shí)，實(shí)驗(yàn)中也出現(xiàn)了一些效果不好的情況，一方面在提取樹葉特征時(shí)效果還可以進(jìn)一步完善，另一方面是在提取角點(diǎn)以及尋找頂點(diǎn)底端坐標(biāo)時(shí)出現(xiàn)的誤差，還有待后續(xù)的改進(jìn)。另外，利用深度學(xué)習(xí)進(jìn)行訓(xùn)練，提取葉脈的相應(yīng)信息，將是非常有意義的嘗試。這些都將成為后續(xù)努力的方向。