趙丹丹, 王 斌,2

1(南京財(cái)經(jīng)大學(xué) 信息工程學(xué)院, 南京 210023)

2(智能機(jī)器人湖北省重點(diǎn)實(shí)驗(yàn)室(武漢工程大學(xué)), 武漢 430205)

大豆, 是一種豆科植物, 富含對(duì)人類和動(dòng)物有益的植物蛋白質(zhì)和脂肪[1]. 中國(guó)擁有5 000 多年栽植優(yōu)質(zhì)大豆的文化和歷史, 是世界上最早培育大豆的國(guó)家. 許多其他國(guó)家的培育大豆都由中國(guó)傳入, 如巴西、印度、美國(guó)等. 由于生產(chǎn)的大豆對(duì)人類健康有用且易于食用,已發(fā)展成為目前世界上消費(fèi)最廣泛的糧食之一[2]. 近些年, 自然環(huán)境的惡化以及全球人口基數(shù)增長(zhǎng)共同引發(fā)了全球糧食危機(jī), 即全球性的糧食短缺、產(chǎn)量銳減、價(jià)格漲幅過快, 全球饑餓人口和正在遭受糧食安全威脅的人口約占世界總?cè)丝诘囊话? 因此, 研究大豆育種、生長(zhǎng)、發(fā)育和產(chǎn)量以提高大豆品質(zhì)和產(chǎn)量這項(xiàng)任務(wù)具有十分重要的意義.

學(xué)術(shù)界和現(xiàn)代農(nóng)業(yè)領(lǐng)域不乏對(duì)大豆的研究, 例如裴文彤[3]使用虛擬植物仿真技術(shù)實(shí)現(xiàn)了大豆葉片仿真建模, 在構(gòu)建葉片輪廓的基礎(chǔ)上, 通過觀察葉脈的主側(cè)脈之間的角度、形態(tài)和走向來(lái)實(shí)現(xiàn)模擬葉脈, 運(yùn)用拉普拉斯算法對(duì)葉面區(qū)域進(jìn)行彎曲操作, 使得大豆葉面模型達(dá)到了曲面彎曲效果, 并證明了實(shí)驗(yàn)得到的大豆葉片模型對(duì)于大豆的研究具有一定的價(jià)值. Wang 等人[4]首次嘗試將來(lái)自大豆植株不同部位的葉片圖像特征描述子進(jìn)行聯(lián)合用于識(shí)別大豆品種, 使用多尺度滑動(dòng)弦來(lái)測(cè)量葉片圖像的外部形狀和內(nèi)部特征, 他們的實(shí)驗(yàn)結(jié)果證明了大豆葉片中品種信息的可獲得性. 這些研究都在不同程度上促進(jìn)了大豆品種的鑒別、選擇和生產(chǎn),為提高大豆產(chǎn)量和緩解糧食危機(jī)問題提供了理論基礎(chǔ).

在圖1 中, 我們列舉了5 張大豆葉片圖像(見圖1中的第1 行), 它們分別取自不同品種的大豆植株的下部. 通過觀察, 我們可以發(fā)現(xiàn)同屬于同一物種的不同品種的大豆葉片具有高度相似的視覺模式, 很難從葉片圖像中提取獨(dú)特的葉片圖像形狀特征來(lái)用于大豆品種鑒別. 為了提取到可用于大豆品種識(shí)別的獨(dú)特的葉片圖像模式, 我們嘗試著手工標(biāo)注了這些葉片圖像的葉脈信息(見圖1 中的第2 行), 通過觀察這些葉脈圖像,可以直觀發(fā)現(xiàn)這些葉片圖像的葉脈結(jié)構(gòu)分布差異較大,可以作為大豆品種識(shí)別的一個(gè)重要線索, 因此研究大豆葉脈模式具有重要意義.

圖1 5 種不同品種的大豆葉片圖像及其人工標(biāo)注葉脈圖像

葉脈是指葉肉內(nèi)的維管組織及其周圍的機(jī)械組織,是植物的重要器官之一, 主要功能是輸送水和養(yǎng)料, 其在葉片上的分布情況稱為脈序[5,6]. 如圖2(a)所示, 這是一張大豆葉片圖像. 大豆葉片由葉肉和葉脈組成, 其中葉脈結(jié)構(gòu)較為復(fù)雜, 主要包括3 部分, 分別是一級(jí)葉脈、二級(jí)葉脈和細(xì)脈[7]. 一級(jí)葉脈, 也稱主脈, 位于葉片的中心位置, 與葉柄區(qū)域相連且具有較寬的脈寬. 二級(jí)葉脈, 也稱側(cè)脈, 其起點(diǎn)來(lái)自于一級(jí)葉脈兩側(cè), 脈寬小于一級(jí)葉脈. 細(xì)脈, 是自二級(jí)葉脈開始發(fā)出的葉脈, 其葉脈的寬度比二級(jí)葉脈的脈寬更小, 結(jié)構(gòu)也更加復(fù)雜多變. 許多研究都表明, 葉脈中包含著植物最為關(guān)鍵的各種生理信息和遺傳信息, 例如: 通過分析葉脈的位置和角度可以推斷葉片的發(fā)育形態(tài)和葉脈的生長(zhǎng)方向[8];主脈和側(cè)脈之間的分布情況能夠體現(xiàn)整株植物的結(jié)構(gòu)[9]. 因此, 葉脈是識(shí)別植物品種和分析植物生長(zhǎng)發(fā)育狀況極具參考價(jià)值的指標(biāo), 對(duì)大豆品種進(jìn)行葉脈分割有助于科學(xué)地研究各個(gè)品種大豆植株的結(jié)構(gòu)以及生長(zhǎng)情況, 同時(shí)對(duì)于大豆品種的基因研究和識(shí)別有著十分重要的研究?jī)r(jià)值.

圖2 大豆葉片圖像的葉脈結(jié)構(gòu)圖

大豆葉脈分割的挑戰(zhàn)來(lái)自于大豆葉脈結(jié)構(gòu)十分復(fù)雜, 葉脈像素寬窄度不相同, 部分葉脈區(qū)域的像素點(diǎn)灰度值沒有發(fā)生激烈變化, 具有非常低的對(duì)比度, 直接借助灰度信息分割葉脈幾乎不可能達(dá)到很好的效果. 同時(shí), 葉片受溫度、土壤、水分、養(yǎng)分等生長(zhǎng)條件的影響, 會(huì)出現(xiàn)受光不均勻、枯黃、縮卷等情況, 這些都會(huì)對(duì)大豆葉脈分割研究造成很大的挑戰(zhàn).

本文專注于基于圖像處理技術(shù)大豆葉脈分割問題.我們提出了組合多尺度灰度無(wú)約束擊中或擊不中變換(unconstrained hit-or-miss transform, UHMT)算法[10]和基于色調(diào)飽和度亮度(hue-saturation-intensity, HSI)顏色空間[11]的色調(diào)(hue)信息處理方法的葉脈分割方法. 該方法結(jié)合紅綠藍(lán)(red-green-blue, RGB) 顏色空間[12]中的灰度信息和HSI 顏色空間中的色調(diào)信息,分別從大豆葉片圖像中分割出全局葉脈和局部一級(jí)、二級(jí)葉脈. 其中, 灰度信息可以實(shí)現(xiàn)葉片區(qū)域提取, 同時(shí)結(jié)合多尺度灰度UHMT 算法能夠很好地分割出全局葉脈, 而HSI 顏色空間的色調(diào)信息能夠擴(kuò)大一級(jí)、二級(jí)葉脈和細(xì)脈之間的差異, 更加完整地分割一級(jí)、二級(jí)葉脈. 為研究該方法的有效性, 我們使用了大豆品種葉片圖像數(shù)據(jù)庫(kù)SoyCultivar[13]中的大豆葉片圖像來(lái)驗(yàn)證實(shí)驗(yàn). 對(duì)實(shí)驗(yàn)結(jié)果中葉脈圖像進(jìn)行觀察與分析,證明了本方法對(duì)大豆葉脈分割的有效性.

1 相關(guān)工作

近年來(lái), 計(jì)算機(jī)視覺和圖像處理技術(shù)高速發(fā)展, 葉脈模式分析已經(jīng)成為了研究的熱門課題, 植物葉脈分割方法研究也已有了大量成果. 現(xiàn)將葉脈分割方法分為4 類, 分別基于區(qū)域、邊緣、聚類和神經(jīng)網(wǎng)絡(luò).

基于區(qū)域的分割方法根據(jù)圖像的顏色、紋理、像素分布規(guī)則等特征, 把圖像中的像素點(diǎn)劃歸到不同的區(qū)域中[14]. 針對(duì)傳統(tǒng)的閾值分割方法無(wú)法區(qū)分多類別的目標(biāo)圖像的問題, 吳志輝[15]提出一種最大類間方差法和最大熵法結(jié)合的方法, 基本上能夠有效地將葉脈從包含背景和葉肉的圖像中分割出來(lái), 但仍有部分葉肉像素點(diǎn)沒有被正確分割. 金秋春等人[16]采用高斯梯度法計(jì)算出水平和垂直兩個(gè)方向的梯度, 設(shè)計(jì)8 個(gè)不同方向的頂帽變換算子進(jìn)行變換, 主葉脈和側(cè)葉脈提取完整清晰. Larese 等人[17]和Grinblat 等人[18]使用UHMT 方法對(duì)葉脈模式進(jìn)行分割.

基于邊緣的分割方法的分割原理是: 在一張圖片中, 屬于不同類別的區(qū)域的邊界位置像素點(diǎn)的灰度值差異較大[19]. 使用這一類方法, 可以檢測(cè)出圖像中各個(gè)區(qū)域的邊緣, 從視覺效果分析大體滿足了圖像的分割要求. 田甜等人[20]結(jié)合植物葉脈特有的形狀和組成結(jié)構(gòu), 對(duì)原始4 個(gè)方向的索貝爾算子進(jìn)行了改進(jìn), 構(gòu)造出了8 個(gè)方向的索貝爾算子, 用于植物葉脈的分割, 大體上能夠提取出清晰的葉脈, 但部分非常細(xì)小的葉脈未被提取出來(lái). 朱鵬[21]選擇Canny 算子進(jìn)行邊緣檢測(cè)操作, 初步提取出葉脈, 同時(shí)對(duì)hue 信息進(jìn)行分割, 在此基礎(chǔ)上, 利用形態(tài)學(xué)方法和小波變換對(duì)分割結(jié)果進(jìn)行處理、整合, 從而實(shí)現(xiàn)葉脈分割. 任克強(qiáng)等人[22]試圖將模糊增強(qiáng)方法運(yùn)用到了邊緣檢測(cè)算法中, 并對(duì)Canny算子進(jìn)行了改進(jìn), 共同實(shí)現(xiàn)葉脈分割, 該方法雖然可以完整地分割出葉脈邊緣, 但對(duì)邊界模糊性的敏感度不夠. 汪濤等人[8]利用霍夫變換技術(shù)尋找一級(jí)葉脈的位置, 并確定和區(qū)分葉片兩端的端點(diǎn)位置, 然后進(jìn)行角點(diǎn)檢測(cè)來(lái)搜尋一級(jí)葉脈和二級(jí)葉脈的交點(diǎn), 從交點(diǎn)出發(fā)確定二級(jí)葉脈的位置, 這種方法能夠很好地提取出一級(jí)葉脈和二級(jí)葉脈, 同時(shí)一級(jí)和二級(jí)葉脈夾角測(cè)量結(jié)果較為準(zhǔn)確. 張立紅等人[23]利用霍夫變換檢測(cè)植物葉脈圖像并且消除圖像噪聲, 其效果好于普通的微分檢測(cè)算子的效果, 邊緣線更加平滑, 噪聲更少. 由于葉脈結(jié)構(gòu)十分復(fù)雜, 僅處理葉片的亮度信息實(shí)現(xiàn)葉脈分割效果很差, 馬全軍等人[24]采用方向能量模型來(lái)實(shí)現(xiàn)邊緣檢測(cè), 從不同方向計(jì)算像素點(diǎn)的方向能量, 通過計(jì)算結(jié)果對(duì)比選定最佳的方向和大小, 從而能夠更加高效且準(zhǔn)確地進(jìn)行葉脈邊緣分割. 實(shí)驗(yàn)結(jié)果證明了這種方法對(duì)普通葉片和包含陰影區(qū)域的葉片都能起到很好的分割作用, 一級(jí)和二級(jí)葉脈信息分割完整.

基于聚類的分割方法通過計(jì)算圖像中各個(gè)像素點(diǎn)之間的相似程度, 把相似程度高的像素點(diǎn)劃分為一類,以期在最短的時(shí)間內(nèi)分出盡可能少的類, 同時(shí)保證同類差異小、不同類差異大. 李燦燦等人[25]提出一種基于K 均值聚類的葉脈分割算法, 依據(jù)HSI 顏色空間中的I 信息區(qū)分葉片圖像受光是否均勻, 將圖像分為兩類, 分別對(duì)這兩類有差異地進(jìn)行聚類處理, 這種方法能夠顯著降低葉脈分割的錯(cuò)分率, 但不能處理葉脈比葉肉亮度大的葉片圖像. 宣旭峰等人[26,27]考慮了葉片受光是否均勻以及葉片是否枯黃, 將葉片分為4 個(gè)類別,在HSV 顏色空間信息與直方圖信息基礎(chǔ)上, 使用快速模糊C 均值聚類算法用于區(qū)分這4 種類別并進(jìn)行葉脈分割. 徐艷蕾等人[28]、李永亮等人[29]、楊澤靜等人[30]均將模糊邏輯運(yùn)用到葉脈分割方法中, 分別與形態(tài)學(xué)相結(jié)合, 用來(lái)克服自然環(huán)境中噪聲的影響, 提高了葉脈檢測(cè)效果. 其中文獻(xiàn)[30]第一步使用了大津法來(lái)獲得葉片區(qū)域, 然后使用Canny 算子進(jìn)行葉脈邊緣檢測(cè), 得到較為粗糙的葉脈, 為了提取更加準(zhǔn)確的葉脈, 運(yùn)用了模糊聚類方法對(duì)已得到的葉脈像素點(diǎn)分類, 提取出更加精細(xì)、準(zhǔn)確的葉脈信息. 模糊聚類方法很好地降低了光照差異對(duì)提取結(jié)果的影響.

基于神經(jīng)網(wǎng)絡(luò)的分割方法, 是一種借助已有的圖形特征, 不斷進(jìn)行學(xué)習(xí)和自我優(yōu)化的方法, 能夠自主提煉出很多圖像中的有效信息. 趙卓英等人[31]運(yùn)用細(xì)胞神經(jīng)網(wǎng)絡(luò)進(jìn)行葉脈分割, 通過合理地對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行設(shè)計(jì), 最終網(wǎng)絡(luò)分割出的葉脈信息較為理想, 但需花費(fèi)大量的時(shí)間. Li 等人[32]將主動(dòng)輪廓技術(shù)運(yùn)用到細(xì)胞神經(jīng)網(wǎng)絡(luò)上, 實(shí)現(xiàn)了更加靈活、準(zhǔn)確地提取葉脈結(jié)構(gòu). Fu 等人[33,34]做出了使用人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型進(jìn)行葉脈分割的嘗試, 網(wǎng)絡(luò)模型選用包括灰度值在內(nèi)的10 個(gè)參數(shù)作為輸入層. 隨著深度學(xué)習(xí)研究的不斷深入,基于語(yǔ)義的圖像分割技術(shù)同樣也可以用于葉脈分割工作. Xu 等人[35]人工標(biāo)注葉脈信息, 得到葉脈標(biāo)簽圖, 并在原圖和標(biāo)簽圖上圈出感興趣的區(qū)域, 構(gòu)造出兩個(gè)數(shù)據(jù)集, 分別傳入U(xiǎn)-Net 網(wǎng)絡(luò)進(jìn)行訓(xùn)練, 優(yōu)化模型參數(shù),并對(duì)葉片圖像進(jìn)行預(yù)測(cè), 與人工標(biāo)注的標(biāo)簽圖進(jìn)行定量比較, 得到模型的性能評(píng)價(jià)結(jié)果.

這些方法雖然各有千秋, 但將這些方法運(yùn)用到大豆品種葉片圖像的葉脈分割研究時(shí), 效果并不理想.到目前為止, 專注于大豆品種的葉脈分割研究還沒有發(fā)現(xiàn), 因此, 本文聚焦不同品種的大豆葉片圖像, 利用RGB 顏色空間中的灰度信息和HSI 顏色空間中的色調(diào)信息, 提出多尺度灰度UHMT 算法和基于HSI顏色空間的色調(diào)信息處理方法, 分別用于從大豆葉片圖像中分割出全局葉脈和局部一級(jí)、二級(jí)葉脈. 基于灰度信息, 首先采用迭代閾值分割方法分割葉片, 通過膨脹腐蝕消除葉片外輪廓以及葉柄等干擾因素, 得到葉片區(qū)域圖像. 并利用多尺度灰度UHMT 算法分割出全局葉脈圖像. 基于色調(diào)信息, 使用圖像對(duì)比度增強(qiáng)方法擴(kuò)大葉脈與其他像素點(diǎn)灰度值差異, 以分割局部一級(jí)、二級(jí)葉脈. 該方法不僅能完整、清晰地分割出大豆葉脈, 而且消除了背景、葉片外輪廓和葉柄等干擾因素, 通過實(shí)驗(yàn)可證明該方法對(duì)大豆葉脈分割的有效性.

2 葉脈分割方法

本文的葉脈分割流程圖如圖3 所示, 包含4 個(gè)部分, 分別是葉片圖像的預(yù)處理、多尺度灰度UHMT 算法分割全局葉脈、基于HSI 顏色空間的色調(diào)信息分割局部一級(jí)、二級(jí)葉脈以及全局葉脈圖像與局部一級(jí)、二級(jí)葉脈圖像的融合. 實(shí)現(xiàn)細(xì)節(jié)將在后面逐一說明.

圖3 葉脈分割流程圖

2.1 葉片圖像的預(yù)處理

葉片圖像的預(yù)處理包括提取葉片區(qū)域、消除背景、去掉葉片外輪廓和葉柄等操作, 下面介紹具體的技術(shù)細(xì)節(jié).

大豆葉片圖像中往往包含背景區(qū)域, 背景中?；祀s著一些干擾信息和噪聲點(diǎn), 影響大豆葉脈分割結(jié)果. 因而, 有必要將葉片區(qū)域和非葉片區(qū)域分開, 提取葉片區(qū)域.

具體算法步驟如下:

(1) 利用式(1)將葉片彩色圖像rgb轉(zhuǎn)化為灰度圖gray, 用于去除圖像中的所有顏色信息.

5) 重復(fù)第2)-4)步, 直到滿足條件|T-T0|＜0.5.

(3) 利用形態(tài)學(xué)中的填充孔洞算法, 刪除葉片區(qū)域內(nèi)多余的噪聲點(diǎn).

(4) 去除背景區(qū)域的干擾信息, 僅保留葉片區(qū)域圖像中最大連通分量.

(5) 利用形態(tài)學(xué)膨脹腐蝕操作, 去除葉柄和葉片外輪廓, 得到去除葉片外輪廓和葉柄的葉片區(qū)域圖像.

2.2 多尺度灰度UHMT 算法分割全局葉脈

考慮到灰度UHMT 算法的主要原理是計(jì)算區(qū)域內(nèi)的像素灰度值的最大最小值的差值, 復(fù)合算子設(shè)計(jì)不同會(huì)造成算法結(jié)果不同. 為盡可能地降低復(fù)合算子的設(shè)計(jì)對(duì)實(shí)驗(yàn)結(jié)果的影響, 本文將灰度圖像的大小縮放到原圖的100%、90%、80%、70%、60%. 使用UHMT 方法分別處理這5 個(gè)尺度的灰度圖像, 將得到的灰度葉脈圖恢復(fù)至原圖大小并取每個(gè)像素點(diǎn)對(duì)應(yīng)的5 個(gè)不同葉脈圖的5 個(gè)值中的最大值, 得到組合后的灰度葉脈圖像. 根據(jù)大豆葉片的葉脈像素點(diǎn)分布特點(diǎn), 設(shè)計(jì)了4 個(gè)復(fù)合算子B1、B2、B3、B4, 分別代表傾斜角為0°、45°、90°、135°的方向. 每個(gè)復(fù)合算子Bi(i=1, 2, 3, 4) 都包含一個(gè)前景算子Bif和一個(gè)背景算子Bib, 如圖4 所示. 在Bf中, 1 代表葉脈區(qū)域, 0 代表非葉脈區(qū)域; 在Bb中, 1 代表非葉脈區(qū)域, 0 代表葉脈區(qū)域.每個(gè)復(fù)合算子的中心位置為前景算子Bf中標(biāo)為1 的陰影部分位置.

圖4 UHMT 算法的復(fù)合算子

使用自適應(yīng)直方圖均衡化方法, 對(duì)組合后的灰度葉脈圖像進(jìn)行對(duì)比度增強(qiáng). 同時(shí), 使用自適應(yīng)閾值算法,將灰度葉脈圖像轉(zhuǎn)化為二值葉脈圖像, 并刪除像素點(diǎn)個(gè)數(shù)小于5 的連通分量. 通過上述一系列操作, 最終得到一個(gè)全局葉脈圖像BI1.

2.3 基于HSI 顏色空間的色調(diào)信息分割局部一級(jí)、二級(jí)葉脈

HSI 顏色空間由3 個(gè)分量組成, 它們分別是色調(diào)H (hue)、飽和度S (saturation)和強(qiáng)度I (intensity), 其中色調(diào)表示顏色的類別, 飽和度表示顏色的鮮艷程度,強(qiáng)度表示光亮程度[36]. HSI 顏色空間的表示方式最貼合人類的視覺系統(tǒng)認(rèn)知顏色的方式, 其中色調(diào)信息是人類能夠感知和區(qū)分顏色的一個(gè)重要信息來(lái)源, 能夠區(qū)分細(xì)微的顏色差異, 在分割葉脈一級(jí)葉脈和二級(jí)葉脈方面能夠取得很好的效果[37].

HSI 模型各分量與RGB 模型各分量的數(shù)學(xué)關(guān)系可以表示為式(6)-式(8)[11]:

2.4 全局葉脈圖像與局部一級(jí)、二級(jí)葉脈圖像的融合

將第2.2 節(jié)中得到的全局葉脈圖像BI1和第2.3 節(jié)中得到的局部一級(jí)、二級(jí)葉脈圖像BI2進(jìn)行融合, 得到最終完整的大豆葉脈圖像BI. 由于全局葉脈圖像BI1和局部一級(jí)、二級(jí)葉脈圖像BI2均為二值圖像, 且每個(gè)像素點(diǎn)的取值均為0 或1, 所以圖像融合的方法可采用兩張圖像對(duì)應(yīng)像素點(diǎn)取并集, 對(duì)應(yīng)的數(shù)學(xué)公式如下:

其中,BI1(x,y)和BI2(x,y)分別表示全局葉脈圖像BI1和局部一級(jí)、二級(jí)葉脈圖像BI2中位置坐標(biāo)為(x,y)的像素點(diǎn)的值,BI(x,y)表示最終的大豆葉脈圖像BI中位置坐標(biāo)為(x,y)的像素點(diǎn)的值.

3 實(shí)驗(yàn)結(jié)果對(duì)比與分析

本文使用大豆品種葉片圖像數(shù)據(jù)庫(kù)SoyCultivar[13]中的大豆葉片圖像來(lái)進(jìn)行實(shí)驗(yàn), 驗(yàn)證本方法的實(shí)驗(yàn)結(jié)果. 該數(shù)據(jù)庫(kù)共有1 200 個(gè)樣本, 分別采集自中國(guó)大豆主產(chǎn)區(qū)吉林省長(zhǎng)春市的200 個(gè)品種的大豆植株, 每個(gè)品種隨機(jī)采集不同植物的上部、中部和下部各2 片葉子, 然后由分辨率為600DPI、48 位真彩色設(shè)置的EPSON V850 Pro 掃描儀通過反射掃描葉片正面得到.

以編號(hào)為imgyd178_R1_4_t 的大豆葉片圖像為例,圖5 展示了本文算法中各個(gè)模塊的實(shí)驗(yàn)結(jié)果. 圖5(a)是大豆葉片原圖, 為彩色圖像. 圖5(b)是灰度圖像, 是由原圖進(jìn)行灰度化操作獲得的, 摒棄了葉片顏色信息.圖5(c)是分割的葉片區(qū)域圖像, 具體操作步驟包括對(duì)灰度圖進(jìn)行迭代閾值分割、填充孔洞和保留最大連通分量操作, 可以看到葉片區(qū)域分割完整. 圖5(d)是去除葉柄和葉片外輪廓后的葉片區(qū)域圖像, 主要運(yùn)用了形態(tài)學(xué)的腐蝕和膨脹操作, 這個(gè)操作很好地消除了背景以及葉片外輪廓、葉柄等無(wú)關(guān)成分. 圖5(e)是全局葉脈圖像, 是通過多尺度灰度UHMT 算法對(duì)灰度圖像的葉片區(qū)域進(jìn)行處理獲得的. 圖像中細(xì)脈分割清晰, 但部分一級(jí)和二級(jí)葉脈有缺損. 因此, 需要利用HSI 顏色空間中的色調(diào)信息獲取局部一級(jí)、二級(jí)葉脈. 圖5(f)是利用色調(diào)信息分割得到的局部一級(jí)、二級(jí)葉脈圖, 具體操作步驟包括圖像對(duì)比度增強(qiáng)、自適應(yīng)閾值分割、設(shè)計(jì)算子檢測(cè)主側(cè)脈. 圖5(g)為最終大豆葉脈圖, 它是由全局葉脈圖和局部一級(jí)、二級(jí)葉脈圖進(jìn)行圖像融合得到的. 通過觀察, 我們可以發(fā)現(xiàn)整張葉片圖像提取到的葉脈十分完整, 一級(jí)、二級(jí)葉脈清晰.

圖5 本文算法實(shí)驗(yàn)結(jié)果圖

將文獻(xiàn)[17]、文獻(xiàn)[30]與本文方法的實(shí)驗(yàn)結(jié)果進(jìn)行比較. 圖6 為3 種算法的實(shí)驗(yàn)結(jié)果對(duì)比圖, 一共3 組大豆葉片圖像. 每行圖像從上到下依次表示原圖、文獻(xiàn)[17]灰度UHMT 方法分割結(jié)果、文獻(xiàn)[30] Canny邊緣檢測(cè)和局部模糊聚類方法分割結(jié)果以及本文算法分割結(jié)果. 通過觀察圖6 中的3 種算法的葉脈分割實(shí)驗(yàn)結(jié)果圖, 我們可以看出, 文獻(xiàn)[17]葉脈分割總體效果比較好, 但是一級(jí)葉脈幾乎都沒有分割出來(lái), 并且實(shí)驗(yàn)結(jié)果包含著葉柄和葉片輪廓信息. 文獻(xiàn)[30]葉脈分割效果時(shí)好時(shí)壞, 受葉片顏色和光照角度影響大, 魯棒性差, 例如從視覺效果上看第1 個(gè)大豆葉片圖像的分割準(zhǔn)確度明顯高于第2 個(gè)和第3 個(gè)大豆葉片圖像的分割結(jié)果. 與文獻(xiàn)[17]相同, 文獻(xiàn)[30]使用的葉脈分割算法, 其實(shí)驗(yàn)結(jié)果圖也存在主側(cè)脈不清晰、葉柄及葉片外輪廓去除不干凈、葉肉噪聲點(diǎn)多的問題.

由于本次實(shí)驗(yàn)采用的大豆數(shù)據(jù)集均為高分辨率葉片圖像, 因此圖6 中展示的實(shí)驗(yàn)結(jié)果圖只能大致觀察出一級(jí)和二級(jí)葉脈的分割效果, 對(duì)于細(xì)脈的分割效果很難觀察出. 為了更好地觀察葉脈分割細(xì)節(jié), 我們對(duì)3 種方法得到的葉脈分割圖像截取部分區(qū)塊, 進(jìn)行放大對(duì)比, 以判斷各算法在細(xì)脈分割方面的效果. 這里我們將兩張大豆葉片圖像, 用3 種算法分別進(jìn)行葉脈分割,再在實(shí)驗(yàn)結(jié)果圖上分別截取兩個(gè)位置不同、大小為200×200 的切片, 并進(jìn)行放大. 將這些切片的原圖和實(shí)驗(yàn)結(jié)果圖進(jìn)行對(duì)比, 對(duì)比圖如圖7 所示. 通過觀察圖7中的一級(jí)葉脈、二級(jí)葉脈和細(xì)脈的分割結(jié)果, 我們能夠直觀感受到本文算法在大豆葉脈分割研究中更勝一籌. 對(duì)比文獻(xiàn)[17]和本文算法實(shí)驗(yàn)結(jié)果圖, 不難發(fā)現(xiàn)本文算法比文獻(xiàn)[17]算法提取到的細(xì)脈信息更加完整,文獻(xiàn)[17]中細(xì)脈存在一定程度的缺失, 連續(xù)性不夠. 文獻(xiàn)[30]的實(shí)驗(yàn)結(jié)果要明顯差于文獻(xiàn)[17]和本文算法的實(shí)驗(yàn)結(jié)果, 主要原因是Canny 算子是邊緣檢測(cè)算子,檢測(cè)到的是葉脈的邊緣, 而不是全部葉脈像素點(diǎn). 因此造成了噪聲像素點(diǎn)非常多, 各級(jí)葉脈脈寬過大且中空的問題. 而本文算法的實(shí)驗(yàn)結(jié)果圖中, 整體上葉脈結(jié)構(gòu)信息完整, 主側(cè)脈清晰完整, 細(xì)脈的分割結(jié)果雖然也存在部分細(xì)脈像素點(diǎn)丟失的問題, 但明顯比文獻(xiàn)[17]和文獻(xiàn)[30]的分割效果好.

圖6 本文提出大豆葉脈分割算法與文獻(xiàn)[17]、文獻(xiàn)[30]提出的葉脈分割效果的對(duì)比

綜上所述, 本文算法分割出的葉脈結(jié)果圖中, 各級(jí)葉脈均能夠清晰、完整地分割出來(lái), 效果優(yōu)于文獻(xiàn)[17]和文獻(xiàn)[30]提出的葉脈分割算法. 并且, 實(shí)驗(yàn)結(jié)果圖中葉柄以及葉片外輪廓消除得十分干凈, 噪聲像素點(diǎn)幾乎沒有. 因此, 可以得出本文提出的算法適用于大豆品種葉片圖像的葉脈分割的結(jié)論.

4 結(jié)論與展望

本文聚焦于大豆葉脈分割方法, 針對(duì)現(xiàn)有的葉脈分割方法普遍存在的葉脈分割不完整、干擾信息多、精確度低的問題, 提出用多尺度灰度UHMT 算法和基于HSI 顏色空間的色調(diào)信息處理方法, 分別分割全局葉脈和局部一級(jí)、二級(jí)葉脈, 并結(jié)合形態(tài)學(xué)方法消除葉柄、葉片外輪廓和背景的干擾. 實(shí)驗(yàn)結(jié)果表明, 本文采用的方法能夠很好地分割大豆葉片圖像的葉脈結(jié)構(gòu),葉脈圖像清晰、完整, 僅含有較少的無(wú)關(guān)像素點(diǎn). 未來(lái),我們的研究工作將聚焦于細(xì)粒度葉脈分割, 以實(shí)現(xiàn)葉脈的分級(jí)分割, 以及基于葉脈模式的品種識(shí)別.