微根窗圖像中根系的自動分割方法

石 銳，朱 鑫，劉 輝，劉晶淼，賈慶宇

1.重慶大學 計算機學院，重慶 400044

2.中國氣象局沈陽大氣環境研究所，沈陽 110016

微根窗圖像中根系的自動分割方法

石 銳1，朱 鑫1，劉 輝1，劉晶淼2，賈慶宇2

1.重慶大學 計算機學院，重慶 400044

2.中國氣象局沈陽大氣環境研究所，沈陽 110016

1 引言

根系的生長狀況對植物有著至關重要的影響，根據根系的生長情況可以得出該地區的氣候特征及土壤特性，對根系進行研究的意義是重大的，然而根系是隱藏在地表下的，不易對其直接觀察，采用由人工取根、洗根來獲得根構型參數的方法，不僅浪費時間、人力和物力，而且易造成根部損壞[1]。

微根窗技術的提出給植物根系的研究帶來了很大的方便[2]，使得直接在土壤中觀測植物的生長狀況成為了可能。為了從圖像中獲取根構型參數，首先需要對微根窗圖像進行分割提取出植物根系，然后對分割得到的二值圖像使用形態學的方法計算出根系的直徑、長度、面積、體積等參數，對定期獲取的植物根部圖像進行處理，可分析根系形態參數的變化，通過這些變化來研究植物的生長狀況。如何從有著復雜背景的微根窗圖像中精確提取出植物根系是獲得根構型參數前提。

目前，國內外關于微根窗圖像的根系自動分割方法的研究較少，只有Guang Zeng等人提出了有效的自動分割算法，該方法利用根系橫截面灰度分布特征，在高斯匹配濾波預處理的基礎上采用局部閾值分割[3]方法來提取根系的方法，取得了較好的分割效果[4-5]。該方法已經被集成到微根窗圖像分析軟件Rootfly，并被應用到具體的實踐中，但是該方法可能會丟失根系分叉點及細小較暗的根系。本文根據實際根系圖像的特點，提出了一種新的自動提取微根窗圖像中根系的方法。該方法首先提取微根窗圖像中根系的中心線，然后計算中心線上各像素的方向，使用定向局部對比度方法檢測中心線兩側根系像素，得到最終分割的圖像。該方法在分割的同時還可以準確地計算根系邊界及直徑。

2 微根窗圖像的采集

微根窗技術因其能夠在不影響根系生長狀態的前提下在土壤中通過圖像記錄直接觀測植物根系的生長情況而被廣泛應用于植物的根系研究分析中，微根窗技術已經成為最有前途的研究根系生態學的方法，該技術一個典型的微根窗圖像采集系統如圖1所示。該采集系統由插入土壤中微根窗管、標定手柄、控制器、攝像機和一臺計算機構成。由于微根窗圖像采集系統長期深入土中采集根系圖像，圖像的采集環境較差，光的衍射、光照不均勻、攝像頭聚焦不良等因素都會導致圖像變得不清晰，圖像對比度差，且采集到的圖像背景中含有很多灰度值與根系相似的土壤顆粒及碎石，給圖像分割帶來很大困難。

圖1 微根窗圖像采集系統

3 根系的自動分割

因為根系圖像的綠色分量圖對比度較高，所以采用綠色分量圖進行處理。根系圖像的綠色分量圖如圖2所示，圖像中背景區域像素較暗，而根系像素及一些碎石等噪聲像素較亮，直接使用基于閾值的方法進行分割會將一些噪聲識別成根系，且分割后的根系是間斷的，不連續的，分割效果較差；使用基于分類[6-7]的方法將圖像中每個像素劃分為背景和目標，由于圖片質量較差，背景復雜，對圖像進行特征提取比較困難，且基于分類的方法需要大量的先驗知識，而這些先驗知識在現實中是很難獲取到的，所以基于分類的方法也不適用于處理該類圖像。

圖2 微根窗圖像

觀察圖像可以發現，圖像中根系的網絡結構較為清晰，所以本文提出的自動分割方法先進行根系中心線提取，然后檢測根系中心線上的端點，再根據端點將中心線分割成線段，計算中心線線段上每個像素的方向信息，根據方向信息使用改進的DLC方法檢測根系中心線附近的根系像素，得到最終的分割結果，具體步驟如下。

3.1 根系中心線的提取

采用文獻[8]提出的基于脊線檢測的方法在原始圖上提取根系中心線。首先對獲取到的原始圖像進行脊線檢測[9]，此時得到的脊線既包含微根窗圖像的根系中心線，也包含大量的非根系像素點，然后對圖像進行預處理：由于微根窗圖像采集過程中有光照不均的情況出現，所以使用公式（1）先進行圖像照度均衡處理，

式中I為原圖像，m=128，Iw表示以(x，y)為中心的大小為w×w窗口的均值，Ieq是均衡后的圖像；由于圖像中根系的對比度較差，且根系粗細不一，采用多尺度top-hat變換對照度均衡后的圖像進行形態增強處理。然后將增強圖像進行otsu閾值分割，將各尺度的分割結果求和再與脊線檢測得到的結果相與得到最終的根系中心線。為去除碎石，土壤顆粒等噪聲的影響，采用長度濾波方法，將長度小于20的中心線去除。基于脊線檢測的中心線提取方法能夠檢測出對比度較低和細小的根系，且提取到的根系中心線整體連續性較好，通過此方法得到的微根窗圖像的根系中心線如圖3所示。提取到中心線后下一步驟就是將其分段，計算各段上的像素方向，進而檢測根系像素。

圖3 中心線提取圖

3.2 根系中心線端點檢測

根系中心線是一個寬度為單像素的根系交叉二值圖像，其中根系中心線灰度值為1，背景灰度值為0，該圖像清晰地展現了微根窗圖像中根系的形態特征，將中心線上像素點分成以下三種類型：

（1）終點，此類像素點的8-鄰域中只有一個像素點在根系中心線上，在根系上表現為根系的起始點或者根系的末端點，如圖4中的點 p1和 p2。

（2）分支點，此類像素點的8-鄰域中有3個或3個以上的像素點在根系中心線上，且這3個像素相互間不存在4-鄰域的情況，在根系上表現為根系的分叉點，如圖4中的點p3和p4。

（3）普通連接點，此類像素點的8-鄰域中有2個像素點在根系中心線上，在根系上表現為根系的中間點，如圖4中的點p5。

圖4 端點示意圖

使用公式（2）計算根系中心線上每個像素點 p的8-鄰域中灰度值為1的像素點個數C(px，py)：

根據C(px，py)的值提取出分支點和終點，C(px，py)的值為1對應的像素點為終點，C(px，py)的值大于等于3且8-鄰域根系中心線像素之間不存在4-鄰域對應的像素點為分支點，圖4標記出了根系中心線圖像的所有分支點和終點。

將連接分支點與分支點之間的根系中心線稱為主干，連接終點與終點或者分支點與終點之間的根系中心線稱為分支，提取出圖4中根系中心線的所有主干與分支，便于后續的根系像素檢測。

3.3 根系中心線各像素方向計算

對所有主干和分支，分別計算每個像素點的方向。從分支點和終點出發，設 pk為當前像素點，距離 pk長度為d個像素的點設為 pk+d，用如下公式計算像素點 pk的方向。

式中，?y為垂直方向的增量即行增量，?x為水平方向的增量即列增量，?y為 pk+d與 pk的行坐標之差，?x為 pk+d與 pk的列坐標之差，角度以x軸為基準度量，計算所有主干與分支線段各像素的方向信息，獲取根系中心線所有像素點的方向。

3.4 根系像素的檢測

通過分析根系橫截面的灰度輪廓發現距離根系中心線越遠的點灰度值越小[10]，圖5為圖2中其中一條根系正面的橫截面的灰度級輪廓，因此在獲取微根窗圖像中根系中心線的位置和方向后，使用定向局部對比度（DLC）算法[11]

圖5 橫截面灰度輪廓圖

來檢測中心線兩側的根系像素。

DLC值可用公式（4）求得：

圖6 DLC方法示意圖及檢測結果

定向局部對比度方法可以檢測到大部分根系像素，但將該方法直接用于微根窗圖像根系分割中還需解決如下問題：定向局部對比度方法只沿與中心線像素方向垂直的θ方向檢測根系像素，當根系存在弧度時，檢測到的根系像素之間會存在間隙，需要對這些可能出現的間隙填充或者在檢測的時候防止此類間隙的出現。本文在沿θ方向檢測根系像素時，對于每個中心線像素還分別沿θ±?θ的方向進行檢測，從而解決了這一問題；根系上可能會有灰度值較小的暗斑，在用定向局部對比度方法檢測到這些像素時，得到的DLC值要小于設定的閾值T，這時不能直接認定該像素不屬于根系，需要繼續沿θ方向檢測，如果之后的連續兩個像素的DLC值仍小于閾值T，則認定這三個像素不是根系像素，這三個像素之前檢測到DLC值大于閾值T的像素為根系的邊界，在沿θ方向和θ的反方向檢測時可以獲取到根系的兩個邊界像素，這時便可求出此段根系的直徑[12]：

4 實驗結果及分析

4.1 實驗分割結果

實驗系統配置為：1.6 GHz主頻，2 GB內存的雙核PC機，程序運行在MATLAB R2012a軟件環境下，實驗中使用現實環境中采集到的微根窗圖像來驗證本文所提出算法的實用性，圖像大小為600像素×400像素。設置實驗中的步長參數d=4，DLC檢測時使用的鄰域長度r=6，角度偏移量偏?θ=15°，閾值T=0.02，應用此算法對采集到的微根窗圖像進行根系分割的結果如圖7所示，第一行為原始的微根窗圖像，第二行為Guang Zeng等人提出的算法進行分割的結果，第三行為本文算法得出的分割圖像，最下面一行為人工目視判讀分割出的結果，從圖中可以看出，Guang zeng提出的算法會丟失細小較暗的根系，對于根系直徑差別較大的多根圖像分割效果也不太理想，且該方法在得到初步分割結果后通過分類的方法區分根系與土壤顆粒、碎石等噪聲時需要大量的先驗知識，而這在現實中是很難得到的。本文所提出的方法可以很好地提取出細小較暗的根系，且對于直徑差別大的微根窗圖像也有良好的分割效果，在進行分割的同時還可以獲取每段根系的直徑，便于后續對根系參數的定量分析[13-14]。

圖7 分割效果對比

4.2 算法性能量化分析

本文提取了20張圖像作為實驗數據，表1是對這20張圖像分別使用Guang Zeng算法和本文算法進行分割的平均精度比較，表中正確提取率Ptrue，錯誤提取率Pfalse和準確率Pacc的計算公式如下：

其中，TN為正確分割為根系像素的個數，Nrp為標準圖像中根系像素的個數，FN為錯分為根系像素的個數，Nurp為標準圖像中背景像素的個數，TUN為正確分割為背景像素的個數[15]。從表1中可以看出本文提出的方法要優于Guan Zeng算法，在錯誤率提取上減少了1.14%，準確率增加了3.88%。

表1 平均分割精度 （%）

圖8為使用本文提出的算法對20張圖像進行分割后得到的分割性能度量圖，顯示了每幅圖像的分割準確率，錯誤提取率和正確率。

圖8 分割性能度量圖

5 結束語

微根窗技術的出現使得對根系生態學的研究有了較快的發展。目前，國內外對于微根窗圖像根系的自動分割及自動獲取根構型參數的研究還比較少，本文提出了基于根系中心線提取，確定中心線像素方向，使用定向局部對比度方法檢測根系像素的自動分割方法，充分利用了根系的生態特征，在對根系分割的同時可以準確獲取到根系的直徑信息，實驗證明該方法有較好的魯棒性，優于guang zeng提出的算法，具有一定的應用價值，但是繼續提高算法的性能及如何精確獲取根構型參數還有待于進一步的研究。

[1]白文明，程維信，李凌浩.微根窗技術及其在植物根系研究中的應用[J].生態學報，2005，25（11）：57-60.

[2]史建偉，于水強，于立忠.微根窗在細根研究中的應用[J].應用生態學報，2006，17（4）：715-719.

[3]Chauduri S，Chatterjee S，Katz N，et al.Detection of blood vessels in retinal images using two-dimensional matched filters[J].IEEE Trans on Medical Imaging，1989，8（2）：263-269.

[4]Zeng Guang，Birchfield S T.Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding[J].Machine Vision and Applications，2006，17（4）：265-278.

[5]Zeng Guang，Birchfield S T.Automatic discrimination of fine roots in minirhizotron images[J].New Phytologist，2008，177（2）：549-557.

[6]宋蓓蓓，韋娜.FCM分割和形態學的瀝青路面圖像裂縫提取[J].計算機工程與應用，2013，49（4）：35-38.

[7]謝意，楊玲.自適應模型的水平集圖像分割方法[J].計算機工程與應用，2011，47（27）：225-228.

[8]陳驥，劉尚平，彭承琳.利用脊線檢測實現視網膜血管中心線的精確提取[J].重慶大學學報，2011，34（8）：1-7.

[9]許燕，胡廣書，商麗華.基于Hessian矩陣的冠狀動脈中心線的跟蹤算法[J].清華大學學報：自然科學版，2007，47（6）：889-892.

[10]Nguyen U T V，Bhuiyan A.An effective retinal blood vessel segmentation method using multi-scale line detection[J].Pattern Recognition，2013，46（3）：703-715.

[11]Zhang M，Liu J C.Directional local contrast based blood vessel detection in retinal images[C]//IEEE International Conference on Image Processing.New York：IEEE Signal Processing Society，2007：317-320.

[12]陸建榮，斯海晨，郁道銀.冠狀動脈血管直徑測量方法的研究[J].中國生物醫學工程學報，2005，24（4）：510-512.

[13]周壽軍，楊俊，陳武凡.一種從X射線血管造影圖像中自動分割冠狀動脈的新方法[J].中國科學：F輯 信息科學，2007，37（12）：1531-1543.

[14]許燕，薛輝，胡廣書.用血管造影圖形分析的冠脈參數測量[J].清華大學學報，2008，48（3）：430-434.

[15]Staal J J，Abramoff M D，Niemeijier M，et al.Ridge based vessel segmentation in color images of the retina[J].IEEE Transations on Medical Imaging，2004，23（4）：501-509.

SHI Rui1,ZHU Xin1,LIU Hui1,LIU Jingmiao2,JIA Qingyu2

1.College of Computer Science,Chongqing University,Chongqing 400044,China
2.Shenyang Institute of Atmospheric Environment,Shenyang 110016,China

The growth status of roots can reflect the region’s climate and soil characteristics,and whether the root is flourishing or not can response the whole plant’s health.Research on the ecological parameter of root is the foundation of the root’s growth condition.Manual processing of minirhizotron images is time-consuming and strenuously,this paper puts forward a kind of automatic segmentation method in minirhizotron images.It extracts centerlines of minirhizotron images based on ridge detection, then computes the directional information of each pixel in centerlines,uses the directional local contrast method to detect pixels on either side of the centerline.Experimental results show that compared with the traditional method,this method is effective.

image segmentation;minirhizotron images;centerline;directional local contrast

植物根系的生長狀況可以反映該地區的氣候以及土壤特性，根系的發達與否也能夠反應整株植物的健康情況。研究根系的生態參數是研究根系生長狀況的基礎，目前對于微根窗圖像的處理都是通過人工手動方式實現的，費時費力。提出了一種微根窗圖像根系的自動分割方法，使用基于脊線檢測的方法獲取微根窗圖像中根系的中心線，計算中心線上所有像素點的方向，采用改進的定向局部對比度方法檢測出中心線兩側的根系像素得到分割后的圖像。實驗結果表明，與傳統分割方法相比，方法具有良好的分割效果。

圖像分割；微根窗圖像；中心線；定向局部對比度

A

TP391.41

10.3778/j.issn.1002-8331.1304-0423

SHI Rui,ZHU Xin,LIU Hui,et al.Automatic segmentation method in minirhizotron images.Computer Engineering and Applications,2013,49（23）：181-185.

科技部項目（No.2012EG137242）。

石銳（1968—），女，博士，副教授，主要研究方向為圖像處理與模式識別；朱鑫（1989—），男，碩士研究生，主要研究方向為計算機軟件與理論、圖像處理。E-mail：shirui99@163.com

2013-04-28

2013-05-21

1002-8331（2013）23-0181-05

CNKI出版日期：2013-08-27 http://www.cnki.net/kcms/detail/11.2127.TP.20130827.1602.007.html

book=185,ebook=190