基于計算機圖像處理技術的葉面特征參數無損測量研究進展

林雪梅 劉迎湖 謝利等

摘要相比傳統方法計算葉片特征參數，無損圖像處理技術無需采摘葉片，在保持植株完整株型的前提下為下一次數據測量提供了保障并應用先進的計算技術準確計算植株的各種特征值，無損圖像處理技術逐漸成為國內外學者研究植物生長形態的重要手段。介紹基于數碼技術的葉面積計算方法和基于圖像處理的葉片輪廓建模方法，概述數碼技術應用于葉面積計算的國內外研究進展，總結歸納葉片輪廓提取方法和擬合方法的優缺點，并指出應用圖像處理技術計算葉面積仍需進一步解決的問題。

關鍵詞無損測量；葉面積計算；圖像處理；輪廓建模

中圖分類號S176文獻標識碼A文章編號0517-6611（2014）23-08029-03

基金項目廣東省教育部產學研結合項目（2011B090400510）；廣東省教育部產學研結合項目（2012B091100480）。

作者簡介林雪梅（1989- ），女，廣東陽江人，碩士研究生，研究方向：生物數學與微分方程應用。*通訊作者， 副教授，碩士，碩士生導師，從事花卉栽培、能源植物資源與能源轉化技術以及草坪生態與環境管理研究。

收稿日期20140703葉片是植物光合作用的主要器官，其發育狀況和葉面積大小直接影響作物生長、抗病性及產量，葉片特征研究是植物生長研究的重要內容。獲取葉片特征參數，一般采用兩種方法：一種是傳統的破壞性測量，即隨機選取某一植株，有損地測量其葉面積、葉長等葉片特征參數及其干、鮮重量。此測量方法的結果雖準確但較為耗時繁瑣，不能大規模地搜集數據，且不能對同一植株進行連續的生長測量并破壞植株的生長平衡。二是采用接觸式傳感器測量植株葉面特征參數等。此方法雖然方便，但是成本高，傳感器的開發難度大，且在接觸植物的過程中不可避免地影響植物的生長狀態。因此，如何對植物生長連續快速地進行無損檢測，成為國內外學者的熱點研究內容。為此，筆者概述了國內外對無損測量中葉面積計算和葉片輪廓提取與模擬等方面的最新研究進展，并進一步指出相關研究還需解決的問題。

1葉面積無損測量技術

1.1圖片采樣技術圖片的采樣方法主要包括掃描采樣法、相機采樣法。其中，掃描采樣法在計算葉面積的像素法中應用較廣泛。自由路等通過掃描技術應用數字圖像法建立了測算葉面積的方法[2-6]。數字圖像法能快速、便捷、精確地計算葉面積，但應用也存在局限性：①不能一次測出多片葉子的單個面積；②受參照物面積的影響比較大，有時需要對計算結果進行校正才能得到準確的實際葉面積；③由于從獲取圖片到計算葉面積整個過程需要較多的時間，并不適合大量的葉面積測量工作；④葉片需要離體測量、破壞植物和采集圖像，如果出現傾斜則失真等。2002年鮑雅靜等首次提出利用普通相機采集照片通過像素法計算草片的實際面積，但需要將葉片剪下來[7]。

如何解決葉片圖像采樣過程中存在有損采樣、圖像失真以及計算技術等缺陷，成為國內外學者研究的熱點。

1.2無損測量葉面積的計算方法

1.2.1像素法。像素法是根據圖片像素在總像素中所占的比例得出圖像面積的一種計算方法，該方法源于網格法，主要應用于數字圖像。FematIDiaz等采用掃描儀獲得葉片的彩色圖像，與圖像處理方法相結合，用像素法計算葉面積[8]。

針對葉片圖像采樣過程中圖像存在有損測量的缺陷，曹志剛等利用數碼相機和手持標準面積板獲取葉片圖像，通過運行VB程序分析圖像計算葉面積，進行無損測算[9]。范克俊等對此方法進行了改良，利用數碼相機拍照獲取葉片和直尺的圖像，利用Photoshop軟件對圖像進行處理， 統計葉片的像素數和每平方厘米面積的像素數，從而計算葉片的實際面積[10]。

在無損測量中，采用數碼相機獲取圖像的方法得到廣泛的應用。馬彥平等以數字圖像處理技術與Visual C++6.0相結合進行區域標記與區域像素數統計，從而獲得玉米葉片實際面積[11]。Chen等用數碼相機獲取葉片的數字圖像，通過圖像處理技術獲得葉片的圖像像素點總數，根據葉片像素點總數與參考面像素點的總數之比得出葉面積系數，從而獲得單片葉片的總面積[12]。此方法對于表面有缺陷例如洞、烤焦等的葉面同樣適用。

隨著科技的發展，應用智能手機計算葉片面積得到發展。Han等通過智能手機采集葉片圖像，以邊長為3的長方形為參考物，在手機上通過OTSU方法分離葉片區域和背景，最后根據葉片區域與參考物長方形的像素比例求出該葉片的葉面積。試驗結果表明，該方法與傳統方法數碼相機和電腦相比具有同等精度[13]。

1.2.2CCD測量面積法。CCD法（Charge-coupled Device）又稱為CCD圖像傳感器，是一種計算不規則平面物體面積的有效方法。它能把光學影像轉化為數字信號，將植入的微小光敏物質作像素，像素越多，提供的畫面分辨率越高。很多研究學者把CCD圖像傳感器與計算機相結合，得出所要計算圖片中圖像像素，從而得到圖像的面積。

張全法等以CCD為圖像傳感器與計算機相結合統計所得葉片圖像的像元數，通過測量選定標準物體的面積得到圖像面積的比例系數，從而計算出葉片的實際面積。雖然CCD法具有測量精度高、測量范圍大、使用方便等特點，但測量精度會受到很多因素影響，如幾何畸變等[14]。針對圖像存在幾何畸變的缺陷，左欣等基于改進的Hough變換校提取控制點，采用雙線性空間變換進行幾何校正，從而改進了張全法等的CCD測量面積法，更加適應野外植物葉片面積的非破壞性測量的需要[15]。

1.2.3CAD圖形分析法。隨著二維繪圖軟件AutoCAD的快速發展和普及使用，許多學者利用AutoCAD程序中的area命令計算葉片圖像的面積。田青等在對闊葉類和針葉類植物葉面積的測量中，采用數碼相機獲取葉片的數字圖像，應用AutoCAD軟件計算植物葉面積[16]。劉浩等利用掃描儀獲取番茄和青椒葉片圖像后，通過AutoCAD計算葉片實際面積[17]。AutoCAD葉片面積圖像處理技術精度高，不受葉片大小、形狀和厚度等因素的影響，不僅可以測定像青椒等規則葉片，還可以對如番茄等不規則葉片和針葉類等葉片進行準確測定。

1.2.4Mapinfo方法。Mapinfo是美國Mapinfo公司推出的桌面地理信息系統軟件，提供了屏幕矢量化功能，廣泛應用于眾多領域。吳玉德等是我國把該軟件應用于葉面積測算的第一人，通過掃描儀參照標準計算紙采集樹木葉片柵格圖像，通過Mapinfo軟件的屏幕矢量化功能得到樹木葉片輪廓矢量圖，進而通過該軟件的內置菜單得到樹木葉面積[18]。Mapinfo方法具有嚴謹的科學性，其顯著優點是快速、精確，可用于所有葉片，不受葉片大小、形狀、厚度等因素的影響。不足之處是必須采用標準計算紙，葉面積的測定精度受標準計算紙本身精度的影響比較大，因此必須保證標準計算紙的精度。

1.2.5機器視覺技術法。機器視覺是一種應用計算機模擬目標外顯或宏觀視覺功能的技術，是用圖像創建或回復顯示目標，用計算機來局部實現人的視覺功能和在一定場合拓寬或輔助人的視覺功能。將圖像處理與機器視覺技術結合后可以實現連續、快速的無損檢測，可對植物葉面積、葉柄夾角、莖桿直徑等生長特征參數進行有效檢測。

He采用雙目立體視覺，對甘薯幼苗進行了無損檢測[19]。陳鼎才等將此方法進一步改進后的方法能更好地適應野外活體葉面積的測量計算，具有較高測量精度和較低測量難度，還可以對葉面積數據進行管理和分析，為作物生長檢測提供有力的數據支持，從而具有廣泛的應用前景[20]。基于機器視覺的無損測量，通過采集大量的植物生長信息，統計并比較出不同品種植物在不同生長條件或不同生長時期的生長速率，進而指導環境控制，提供合理的生長所需，合理篩選出適合培育的品種，幫助指導實際生產，減少盲目性。

2圖像處理在葉片輪廓建模中的應用

葉片形狀是辨別不同植物的另一個重要特征，是植物識別的重要工具，因此，植物葉片輪廓曲線形狀研究十分重要。Wang等應用分割與形態學運算可自動控制標點的分水嶺算法，分割具有復雜的背景圖像，然后通過所提取的二值圖像中的形狀特征點，得出完整葉片特征點[21]。Caballero等對植物葉片輪廓的提取進行了探索[22]。Li等指出，采用snakes技術與細胞神經網絡系統相結合，可靈活準確地提取植物葉片的葉脈[23]。王靜文等采用Williams和Shah提出的貪心算法，通過對輪廓點周圍的局部近鄰進行檢索選取具有更小Snake 模型能量的新輪廓，改進了Snake模型。該方法提取標本葉片輪廓，排除了原來的陰影區域，保留了原來葉片圖像的細節，比傳統模型提取的輪廓更加精確[24]。

用圖像技術中的輪廓檢測有以下幾項要求：①輪廓的定位要高；② 不同尺度的輪廓應有良好的響應，并盡量減少漏檢；③應對噪聲不敏感；④檢測靈敏度應受輪廓方向影響小。目前，主要的邊緣檢測提取方法有邊界跟蹤法和邊緣檢測算法。

2.1邊界跟蹤法邊界跟蹤法的基本原理是先根據圖像特征，大步距地尋找邊緣起始點，再從起始點開始，小步距遞進式地尋找出各個要素點，最后將這些要素點連成平滑的曲線。Michael和Suen于1981借鑒該思想提出一個較為完善的邊界跟蹤算法，但算法的描述以及終止的判別條件并不嚴格。鄧小同等對Michael和Suen的算法做了一些改進，提供了較為嚴格的數學描述，并給出算法正確性以及封閉性的證明[25]。此后，相關邊界跟蹤法的研究更多。賀忠海等提出的方法是在圖形較簡單的情況下，可完成與傳統邊緣檢測方法相同的工作[26]。周秀芝等針對傳統邊界跟蹤算法易出現漏跟蹤或者跟蹤斷裂的確定，利用交叉點描述邊界跟蹤的不同方向，形成以交叉點為結點的目標邊界的樹結構描述，通過對樹的遍歷獲得目標邊界的跟蹤序列[27]。

傳統的邊界跟蹤算法主要包括蟲跟隨法、光柵掃描法以及T算法[28]。目前，用于葉片輪廓檢測的典型輪廓跟蹤法是方向鄰域法，主要有四鄰域[29]、八鄰域[30]、十六鄰域[31]。

2.2邊緣檢測算子一般導數用來描述連續函數的變化。因此，可以使用偏導數描述邊緣的檢測算子，并且可以用圖像函數最大增長方向的梯度來描述圖像函數的變化。邊緣檢測首先檢測出圖像局部特性的不連續，然后將這些不連續的邊緣像素連成完整的邊界。邊緣檢測算子的實質是檢測出符合邊緣特性的邊緣像素點。

目前，主要的邊緣檢測算子有一階微分邊緣檢測算子和二階微分邊緣檢測算子。其中，一階微分邊緣檢測算子包括差分邊緣檢測算子、Roberts交叉微分算子、Sobel微分算子、Prewitt微分算子。二階微分邊緣檢測算子包括Laplacian算子、Wallis算子、LOG算子、canny微分算子。

現有的邊緣檢測算子十分成熟，但這些算子都有圖像質量及環境的限制。例如，Roberts算子邊緣定位準，但對噪聲敏感，可用于邊緣明顯而且噪聲較少的圖像。Sobel算子對噪聲具有平滑作用，能夠提供較為精確的邊緣信息，但由于局部平均的影響，也會檢測出許多偽邊緣，且得到的邊緣較粗，定位不高。Laplacian算子基于二階導數的零交叉，具有各向同性，即與坐標軸方向無關，坐標軸旋轉后梯度結果不變，因此邊緣檢測效果較好，但是其對噪聲比較敏感[32-34]。

2.3輪廓線的擬合植物葉形的建模是研究虛擬植物的重要組成部分，定量描述植物葉片形態結構可更好地確定植物葉片形狀的幾何模型。同時，擬合葉片的輪廓曲線可更好地刻畫植物葉片形狀。目前，關于擬合葉片曲線的研究已取得了一定的進展。

根據不同葉片輪廓表現出來的不同形狀特征，研究者用不同的數學方法解決了相應的數學問題。Chi等將葉片的輪廓表示成徑向角的函數，采用三次Bezier曲線作為葉形幾何建模的基本元素，既提高了計算量，又復雜了葉片輪廓的幾何特征[35]。曾茂林等以植物葉片輪廓的建模為例，先構造出刻畫葉片輪廓形態的形狀函數，再利用小波分析法快速重構不同葉片的輪廓形狀函數，成功地對植物葉片輪廓進行幾何建模。該方法具有數據存儲量小、建模速度快等優點，并且適用于鋸齒形狀的葉片[36]。

擬合輪廓線的方法中，應用最為廣泛的是多項式樣條函數。例如，蘇禮楷等通過邊緣掃描算法提取邊界點，然后利用三次樣條曲線建立了植物葉片的幾何模型，具有數據量少、幾何特征簡單等優點，但不能很好地適用于鋸齒形葉片[37]。鑒于該思想，謝秋菊等利用邊緣檢測技術提取出大豆葉片形態數據，通過計算機圖形學中的三次參數樣條曲線擬合大豆葉片的輪廓曲線，得到了更具有真實感的大豆葉片模型，為靜態虛擬植物葉片建模研究提供必要的方法，具有一定的實踐價值[38]。除此之外，王靜文等提取葉片圖像的角點作為輪廓特征點，利用三次均勻B樣條曲線進行初步插值擬合，并根據擬合誤差采用改進的節點插入算法進行反復迭代，達到所要求的擬合精度。該方法能夠更快地達到逼近精度，具有良好的模擬效果，有一定的實際應用價值[39]。杜德彭等結合三次均勻B樣條曲線的特征，利用功能特征組合得到基本型值點，擬合出葉片的輪廓曲線，并反求控制點，得到了基本葉形特征的輪廓模型，提高了對葉片輪廓邊緣的控制和交互調節[40]。

3結語

綜上所述，通過數碼技術離題采集葉片圖像，利用圖像處理技術計算葉面積，不僅快速、可靠和準確，而且降低成本，可推廣到其他大田作物，應用到實際生產生活中，為農業生產生活及廣大農業科研人員提供切實可行的科學方法。但與傳統的拋物線法以及復印稱重法相比較，用圖像處理法計算葉片面積的結果與實際的結果有一定的差距，原因在于圖像處理方面還沒有很好地解決葉片傾向、葉片變形、葉片顫動和自然光變化對圖像帶來的閾值分割誤差等問題，讀取圖片過程容易丟失數據，計算葉面積不免存在誤差。所以，今后的研究任務是：選取可靠、快捷、準確的彩色圖像獲取方法，探索出基于圖像處理的最佳輪廓提取及其擬合方法，并且把葉面積無損測量與葉片輪廓建模有機地結合起來，把拋物線法計算葉面積的原理應用到葉片面積的計算中，應用積分理論計算葉長，實現特征值的計算機可視化，不僅可以提高計算精度，而且可為計算葉片特征值提供新方法、新思路。

42卷23期林雪梅等基于計算機圖像處理技術的葉面特征參數無損測量研究進展參考文獻

[1] 馮冬霞， 施生錦.葉面積測定方法的研究效果初報[J].中國農學通報， 2005， 121（6）：150-152，155.

[2] 自由路， 楊俐蘋.基于圖像處理的植物葉面積測定方法[J].農業網絡信息 ，2004（1）：36-38.

[3] 肖強， 葉文景， 朱珠， 等.利用數碼相機和Photoshop軟件非破壞性測定葉面積的簡便方法[J].生態學雜志， 2005， 24（6）：711-714.

[4] 楊勁峰， 陳清， 韓曉日， 等.數字圖像處理技術在蔬菜葉面積測量中的應用[J].農業工程學報， 2002， 18（4）：155-158.

[5] 石劍飛， 殷璀艷， 冷鎖虎， 等.采用數碼圖像處理法測定油菜葉面積的方法探討[J].中國油料作物學報， 2010， 32（3）：379-382.

[6] 李寶光， 陶秀花， 倪國平， 等.掃描像素法測定植物葉面積的研究[J].江西農業學報，2006， 18（3）：78-81.

[7] 鮑雅靜， 李政海， 張穎.羊草葉面積測量方法的比較[J].內蒙古大學學報：自然科學版，2002， 33（1）：62-64.

[8] FEMATDIAZ A，VARGASVAZQUEZ D，HUERTAMANZANILLA E， etal.Scanner image methodology （SIM） to measure dimensions of leaves for agronomical applications[J].African Journal of Biotechnology， 2013， 10（10）：1840-1847.

[9] 曹志剛， 馮仲科， 龍春玲， 等.基于數字攝影與計算機圖形技術的植物葉面積測量方法[J].河北科技師范學院學報， 2004， 18（1）：39-41.

[10] 苑克俊， 劉慶忠， 李圣龍， 等.利用數碼相機測定果樹葉面積的新方法[J].園藝學報， 2006， 33（4）：829-832.

[11] 馬彥平， 白由路， 高祥照， 等.基于數字圖像的玉米葉面積測量方法研究[J].中國農學通報， 2009， 25（22）：329-334.

[12] CHEN B，FU Z， PAN Y， et al.Single leaf area measurement using digital camera image[M]//Computer and Computing Technologies in Agriculture IV.Springer Berlin Heidelberg， 2011：525-530.

[13] HAN D，ZHANG F.Leaf area measurement embeded in smart mobile phone[M]//Advances in Intelligent Systems.Springer Berlin Heidelberg， 2012：207-213.

[14] 張全法， 馮絢， 何金田， 等.植物葉面積測量系統的設計及應用[J].河南農業大學學報， 2001， 35（4）：383-386.

[15] 左欣， 韓斌， 程嘉林.基于數字圖像處理的植物葉面積測量方法[J].計算機工程與應用， 2006， 27（2）：194-221.

[16] 田青， 曹致中， 張睿.基于數碼相機和AutoCAD軟件測定園林植物葉面積的簡便方法[J].草原與草坪， 2008（3）：25-28.

[17] 劉浩， 孫景生， 段愛旺， 等.基于AutoCAD軟件確定番茄與青椒葉面積的簡易方法[J].中國農學通報， 2009， 25（5）：287-293.

[18] 吳玉德， 張鵬.基于Mapinfo的樹木葉面積測定方法[J].林業調查規劃， 2005， 30（6）：23-24.

[19] HE D.Development of a plug-transplant production system and an image analysis system for use in sweet potato[D].Japan：Chiba University， 2002.

[20] 陳鼎才， 王定成， 查金水.基于機器視覺的現實葉片面積測量方法的研究[J].計算機應用， 2006， 26（5）：1226-1228.

[21] WANG X F，HUANG D S，DU J X，et al.Classification of plant leaf images with complicated background[J].Applied Mathematics and Computation 2008， 205（2）：916-926.

[22] CABALLERO C，ARANDA M C.Plant species identification using leaf image retrieval[C]//Proceedings of the ACM International Conference on Image and Video Retrieval.ACM， 2010：327-334.

[23] LI Y F，ZHU Q S，CAO Y K，et al.A leaf vein extraction method based on cnakes technique[C]//China Neural Networks Council（CNNC），IEEE Computational Intelligence Society Beijing Chapter.Proceedings of 2005 International Conference on Neural Networks & Brain（ICNN&B05）.China Neural Networks Council（CNNC）、IEEE Computational Intelligence Society Beijing Chapter，2005：4.