植物葉片形態學特征全自動提取的難點

王 謝，張建華

(四川省農業科學院土壤肥料研究所,四川成都 610066)

?

植物葉片形態學特征全自動提取的難點

王 謝，張建華*

(四川省農業科學院土壤肥料研究所,四川成都 610066)

摘 要：葉片形態是植物適應生存環境的重要表征之一,如何準確、高效地獲取葉片形態資料是當前植物葉片形態學研究方法和研究技術發展的主要驅動力。由于傳統方法大多存在費時費力、測量指標有限等弊端,研究者們希望能夠利用計算機技術對葉片形態學特征進行全自動化提取。文章總結了當前葉片形態學特征研究的主要方法和計算機圖像分析的原理和使用經驗,并分析了現有葉片形態學特征自動化提取技術的主要問題和解決這些問題的難點,結果表明,最小外接矩形算法在葉片形態學特征自動化提取中局限性較大。未來對葉片形態學自動化提取軟件的開發須全面考慮所提取葉片特征的整體效應和生物學意義,合理利用植物的真實形態學結構特征進行判別,以控制純幾何學和純圖形學運算結果的失真程度。

關鍵詞：形態學特征;自動化;葉面積;形態學

文獻著錄格式:王謝,張建華.植物葉片形態學特征全自動提取的難點[J].浙江農業科學,2016,57 (4):579-582.

葉片形態學一直是植物生理及植物生態學研究中的熱點[1]。植物可通過調節葉片的形態來增強自身的生存適應能力,對時空的環境變化表現出極強的敏感性和可塑性[1],表明植物葉片的形態特征及其進化史可以反應植物在地球各個氣候階段的進化過程和形態演化趨勢。植物葉片和花器官形態上的差異都為研究者們提供了直觀有效的證據以直接證明植物對環境的適應性,以及其在分類學中的地位。此外,葉片作為植物進行呼吸作用、光合作用和蒸騰作用的主要器官,其葉面積大小、葉輪廓周長、葉長和葉寬等信息不僅是植物生長狀態診斷中重要的參數,還是研究植物栽培技術、生理生化、遺傳育種等內容的重要形態指標[2]。因此,如何準確量化葉片的形態學特征是葉形態研究的一個核心內容。

起初,人們采用硫酸紙稱重法、網格法、求積儀法、面積系數換算法和打孔稱重法來統計葉面積[3],同時按照主脈的位置測定其長和寬。隨著計算機技術的不斷普遍化和常規化,人們逐漸認識到了這些方法所存在的巨大缺陷,即工作量大、費時費力、測量指標有限,且人為操作時具有較強的主觀性,在判斷構型不規范的葉片時容易產生爭議。為了更快、更準地獲取更多葉片形態信息,學者們開始利用各種可能的軟件來進行數據分析和提取,主要包括window畫圖工具[4]、Image J科學用圖像處理軟件[5]、Photoshop圖像處理軟件[6-7],ArcGIS[2,8-9]、MapInfo等桌面地理信息系統軟件[10]、R2V高級光柵圖矢量化軟件[11]等,以快速獲取葉面、葉長、葉寬等指標。

隨著計算機語言的普遍化,上述軟件也不能完全滿足人們對形態指標數據的需求。學者們開始利用C,C + + ,VB,Java,Matlab等語言自動提取自身需要的形態指標特征,植物葉片形態學指標的建立得到了極大的發展,已經可以自動化獲取主要葉片形態的一些基本參數,如葉面積、葉周長、葉長、葉寬、縱橫比、矩形度、面積凹凸比、周長凹凸比、球形比、圓形度、偏心率、形態參數[12]、離心率、橢圓長短軸長、分形維度等。雖然計算機可識別和提取的形態指標在一些生理和生態學研究中已經相當豐富,但對于植物分類和形態進化而言,僅僅是邁出了工作的第一步。

為清楚地了解現階段植物葉片形態學特征全自動化提取中出現的問題和狀況,本研究基于以上研究背景,通過大量的數據提取實踐,提出了現階段全自動化提取的主要原理和常見問題,并提供了解決這些問題的一些思路,為植物葉片形態學特征的全自動化提取提供參考。

1　全自動化提取葉像圖的主要實現過程

植物葉片形態學特征全自動化提取的基礎是圖片分辨率單位與空間坐標單位之間的成功轉換。圖片的分辨率(dpi)是指每英寸掃描對象所表示的像素點的數目,即1dpi = dots/inch。根據1 inch = 2.54 cm,可推算出單個像素的長度為(2.54/dpi) cm,面積為(2.54/dpi)2cm2[2]。

在此基礎上,基于對圖片信息的提取,提出柵格圖像分類與最小外接矩形算法聯用的自動化特征提取的主要思路(圖1),該算法是實現自動化特征提取的核心所在。通過對上個柵格圖片進行二值化處理形成黑白鮮明的圖像數據結構,利用數學形態學算法對小面積區域進行刪除、對大面積區域進行膨脹或填充,確定出連續的圖形邊界,對圖形數據進行模擬分析,分析其內在面積、邊界長度和最小外接矩形,并將最小外接矩形的長邊定義為葉長,短邊定義為葉寬。相關研究已經證實了該算法在一些植物葉片形態學特征自動化提取中的有效性,但這并不意味著該算法適合大部分植物。

圖1　葉片特征自動化提取的主要原理

2　全自動化提取葉像圖的常見問題

由于葉片形態多樣、數據庫不完善、設計者跨專業學習等多種原因,造成許多測定數據不能反映葉片的真實特征,這些數據有的可以通過二次計算得到真實值,而有的則是完全錯誤的。通過對各種葉片形態數據的運算和分析,發現在葉片形態特征自動化提取過程中客觀存在的幾種數據異常的情況,而這些情況在以往的研究中并未提及。

2.1長寬數據倒置

無論是基于地理信息系統的ArcGIS,還是LEAFSHAPES 1.0,其對葉片長寬數據的提取都是基于最小外接矩形的。一般情況下,按照最小面積和最小邊長做約束條件提取的數據差異并不顯著,因此,所得出的結果將長的邊默認為葉長,短的邊默認為葉寬。然而,葉長是葉片主脈方向上的最大邊長,當真實的葉片長寬比小于1時,這種長寬數據倒置的現象就會出現(圖2中A)。由于LEAFSHAPES 1.0軟件主要針對單葉進行數據提取,提取的數值和圖形可配套顯示,這種長寬數據倒置的情況可能被發現;但當真實長寬比很難被肉眼發現時,這種錯誤的數據很容易被忽略。同樣,在ArcGIS處理批量提取數據時,如果有些葉片長寬比大于1,有些葉片長寬比小于1,后續往往會花費一些時間去調整這些數據的前后位置,這樣不僅增加了工作量,沒有體現自動化的優勢,而且增加了數據錯誤的風險。

2.2葉長數據偏小

基于最小外接矩形算法自動提取菱形、橢圓形或近橢圓形葉片時,得到的葉長常常會出現偏小的情況,主要是因為主脈的實際位置并非接近最小接矩形算法模擬出來的長邊,而更接近最小外接矩形的對角線長(圖2中B)。同時,由于葉柄和葉尖的存在,真實的葉片長度常介于最小外接矩形的長邊和對角線長度之間。

2.3葉寬數據錯誤

基于最小外接矩形算法自動提取鐮形和部分披針形葉片時,由于葉片整體近線性,且具有一定弧度,其所計算出的葉片寬度顯著大于葉片的實際寬度(圖2中C)。從幾何學特征出發,不難發現這種差異與葉柄長短和位置,以及葉片自身的彎曲弧度等存在密切關系,而且這種差異很難用簡單的數學公式計算出。如出現這種現象,最小外接矩形算法是不可取的。

圖2　葉片特征自動化提取中的常見錯誤

2.4周長數據偏小

對于地理信息系統法而言,常采用眾數濾波等技術手段對監督分類的數據進行純化,在這個純化過程中,葉緣的形狀變得更加平滑,葉緣信息被模糊了,造成周長計算偏小。LEAFSHAPES 1.0軟件為了防止這種情況的出現,未采用濾波技術,直接利用二值圖進行計算,可以得到較為準確的周長信息,但該軟件只能處理分辨率為50 dpi的葉片掃描圖,當分辨率大于50 dpi時,圖片上出現的雜色(特別是掃描的邊緣的像素差異)會對圖像識別造成巨大的影響,計算結果誤差較大。LEAFSHAPES 2.0在二值化過程稱中加入了濾波處理和開運算處理,隨著圖片二值化次數的增加,得到的周長數據會越來越小。因此,正確利用數學形態學計算方法對圖形進行膨脹、腐蝕、去噪等處理,需要進行更多的論證和系統的規劃。

2.5葉色對二值化的影響

雖然大部分葉片都是綠色,但是對于一些草本植物和觀葉植物葉片而言,其葉器官上常常伴有其他顏色。色調較深的顏色對圖像二值化處理的影響不大,但一些較淺的顏色,特別是白色,會對葉片二值化處理造成極大的影響。由于其色調與背景色幾乎一致,二值化過程中常將其背景化,導致處理后的圖像面積小于葉片的實際面積,圖像周長也小于葉片的實際周長。因此,在研究葉片形態時,需要對淺色部分進行處理,如在掃描前對葉片進行涂黑、在處理前用其他畫圖軟件對掃描圖的淺色區域進行深色填充等。

3　葉形態學研究中的主要難點

無論是在物種水平,還是在植物個體水平,甚至是個體內部構建水平上,葉片的形態結構都是其最重要的身份特征。每一個物種的每個種群內,每一個位置上的葉片都有其特定的表達方式和存在意義,這也就決定了葉片形態的多樣性和復雜性。在物種水平上,從單復葉的整體形態差異到單葉葉形差異,再到葉基部、葉尖、葉緣和葉裂等各個細節的差異,這些差異的具體表現形式都是分類研究者非常關心的問題,而這些差異更是對自動化數據提取的一個極大挑戰。由于現階段數學語言和數學圖形學語言與植物學語言之間缺乏一個系統且周密的語言轉換橋梁,導致許多研究手段尚屬于嘗試階段,并沒有真正形成一套只屬于植物葉片特征自動化提取體系的思路和系統,因而出現了上述自動化數據提取的失誤,甚至是錯誤。上述的5種數據錯誤在一定程度上暗示了最小外接矩形算法和數學形態學算法在葉形上的半適用性,若要從根本上解決上述問題,需要正確的對待以下4個方面的問題。

3.1如何對待葉柄

模擬試驗表明葉柄大小、斜率等對最小外接矩形算法的影響是客觀存在的,甚至可以直接導致自動提取數據出現錯誤。因此,在現階段的研究中,學者們常采用直接去除葉柄掃描和掃描后在圖像中通過數學形狀學處理去掉葉柄的處理方法。前者可較好地得到葉片形態信息,但實際操作中,這種方法主要適合于葉柄形態完全分離的單葉,對復葉研究并無太大意義,對葉柄帶翅的葉片更是抹殺了其特定的生物學意義。而后者,不僅存在與前者相同的情況,更重要的是其模糊化處理影響了其他指標提取的準確性和精度。因此,為了保證數據的準確性和對生物學意義的保存,葉柄應該被保留在分析的主要內容之中。

3.2如何對待復葉

復葉和單葉是分類的2個重要方式。看待復葉的方式有2種:一種是將其看作是單葉、深裂直至分離,且二級葉脈基部特化;一種是將其看是單葉空間組合。前一種觀點在形態學的研究中必須考慮葉柄的意義,將其整體看作一片單葉來進行模擬和自動化提取,基于這種認識可創造適用性更廣的葉片形態特征算法,而且葉裂特征的算法已經被提出,在一些樹葉的葉裂分析中也具有較高的分析精度[13-18]。第2種觀點雖然放棄了葉柄和小葉葉柄存在的意義,在分類學上可能不及第1種觀點,但在突顯葉片生理功能上,可能會表現的更直接和有效。現階段對于復葉的研究主要是基于第2種觀點,但作者在對待復葉的問題上更主張第1種觀點,雖然基于第1種觀點實現的葉片形態特征自動化提取的難度比第2種觀點大,但一旦成功,其在植物分類和植物生理學研究中將具有重要意義。

3.3如何對待局部細節

葉尖特征、葉緣特征等更多局部特征并非現階段葉片形態學自動化提取的主流。在沒能準確的自動化提取葉面積、葉長、葉寬、周長等情況下,對于其他相對局部特征的自動化提取問題很容易被忽略。但是葉片是一個整體,無論是葉柄還是葉緣等信息都不應該被模糊掉。一個從總體構思的葉片面積自動化提取算法,絕對強于對各個部件單獨研究,這是實現植物形態學分類從定性描述到定量判斷的一個重要手段。鄭小東等[19]根據植物學中對葉緣的描述,采用改進的SUSAN算法檢測植物葉緣鋸齒,然后計算葉緣鋸齒數量、尖銳度、偏斜度3個特征參數。相較于植物分類學的定性指標,幾何學和圖形學給出的參數更加客觀,這些數據對植物分類的定量化研究具有重要意義。李燦燦等[20]基于K-means聚類的對葉脈信息進行了提取,但這僅限于對葉脈的顯示,尚未提出能用于進一步分析的指標體系。

3.4如何對待葉色

對于基于圖像分析的研究方法而言,葉色是造成了誤差的最主要原因之一,為消除葉色帶來的誤差,所進行的各種運算處理都會對各指標的自動化提取造成或大或小的影響。而在植物生理和病理研究中[21],葉色是一個非常重要的表觀特征,對植物生長的智能監控具有重要意義。在研究葉斑特征時,葉形往往也是研究中必須配套使用的支撐數據,因此,是否應該將葉片表面的色調特征列為葉片形態全自動提取研究的主要內容還需要認真思考。在考慮葉色的情況下,如何依據葉色對形態數據進行矯正或判別等也需要進一步思考。因此,強調指標屬性之間的關聯性和整體性是葉形態特征全自動提取的核心。只有基于這個原則,才能構建起數學語言和植物學語言的橋梁,才能為研究提供準確的數據基礎。

4　小結與展望

上述5點主要問題都來源于對葉形態指數自動化提取過程中遇到的困難,4個工作的難點也是可能解決上述問題的關鍵思路,從這些問題的發現到解決思路的提出,已經指明了最小外接矩形算法在葉片形態學特征自動化提取中的局限性和不可推廣性。未來葉片形態學自動化提取軟件需要創造出一種真正基于植物學原理的非純幾何學和圖形學的運算法則,這種法則的建立應全面考慮葉器官的整體效應,對葉柄、葉尖、葉緣、葉脈、葉表面等信息都不可忽略。植物葉片全自動化提取技術的研究還有很長的道路,除了上述各種困難之外,還需要思考“如何更加細致地提取葉片的形態學特征”這一問題。未來對于葉片形態學的研究也絕不會停留在二維空間,如何利用三維激光掃描技術自動化提取葉片三維空間形態特征,如表面粗糙度、起伏度等,都是植物葉片特征全自動化提取需要思考和解決的問題。葉片形態的全自動化提取不僅是為了方便和簡化工作量,更是為了使研究技術規范化、科學化和統一化,使研究結果更準確和更具有可對比性和可借鑒性。

參考文獻:

[1]李永華,盧琦,吳波,等.干旱區葉片形態特征與植物響應和適應的關系[J].植物生態學報,2012,36 (1):88-98.

[2]樂通潮,張會儒,譚芳林.基于自動分類法的紅樹植物葉片信息測定[J].林業科學,2014,50 (5):34-40.

[3]莊建守.葉面積測定法[J].新疆農業科學,1979 (3):23-24.

[4]王旺田,馬靜芳,張金林,等.一種新的葡萄葉面積測定方法[J].果樹學報,2007,24 (5):709-713.

[5]劉洪波,張江輝,白云崗,等.香梨葉面積測定方法對比研究[J].新疆農業科學,2013 (3):453-459.

[6]于守超,張秀省,冀蘆莎.基于PhotoshopCS5的植物葉面積測定方法[J].湖北農業科學,2012,51 ( 15 ):3340-3342.

[7]鐵軍,馬婧,金山,等.瀕危植物南方紅豆杉的葉面積測定及其相關分析[J].山西大學學報(自然科學版),2012 (3):581-586.

[8]陳智芳,王景雷,宋妮.GIS空間分析技術在棉花葉面積測定中的應用[J].中國農學通報,2012,28 (9):145-149.

[9]陳積山,朱瑞芬,張月學.基于GIS在苜蓿葉面積測定中的應用[J].草業科學,2012,29 (7):1044-1048.

[10]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):23-25.

[11]張美海,趙玉如,劉陽,等.基于用R2V軟件和攝像手機測定葉面積的方法[J].山東林業科技,2011,41 (6):59-62.

[12]肖雪洋.植物葉片圖像識別特征的研究和在線識別系統實現[D].合肥:中國科學技術大學,2011.

[13]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,2005,21 (6):150-152.

[14]宰松梅,溫季,郭冬冬,等.基于支持向量機模型和圖像處理技術的甜椒葉面積測定[J].農業工程學報,2011,27 (3):237-241.

[15]郭孝玉,孫玉軍,王軼夫,等.基于改進人工神經網絡的植物葉面積測定[J].農業機械學報,2013,44 (2):200-204.

[16]張寧,劉文萍.基于圖像分析的植物葉片識別技術綜述[J].計算機應用研究,2011,28 (11):4001-4007.

[17]高建昌,郭廣君,國艷梅,等.平臺掃描儀結合ImageJ軟件測定番茄葉面積[J].中國蔬菜,2011 (2):73-77.

[18]鄭小東,張曉煜,薄樹奎.植物葉裂特征自動提取研究[J].中國農學通報,2012 (27):152-156.

[19]鄭小東,王曉潔,高潔.SUSAN算法在植物葉緣特征提取中的應用[J].中國農學通報,2011,27 (27):174-178.

[20]李燦燦,王寶,王靜,等.基于K-means聚類的植物葉片圖像葉脈提取[J].農業工程學報,2012,28 ( 17 ):157-162.

[21]鄭小東,王曉潔,李玲玲.面向植物生長智能監控的葉顏色特征提取[J].中國農學通報,2010,26 (19):401-407.

(責任編輯：侯春曉)

中圖分類號：TP20; Q944-3

文獻標志碼：A

文章編號：0528-9017(2016)04-0579-04

DOI10.16178/j.issn.0528-9017.20160437

收稿日期:2015-11-05

基金項目:現代農業產業技術體系建設專項(CARS-22-ZJ0307)

作者簡介:王 謝(1987—),男,四川雅安人,博士,助理研究員,主要從事生物數字化和土壤生態學研究工作,E-mail:wangxiechangde@hotmail.com。

通信作者:張建華,E-mail:zjhu-11@163.com。