基于關鍵點檢測的植物葉端特征自動提取

陳建輝++鄭小東++趙中堂

摘要：為了實現植物葉端特征自動提取，提出基于關鍵點檢測的葉端特征提取方法，即對原始圖像進行預處理，獲得葉片輪廓；采用多邊形近似算法檢測關鍵點；通過對關鍵點分析判定葉端形態的基本類型，獲取葉頂角等特征數據。試驗結果表明，該方法適用于多種形態的植物葉，可用于需要植物葉端特征自動獲取的場合。

關鍵詞：葉端特征；自動提取；多邊形近似算法；關鍵點檢測；圖像處理

中圖分類號：S126文獻標志碼：A

文章編號：1002-1302（2017）09-0205-03

葉端是植物葉片的一個組成部分。在植物形態分類學中，葉端特征是鑒別植物種類的形態特征之一。在植物氣候學研究中，葉端特征也具有重要作用，主要指葉端類型和葉頂角。目前，葉端特征的獲取主要依靠人工方式，即操作者通過觀察，根據知識和經驗判別葉端類型，借助測量工具手工測量葉頂角。實現植物葉端特征自動提取有助于提高相關研究的工作效率。計算機圖像處理、模式識別等理論與技術的發展為實現植物葉特征自動獲取提供了可能，一些研究者以植物種類自動識別、植物病變智能診斷等為應用目標，開展了植物葉特征自動提取研究工作[1-3]。相關研究比較側重植物葉圖像特征，如形狀、紋理等[4-7]，很少涉及植物葉植物學屬性特征。本研究提出基于關鍵點檢測的植物葉端特征自動提取方法，該方法將植物葉端分成凹、尖、驟尖3種基本類型，同時設計葉頂角、凹陷深度、葉張角、葉尖角、葉尖長度等參數，從定性和定量2個角度描述葉端特征。

1方法描述

基于關鍵點檢測的植物葉端特征自動提取方法包括圖像預處理、關鍵點檢測、特征提取3個步驟，輸入為植物葉圖像，輸出為葉端類型與特征數據。特征參數與葉端類型相關聯，不同葉端類型具有不同的特征參數（圖1）。

1.1圖像預處理

使用掃描儀或CCD相機等獲取植物葉圖像。為了簡化后續處理，圖像采集時可以將植物葉片背景設置為單一白色背景，同時要求植物葉片的葉柄向下、葉端向上。原始圖像中背景部分通常包含一些點或斑塊噪聲，可采用區域標記的方法去除，首先標記出圖像中各區域，然后找到面積或周長最大區[CM（25]域，去除其他區域即可。原始圖像中如果包含植物葉柄，可基于形狀特征去除葉柄[8]。圖像采集時，雖然要求植物葉柄向下、葉端向上，但圖像中葉片的位置仍有一定的隨機性。為了保證后續特征提取對葉片方位唯一性的要求，可采用慣性主軸法找到葉片主軸[9]，然后進行圖像旋轉，將葉片旋轉至主軸與縱軸平行的位置。從葉片左上點開始，沿順時針方向，采用輪廓跟蹤算法獲取植物葉片輪廓上各點[10]。

圖2-a為一組原始圖像[11]，圖2-b為圖像預處理結果，圖2-c為圖像多邊形近似處理結果，關鍵點以圖形標出。

1.2關鍵點檢測

植物學中計算葉頂角時，通常只考慮葉片上部h/4部分（h為葉片高度）[12]。本研究沿用植物學中的做法，針對葉片上部h/4部分提取葉端特征。這部分的輪廓包含多個點，提取葉端特征時只須關鍵的幾個點即可。首先選擇距離葉片頂部h/4的水平線與葉片輪廓相交的2個點作為2個關鍵點，然后檢測其余關鍵點。

多邊形近似處理是形狀特征提取的常用方法[13]，其基本思想是將物體輪廓看成一個閉合曲線，將該曲線拆分成若干段，每一段用連接它的2個端點的直線段代替，所有直線段首尾相連構成物體輪廓的近似多邊形。目前已有許多求解平面曲線近似多邊形的方法，如順序跟蹤法、拆分與合并方法、關鍵點檢測法、基于遺傳算法等。其中，拆分與合并方法具有簡單、快速的優點，但結果與搜索起始點相關[14]。

可采用多邊形近似算法檢測其余關鍵點，即將葉片近似多邊形的頂點作為關鍵點。由于在圖像預處理階段已經確定植物葉片在圖像中的唯一方位，因此距離葉片頂部h/4水平線上的2個關鍵點也具有確定性，可以將這2個關鍵點作為起始點，采用拆分算法求其余關鍵點，具體如下：（1）求局部輪廓上各點到該輪廓2端點（即關鍵點）連線的最大距離。（2）判斷最大距離是否大于給定的閾值k，如果是，往下繼續，否則結束該局部輪廓的求解。（3）記最大距離對應的點為關鍵點，以該點為分界點，將該輪廓段拆分為2段，分別以2段新拆分的輪廓為輸入，轉到（1）。

由圖2-c可以直觀看出，根據檢測到的關鍵點進行葉端特征提取簡化了葉端特征提取問題。

1.3特征提取

植物學中葉端分為多種類型[15]（圖3）。本研究將葉端分為凹、尖、驟尖3種基本類型。其中，凹類型對應圖3中的微凹、尖凹、凹缺、心形等4種類型，尖類型對應銳尖、鈍尖等2種類型，驟尖類型對應凸尖、漸尖、尾狀、芒尖、聚凸、卷須狀等6種類型。

特征提取時，首先判斷當前葉片的葉端屬于哪種基本類型，然后提取特征數據，特征數據用于描述相同類型不同個體的形態差異，具體如下：（1）判斷關鍵點中是否存在水平凹點。水平凹點的特征是該點的高度（相對于葉片最下端）小于其左、右相鄰關鍵點的高度。如果存在，判定該葉片葉端類型為凹類型，水平凹點即葉端頂點，轉到（5）；否則往下繼續。（2）找到關鍵點中高度最大的點，視為葉端頂點。分別在葉端頂點左右兩側關鍵點中搜索凹角點，凹角點的特征是該點左右兩側的關鍵點的連線中點不在葉片上。如果找到，判定該葉片葉端類型為驟尖類型，凹角點即驟尖開始位置，轉到（4）；否則往下繼續。（3）以葉端頂點為頂點，葉端頂點與高度最小的2個關鍵點的連線為邊，計算葉頂角；以葉端頂點為頂點，以葉端頂點與其左右兩側相鄰的關鍵點的連線為邊，計算葉張角；結束。（4）采用與（3）相同的方法計算葉頂角；采用（3）中計算葉張角的方法計算葉尖角；計算驟尖開始位置到葉端頂點的距離，與葉片高h相除，作為葉尖長度；結束。（5）分別在葉端頂點兩側搜索高度最大的關鍵點；以葉端頂點為頂點，葉端頂點與2個關鍵點的連線為邊，計算葉頂角；計算葉端頂點到2個關鍵點連線的距離，與葉片高h相除，作為凹陷深度；結束。

2試驗結果與分析

利用中國科學院智能計算實驗室植物葉片數據庫中的圖像對上述方法進行測試[11]。圖4各葉片特征提取結果見表1。

結合圖4、表1可知，基于關鍵點檢測的葉端特征提取方法能夠將植物葉端區分為3種基本類型。該方法獲取的特征數據能夠在基本類型內對不同形態的葉端進一步加以區分。如果需要，可以根據特征數據能夠還原葉端的大致形態。

3討論

在特征提取方法中，關鍵點檢測是重要的一環，本研究采用基于拆分的多邊形近似算法，其中閾值k是關鍵因素，k的取值應根據具體植物葉片的形態和應用需求確定，稍許偏差對結果不會有太大影響。在實際應用中，如果需要的精度和圖像分辨率已經確定，k的取值可通過標定的方法確定，首先根據植物學方法手工測量某張植物葉片的葉頂角，然后采用本研究的方法測量該葉的葉頂角，對比手工和計算機測量結果，根據需要調整k值，直到滿足精度需求。標定后，保持圖像采集分辨率和k值不變，可對其他植物葉進行葉端特征自動提取。

在特征提取方法設計過程中，主要以葉緣無鋸齒的葉片為試驗對象，設計的方法對這些植物葉片是適用的。然而，有些植物葉片是有鋸齒的。對有鋸齒的植物葉片進行測試，發現k的取值受到鋸齒形態的干擾，雖然當k取值恰當時關鍵點的檢測也比較成功（圖5），特征提取也較為理想，但k的取值須根據鋸齒形態進行人工確定，降低方法的自動性。解決該問題的一個思路是在圖像預處理后搜索葉片輪廓上的局部凸起頂點（即各鋸齒頂點），以這些點代替葉片輪廓進行后續的關鍵點檢測、特征提取，這樣就消除了葉緣鋸齒帶來的干擾。鋸齒頂點的判定可借助SUSAN算法等實現[16]。

4結論

基于關鍵點檢測的葉端特征提取方法適用于多種形態的植物葉片，能夠定性描述葉端的類型，定量區分同一形態類型的不同個體。葉端特征提取方法可用于植物分類、植物建模等場合。

參考文獻：

[1]Cope J S，Corney D，Clark J Y，et al. Plant species identification using digital morphometrics：a review[J]. Expert Systems with Applications，2012，39（8）：7562-7573.

[2]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.

[3]賴軍臣，李少昆，明博，等. 作物病害機器視覺診斷研究進展[J]. 中國農業科學，2009，42（4）：1215-1221.

[4]李晨，姚瑋，韓忠偉，等. 利用CBIA與WSN構建的植物葉片分類系統[J]. 計算機應用研究，2015（11）：3336-3340.

[5]張善文，王獻鋒，王震，等. 基于概率局部判斷映射的植物分類方法[J]. 農業工程學報，2015（11）：215-220.

[6]Chaki J，Parekh R，Bhattacharya S.Plant leaf recognition using texture and shape features with neural classifiers[J]. Pattern Recognition Letters，2015，58（C）：61-68.

[7]Munisami T，Ramsurn M，Kishnah S，et al.Plant leaf recognition using shape features and colour histogram with K-nearest neighbour classifiers[J]. Procedia Computer Science，2015（58）：740-747.

[8]鄭小東，王曉潔，趙中堂. 基于形狀特征的植物葉柄與葉片分割算法[J]. 計算機工程與設計，2010，31（4）：918-920.

[9]鄭小東，王曉潔，高潔. 面向植物分類的被子植物葉形特征自動提取[J]. 中國農學通報，2011，27（15）：149-153.

[10]姚敏. 數字圖像處理[M]. 北京：機械工業出版社，2006.

[11]Intelligent Computing Laboratory，Chinese Academy of Sciences. Plant leaf image dataset[DB/OL]. [2016-01-02]. http：// www. intelengine. cn/ English/ dataset.

[12]Leaf Architecture Working Group.Manual of leaf architecture：morphological description andcategorization of dicotyledonous and net-veined monocotyledonous angiosperms[M]. Washington DC：Smithsonian Institution，1999.

[13]何蓮，蔡敬菊，張啟衡. 多邊形近似及形狀特征匹配的二維目標檢測[J]. 激光與紅外，2011，41（6）：700-705.

[14]Wu J S，Leou J J.New polygonal approximation schemes for object shape representation[J]. Pattern Recognition Letter，1995，16（2）：161-169.

[15]揚州大學. 《植物學》精品課程[EB/OL]. [2016-01-02]. http：//jpkc.yzu.edu.cn/course/zwx/0501kcjc_1401.htm.

[16]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.