基于新型加和算法的葉片圖像分割研究

張苗苗　呂嘉洛　倪海明　牟洪波　 戚大偉

摘?要：不同樹種葉片特征信息不同，無論是根據葉片信息識別樹種，還是對葉片的病害進行精準檢測，圖像分割顯得尤為重要。本文提出一種基于新型加和算法的葉片圖像分割方法，通過Canny算子提取葉片二值圖像的邊緣輪廓與原始灰度圖像相加，將反轉的二值圖像與第一次加和后的圖像進行二次相加，相加前后要保持葉片圖像格式、大小一致，滿足圖像相加條件，實現對葉片圖像分割研究。實驗結果表明：該方法保留了葉片灰度圖像的完整特征信息，且葉片完全從背景中分離出來。為后續圖像特征提取和樹種識別等研究提供堅實的理論支撐，加和法也可應用于其他圖像分割領域。

關鍵詞：葉片圖像;圖像分割;加和法;邊緣檢測

中圖分類號：S794?文獻標識碼：A???文章編號：1006-8023（2019）04-0065-05

Blade Image Segmentation Based on New Addition Algorithm

ZHANG Miaomiao， LV Jialuo， NI Haiming， MU Hongbo*， QI Dawei*

（College of Science， Northeast Forestry University， Harbin 150040）

Abstract：Different blade species have different blade characteristics information， whether it is based on leaf information to identify tree species or accurately detect leaf diseases， image segmentation is particularly important. This paper proposes a blade image segmentation method based on the new addition algorithm， which is used to add the edge contour of the binary image extracted by the Canny detector to the original gray image， and the inverted binary image is quadratic with the first added image. Before and after adding， the image format and size of the blade image should be kept consistent， and the image addition condition can be satisfied to realize the segmentation of the blade image. The experimental results show that the method retains the complete feature information of the blade and the blade is completely separated from the background. It provides solid theoretical support for subsequent image feature extraction and tree species identification， the addition method can also be applied to other fields of image segmentation.

Keywords：Blade image; image segmentation; addition method; edge detection

0?引言

植物是人類生存和發展的重要能量來源，許多植物葉片以及樹皮因其藥用價值而對人類幫助較大[1]。植物葉片普遍趨于扁平狀且具有二維組織結構，生長周期長、形狀穩定、易于采集。植物葉片不僅能提供食物來源還能夠進行光合作用并且合成有機物，同時還扮演著改善環境、綠化城市等角色，故對植物的種類進行鑒別研究具有非常重要的意義。因人類對自然資源不合理利用使生態環境惡化、物種消失，為避免地球進一步被破壞，人類開始逐步意識到保護自然環境的重要性。要保護植物，首先要識別植物，植物種類識別以圖像分割為基礎，分割質量的好壞，直接影響識別的準確性[2]。高質量的圖像分割，對后續圖像處理與分析有著重要的意義。

圖像分割是進行圖像處理及目標識別的關鍵步驟，是樹木葉片分類的前提。圖像分割方法主要有4種，分別是基于閾值、邊緣、特征理論以及區域分割等方法，且圖像分割在植物葉片病害檢測方面應用廣泛[3]。Backes A R等[4]通過分形維數提取葉片的紋理信息對植物進行識別;Valliammal 等[5]通過利用模糊閾值法和基于小波的分割方法，有效分割出存在病害的葉片，并且取得了較好的效果;Larese M G等[6]通過自適應閾值對豆科類葉片進行分割，之后利用SVM實現葉片有效分類;Singh V等[7]利用遺傳算法對植物病害葉片進行分割;Sengar N等[8]提出一種自適應閾值的自動分割方法，通過對葉片白粉病的分割，可將病害部分完全從葉片中分離出來，具有一定的實際應用價值。國內在葉片圖像分割領域的研究稍晚，張昭等[9]利用Otsu算法對葉片圖像進行分割，通過PCA對提取的葉片幾何特征值進行降維且用SVM進行葉片分類研究;趙斌等[10]將分塊閾值與邊緣檢測相結合完成對植物葉片的精準分割;李凱等[11]提出一種基于馬爾可夫隨機場最優化模型的聯合分割算法實現自然光下葉片精確分割;計甜甜等[12]利用植物病害葉片顏色差異，結合Otsu算法，對葉片病害區域彩色圖像進行精準、有效分割;同年孫俊等[13]通過PSO與Otsu算法相結合對葉片圖像進行分割，使分割的準確率顯著提高。縱觀上述研究，雖然圖像分割領域的研究已有了一定的成果，但在進行圖像處理各個步驟圖像轉換時，圖像自身的信息都會有一定程度的損失，圖像處理在圖像分割這一步驟以及分割的精準度尚待提高。

為解決圖像轉換及分割過程中易陷入灰度值改變的問題，在保證清晰準確提取目標區域同時提高圖像分割質量，本文提出了一種新型加和算法對葉片圖像進行分割。加和法與經典的Otsu算法相比，加和法保留葉片的原始灰度圖像，克服了灰度值改變的問題，使圖像分割效果較為理想。基于新型加和算法為圖像分割提供一種新的思路，可簡單精準的把目標區域分割出來，對后續目標識別、紋理特征提取有一定的借鑒作用。

1?材料與方法

1.1?葉片采集

研究區選在東北林業大學實驗林場，地理坐標為45°71′～45°72′N，126°62′～126°63′E。在研究區高枝剪能及區域采集黃檗、色木槭、家榆、白樺、榆葉梅、金銀忍冬及蒙古櫟7種東北典型樹種的葉片作為研究對象。選擇形狀典型、葉體完整、無病斑、無蟲害的葉片，同時葉片需連同葉柄一起采摘。由于自然條件下拍攝的葉片圖像普遍存在對比度不明顯、不清晰等問題，因此將具有代表性的葉片帶回實驗室內并構成樣本集，之后對樣本進行取樣拍攝，并用濕布拭除葉片表面泥土與灰塵。因葉緣存在一定程度卷曲，將樣本置于書本之中并加以重物，對葉片進行壓平處理，時間為1 h左右。

1.2?葉片圖像獲取

利用尼康D850型數碼照相機對實驗室內葉片樣本進行靜態取像。本研究通過課題組自行研制的暗箱與數碼照相機相結合獲取的圖像質量較高，且操作過程簡單，暗箱尺寸為366 mm × 285 mm × 293 mm，箱體結構如圖1所示。為消除圖像冗余信息，在載樣臺上方鋪設一張A4白紙作為葉片數字圖像背景，以便于后期圖像的分析與處理。如壓平處理后葉緣還是存在一定程度卷曲，可用膠帶將樣本固定，確保葉片與載樣臺完全貼合。將CCD鏡頭置于暗箱上方開口處，并與葉片所在平面相互平行，與待測葉片的距離以20～30 cm為最佳，保持同一拍攝距離、同一焦距，使葉片充滿整個鏡頭畫面，之后進行葉片圖像采集。拍攝過程中，葉片置于A4白紙的幾何中心且正面朝上平鋪于載物臺上，打開暗箱白熾燈開關，使光線充分打在白紙上，確保葉片的紋理和輪廓較清晰的呈現。

拍攝葉片圖像時，減少抖動，避免運動模糊的干擾。相機設置為微距、自動曝光模式。獲取的葉片圖像分辨率為400×532像素，以BMP格式存儲為24位RGB圖像。如圖2所示，以暗箱拍攝的蒙古櫟、家榆、白樺的葉片數字圖像為例，圖像脈絡明顯、紋理清晰。

1.3?葉片圖像預處理

圖像預處理是進行后續特征提取與目標識別的基礎，弱化葉片圖像無用信息，使目標區域增強。實驗采用64位windows10系統、1.6 GHz的lntel （R） Core （TM） i5四核處理器、系統內存4 GB，運行環境為MATLAB R2016a。

1.3.1?葉片圖像灰度化

圖像灰度化處理主要包括平均值法、最大值法、加權平均法[14]。應用加權平均法對葉片圖像進行灰度化處理，其公式：

G=0.299r+0.587g+0.114b 。 （1）

式中：G代表轉換后葉片圖像灰度值;r、g、b分別代表RGB圖像中紅、綠、藍3個分量值。

MATLAB中調用函數為I=rgb2gray（RGB），表示對R、G、B三個分量進行加權平均。蒙古櫟RGB圖像采用加權平均法處理得到灰度圖像如圖3所示。

1.3.2?葉片圖像二值化

葉片數字圖像包含主體葉片和背景，如圖4（a）所示。因背景存在較多干擾因素，可能會影響后續的圖像分割及識別工作，故將葉片圖像背景轉換為黑色，使葉片從背景中分離出來，如圖4（b）所示。在采摘葉片過程中，葉柄會受到不同程度損傷且長度參差不齊，為確保實驗精準性，避免手工方式去除葉柄，采用MATLAB開運算的imopen函數去除葉柄，如圖4（c）所示。

二值圖像全部像素點的灰度值只有兩種，非“0”即“1”，其中“0”代表黑色，“1”代表白色，使整個圖像呈現出明顯的黑白效果[15]。閾值分割是最簡單適用的圖像分割方法之一[16]。Otsu算法[17-18]是大津在1979年提出的典型全閾值法，計算全局圖像閾值實現對圖像的分割聚類。Otsu算法基本思想是通過圖像灰度特性，使圖像分為背景和目標兩部分，背景和目標之間類間方差越大，表示構成圖像兩部分的差別越大，當兩區域類間方差最大，表明目標與背景差別最大，二值效果最佳。如圖5所示采用最大類間方差法獲取葉片二值圖像。

1.3.3?葉片邊緣檢測

邊緣檢測是圖像分析和理解的第一步，為后續葉片特征提取、目標識別提供參考依據[19]。邊緣是兩個物體之間灰度級不連續的結果，存在于背景與目標之間，在二值圖像中為前景區域外輪廓。邊緣檢測的基本思想是利用算子獲取邊緣點集，之后通過設定的閾值結合邊緣點集，最后獲得連續邊界。邊緣檢測常用算子為Canny算子、Sobel算子、Prewitt算子、Roberts算子和Log算子[20]。Roberts邊緣算子定位準確，但不適用噪聲較多的圖像;Sobel算子適用于噪聲較多的圖像;Prewitt算子能抑制噪聲影響，但對弱邊緣檢測效果不明顯;Canny算子邊緣檢測最全面，包括弱邊緣[21-23]。

以黃檗葉片為例，通過MATLAB圖像處理中edge函數提取葉片圖像中目標與背景間的交界線。由圖6可知Prewitt算子檢測結果圖像不連續;Roberts和Sobel算子檢測結果清晰度較低且存在斷點;Canny算子檢測結果定位精準、圖像清晰、錯誤率低。本研究采用Canny算子對葉片圖像進行邊緣檢測。

2?結果與分析

確保相加前后圖像大小、格式相同，滿足相加條件，把BMP格式的葉片圖像由imwrite函數寫入到圖像文件中。樹木葉片二值圖像灰度值為 “0”和“1”，利用MATLAB中im2uint8函數把圖像轉換為uint8類型，使其映射到“0”和“255”。如圖7所示。葉片灰度圖像與Canny算子提取二值圖像的邊緣輪廓通過MATLAB中imadd函數進行相加，相加結果如圖7（c）所示，葉片灰度值沒有發生改變，只是葉片邊緣輪廓發生變化，由原來的灰度值變為255。在葉片分割算法中，把目標葉片的灰度圖像從背景中分離出來作為樹木葉片分割完成的標志。新型加和算法能夠將目標葉片的灰度圖像和其它區域精準區別開，且保持葉片原始的灰度圖像信息不變。

為確保樹木葉片完全從圖像背景中分離出來，利用MATLAB中“～”運算符把葉片二值圖像反轉并將圖像數組轉換為uint8類型，反轉后葉片二值圖像與第一次加和后的圖像二次相加。如圖8（c）所示，葉片背景區域轉換為白色與原始灰度圖像如圖7（a）所示對比，葉片從背景中完全且精準分割出來。

基于新型加和算法的葉片圖像分割方法與常用的經典Otsu算法相比，加和法分割獲取的為樹木

葉片原始灰度圖像，而Otsu算法獲取的為葉片二值圖像;加和法未改變葉片圖像灰度值，保留葉片邊緣信息，使圖像包含豐富的紋理信息，有利于后續紋理特征值提取，但通過Otsu算法獲取的二值圖像僅適用于葉片幾何特征值的提取;加和法運行速度快，保留樹木葉片的完整特征信息，提高圖像分割準確率，可應用于其它灰度圖像分割領域。

為驗證新型加和算法的有效性和實用性，利用在實驗室環境下搭建的暗箱，經過大量實驗驗證，樹木葉片的灰度圖像可以完全并精準的從背景中分離出來，且沒有改變其它區域特征。如圖7（a）和圖8（c）所示葉片灰度值沒有改變，只是8（c）的背景和葉片邊緣灰度級變為255。基于新型加和算法的葉片圖像分割為后續特征提取、目標識別提供理論支撐。

3?結論

本研究以東北林業大學實驗林場的樹木葉片為研究對象，提出了一種新型加和算法對葉片圖像進行分割，在目標區域定位的準確性及目標提取的完整性上均明顯增強。首先將葉片二值圖像的輪廓邊緣與原始灰度圖像相加，之后對葉片二值圖像進行反轉，反轉的二值圖像與第一次相加后的圖像進行二次相加。實驗結果表明：基于新型加和算法的樹木葉片圖像分割方法可有效處理圖像轉換過程中目標區域灰度值改變的問題，增加灰度圖像分割精確性。新型加和算法是一種切實可行的樹木葉片分割方法，為進一步開發葉片病害識別系統提供理論支撐，為后續的紋理特征提取、目標缺陷識別提供了一種有效途徑，具有實際應用價值。

【參?考?文?獻】

[1]李可心，戚大偉，牟洪波，等.基于灰度共生矩陣與SOM神經網絡的樹皮紋理特征識別[J].森林工程，2017，33（3）：24-27.

LI K X， QI D W， MU H B， et al. Identification of tree bark texture characteristic based on gray co-occurrence matrix and SOM neural network[J]. Forest Engineering， 2017， 33（3）：24-27.

[2]張寧波.面向雜草識別的圖像分割方法研究[D].哈爾濱：東北農業大學，2016.

ZHANG N B. Research on image segmentation method for weed recognition[D]. Harbin： Northeast Agricultural University， 2016.

[3]KHIRADE S D， PATIL A B. Plant disease detection using image processing[C]. 2015 International conference on computing communication control and automation， IEEE， 2015： 768-771.

[4]BACKES A R， CASANOVA D， BRUNO O M. Plant leaf identification based on volumetric fractal dimension[J]. International Journal of Pattern Recognition and Artificial Intelligence， 2009， 23（6）：1145-1160.

[5]VALLIAMMAL N， GEETHALAKSHMI S N G S N. A novel approach for plant leaf image segmentation using fuzzy clustering[J]. International Journal of Computer Applications， 2012， 44（13）：10-20.

[6]LARESE M G， NAMIAS R， CRAVIOTTO R M， et al. Automatic classification of legumes using leaf vein image features[J]. Pattern Recognition， 2014， 47（1）： 158-168.

[7]SINGH V， MISRA A K. Detection of plant leaf diseases using image segmentation and soft computing techniques[J]. Information processing in Agriculture， 2017， 4（1）： 41-49.

[8]NAMIATA S， KISHORE D M， TRAVIESO C M. Computer vision based technique for identification and quantification of powdery mildew disease in cherry leaves[J]. Computing， 2018， 100 （11）：1189-1201.

[9]張昭，楊民倉，何東健.基于PCA和SVM的植物葉片分類方法研究[J].農機化研究，2013，35（11）：34-37.