一種葉片RGB圖像快速切割多重去噪方法

林志華 林國健 陳享燈 林雷通 曾文龍 邱銘生 江海東 林天然

摘要：基于RGB圖像連通性，提出一種圖像快速切割多重去噪法（fast cutting and multiplede-noise，簡稱FCMD），并與現有的4種算法進行對比。結果表明，該方法處理時長適中，對單色葉和雜色葉的識別像素、色階均值、色階中位數的準確率均達到98.78%及以上，綜合表現最優。FCMD能夠在不同的邊緣算子下完成對各種類型葉片準確、快速的切割消噪，其中以sobel算子的處理效果最優，其處理效果與手動切割（CK）無明顯差異。同時，FCMD法在中高分辨率（3 750×2 500）的切割效果與手動切割無明顯差異，而所用時長僅為CK的23.21%，效率提升近5倍。因此，FCMD是一種高效、準確、適用范圍廣的RGB圖像自動化葉片切割去噪方法。

關鍵詞：RGB圖像;圖像切割;背景去噪;植物葉片;FCMD

中圖分類號： TP391.41文獻標志碼： A

文章編號：1002-1302（2021）12-0151-06

收稿日期：2020-09-29

基金項目：福建省煙草公司龍巖市公司科技項目（編號：2020Y01）。

作者簡介：林志華（1985—），男，福建連城人，農藝師，主要從事煙葉生產管理、煙葉產業信息化建設、煙田基礎設施建設相關研究。E-mail：532337187@qq.com。

通信作者：林天然，碩士，農藝師，主要從事煙草植保相關研究。E-mail：chltr@126.com。

獲取精確的葉色信息是采用RGB圖像定量描述葉片表型特征的前提[1-2]。在通過數碼相機獲取葉片圖片后，必須先對原始圖片進行切割，將目標葉片和背景干擾物分離后，再對數據進行提取分析[1-4]。現有的計算機圖片切割方式主要有手動切割法[5-6]、顏色閾值法[2，7-10]、最大類間方差（OTSU）法[11-12]、邊緣識別分割法[11-13]及復合法[11-12，14]，這些方法在特定拍攝環境下[15]（如黑箱拍攝）或者對特定植物的分割效果較好，但也存在適用范圍窄[16]、背景切割分離不夠充分[10-12]、處理效率較慢[13-14]等問題。針對以上問題，本研究根據數碼圖片連通域的原理，綜合背景差分[17-19]、邊緣識別、顏色閾值等算法，提出圖像切割去噪法（fast cutting and multiplede-noise，簡稱FCMD），并對比FCMD與現有算法在處理效果、數據提取準確率、處理效率上的差異及FCMD對不同邊緣算子、不同葉片類型、不同分辨率圖像的適應性，以期能夠提供一種高效、精確、適用范圍廣的RGB圖像葉片自動化切割去噪方法。

1 材料與方法

1.1 葉片收集及圖像采集

采用福建省龍巖市龍津湖公園（117.023 011°E，25.068 662°N）拾取的10種不同類型葉片，用吸水紙擦干表面水分及灰塵后作為研究對象。圖像采集所用平臺為長300 cm、寬 200 cm、離地高度80 cm的長方形桌面，桌面底板顏色為灰白色（RGB值為230，230，230）啞光磨砂臺面。照明光源為直徑30 cm環型10 W白色發光二極管（LED）燈，色溫為5 000 K（4 726.85 ℃），燈管懸掛位置位于平臺中心高100 cm處，保證平臺臺面光線均勻;距離平臺臺面100 cm處用三腳架和云臺固定數碼相機，鏡頭穿過環型LED燈中心，采用高分辨率照相機（型號：EOS-550D，日本佳能公司）進行垂直拍攝。圖像采集時，將葉片保持自然舒展狀態放入鏡頭中央，采用M檔無閃光拍攝，感光度（ISO）值為100，光圈f/5，快門1/15 s，焦距41 mm，白平衡設為自動，原始數字圖像分辨率為5 184×3 456。

1.2 手動切割及顏色信息提取方法

采用Photoshop CS（下文簡稱PS）軟件中的顏色魔棒工具及磁性邊緣索套工具對葉片圖像進行手工切割，并以此作為對照（CK）。采用PS自帶的圖像信息直方圖獲取目標圖像的顏色參數信息。

1.3 現有計算機自動化切割方法

現有計算機自動化切割方法主要通過Matlab 2016R軟件來實現：

顏色閾值法（以下簡稱C1）：通過預先設定好顏色閾值（本研究以采樣臺底板顏色的RGB 值為閾值）對圖像逐個像素顏色進行識別、篩選、分離。

OTSU法（以下簡稱C2）：運用im2double函數將圖片轉化為雙精度數組;運用graythresh函數獲得最優閾值，然后運用im2bw函數以此為閾值進行二值化填充。

邊緣識別分割法（以下簡稱C3）：運用im2double函數將圖片轉化為雙精度數組，運用rgb2gray函數將圖片轉為灰度圖;運用ddencmp函數進行分層小波消噪，而后采用wdencmp函數進行全局閥值消噪;最后運用edge函數canny算子進行邊緣識別切割。

復合法（以下簡稱C4）：先采用C3方法進行邊緣識別切割，而后采用C2方法進行顏色去噪處理。

1.4 計算機自動化葉色參數提取方法

本研究采用Matlab軟件對彩色圖像進行數據提取。葉色參數均以彩色圖片Red通道色階參數值為數據處理、比較、分析對象。

1.4.1 葉色圖片預處理 運用image（：，：，1）函數讀取目標圖像Red通道每個像素色階，運用全循環算法檢索記錄圖像中非黑部分像素索引碼，將其組合為新的色階數組，該數組即為無軟件特性干擾的葉片色階信息矩陣。本研究中所用到的方法在提取葉色參數提取前，均采用此方式進行預處理。

1.4.2 色階累積直方圖構建 運用imhist函數獲取Red通道色階累積直方圖。

1.4.3 葉色特征參數表建立 運用Mean、Median、Std函數分別獲取Red通道的色階均值、中位數、標準差等參數，形成葉色特征參數表。

1.5 FCMD法對不同邊緣算子適應性的試驗設計

本研究運用edge函數sobel、prewitt、roberts、canny 4種不同算子分別對10類葉片進行自動切割消噪并獲取其葉色參數，與手動切割（CK）所獲得的葉色參數進行比較，運用SPSS軟件對CK及4種算子的識別像素占比、色階均值、色階中位數、色階標準差通過最小顯著性差異法（Least-Significant Difference，簡稱LSD）進行多重比較。

1.6 FCMD法對不同分辨率圖像適應性的試驗設計

本研究將10種不同類型的葉片原始圖像分別通過PS軟件調整為低分辨率（A，750×500）、中等分辨率（B，1 500×1 000）、中高分辨率（C，3 750×2 500）、高分辨率（D，5 184×3 456）4類，而后采用FCMD進行圖像切割去噪并分別提取不同分辨率圖像的葉色參數。運用SPSS軟件對A、B、C、D與原始分辨率（CK）的識別像素占比、色階均值、色階中位數、色階標準差進行LSD多重比較。

2 結果與分析

2.1 現有葉片圖像切割和去噪方法存在背景干擾的問題

2.2 FCMD圖像切割去噪法

2.2.1 FCMD法的理論依據 往常用的4種算法（C1～C4）存在一定的缺陷：

C1：因顏色閾值必須事先設定，故要求背景顏色盡可能單一且與主題有較大色差，因此采用此方法的試驗，一般采用黑箱拍攝或者掃描儀獲取背景單一的葉片圖像。然而，由于人眼無法直接感知RGB數值，在采用此方法試驗前，一般須要將RGB圖像轉化為人眼可以直接感知的HSV（hue，saturation value，色調飽和度，亮度）色彩模型，再通過設定飽和度或者明暗度進行閾值篩選，運算量也因此加大。此方法適用于對目標葉片葉色較為單一的植株，對雜色葉、多色葉處理效果較差。

C2：不用預先設定顏色閾值，可以通過Matlab軟件算法庫直接調用函數進行處理，其缺點與C1一樣，對葉色較為單一的植株處理效果較優，對雜色葉、多色葉處理效果較差。

C3：在圖像采集中無須純色背景，對單色葉、雜色葉、多色葉識別效果均較好，但是對葉面扭曲的葉片及背景陰影較大、背景噪點多且雜的葉片圖像處理效果欠佳。

C4：結合了C2和C3的優點，是目前處理效果較優的一種圖像切割去噪方法。

數字圖像像素點與其相鄰像素存在著連通關系。連通性（鄰接性）是描述區域和邊界的重要概念，2個像素是否連通可以通過以下2個條件進行判定：2個像素的坐標位置是否相鄰（如8鄰接等），2個像素的RGB值是否滿足特定的相似性準則（同時滿足某種條件，如在色階區間范圍內）。圖1示意了數字圖像像素點的連通性，可以看到，位居中央的像素點與環繞在其周圍的其他8個像素點構成了8鄰接，實現了領域連通;與其他像素點間的RGB值相近，實現了值域連通。可以采用這個原理，對數字圖像進行邊緣檢測或者設定顏色閾值，

找到目標葉片，而后對圖像進行切割、分離。

2.2.2 FCMD法實現步驟 本研究所提供FCMD法主要通過Matlab軟件實現。步驟如下：（1）將目標葉片根據本研究所提供的圖像采集方法進行拍攝（圖2-1）;（2）將葉片原始圖像及空白背景圖像分別轉化為灰度圖（圖2-2）;（3）進行差分處理，去除背景圖片（圖2-3）;（4）進一步去除圖像邊緣對象（圖2-4）;（5）對圖像邊緣進行檢測提取（圖2-5）;（6）對圖像進行膨脹操作并填補邊緣縫隙（圖2-6）;（7）對圖像進行空隙填充并采用菱形結構元素對圖像進行平滑（圖2-7）;（8）將平滑后的圖像多次中值濾波去除冗余信息（圖2-8）;（9）運用bwlabe函數尋找8聯通成份并進行二值化處理（圖2-9）;（10）運用雙循環算法將上一步驟所得圖像二值圖中黑色部分（即背景RGB值為0，0，0）填充白色后形成背景蒙版;而后將原圖作為底圖，與背景蒙版進行圖像加法運算，形成具有白色背景及目標葉片彩色圖像的JPG圖片（圖2-10）;（11）運用雙循環算法將前景復原后的JPG圖片白色背景透明度調整為0（即完全透明），得到透明背景的目標葉片彩色圖像PNG圖片（圖2-11）。

以上步驟2～11均通過計算機自動實現。其中，步驟2～9為圖像切割步驟，步驟10為圖像復原步驟，步驟11為圖像背景透明化步驟。

2.2.3 FCMD法與現有切割去噪方法的對比 采用FCMD法與現有算法（C1～C4）分別對單色葉片和雜色葉片進行切割，比較其處理效果和所提取葉色特征參數準確率。從圖3、表1可以看出，采用顏色閾值算法（C1）和OTSU算法（C2）能夠較好地去除純色葉片的背景，但是對雜色葉片會產生誤判，導致識別像素準確率下降;而邊緣識別算法（C3）可以較好地識別雜色葉片邊緣，不會進行多余的切割，但是背景雜音對其干擾嚴重，且對葉片陰影敏感容易造成誤判，其處理耗時較長，效率較低;復合切割算法（C4）在邊緣切割的基礎上再次進行去噪，對純色葉和雜色葉均有較好的處理效果，所提取的葉色特征參數值也較優，對葉片陰影消噪效果較好，但是處理耗時最長。本研究所提供的FCMD法結合了C1～C4的特點，先進行背景差分處理，將前、后景進行簡單分離;而后通過邊緣對象去除，降低扭曲葉片的陰影干擾;再通過邊緣識別、填充、平滑和多次中值濾波后獲得較好的邊緣輪廓;隨后進行連通域區域面積篩選，去掉背景雜點，分離出精確的前景目標圖像，對單色、雜色葉片整體處理效果均最優，進一步降低了葉片陰影的干擾，處理效率適中，具有較高的參數準確率，綜合表現最優。

2.3 FCMD法的其他優勢

2.3.1 FCMD法適用于不同葉片類型 自然界中的植物葉型葉色多種多樣，本研究選取并采集大小、葉型、葉色、 葉緣各不相同的葉片共10類，通過本研究的圖像采集方法獲取葉片彩色圖像后，運用FCMD法對葉片進行自動切割去噪，驗證該方法的適用性。從圖4可以看出，FCMD法切割效果較好，但是由于部分葉型的葉面具有扭曲（圖4-D、圖4-E），在圖像采集時，始終保持葉片自然舒展狀態，未進行壓平處理，因此，會產生部分陰影;而羽狀復葉（圖4-F）則因為枝條過細，在連通域篩選時由于面積閾值設定值較高，過于細小的枝葉會被誤判清除，造成圖像部分缺失，這些都導致切割效果有所下降。

2.3.2 FCMD法適用于不同邊緣識別算子 edge函數的sobel、prewitt、roberts、canny 4個算子對葉片邊緣的識別效果是不同的。從表2可以看出，4種邊緣識別算子與CK的識別像素占比、色階均值、色階中位數均無顯著性差異。在切割消噪及信息提取分析效率上，sobel、prewitt、roberts、canny算子所用時長僅為CK（23.70 s）的44.68%、45.15%、46.46%、48.48%，sobel、prewitt算子用時明顯優于canny。綜上所述，本研究所提供的FCMD法能夠適應在不同的邊緣算子下完成各種類型葉片準確、快速地切割消噪，其中以sobel算子最優，其處理效果（識別像素占比、色階均值、色階中位數、色階標準差）與手動切割無顯著性差異，且處理用時最短。

2.3.3 FCMD法適用于不同分辨率圖像 在進行群體高通量表型獲取時，研究人員必須考慮檢測儀器的成本投入及測量效率。通過對不同分辨率的圖像處理效果（表3）可以看出，中高分辨率（C）、高分辨率（D）在識別像素占比、色階均值、色階中位數、色階標準差4項參數中均與CK無顯著性差異;低分辨率（A）、中分辨率（B）的色階標準差、色階均值、色階中位數與CK均有顯著性差異。在處理效率方面，低分辨率、中分辨率、中高分辨率、高分辨率所用時長僅為CK（23.70 s）的2.07%、4.43%、23.21%、44.68%，且4種分辨率的用時均呈顯著性差異。綜上所述，中高分辨率、高分辨率在切割效果和葉色特征參數在獲取方面均與手動切割無顯著性差異，但中高分辨率的處理用時約為高分辨率用時的一半。因此，在研究中可以采用中高分辨率（3 750×2 500）的圖像代替高分辨率圖像，以提升處理效率，降低圖像采集及數據處理設備的投入。

3 結論與討論

數碼圖像由于其低廉的成本、精準的信息、方便的操作備受表型組學研究人員青睞[20]。在圖像切割和信息獲取過程中，不同的方法對葉色提取結果有較大的影響。本研究比較了前人不同算法的優缺點，提出了基于RGB圖像連通性的FCMD法，并與現有的4種算法進行精確度、處理效果的對比（圖3、表1）， 結果顯示本研究所提供的FCMD法綜合表現最優。還對FCMD法對不同葉型葉片（圖4）、不同邊緣算子（表2）、不同分辨率圖像（表3）的適用性進行了應用驗證，其處理效果和準確率均與手動切割（CK）沒有顯著性差異，說明筆者所在課題組的方法是可靠有效的。

FCMD法解決了以往研究中圖像采集條件苛刻（須黑箱拍照取樣）、須要高精度拍攝設備、背景分離不充分的問題，該方法允許研究人員在普通光照的開放環境下采集到較為精確的圖像，且對拍攝設備分辨率要求不高，中低端相機或手機攝像頭均能通過FCMD法處理獲取準確的葉色參數。是一種高速、精準、適用范圍廣的RGB圖像自動化葉片切割去噪方法。

參考文獻：

[1]張若宇，坎 雜，馬 蓉，等. 基于RGB模型的脫絨棉種顏色特征與發芽狀況的關系[J]. 農業工程學報，2010，26（10）：172-177.

[2]韓殿元，黃心淵，付 慧. 基于彩色通道相似性圖像分割方法的植物葉面積計算[J]. 農業工程學報，2012，28（6）：179-183.

[3]毛罕平，張艷誠，胡 波. 基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J]. 農業工程學報，2008，24（9）：136-140.

[4]袁 媛，李 淼，梁 青，等. 基于水平集的作物病葉圖像分割方法[J]. 農業工程學報，2011，27（2）：208-212.

[5]Kendal D，Hauser C F，Garrard G E，et al.Quantifying plant colour and colour difference as perceived by humans using digital images[J]. PLoS One，2013，8（8）：e72296.

[6]Riccardi M，Mele G，Pulvento C，et al.Non-destructive evaluation of chlorophyll content in quinoaand amaranth leaves by simple and multiple regression analysisof RGB image components[J]. Photosynthesis Research，2014，120：263-272.

[7]Feng Y M，Ren G W，He K T，et al.RGB color channel variation based segmentation of crop leaf lesion[C]//2015 IEEE 10th Conference on Industrial Electronics and Applications （ICIEA），2015：592-596.

[8]Neilson E H，Edwards A M，Blomstedt C K，et al. Utilization of a high-throughput shoot imaging system to examine the dynamic phenotypic responses of a C4 cereal crop plant to nitrogen and water deficiency over time[J]. Journal of Experimental Botany，2015，66（7）：1817-1832.

[9]Wang L D，Yang T，Tian Y W.Crop disease leaf image segmentation method based on color features[J]. Springer，2007，258：713-717.

[10]Vasseur F，Bresson J，Wang G，et al.Image-based methods forphenotyping growth dynamics and fitness components in Arabidopsis thaliana[J]. Plant Methods，2018，14：63.

[11]Dobrescu A，Scorza L C T，Tsaftaris S A，et al.A“Do-It-Yourself”phenotypingsystem：measuringgrowthandmorphology

throughout the diel cycle in rosette shaped plants[J]. Plant Methods，2017，13：95.

[12]Green Jason M，Appel M Heidi，Rehrig E，et al. PhenoPhyte：a flexible affordable method to quantify 2D phenotypes from imagery[J]. Plant Methods，2012，8：45.

[13]Cai J H，Okamoto M，Atieno J，et al. Quantifying the onset and progression of plant senescence by color image analysis for high throughput applications[J]. PLoS One，2016，11（6）：e0157102.

[14]Sun Y Y，Zhu S C，Yang X，et al. Nitrogen diagnosis based on dynamic characteristics of rice leaf image[J]. PLoS One，2018，13（4）：e0196298.

[15]Pérez-Patricio M，Camas-Anzueto J L，Sanchez-Alegría A，et al.Optical method for estimating the chlorophyll contents in plant leaves[J]. Sensors，2018，18（2）：650.

[16]Han W T，Sun Y，Xu T F，et al. Detecting maize leaf water status by using digital RGB images[J]. International Journal of Agricultural & Biological Engineering，2014，7（1）：45-53.

[17]Moallem P，Serajoddin A，Pourghassem H. Computer vision-based apple grading for goldendelicious apples based on surface features[J]. Information Processing in Agriculture，2017，4 （1）：33-40.

[18]吳雪梅，張富貴，呂敬堂. 基于圖像顏色信息的茶葉嫩葉識別方法研究[J]. 茶葉科學，2013，33（6）：584-589.

[19]Mansour M，Tahmasebi S，Dadpour M R. Predicting cut rose stages of development and leaf color variations by means of image analysis technique[J]. Journal of Ornamental Plants，2017，7（1）：25-36.

[20]Andrade-Sanchez P，Gore M A，Heun J T，et al. Development and evaluation of a field-based high-throughput phenotyping platform[J]. Functional Plant Biology，2013，41（1）：68-79.