大豆葉片圖像的葉脈分割方法①

趙丹丹, 王 斌,2

1(南京財經(jīng)大學(xué) 信息工程學(xué)院, 南京 210023)

2(智能機器人湖北省重點實驗室(武漢工程大學(xué)), 武漢 430205)

大豆, 是一種豆科植物, 富含對人類和動物有益的植物蛋白質(zhì)和脂肪[1]. 中國擁有5 000 多年栽植優(yōu)質(zhì)大豆的文化和歷史, 是世界上最早培育大豆的國家. 許多其他國家的培育大豆都由中國傳入, 如巴西、印度、美國等. 由于生產(chǎn)的大豆對人類健康有用且易于食用,已發(fā)展成為目前世界上消費最廣泛的糧食之一[2]. 近些年, 自然環(huán)境的惡化以及全球人口基數(shù)增長共同引發(fā)了全球糧食危機, 即全球性的糧食短缺、產(chǎn)量銳減、價格漲幅過快, 全球饑餓人口和正在遭受糧食安全威脅的人口約占世界總?cè)丝诘囊话? 因此, 研究大豆育種、生長、發(fā)育和產(chǎn)量以提高大豆品質(zhì)和產(chǎn)量這項任務(wù)具有十分重要的意義.

學(xué)術(shù)界和現(xiàn)代農(nóng)業(yè)領(lǐng)域不乏對大豆的研究, 例如裴文彤[3]使用虛擬植物仿真技術(shù)實現(xiàn)了大豆葉片仿真建模, 在構(gòu)建葉片輪廓的基礎(chǔ)上, 通過觀察葉脈的主側(cè)脈之間的角度、形態(tài)和走向來實現(xiàn)模擬葉脈, 運用拉普拉斯算法對葉面區(qū)域進行彎曲操作, 使得大豆葉面模型達(dá)到了曲面彎曲效果, 并證明了實驗得到的大豆葉片模型對于大豆的研究具有一定的價值. Wang 等人[4]首次嘗試將來自大豆植株不同部位的葉片圖像特征描述子進行聯(lián)合用于識別大豆品種, 使用多尺度滑動弦來測量葉片圖像的外部形狀和內(nèi)部特征, 他們的實驗結(jié)果證明了大豆葉片中品種信息的可獲得性. 這些研究都在不同程度上促進了大豆品種的鑒別、選擇和生產(chǎn),為提高大豆產(chǎn)量和緩解糧食危機問題提供了理論基礎(chǔ).

在圖1 中, 我們列舉了5 張大豆葉片圖像(見圖1中的第1 行), 它們分別取自不同品種的大豆植株的下部. 通過觀察, 我們可以發(fā)現(xiàn)同屬于同一物種的不同品種的大豆葉片具有高度相似的視覺模式, 很難從葉片圖像中提取獨特的葉片圖像形狀特征來用于大豆品種鑒別. 為了提取到可用于大豆品種識別的獨特的葉片圖像模式, 我們嘗試著手工標(biāo)注了這些葉片圖像的葉脈信息(見圖1 中的第2 行), 通過觀察這些葉脈圖像,可以直觀發(fā)現(xiàn)這些葉片圖像的葉脈結(jié)構(gòu)分布差異較大,可以作為大豆品種識別的一個重要線索, 因此研究大豆葉脈模式具有重要意義.

圖1 5 種不同品種的大豆葉片圖像及其人工標(biāo)注葉脈圖像

葉脈是指葉肉內(nèi)的維管組織及其周圍的機械組織,是植物的重要器官之一, 主要功能是輸送水和養(yǎng)料, 其在葉片上的分布情況稱為脈序[5,6]. 如圖2(a)所示, 這是一張大豆葉片圖像. 大豆葉片由葉肉和葉脈組成, 其中葉脈結(jié)構(gòu)較為復(fù)雜, 主要包括3 部分, 分別是一級葉脈、二級葉脈和細(xì)脈[7]. 一級葉脈, 也稱主脈, 位于葉片的中心位置, 與葉柄區(qū)域相連且具有較寬的脈寬. 二級葉脈, 也稱側(cè)脈, 其起點來自于一級葉脈兩側(cè), 脈寬小于一級葉脈. 細(xì)脈, 是自二級葉脈開始發(fā)出的葉脈, 其葉脈的寬度比二級葉脈的脈寬更小, 結(jié)構(gòu)也更加復(fù)雜多變. 許多研究都表明, 葉脈中包含著植物最為關(guān)鍵的各種生理信息和遺傳信息, 例如: 通過分析葉脈的位置和角度可以推斷葉片的發(fā)育形態(tài)和葉脈的生長方向[8];主脈和側(cè)脈之間的分布情況能夠體現(xiàn)整株植物的結(jié)構(gòu)[9]. 因此, 葉脈是識別植物品種和分析植物生長發(fā)育狀況極具參考價值的指標(biāo), 對大豆品種進行葉脈分割有助于科學(xué)地研究各個品種大豆植株的結(jié)構(gòu)以及生長情況, 同時對于大豆品種的基因研究和識別有著十分重要的研究價值.

圖2 大豆葉片圖像的葉脈結(jié)構(gòu)圖

大豆葉脈分割的挑戰(zhàn)來自于大豆葉脈結(jié)構(gòu)十分復(fù)雜, 葉脈像素寬窄度不相同, 部分葉脈區(qū)域的像素點灰度值沒有發(fā)生激烈變化, 具有非常低的對比度, 直接借助灰度信息分割葉脈幾乎不可能達(dá)到很好的效果. 同時, 葉片受溫度、土壤、水分、養(yǎng)分等生長條件的影響, 會出現(xiàn)受光不均勻、枯黃、縮卷等情況, 這些都會對大豆葉脈分割研究造成很大的挑戰(zhàn).

本文專注于基于圖像處理技術(shù)大豆葉脈分割問題.我們提出了組合多尺度灰度無約束擊中或擊不中變換(unconstrained hit-or-miss transform, UHMT)算法[10]和基于色調(diào)飽和度亮度(hue-saturation-intensity, HSI)顏色空間[11]的色調(diào)(hue)信息處理方法的葉脈分割方法. 該方法結(jié)合紅綠藍(lán)(red-green-blue, RGB) 顏色空間[12]中的灰度信息和HSI 顏色空間中的色調(diào)信息,分別從大豆葉片圖像中分割出全局葉脈和局部一級、二級葉脈. 其中, 灰度信息可以實現(xiàn)葉片區(qū)域提取, 同時結(jié)合多尺度灰度UHMT 算法能夠很好地分割出全局葉脈, 而HSI 顏色空間的色調(diào)信息能夠擴大一級、二級葉脈和細(xì)脈之間的差異, 更加完整地分割一級、二級葉脈. 為研究該方法的有效性, 我們使用了大豆品種葉片圖像數(shù)據(jù)庫SoyCultivar[13]中的大豆葉片圖像來驗證實驗. 對實驗結(jié)果中葉脈圖像進行觀察與分析,證明了本方法對大豆葉脈分割的有效性.

1 相關(guān)工作

近年來, 計算機視覺和圖像處理技術(shù)高速發(fā)展, 葉脈模式分析已經(jīng)成為了研究的熱門課題, 植物葉脈分割方法研究也已有了大量成果. 現(xiàn)將葉脈分割方法分為4 類, 分別基于區(qū)域、邊緣、聚類和神經(jīng)網(wǎng)絡(luò).

基于區(qū)域的分割方法根據(jù)圖像的顏色、紋理、像素分布規(guī)則等特征, 把圖像中的像素點劃歸到不同的區(qū)域中[14]. 針對傳統(tǒng)的閾值分割方法無法區(qū)分多類別的目標(biāo)圖像的問題, 吳志輝[15]提出一種最大類間方差法和最大熵法結(jié)合的方法, 基本上能夠有效地將葉脈從包含背景和葉肉的圖像中分割出來, 但仍有部分葉肉像素點沒有被正確分割. 金秋春等人[16]采用高斯梯度法計算出水平和垂直兩個方向的梯度, 設(shè)計8 個不同方向的頂帽變換算子進行變換, 主葉脈和側(cè)葉脈提取完整清晰. Larese 等人[17]和Grinblat 等人[18]使用UHMT 方法對葉脈模式進行分割.

基于邊緣的分割方法的分割原理是: 在一張圖片中, 屬于不同類別的區(qū)域的邊界位置像素點的灰度值差異較大[19]. 使用這一類方法, 可以檢測出圖像中各個區(qū)域的邊緣, 從視覺效果分析大體滿足了圖像的分割要求. 田甜等人[20]結(jié)合植物葉脈特有的形狀和組成結(jié)構(gòu), 對原始4 個方向的索貝爾算子進行了改進, 構(gòu)造出了8 個方向的索貝爾算子, 用于植物葉脈的分割, 大體上能夠提取出清晰的葉脈, 但部分非常細(xì)小的葉脈未被提取出來. 朱鵬[21]選擇Canny 算子進行邊緣檢測操作, 初步提取出葉脈, 同時對hue 信息進行分割, 在此基礎(chǔ)上, 利用形態(tài)學(xué)方法和小波變換對分割結(jié)果進行處理、整合, 從而實現(xiàn)葉脈分割. 任克強等人[22]試圖將模糊增強方法運用到了邊緣檢測算法中, 并對Canny算子進行了改進, 共同實現(xiàn)葉脈分割, 該方法雖然可以完整地分割出葉脈邊緣, 但對邊界模糊性的敏感度不夠. 汪濤等人[8]利用霍夫變換技術(shù)尋找一級葉脈的位置, 并確定和區(qū)分葉片兩端的端點位置, 然后進行角點檢測來搜尋一級葉脈和二級葉脈的交點, 從交點出發(fā)確定二級葉脈的位置, 這種方法能夠很好地提取出一級葉脈和二級葉脈, 同時一級和二級葉脈夾角測量結(jié)果較為準(zhǔn)確. 張立紅等人[23]利用霍夫變換檢測植物葉脈圖像并且消除圖像噪聲, 其效果好于普通的微分檢測算子的效果, 邊緣線更加平滑, 噪聲更少. 由于葉脈結(jié)構(gòu)十分復(fù)雜, 僅處理葉片的亮度信息實現(xiàn)葉脈分割效果很差, 馬全軍等人[24]采用方向能量模型來實現(xiàn)邊緣檢測, 從不同方向計算像素點的方向能量, 通過計算結(jié)果對比選定最佳的方向和大小, 從而能夠更加高效且準(zhǔn)確地進行葉脈邊緣分割. 實驗結(jié)果證明了這種方法對普通葉片和包含陰影區(qū)域的葉片都能起到很好的分割作用, 一級和二級葉脈信息分割完整.

基于聚類的分割方法通過計算圖像中各個像素點之間的相似程度, 把相似程度高的像素點劃分為一類,以期在最短的時間內(nèi)分出盡可能少的類, 同時保證同類差異小、不同類差異大. 李燦燦等人[25]提出一種基于K 均值聚類的葉脈分割算法, 依據(jù)HSI 顏色空間中的I 信息區(qū)分葉片圖像受光是否均勻, 將圖像分為兩類, 分別對這兩類有差異地進行聚類處理, 這種方法能夠顯著降低葉脈分割的錯分率, 但不能處理葉脈比葉肉亮度大的葉片圖像. 宣旭峰等人[26,27]考慮了葉片受光是否均勻以及葉片是否枯黃, 將葉片分為4 個類別,在HSV 顏色空間信息與直方圖信息基礎(chǔ)上, 使用快速模糊C 均值聚類算法用于區(qū)分這4 種類別并進行葉脈分割. 徐艷蕾等人[28]、李永亮等人[29]、楊澤靜等人[30]均將模糊邏輯運用到葉脈分割方法中, 分別與形態(tài)學(xué)相結(jié)合, 用來克服自然環(huán)境中噪聲的影響, 提高了葉脈檢測效果. 其中文獻[30]第一步使用了大津法來獲得葉片區(qū)域, 然后使用Canny 算子進行葉脈邊緣檢測, 得到較為粗糙的葉脈, 為了提取更加準(zhǔn)確的葉脈, 運用了模糊聚類方法對已得到的葉脈像素點分類, 提取出更加精細(xì)、準(zhǔn)確的葉脈信息. 模糊聚類方法很好地降低了光照差異對提取結(jié)果的影響.

基于神經(jīng)網(wǎng)絡(luò)的分割方法, 是一種借助已有的圖形特征, 不斷進行學(xué)習(xí)和自我優(yōu)化的方法, 能夠自主提煉出很多圖像中的有效信息. 趙卓英等人[31]運用細(xì)胞神經(jīng)網(wǎng)絡(luò)進行葉脈分割, 通過合理地對神經(jīng)網(wǎng)絡(luò)參數(shù)進行設(shè)計, 最終網(wǎng)絡(luò)分割出的葉脈信息較為理想, 但需花費大量的時間. Li 等人[32]將主動輪廓技術(shù)運用到細(xì)胞神經(jīng)網(wǎng)絡(luò)上, 實現(xiàn)了更加靈活、準(zhǔn)確地提取葉脈結(jié)構(gòu). Fu 等人[33,34]做出了使用人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型進行葉脈分割的嘗試, 網(wǎng)絡(luò)模型選用包括灰度值在內(nèi)的10 個參數(shù)作為輸入層. 隨著深度學(xué)習(xí)研究的不斷深入,基于語義的圖像分割技術(shù)同樣也可以用于葉脈分割工作. Xu 等人[35]人工標(biāo)注葉脈信息, 得到葉脈標(biāo)簽圖, 并在原圖和標(biāo)簽圖上圈出感興趣的區(qū)域, 構(gòu)造出兩個數(shù)據(jù)集, 分別傳入U-Net 網(wǎng)絡(luò)進行訓(xùn)練, 優(yōu)化模型參數(shù),并對葉片圖像進行預(yù)測, 與人工標(biāo)注的標(biāo)簽圖進行定量比較, 得到模型的性能評價結(jié)果.

這些方法雖然各有千秋, 但將這些方法運用到大豆品種葉片圖像的葉脈分割研究時, 效果并不理想.到目前為止, 專注于大豆品種的葉脈分割研究還沒有發(fā)現(xiàn), 因此, 本文聚焦不同品種的大豆葉片圖像, 利用RGB 顏色空間中的灰度信息和HSI 顏色空間中的色調(diào)信息, 提出多尺度灰度UHMT 算法和基于HSI顏色空間的色調(diào)信息處理方法, 分別用于從大豆葉片圖像中分割出全局葉脈和局部一級、二級葉脈. 基于灰度信息, 首先采用迭代閾值分割方法分割葉片, 通過膨脹腐蝕消除葉片外輪廓以及葉柄等干擾因素, 得到葉片區(qū)域圖像. 并利用多尺度灰度UHMT 算法分割出全局葉脈圖像. 基于色調(diào)信息, 使用圖像對比度增強方法擴大葉脈與其他像素點灰度值差異, 以分割局部一級、二級葉脈. 該方法不僅能完整、清晰地分割出大豆葉脈, 而且消除了背景、葉片外輪廓和葉柄等干擾因素, 通過實驗可證明該方法對大豆葉脈分割的有效性.

2 葉脈分割方法

本文的葉脈分割流程圖如圖3 所示, 包含4 個部分, 分別是葉片圖像的預(yù)處理、多尺度灰度UHMT 算法分割全局葉脈、基于HSI 顏色空間的色調(diào)信息分割局部一級、二級葉脈以及全局葉脈圖像與局部一級、二級葉脈圖像的融合. 實現(xiàn)細(xì)節(jié)將在后面逐一說明.

圖3 葉脈分割流程圖

2.1 葉片圖像的預(yù)處理

葉片圖像的預(yù)處理包括提取葉片區(qū)域、消除背景、去掉葉片外輪廓和葉柄等操作, 下面介紹具體的技術(shù)細(xì)節(jié).

大豆葉片圖像中往往包含背景區(qū)域, 背景中?；祀s著一些干擾信息和噪聲點, 影響大豆葉脈分割結(jié)果. 因而, 有必要將葉片區(qū)域和非葉片區(qū)域分開, 提取葉片區(qū)域.

具體算法步驟如下:

(1) 利用式(1)將葉片彩色圖像rgb轉(zhuǎn)化為灰度圖gray, 用于去除圖像中的所有顏色信息.

5) 重復(fù)第2)-4)步, 直到滿足條件|T-T0|＜0.5.

(3) 利用形態(tài)學(xué)中的填充孔洞算法, 刪除葉片區(qū)域內(nèi)多余的噪聲點.

(4) 去除背景區(qū)域的干擾信息, 僅保留葉片區(qū)域圖像中最大連通分量.

(5) 利用形態(tài)學(xué)膨脹腐蝕操作, 去除葉柄和葉片外輪廓, 得到去除葉片外輪廓和葉柄的葉片區(qū)域圖像.

2.2 多尺度灰度UHMT 算法分割全局葉脈

考慮到灰度UHMT 算法的主要原理是計算區(qū)域內(nèi)的像素灰度值的最大最小值的差值, 復(fù)合算子設(shè)計不同會造成算法結(jié)果不同. 為盡可能地降低復(fù)合算子的設(shè)計對實驗結(jié)果的影響, 本文將灰度圖像的大小縮放到原圖的100%、90%、80%、70%、60%. 使用UHMT 方法分別處理這5 個尺度的灰度圖像, 將得到的灰度葉脈圖恢復(fù)至原圖大小并取每個像素點對應(yīng)的5 個不同葉脈圖的5 個值中的最大值, 得到組合后的灰度葉脈圖像. 根據(jù)大豆葉片的葉脈像素點分布特點, 設(shè)計了4 個復(fù)合算子B1、B2、B3、B4, 分別代表傾斜角為0°、45°、90°、135°的方向. 每個復(fù)合算子Bi(i=1, 2, 3, 4) 都包含一個前景算子Bif和一個背景算子Bib, 如圖4 所示. 在Bf中, 1 代表葉脈區(qū)域, 0 代表非葉脈區(qū)域; 在Bb中, 1 代表非葉脈區(qū)域, 0 代表葉脈區(qū)域.每個復(fù)合算子的中心位置為前景算子Bf中標(biāo)為1 的陰影部分位置.

圖4 UHMT 算法的復(fù)合算子

使用自適應(yīng)直方圖均衡化方法, 對組合后的灰度葉脈圖像進行對比度增強. 同時, 使用自適應(yīng)閾值算法,將灰度葉脈圖像轉(zhuǎn)化為二值葉脈圖像, 并刪除像素點個數(shù)小于5 的連通分量. 通過上述一系列操作, 最終得到一個全局葉脈圖像BI1.

2.3 基于HSI 顏色空間的色調(diào)信息分割局部一級、二級葉脈

HSI 顏色空間由3 個分量組成, 它們分別是色調(diào)H (hue)、飽和度S (saturation)和強度I (intensity), 其中色調(diào)表示顏色的類別, 飽和度表示顏色的鮮艷程度,強度表示光亮程度[36]. HSI 顏色空間的表示方式最貼合人類的視覺系統(tǒng)認(rèn)知顏色的方式, 其中色調(diào)信息是人類能夠感知和區(qū)分顏色的一個重要信息來源, 能夠區(qū)分細(xì)微的顏色差異, 在分割葉脈一級葉脈和二級葉脈方面能夠取得很好的效果[37].

HSI 模型各分量與RGB 模型各分量的數(shù)學(xué)關(guān)系可以表示為式(6)-式(8)[11]:

2.4 全局葉脈圖像與局部一級、二級葉脈圖像的融合

將第2.2 節(jié)中得到的全局葉脈圖像BI1和第2.3 節(jié)中得到的局部一級、二級葉脈圖像BI2進行融合, 得到最終完整的大豆葉脈圖像BI. 由于全局葉脈圖像BI1和局部一級、二級葉脈圖像BI2均為二值圖像, 且每個像素點的取值均為0 或1, 所以圖像融合的方法可采用兩張圖像對應(yīng)像素點取并集, 對應(yīng)的數(shù)學(xué)公式如下:

其中,BI1(x,y)和BI2(x,y)分別表示全局葉脈圖像BI1和局部一級、二級葉脈圖像BI2中位置坐標(biāo)為(x,y)的像素點的值,BI(x,y)表示最終的大豆葉脈圖像BI中位置坐標(biāo)為(x,y)的像素點的值.

3 實驗結(jié)果對比與分析

本文使用大豆品種葉片圖像數(shù)據(jù)庫SoyCultivar[13]中的大豆葉片圖像來進行實驗, 驗證本方法的實驗結(jié)果. 該數(shù)據(jù)庫共有1 200 個樣本, 分別采集自中國大豆主產(chǎn)區(qū)吉林省長春市的200 個品種的大豆植株, 每個品種隨機采集不同植物的上部、中部和下部各2 片葉子, 然后由分辨率為600DPI、48 位真彩色設(shè)置的EPSON V850 Pro 掃描儀通過反射掃描葉片正面得到.

以編號為imgyd178_R1_4_t 的大豆葉片圖像為例,圖5 展示了本文算法中各個模塊的實驗結(jié)果. 圖5(a)是大豆葉片原圖, 為彩色圖像. 圖5(b)是灰度圖像, 是由原圖進行灰度化操作獲得的, 摒棄了葉片顏色信息.圖5(c)是分割的葉片區(qū)域圖像, 具體操作步驟包括對灰度圖進行迭代閾值分割、填充孔洞和保留最大連通分量操作, 可以看到葉片區(qū)域分割完整. 圖5(d)是去除葉柄和葉片外輪廓后的葉片區(qū)域圖像, 主要運用了形態(tài)學(xué)的腐蝕和膨脹操作, 這個操作很好地消除了背景以及葉片外輪廓、葉柄等無關(guān)成分. 圖5(e)是全局葉脈圖像, 是通過多尺度灰度UHMT 算法對灰度圖像的葉片區(qū)域進行處理獲得的. 圖像中細(xì)脈分割清晰, 但部分一級和二級葉脈有缺損. 因此, 需要利用HSI 顏色空間中的色調(diào)信息獲取局部一級、二級葉脈. 圖5(f)是利用色調(diào)信息分割得到的局部一級、二級葉脈圖, 具體操作步驟包括圖像對比度增強、自適應(yīng)閾值分割、設(shè)計算子檢測主側(cè)脈. 圖5(g)為最終大豆葉脈圖, 它是由全局葉脈圖和局部一級、二級葉脈圖進行圖像融合得到的. 通過觀察, 我們可以發(fā)現(xiàn)整張葉片圖像提取到的葉脈十分完整, 一級、二級葉脈清晰.

圖5 本文算法實驗結(jié)果圖

將文獻[17]、文獻[30]與本文方法的實驗結(jié)果進行比較. 圖6 為3 種算法的實驗結(jié)果對比圖, 一共3 組大豆葉片圖像. 每行圖像從上到下依次表示原圖、文獻[17]灰度UHMT 方法分割結(jié)果、文獻[30] Canny邊緣檢測和局部模糊聚類方法分割結(jié)果以及本文算法分割結(jié)果. 通過觀察圖6 中的3 種算法的葉脈分割實驗結(jié)果圖, 我們可以看出, 文獻[17]葉脈分割總體效果比較好, 但是一級葉脈幾乎都沒有分割出來, 并且實驗結(jié)果包含著葉柄和葉片輪廓信息. 文獻[30]葉脈分割效果時好時壞, 受葉片顏色和光照角度影響大, 魯棒性差, 例如從視覺效果上看第1 個大豆葉片圖像的分割準(zhǔn)確度明顯高于第2 個和第3 個大豆葉片圖像的分割結(jié)果. 與文獻[17]相同, 文獻[30]使用的葉脈分割算法, 其實驗結(jié)果圖也存在主側(cè)脈不清晰、葉柄及葉片外輪廓去除不干凈、葉肉噪聲點多的問題.

由于本次實驗采用的大豆數(shù)據(jù)集均為高分辨率葉片圖像, 因此圖6 中展示的實驗結(jié)果圖只能大致觀察出一級和二級葉脈的分割效果, 對于細(xì)脈的分割效果很難觀察出. 為了更好地觀察葉脈分割細(xì)節(jié), 我們對3 種方法得到的葉脈分割圖像截取部分區(qū)塊, 進行放大對比, 以判斷各算法在細(xì)脈分割方面的效果. 這里我們將兩張大豆葉片圖像, 用3 種算法分別進行葉脈分割,再在實驗結(jié)果圖上分別截取兩個位置不同、大小為200×200 的切片, 并進行放大. 將這些切片的原圖和實驗結(jié)果圖進行對比, 對比圖如圖7 所示. 通過觀察圖7中的一級葉脈、二級葉脈和細(xì)脈的分割結(jié)果, 我們能夠直觀感受到本文算法在大豆葉脈分割研究中更勝一籌. 對比文獻[17]和本文算法實驗結(jié)果圖, 不難發(fā)現(xiàn)本文算法比文獻[17]算法提取到的細(xì)脈信息更加完整,文獻[17]中細(xì)脈存在一定程度的缺失, 連續(xù)性不夠. 文獻[30]的實驗結(jié)果要明顯差于文獻[17]和本文算法的實驗結(jié)果, 主要原因是Canny 算子是邊緣檢測算子,檢測到的是葉脈的邊緣, 而不是全部葉脈像素點. 因此造成了噪聲像素點非常多, 各級葉脈脈寬過大且中空的問題. 而本文算法的實驗結(jié)果圖中, 整體上葉脈結(jié)構(gòu)信息完整, 主側(cè)脈清晰完整, 細(xì)脈的分割結(jié)果雖然也存在部分細(xì)脈像素點丟失的問題, 但明顯比文獻[17]和文獻[30]的分割效果好.

圖6 本文提出大豆葉脈分割算法與文獻[17]、文獻[30]提出的葉脈分割效果的對比

綜上所述, 本文算法分割出的葉脈結(jié)果圖中, 各級葉脈均能夠清晰、完整地分割出來, 效果優(yōu)于文獻[17]和文獻[30]提出的葉脈分割算法. 并且, 實驗結(jié)果圖中葉柄以及葉片外輪廓消除得十分干凈, 噪聲像素點幾乎沒有. 因此, 可以得出本文提出的算法適用于大豆品種葉片圖像的葉脈分割的結(jié)論.

4 結(jié)論與展望

本文聚焦于大豆葉脈分割方法, 針對現(xiàn)有的葉脈分割方法普遍存在的葉脈分割不完整、干擾信息多、精確度低的問題, 提出用多尺度灰度UHMT 算法和基于HSI 顏色空間的色調(diào)信息處理方法, 分別分割全局葉脈和局部一級、二級葉脈, 并結(jié)合形態(tài)學(xué)方法消除葉柄、葉片外輪廓和背景的干擾. 實驗結(jié)果表明, 本文采用的方法能夠很好地分割大豆葉片圖像的葉脈結(jié)構(gòu),葉脈圖像清晰、完整, 僅含有較少的無關(guān)像素點. 未來,我們的研究工作將聚焦于細(xì)粒度葉脈分割, 以實現(xiàn)葉脈的分級分割, 以及基于葉脈模式的品種識別.