微根窗图像中根系的自动分割方法

石 锐，朱 鑫，刘 辉，刘晶淼，贾庆宇

1.重庆大学 计算机学院，重庆 400044

2.中国气象局沈阳大气环境研究所，沈阳 110016

微根窗图像中根系的自动分割方法

石 锐1，朱 鑫1，刘 辉1，刘晶淼2，贾庆宇2

1.重庆大学 计算机学院，重庆 400044

2.中国气象局沈阳大气环境研究所，沈阳 110016

1 引言

根系的生长状况对植物有着至关重要的影响，根据根系的生长情况可以得出该地区的气候特征及土壤特性，对根系进行研究的意义是重大的，然而根系是隐藏在地表下的，不易对其直接观察，采用由人工取根、洗根来获得根构型参数的方法，不仅浪费时间、人力和物力，而且易造成根部损坏[1]。

微根窗技术的提出给植物根系的研究带来了很大的方便[2]，使得直接在土壤中观测植物的生长状况成为了可能。为了从图像中获取根构型参数，首先需要对微根窗图像进行分割提取出植物根系，然后对分割得到的二值图像使用形态学的方法计算出根系的直径、长度、面积、体积等参数，对定期获取的植物根部图像进行处理，可分析根系形态参数的变化，通过这些变化来研究植物的生长状况。如何从有着复杂背景的微根窗图像中精确提取出植物根系是获得根构型参数前提。

目前，国内外关于微根窗图像的根系自动分割方法的研究较少，只有Guang Zeng等人提出了有效的自动分割算法，该方法利用根系横截面灰度分布特征，在高斯匹配滤波预处理的基础上采用局部阈值分割[3]方法来提取根系的方法，取得了较好的分割效果[4-5]。该方法已经被集成到微根窗图像分析软件Rootfly，并被应用到具体的实践中，但是该方法可能会丢失根系分叉点及细小较暗的根系。本文根据实际根系图像的特点，提出了一种新的自动提取微根窗图像中根系的方法。该方法首先提取微根窗图像中根系的中心线，然后计算中心线上各像素的方向，使用定向局部对比度方法检测中心线两侧根系像素，得到最终分割的图像。该方法在分割的同时还可以准确地计算根系边界及直径。

2 微根窗图像的采集

微根窗技术因其能够在不影响根系生长状态的前提下在土壤中通过图像记录直接观测植物根系的生长情况而被广泛应用于植物的根系研究分析中，微根窗技术已经成为最有前途的研究根系生态学的方法，该技术一个典型的微根窗图像采集系统如图1所示。该采集系统由插入土壤中微根窗管、标定手柄、控制器、摄像机和一台计算机构成。由于微根窗图像采集系统长期深入土中采集根系图像，图像的采集环境较差，光的衍射、光照不均匀、摄像头聚焦不良等因素都会导致图像变得不清晰，图像对比度差，且采集到的图像背景中含有很多灰度值与根系相似的土壤颗粒及碎石，给图像分割带来很大困难。

图1 微根窗图像采集系统

3 根系的自动分割

因为根系图像的绿色分量图对比度较高，所以采用绿色分量图进行处理。根系图像的绿色分量图如图2所示，图像中背景区域像素较暗，而根系像素及一些碎石等噪声像素较亮，直接使用基于阈值的方法进行分割会将一些噪声识别成根系，且分割后的根系是间断的，不连续的，分割效果较差；使用基于分类[6-7]的方法将图像中每个像素划分为背景和目标，由于图片质量较差，背景复杂，对图像进行特征提取比较困难，且基于分类的方法需要大量的先验知识，而这些先验知识在现实中是很难获取到的，所以基于分类的方法也不适用于处理该类图像。

图2 微根窗图像

观察图像可以发现，图像中根系的网络结构较为清晰，所以本文提出的自动分割方法先进行根系中心线提取，然后检测根系中心线上的端点，再根据端点将中心线分割成线段，计算中心线线段上每个像素的方向信息，根据方向信息使用改进的DLC方法检测根系中心线附近的根系像素，得到最终的分割结果，具体步骤如下。

3.1 根系中心线的提取

采用文献[8]提出的基于脊线检测的方法在原始图上提取根系中心线。首先对获取到的原始图像进行脊线检测[9]，此时得到的脊线既包含微根窗图像的根系中心线，也包含大量的非根系像素点，然后对图像进行预处理：由于微根窗图像采集过程中有光照不均的情况出现，所以使用公式（1）先进行图像照度均衡处理，

式中I为原图像，m=128，Iw表示以(x，y)为中心的大小为w×w窗口的均值，Ieq是均衡后的图像；由于图像中根系的对比度较差，且根系粗细不一，采用多尺度top-hat变换对照度均衡后的图像进行形态增强处理。然后将增强图像进行otsu阈值分割，将各尺度的分割结果求和再与脊线检测得到的结果相与得到最终的根系中心线。为去除碎石，土壤颗粒等噪声的影响，采用长度滤波方法，将长度小于20的中心线去除。基于脊线检测的中心线提取方法能够检测出对比度较低和细小的根系，且提取到的根系中心线整体连续性较好，通过此方法得到的微根窗图像的根系中心线如图3所示。提取到中心线后下一步骤就是将其分段，计算各段上的像素方向，进而检测根系像素。

图3 中心线提取图

3.2 根系中心线端点检测

根系中心线是一个宽度为单像素的根系交叉二值图像，其中根系中心线灰度值为1，背景灰度值为0，该图像清晰地展现了微根窗图像中根系的形态特征，将中心线上像素点分成以下三种类型：

（1）终点，此类像素点的8-邻域中只有一个像素点在根系中心线上，在根系上表现为根系的起始点或者根系的末端点，如图4中的点 p1和 p2。

（2）分支点，此类像素点的8-邻域中有3个或3个以上的像素点在根系中心线上，且这3个像素相互间不存在4-邻域的情况，在根系上表现为根系的分叉点，如图4中的点p3和p4。

（3）普通连接点，此类像素点的8-邻域中有2个像素点在根系中心线上，在根系上表现为根系的中间点，如图4中的点p5。

图4 端点示意图

使用公式（2）计算根系中心线上每个像素点 p的8-邻域中灰度值为1的像素点个数C(px，py)：

根据C(px，py)的值提取出分支点和终点，C(px，py)的值为1对应的像素点为终点，C(px，py)的值大于等于3且8-邻域根系中心线像素之间不存在4-邻域对应的像素点为分支点，图4标记出了根系中心线图像的所有分支点和终点。

将连接分支点与分支点之间的根系中心线称为主干，连接终点与终点或者分支点与终点之间的根系中心线称为分支，提取出图4中根系中心线的所有主干与分支，便于后续的根系像素检测。

3.3 根系中心线各像素方向计算

对所有主干和分支，分别计算每个像素点的方向。从分支点和终点出发，设 pk为当前像素点，距离 pk长度为d个像素的点设为 pk+d，用如下公式计算像素点 pk的方向。

式中，∆y为垂直方向的增量即行增量，∆x为水平方向的增量即列增量，∆y为 pk+d与 pk的行坐标之差，∆x为 pk+d与 pk的列坐标之差，角度以x轴为基准度量，计算所有主干与分支线段各像素的方向信息，获取根系中心线所有像素点的方向。

3.4 根系像素的检测

通过分析根系横截面的灰度轮廓发现距离根系中心线越远的点灰度值越小[10]，图5为图2中其中一条根系正面的横截面的灰度级轮廓，因此在获取微根窗图像中根系中心线的位置和方向后，使用定向局部对比度（DLC）算法[11]

图5 横截面灰度轮廓图

来检测中心线两侧的根系像素。

DLC值可用公式（4）求得：

图6 DLC方法示意图及检测结果

定向局部对比度方法可以检测到大部分根系像素，但将该方法直接用于微根窗图像根系分割中还需解决如下问题：定向局部对比度方法只沿与中心线像素方向垂直的θ方向检测根系像素，当根系存在弧度时，检测到的根系像素之间会存在间隙，需要对这些可能出现的间隙填充或者在检测的时候防止此类间隙的出现。本文在沿θ方向检测根系像素时，对于每个中心线像素还分别沿θ±∆θ的方向进行检测，从而解决了这一问题；根系上可能会有灰度值较小的暗斑，在用定向局部对比度方法检测到这些像素时，得到的DLC值要小于设定的阈值T，这时不能直接认定该像素不属于根系，需要继续沿θ方向检测，如果之后的连续两个像素的DLC值仍小于阈值T，则认定这三个像素不是根系像素，这三个像素之前检测到DLC值大于阈值T的像素为根系的边界，在沿θ方向和θ的反方向检测时可以获取到根系的两个边界像素，这时便可求出此段根系的直径[12]：

4 实验结果及分析

4.1 实验分割结果

实验系统配置为：1.6 GHz主频，2 GB内存的双核PC机，程序运行在MATLAB R2012a软件环境下，实验中使用现实环境中采集到的微根窗图像来验证本文所提出算法的实用性，图像大小为600像素×400像素。设置实验中的步长参数d=4，DLC检测时使用的邻域长度r=6，角度偏移量偏∆θ=15°，阈值T=0.02，应用此算法对采集到的微根窗图像进行根系分割的结果如图7所示，第一行为原始的微根窗图像，第二行为Guang Zeng等人提出的算法进行分割的结果，第三行为本文算法得出的分割图像，最下面一行为人工目视判读分割出的结果，从图中可以看出，Guang zeng提出的算法会丢失细小较暗的根系，对于根系直径差别较大的多根图像分割效果也不太理想，且该方法在得到初步分割结果后通过分类的方法区分根系与土壤颗粒、碎石等噪声时需要大量的先验知识，而这在现实中是很难得到的。本文所提出的方法可以很好地提取出细小较暗的根系，且对于直径差别大的微根窗图像也有良好的分割效果，在进行分割的同时还可以获取每段根系的直径，便于后续对根系参数的定量分析[13-14]。

图7 分割效果对比

4.2 算法性能量化分析

本文提取了20张图像作为实验数据，表1是对这20张图像分别使用Guang Zeng算法和本文算法进行分割的平均精度比较，表中正确提取率Ptrue，错误提取率Pfalse和准确率Pacc的计算公式如下：

其中，TN为正确分割为根系像素的个数，Nrp为标准图像中根系像素的个数，FN为错分为根系像素的个数，Nurp为标准图像中背景像素的个数，TUN为正确分割为背景像素的个数[15]。从表1中可以看出本文提出的方法要优于Guan Zeng算法，在错误率提取上减少了1.14%，准确率增加了3.88%。

表1 平均分割精度 （%）

图8为使用本文提出的算法对20张图像进行分割后得到的分割性能度量图，显示了每幅图像的分割准确率，错误提取率和正确率。

图8 分割性能度量图

5 结束语

微根窗技术的出现使得对根系生态学的研究有了较快的发展。目前，国内外对于微根窗图像根系的自动分割及自动获取根构型参数的研究还比较少，本文提出了基于根系中心线提取，确定中心线像素方向，使用定向局部对比度方法检测根系像素的自动分割方法，充分利用了根系的生态特征，在对根系分割的同时可以准确获取到根系的直径信息，实验证明该方法有较好的鲁棒性，优于guang zeng提出的算法，具有一定的应用价值，但是继续提高算法的性能及如何精确获取根构型参数还有待于进一步的研究。

[1]白文明，程维信，李凌浩.微根窗技术及其在植物根系研究中的应用[J].生态学报，2005，25（11）：57-60.

[2]史建伟，于水强，于立忠.微根窗在细根研究中的应用[J].应用生态学报，2006，17（4）：715-719.

[3]Chauduri S，Chatterjee S，Katz N，et al.Detection of blood vessels in retinal images using two-dimensional matched filters[J].IEEE Trans on Medical Imaging，1989，8（2）：263-269.

[4]Zeng Guang，Birchfield S T.Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding[J].Machine Vision and Applications，2006，17（4）：265-278.

[5]Zeng Guang，Birchfield S T.Automatic discrimination of fine roots in minirhizotron images[J].New Phytologist，2008，177（2）：549-557.

[6]宋蓓蓓，韦娜.FCM分割和形态学的沥青路面图像裂缝提取[J].计算机工程与应用，2013，49（4）：35-38.

[7]谢意，杨玲.自适应模型的水平集图像分割方法[J].计算机工程与应用，2011，47（27）：225-228.

[8]陈骥，刘尚平，彭承琳.利用脊线检测实现视网膜血管中心线的精确提取[J].重庆大学学报，2011，34（8）：1-7.

[9]许燕，胡广书，商丽华.基于Hessian矩阵的冠状动脉中心线的跟踪算法[J].清华大学学报：自然科学版，2007，47（6）：889-892.

[10]Nguyen U T V，Bhuiyan A.An effective retinal blood vessel segmentation method using multi-scale line detection[J].Pattern Recognition，2013，46（3）：703-715.

[11]Zhang M，Liu J C.Directional local contrast based blood vessel detection in retinal images[C]//IEEE International Conference on Image Processing.New York：IEEE Signal Processing Society，2007：317-320.

[12]陆建荣，斯海晨，郁道银.冠状动脉血管直径测量方法的研究[J].中国生物医学工程学报，2005，24（4）：510-512.

[13]周寿军，杨俊，陈武凡.一种从X射线血管造影图像中自动分割冠状动脉的新方法[J].中国科学：F辑 信息科学，2007，37（12）：1531-1543.

[14]许燕，薛辉，胡广书.用血管造影图形分析的冠脉参数测量[J].清华大学学报，2008，48（3）：430-434.

[15]Staal J J，Abramoff M D，Niemeijier M，et al.Ridge based vessel segmentation in color images of the retina[J].IEEE Transations on Medical Imaging，2004，23（4）：501-509.

SHI Rui1,ZHU Xin1,LIU Hui1,LIU Jingmiao2,JIA Qingyu2

1.College of Computer Science,Chongqing University,Chongqing 400044,China
2.Shenyang Institute of Atmospheric Environment,Shenyang 110016,China

The growth status of roots can reflect the region’s climate and soil characteristics,and whether the root is flourishing or not can response the whole plant’s health.Research on the ecological parameter of root is the foundation of the root’s growth condition.Manual processing of minirhizotron images is time-consuming and strenuously,this paper puts forward a kind of automatic segmentation method in minirhizotron images.It extracts centerlines of minirhizotron images based on ridge detection, then computes the directional information of each pixel in centerlines,uses the directional local contrast method to detect pixels on either side of the centerline.Experimental results show that compared with the traditional method,this method is effective.

image segmentation;minirhizotron images;centerline;directional local contrast

植物根系的生长状况可以反映该地区的气候以及土壤特性，根系的发达与否也能够反应整株植物的健康情况。研究根系的生态参数是研究根系生长状况的基础，目前对于微根窗图像的处理都是通过人工手动方式实现的，费时费力。提出了一种微根窗图像根系的自动分割方法，使用基于脊线检测的方法获取微根窗图像中根系的中心线，计算中心线上所有像素点的方向，采用改进的定向局部对比度方法检测出中心线两侧的根系像素得到分割后的图像。实验结果表明，与传统分割方法相比，方法具有良好的分割效果。

图像分割；微根窗图像；中心线；定向局部对比度

A

TP391.41

10.3778/j.issn.1002-8331.1304-0423

SHI Rui,ZHU Xin,LIU Hui,et al.Automatic segmentation method in minirhizotron images.Computer Engineering and Applications,2013,49（23）：181-185.

科技部项目（No.2012EG137242）。

石锐（1968—），女，博士，副教授，主要研究方向为图像处理与模式识别；朱鑫（1989—），男，硕士研究生，主要研究方向为计算机软件与理论、图像处理。E-mail：shirui99@163.com

2013-04-28

2013-05-21

1002-8331（2013）23-0181-05

CNKI出版日期：2013-08-27 http://www.cnki.net/kcms/detail/11.2127.TP.20130827.1602.007.html

book=185,ebook=190