基于新型加和算法的叶片图像分割研究

张苗苗　吕嘉洛　倪海明　牟洪波　 戚大伟

摘 要：不同树种叶片特征信息不同，无论是根据叶片信息识别树种，还是对叶片的病害进行精准检测，图像分割显得尤为重要。本文提出一种基于新型加和算法的叶片图像分割方法，通过Canny算子提取叶片二值图像的边缘轮廓与原始灰度图像相加，将反转的二值图像与第一次加和后的图像进行二次相加，相加前后要保持叶片图像格式、大小一致，满足图像相加条件，实现对叶片图像分割研究。实验结果表明：该方法保留了叶片灰度图像的完整特征信息，且叶片完全从背景中分离出来。为后续图像特征提取和树种识别等研究提供坚实的理论支撑，加和法也可应用于其他图像分割领域。

关键词：叶片图像;图像分割;加和法;边缘检测

中图分类号：S794 文献标识码：A   文章編号：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

植物是人类生存和发展的重要能量来源，许多植物叶片以及树皮因其药用价值而对人类帮助较大[1]。植物叶片普遍趋于扁平状且具有二维组织结构，生长周期长、形状稳定、易于采集。植物叶片不仅能提供食物来源还能够进行光合作用并且合成有机物，同时还扮演着改善环境、绿化城市等角色，故对植物的种类进行鉴别研究具有非常重要的意义。因人类对自然资源不合理利用使生态环境恶化、物种消失，为避免地球进一步被破坏，人类开始逐步意识到保护自然环境的重要性。要保护植物，首先要识别植物，植物种类识别以图像分割为基础，分割质量的好坏，直接影响识别的准确性[2]。高质量的图像分割，对后续图像处理与分析有着重要的意义。

图像分割是进行图像处理及目标识别的关键步骤，是树木叶片分类的前提。图像分割方法主要有4种，分别是基于阈值、边缘、特征理论以及区域分割等方法，且图像分割在植物叶片病害检测方面应用广泛[3]。Backes A R等[4]通过分形维数提取叶片的纹理信息对植物进行识别;Valliammal 等[5]通过利用模糊阈值法和基于小波的分割方法，有效分割出存在病害的叶片，并且取得了较好的效果;Larese M G等[6]通过自适应阈值对豆科类叶片进行分割，之后利用SVM实现叶片有效分类;Singh V等[7]利用遗传算法对植物病害叶片进行分割;Sengar N等[8]提出一种自适应阈值的自动分割方法，通过对叶片白粉病的分割，可将病害部分完全从叶片中分离出来，具有一定的实际应用价值。国内在叶片图像分割领域的研究稍晚，张昭等[9]利用Otsu算法对叶片图像进行分割，通过PCA对提取的叶片几何特征值进行降维且用SVM进行叶片分类研究;赵斌等[10]将分块阈值与边缘检测相结合完成对植物叶片的精准分割;李凯等[11]提出一种基于马尔可夫随机场最优化模型的联合分割算法实现自然光下叶片精确分割;计甜甜等[12]利用植物病害叶片颜色差异，结合Otsu算法，对叶片病害区域彩色图像进行精准、有效分割;同年孙俊等[13]通过PSO与Otsu算法相结合对叶片图像进行分割，使分割的准确率显著提高。纵观上述研究，虽然图像分割领域的研究已有了一定的成果，但在进行图像处理各个步骤图像转换时，图像自身的信息都会有一定程度的损失，图像处理在图像分割这一步骤以及分割的精准度尚待提高。

为解决图像转换及分割过程中易陷入灰度值改变的问题，在保证清晰准确提取目标区域同时提高图像分割质量，本文提出了一种新型加和算法对叶片图像进行分割。加和法与经典的Otsu算法相比，加和法保留叶片的原始灰度图像，克服了灰度值改变的问题，使图像分割效果较为理想。基于新型加和算法为图像分割提供一种新的思路，可简单精准的把目标区域分割出来，对后续目标识别、纹理特征提取有一定的借鉴作用。

1 材料与方法

1.1 叶片采集

研究区选在东北林业大学实验林场，地理坐标为45°71′～45°72′N，126°62′～126°63′E。在研究区高枝剪能及区域采集黄檗、色木槭、家榆、白桦、榆叶梅、金银忍冬及蒙古栎7种东北典型樹种的叶片作为研究对象。选择形状典型、叶体完整、无病斑、无虫害的叶片，同时叶片需连同叶柄一起采摘。由于自然条件下拍摄的叶片图像普遍存在对比度不明显、不清晰等问题，因此将具有代表性的叶片带回实验室内并构成样本集，之后对样本进行取样拍摄，并用湿布拭除叶片表面泥土与灰尘。因叶缘存在一定程度卷曲，将样本置于书本之中并加以重物，对叶片进行压平处理，时间为1 h左右。

1.2 叶片图像获取

利用尼康D850型数码照相机对实验室内叶片样本进行静态取像。本研究通过课题组自行研制的暗箱与数码照相机相结合获取的图像质量较高，且操作过程简单，暗箱尺寸为366 mm × 285 mm × 293 mm，箱体结构如图1所示。为消除图像冗余信息，在载样台上方铺设一张A4白纸作为叶片数字图像背景，以便于后期图像的分析与处理。如压平处理后叶缘还是存在一定程度卷曲，可用胶带将样本固定，确保叶片与载样台完全贴合。将CCD镜头置于暗箱上方开口处，并与叶片所在平面相互平行，与待测叶片的距离以20～30 cm为最佳，保持同一拍摄距离、同一焦距，使叶片充满整个镜头画面，之后进行叶片图像采集。拍摄过程中，叶片置于A4白纸的几何中心且正面朝上平铺于载物台上，打开暗箱白炽灯开关，使光线充分打在白纸上，确保叶片的纹理和轮廓较清晰的呈现。

拍摄叶片图像时，减少抖动，避免运动模糊的干扰。相机设置为微距、自动曝光模式。获取的叶片图像分辨率为400×532像素，以BMP格式存储为24位RGB图像。如图2所示，以暗箱拍摄的蒙古栎、家榆、白桦的叶片数字图像为例，图像脉络明显、纹理清晰。

1.3 叶片图像预处理

图像预处理是进行后续特征提取与目标识别的基础，弱化叶片图像无用信息，使目标区域增强。实验采用64位windows10系统、1.6 GHz的lntel （R） Core （TM） i5四核处理器、系统内存4 GB，运行环境为MATLAB R2016a。

1.3.1 叶片图像灰度化

图像灰度化处理主要包括平均值法、最大值法、加权平均法[14]。应用加权平均法对叶片图像进行灰度化处理，其公式：

G=0.299r+0.587g+0.114b 。 （1）

式中：G代表转换后叶片图像灰度值;r、g、b分别代表RGB图像中红、绿、蓝3个分量值。

MATLAB中调用函数为I=rgb2gray（RGB），表示对R、G、B三个分量进行加权平均。蒙古栎RGB图像采用加权平均法处理得到灰度图像如图3所示。

1.3.2 叶片图像二值化

叶片数字图像包含主体叶片和背景，如图4（a）所示。因背景存在较多干扰因素，可能会影响后续的图像分割及识别工作，故将叶片图像背景转换为黑色，使叶片从背景中分离出来，如图4（b）所示。在采摘叶片过程中，叶柄会受到不同程度损伤且长度参差不齐，为确保实验精准性，避免手工方式去除叶柄，采用MATLAB开运算的imopen函数去除叶柄，如图4（c）所示。

二值图像全部像素点的灰度值只有两种，非“0”即“1”，其中“0”代表黑色，“1”代表白色，使整个图像呈现出明显的黑白效果[15]。阈值分割是最简单适用的图像分割方法之一[16]。Otsu算法[17-18]是大津在1979年提出的典型全阈值法，计算全局图像阈值实现对图像的分割聚类。Otsu算法基本思想是通过图像灰度特性，使图像分为背景和目标两部分，背景和目标之间类间方差越大，表示构成图像两部分的差别越大，当两区域类间方差最大，表明目标与背景差别最大，二值效果最佳。如图5所示采用最大类间方差法获取叶片二值图像。

1.3.3 叶片边缘检测

边缘检测是图像分析和理解的第一步，为后续叶片特征提取、目标识别提供参考依据[19]。边缘是两个物体之间灰度级不连续的结果，存在于背景与目标之间，在二值图像中为前景区域外轮廓。边缘检测的基本思想是利用算子获取边缘点集，之后通过设定的阈值结合边缘点集，最后获得连续边界。边缘检测常用算子为Canny算子、Sobel算子、Prewitt算子、Roberts算子和Log算子[20]。Roberts边缘算子定位准确，但不适用噪声较多的图像;Sobel算子适用于噪声较多的图像;Prewitt算子能抑制噪声影响，但对弱边缘检测效果不明显;Canny算子边缘检测最全面，包括弱边缘[21-23]。

以黄檗叶片为例，通过MATLAB图像处理中edge函数提取叶片图像中目标与背景间的交界线。由图6可知Prewitt算子检测结果图像不连续;Roberts和Sobel算子检测结果清晰度较低且存在断点;Canny算子检测结果定位精准、图像清晰、错误率低。本研究采用Canny算子对叶片图像进行边缘检测。

2 结果与分析

确保相加前后图像大小、格式相同，满足相加条件，把BMP格式的叶片图像由imwrite函数写入到图像文件中。树木叶片二值图像灰度值为 “0”和“1”，利用MATLAB中im2uint8函数把图像转换为uint8类型，使其映射到“0”和“255”。如图7所示。叶片灰度图像与Canny算子提取二值图像的边缘轮廓通过MATLAB中imadd函数进行相加，相加结果如图7（c）所示，叶片灰度值没有发生改变，只是叶片边缘轮廓发生变化，由原来的灰度值变为255。在叶片分割算法中，把目标叶片的灰度图像从背景中分离出来作为树木叶片分割完成的标志。新型加和算法能够将目标叶片的灰度图像和其它区域精准区别开，且保持叶片原始的灰度图像信息不变。

为确保树木叶片完全从图像背景中分离出来，利用MATLAB中“～”运算符把叶片二值图像反转并将图像数组转换为uint8类型，反转后叶片二值图像与第一次加和后的图像二次相加。如图8（c）所示，叶片背景区域转换为白色与原始灰度图像如图7（a）所示对比，叶片从背景中完全且精准分割出来。

基于新型加和算法的叶片图像分割方法与常用的经典Otsu算法相比，加和法分割获取的为树木

叶片原始灰度图像，而Otsu算法获取的为叶片二值图像;加和法未改变叶片图像灰度值，保留叶片边缘信息，使图像包含丰富的纹理信息，有利于后续纹理特征值提取，但通过Otsu算法获取的二值图像仅适用于叶片几何特征值的提取;加和法運行速度快，保留树木叶片的完整特征信息，提高图像分割准确率，可应用于其它灰度图像分割领域。

为验证新型加和算法的有效性和实用性，利用在实验室环境下搭建的暗箱，经过大量实验验证，树木叶片的灰度图像可以完全并精准的从背景中分离出来，且没有改变其它区域特征。如图7（a）和图8（c）所示叶片灰度值没有改变，只是8（c）的背景和叶片边缘灰度级变为255。基于新型加和算法的叶片图像分割为后续特征提取、目标识别提供理论支撑。

3 结论

本研究以东北林业大学实验林场的树木叶片为研究对象，提出了一种新型加和算法对叶片图像进行分割，在目标区域定位的准确性及目标提取的完整性上均明显增强。首先将叶片二值图像的轮廓边缘与原始灰度图像相加，之后对叶片二值图像进行反转，反转的二值图像与第一次相加后的图像进行二次相加。实验结果表明：基于新型加和算法的树木叶片图像分割方法可有效处理图像转换过程中目标区域灰度值改变的问题，增加灰度图像分割精确性。新型加和算法是一种切实可行的树木叶片分割方法，为进一步开发叶片病害识别系统提供理论支撑，为后续的纹理特征提取、目标缺陷识别提供了一种有效途径，具有实际应用价值。

【参 考 文 献】

[1]李可心，戚大伟，牟洪波，等.基于灰度共生矩阵与SOM神经网络的树皮纹理特征识别[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]张宁波.面向杂草识别的图像分割方法研究[D].哈尔滨：东北农业大学，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]张昭，杨民仓，何东健.基于PCA和SVM的植物叶片分类方法研究[J].农机化研究，2013，35（11）：34-37.