一种新的棉花根系图像阈值分割方法

2022-04-22佘丽萱康佳王楠邵利敏

河北大学学报（自然科学版） 2022年2期

佘丽萱，康佳，王楠，邵利敏

(河北农业大学机电工程学院，河北保定 071001)

根系不仅能对植物起到固定、支撑的作用，而且是植物向外界吸收水和无机养分的重要器官，还能合成一些植物必备的重要物质.根系形态特征与作物健康生长息息相关，作物的产量与根系长势关系密切.根系越发达，枝叶越繁茂；反之，则枝叶枯黄，生长发育不良[1-3].在作物根系表型研究中，由于地下土壤环境复杂，存在石子、土块等小颗粒，如何在复杂的土壤环境中检测出植物的根成为重要研究方向[4].传统的根系检测方法有完整挖掘法、塑料网袋法、双向切片法等[5]，这些方法虽然可以较为精确地检测出根系的参数，但都会对样本造成一定损伤，且费时费力[6-7].一些无损观察法对根系的检测有很好的效果，如激光扫描检测分析法[8]、核磁共振(NMR)检测分析法[9]和 X 射线计算机层析成像(XCT)检测分析法[10-12]等，这些方法对根系的损坏较小，但成本相对较高.数码设备成像法可以无损地检测植物根系样本[13]，该方法成本较低，仅需将扫描仪与计算机相连，就可以采集并存储高通量的清晰图像，且可以简单、高效地检测植物的原位根系图像.根系的图像处理与分析是研究根系表型的一项重要工作.图像分割是将图像划分为同质区域的一种解析图像表示方法，在计算机视觉和图像处理中发挥着非常重要的作用[14].与深度学习的图像处理方法相比，传统的图像处理方法简单且不存在大量标注和训练等环节，通常能够高效地分割目标图像.常用的分割方法有基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法等.前人提出了许多图像分割的方法，本文对复杂环境下自适应图像分割方法进行研究，复杂环境下的图像分割是图像分割领域的一项重要内容.Gerth等[15]采用计算机X射线断层成像技术(CTX)分别对豆类和木薯类植物的根系图像进行了采集，设计的RootForce工具不仅能分割较小的地下器官，还可以处理直径大于40个体素的贮藏根，可以高效直观地获得根系直径、长度、体积、深度等参数.Altdorff等[16]通过探地雷达(GPR)进行无损检测，评估了GPR在原板树(Platanusacerifolia)和七叶树(Aesculushippocastanum)中根系统结构的原位检测性能.Narisetti等[17]采用半自动图像分析的方法对原位根系图像进行识别，设计的GUI工具允许使用自适应阈值和形态学滤波的组合来执行有效的图像分割，并获得根系结构的各种参数.上述研究在根系图像检测方面取得了一定的效果，但是算法复杂度较高，实际应用较为困难.

由于深度学习的方法对根系图像进行分割时需要对采集到的图像进行大量的标注和训练，复杂度较高，因此本文针对棉花植株的原位根系图像进行研究，提出了一种自动全局阈值分割的方法对棉花原位根系图像进行分割，在阈值分割的基础上对图像中根系的形状特征进行筛选，以达到精准检测图像中的细根的目的.

1 材料与方法

1.1 图像采集

棉花根系图像采集实验于2019年在位于黄河流域的河北省保定市河北农业大学实验站(38.85°N，115.30°E)进行，实验地点属于温带气候.

为了采集清晰的棉花原位根系图像，本文采用了一种成本低、设计简单的图像采集装置[18]，如图1所示，该装置由透明玻璃根室和扫描仪组成，前后2面为梯形面，为避免光照影响，对前后2面玻璃做遮光处理，2个侧面分别与2个高精度扫描仪(Epson perfection V39，Suwa，Japan)连接并固定，该装置可以实时采集并储存作物的原位根系图像.

a.棉花生长装置；b.采集装置.图1 图像采集装置Fig.1 Image acquisition device

1.2 图像分析与分割算法

棉花根系的图像处理在HALCON17.12.0.0环境下实现，使用HALCON中的图像处理算子，采取先分割后去噪的思路对棉花根系图像进行处理.图像分析的主要目的是分割根系的结构及其形态特征，将棉花根系图像从土壤中分割出来.

采集棉花的原位根系图像时，土壤中会存在小颗粒，这些小颗粒会影响棉花根系的检测精度.为了减少小颗粒对检测精度的影响，本文对图像进行形态学滤波，消除了图像噪声和土壤颗粒的影响.本算法首先将采集到的根系图像由RGB转换到HSV空间；其次，选择目标区域，将采集到的图像进行阈值分割；然后，将得到的图像转换为二值图像，并对二值图像进行一次闭运算，去除图像中的一些噪声和小颗粒；最后，将得到的二值图像根据形状特征进行筛选，滤掉剩余的噪声和小颗粒，输出检测好的根系图像.

1.2.1 图像空间转换

扫描仪扫描的图像为RGB彩色图像，需将其转换到HSV(hue，saturation，value)空间.对用户来说，HSV是一种直观的颜色模型，且土壤和根系的H分量在像素上有一定差距，同时H分量对光照不敏感[19].在HALCON环境中采用trans_from算子进行空间转换，使棉花根系图像的分割在HSV空间下进行.因此，本文将图像转换到HSV空间比RGB 更易识别，尤其用于指定颜色分割时，作用更为显著.

1.2.2 图像阈值分割

棉花根系的图像识别最重要的一步是用二进制阈值来分割图像.阈值分割处理需要选择合适阈值T，合适阈值T的确定是阈值分割法的关键.图像阈值的目的是将图像按照灰度级进行划分，将采集到的根系图像与所选择的阈值进行比较，大于该灰度阈值的设置为1，为目标像素；小于该阈值的设置为0，为背景像素.通过只有0和1的二值图像，将背景和前景区分开来.设(x，y)为二维数字图像平面上的点，f(x,y)是图像各点的灰度值，阈值分割的数学表达式

(1)

本文采用自动全局阈值分割算法，计算简单且无需通过人工经验的方法选择合适的阈值，在精准度上也有较好的表现.在HALCON中选择binary_threshold算子，使用自动确定的全局阈值分割单通道图像，参数Method选用“最大限度的可分性”，即Method= ′max_separability′.该算子首先计算图像的直方图，然后利用统计矩找到将像素分割为前景和背景的最优阈值，并最大化这2个类之间的可分性.阈值分割后再将图像转换为二值图像，如图2a和2b所示.通过阈值分割原理可以看出，该算法计算量较小，运算简单，性能稳定，实用性较高.

经过图像二值化处理以后，采用数学形态学方法去除图像中的杂质和噪声.数学形态学方法具有简化数据、保持图像的基本形态特征和易于硬件实现等优点，在去除噪声、图像分割、边缘检测、纹理分析、图像恢复与重建以及图像压缩等领域都有广泛应用[20].本文采用形态学滤波中的闭运算过滤图像中的噪声，同时去除图像中由于土壤杂质造成的错误分割.闭运算先进行膨胀后进行腐蚀，可平滑轮廓、弥合孔洞[21-22].在HALCON中，closing_circle算子使用圆形结构元素封闭区域，平滑区域边界，如图2c和2d所示.该算子主要经过扩张和Minkowski减法2个步骤，均具有相同的圆形结构元素，最终将小于该圆形结构半径的孔封闭.在采集到的根系图像中存在大量的噪声，区域中需要进行闭合的圆的半径的选择至关重要，如果选择的圆形结构半径过大，在清除一些噪声的同时也会将图像中的一些细小的或者不相连的根闭合掉，导致根系检测精度降低；如果选择的半径过小，就不能闭合大部分的噪声，则会导致将大的噪声点误检测为根系.本文选择闭合半径小于3.5的圆，进行闭运算处理后不仅抑制了图像中的噪声，而且有效地消除了土壤中小颗粒对检测结果的影响.

a.单通道阈值分割; b.分割结果二值化; c.闭运算; d.闭运算结果二值化.图2 阈值分割Fig.2 Threshold segmentation

1.2.3 根系特征筛选

图3 特征筛选流程Fig.3 Flow chart of feature selection

在检测根系图像前，由数码设备成像法采集到的彩色图像存在白色噪声和沙砾等土壤中的细小颗粒，去除图像中的噪声和土壤颗粒是检测土壤中根系十分重要的一步.目前消除噪声常用的方法有均值滤波、中值滤波和高斯滤波等[23-26]，这些滤波方法对图像中噪声有很好的过滤效果，然而应用于土壤根系检测时会造成细根丢失.本文采用闭运算结合形状特征筛选的形态滤波方法处理图像，在消除图像中噪声和小颗粒的同时，将根系认定为细长的形状，在原位根系图像处理中更加适用.

二值图像经过闭运算处理后，再采用形状特征筛选进行二次过滤，应用select_shape算子进行形状特征的筛选以去除白噪声和小的非根状斑点状结构.该函数根据形状特征Features从Regions选择区域，将选择的区域保存SelectedRegions.本研究选择面积“Area”和长度“Length”作为目标特征，将阈值分割后的区域进行特征选择，面积设置在5×103～5×1016，通过判断“Length”和“Area”的值连接图像中的对象元组，筛选出根系的形状特征，最后再将标注的图像转换成二值图像，消除图像中的噪声，得到清晰的根系图像.与非根部位相比，长度、面积和形状都与根部存在很大的差异，图像中根连接的部分用面积这一形态特征进行过滤，根部不相连的部分用长度这一特征筛选，通过适当设置形态特征参数“Area”和“Length”可以很好地筛选根部特征，避免根部丢失现象.

如图3所示，In表示轮廓多边形的长度Length与面积Area的比值，算法中通过循环语句判断In值和Area的值，最终循环N次，连接图像中所有的根(N为图像中需要检测的轮廓多边形的数量).

2 结果与分析

2.1 土壤原位根系图像的自动阈值分割

a.原始图像；b.检测结果.图4 原位根检测效果Fig.4 Detection effect of in-situ root

为了评估本文分割方法的相关性能，在采集到的棉花根系图像中随机选取100张进行分割，并对其结果进行比较.总运行时间为879 s，100张棉花图像中有93张可以完整地识别出棉花根系，7张图像存在大量根系丢失现象或将大部分土壤误识别为根系.图4a为采用数码设备成像法采集到的棉花原位根系图像，图4b为本文算法对棉花根系图像的检测结果.

2.2 图像分析

在HALCON环境下实现根系分割，步骤如下：

1)图像导入.将图像导入并保存为“*.bmp”格式.

2)空间转换.将RGB彩色图像转换到HSV空间，如图5所示，将输入的图像进行空间转换，对于土壤的原位根系图像在HSV空间下进行分割更有利于机器识别，比RGB更有利于阈值分割.

a.R通道；b.G通道；c.B通道；d.H通道；e.S通道；f.V通道.图5 空间转换Fig.5 Space transformation

3)阈值分割.首先选择图像中的目标区域(图6a)，根据最大限度可分性方法，自动选择1个合适的阈值，将图像转换为二值图像，未经滤波处理的图像中有白噪声和土壤中的小颗粒，二值化处理后进行闭运算将图像中半径小于3.5的噪声过滤(图6b).

4)特征筛选.在经过初步闭运算处理后闭合了一部分的白噪声，在根区域表示单个连接结构的情况下，仅通过应用面积与长度特征即可执行过滤，利用形状特征进行特征筛选，在去除土壤中沙砾和白噪声的同时，筛选出细长的线状或曲线状结构的根.由于图像中的根系大部分细根大于5 000像素，而一株作物的主根的总面积小于5×1016像素，因此采用select_shape算子在5×103～5×1016下较为准确，筛选结果如图7所示.

a.目标区域选择；b.闭运算.图6 阈值分割Fig.6 Threshold segmentation

图7 特征筛选Fig.7 Feature selection

3 讨论

根系表型特征是了解根系生长状况的重要指标.通过观察和分析根系形态，能够更好地掌握植物的生长状况，进而达到改良植物、提高农作物产量等目的.以根系图像为研究对象，结合图像处理和计算机视觉技术等手段，从复杂的背景中提取根系，获取根系的相关形态学参数，能够为研究人员在分析植物、研究根系等工作中提供重要的数据参考[27].使用数码设备成像技术可以对不同土壤层次的根系生长状态进行实时观察，了解根系生长的动态过程，对植物表型研究和作物生长研究有重要意义.

应用传统的手动分割方法在分割时会受到操作者的主观影响，而且在对大量图像进行分割时费时费力.深度学习方法具有更高的精确度，但由于需要进行大量的图像标注和图像训练，且会受到数据集选取不好导致的检测精度下降的影响.本研究通过采集清晰的原位根系图像，并使用HALCON软件在复杂的土壤环境中自动识别出根系.采用自动全局阈值分割法分割图像，计算简单，省时省力，在提高分割效率的同时提高了检测精度.

本研究采用自动全局阈值分割方法分析原位根系图像.由于植物根系图像的获取环境复杂，检测根系时容易受到亮度较高的碎石、土壤颗粒等非根系部位的干扰，这些碎石和土壤颗粒的灰度级和根系像素点的灰度级相差不大，在进行根系识别的过程中，有可能将这些非根系部分的像素点提取出来，造成偏差.为了去除噪声影响，本文采用形态学滤波的方法对图像降噪平滑处理.在图像分割之前，本文没有采用高斯滤波法或中值滤波方法对图像进行预处理，而是采用闭运算与形状特征筛选相结合的方法进行去噪，在土壤根系图像的精准分割中有很好的适用性.

本算法也存在一些不足，在复杂土壤环境中的根系检测精度不够高，分割时容易丢失一部分根.在进行形状特征筛选时，参数的选择会影响该算法下的根系检测精度，图像的清晰程度也会影响图像的检测精度.

图8为不同清晰度下的检测结果，检测结果表明，图像的清晰程度与检测结果呈正相关，采集到的图像越清晰，检测结果就越精确.图8a和图8c是对同一根系采集到的不同清晰度图像，图8b和图8d是其对应的检测结果，由于图8c更加清晰，对比度更高，其检测结果为完整的棉花根系，而低对比度的图8a检测结果较差.采用本文算法进行分割时，有一部分图像会存在主根部位丢失的现象，在进行形状特征筛选时面积这一参数的选择是导致主根丢失的原因，采用算法中的面积参数虽然可以更加精确地检测出一些细小的根，但是会同时丢失一部分阈值与土壤差距不大且比较粗的主根.因此本算法在检测精度上需要进一步提高.

本文主要针对棉花作物的根系图像进行了研究和分析，旨在用简便、高效、低成本的方法自动检测图像中的棉花根系.本文的算法可以推广到其他作物的根系检测中，而且可以应用到环境较为复杂的目标分割中，只需要根据检测目标的特征对算法中的一些参数进行改动即可.