專利名稱：植物葉片田間圖像邊緣提取方法及其系統的制作方法
技術領域：
本發明涉及數字圖像處理技術領域，尤其涉及一種植物葉片田間圖像邊緣提取方 法及其系統。
背景技術：
數字圖像處理技術是一個跨學科的領域。隨著計算機科學技術的不斷發展，圖像 處理和分析逐漸形成了自己的科學體系，新的處理方法層出不窮，盡管其發展歷史不長，但 卻引起各方面人士的廣泛關注。首先，視覺是人類最重要的感知手段，圖像又是視覺的基 礎，因此，數字圖像成為心理學、生理學、計算機科學等諸多領域內的學者們研究視覺感知 的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應用中有不斷增長的需求。果樹葉片田間圖像邊緣檢測和提取可以為植物葉片現場圖像的三維重建提供重 要依據，以此可處理和分析植物葉片，監測植物的生長狀況，為植物的病蟲害防治等提供依 據。圖像分割是一種重要的圖像處理技術，常采用灰度閾值分割或邊緣檢測分割。閾 值分割屬于并行區域類分割技術，就是用一個或幾個閾值將圖像的灰度直方圖分成幾個 類，認為圖像中灰度值在同一類中的像素屬于同一物體。該方法計算簡單、實用性強。但在 實際應用中，現場圖像由于噪聲、光線亮度、背景等因素的影響，自動選取一個合適的閾值 顯得尤為困難。對于非此即彼的簡單圖像處理，如一些二值圖像的處理是有效的，但是對于 圖像中不存在明顯的灰度差異或各物體的灰度值范圍有較大的重疊的圖像分割問題難以 得到準確的分割效果。在植物葉片圖像中，存在大量的重疊葉片和灰度不均勻的葉片，閾值 分割很難把這些復雜的葉片分割開來。邊緣檢測分割則通常是在梯度圖像的基礎上進行的。利用圖像一階導數的極值或 二階導數的零點作為判斷邊緣點的基本依據。邊緣檢測的優點是邊緣定位準確、運算速度 快。邊緣檢測一般分為三個步驟首先利用一些邊緣檢測算子檢測出圖像中可能的邊緣點； 其次，對有一定厚度的邊緣進行復雜的邊緣細化，得到精確的、厚度為一個像素的邊緣；最 后，利用邊緣閉合技術得到封閉的邊緣。但植物葉片圖像通常具有以下特征背景復雜，葉 片較多，易重疊，葉片表面不夠光滑，葉脈與葉片的色彩差異較大，葉子邊緣有些地方梯度 變化不明顯，葉片與葉柄相連處、枝條重疊處難以分開，有些果樹現場葉片圖像由于光照不 同而表現為幾種不同亮度的區域，內部梯度變化過于明顯。這些特征導致分割的結果是，既 不能保證邊緣的連續性和封閉性，又在高細節區存在許多大量的碎邊緣、偽邊緣，難以確定 哪些邊緣是真正的目標邊緣。
發明內容
(一)要解決的技術問題本發明要解決的技術問題是提高對灰度不均勻的植物葉片進行田間圖像邊緣提 取的準確性和完整性。
( 二)技術方案為實現上述目的，本發明提供一種植物葉片田間圖像邊緣提取方法，該方法包括 步驟Si.以包含單個葉片的區域作為目標圖像，對所述區域附近的分割區域子圖進行 平滑去噪處理；S2.對經步驟Sl處理的圖像進行基于區域的閾值分割處理和基于梯度的邊緣檢 測分割處理，并進行初步優化，以獲取目標區域內模板；S3.判斷經步驟S2處理后的圖像的目標區域是否為葉片圖像，若是，則執行步驟 S4，否則，對經步驟Sl處理后的圖像進行灰度映射及形態學重建，再執行步驟S2 ；S4.對經步驟S2處理后的圖像進行斷開粘連、去除偽邊緣以及封閉操作，得到邊 緣閉合的邊緣圖像。其中，步驟S2進一步包括步驟S2. 1利用自動閾值分割算子對經步驟Sl處理后的圖像進行基于區域的閾值分 割；S2. 2利用Carmy算子對經過步驟Sl處理后的圖像進行邊緣檢測。S2. 3將經過步驟S2. 1處理后的圖像以及經步驟S2. 2處理后的圖像進行邏輯與運 算，割斷圖像中的局部粘連；S2. 4用半徑為1個像素的圓形結構元對經步驟S2. 3處理后的圖像進行腐蝕操作， 進一步斷開粘連；S2. 5對經步驟S2. 4處理后的圖像進行填洞操作，去除圖像中小于設定半徑的孔 洞；S2. 6用半徑為2個像素的圓形結構元對經步驟S2. 5處理后的圖像進行腐蝕操作， 完全斷開圖像中粘連；S2. 7標記經步驟S2. 6處理后的圖像中的連通區域，統計各連通區域的面積，并保 留面積最大的兩個連通區域，將其它連通區域設置為0 ；S2. 8用半徑為5個像素的圓形結構元膨脹經步驟S2. 7處理后的圖像，得到目標外 模板；S2. 9用半徑為5個像素的圓形結構元腐蝕經步驟S2. 8處理后的圖像，得到圖像內 模板。其中，步驟S3進一步包括步驟S3. 1對經步驟S2. 9處理后的圖像進行葉形判別，若所述圖像目標區域是葉片圖 像，則執行步驟S4，否則，判斷所述圖像是否經過步驟S3. 2-3. 5的處理，若否，則繼續執行 步驟S3. 2，若是，則結束邊緣提取；S3. 2對經步驟S2. 9處理后的圖像進行灰度映射，灰度映射公式為E(s) = L * O.S * (sin (f-j)+ 1}其中，L為區域子圖的灰度級個數，s為原灰度，E(S)為灰度映射后的灰度；S3. 3對經步驟S3. 2處理后的圖像進行開啟操作，去除圖像中小于設定結構元尺 寸的亮點，保留所有的灰度和大于設定值的亮區域特征；S3. 4對經步驟S3. 3處理后的圖像進行閉合操作，去除圖像中小于設定結構元尺
5寸的暗點，保留灰度和大于設定值的亮區域特征；S3. 5對經步驟S3. 4處理后的圖像進行形態學重建，獲得目標區域為葉片圖像的 圖像。其中，步驟S4進一步包括步驟S4. 1對經步驟S2. 9處理的圖像進行求反運算，與經步驟S2. 2處理后的圖像進行 邏輯與運算，得到去除目標內部偽邊緣的邊緣圖像；S4. 2對經步驟S2. 8處理的圖像與經步驟S4. 1處理的圖像進行邏輯與運算，得到 去除目標內部以及外部偽邊緣的邊緣圖像；S4. 3對經步驟S4. 2處理后的圖像進行封閉操作，得到目標邊緣閉合的邊緣圖像。其中，步驟S3. 1中的葉形判別方法為S3. 11提取面積最大的連通區域的骨架；S3. 12計算所述骨架的離心率；S3. 13若所述離心率大于設定值，則所述圖像目標區域為葉片圖像，否則，不是葉 片圖像。其中，步驟S4. 3中的封閉操作進一步包括步驟S4. 31將經步驟S4. 1處理的圖像中可能被所述目標外模板割斷的目標邊緣并入 經步驟S4. 2處理后的圖像；S4. 32若經步驟S4. 31處理后的圖像邊緣封閉，則執行步驟S4. 34，否則，將縫隙小 于3個像素的不連通邊緣直接連接；S4. 33若經步驟S4. 32處理后的圖像邊緣封閉，則執行步驟S4. 34，否則用半徑為3 個像素的結構元函數對所述目標外模板進行腐蝕，并從所述目標外模板的邊界取一段線段 對經步驟S4. 32處理后的圖像進行填補，使其形成閉合曲線；S4. 34將所述閉合曲線轉成區域圖，用半徑為2個像素的菱形結構元進行膨脹和 腐蝕操作，得到區域外沿的光滑曲線，從而得到邊緣閉合的邊緣圖像。本發明還提供了一種植物葉片田間圖像邊緣提取系統，該系統包括預處理模塊， 用于以包含單個葉片的區域作為目標圖像，對所述區域附近的分割區域子圖進行平滑去噪 預處理；圖像分割模塊，用于對經預處理模塊處理的圖像進行基于區域的閾值分割處理和 基于梯度的邊緣檢測分割處理，并進行初步優化，以獲取目標區域內模板；均勻模塊，用于 判斷經圖像分割模塊處理后的圖像目標區域是否為葉片圖像，若是葉片圖像，則將所述圖 像傳送于優化模塊處理，否則，對經預處理模塊處理后的圖像進行灰度映射及形態學重建， 再傳送至圖像分割模塊處理，獲得目標區域為葉片圖像的圖像；優化模塊，對經均勻模塊處 理后的圖像進行斷開粘連、去除偽邊緣以及封閉操作，得到邊緣閉合的邊緣圖像。(三)有益效果本發明的方法及其系統通過試驗篩選，對圖像進行適當的平滑濾波，對于通常噪 聲比較嚴重、受光線條件的影響比較明顯的現場圖像進行增強預處理，達到了較好的去噪 效果，且運算速度快，適用范圍廣；對圖像平滑濾波處理的基礎上，采用形態學處理結合灰 度映射的方法，使目標區域灰度變得相對均勻，避免造成閾值分割錯分或邊緣檢測時不必 要的邊緣線；采用兩種方法分別對子圖目標進行初步分割，提高了閾值分割的成功率，且能 在噪聲抑制和邊緣檢測之間取得較好的平衡；本發明的方法及系統采用一系列形態學操作和邏輯運算對圖像分割結果進行優化，可以得到完整、封閉、定位準確的目標邊界曲線圖像。
圖1為依照本發明一種實施方式的植物葉片田間圖像邊緣提取方法流程圖；圖2為依照本發明一種實施方式的植物葉片田間圖像邊緣提取方法中圖像分割 及初步優化流程圖；圖3 (a)-3(b)為進行非極大值抑制算法的示意圖；圖4為依照本發明一種實施方式的植物葉片田間圖像邊緣提取方法中灰度映射 及形態學重建方法流程圖；圖5為依照本發明一種實施方式的植物葉片田間圖像邊緣提取方法中進一步優 化處理及封閉流程圖；圖6為依照本發明一種實施方式的植物葉片田間圖像邊緣提取方法中葉形判別 方法流程圖；圖7為依照本發明一種實施方式的植物葉片田間圖像邊緣提取方法中封閉操作 的流程圖。
具體實施例方式本發明提出的植物葉片田間圖像邊緣提取方法及其系統，結合附圖和實施例詳細 說明如下。本發明的方法及系統針對現場植物葉片圖像灰度不均勻且難以簡單運用圖形圖 像算法準確提取完整葉片的狀況，基于灰度圖提出，可完整、準確地提取植物現場圖像葉 片。本發明的方法及系統把包含單個葉片的子區域作為目標圖像，將已鎖定在子區域 附近的分割區域子圖作為處理對象；綜合利用圖形圖像處理算子，對區域子圖進行增強和 去噪；針對植物現場葉片灰度不均勻的情況，利用形態學處理將其進行灰度均勻化；然后 采用閾值和Carmy算子分割相結合的方法，進行提取圖像邊緣的優勢互補的邏輯運算處理。如圖1所示，依照本發明一種實施方式的一種植物葉片田間圖像邊緣提取方法， 該方法包括步驟Si.以包含單個葉片的區域作為目標圖像，對所述區域附近的分割區域子圖進行 平滑去噪預處理；S2.對經步驟Sl處理的圖像進行基于區域的閾值分割處理和基于梯度的邊緣檢 測分割處理，并進行初步優化，以獲取目標區域內模板；S3.判斷經步驟S2處理后的圖像的目標區域是否為葉片圖像，若是，則執行步驟 S4，否則，對經步驟Sl處理后的圖像進行灰度映射及形態學重建，再執行步驟S2 ；S4.對經步驟S2處理后的圖像進行斷開粘連、去除偽邊緣以及封閉操作，得到邊 緣閉合的邊緣圖像。其中，由于現場圖像通常噪聲比較嚴重，受光線條件的影響比較明顯，必須對圖像
7進行增強。本發明方法采用了維納平滑濾波增強圖像，濾波器的濾波函數為 其中，H(x, y)為理想逆濾波器的濾波函數，Sn(x，y)與sf (x，y)分別是圖像f (X， y)及噪聲n(x，y)的功率譜。如圖2所示，步驟S2進一步包括步驟S2. 1為提高閾值分割的成功率，利用自動閾值分割(Otsu)算子對經步驟Sl處理 后的圖像進行基于區域的閾值分割；S2. 2利用Carmy算子對經過步驟Sl處理后的圖像進行邊緣檢測，以在噪聲抑制和 邊緣檢測之間取得較好的平衡；S2. 3將經過步驟S2. 1處理后的圖像以及經步驟S2. 2處理后的圖像進行邏輯與運 算，割斷圖像中的局部粘連；S2. 4用半徑為1個像素的圓形結構元對經步驟S2. 3處理后的圖像進行腐蝕操作， 進一步斷開粘連；S2. 5對經步驟S2. 4處理后的圖像進行填洞操作，去除圖像中小于設定半徑的孔 洞；S2. 6用半徑為2個像素的圓形結構元對經步驟S2. 5處理后的圖像進行腐蝕操作， 完全斷開圖像中粘連；S2. 7標記經步驟S2. 6處理后的圖像中的連通區域，統計各連通區域的面積，并保 留面積最大的兩個連通區域，將其它連通區域設置為0 ；S2. 8用半徑為5個像素的圓形結構元膨脹經步驟S2. 7處理后的圖像，得到目標外 模板；S2. 9用半徑為5個像素的圓形結構元腐蝕經步驟S2. 8處理后的圖像，得到圖像內 模板。其中，Otsu步驟如下設圖像包含L個灰度級(0，1，. . .，L-1)，灰度值為i的像素點數為Ni，圖像總的像 素點數為N = MHNl+...+N (L-I)。灰度值為i的點的概率為:P(i) =N⑴/N。門限t將整 幅圖像分為暗區Cl和亮區c2兩類，則類間方差σ是t的函數ο = al*a2 (ul-u2) "2(2), 式中，aj為類cj的面積與圖像總面積之比，al = sum(P(i))i - t，a2 = 1-al ；uj為類cj 的均值，ul = sum(i*P(i))/alO — t，u2 = sum(i*P(i))/a2，t+1 — L_l，本發明的方法法 選擇最佳門限t~使類間方差最大，即令Au = ul-u2, ob =max{al(t)*a2(t) Au"2}0Canny算子分割算法操作步驟如下Al用2D高斯濾波器平滑圖像。即g(x，y) = f (x，y)*h(x，y)，其中f (x，y)是原 圖像，
是2D高斯濾波函數，g(x, y)是平滑后的圖像。A2用一階偏導的有限差分來計算梯度的幅值和方向。一階差分的卷積模板 是
可以分別計算出χ方向和y方向的梯度的幅值。用θ = :arctan(gy/Gx)計算梯度的方向。A3利用梯度方向對梯度幅值應用非極大值抑制。僅僅得到全局的梯度并不足以確 定邊緣，因此為確定邊緣，必須保留局部梯度最大的點，而抑制非極大值。利用圖3 (a) -3 (b) 進行非極大值抑制。在每一點上，鄰域的中心像素M與沿著梯度線的兩個像素相比。如果M的梯度值 不比沿梯度線的兩個相鄰像素梯度值大，則令M = 0。A4用雙閾值算法檢測和連接邊緣。雙閾值算法對非極大值抑制圖像作用兩個閾 值τ 和12，且211 12，從而可以得到兩個閾值邊緣圖像附[1，」]和擬[1，」]。由于 N2[i，j]使用高閾值得到，因而含有很少的假邊緣，但有間斷。雙閾值法要在N2[i，j]中把 邊緣連接成輪廓，當到達輪廓的端點時，該算法就在m[i,j]的8鄰點位置尋找可以連接到 輪廓上的邊緣，這樣，算法不斷地在Nl[i，j]中收集邊緣，直到將N2[i，j]連接起來為止。因Carmy算子的原則是最優的，所以在此采用此算法會使檢測的邊緣更準確。如圖4所示，步驟S3進一步包括步驟S3. 1對經步驟S2. 9處理后的圖像進行葉形判別，若所述圖像目標區域是葉片圖 像，則執行步驟S4，否則，判斷所述圖像是否經過步驟S3. 2-3. 5的處理，若否，則繼續執行 步驟S3. 2，若是，則結束邊緣提取；S3. 2對經步驟S2. 9處理后的圖像進行灰度映射，以使背景區域相對變暗，葉片凹 陷部分灰度較暗的部分相對變亮，設區域子圖有L個灰度級，原灰度為s，變換后的灰度為 E(S)，該映射可用公式表示為 S3. 3對經步驟S3. 2處理后的圖像進行開啟操作，去除圖像中小于設定結構元尺 寸的亮點，保留所有的灰度和大于設定值的亮區域特征；S3. 4對經步驟S3. 3處理后的圖像進行閉合操作，去除圖像中小于設定結構元尺 寸的暗點，保留灰度和大于設定值的亮區域特征，閉合操作中先對圖像做膨脹去除小的暗 點，使圖像其他的區域增亮；S3. 5對經步驟S3. 4處理后的圖像進行形態學重建，獲得目標區域為葉片圖像的 圖像。其中，步驟S3. 3中的開啟操作為先進行形態學的腐蝕操作再進行膨脹操作；S3. 4 中的閉合操作為先進行膨脹操作后進行腐蝕操作。設結構元函數為b(x，y)，所處理圖像為f(x，y)。開啟操作記為(fob) (x，y)，閉合 操作記為(f *b) (x，y)，則有開啟操作定義為 閉合操作定義為 其中
為灰度腐蝕操作，其定義為
為灰度膨脹操作，其定義為 式中，Df和Db分別是f和b的定義域。步驟S3. 5中的形態學重建使用如下方法操作設I蒙板圖像(Mask)和J標記圖像(Marker)是定義在同一離散域D上的灰度圖 像，它們的值域是離散集合{0，ι，...，N-1}，且J≤ι (即
, j (ρ)≤ι (ρ))。由j對 ι進行灰度重建圖像，重建后的圖像P1(J) (Ρ)可由下式得到 其中Tk(I) = {ρ e D|I(P) ≥ k}通過上述步驟的處理，可以使葉片表面灰度不均勻的情況得到較好的改善，并且 有效濾除了圖像中的噪聲，使目標區域內部變化過度較為平緩，改善閾值分割的效果。如圖5所示，步驟S4進一步包括步驟S4. 1對經步驟S2. 9處理的圖像進行求反運算，與經步驟S2. 2處理后的圖像進行 邏輯與運算，得到去除目標內部偽邊緣的邊緣圖像；S4. 2對經步驟S2. 8處理的圖像與經步驟S4. 1處理的圖像進行邏輯與運算，得到 去除目標內部以及外部偽邊緣的邊緣圖像；S4. 3對經步驟S4. 2處理后的圖像進行封閉操作，得到目標邊緣閉合的邊緣圖像。如圖6所示，步驟S3. 1中的葉形判別方法為S3. 11提取面積最大的連通區域的骨架；因為骨架易受噪聲的影響，而腐蝕后的圖像的邊緣較平滑，此時提取的骨架更接 近圖像的真實骨架。區域骨架可以通過中間軸變換(MAT)加以定義。一個邊框為b的區域 R的MAT描述如下對于R中的每個點p，尋找b中的最鄰近點，若ρ比這樣的近鄰點大，則 稱P是R的骨架。S3. 12計算所得骨架的離心率；骨架所對應的離心率的計算是先采用橢圓來擬合骨架。骨架離心率是一個標量， 等同于與其具有相同二階中心矩的橢圓的離心率。S3. 13若離心率大于設定值，則所述圖像為葉片圖像，否則，不是葉片圖像。根據試驗統計，對于本發明所使用的區域子圖(以棗葉為例，本發明所指子圖范 圍均在50*50到300*300像素之間)，處理后所得區域為葉片的，其骨架的離心率大于0. 99 所占的比例為94. 73%;所得區域不是葉片時其骨架的離心率大于0. 99的所占的比例為0， 即其骨架的離心率大于判別值所占的比例符合統計學要求。如圖7所示，步驟S4. 3中的封閉操作進一步包括步驟S4. 31將經步驟S4. 1處理的圖像中可能被步驟S2. 8中的所述目標外模板割斷的 目標邊緣并入經步驟S4. 2處理后的圖像，即若存在線段r屬于經步驟S4. 1處理的圖像， 線段s、t屬于經步驟S4. 2處理的圖像，且r包含s、t，則將r合并入經步驟S4. 2處理后的 圖像。
S4. 32若經步驟S4. 31處理后的圖像邊緣封閉，則執行步驟S4. 34，否則，將縫隙小 于3個像素的不連通邊緣直接連接；S4. 33若經步驟S4. 32處理后的圖像邊緣封閉，則執行步驟S4. 34，否則用半徑為3 個像素的結構元函數對所述目標外模板進行腐蝕，并從所述目標外模板的邊界取一段線段 對經步驟S4. 32處理后的圖像進行填補，使其形成閉合曲線；S4. 34將所述閉合曲線轉成區域圖，用半徑為2個像素的菱形結構元進行膨脹和 腐蝕操作，得到區域外沿的光滑曲線，從而得到目標邊緣閉合的邊緣圖像。本發明還提供了一種植物葉片田間圖像邊緣提取系統，該系統包括預處理模塊， 用于以包含單個葉片的區域作為目標圖像，對所述區域附近的分割區域子圖進行平滑去噪 預處理；圖像分割模塊，用于對經預處理模塊處理的圖像進行基于區域的閾值分割處理和 基于梯度的邊緣檢測分割處理，并進行初步優化，以獲取目標區域內模板；均勻模塊，用于 判斷經圖像分割模塊處理后的圖像目標區域是否為葉片圖像，若是葉片圖像，則將所述圖 像傳送于優化模塊處理，否則，對經預處理模塊處理后的圖像進行灰度映射及形態學重建， 再傳送至圖像分割模塊處理，獲得目標區域為葉片圖像的圖像；優化模塊，對經均勻模塊處 理后的圖像進行斷開粘連、去除偽邊緣以及封閉操作，得到邊緣閉合的邊緣圖像。以上實施方式僅用于說明本發明，而并非對本發明的限制，有關技術領域的普通 技術人員，在不脫離本發明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有 等同的技術方案也屬于本發明的范疇，本發明的專利保護范圍應由權利要求限定。
權利要求
一種植物葉片田間圖像邊緣提取方法，其特征在于，該方法包括步驟S1.以包含單個葉片的區域作為目標圖像，對所述區域附近的分割區域子圖進行平滑去噪處理；S2.對經步驟S1處理的圖像進行基于區域的閾值分割處理和基于梯度的邊緣檢測分割處理，并進行初步優化，以獲取目標區域內模板；S3.判斷經步驟S2處理后的圖像的目標區域是否為葉片圖像，若是，則執行步驟S4，否則，對經步驟S1處理后的圖像進行灰度映射及形態學重建，再執行步驟S2；S4.對經步驟S2處理后的圖像進行斷開粘連、去除偽邊緣以及封閉操作，得到邊緣閉合的邊緣圖像。
2.如權利要求1所述的植物葉片田間圖像邊緣提取方法，其特征在于，步驟S2進一步 包括步驟S2. 1利用自動閾值分割算子對經步驟Sl處理后的圖像進行基于區域的閾值分割； S2. 2利用Carmy算子對經過步驟Sl處理后的圖像進行邊緣檢測。 S2. 3將經過步驟S2. 1處理后的圖像以及經步驟S2. 2處理后的圖像進行邏輯與運算， 割斷圖像中的局部粘連；S2. 4用半徑為1個像素的圓形結構元對經步驟S2. 3處理后的圖像進行腐蝕操作，進一 步斷開粘連；S2. 5對經步驟S2. 4處理后的圖像進行填洞操作，去除圖像中小于設定半徑的孔洞； S2. 6用半徑為2個像素的圓形結構元對經步驟S2. 5處理后的圖像進行腐蝕操作，完全 斷開圖像中粘連；S2. 7標記經步驟S2. 6處理后的圖像中的連通區域，統計各連通區域的面積，并保留面 積最大的兩個連通區域，將其它連通區域設置為0 ；S2. 8用半徑為5個像素的圓形結構元膨脹經步驟S2. 7處理后的圖像，得到目標外模板；s2.9用半徑為5個像素的圓形結構元腐蝕經步驟S2. 8處理后的圖像，得到圖像內模板。
3.如權利要求2所述的植物葉片田間圖像邊緣提取方法，其特征在于，步驟S3進一步 包括步驟s3.1對經步驟S2. 9處理后的圖像進行葉形判別，若所述圖像目標區域是葉片圖像， 則執行步驟S4，否則，判斷所述圖像是否經過步驟S3. 2-3. 5的處理，若否，則繼續執行步驟 S3. 2，若是，則結束邊緣提取；S3. 2對經步驟S2. 9處理后的圖像進行灰度映射，灰度映射公式為E(s) = L 0.5 * (sin ( j _ I) + 1)其中，L為區域子圖的灰度級個數，s為原灰度，E(S)為灰度映射后的灰度； S3. 3對經步驟S3. 2處理后的圖像進行開啟操作，去除圖像中小于設定結構元尺寸的 亮點，保留所有的灰度和大于設定值的亮區域特征；S3. 4對經步驟S3. 3處理后的圖像進行閉合操作，去除圖像中小于設定結構元尺寸的 暗點，保留灰度和大于設定值的亮區域特征；s3.5對經步驟S3. 4處理后的圖像進行形態學重建，獲得目標區域為葉片圖像的圖像。
4.如權利要求3所述的植物葉片田間圖像邊緣提取方法，其特征在于，步驟S4進一步 包括步驟54.1對經步驟S2. 9處理的圖像進行求反運算，與經步驟S2. 2處理后的圖像進行邏輯 與運算，得到去除目標內部偽邊緣的邊緣圖像；S4. 2對經步驟S2. 8處理的圖像與經步驟S4. 1處理的圖像進行邏輯與運算，得到去除 目標內部以及外部偽邊緣的邊緣圖像；S4. 3對經步驟S4. 2處理后的圖像進行封閉操作，得到目標邊緣閉合的邊緣圖像。
5.如權利要求4所述的植物葉片田間圖像邊緣提取方法，其特征在于，步驟S3.1中的 葉形判別方法為S3. 11提取面積最大的連通區域的骨架； S3. 12計算所述骨架的離心率；53.13若所述離心率大于設定值，則所述圖像目標區域為葉片圖像，否則，不是葉片圖像。
6.如權利要求4所述的植物葉片田間圖像邊緣提取方法，其特征在于，步驟S4.3中的 封閉操作進一步包括步驟54.31將經步驟S4. 1處理的圖像中可能被所述目標外模板割斷的目標邊緣并入經步 驟S4. 2處理后的圖像；S4. 32若經步驟S4. 31處理后的圖像邊緣封閉，則執行步驟S4. 34，否則，將縫隙小于3 個像素的不連通邊緣直接連接；S4. 33若經步驟S4. 32處理后的圖像邊緣封閉，則執行步驟S4. 34，否則用半徑為3個 像素的結構元函數對所述目標外模板進行腐蝕，并從所述目標外模板的邊界取一段線段對 經步驟S4. 32處理后的圖像進行填補，使其形成閉合曲線；S4. 34將所述閉合曲線轉成區域圖，用半徑為2個像素的菱形結構元進行膨脹和腐蝕 操作，得到區域外沿的光滑曲線，從而得到邊緣閉合的邊緣圖像。
7.一種植物葉片田間圖像邊緣提取系統，其特征在于，該系統包括預處理模塊，用于以包含單個葉片的區域作為目標圖像，對所述區域附近的分割區域 子圖進行平滑去噪預處理；圖像分割模塊，用于對經預處理模塊處理的圖像進行基于區域的閾值分割處理和基于 梯度的邊緣檢測分割處理，并進行初步優化，以獲取目標區域內模板；均勻模塊，用于判斷經圖像分割模塊處理后的圖像目標區域是否為葉片圖像，若是葉 片圖像，則將所述圖像傳送于優化模塊處理，否則，對經預處理模塊處理后的圖像進行灰度 映射及形態學重建，再傳送至圖像分割模塊處理，獲得目標區域為葉片圖像的圖像；優化模塊，對經均勻模塊處理后的圖像進行斷開粘連、去除偽邊緣以及封閉操作，得到 邊緣閉合的邊緣圖像。
全文摘要
本發明涉及一種植物葉片田間圖像邊緣提取方法及其系統，該方法包括步驟S1.以包含單個葉片的區域作為目標圖像，對所述區域附近的分割區域子圖進行平滑去噪處理；S2.對經步驟S1處理的圖像進行基于區域的閾值分割處理和基于梯度的邊緣檢測分割處理，并進行初步優化，以獲取目標區域內模板；S3.判斷經步驟S2處理后的圖像的目標區域是否為葉片圖像，若是，則執行步驟S4，否則，對經步驟S1處理后的圖像進行灰度映射及形態學重建，再執行步驟S2；S4.對經步驟S2處理后的圖像進行斷開粘連、去除偽邊緣以及封閉操作，得到邊緣閉合的邊緣圖像。本發明的方法及其系統提高對灰度不均勻的植物葉片田間圖像邊緣提取的準確性和完整性。
文檔編號G06T5/00GK101901477SQ20101023895
公開日2010年12月1日 申請日期2010年7月27日 優先權日2010年7月27日
發明者何建磊, 李道亮, 歐陽常奇, 王建侖, 王永彬, 董金勇 申請人:中國農業大學