基于色调信息和直线检测的叶脉提取外文翻译资料

 2022-03-10 21:20:32

文献一

基于色调信息和直线检测的叶脉提取

摘要：

叶脉特征在植物研究中扮演着重要的角色，同时它在计算机视觉领域也是一个至关重要并且具有挑战性的任务。本文提出了一种新的叶脉网络提取及叶脉之间角度测量的方法。文章主要关注于叶脉是直线的叶片以及主叶脉和二级叶脉之间的夹角。算法的工作流程如下：第一步，通过轮廓提取来分离图像的前景和背景从而得到干净的页面图像。第二步，将颜色空间从RGB空间转换到HIS空间，分离并加强色调分量。第三步，通过最大类间方差法来为Canny边缘检测计算自适应的阈值。然后，使用Canny边缘检测和霍夫变换来检测直线，这些直线中大多数都是叶脉，并且需要从中选择正确的线直线。最后通过这些直线来得到主叶脉和二级叶脉之间的夹角。通过对大量的叶片图像进行实验，结果表明这种方法即使在叶脉有一些模糊的情况下也可以用于叶脉的提取和角度测量。

关键词： 叶脉提取，HIS模型，霍夫变换

介绍

植物在生态系统中是至关重要的，其中叶片在植物的光合作用和运输作用中扮演这重要角色。因此，我们可以通过叶片的形态学参数来判断植物的生长状况。例如，叶子的面积是定量分析光合作用和运输作用以及植物长势的主要参数[1]。所以快速精确的测量叶子面积是非常有意义的。叶脉是运输水分和营养的主要通道，分析叶脉的分布也可以得到植物的生长状态。

尽管快速精确的得到叶脉和它们的夹角是很重要的，在植物的研究领域中国的专家仍然在使用传统的人工测量来辅助他们的研究。他们不得不使用量角器等工具通过人眼来观察和测量。这种方法费时费力并且由于测量的主观性不能保证结果的准确性。而且这种方法的另一个缺点是对植物的伤害，因为这种方法必须先将叶子摘下来。在本文中我们介绍了一种基于计算机视觉的改进后的方法，我们使用叶子的扫描图像和图像处理技术，不仅结果客观准确，而且如果使用手持扫描仪就可以避免对植物的伤害。

叶脉的提取看起来和边沿检测相似，其实并不一样。大多数的边沿检测算子例如Laplacian算子、Prewitt算子和Sobel算子，都可以检测灰度的突然变化。然而对于叶脉的检测，通常叶脉和叶肉几乎具有同样的颜色，而且更糟糕的是叶脉并不总是清晰的，它们可能由于疾病的影响变得模糊。很多研究者在叶脉提取上做出了巨大的努力。例如，YunFeng Li[2]提出了一种基于蛇形算法并结合神经网络的方法，XiaoDong Zheng 使用灰度形态学来处理，Hong Fu 提出一种两阶段的方法。Michels提出的一种基于加博滤波并结合主成分分析和退火算法的方法被用于了葡萄叶片。Cope提出一种方法讨论蚁群算法。在第一阶段，使用亮度直方图来粗略的估计叶脉像素点的区域。然后再第二阶段，使用一个训练好的人工神经网络分类器来做更精准的分割。这些研究者们再提取叶脉之后并没有做更进一步的研究。此外，基于机器学习的方法需要预先的训练，因为叶子的区别很多是的这种方法并不通用。

在本文中，我们提出了一种更为通用的叶脉提取和角度测量的方法。第一步，通过轮廓提取将前景和背景进行分离从而得到干净的叶片图像。第二步，将颜色空间从RGB空间转换为HSI空间，然后分离并加强色调分量。第三步，通过最大类间方差法来为Canny边缘检测计算自适应的阈值。然后，使用Canny边缘检测和霍夫变换来检测直线，这些直线中大多数都是叶脉，并且需要从中选择正确的线直线。最后通过这些直线来得到主叶脉和二级叶脉之间的夹角。这个方法有两个关键点，其一是怎样获得Canny边缘检测的阈值，另一个是再直线检测之后怎样选择正确的直线。这将在后面讨论。

文章余下的部分将按一下结构组织：第二部分详细介绍提出的算法，第三部分展示实验的结果，第四部分进行总结。文章最后提出了对未来研究的建议。

提出的算法

  1. 图像获取

所使用的叶子图像全部是真实叶子的扫描图像，这些图像由浙江农林大学的黄教授提供。

  1. 背景分割

在这一步我们分割叶子的前景和背景。首先对图像进行二值化处理，然后得到叶子的边缘并且去除不是叶子的部分。接着清理得到的叶片图像。这一步的处理可以是的后续步骤更简单精确。

  1. 色调提取和加强

红绿蓝（RGB）颜色空间适合显示，但是在图像处理中有着限制。在此，我们将其转换到色调饱和度亮度颜色空间从而跟进一步处理。HIS颜色空间反映了人眼如何观察颜色。这种颜色模型分离了亮度分量，加强这个分量可以减小光照的影响。假设rsquo;maxrsquo;和rsquo;minrsquo;分别代表RGB的最大和最小值，那么将RGB转换到HIS的公式如公式1所示：

If max = b

If max =g

If max = r and glt;b

If max = r and ggt;=b

If max = min

If I=0 or max =min

If 0lt;Ilt;=0.5

If Igt;0.5

公式1

对于扫描的图像，亮度差别并不明显，而且对于统一个叶子饱和度也基本相同。但是叶脉和叶肉的色调分来给你不同，因此我们选择色调分量来分辨它们。为了更好的分割，叶脉和叶肉的区别应该被放大。公式如公式2所示：

公式2

在上述公式中，rsquo;Hminrsquo;是所有色调值的最小值，rsquo;Hmaxrsquo;是最大值。当rsquo;trsquo;变大时干扰变小，但是更多的有效信息会丢失。通过测试，rsquo;trsquo;=3是综合效果最好，在进行加强之后得到了叶片的图像。

  1. Canny边缘检测的自适应阈值计算

因为霍夫直线检测需要二值图像，所以先进行Canny边缘检测。Canny边缘检测通过梯度的不同来识别边缘和其他的部分，其主要缺点是两个阈值是固定的，会造成结果的不准确。所以提出了一个自适应的阈值计算方法，这个方法参考了最大类间方差法的思想。最大类间方差法的和核心思想是是的划分的两个类别具有最大的类间方差。基于这个思想，自适应的阈值计算方法如下：首先，计算图像的整体梯度。梯度计算公式如公式3所示：

公式3

在上面的公式中，rsquo;rsquo;代表梯度值，rsquo;rsquo;代表梯度方向。然后使用非最大抑制处理梯度。之后将像素点分为三个类分别命名为C1,C2和C3。C1包含边缘像素点，C2包含需要判断是否在边缘的像素点，C3包含不在边缘上的像素点。类间方差定义如公式4所示：

公式4

这里，rsquo;Ersquo;d表示整体图像的期望梯度，rsquo;E1rsquo;,lsquo;E2rsquo;, rsquo;E3 rsquo;分别表示rsquo;C1rsquo;，rsquo;C2rsquo;

和rsquo;C3rsquo;的期望梯度。rsquo;p(t1)rsquo;,rsquo;p(t1,t2)rsquo;和rsquo;p(t2)分别表示rsquo;C1rsquo;,rsquo;C2rsquo;和rsquo;C3rsquo;的像素所占比例。当最大时，rsquo;t1rsquo;和rsquo;t2rsquo;几乎是进行Canny边缘检测最适合的阈值。使用以上步骤计算的阈值可以使用Canny边缘检测来得到边缘。

  1. 基于霍夫变换的直线检测

在进行Canny边缘检测之后，叶脉没有以直线的方式出现，而是离散的点。所以这一步的目的是通过基于霍夫变换的直线检测来连接这些点。霍夫变换的基本思路是图像中共线的点对应的相交线。转换公式如公式5所示：

公式5

然后我们可以得到一系列直线，它们其中的一部分就是叶脉。因为直线是以起始坐标的方式保存的所以很方便得到它们的斜率。

  1. 角度测量

在直线检测之后，叶脉显示的很清晰。而且对于左右对称的叶子，如果一部分被污染了，可以使用对称原则来恢复它。这一步关注于主叶脉和二级叶脉之间的角度测量。处理的流程如下：

  1. 确定主叶脉：主叶脉部分的直线其斜率应该接近无穷。同时，根据叶片的轮廓可以得到主叶脉的横坐标值，在这两个参数的基础上，主叶脉的位置可以确定下来。
  2. 找二级叶脉：在主叶脉的左侧，二级叶脉的斜率应该是负数，在主叶脉的右侧，二级叶脉的斜率应该是正数。而且，斜率值不会很接近零或者无穷。此外，延伸二级叶脉，他们将和主叶脉相交。
  3. 根据主叶脉和二级叶脉可以计算出角度。

实验结果

基于以上的算法流程，我们扩大了实验的样本。以100个物种的叶子为样本，将自动测量的结果和人工测量的结果相比，我们可以得到87.5%左右的精确度。无论在数量上还是质量上的结果都表明，一旦采集到足够的数据，我们可以通过计算机自动的获取叶片形状的精确参数。

总结

在本文中，提出了一种基于无损检测的获取叶片形状参数的方法。我们可以通过对一系列的扫描获得的图像进行处理，实现自动获取叶片形状参数。这些参数可以被广泛应用于数字植物领域，植物生长监测等领域。在未来的工作中，一些别的算法可能被提出或者结合在一起从而获得更好的结果。此外，样本库将会扩展到容纳各种各样的植物。

致谢

以上工作由国家“863计划“项目——“植物工厂LED节能光源及光环境智能控制技术”支持。同时向每一个做出贡献的人致谢。

文献二

一种两阶段植物叶脉提取方法

摘要：

活体植物识别在计算机视觉和模式识别领域是一项重要但又富有挑战性的工作。近年来提出了很多植物叶片特征提取的方法。这些方法大多数都是围绕轮廓表示和叶片识别，并且已经取得了一定成果。只有一小部分研究了叶脉网络和网络相关的对象提取。Gouveia 提出了一种两步的方法来分割板栗叶片，板栗叶片的二级叶脉几乎时直的，并且有同样的倾斜角。Soille 应用形态学滤波的方法来提取叶脉。

叶脉似乎可以通过边沿检测的方法提取，然而事实是叶脉的提取和边沿检测有着很大的不同。大多数的边沿算子，例如sobel ，Prewitt，Laplacian都关注于标识出叶片上灰度值或者颜色突变的区域。对于植物叶脉的检测，一些叶脉像素点属于边沿部分，然而其他的一些像素点所在的位置灰度值变化很平缓，因为叶脉的宽度包含了好几个像素。而且叶脉的宽度对于识别主叶脉是很重要额。因此只有边沿信息是不够提取出真正完整的叶脉的。

本文提出了一种两阶段叶脉提取的方法，第一阶段，使用密度分布直方图初步的确定叶脉区域，然后使用一个训练好的人工神经网络分类器来进行惩罚检验。在惩罚检验的阶段，叶脉的检测被当作一个分类问题来处理。所有的像素点会被分为两类，叶脉或者背景。十个特征值用作神经网络分类器的输入，人工收集一定数量的样本来训练神经网络。在通过一个有效的训练之后，这个网络就是一个有效的分类器来对叶片像素点的分类和叶脉的提取。

2.预分割

一个简单的预分割被用来对叶脉的大致区域进行一个确定。算法的具体步骤如下：

  1. 使用苏泊尔算子计算整个叶片I (i,j) 的边沿
  2. 使用拉普拉斯算子计算边沿的二阶导数
  3. 使用 进行计算
  4. 使用公式2 计算直方图I1 的直方图h1， I2的直方图h2 以及I 的直方图h

lt; , gt;表示相关操作

RWH 被称作“加权直方图比值”，因为我们值选择了边沿的两边的像素点，I1（i,j） 和I2(I,j）中像素点的个数基本相等。而且背景像素点通常比叶脉的像素点多很多所以h1和h2对于h的相关性是不同的。如果 RWH gt; 1 ，则叶脉又暗一些的像素点构成，反之则相反。

  1. 通过设置一个阈值T从整个叶片中选择出叶脉区域的像素点。对于RWHgt;1的情况，选出密度小于T的像素点，T 必须确保h2 的B%的像素点被算则。对于RWHlt;1时 选择密度大于T的像素点，T 需要确保h1 的B%的像素点被选择。如果B% 很接近100%，几乎所有的叶脉像素点都会被包括，同时一些背景像素点也被包括进来了，也就是说一个大的B% 可以保证一个更精确的结果(不包含叶脉网络的像素点)，但是在第二阶段分类时也需要更多的计算时间。换句话说，一个小一些的B%何以节省处理时间，但是会丢失一部分叶脉像素点。这个一个效率和准确性之间的矛盾。

3.带罚函数的人工神经网络

3.1特征提取

第一步中获取到的大致叶脉区域的像素点都可以很好的分为两个部分，叶脉部分和背景。使用像素点邻域的特征来作为判断一个像素点归属的标准。这些特征从以像素点I（i，j）为中心的77的窗口中提取。

  1. 四个方向的梯度值

尽管并不是所有的叶脉像素点都是上面提到的边沿像素点，这些边沿的特征仍然对辨别叶脉有着很大的帮助。因此，使用由苏泊尔算子计算出来的四个方向的梯度值。

  1. 局部对比度

这个特征是对一个和背景比起来更暗一些的像素点的局部对比度，这个特征已经成功应用到了地图图像的分割。因为地图的图像和叶脉图像相似，所以将局部的对比度作为十个特征之一。局部对比度的定义如公式3：<!--

全文共6540字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[16962]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章