基于图像的叶片形态信息提取方法技术

本发明专利技术涉及计算机对植物表型特征的提取技术领域，具体是一种基于图像的叶片形态信息提取方法，包括以下步骤：S1、拍摄植物叶片图像构成数据集；S2、对图像进行预处理，得到叶片分割图像；S3、对叶片分割图像进行处理，得到叶片轮廓图像和叶脉骨架网络图像；S4、对叶脉骨架网络图像进行特征提取，得到叶脉特征参数，包括主要叶脉角度、叶脉总长度、叶脉的平均宽度；对叶外轮廓图进行特征提取，得到叶片轮廓线形状。相对于现有技术，本发明专利技术能够通过计算机视觉技术，在复杂多变的叶片图像中提取出更加全面叶片的表型特征，以此为衡量植物生长状况提供重要依据，并且精度高、计算速度快，对植物的研究具有更重要的意义。研究具有更重要的意义。研究具有更重要的意义。

【技术实现步骤摘要】
基于图像的叶片形态信息提取方法


[0001]本专利技术涉及计算机对植物表型特征的提取
，具体是一种基于图像的叶片形态信息提取方法。

技术介绍

[0002]植物的生长状态可以影响植物表型，反之，植物的表型性状也能直接反应其生长状况，通过形态分析和评价，可为植物栽培、生长状态评价提供依据，进而有助于提高作物的产量与品质。叶片作为植物的重要营养器官，其表型参数也是衡量植物生长状况的重要依据。
[0003]对于植物叶片来说，最直观也最主要的特征就是它的形状、脉络、颜色和面积，这些特征均可以在植物表型分析时作为重要参数依据。本专利技术从叶脉和叶片形状两方面进行形态特征提取。其中，叶脉在植物成长过程中为叶片输送多种营养成分同时又支撑着叶片，保证叶片的各项功能顺利进行，并且叶脉也直接影响着植物株型的形成，整株植物的绝大多数叶片的主叶脉以及次级叶脉的分布情况相似，更为重要的是，叶脉承载了植物的重要遗传信息以及内在特征，对植物的研究具有更重要的意义。其次，叶片的形状特征代表着植物本身的柱形及特征，在不同的生态环境下会有叶片的多态性。叶脉和叶形都可以作为植物识别的依据，还可以通过观察叶脉和叶形来判断植物的健康状况。
[0004]随着计算机技术的快速发展，图像采集和处理技术也得到了极大的提升。机器视觉技术也在农业领域得到了广泛的应用，如农产品品质检测、自动导航、杂草检测、作物病虫害检测、作物生长监测等。关于叶脉提取的方法，现有的边缘检测算法在进行植物叶脉提取时主要集中在描述边缘轮廓线，其原理是检测出灰度图像上的像素突变，然而叶脉复杂多变，这些结果往往不能检测出比较完整清晰的叶脉图像。

技术实现思路

[0005]本专利技术的目的是为了解决植物学领域中表型特征提取和量化的相关问题，提供一种基于图像的叶片形态信息提取方法，能够通过计算机视觉技术，在复杂多变的叶片图像中提取出更加全面叶片的表型特征，以此为衡量植物生长状况提供重要依据，并且精度高、计算速度快，对植物的研究具有更重要的意义。
[0006]所要解决的技术问题采用以下技术方案来实现：
[0007]一种基于图像的叶片形态信息提取方法，包括以下步骤：
[0008]S1、拍摄植物叶片图像构成数据集；
[0009]S2、对图像进行预处理，得到叶片分割图像；
[0010]S3、对叶片分割图像进行处理，得到叶片轮廓图像和叶脉骨架网络图像；
[0011]S4、对叶脉骨架网络图像进行特征提取，得到叶脉特征参数，包括主要叶脉角度、叶脉总长度、叶脉的平均宽度；对叶外轮廓图进行特征提取，得到叶片轮廓线形状。
[0012]作为一种优选，所述步骤S2包括以下步骤：
[0013]S2.1、对图像进行平滑去噪处理；
[0014]S2.2、对平滑去噪后后的图像进行下采样处理，将图片大小缩小至700*1000像素；
[0015]S2.3、采用超绿算法对图像进行处理，利用超绿指数ExG，即2g
‑
r
‑
b，得到超绿图像，再对超绿图像进行阈值分割，再对二值化的图像进行孔洞填充，得到叶片分割图像。
[0016]作为一种优选，所述步骤S2中包括以下步骤：
[0017]S2.1、对图像进行平滑去噪处理；
[0018]S2.2、对平滑去噪后后的图像进行下采样处理，将图片大小缩小至700*1000像素；
[0019]S2.3、采用基于H分量的K均值聚类算法对图像进行处理，将图像从RGB颜色空间转为HSI颜色空间，RGB颜色空间向HSI转换空间的转换关系如下：
[0020][0021][0022]I＝(R+G+B)/3；
[0023][0024]其中，H表示色调值，S表示饱和度值，I表示亮度值；R、G、B分别为RGB颜色空间中用于描述颜色的红、绿、蓝分量；
[0025]得到H分量之后进行K均值聚类，先随机分配K个中心点，K小于对象个数，通过欧氏距离来计算H分量图像中对象点的灰度值与中心点灰度值的相似性：
[0026][0027]其中，m表示对象个数，Y
i
表示第i个对象，A
j
表示第j个聚类中心点，Y
it
表示第i个对象的第t个属性，A
jt
表示第j个聚类中心的第t个属性；
[0028]将各个对象分配到距离最近的中心点生成类簇，重新计算K个簇的中心点，取簇中所有元素各自维度的算术平均值；不断重复聚类，直到聚类结果不再变化。
[0029]作为一种优选，所述步骤S3包括以下步骤：
[0030]S3.1、将叶片分割图像灰度化，再对灰度图像进行高斯平滑处理，核大小为5*5；
[0031]S3.2、针对S3.1得到的图像，采用自适应阈值法进行处理，对图像进行反色之后，提取图像中的所有边缘信息，设置阈值，将轮廓面积小于阈值的进行删除，获得叶片轮廓图像；
[0032]S3.3、针对叶片分割图像，将图像分为训练集和验证集，用标注工具标注训练集图像；用改进的DeepLabV3+语义分割算法进行训练，所述改进的DeepLabV3+网络包括编码模块和解码模块；
[0033]所述编码模块包括主干网络和密集连接的ASPP；所述主干网络为MobileNetV2轻量级网络；所述密集连接的ASPP包括彼此并联的一层1*1深度可分离卷积、三层空洞卷积和一个全局池化层，所述三层空洞卷积的扩张率分别为6、12、18；所述编码模块用于提取特
征，形成特征图；
[0034]所述的解码模块包括一个特征融合网络，即特征金字塔网络，利用特征金字塔网络将主干网络中不同尺寸特征图进行融合，得到融合之后的特征图，再与主干网络的低级特征图和密集连接的ASPP得到的高级特征图拼接，随后根据高级特征图大小进行4倍上采样，输出分割图像；
[0035]所述改进的DeepLabV3+网络中的损失函数为加权交叉熵损失函数；
[0036]通过改进的DeepLabV3+网络训练之后得到叶脉分割模型，通过对图像集进行分割得到叶脉图像；
[0037]S3.4、针对叶脉图像，先用3*3的结构元素对其进行膨胀操作，用图遍历和深度搜索的方法计算连通域面积，设置阈值，小于阈值的连通域像素设为0；
[0038]S3.5、将叶脉图像与叶片轮廓图像做减运算，得到去除叶片轮廓的叶脉图像；
[0039]S3.6、细化去除叶片轮廓的叶脉图像的像素，将图像的线条从多像素宽度减少到单位像素宽度，得到叶脉骨架网络图像。
[0040]作为一种优选，所述步骤S3包括以下步骤：
[0041]S3.1、将叶片分割图像灰度化，再对灰度图像进行高斯平滑处理，核大小为5*5；
[0042]S3.2、针对S3.1得到的图像，采用自适应阈值法进行处理，对图像进行反色之后，提取图像中的所有边缘信息，设置阈值，将轮廓面积小于阈值的进行删除，获得叶片轮廓图像；
[0043]S3.3、针本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像的叶片形态信息提取方法，其特征在于，包括以下步骤：S1、拍摄植物叶片图像构成数据集；S2、对图像进行预处理，得到叶片分割图像；S3、对叶片分割图像进行处理，得到叶片轮廓图像和叶脉骨架网络图像；S4、对叶脉骨架网络图像进行特征提取，得到叶脉特征参数，包括主要叶脉角度、叶脉总长度、叶脉的平均宽度；对叶外轮廓图进行特征提取，得到叶片轮廓线形状。2.根据权利要求1所述的基于图像的叶片形态信息提取方法，其特征在于，所述步骤S2包括以下步骤：S2.1、采用高斯滤波对图像进行平滑去噪处理，滤波器大小为3*3；S2.2、对平滑去噪后后的图像进行下采样处理，将图片大小缩小至700*1000像素；S2.3、采用超绿算法对图像进行处理，利用超绿指数ExG，即2g
‑
r
‑
b，得到超绿图像，再对超绿图像进行阈值分割，再对二值化的图像进行孔洞填充，得到叶片分割图像。3.根据权利要求1所述的基于图像的叶片形态信息提取方法，其特征在于，所述步骤S2中包括以下步骤：S2.1、采用高斯滤波对图像进行平滑去噪处理，滤波器大小为3*3；S2.2、对平滑去噪后后的图像进行下采样处理，将图片大小缩小至700*1000像素；S2.3、采用基于H分量的K均值聚类算法对图像进行处理，将图像从RGB颜色空间转为HSI颜色空间，RGB颜色空间向HSI转换空间的转换关系如下：HSI颜色空间，RGB颜色空间向HSI转换空间的转换关系如下：I＝(R+G+B)/3；其中，H表示色调值，S表示饱和度值，I表示亮度值；R、G、B分别为RGB颜色空间中用于描述颜色的红、绿、蓝分量；得到H分量之后进行K均值聚类，先随机分配K个中心点，K小于对象个数，通过欧氏距离来计算H分量图像中对象点的灰度值与中心点灰度值的相似性：其中，m表示对象个数，Y
i
表示第i个对象，A
j
表示第j个聚类中心点，Y
it
表示第i个对象的第t个属性，A
jt
表示第j个聚类中心的第t个属性；将各个对象分配到距离最近的中心点生成类簇，重新计算K个簇的中心点，取簇中所有元素各自维度的算术平均值；不断重复聚类，直到聚类结果不再变化。4.根据权利要求1所述的基于图像的叶片形态信息提取方法，其特征在于，所述步骤S3包括以下步骤：
S3.1、将叶片分割图像灰度化，再对灰度图像进行高斯平滑处理，核大小为5*5；S3.2、针对S3.1得到的图像，采用自适应阈值法进行处理，对图像进行反色之后，提取图像中的所有边缘信息，设置阈值，将轮廓面积小于阈值的进行删除，获得叶片轮廓图像；S3.3、针对S3.1得到的图像，利用Sobel边缘检测算子检测其边缘信息，包括叶脉与叶片轮廓；利用Sobel得到梯度后，再用非极大值抑制算法去除伪边缘信息，将边缘细化，最后采用双阈值检测连接边缘，得到精确的叶脉图像；S3.4、针对叶脉图像，先用3*3的结构元素对其进行膨胀操作，用图遍历和深度搜索的方法计算连通域面积，设置阈值，小于阈值的连通域像素设为0；S3.5、将叶脉图像与叶片轮廓图像做减运算，得到去除叶片轮廓的叶脉图像；S3.6、细化去除叶片轮廓的叶脉图像的像素，将图像的线条从多像素宽度减少到单位像素宽...

【专利技术属性】
技术研发人员：何文兴，张云燕，曹毅，张亚新，韩士元，陈月辉，李佳林，全晓艳，
申请(专利权)人：济南大学，
类型：发明
国别省市：