一种基于骨架图的叶脉快速提取方法技术

本发明专利技术公开了一种基于骨架图的叶脉快速提取方法，步骤如下：数据准备：为训练叶脉提取模型提取所需要的数据；叶脉提取模型：基于深度神经网络的模型，输出叶脉骨架图的基础元素；叶脉骨架图生成：将基础元素后处理并组装成最终的叶脉骨架图。与传统方法比起来，本发明专利技术创新性地将骨架图模型引入到叶脉提取中，进而有效提升了叶脉提取效率，并降低了噪音带来的影响。骨架图模型方便进行对比与统计，为后期叶脉分析与对比带来了便利；在实用性方面，本发明专利技术能够用于手机程序基础模块、植物生长发育分析、植物数据库建设、病虫害防治等，特别是基于骨架图的叶脉提取及表述，能够有效提升上述应用的精度及真实体验，并适合各类扩展。并适合各类扩展。并适合各类扩展。

【技术实现步骤摘要】
一种基于骨架图的叶脉快速提取方法


[0001]本专利技术涉及叶脉提取，特别是一种基于骨架图的叶脉快速提取方法。

技术介绍

[0002]叶脉是叶片上分布的粗细不同的维管束，分布在叶肉组织中起输导和支持作用。叶脉也是植物学中重点研究对象，对于植物体生长发育、结构与功能、病虫害预测预防等研究方面有重要意义。
[0003]传统叶脉提取往往通过手绘、化学溶解以及基于传统Canny算子等方法进行提取，面临耗时长、复杂度高、噪音大等问题。为此，本专利技术提出了一种基于视觉的快速提取方法，即通过叶片图片进行叶脉的提取，最终以骨架图的方式进行呈现。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种基于骨架图的叶脉快速提取方法，从而有效提升叶脉提取效率，并降低噪音带来的影响。
[0005]技术方案：本专利技术所述的一种基于骨架图的叶脉快速提取方法，包括以下步骤：
[0006](1)数据准备：为训练叶脉提取模型提取所需要的数据。
[0007](1.1)在叶脉骨架上均匀取关键点，按照提前设置好的重叠率以及向量长度，沿着骨架枝截取向量；由此，一个骨架枝被分解为两个或多个向量。
[0008](1.2)对骨架图中的每个骨架枝均采用步骤(1.1)所述方法，最终一个完整的骨架图被分解为骨架枝向量，端点、交叉点和骨架枝这三个元素将会被输入到叶脉模型中进行模型训练。
[0009](2)叶脉提取模型：基于深度神经网络的模型，输出叶脉骨架图的基础元素。
[0010](2.1)输入图片后，首先经过主干网络提取图像特征。
[0011](2.2)经过一个transformer结构进行进一步的特征提取，该网络最终输出一个固定大小的特征图；该特征图一共有两个使用方法：
[0012](2.2.1)用于骨架枝向量的回归：特征图后面接了三层全连接层，用于输出向量坐标；
[0013](2.2.2)用于骨架枝向量类型的回归：特征图后面接了一个softmax层，用于输出向量坐标所对应的骨架枝类型；所述骨架枝类型主要包括以下三种：(a)主骨架，(b)毛刺骨架，(c)其他，这些类型对于后面的骨架图生成及骨架应用有作用。
[0014](3)叶脉骨架图生成：将基础元素后处理并组装成最终的叶脉骨架图。
[0015](3.1)将所有向量按照位置投射到叶子大小一致的平面上。
[0016](3.2)通过Types删除掉“其他”类型的向量。
[0017](3.3)对于单个向量，直接按照向量投影来得到骨架枝。
[0018](3.4)对于多个连接在一起的向量，则通过投影后的膨胀腐蚀算法进行处理，得到骨架枝。
[0019](3.5)将得到的骨架枝条组合在一起，得到了最终的叶脉骨架图。
[0020]一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种基于骨架图的叶脉快速提取方法。
[0021]一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于骨架图的叶脉快速提取方法。
[0022]有益效果：与现有技术相比，本专利技术具有如下优点：
[0023]1、与传统方法比起来，本专利技术创新性地将骨架图模型引入到叶脉提取中，进而有效提升了叶脉提取效率，并降低了噪音带来的影响。骨架图模型方便进行对比与统计，为后期叶脉分析与对比带来了便利。
[0024]2、在实用性方面，本专利技术能够用于手机程序(即通过叶片拍照识树)基础模块、植物生长发育分析、植物数据库建设、病虫害防治等，特别是基于骨架图的叶脉提取及表述，能够有效提升上述应用的精度及真实体验，并适合各类扩展。
附图说明
[0025]图1为本专利技术的步骤流程图；
[0026]图2为分解骨架示意图；
[0027]图3为叶脉提取模型原理图；
[0028]图4为叶脉骨架图生成流程示意图。
具体实施方式
[0029]下面结合附图对本专利技术的技术方案作进一步说明。
[0030]如图1所示，一种基于骨架图的叶脉快速提取方法，包括以下步骤：
[0031](1)数据准备：为训练叶脉提取模型提取所需要的数据。
[0032](1.1)以图2中的黑色虚线真值骨架为例，在叶脉骨架上均匀取关键点，按照提前设置好的重叠率(如p2与p3点之间的关键点数量)以及向量长度(p1与p3点之间的关键点数量)，沿着骨架枝截取向量；由此，一个骨架枝被分解为两个或多个向量。例如在图2中，能够得到两个向量，p1p3跟p2p4。
[0033](1.2)对骨架图中的每个骨架枝均采用步骤(1.1)所述方法，最终一个完整的骨架图被分解为骨架枝向量，端点、交叉点和骨架枝这三个元素将会被输入到叶脉模型中进行模型训练。
[0034](2)如图3所示，叶脉提取模型：基于深度神经网络的模型，输出叶脉骨架图的基础元素。
[0035](2.1)输入图片后，首先经过主干网络提取图像特征。
[0036](2.2)经过一个transformer结构进行进一步的特征提取，该网络最终输出一个固定大小的特征图，如图3中编号A部分所示；该特征图一共有两个使用方法：
[0037](2.2.1)用于骨架枝向量的回归(Lines)：特征图后面接了三层全连接层(编号C)，用于输出向量坐标；
[0038](2.2.2)用于骨架枝向量类型的回归(Types)：特征图后面接了一个softmax层(编
号B)，用于输出向量坐标所对应的骨架枝类型；所述骨架枝类型主要包括以下三种：(a)主骨架(黑色虚线)，(b)毛刺骨架(黑色实线)，(c)其他(噪音，未知等)，这些类型对于后面的骨架图生成及骨架应用有作用。
[0039](3)如图4所示，叶脉骨架图生成：将基础元素后处理并组装成最终的叶脉骨架图。
[0040](3.1)将所有向量按照位置投射到叶子大小一致的平面上。
[0041](3.2)如图4中的(a)所示，通过Types删除掉“其他”类型的向量。
[0042](3.3)对于单个向量，直接按照向量投影来得到骨架枝。
[0043](3.4)如图4中的(b)所示，对于多个连接在一起的向量，则通过投影后的膨胀腐蚀算法进行处理，得到骨架枝。
[0044](3.5)将得到的骨架枝条组合在一起，得到了最终的叶脉骨架图。
[0045]需要注意的是，本专利技术只针对于单个叶子进行骨架图生成，这是考虑到单个叶子在扫描或拍摄后，精度较高，更能准确得到其叶脉骨架图。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于骨架图的叶脉快速提取方法，其特征在于，包括以下步骤：(1)数据准备：为训练叶脉提取模型提取所需要的数据；(2)叶脉提取模型：基于深度神经网络的模型，输出叶脉骨架图的基础元素；(3)叶脉骨架图生成：将基础元素后处理并组装成最终的叶脉骨架图。2.根据权利要求1所述的一种基于骨架图的叶脉快速提取方法，其特征在于，所述步骤(1)具体为：(1.1)在叶脉骨架上均匀取关键点，按照提前设置好的重叠率以及向量长度，沿着骨架枝截取向量；由此，一个骨架枝被分解为两个或多个向量；(1.2)对骨架图中的每个骨架枝均采用步骤(1.1)所述方法，最终一个完整的骨架图被分解为骨架枝向量，端点、交叉点和骨架枝这三个元素将会被输入到叶脉模型中进行模型训练。3.根据权利要求1所述的一种基于骨架图的叶脉快速提取方法，其特征在于，所述步骤(2)具体为：(2.1)输入图片后，首先经过主干网络提取图像特征；(2.2)经过一个transformer结构进行进一步的特征提取，该网络最终输出一个固定大小的特征图；该特征图一共有两个使用方法：(2.2.1)用于骨架枝向量的回归：特征图后面接了三层全连接层，用于输出向量坐标；(2.2.2)用于骨架枝...

【专利技术属性】
技术研发人员：杨聪，陈涛，吉伟，李治军，
申请(专利权)人：苏州大学，
类型：发明
国别省市：