基于图像扫描的植物叶片特征分析系统技术方案

本发明专利技术公开了一种基于图像扫描的植物叶片特征分析系统，其包括以下步骤：（1）图像预处理，（2）叶子图像特征分析计算，（3）叶片模板匹配，（4）颜色聚类，（5）病斑分析。本发明专利技术具有很高的自动化水平，减少了分析过程中的人工操作，提高了自动化的程度，同时免除了人工操作引入的误差；相较传统的canny算子、罗盘算子，有更快地执行效率；具有较高的精确性。能够对残叶进行自动补全操作，并且可以自动计算残叶被补全的面积。

【技术实现步骤摘要】

本专利技术涉及形态学图像处理领域和植物学领域，具体涉及一种采用数字形态学技术来分割处理叶片图像的检测方法、提取图像的轮廓特征值、对叶片进行模板匹配、颜色聚类和病斑分析。
技术介绍
叶面积作为标定植物生长发育、长势、遗传特性等生理生化反应过程的主要参数，广泛应用于农业科研服务和生产中。在农业气象试验、研究和常规业务观测中，叶面积是衡量作物长势、生长动态的主要指标，可为农业气象情报服务提供有效、科学、适用的数据。传统测量叶面积的方法主要有方格法、称重法、求积仪法、光电法以及调整系数法等等，这些方法在过去的研究中发挥过巨大的作用。但这些方法都分别存在着测定手续繁锁、工作量大、受仪器条件限制、误差大等缺点。专业性的叶面积仪虽然克服了部分确点，但是价格昂虫贝ο随着现代科技的发展，这些问题都可能借助于计算机图像处理和分析技术来解决。通过将对应植物数字图像输入计算机，利用图像处理技术、模式识别技术且辅助以软件系统可以实现对植物的快速识别。1985年，Clarke等在用叶片数字图像测量叶面积方面进行了研究，将叶片从植株上分离后，再对其进行拍照并将照片输入计算机，通过图像处理进行测量。1991年，FranzE等人将曲率用于完全可见和部份可见的叶片的边界描述。对于完全可见的叶片，将实测的曲率函数和模型相匹配即可对叶片进行辨识；对于部份可见的叶片，利用傅立叶-梅林(Fourier-Mellin)相关性变换对曲率函数进行重建后再与模型进行匹配。当叶片与茎杆的旋转角度超过30°时，模型要进行相应角度的旋转。2001年，纪寿文等利用图像处理测得的投影面积、叶长、叶宽等形状描述参数，对苗期的玉米和杂草进行识别，确定杂草的分布密度，为精确喷洒除草剂提高依据。但是，简单地把水平扫描的最大叶片长度定义为最大叶长，把垂直扫描的最大叶片宽度定义为最大叶宽，没有考虑图像中叶片的位置取向，误差较大。2008年，贺鹏将形状特征和纹理特征结合，然后以概率神经网络为分类器，实现对宽叶树种类的识别。目前叶片特征检测的精度不够高，不能实现叶子各个部分的自动分割，对病斑检测的效果不够理想。
技术实现思路
本专利技术所要解决的技术问题是如何寻找一种能精确分割叶片图像的方法，同时要解决叶柄和叶片智能分割的问题，克服现有叶片分割方法中所存在的缺陷。本专利技术的技术方案为基于扫描图像的植物叶片特征分析系统，其特征在于，其包括以下步骤 (I)、图像预处理 将从扫描仪获取的叶子图像进行图像预处理，去除图像中存在的杂点； (2)、叶子图像特征分析计算 ①采用大律法对预处理过后的图像进行阈值分割，得到一个二值图像； ②采用形态学滤波器对得到的二值图像进行处理，实现叶片和叶柄的自动分割； ③将形态学滤波后得到的图像进行形态学梯度检测，得到叶片和叶柄的轮廓；再根据得到的轮廓计算叶片和叶柄的周长与面积，对得到的轮廓进行增长方向检测，得出叶子的锯齿数目，并将得到的参数保存到数据表中； (3)、叶片模板匹配 ①将模板图像和预处理过的残叶图片转化为灰度图像； ②采用SIFT算法对模板图片和残叶图片进行关键点检测； ③根据关键点计算图像的特征向量； ④根据图像特征向量进行匹配，如果达到设定的匹配值，则认为匹配成功，绘出匹配轮廓，对残叶图片进行补全； (4)、颜色聚类 ①对图片进行预处理，去除杂点； ②将图片通过矩阵转换到YUV颜色空间； ③分离健康叶色，对非健康的叶子颜色做聚类，将健康的叶子的颜色从叶子从分离出去; ④使用k均值方法对非健康叶片颜色在YUV颜色空间进行聚类； (5)、病斑分析 ①对图片进行预处理，去除杂点； ②将图片通过矩阵转换到YUV颜色空间； ③分离健康叶色，将健康的叶子的颜色从叶子从分离出去； ④运用边缘检测的方法根据用户指定的病斑的大致区域提取的病斑的边缘； ⑤对病斑边缘进行调整,使之更加精细的覆盖病斑； ⑥计算病斑面积并得出计算结果。进一步地，步骤(I)中所述的图像预处理的方法为采用中值滤波，将数字序列中一点的值用该点的一个邻域中各点值的均值代替，让周围的像素值接近真实值，从而消除孤立的噪声点；中值滤波去除图像的噪声方法为遍历图像，求每个像素点和与其八连通像素点的平均灰度值，将该像素点的灰度值设为平均灰度值。进一步地，步骤(2)中大律法对预处理过后的图像进行阈值分割的步骤如下 Stepl :遍历图像,求取图像最大最小灰度值min, max; Step2:让阈值t依次取[min，max]之间的值，取t时，前景点数占图像比例为wO,平均灰度为u0，背景点数占图像比例为wl，平均灰度为ul，图像的总平均灰度为u=w0*u0+wl*ul ;求取 T,使得当 t = T 时，使 g=w0* (u0_u)2 +wl* (ul_u)2 取得最大值; Step3:用阈值T对图像进行分割，当图像的灰度值大于T，将该像素灰度值设为255，若该像素点的灰度值小于Τ，将该像素点的灰度值设为0，完成对图像的阈值分割。进一步地，步骤(2)中所述的采用形态学滤波器对得到的二值图像进行处理，实现叶片和叶柄的自动分割的方法为采用同一个核来对图像先进行腐蚀后进行膨胀，在实现叶子分割的前提下保证图像特征不丢失，具体包括以下步骤:A、将输入的图像进行二值化操作，得到二值化图像；B、利用基于最小二乘法的椭圆拟合算法寻找二值图像的椭圆形包络，找到椭圆包络的短轴w ;C、取短轴的一半作为图像形态学操作的结构元素s的边长，以该结构元素对图像进行腐蚀，这样叶子的叶柄就从图像中去除掉了 ；接下来以结构元素对图像进行膨胀，这样就得到了一个不含叶柄的叶片；D、将初始的二值图像与腐蚀膨胀后的图像做相减，找到最大的那个块，就得到了叶柄图像Pl ;E、将最初的二值图像与叶柄图像相减，得到叶片图像P2 ;这样就完成了叶子叶片和叶柄的自动分割； 叶片阈值分割:对叶子图片进行阈值分割时采用大律法，具体步骤是:A、对图像进行遍历找到图像的最小灰度值w，记t=w为前景与背景的分割阈值；B、再次遍历图像，前景点数占图像比例为wO，平均灰度为uO，背景点数占图像比例为wl，平均灰度为ul，图像的总平均灰度为:u=wO*uO+wl*ul ;C、从最小灰度值到最大灰度值遍历t,当t使得值g=w0*(u0-u)2 +wl*(ul-u)2最大时t即为分割的最佳阈值；D、以t为阈值对图像进行分割，灰度值大于t的分为前景，值为I，灰度值小于t的为背景，值为O ; 叶子边缘检测:对二值图像进行边缘检测，我们采用的是形态学腐蚀膨胀的方法；具体步骤如下:A、构建一个3*3的结构元素，用于以后对图像的形态学操作；B、对二值图像进行腐蚀操作，达到去除图像的边缘部分的效果；C、用原二值图像减去腐蚀后的图像，得到图像的轮廓；D、提取图像轮廓，将其保存在一个数组队列中。进一步地，步骤(2)中采用形态学滤波器对得到的二值图像进行处理，实现叶片和叶柄的自动分割的具体方法为: Stepl:使用最小二乘法对叶子二值图像进行椭圆拟合，拟合椭圆求取过程为:构建一个椭圆函数，Ax2+Bxy+Cy2+Dx+Ey+F=0,计算二值图像边缘轮廓上的点到椭圆的距离,使轮廓上的所有点到椭圆的距离和最小；即求使函数f (A，B, 本文档来自技高网...

【技术保护点】
基于扫描图像的植物叶片特征分析系统，其特征在于，其包括以下步骤：（1）、图像预处理将从扫描仪获取的叶子图像进行图像预处理，去除图像中存在的杂点；（2）、叶子图像特征分析计算①采用大律法对预处理过后的图像进行阈值分割，得到一个二值图像；②采用形态学滤波器对得到的二值图像进行处理，实现叶片和叶柄的自动分割；③将形态学滤波后得到的图像进行形态学梯度检测，得到叶片和叶柄的轮廓；再根据得到的轮廓计算叶片和叶柄的周长与面积，对得到的轮廓进行增长方向检测，得出叶子的锯齿数目，并将得到的参数保存到数据表中；（3）、叶片模板匹配①将模板图像和预处理过的残叶图片转化为灰度图像；②采用SIFT算法对模板图片和残叶图片进行关键点检测；③根据关键点计算图像的特征向量；④根据图像特征向量进行匹配，如果达到设定的匹配值，则认为匹配成功，绘出匹配轮廓，对残叶图片进行补全；（4）、颜色聚类①对图片进行预处理，去除杂点；②将图片通过矩阵转换到YUV颜色空间；③分离健康叶色，将健康的叶子颜色从叶子分离出去；④使用k均值方法对非健康叶片颜色在YUV颜色空间进行聚类；（5）、病斑分析①对图片进行预处理，去除杂点；②将图片通过矩阵转换到YUV颜色空间；③分离健康叶色，将健康的叶子的颜色从叶子从分离出去；④运用边缘检测的方法根据用户指定的病斑的大致区域提取的病斑的边缘；⑤对病斑边缘进行调整，使之更加精细的覆盖病斑；⑥计算病斑面积并得出计算结果。...

【技术特征摘要】
1.基于扫描图像的植物叶片特征分析系统，其特征在于，其包括以下步骤: (1)、图像预处理 将从扫描仪获取的叶子图像进行图像预处理，去除图像中存在的杂点； (2)、叶子图像特征分析计算 ①采用大律法对预处理过后的图像进行阈值分割，得到一个二值图像； ②采用形态学滤波器对得到的二值图像进行处理，实现叶片和叶柄的自动分割； ③将形态学滤波后得到的图像进行形态学梯度检测，得到叶片和叶柄的轮廓；再根据得到的轮廓计算叶片和叶柄的周长与面积，对得到的轮廓进行增长方向检测，得出叶子的锯齿数目，并将得到的参数保存到数据表中； (3)、叶片模板匹配 ①将模板图像和预处理过的残叶图片转化为灰度图像； ②采用SIFT算法对模板图片和残叶图片进行关键点检测； ③根据关键点计算图像的特征向量； ④根据图像特征向量进行匹配，如果达到设定的匹配值，则认为匹配成功，绘出匹配轮廓，对残叶图片进行补全； (4)、颜色聚类 ①对图片进行预处理，去除杂点； ②将图片通过矩阵转换到YUV颜色空间； ③分离健康叶色，将健康的叶子颜色从叶子分离出去； ④使用k均值方法对非健康叶片颜色在YUV颜色空间进行聚类； (5)、病斑分析 ①对图片进行预处理，去除杂点； ②将图片通过矩阵转换到YUV颜色空间； ③分离健康叶色，将健康的叶子的颜色从叶子从分离出去； ④运用边缘检测的方法根据用户指定的病斑的大致区域提取的病斑的边缘； ⑤对病斑边缘进行调整,使之更加精细的覆盖病斑； ⑥计算病斑面积并得出计算结果。2.根据权利要求1所述的基于扫描图像的植物叶片特征分析系统，其特征在于，步骤(1)中所述的图像预处理的方法为:采用中值滤波，将数字序列中一点的值用该点的一个邻域中各点值的均值代替，让周围的像素值接近真实值，从而消除孤立的噪声点；中值滤波去除图像的噪声方法为:遍历图像，求每个像素点和与其八连通像素点的平均灰度值，将该像素点的灰度值设为平均灰度值。3.根据权利要求1所述的基于扫描图像的植物叶片特征分析系统，其特征在于，步骤(2)中大律法对预处理过后的图像进行阈值分割的步骤如下: Stepl:遍历图像,求取图像最大最小灰度值min, max; Step2:让阈值t依次取[min，max]之间的值，取t时，前景点数占图像比例为wO,平均灰度为u0，背景点数占图像比例为wl，平均灰度为ul，图像的总平均灰度为:u=w0*u0+wl*ul ;求取 T,使得当 t = T 时，使 g=w0* (u0_u)2 +wl* (ul_u)2 取得最大值; Step3:用阈值T对图像进行分割，当图像的灰度值大于T，将该像素灰度值设为255，若该像素点的灰度值小于T，将该像素点的灰度值设为O，完成对图像的阈值分割。4.根据权利要求1所述的基于扫描图像的植物叶片特征分析系统，其特征在于，步骤(2)中所述的采用形态学滤波器对得到的二值图像进行处理，实现叶片和叶柄的自动分割的方法为:采用同一个核来对图像先进行腐蚀后进行膨胀，在实现叶子分割的前提下保证图像特征不丢失，具体包括以下步骤:A、将输入的图像进行二值化操作，得到二值化图像；B、利用基于最小二乘法的椭圆拟合算法寻找二值图像的椭圆形包络，找到椭圆包络的短轴w ;C、取短轴的一半作为图像形态学操作的结构元素s的边长，以该结构元素对图像进行腐蚀，这样叶子的叶柄就从图像中去除掉了 ；接下来以结构元素对图像进行膨胀，这样就得到了一个不含叶柄的叶片；D、将初始的二值图像与腐蚀膨胀后的图像做相减，找到最大的那个块，就得到了叶柄图像Pl ;E、将最初的二值图像与叶柄图像相减，得到叶片图像p2 ;这样就完成了叶子叶片和叶柄的自动分割； 叶片阈值分割:对叶子图片进行阈值分割时采用大律法，具体步骤是:A、对图像进行遍历找到图像的最小灰度值w，记t=w为前景与背景的分割阈值；B、再次遍历图像，前景点数占图像比例为wO，平均灰度为uO，背景点数占图像比例为wl，平均灰度为ul，图像的总平均灰度为:u=wO*uO+wl*ul ;C、从最小灰度值到最大灰度值遍历t,当t使得值g=w0*(u0-u)2 +wl* (ul-u)2最大时t即为分割的最佳阈值；...

【专利技术属性】
技术研发人员：刘贵松，屈鸿，邱钊，蔡庆，解修蕊，陈文宇，王晓彬，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：