基于數(shù)學(xué)形態(tài)學(xué)的植物葉片圖像預(yù)處理

摘要：植物葉片圖像的預(yù)處理是進(jìn)行葉形特征提取和識別的重要前提，獲得高質(zhì)量的預(yù)處理葉片圖像對計算機(jī)輔助植物識別十分重要。本文提出了基于數(shù)學(xué)形態(tài)學(xué)的植物葉片圖像的預(yù)處理方法，運用數(shù)學(xué)形態(tài)學(xué)中的開運算和閉運算消除圖像中的孤立噪聲點并填補(bǔ)葉片內(nèi)部孔洞。該方法保持了原圖像的基本形狀特征并能獲得清晰的邊緣，為葉片特征提取創(chuàng)造了良好的前提。

　　關(guān)鍵詞：植物葉片圖像；圖像預(yù)處理；數(shù)學(xué)形態(tài)學(xué)；邊緣檢測；特征提取

　　中圖分類號：S126

　　文獻(xiàn)標(biāo)識碼：B

　　文章編碼：1672－6251(2008)01－0004－05

　　

　　1 引言

　　

　　對植物進(jìn)行分類研究是進(jìn)行植物保護(hù)的重要前提，隨著近年來計算機(jī)技術(shù)的高速發(fā)展，圖像處理與識別技術(shù)逐步開始應(yīng)用于這項研究，隨之提出了計算機(jī)輔助植物識別、植物葉形的計算機(jī)識別等一些系統(tǒng)。

　　葉片特征是植物分類和識別的重要依據(jù)，因此從植物葉片人手對葉片圖像進(jìn)行特征提取，將為植物分類識別提供方法依據(jù)。由于實際中得到的植物葉片圖像千差萬別并且包含有大量的背景成分，因此在進(jìn)行圖像分析之前。首先要對其進(jìn)行預(yù)處理。預(yù)處理效果的好壞直接影響后面葉片形狀特征的提取，因此選取一種好的預(yù)處理方法尤為重要。數(shù)學(xué)形態(tài)學(xué)(Mathematical Morohology)是一種應(yīng)用于圖像處理和模式識別領(lǐng)域的新方法。是生物學(xué)的一個分支，常用來處理動物和植物的形狀和結(jié)構(gòu)。本文依據(jù)數(shù)學(xué)形態(tài)學(xué)對植物葉片圖像進(jìn)行預(yù)處理。能夠保證預(yù)處理后的葉片圖像具有基本的形狀特征和清晰的邊緣。

　　

　　2　預(yù)處理模型

　　

　　由于實際中得到的植物葉片圖像千差萬別并且包含有大量的背景成分，因此在進(jìn)行圖像分析之前，首先要對其進(jìn)行預(yù)處理，一般的預(yù)處理過程主要包括消除噪聲、去除背景和邊緣檢測三個環(huán)節(jié)。某些植物葉片可能由于遭到蟲子的侵蝕或其他一些原因，在去除背景后會在葉片目標(biāo)的內(nèi)部存在小的孔洞，這將影響后面的處理，并導(dǎo)致不能準(zhǔn)確提取葉片特征。為此本文建立的預(yù)處理模型在去除背景之后又對圖像進(jìn)行了數(shù)學(xué)形態(tài)處理，利用數(shù)學(xué)形態(tài)學(xué)的閉運算進(jìn)行處理，消除葉片內(nèi)部的孔洞。

　　根據(jù)上述思想，植物葉片圖像的預(yù)處理過程如圖1所示。

　　

　　

　　3　植物葉片圖像的預(yù)處理實現(xiàn)

　　

　　3．1　消除噪聲

　　一幅圖像在實際應(yīng)用過程中可能存在各種各樣的噪聲，這些噪聲可能在傳輸中產(chǎn)生，也可能在量化等處理中產(chǎn)生。植物葉片圖像也是一樣，在獲取過程中會產(chǎn)生各種不同的噪聲，因此必須對其進(jìn)行消噪處理。

　　消噪的目的是在盡可能保持原始信號主要特征的同時，除去信號中的噪聲。圖像中的噪聲往往是和圖像信息交織在一起，如果濾除不當(dāng)，會使圖像質(zhì)量下降，所以如何既能濾除掉圖像中的噪聲，又能盡量保持圖像細(xì)節(jié)，是圖像消噪研究的關(guān)鍵內(nèi)容之一。目前常用的消噪方法主要有鄰域平均法和中值濾波法。領(lǐng)域平均法對抑制噪聲是有效的，但它選擇的是低通濾波器，而通常圖像中的邊緣信息里含有大量的高頻信息。所以在去噪的同時也使邊界變得模糊。中值濾波法采用一種非線性平滑濾波器，它與鄰域平均法的不同之處在于，中值濾波器的輸出像素值是由鄰域像素的中間值決定而不是平均值決定的。中值濾波法運算簡單、速度快，并且在濾除噪聲的同時能很好地保護(hù)信號的細(xì)節(jié)信息，在一定條件下，可以克服線性濾波器所帶來的圖像細(xì)節(jié)模糊。

　　植物葉片圖像中的細(xì)節(jié)信息對于特征提取來說是很重要的，因此本文選用中值濾波法對圖像進(jìn)行。

　　

　　3．2　去除背景

　　去除背景即把葉片與背景分開形成二值圖像，以便進(jìn)行后期的邊緣檢測和形狀特征參數(shù)計算。精確地分開前景與背景其關(guān)鍵是選取合適閾值。由于不同的圖像其分割閾值不盡相同，因此必須針對不同圖像進(jìn)行計算求得閾值，為了使算法具有自適應(yīng)性和較快的運算速度，選取迭代閾值選擇法計算閾值日。算法步驟如下：

　　

　　

　　　3．3　數(shù)學(xué)形態(tài)學(xué)處理

　　經(jīng)過消噪和去除背景處理后的葉片圖像中?？赡軙嬖谝恍┕铝⒌脑肼朁c，或者由于所選取的葉片本身受到過害蟲侵蝕而導(dǎo)致在葉片內(nèi)部存在一些孔洞，這些都將影響葉片特征參數(shù)的精確計算。因此必須對去除背景后的圖像進(jìn)行進(jìn)一步的處理，以消除孤立噪聲點和葉片內(nèi)部孔洞，得到完整、精確的二值化葉片圖像。本文選用了數(shù)學(xué)形態(tài)學(xué)的方法進(jìn)一步處理圖像。

　　

　　數(shù)學(xué)形態(tài)學(xué)基于對圖像形態(tài)特征進(jìn)行分析，其中定義了兩種基本的變換，即腐蝕和膨脹，形態(tài)學(xué)的其他運算都是由這兩種基本運算復(fù)合而成。

　　腐蝕表示用某個結(jié)構(gòu)元素對一幅圖像進(jìn)行探測，找出在圖像內(nèi)部可以放下該結(jié)構(gòu)元素的區(qū)域。定義如下：

　　本文選用數(shù)學(xué)形態(tài)學(xué)里的閉運算去除葉片孔洞，閉運算定義為一個膨脹運算緊接一個腐蝕運算。先對去除背景的二值化葉片圖像進(jìn)行膨脹運算，再進(jìn)行腐蝕運算，經(jīng)過多次處理之后，即可消除葉片中的孔洞。同時為了消除圖像中的孤立噪聲點，文中使用數(shù)學(xué)形態(tài)學(xué)中的開運算，即對圖像先進(jìn)行腐蝕運算，再進(jìn)行膨脹運算，多次處理之后，即可消除圖像中的孤立噪聲點。

　　

　　3．4　邊緣檢測

　　葉片邊緣含有豐富的形態(tài)信息，通過其邊緣來計算形狀特征比通過葉片本身計算來說計算量要小一些，在大批量的葉片樣本處理情況下更是明顯節(jié)約了時間，因此需要進(jìn)一步提取葉片的邊緣。

　　一般來說，對檢測出的邊緣有以下幾項要求：(1)邊緣的定位精度要高，不發(fā)生邊緣漂移；(2)不同尺度的邊緣應(yīng)有良好的響應(yīng)，并盡量減少漏檢：(3)應(yīng)對噪聲不敏感，不致因噪聲造成虛假檢測；(4)檢測靈敏度應(yīng)受邊緣方向影響小。為精確地檢測葉片的邊緣，本文選用邊緣跟蹤法檢測出邊緣。算法思想是將二值化后的圖像里葉片目標(biāo)的每個像素點考慮跟蹤其8個方向的鄰域，假設(shè)構(gòu)成葉片像素的灰度值為1，背景灰度值為O，則對某灰度值為1的像素點作如下判決：

　　

　　If當(dāng)前像素點8個方向上的鄰域點有０像素點，則該像素點為邊緣點：

　　EIse該像素點不是邊緣點。

　　當(dāng)對圖像中像素點全部搜索完畢，既可提取出葉片完整的邊緣。

　　

　　4　仿真結(jié)果

　　

　　選取一幅像素為512×384的背景相對復(fù)雜的葉片圖像進(jìn)行仿真實驗，仿真結(jié)果如圖2所示。

　　在對背景相對復(fù)雜的葉片圖像進(jìn)行降噪處理時，由于圖像中的葉片對象的灰度值高而背景的灰度值低，所以需要對圖像進(jìn)行灰度變換，將葉片圖像的灰度范圍調(diào)整到整個[0，1]的區(qū)域，圖2(c)為灰度變換后的圖像。經(jīng)迭代二值化后可以發(fā)現(xiàn)葉片目標(biāo)存在孔洞并且圖像中包括孤立噪聲點，如圖2(e)所示。經(jīng)閉預(yù)算和開運算后，消除了葉片目標(biāo)中的孔洞和圖像中的孤立圖2(h)所示圖像提取了完整的葉片邊緣。

　　仿真結(jié)果表明，由數(shù)學(xué)形態(tài)學(xué)中的膨脹運算和腐蝕運算結(jié)合而成的閉運算和開運算，對填補(bǔ)葉片內(nèi)因為遭受蟲子的侵蝕或其他原因而形成的孔洞以及殘留的孤立噪聲點均能達(dá)到很好的處理效果。

　　

　　5　結(jié)論

　　

　　本文針對植物葉片圖像的預(yù)處理算法進(jìn)行了研究，采取數(shù)學(xué)形態(tài)學(xué)的方法提高處理效果。實驗表明該方法能夠獲得具有基本形狀特征和清晰邊緣的葉片圖像，為葉片圖像的特征提取提供了優(yōu)質(zhì)的素材。該項研究為未來“數(shù)字農(nóng)業(yè)”和“數(shù)字林業(yè)”的發(fā)展增添了新的內(nèi)容。.