专利名称：基于实时在线系统的叶片田间图像边缘提取方法及其系统的制作方法
技术领域：
本发明涉及数字图像处理技术领域，尤其涉及一种基于实时在线系统的叶片田间 图像边缘提取方法及其系统。
背景技术：
机器视觉又称计算机视觉，指人类设计并在计算机环境下实现的模拟或再现与人 类视觉有关的某些智能行为的技术。机器视觉技术在农业上的研究与应用始于20世纪 70年代末期，主要研究集中于农产品分选机械中利用机器视觉对农产品进行品质检测与分 级。近年来，基于机器视觉的图像处理技术迅速发展，图像处理技术本身在理论和实践上都 取得了重大突破，除农产品分选机械外，目前该技术已经渗透到农作物生长过程监控、农产 品收获、农产品鉴定等多个领域。叶是果树营养物质的制造器官，是产量形成的基础。农业生产中需要获取大量的 叶片生长信息。为通过图像获取叶片生长信息，实现果园生产自动监测，需要对田间果树叶 片图像进行图像增强与分割算法研究。图像分割是图像分析和图像理解的基础，能够为进 一步图像处理提供重要的信息。植物叶片图像分割能够为植物特征提取提供重要依据，如 叶片面积计算、叶片病虫害检测和叶片三维重建等，从而可以实时监测植物的生长状况，提 前预防病虫害等。由于田间叶片图像的背景复杂，噪声严重，易受光照、叶片形态等多方面因素影 响，使田间图像处理分析在实际应用中存在诸多挑战。为降低图像中的噪声，削弱复杂背 景、重叠叶片对图像分割的干扰，把目标叶片完整、准确的分割出来，一般通过对图像增强 再与分割算法结合，来处理上述情况。图像增强的原理是借助人的视觉系统特性取得较好的视觉效果。图像增强在于提 高图像的可懂度，即图像处理后不一定逼近原图像，只要增强图像的视觉效果，将原图像转 换成一种更适合于人眼观察或计算机分析处理的形式。要想摆脱图像多样性和噪声复杂性 的困扰，就必须对图像增强算法进行进一步的研究。在图像处理过程中，图像增强是非常重 要的一个环节。图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像分成各具特性的 区域并提取出感兴趣目标的过程。图像分割是从图像处理进到图像分析的关键步骤，也是 进一步图像理解的基础。它是目标表达的基础，对特征测量有重要的影响。通过图像分割及 基于分割的目标表达、特征提取和参数测量等技术，才能将原始图像转化为更抽象更紧凑 的形式，使得更高层的图像分析和理解成为可能。在实际应用中植物叶片图像中，现场图像 由于噪声、光线亮度、背景等因素的影响，自动选取一个合适的阈值显得尤为困难。同时，由 于田间图像通常受到实时在线系统中视频服务器设备的图像压缩算法H. 264等的处理后， 图像的灰度级要比普通非网络传送的摄像设备所获图像低得多，这会给图像分割造成较大 的困难(主要是目标区域与背景的粘连)。自动阈值对于非此即彼的简单图像处理，如一些 二值图像的处理是有效的，但是对于图像中目标区域灰度差异显著的叶片图像、图像中不
5存在明显的灰度差异或各物体的灰度值范围有较大的重叠的图像分割问题，简单以常用阈 值算子和边缘检测算子组合分割，难以得到满意的分割效果。
发明内容
(一)要解决的技术问题本发明要解决的技术问题是在实时在线系统中，提高对不同灰度分布情况的植 物叶片田间图像进行边缘提取的成功率、准确性和完整性。( 二 )技术方案为实现上述目的，本发明提供一种基于实时在线系统的叶片田间图像边缘提取方 法，该方法包括步骤Si.以包含单个叶片的子区域作为目标图像，对所述子区域附近的分割区域子图 进行灰度映射处理；S2.对经步骤Sl处理的图像平滑去噪后，进行基于区域的阈值分割处理和基于梯 度的边缘检测分割处理，并进行初步优化处理以获取目标区域，判别所获目标区域是否为 叶形目标区域，若是，则执行步骤S5，否则，执行步骤S3 ；S3.对经步骤Sl处理的图像平滑去噪后，进行基于区域的阈值分割取反处理和基 于梯度的边缘检测分割处理，并进行初步优化处理以获取目标区域，判别所获目标区域是 否为叶形目标区域，若是，则执行步骤S5，否则，执行步骤S4 ；S4.对经步骤Sl处理的图像平滑去噪后，进行基于区域的阈值分割及分割取反处 理和基于梯度的边缘检测分割处理，并进行初步优化处理以及区域组合，以获取目标区域， 判别所获目标区域是否为叶形目标区域，若是，则执行步骤S5，否则，结束或返回步骤Sl ；S5.对经步骤S2或S3或S4处理后的图像进行形态学操作的进一步优化处理以及 封闭操作，得到边缘闭合的边缘图像。其中，步骤Sl进一步包括Si. 1分析所述区域子图的直方图，并计算所述直方图中的峰谷所在的灰度值，得 到的峰谷值集合R ；Si. 2每次取出两个峰谷值，截取所述两个峰谷值所对应的灰度范围，并遍历所有 峰谷值；Si. 3使用设定的灰度映射函数，将所截取的局部灰度值范围[a，b]映射到全局 上；其中，所述设定的灰度映射函数为
映射到全局上； 其中，所述设定的灰度映射函数为其中，F(x, y)为所述区域子图的原图，R为所述峰谷值的集合，且a < b，G(χ, y)为灰 度映射后的图像。
3.如权利要求2所述的基于实时在线系统的叶片田间图像边缘提取方法，其特征在 于，步骤S2进一步包括S2. 1对经步骤Sl映射处理后的图像进行平滑去噪，利用自动阈值分割算子对去噪后 的图像进行基于区域的阈值分割处理；S2. 2对经步骤Sl映射处理后的图像进行平滑去噪，利用Carmy算子对去噪后的图像 进行边缘检测分割处理，并与经过步骤S2. 1处理后的图像进行逻辑与运算，然后割断图像 中的局部粘连，对图像进行初步优化，标记图像中的连通区域，保留面积最大的两个连通区 域，将其它连通区域设置为0，并获取目标外以及目标内模板；S2. 3对经步骤S2. 2处理后的图像进行第一叶形判别，若图像目标区域是叶片图像，则 执行步骤S5，否则进入S3。
4.如权利要求2所述的基于实时在线系统的叶片田间图像边缘提取方法，其特征在 于，步骤S3进一步包括S3. 1对经步骤Sl映射处理后的图像进行平滑去噪，利用自动阈值分割算子对去噪后 的图像进行基于区域的阈值分割处理后取反；S3. 2对经步骤Sl映射处理后的图像进行平滑去噪，利用Carmy算子对去噪和后的图像 进行边缘检测分割处理，并与经过步骤S3. 1处理后的图像进行逻辑与运算，然后割断图像 中的局部粘连，对图像进行初步优化，标记图像中的连通区域，保留面积最大的两个连通区 域，将其它连通区域设置为0，并获取目标内外模板以及目标内模板；53.3对经步骤S3. 2处理后的图像进行第一叶形判别，若图像目标区域是叶片图像，则 执行步骤S5，否则执行S4。
5.如权利要求2所述的基于实时在线系统的叶片田间图像边缘提取方法，其特征在 于，步骤S4进一步包括54.1对经步骤Sl映射处理后的图像进行平滑去噪，利用自动阈值分割算子对去噪后 的图像进行基于区域的阈值分割处理；S4. 2对经步骤Sl映射处理后的图像进行平滑去噪，利用Carmy算子对去噪后的图像进 行边缘检测分割处理，并与经过步骤S4. 1处理后的图像进行逻辑与运算，然后割断图像中 的局部粘连，对图像进行初步优化，标记图像中的连通区域，并保留面积最大的两个连通区 域，将其它连通区域设置为0;S4. 3对经步骤Sl映射处理后的图像进行平滑去噪，利用自动阈值分割算子对去噪后 的图像进行基于区域的阈值分割处理后取反；S4. 4对经步骤Sl映射处理后的图像进行平滑去噪，利用Carmy算子对去噪后的图像进 行边缘检测分割处理，并与经过步骤S4. 3处理后的图像进行逻辑与运算，然后割断图像中 的局部粘连，对图像进行初步优化，标记图像中的连通区域，并保留面积最大的两个连通区 域，将其它连通区域设置为0;S4. 5对步骤S4. 2和S4. 4所得四个连通区域进行逻辑和的排列组组合，得到6幅图像；S4. 6对步骤S4. 5处理后的图像进行第二叶形判别，若图像目标区域是叶片图像，则执 行步骤S5，若否则执行步骤S4. 7 ；54.7判断经步骤S4. 5处理后的图像是否遍历峰谷值，若是，则结束，否则，执行步骤 Si. 2。
6.如权利要求2所述的基于实时在线系统的叶片田间图像边缘提取方法，其特征在 于，步骤S5进一步包括55.1对经步骤S2、S3、或S4处理的图像进行进一步优化，得到去除目标内部以及外部 伪边缘的边缘图像；S5. 2对经步骤S5. 1处理后的图像进行封闭操作，得到目标边缘闭合的边缘图像。
7.如权利要求3或4所述的基于实时在线系统的叶片田间图像边缘提取方法，其特征 在于，所述第一叶形判别的方法包括步骤S2. 31提取面积最大的连通区域的骨架；S2. 32计算所述骨架的离心率；S2. 33若所述离心率大于设定值，则判别所述图像目标区域为叶片图像，否则，判别所述图像目标区域不是叶片图像。
8.如权利要求5所述的基于实时在线系统的叶片田间图像边缘提取方法，其特征在 于，所述第二叶形判别的方法包括步骤S4. 61去掉所述6幅图像中连通区域个数大于1的图像，保留连通区域个数为1的图像；S4. 62判断所保留的图像个数是否大于或等于1，若是，则执行步骤S4. 63，若否则执行 步骤S4. 7 ；S4. 63对经步骤S4. 62处理后的图像进行填洞操作后，初步优化，获取目标外模板以及 目标内模板；S4. 64提取所述目标内模板区域的骨架，去除所述骨架的毛刺20次； S4. 65计算所述骨架的离心率；54.66若所述离心率大于设定值，则判别所述图像目标区域为叶片图像，否则，判别所 述图像目标区域不是叶片图像。
9.如权利要求3或4或8所述的基于实时在线系统的叶片田间图像边缘提取方法，其 特征在于，步骤S5. 2中的封闭操作进一步包括55.21将经步骤S2. 2,S3. 2和S4. 63处理的图像中所获目标外模板用半径为2个像素 的结构元进行腐蚀，获取其边缘；S5. 22将经步骤S5. 1处理后的图像用步骤S5. 21处理后的图像边缘进行封闭操作，以 形成闭合曲线；S5. 23将所述闭合曲线转成区域图，用半径为2个像素的菱形结构元进行膨胀和腐蚀 操作，得到区域外沿的光滑曲线，从而得到边缘闭合的边缘图像。
10.一种基于实时在线系统的叶片田间图像边缘提取系统，其特征在于，该系统包括 预处理模块，用于以包含单个叶片的子区域作为目标图像，对所述子区域附近的分割区域子图进行灰度映射处理；第一图像分割模块，用于对经灰度映射模块处理的图像平滑去噪后，进行基于区域的 阈值分割处理和基于梯度的边缘检测分割处理，并进行初步优化处理以获取目标区域，判 别所获目标区域是否为叶形目标区域，若是，则将图像发送至优化模块处理，否则，将经灰 度映射模块处理的图像发送至第二图像分割模块处理；第二图像分割模块，用于对经灰度映射模块处理的图像平滑去噪后，进行基于区域的 阈值分割取反处理和基于梯度的边缘检测分割处理，并进行初步优化处理以获取目标区 域，判别所获目标区域是否为叶形目标区域，若是，则将图像发送至优化模块处理，否则，将 经灰度映射模块处理的图像发送至第三图像分割模块处理；第三图像分割模块，用于对经灰度映射模块处理的图像平滑去噪后，进行基于区域的 阈值分割及分割取反处理和基于梯度的边缘检测分割处理，并进行初步优化处理以及区域 组合，以获取目标区域，判别所获目标区域是否为叶形目标区域，若是，则将图像发送至优 化模块处理，否则，将图像返回至所述预处理模块；优化模块，用于对经第一图像分割模块或第二图像分割模块、或第三图像分割模块处 理后的图像进行形态学操作的进一步优化处理以及封闭操作，得到边缘闭合的边缘图像。
全文摘要
本发明涉及一种基于实时在线系统的叶片田间图像边缘提取方法及其系统，该方法包括步骤S1.对分割区域子图进行灰度映射处理；S2.对步骤S1处理的图像进行平滑去噪、阈值分割和边缘检测、初步优化，判别目标区域是否为叶形；S3.对经步骤S1处理的图像进行平滑去噪、阈值分割取反和边缘检测、初步优化，判别目标区域是否为叶形；S4.对经步骤S1处理的图像进行平滑去噪、阈值分割及分割取反和边缘检测、初步优化以及区域组合，判别目标区域是否为叶形；S5.对经步骤S2、S3、或S4处理后的图像进行进一步优化以及封闭操作，得到边缘闭合的边缘图像。本发明的方法及其系统可得到完整、封闭、定位准确的目标边界曲线图像，且分割成功率高。
文档编号G06T7/00GK101964108SQ201010279660
公开日2011年2月2日 申请日期2010年9月10日 优先权日2010年9月10日
发明者何建磊, 欧阳常奇, 王建仑 申请人:中国农业大学