一种植物叶片图像提取方法及装置与流程

本发明涉及数字图像处理技术领域，具体涉及一种植物叶片图像提取方法及装置。

背景技术：

病害是影响蔬菜水果等植物生产过程中及产量的一个重要因素。传统的病害诊断方法采用人工观测的方式，即田间农业人员根据自身经验、病理学知识实地调研或采集病害叶片来进行植物病害种类及病级的诊断。这种人工观测的方式不仅工作量大、效率低下、部分操作对作物具有一定的损伤，而且受到农业人员专业知识的限制。

随着计算机技术的发展，利用图像处理技术和模式识别技术实现对植物病害的智能化诊断已经变成了新的技术途径。该方法主要通过移动终端或者图像采集设备采集植物叶片的图像，在图像上提取目标叶片，然后对目标叶片进行智能识别，实现病害种类及病级的准确诊断，为指导农业人员采取合理的防治措施提供依据。因此，从采集的植物叶片图像中准确地提取出目标叶片是实现病害智能诊断的关键。但是，由于植物生长环境复杂、干扰因素众多，且采集的叶片图像中含有多张相互遮挡的叶片，难以从众多的叶片中准确地分割出目标叶片。目前，已有的相关技术主要侧重于植物病斑的分割、病害的识别等方面，仍缺少一种行之有效的田间植物叶片图像分割方法。因此，需要研究一种适应于田间植物叶片图像的分割方法，是目前业界亟待解决的技术课题。

技术实现要素：

针对现有技术存在的问题，本发明提供一种植物叶片图像提取方法及装置，可以将彩色图像中的植物叶片从背景中分离出来并提取植物叶片中的目标叶片。

为实现上述目的，本发明提供一种植物叶片图像提取方法，该方法包括如下步骤：

S1提取图像库中包含目标叶片的彩色图像I₁，将含有目标叶片的彩色图像I₁进行归一化转换处理并得到处理后的图像I₂；

S2提取图像I₂在红色、绿色和蓝色三个颜色通道上的子图像得到提取后的图像I_r,I_g,I_b；根据绿色分别与红色和蓝色之间的阈值θ₁和阈值θ₂，实现对图像I_g的阈值化并得到阈值化后的图像I_g1；

S3使用Sobel模板，计算图像I_g1分别在8方向上的二值图像S₈和在4方向上的二值图像S₄；

S4将二值图像S₈上的每一个像素与二值图像S₄上对应的每一个像素进行差值运算并取绝对值，差值并取绝对值运算的结果形成的图像为边缘图像I_g2；

S5将图像I_g1中与边缘图像I_g2中值为1的像素点相对应的像素点的值置为0，采用自适应阈值化法对图像I_g1进行阈值化，形成图像I_g3；

S6采用水平集算法对图像I_g3中的像素进行拟合，并提取拟合后图像中轮廓最大的图像，即为目标叶片的图像。

采用双线性插值方法将所述彩色图像I₁归一化为L×H大小的图像I₂，其中L、H分别为图像I₂的宽度和高度，其单位为像素。

S2中所述阈值θ₁和阈值θ₂的计算方法包括如下步骤：

S2.1从M幅包含目标叶片的彩色图像的图像库中选取一幅含有目标叶片的图像I_i，并提取图像I_i在红、绿、蓝三个颜色通道上的子图像I_ri,I_gi,I_bi，其中i,M均为正整数且1≤i≤M；

S2.2分别将图像I_ri,I_gi,I_bi转化为直方图Im_ri,Im_gi,Im_bi，其中直方图Im_ri,Im_gi,Im_bi的横坐标是灰度值，范围为0～255；纵坐标为所述图像I_ri,I_gi,I_bi中各灰度值出现的概率；

S2.3分别提取直方图Im_ri,Im_gi,Im_bi中出现概率最大的灰度值R_i,G_i,B_i，按照公式(1)进行阈值的计算：

θ_1i＝G_i-R_i；θ_2i＝G_i-B_i； (1)

其中，θ_1i为含有目标叶片的第i幅图像中绿色与红色之间的阈值，θ_2i为含有目标叶片的第i幅图像中绿色与蓝色之间的阈值；

S2.4重复步骤S2.1～S2.3，直至对所述图像库中的所述M幅含有目标叶片的彩色图像进行阈值计算；

S2.5将计算得到的M个阈值θ_1i和阈值θ_2i分别进行概率统计，分别选取概率排在前N位的阈值θ_1i和阈值θ_2i的值，按照公式(2)进行阈值θ₁和阈值θ₂的计算：

其中，S、T分别是排在N位的阈值θ_1i和阈值θ_2i的值的个数，N、S、T为正整数。

所述阈值θ₁等于10，所述阈值θ₂等于15。

按照公式(3)将S2中所述图像I_g的阈值化并形成图像I_g1；

S3中所述二值图像S₈和所述二值图像S₄的计算方法包括如下步骤：

S3.1确定所述S3中8方向的角度分别为0°，22.5°，45°，67.5°，90°，112.5°，135°和157.5°；

S3.2计算图像I_g1分别在S3.1中8个方向上的滤波图像F₀，F_22.5，F₄₅，F_67.5，F₉₀，F_112.5，F₁₃₅和F_157.5；

S3.3根据公式(4)计算图像IM；

其中，sqrt()为平方根函数，w_a(1≤a≤8)为各方向滤波图像的权重；

S3.4根据最大类间方差法对图像IM进行阈值化，形成二值图像S₈；

S3.5确定所述S3中4方向的角度分别为0°，45°，90°和135°；

S3.6计算图像I_g1分别在S3.5中4个方向上的滤波图像F₀，F₄₅，F₉₀和F₁₃₅；

S3.7根据公式(5)计算二值图像S₄：

所述各方向滤波图像的权重的值均为0.125，或

突出某个方向上的滤波图像，则该方向的滤波图像的权重值为0.5。

S5中所述自适应阈值化法包括如下步骤：

S5.1将叶片图像划分为k×d大小的图像块；

S5.2根据公式(6)求取每一个图像块的像素平均值，

其中，p为大于0的常数；

S5.3根据公式(7)，可实现图像I_g1的阈值化，

所述k等于12，d等于12，p等于5。

S6中采用DRLSE水平集算法实现对图像I_g3中的像素进行拟合，提取图像中轮廓最大的图像，即为目标叶片的图像。

另一方面，本发明提供了一种植物叶片图像提取装置，所述装置包括采集设备和与其相连的图像处理设备，所述采集设备包采集单元和与其相连的图像库单元，所述图像处理单元包括处理单元和与其连接的阈值计算单元；所述图像库单元分别与阈值计算单元和处理单元相连。

所述采集单元采集含有目标叶片的彩色图像；

所述图像库单元存储所述采集单元采集含有目标叶片的彩色图像；

所述阈值计算单元读取所述图像库单元存储的彩色图像并计算绿色分别与红色和蓝色之间的阈值；

所述处理单元读取图像库单元存储的彩色图像并根据所述阈值计算单元计算得出的阈值对彩色图像进行处理和提取目标叶片。

由上述技术方案可知，本发明提供了一种植物叶片图像提取方法及装置，利用红绿蓝颜色通道上的子图像，进行阈值化处理，能够克服田间复杂环境的干扰，准确、完整的分割出叶片区域，实现蔬菜叶片的自动分割并获得理想的二值图像。在获取二值图像后，对二值图像中的像素点进行拟合并提取目标叶片。采用本发明技术方案中的方法不仅可以提高叶片边缘检测的精度降低叶片识别错误的概率，还能够应用于智能手机等移动终端，适合田间操作，拓宽了该方法的应用范围。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的植物叶片图像提取方法的流程图；

图2是本发明提供的植物叶片图像提取方法中步骤S2的流程图；

图3是本发明提供的植物叶片图像提取方法中步骤S3的流程图；

图4是本发明提供的植物叶片图像提取方法中步骤S5的流程图；

图5是本发明提供的植物叶片图像提取装置的连接示意图；

图6是本发明提供的植物叶片图像提取装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

随着计算机技术的发展，利用图像处理技术和模式识别技术实现对植物病害的智能化诊断已经变成了新的技术途径。该方法主要在叶片图像上提取目标叶片，然后对目标叶片进行智能识别，实现病害种类及病级的准确诊断。但是，由于植物生长环境复杂、干扰因素众多，且采集的叶片图像中含有多张相互遮挡的叶片，难以从众多的叶片中准确地分割出目标叶片。为了解决该问题，本发明下述实施例提出了一种植物叶片图像提取方法及装置。

图1示出了本发明实施例提供的植物叶片图像提取方法的流程图，参见图1，本发明提供的植物叶片图像提取方法包括如下步骤：

S1提取图像库中包含目标叶片的彩色图像I₁，将含有目标叶片的彩色图像I₁进行归一化转换处理并得到处理后的图像I₂；

在本步骤中，包含目标叶片的彩色图像可以通过摄像机或者手机等具有采集图像功能的设备采集并存入到图像库中。其中，彩色图像中除了植物叶片还可能会包含地面、花朵、地膜等背景，本实施例的方法需要将图像中完整的蔬菜叶片从背景中分离出来。

优选地，利用双线性插值方法将所述彩色图像归一化为L×H大小的图像，其中L、H分别为放缩后图像的宽度和高度，其单位为像素，其值可根据实际应用情况设定，如原始彩色图像大小为4160×3120放缩后的图像大小为416×312。

S2提取图像I₂在红色、绿色和蓝色三个颜色通道上的子图像得到提取后的图像I_r,I_g,I_b；根据绿色分别与红色和蓝色之间的阈值θ₁和阈值θ₂，实现对图像I_g的阈值化并得到阈值化后的图像I_g1；

S3使用Sobel模板，计算图像I_g1分别在8方向上的二值图像S₈和在4方向上的二值图像S₄；

S4将二值图像S₈上的每一个像素与二值图像S₄上对应的每一个像素进行差值运算并取绝对值，差值并取绝对值运算的结果形成的图像为边缘图像I_g2；

在本步骤中，边缘图像I_g2是一个最大值为1，最小值为0的二值图像；

S5将图像I_g1中与边缘图像I_g2中值为1的像素点相对应的像素点的值置为0，采用自适应阈值化法对图像I_g1进行阈值化，形成图像I_g3；

S6采用水平集算法对图像I_g3中的像素进行拟合，并提取拟合后图像中轮廓最大的图像，即为目标叶片的图像。

在本步骤中，水平集算法是一种能够很好提取目标轮廓的算法，在本实例中，我们优选采用了一种无需重新初始化的水平集方法—DRLSE算法，实现对I_g3中像素的拟合，其中提取图像中最大的轮廓，即为目标叶片。此外，也可以采用其它水平集算法或者链码提取的方法实现对轮廓的提取。

从上述描述可知，本发明实施例提供的植物叶片图像提取方法能够克服田间复杂环境的干扰，准确、完整的分割出叶片区域，实现蔬菜叶片的自动分割。

进一步地，在本发明实施例二中给出上述步骤S2的一种具体实现方式。参见图2，上述步骤S2具体实现过程如下：

S2.1从具有M幅只包含植物叶片彩色图像的图像库中随机选取一幅不重复的植物叶片图像I_i(1≤i≤M)，并分成红、绿、蓝三个颜色通道上的子图像I_ri,I_gi,I_bi，其中M的个数可根据实际情况进行设定，如M＝100；

S2.2分别将I_ri,I_gi,I_bi三幅子图像转化为直方图Im_ri,Im_gi,Im_bi，其中横坐标是灰度值，范围为0～255，纵坐标为所述I_ri,I_gi,I_bi三幅子图像中各灰度值出现的概率；

S2.3分别取Im_ri,Im_gi,Im_bi直方图中出现概率最大的灰度值R_i,G_i,B_i，按照公式(1)进行阈值的计算：

θ_1i＝G_i-R_i；θ_2i＝G_i-B_i； (1)

S2.4重复步骤S2.1～S2.3，直至对所述图像库中的所述M幅植物叶片彩色图像进行阈值的计算；

S2.5将计算得到的M个θ_1i,θ_2i分别进行概率统计，分别选取概率排在前N位的θ_1i,θ_2i的值，按照公式(2)进行θ₁,θ₂的计算：

其中，S、T分别是排在N位的θ_1i,θ_2i的值的个数，其中N的值可根据实际需要进行设定，如N＝10。

S2.6图像I_g阈值化形成图像I_g1，过程如公式(3)所示：

进一步地，在本发明中给出实现上述步骤S2中计算阈值θ₁和阈值θ₂的另一种具体方式，具体实现过程如下：

为简化计算过程，阈值θ₁和阈值θ₂的值也可根据经验或者绿色的颜色范围进行设定，如θ₁＝10，θ₂＝15。

进一步地，在本发明实施例三中给出上述步骤S3的一种具体实现方式。参见图3，上述步骤S3具体实现过程如下：

S3.1选用5×5的8方向Sobel模板，其中所述8方向分别为0°，22.5°，45°，67.5°，90°，112.5°，135°，157.5°；

本实施例中，优选采用的8方向模板为：A1＝[1 4 6 4 1；2 8 12 8 2；0 0 0 0 0；-2 -8 -12 -8 -2；-1 -4 -6 -4 -1]；A2＝[4 6 4 1 2；1 12 12 8 0；2 8 0 -8 -2；0 -8 -12 -12 -1；-2 -1 -4 -6 -4]；A3＝[6 4 1 2 0；4 12 8 0 -2；1 8 0 -8 -1；2 0 -8 -12 -4；0 -2 -1 -4 -6]；A4＝[4 1 2 0 -2；6 12 8 -8 -1；4 12 0 -12 -4；1 8 -8 -12 -6；2 0 -2 -1 -4]；A5＝[1 2 0 -2 -1；4 8 0 -8 -4；6 12 0 -12 -6；4 8 0 -8 -4；1 2 0 -2 -1]；A6＝[2 0 -2 -1 -4；1 8 -8 -12 -6；4 12 0 -12 -4；6 12 8 -8 -1；4 1 2 0 -2]；A7＝[0 -2 -1 -4 -6；2 0 -8 -12 -4；1 8 0 -8 -1；4 12 8 0 -2；6 4 1 2 0]；A8＝[-2 -1 -4 -6 -4；0 -8 -12 -12 -1；2 8 0 -8 -2；1 12 12 8 0；4 6 4 1 2]，其中，A1～A8分别为0°，22.5°，45°，67.5°，90°，112.5°，135°，157.5°所对应的模板，8方向模板为也可根据经验进行设定；

S3.2)图像I_g1分别采用上述8个方向的模板，计算其相应的滤波图像F₀，F_22.5，F₄₅，F_67.5，F₉₀，F_112.5，F₁₃₅，F_157.5；

S3.3根据公式(4)计算边缘的图像IM：

其中，sqrt()为平方根函数，为各方向滤波图像的权重，其值可根据实际情况进行设定，如所有权值均采用0.125或者为突出某个方向上的边缘图像加重该方向权重的比例，例如突出135°方向上边缘可令权重w₇＝0.5。

本实施例中，优选地，采用最大类间方差法对IM图像进行阈值化，形成最大值为1、最小值为0的二值图像S₈，也可以根据经验采用固定阈值的方法，如设定阈值θ_s＝240等。

S3.4根据公式(5)计算二值图像S₄：

本实施例中，S₄优先选用了4个方向各滤波图像的交集，在实际应用时，也可以选择8个方向上各滤波图像的交集或者8个方向滤波图像自由组合的交集。

进一步地，在本发明实施例四中给出上述步骤S5的一种具体实现方式。参见图4，上述步骤S5具体实现过程如下：

S5.1将蔬菜叶片图像划分为k×d大小的图像块，其中k，d的大小可根据实际应用设定，如可以设定为k＝12，d＝12等；

S5.2利用公式(6)求取每一个图像块的像素平均值，

其中，p为大于0的常数，其值可根据实际需要进行设定，如p＝5等；

S5.3根据公式(7)，可实现I_g1图像的阈值化，

本实施例中，优选采用上述自适应阈值化方法I_g1图像进行阈值化，在实际应用时，为简化计算也可采用固定阈值方法实现I_g1图像进行计算，固定阈值可根据经验进行设定如T＝100等。

进一步的，本发明另一实施例还提供了植物叶片图像提取装置。参见图5和图6，本发明实施例提供的装置具体包括如下内容：

所述装置包括采集设备和与其相连的图像处理设备，所述采集设备包采集单元和与其相连的图像库单元，所述图像处理单元包括处理单元和与其连接的阈值计算单元；所述图像库单元分别与阈值计算单元和处理单元相连。

所述采集单元采集含有目标叶片的彩色图像；

所述图像库单元存储所述采集单元采集含有目标叶片的彩色图像；

所述阈值计算单元读取所述图像库单元存储的彩色图像并计算绿色分别与红色和蓝色之间的阈值；

所述处理单元读取图像库单元存储的彩色图像并根据所述阈值计算单元计算得出的阈值对彩色图像进行处理和提取目标叶片。

本发明实施例提供的装置将图像采集设备和图像处理设备集成一体化，构成了一种外观小巧灵活、携带方便的一体化手持设备。该装置可以随时随地拍摄，并能够克服田间复杂环境的干扰，准确、完整的分割出目标叶片区域，实现蔬菜叶片的自动分割。

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。