基于模糊顺序形态学的植物叶片脉络边缘提取.docxVIP

基于模糊顺序形态学的植物叶片脉络边缘提取徐艳蕾1，2，贾洪雷1※，包佳林2（1.吉林大学工程仿生教育部重点实验室，长春 130025； 2.吉林农业大学信息技术学院，长春 130118）摘要：植物叶片是作物分类和识别的简单有效方法，叶片的脉络和边缘特征提取是识别叶片的基础步骤。植物叶片图像通常受噪声影响，提取清晰的脉络和边缘比较困难，该文提出了基于模糊顺序形态学的植物叶片脉络边缘特征提取方法。首先，根据像素邻域特性，利用植物叶片脉络边缘及内部区域的差异性，构造了隶属度函数；然后，依据Sugeno模糊模型，定义了能够增大叶片脉络边缘和内部区域差异的模糊规则，进行模糊推理；该文采用了抑制噪声特别有效的顺序形态学边缘检测算子，对图像进行脉络边缘提取，最终得到植物叶片脉络和边缘信息图像。试验结果表明，该文方法克服了自然环境中噪声的影响，提取的植物叶片脉络和边缘更加清晰、定位更加准确。关键词：植物叶片；脉络边缘提取；隶属函数；模糊规则；顺序形态学中图分类号：TP391文献标志码：A文章编号：201503239徐艳蕾，贾洪雷，包佳林.基于模糊顺序形态学的植物叶片脉络及边缘提取 [J].农业工程学报，2015，()：-Xu Yanlei, Jia Honglei, Bao Jialin. Plant leaf vein and edge detection based on the fuzzy order morphology [J]. Transactions of the CSAE, 2015,()：- (in Chinese with English abstract)0 引言植物的识别和分类有多种依据，叶片相较于其他器官根、茎、果实等，生存周期长有更强的稳定性，是作物分类的一种简单有效的依据方法[1]。叶片通过光合作用为植物生长提供营养，通过对叶片的规律统计，根据其自身特性，例如叶片脉络和边缘特征等，与植株生长状况例如营养、病虫害、作物产量等的相关性研究，可以为大田精准农、林业的作业提供理论指导，因而如何获取田间叶片性状参数具有重大意义[2]。田间植物叶片的脉络和边缘检测是实现叶片农、林学性状参数提取的基础步骤，但是由于田间植物叶片图像通常受噪声的影响，在图像采集及处理的过程中，存在很多不确定性因素，因此迫切需要寻求一种针对田间植物叶片图像脉络和边缘特征提取的方法。传统的图像边缘检测算法有：Roberts 算法、Sobel算法、Prewitt 算法、Canny算法等方法。Roberts算子[3]定位比较精确，但是算法中未作平滑处理，因此该方法对于噪声比较敏感，识别能力较差。Sobel算子[4]为一阶微分算子，采用平均滤波的方法，对噪声具有平滑作用，但是存在边缘不完整，有断裂点的缺点。Prewitt算子[5]也是一阶微分算子，采用加权平均滤波，对低噪声图像有较好处理效果，但复杂噪声图像处理效果并不理想，同样存在伪边缘和断裂现象。对于二维图像，Canny算子[6]的边缘检测和定位性能要好，有较强的抵抗噪声的能力但是缺点是在无噪声时反而会模糊了图像的边缘，其最优化的思想在实际应用不如理论效果好。总之，传统算法的抗干扰性差，易受噪声影响，从而导致边缘漏缺不完整，很难检测出复杂边缘和细微的叶片脉络，不适用于复杂背景下大田植物的叶片特征提取[7]。近年来涌现了一些新的植物叶片脉络及边缘提取方法，主要有神经网络、模糊理论及数学形态学等。很多学者进行了神经网络在叶脉提取方面的研究[8-11]，该类方法通过神经元的选取、合理设计学习的层数及其他神经网络参数，能够提取较为理想的叶片脉络和边缘信息，但是比较耗时。数学形态学检测边缘主要是依据结构元素与图像间的相互作用，通过膨胀、腐蚀等算子得到图像边缘信息，目前没有明确的方法来针对不同的图像选取恰当的结构元素，且固定、单一的结构元素也不能完全检测到边缘[12-13]。Pal 和 King 等最先将模糊理论的思想用于图像的边缘检测算法中[14]，近年来很多学者基于模糊理论提出来一些边缘检测算法[15-19]，这些算法普遍的缺点是计算复杂，对于低灰度值边缘信息不能很好的保持。对于模糊理论在植物叶片脉络和边缘检测方面的研究，林开颜等[20]提出了基于模糊逻辑的植物叶片边缘检测方法，李灿灿等[21]提出了基于K-means 聚类的植物叶片图像叶脉提取，这些算法能有效地提取叶片的叶脉和边缘，但是对于叶片的颜色有要求，对于颜色稍黄的叶片提取效果不理想。近年来，顺序形态学在图像边缘检测中的应用得到了深入的研究并取得了丰硕的成果，尤其对于含有噪声的图像，顺序形态学更是显示了它的优越性[22]。但是目前还没有相关的研究将模糊理论和顺序形态学结合在一起，对植物叶片图像进行脉络和边缘提取。本文将模糊理论和顺序形态学结合，提出了