專利名稱：一種基于導數(shù)光譜法的輕度蟲害葉片的葉脈識別方法
技術領域：
本發(fā)明涉及一種葉脈識別方法，尤其涉及一種基于導數(shù)光譜法的輕度蟲害葉片的葉脈識別方法。
背景技術：
由于植物的復雜性，植物建模比建筑物建模更為困難。建立植物的三維模型抑制是植物學和計算機圖形學等方便的研究熱點，一般可分為微觀和宏觀兩個尺度。微觀尺度建模是根據(jù)細胞、養(yǎng)分和植物生長規(guī)律等建立模型，或者通過具體定義枝干、樹葉和分枝結(jié)構來建立模型。宏觀尺度建模是指建立包含植物的森林、農(nóng)作物、草地等場景。其中，微觀尺度建模注重模型的準確性，要求符合實際情況。葉片葉脈包含了非常重要的植物生理信息，提取植物葉脈是進行植物建模和識別的關鍵步驟，葉脈識別也一直是研究的熱點。隨著計算機處理技術的發(fā)展，基于圖像處理技術的葉脈提取和葉脈建模已成為研究熱點。文獻(2006.Leaf vein extraction using independent component analysis.Proceedings of IEEE Conference on Systems, Man, and Cybernetics.5:3890 — 3894.)用獨立成分分析進行葉脈的提?。晃墨I(2008.基于Hough變換的植物葉脈檢測新方法[J].通訊和計算機.5 :58 - 60.)利用灰度拉伸、Hough變換與邊緣生長、圖像腐蝕與膨脹進行葉脈檢測。文獻(2009.Fast leaf vein extraction using hue and intensityinformation.Proceedings of IEEE International Conference on InformationEngineering and Computer Society.1 — 4.)提出基于SHI彩色空間的快色葉脈提取算法，該算法把樹葉分為葉脈與葉肉顏色相似和不同兩類，對于具有不同顏色的葉子，將HSI彩色空間的色調(diào)分離分為12個顏色區(qū)間，像素點最多的顏色區(qū)間為葉肉像素點，去除葉肉像素點得到葉脈圖像；對于顏色單一的葉子分兩步進行提取，第一步根據(jù)不同顏色葉子的提取方法對H分量圖像提取部分葉脈，第二步先將I分量圖像進行增強，再進行大部分葉脈的提取。文獻(2011.基于改進的Sobel算子和色調(diào)信息相結(jié)合的葉脈提取算法.農(nóng)業(yè)工程學報.27 (7): 196 199.)則提出了一種基于改進的Sobel算子和色調(diào)信息相結(jié)合的葉脈提取算法，對圖像進行改進的Sobel算子的葉脈提取和基于色調(diào)信息的葉脈提取，然后將兩者提取的結(jié)果進行融合獲得最終的葉脈圖像。在以往的相關研究中，采用的實驗對象都是健康的葉片，除了葉脈和葉肉固有的色差外，不存在其他的色差區(qū)域，有利于葉脈的識別。但是在實際應用中，葉片往往都會遭受各種病蟲害的侵擾。遭受蟲害危害的葉片葉綠素分布會不均勻，形成色差，同時會有細小的蟲孔，在執(zhí)行現(xiàn)有的邊緣識別算法時，這些色彩不均勻區(qū)域的邊界和細小蟲孔的邊界很容易與葉脈的邊緣同時被識別出來，難以避開。

發(fā)明內(nèi)容
本發(fā)明提供了一種基于導數(shù)光譜法的輕度蟲害葉片的葉脈識別方法，利用該算法能獲得輕度蟲害葉片的葉脈圖像?；趯?shù)光譜法的輕度蟲害葉片的葉脈識別方法，包括:(I)對原高光譜圖像求一階導數(shù)光譜，獲得680nm處的一階導數(shù)光譜圖像，對該一階導數(shù)光譜圖像進行葉脈提取運算，得到第一葉脈圖像；(2)取原高光譜圖像中640nm、550nm、460nm處單波段圖像組成RGB圖像，再將該RGB圖像轉(zhuǎn)換到HSI空間得到HSI圖像，對HSI圖像中的H分量進行葉脈提取運算，得到第二葉脈圖像；(3)將第一葉脈圖像和第二葉脈圖像進行融合，得到識別后的葉脈圖像。本發(fā)明中所述的輕度蟲害葉片，是指葉脈完整、葉肉被害蟲侵蝕但仍保留至少80%葉肉面積的葉片。對原高光譜圖像求一階導數(shù)光譜是為了將葉肉像素與葉脈像素區(qū)分開。由于單個像素的光譜曲線是由一系列的離散光譜數(shù)據(jù)連成的曲線，因此，對高光譜數(shù)據(jù)進行導數(shù)變換并不等同于數(shù)學意義上的對連續(xù)、可微的函數(shù)進行求導運算，而是在一定尺度的微分窗口下通過一階差商實現(xiàn)對一階求導的近似代替。因此需要對高光譜數(shù)據(jù)先行對數(shù)變換，再行求導變換。對數(shù)變換和導數(shù)變換的公式分別如式(1)，(2)所示。A(A)= Ln[lR(A)](I)；D(A) = [Α(λ)-Α(λ+ω)]ω(2)；

其中，λ表示波長位置，RU)表示波長λ處的原始光譜反射值，Α( λ)為RU)經(jīng)過對數(shù)變換后的數(shù)值，ω表示微分窗口的尺度，DU)表示波長λ處光譜反射值的一階導數(shù)值。在求導變換中，ω的大小對信息提取的有效性起了至關重要的作用。選取較小的微分窗口能夠提供精細的光譜形態(tài)變化信息，但同時也會放大光譜中的高頻噪聲；選取較大的微分窗口時，對曲線有一定的平滑去噪功能(類似于加權平滑)，但微分窗口過大也會將光譜曲線上的拐點和極值點平滑，丟失一定的光譜形態(tài)變化信息，尤其是光譜曲線上凹凸峰處所攜帶的重要信息。作為優(yōu)選，微分窗口的尺度為60個波段。此時光譜曲線較為平滑，且?guī)讉€主要的吸收峰和反射峰也能夠完整保留，葉肉與葉脈像素曲線在680nm處均被明顯區(qū)分開，因此本發(fā)明采用導數(shù)光譜法提取680nm處的一階導數(shù)光譜圖像，在該一階導數(shù)光譜圖像的基礎上進行葉脈提取運算。步驟(I)中，對680nm處的一階導數(shù)光譜圖像進行葉脈提取運算時，依次包括邊緣檢測、線性空間濾波和數(shù)學形態(tài)學處理。邊緣檢測是針對圖像亮度值的不連續(xù)性，通過一階導數(shù)和二階導數(shù)檢測這種不連續(xù)性。圖像處理中選擇的一階導數(shù)是圖像梯度的幅值，二階導數(shù)則常用拉普拉斯算子來計算。邊緣檢測的基本目的是使用如下兩個基本準則之一在圖像中找到亮度快速變化的地方:(I)找到亮度值的一階導數(shù)在幅值上比指定的閾值大的地方；(2)找到亮度值的二階導數(shù)有零交叉的地方。
邊緣檢測主要采用各種算子來凸顯圖像邊緣區(qū)域的像素點，并使圖像二值化。常用的邊緣檢測算子有Sobel算子、高斯型拉普拉斯(LoG)算子、Canny算子等。Sobel算子使用Sobel掩模的近似導數(shù)查找邊緣，適于含噪聲較多且灰度漸變的圖像；LoG算子是使用高斯函數(shù)的拉普拉斯算子對圖像進行卷積以產(chǎn)生雙邊緣圖像，再用零交叉法定位最終邊緣；Canny算子使用帶有指定標準偏差的高斯濾波器來平滑以減少噪聲，通過每一點的局部梯度和邊緣方向來確定邊緣點，然后將這些邊緣細化并執(zhí)行邊緣鏈接已得到最終的邊緣圖像。作為優(yōu)選，本發(fā)明中所述邊緣檢測采用Canny算子，閾值為
, sigma為
1.5。具有該閾值和sigma值的Canny算子對葉脈邊緣的提取效果最佳。對輕度蟲害葉片進行邊緣檢測獲得的圖像中，有許多細小的邊緣曲線是葉片受蟲害后形成的不健康區(qū)域的邊界，需要通過線性空間濾波來去除。所述的線性空間濾波采用式(3)計算:
權利要求
1.一種基于導數(shù)光譜法的輕度蟲害葉片的葉脈識別方法，其特征在于，包括: (1)對原高光譜圖像求一階導數(shù)光譜，獲得680nm處的一階導數(shù)光譜圖像，對該一階導數(shù)光譜圖像進行葉脈提取運算，得到第一葉脈圖像； (2)取原高光譜圖像中640nm、550nm、460nm處單波段圖像組成RGB圖像，再將該RGB圖像轉(zhuǎn)換到HSI空間得到HSI圖像，對HSI圖像中的H分量進行葉脈提取運算，得到第二葉脈圖像； (3)將第一葉脈圖像和第二葉脈圖像進行融合，得到識別后的葉脈圖像。
2.如權利要求1所述的葉脈識別方法，其特征在于，求一階導數(shù)光譜時，微分窗口的尺度為60個波段。
3.如權利要求1所述的葉脈識別方法，其特征在于，步驟(I)中，對680nm處的一階導數(shù)光譜圖像進行葉脈提取運算時，依次包括邊緣檢測、線性空間濾波和數(shù)學形態(tài)學處理。
4.如權利要求3所述的葉脈識別方法，其特征在于，所述的邊緣檢測采用Canny算子，閾值為
, sigma 為 1.5。
5.如權利要求3所述的葉脈識別方法，其特征在于，步驟(I)中，數(shù)學形態(tài)學處理采用交替進行的膨脹處理和腐蝕處理。
6.如權利要求4所述的葉脈識別方法，其特征在于，膨脹處理和腐蝕處理交替的次數(shù)為3 5次。
7.如權利要求1所述的葉脈識別方法，其特征在于，步驟(2)中，對HSI圖像中的H分量進行葉脈提取運算時，依次包括邊緣檢測、閾值分割、線性空間濾波和數(shù)學形態(tài)學處理。
8.如權利要求7所述的葉脈識別方法，其特征在于，進行閾值分割時，閾值為120 130。
9.如權利要求7所述的葉脈識別方法，其特征在于，選取大小為30X30像素的模板進行線性空間濾波。
全文摘要
本發(fā)明提供了一種基于導數(shù)光譜法的輕度蟲害葉片的葉脈識別方法，包括對原高光譜圖像求一階導數(shù)光譜，獲得680nm處的一階導數(shù)光譜圖像，對該一階導數(shù)光譜圖像進行葉脈提取運算，得到第一葉脈圖像；取原高光譜圖像中640nm、550nm、460nm處單波段圖像組成RGB圖像，再將該RGB圖像轉(zhuǎn)換到HSI空間得到HSI圖像，對HSI圖像中的H分量進行葉脈提取運算，得到第二葉脈圖像；將第一葉脈圖像和第二葉脈圖像進行融合，得到識別后的葉脈圖像。與現(xiàn)有技術相比，本發(fā)明對原高光譜圖像分別進行一階導數(shù)變換和HSI彩色空間變換，再進行葉脈提取運算，能夠?qū)p度蟲害葉片進行葉脈識別，識別的葉脈圖像較為清晰。
文檔編號G06K9/46GK103198298SQ20131008653
公開日2013年7月10日 申請日期2013年3月18日 優(yōu)先權日2013年3月18日
發(fā)明者趙蕓, 何勇 申請人:浙江大學