本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，具體涉及一種植物葉片圖像提取方法及裝置。

背景技術(shù)：

病害是影響蔬菜水果等植物生產(chǎn)過程中及產(chǎn)量的一個重要因素。傳統(tǒng)的病害診斷方法采用人工觀測的方式，即田間農(nóng)業(yè)人員根據(jù)自身經(jīng)驗(yàn)、病理學(xué)知識實(shí)地調(diào)研或采集病害葉片來進(jìn)行植物病害種類及病級的診斷。這種人工觀測的方式不僅工作量大、效率低下、部分操作對作物具有一定的損傷，而且受到農(nóng)業(yè)人員專業(yè)知識的限制。

隨著計算機(jī)技術(shù)的發(fā)展，利用圖像處理技術(shù)和模式識別技術(shù)實(shí)現(xiàn)對植物病害的智能化診斷已經(jīng)變成了新的技術(shù)途徑。該方法主要通過移動終端或者圖像采集設(shè)備采集植物葉片的圖像，在圖像上提取目標(biāo)葉片，然后對目標(biāo)葉片進(jìn)行智能識別，實(shí)現(xiàn)病害種類及病級的準(zhǔn)確診斷，為指導(dǎo)農(nóng)業(yè)人員采取合理的防治措施提供依據(jù)。因此，從采集的植物葉片圖像中準(zhǔn)確地提取出目標(biāo)葉片是實(shí)現(xiàn)病害智能診斷的關(guān)鍵。但是，由于植物生長環(huán)境復(fù)雜、干擾因素眾多，且采集的葉片圖像中含有多張相互遮擋的葉片，難以從眾多的葉片中準(zhǔn)確地分割出目標(biāo)葉片。目前，已有的相關(guān)技術(shù)主要側(cè)重于植物病斑的分割、病害的識別等方面，仍缺少一種行之有效的田間植物葉片圖像分割方法。因此，需要研究一種適應(yīng)于田間植物葉片圖像的分割方法，是目前業(yè)界亟待解決的技術(shù)課題。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供一種植物葉片圖像提取方法及裝置，可以將彩色圖像中的植物葉片從背景中分離出來并提取植物葉片中的目標(biāo)葉片。

為實(shí)現(xiàn)上述目的，本發(fā)明提供一種植物葉片圖像提取方法，該方法包括如下步驟：

S1提取圖像庫中包含目標(biāo)葉片的彩色圖像I₁，將含有目標(biāo)葉片的彩色圖像I₁進(jìn)行歸一化轉(zhuǎn)換處理并得到處理后的圖像I₂；

S2提取圖像I₂在紅色、綠色和藍(lán)色三個顏色通道上的子圖像得到提取后的圖像I_r,I_g,I_b；根據(jù)綠色分別與紅色和藍(lán)色之間的閾值θ₁和閾值θ₂，實(shí)現(xiàn)對圖像I_g的閾值化并得到閾值化后的圖像I_g1；

S3使用Sobel模板，計算圖像I_g1分別在8方向上的二值圖像S₈和在4方向上的二值圖像S₄；

S4將二值圖像S₈上的每一個像素與二值圖像S₄上對應(yīng)的每一個像素進(jìn)行差值運(yùn)算并取絕對值，差值并取絕對值運(yùn)算的結(jié)果形成的圖像為邊緣圖像I_g2；

S5將圖像I_g1中與邊緣圖像I_g2中值為1的像素點(diǎn)相對應(yīng)的像素點(diǎn)的值置為0，采用自適應(yīng)閾值化法對圖像I_g1進(jìn)行閾值化，形成圖像I_g3；

S6采用水平集算法對圖像I_g3中的像素進(jìn)行擬合，并提取擬合后圖像中輪廓最大的圖像，即為目標(biāo)葉片的圖像。

采用雙線性插值方法將所述彩色圖像I₁歸一化為L×H大小的圖像I₂，其中L、H分別為圖像I₂的寬度和高度，其單位為像素。

S2中所述閾值θ₁和閾值θ₂的計算方法包括如下步驟：

S2.1從M幅包含目標(biāo)葉片的彩色圖像的圖像庫中選取一幅含有目標(biāo)葉片的圖像I_i，并提取圖像I_i在紅、綠、藍(lán)三個顏色通道上的子圖像I_ri,I_gi,I_bi，其中i,M均為正整數(shù)且1≤i≤M；

S2.2分別將圖像I_ri,I_gi,I_bi轉(zhuǎn)化為直方圖Im_ri,Im_gi,Im_bi，其中直方圖Im_ri,Im_gi,Im_bi的橫坐標(biāo)是灰度值，范圍為0～255；縱坐標(biāo)為所述圖像I_ri,I_gi,I_bi中各灰度值出現(xiàn)的概率；

S2.3分別提取直方圖Im_ri,Im_gi,Im_bi中出現(xiàn)概率最大的灰度值R_i,G_i,B_i，按照公式(1)進(jìn)行閾值的計算：

θ_1i＝G_i-R_i；θ_2i＝G_i-B_i； (1)

其中，θ_1i為含有目標(biāo)葉片的第i幅圖像中綠色與紅色之間的閾值，θ_2i為含有目標(biāo)葉片的第i幅圖像中綠色與藍(lán)色之間的閾值；

S2.4重復(fù)步驟S2.1～S2.3，直至對所述圖像庫中的所述M幅含有目標(biāo)葉片的彩色圖像進(jìn)行閾值計算；

S2.5將計算得到的M個閾值θ_1i和閾值θ_2i分別進(jìn)行概率統(tǒng)計，分別選取概率排在前N位的閾值θ_1i和閾值θ_2i的值，按照公式(2)進(jìn)行閾值θ₁和閾值θ₂的計算：

其中，S、T分別是排在N位的閾值θ_1i和閾值θ_2i的值的個數(shù)，N、S、T為正整數(shù)。

所述閾值θ₁等于10，所述閾值θ₂等于15。

按照公式(3)將S2中所述圖像I_g的閾值化并形成圖像I_g1；

S3中所述二值圖像S₈和所述二值圖像S₄的計算方法包括如下步驟：

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

S3.2計算圖像I_g1分別在S3.1中8個方向上的濾波圖像F₀，F(xiàn)_22.5，F(xiàn)₄₅，F(xiàn)_67.5，F(xiàn)₉₀，F(xiàn)_112.5，F(xiàn)₁₃₅和F_157.5；

S3.3根據(jù)公式(4)計算圖像IM；

其中，sqrt()為平方根函數(shù)，w_a(1≤a≤8)為各方向?yàn)V波圖像的權(quán)重；

S3.4根據(jù)最大類間方差法對圖像IM進(jìn)行閾值化，形成二值圖像S₈；

S3.5確定所述S3中4方向的角度分別為0°，45°，90°和135°；

S3.6計算圖像I_g1分別在S3.5中4個方向上的濾波圖像F₀，F(xiàn)₄₅，F(xiàn)₉₀和F₁₃₅；

S3.7根據(jù)公式(5)計算二值圖像S₄：

所述各方向?yàn)V波圖像的權(quán)重的值均為0.125，或

突出某個方向上的濾波圖像，則該方向的濾波圖像的權(quán)重值為0.5。

S5中所述自適應(yīng)閾值化法包括如下步驟：

S5.1將葉片圖像劃分為k×d大小的圖像塊；

S5.2根據(jù)公式(6)求取每一個圖像塊的像素平均值，

其中，p為大于0的常數(shù)；

S5.3根據(jù)公式(7)，可實(shí)現(xiàn)圖像I_g1的閾值化，

所述k等于12，d等于12，p等于5。

S6中采用DRLSE水平集算法實(shí)現(xiàn)對圖像I_g3中的像素進(jìn)行擬合，提取圖像中輪廓最大的圖像，即為目標(biāo)葉片的圖像。

另一方面，本發(fā)明提供了一種植物葉片圖像提取裝置，所述裝置包括采集設(shè)備和與其相連的圖像處理設(shè)備，所述采集設(shè)備包采集單元和與其相連的圖像庫單元，所述圖像處理單元包括處理單元和與其連接的閾值計算單元；所述圖像庫單元分別與閾值計算單元和處理單元相連。

所述采集單元采集含有目標(biāo)葉片的彩色圖像；

所述圖像庫單元存儲所述采集單元采集含有目標(biāo)葉片的彩色圖像；

所述閾值計算單元讀取所述圖像庫單元存儲的彩色圖像并計算綠色分別與紅色和藍(lán)色之間的閾值；

所述處理單元讀取圖像庫單元存儲的彩色圖像并根據(jù)所述閾值計算單元計算得出的閾值對彩色圖像進(jìn)行處理和提取目標(biāo)葉片。

由上述技術(shù)方案可知，本發(fā)明提供了一種植物葉片圖像提取方法及裝置，利用紅綠藍(lán)顏色通道上的子圖像，進(jìn)行閾值化處理，能夠克服田間復(fù)雜環(huán)境的干擾，準(zhǔn)確、完整的分割出葉片區(qū)域，實(shí)現(xiàn)蔬菜葉片的自動分割并獲得理想的二值圖像。在獲取二值圖像后，對二值圖像中的像素點(diǎn)進(jìn)行擬合并提取目標(biāo)葉片。采用本發(fā)明技術(shù)方案中的方法不僅可以提高葉片邊緣檢測的精度降低葉片識別錯誤的概率，還能夠應(yīng)用于智能手機(jī)等移動終端，適合田間操作，拓寬了該方法的應(yīng)用范圍。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明提供的植物葉片圖像提取方法的流程圖；

圖2是本發(fā)明提供的植物葉片圖像提取方法中步驟S2的流程圖；

圖3是本發(fā)明提供的植物葉片圖像提取方法中步驟S3的流程圖；

圖4是本發(fā)明提供的植物葉片圖像提取方法中步驟S5的流程圖；

圖5是本發(fā)明提供的植物葉片圖像提取裝置的連接示意圖；

圖6是本發(fā)明提供的植物葉片圖像提取裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整的描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

隨著計算機(jī)技術(shù)的發(fā)展，利用圖像處理技術(shù)和模式識別技術(shù)實(shí)現(xiàn)對植物病害的智能化診斷已經(jīng)變成了新的技術(shù)途徑。該方法主要在葉片圖像上提取目標(biāo)葉片，然后對目標(biāo)葉片進(jìn)行智能識別，實(shí)現(xiàn)病害種類及病級的準(zhǔn)確診斷。但是，由于植物生長環(huán)境復(fù)雜、干擾因素眾多，且采集的葉片圖像中含有多張相互遮擋的葉片，難以從眾多的葉片中準(zhǔn)確地分割出目標(biāo)葉片。為了解決該問題，本發(fā)明下述實(shí)施例提出了一種植物葉片圖像提取方法及裝置。

圖1示出了本發(fā)明實(shí)施例提供的植物葉片圖像提取方法的流程圖，參見圖1，本發(fā)明提供的植物葉片圖像提取方法包括如下步驟：

S1提取圖像庫中包含目標(biāo)葉片的彩色圖像I₁，將含有目標(biāo)葉片的彩色圖像I₁進(jìn)行歸一化轉(zhuǎn)換處理并得到處理后的圖像I₂；

在本步驟中，包含目標(biāo)葉片的彩色圖像可以通過攝像機(jī)或者手機(jī)等具有采集圖像功能的設(shè)備采集并存入到圖像庫中。其中，彩色圖像中除了植物葉片還可能會包含地面、花朵、地膜等背景，本實(shí)施例的方法需要將圖像中完整的蔬菜葉片從背景中分離出來。

優(yōu)選地，利用雙線性插值方法將所述彩色圖像歸一化為L×H大小的圖像，其中L、H分別為放縮后圖像的寬度和高度，其單位為像素，其值可根據(jù)實(shí)際應(yīng)用情況設(shè)定，如原始彩色圖像大小為4160×3120放縮后的圖像大小為416×312。

S2提取圖像I₂在紅色、綠色和藍(lán)色三個顏色通道上的子圖像得到提取后的圖像I_r,I_g,I_b；根據(jù)綠色分別與紅色和藍(lán)色之間的閾值θ₁和閾值θ₂，實(shí)現(xiàn)對圖像I_g的閾值化并得到閾值化后的圖像I_g1；

S3使用Sobel模板，計算圖像I_g1分別在8方向上的二值圖像S₈和在4方向上的二值圖像S₄；

S4將二值圖像S₈上的每一個像素與二值圖像S₄上對應(yīng)的每一個像素進(jìn)行差值運(yùn)算并取絕對值，差值并取絕對值運(yùn)算的結(jié)果形成的圖像為邊緣圖像I_g2；

在本步驟中，邊緣圖像I_g2是一個最大值為1，最小值為0的二值圖像；

S5將圖像I_g1中與邊緣圖像I_g2中值為1的像素點(diǎn)相對應(yīng)的像素點(diǎn)的值置為0，采用自適應(yīng)閾值化法對圖像I_g1進(jìn)行閾值化，形成圖像I_g3；

S6采用水平集算法對圖像I_g3中的像素進(jìn)行擬合，并提取擬合后圖像中輪廓最大的圖像，即為目標(biāo)葉片的圖像。

在本步驟中，水平集算法是一種能夠很好提取目標(biāo)輪廓的算法，在本實(shí)例中，我們優(yōu)選采用了一種無需重新初始化的水平集方法—DRLSE算法，實(shí)現(xiàn)對I_g3中像素的擬合，其中提取圖像中最大的輪廓，即為目標(biāo)葉片。此外，也可以采用其它水平集算法或者鏈碼提取的方法實(shí)現(xiàn)對輪廓的提取。

從上述描述可知，本發(fā)明實(shí)施例提供的植物葉片圖像提取方法能夠克服田間復(fù)雜環(huán)境的干擾，準(zhǔn)確、完整的分割出葉片區(qū)域，實(shí)現(xiàn)蔬菜葉片的自動分割。

進(jìn)一步地，在本發(fā)明實(shí)施例二中給出上述步驟S2的一種具體實(shí)現(xiàn)方式。參見圖2，上述步驟S2具體實(shí)現(xiàn)過程如下：

S2.1從具有M幅只包含植物葉片彩色圖像的圖像庫中隨機(jī)選取一幅不重復(fù)的植物葉片圖像I_i(1≤i≤M)，并分成紅、綠、藍(lán)三個顏色通道上的子圖像I_ri,I_gi,I_bi，其中M的個數(shù)可根據(jù)實(shí)際情況進(jìn)行設(shè)定，如M＝100；

S2.2分別將I_ri,I_gi,I_bi三幅子圖像轉(zhuǎn)化為直方圖Im_ri,Im_gi,Im_bi，其中橫坐標(biāo)是灰度值，范圍為0～255，縱坐標(biāo)為所述I_ri,I_gi,I_bi三幅子圖像中各灰度值出現(xiàn)的概率；

S2.3分別取Im_ri,Im_gi,Im_bi直方圖中出現(xiàn)概率最大的灰度值R_i,G_i,B_i，按照公式(1)進(jìn)行閾值的計算：

θ_1i＝G_i-R_i；θ_2i＝G_i-B_i； (1)

S2.4重復(fù)步驟S2.1～S2.3，直至對所述圖像庫中的所述M幅植物葉片彩色圖像進(jìn)行閾值的計算；

S2.5將計算得到的M個θ_1i,θ_2i分別進(jìn)行概率統(tǒng)計，分別選取概率排在前N位的θ_1i,θ_2i的值，按照公式(2)進(jìn)行θ₁,θ₂的計算：

其中，S、T分別是排在N位的θ_1i,θ_2i的值的個數(shù)，其中N的值可根據(jù)實(shí)際需要進(jìn)行設(shè)定，如N＝10。

S2.6圖像I_g閾值化形成圖像I_g1，過程如公式(3)所示：

進(jìn)一步地，在本發(fā)明中給出實(shí)現(xiàn)上述步驟S2中計算閾值θ₁和閾值θ₂的另一種具體方式，具體實(shí)現(xiàn)過程如下：

為簡化計算過程，閾值θ₁和閾值θ₂的值也可根據(jù)經(jīng)驗(yàn)或者綠色的顏色范圍進(jìn)行設(shè)定，如θ₁＝10，θ₂＝15。

進(jìn)一步地，在本發(fā)明實(shí)施例三中給出上述步驟S3的一種具體實(shí)現(xiàn)方式。參見圖3，上述步驟S3具體實(shí)現(xiàn)過程如下：

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

本實(shí)施例中，優(yōu)選采用的8方向模板為：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分別為0°，22.5°，45°，67.5°，90°，112.5°，135°，157.5°所對應(yīng)的模板，8方向模板為也可根據(jù)經(jīng)驗(yàn)進(jìn)行設(shè)定；

S3.2)圖像I_g1分別采用上述8個方向的模板，計算其相應(yīng)的濾波圖像F₀，F(xiàn)_22.5，F(xiàn)₄₅，F(xiàn)_67.5，F(xiàn)₉₀，F(xiàn)_112.5，F(xiàn)₁₃₅，F(xiàn)_157.5；

S3.3根據(jù)公式(4)計算邊緣的圖像IM：

其中，sqrt()為平方根函數(shù)，為各方向?yàn)V波圖像的權(quán)重，其值可根據(jù)實(shí)際情況進(jìn)行設(shè)定，如所有權(quán)值均采用0.125或者為突出某個方向上的邊緣圖像加重該方向權(quán)重的比例，例如突出135°方向上邊緣可令權(quán)重w₇＝0.5。

本實(shí)施例中，優(yōu)選地，采用最大類間方差法對IM圖像進(jìn)行閾值化，形成最大值為1、最小值為0的二值圖像S₈，也可以根據(jù)經(jīng)驗(yàn)采用固定閾值的方法，如設(shè)定閾值θ_s＝240等。

S3.4根據(jù)公式(5)計算二值圖像S₄：

本實(shí)施例中，S₄優(yōu)先選用了4個方向各濾波圖像的交集，在實(shí)際應(yīng)用時，也可以選擇8個方向上各濾波圖像的交集或者8個方向?yàn)V波圖像自由組合的交集。

進(jìn)一步地，在本發(fā)明實(shí)施例四中給出上述步驟S5的一種具體實(shí)現(xiàn)方式。參見圖4，上述步驟S5具體實(shí)現(xiàn)過程如下：

S5.1將蔬菜葉片圖像劃分為k×d大小的圖像塊，其中k，d的大小可根據(jù)實(shí)際應(yīng)用設(shè)定，如可以設(shè)定為k＝12，d＝12等；

S5.2利用公式(6)求取每一個圖像塊的像素平均值，

其中，p為大于0的常數(shù)，其值可根據(jù)實(shí)際需要進(jìn)行設(shè)定，如p＝5等；

S5.3根據(jù)公式(7)，可實(shí)現(xiàn)I_g1圖像的閾值化，

本實(shí)施例中，優(yōu)選采用上述自適應(yīng)閾值化方法I_g1圖像進(jìn)行閾值化，在實(shí)際應(yīng)用時，為簡化計算也可采用固定閾值方法實(shí)現(xiàn)I_g1圖像進(jìn)行計算，固定閾值可根據(jù)經(jīng)驗(yàn)進(jìn)行設(shè)定如T＝100等。

進(jìn)一步的，本發(fā)明另一實(shí)施例還提供了植物葉片圖像提取裝置。參見圖5和圖6，本發(fā)明實(shí)施例提供的裝置具體包括如下內(nèi)容：

所述裝置包括采集設(shè)備和與其相連的圖像處理設(shè)備，所述采集設(shè)備包采集單元和與其相連的圖像庫單元，所述圖像處理單元包括處理單元和與其連接的閾值計算單元；所述圖像庫單元分別與閾值計算單元和處理單元相連。

所述采集單元采集含有目標(biāo)葉片的彩色圖像；

所述圖像庫單元存儲所述采集單元采集含有目標(biāo)葉片的彩色圖像；

所述閾值計算單元讀取所述圖像庫單元存儲的彩色圖像并計算綠色分別與紅色和藍(lán)色之間的閾值；

所述處理單元讀取圖像庫單元存儲的彩色圖像并根據(jù)所述閾值計算單元計算得出的閾值對彩色圖像進(jìn)行處理和提取目標(biāo)葉片。

本發(fā)明實(shí)施例提供的裝置將圖像采集設(shè)備和圖像處理設(shè)備集成一體化，構(gòu)成了一種外觀小巧靈活、攜帶方便的一體化手持設(shè)備。該裝置可以隨時隨地拍攝，并能夠克服田間復(fù)雜環(huán)境的干擾，準(zhǔn)確、完整的分割出目標(biāo)葉片區(qū)域，實(shí)現(xiàn)蔬菜葉片的自動分割。

以上實(shí)施例僅用于說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。