摘要:植物葉片圖像的預處理是進行葉形特征提取和識別的重要前提,獲得高質量的預處理葉片圖像對計算機輔助植物識別十分重要。本文提出了基于數學形態學的植物葉片圖像的預處理方法,運用數學形態學中的開運算和閉運算消除圖像中的孤立噪聲點并填補葉片內部孔洞。該方法保持了原圖像的基本形狀特征并能獲得清晰的邊緣,為葉片特征提取創造了良好的前提。
關鍵詞:植物葉片圖像;圖像預處理;數學形態學;邊緣檢測;特征提取
中圖分類號:S126
文獻標識碼:B
文章編碼:1672-6251(2008)01-0004-05
1 引言
對植物進行分類研究是進行植物保護的重要前提,隨著近年來計算機技術的高速發展,圖像處理與識別技術逐步開始應用于這項研究,隨之提出了計算機輔助植物識別、植物葉形的計算機識別等一些系統。
葉片特征是植物分類和識別的重要依據,因此從植物葉片人手對葉片圖像進行特征提取,將為植物分類識別提供方法依據。由于實際中得到的植物葉片圖像千差萬別并且包含有大量的背景成分,因此在進行圖像分析之前。首先要對其進行預處理。預處理效果的好壞直接影響后面葉片形狀特征的提取,因此選取一種好的預處理方法尤為重要。數學形態學(Mathematical Morohology)是一種應用于圖像處理和模式識別領域的新方法。是生物學的一個分支,常用來處理動物和植物的形狀和結構。本文依據數學形態學對植物葉片圖像進行預處理。能夠保證預處理后的葉片圖像具有基本的形狀特征和清晰的邊緣。
2 預處理模型
由于實際中得到的植物葉片圖像千差萬別并且包含有大量的背景成分,因此在進行圖像分析之前,首先要對其進行預處理,一般的預處理過程主要包括消除噪聲、去除背景和邊緣檢測三個環節。某些植物葉片可能由于遭到蟲子的侵蝕或其他一些原因,在去除背景后會在葉片目標的內部存在小的孔洞,這將影響后面的處理,并導致不能準確提取葉片特征。為此本文建立的預處理模型在去除背景之后又對圖像進行了數學形態處理,利用數學形態學的閉運算進行處理,消除葉片內部的孔洞。
根據上述思想,植物葉片圖像的預處理過程如圖1所示。
3 植物葉片圖像的預處理實現
3.1 消除噪聲
一幅圖像在實際應用過程中可能存在各種各樣的噪聲,這些噪聲可能在傳輸中產生,也可能在量化等處理中產生。植物葉片圖像也是一樣,在獲取過程中會產生各種不同的噪聲,因此必須對其進行消噪處理。
消噪的目的是在盡可能保持原始信號主要特征的同時,除去信號中的噪聲。圖像中的噪聲往往是和圖像信息交織在一起,如果濾除不當,會使圖像質量下降,所以如何既能濾除掉圖像中的噪聲,又能盡量保持圖像細節,是圖像消噪研究的關鍵內容之一。目前常用的消噪方法主要有鄰域平均法和中值濾波法。領域平均法對抑制噪聲是有效的,但它選擇的是低通濾波器,而通常圖像中的邊緣信息里含有大量的高頻信息。所以在去噪的同時也使邊界變得模糊。中值濾波法采用一種非線性平滑濾波器,它與鄰域平均法的不同之處在于,中值濾波器的輸出像素值是由鄰域像素的中間值決定而不是平均值決定的。中值濾波法運算簡單、速度快,并且在濾除噪聲的同時能很好地保護信號的細節信息,在一定條件下,可以克服線性濾波器所帶來的圖像細節模糊。
植物葉片圖像中的細節信息對于特征提取來說是很重要的,因此本文選用中值濾波法對圖像進行。
3.2 去除背景
去除背景即把葉片與背景分開形成二值圖像,以便進行后期的邊緣檢測和形狀特征參數計算。精確地分開前景與背景其關鍵是選取合適閾值。由于不同的圖像其分割閾值不盡相同,因此必須針對不同圖像進行計算求得閾值,為了使算法具有自適應性和較快的運算速度,選取迭代閾值選擇法計算閾值日。算法步驟如下:
3.3 數學形態學處理
經過消噪和去除背景處理后的葉片圖像中。可能會存在一些孤立的噪聲點,或者由于所選取的葉片本身受到過害蟲侵蝕而導致在葉片內部存在一些孔洞,這些都將影響葉片特征參數的精確計算。因此必須對去除背景后的圖像進行進一步的處理,以消除孤立噪聲點和葉片內部孔洞,得到完整、精確的二值化葉片圖像。本文選用了數學形態學的方法進一步處理圖像。
數學形態學基于對圖像形態特征進行分析,其中定義了兩種基本的變換,即腐蝕和膨脹,形態學的其他運算都是由這兩種基本運算復合而成。
腐蝕表示用某個結構元素對一幅圖像進行探測,找出在圖像內部可以放下該結構元素的區域。定義如下:
本文選用數學形態學里的閉運算去除葉片孔洞,閉運算定義為一個膨脹運算緊接一個腐蝕運算。先對去除背景的二值化葉片圖像進行膨脹運算,再進行腐蝕運算,經過多次處理之后,即可消除葉片中的孔洞。同時為了消除圖像中的孤立噪聲點,文中使用數學形態學中的開運算,即對圖像先進行腐蝕運算,再進行膨脹運算,多次處理之后,即可消除圖像中的孤立噪聲點。
3.4 邊緣檢測
葉片邊緣含有豐富的形態信息,通過其邊緣來計算形狀特征比通過葉片本身計算來說計算量要小一些,在大批量的葉片樣本處理情況下更是明顯節約了時間,因此需要進一步提取葉片的邊緣。
一般來說,對檢測出的邊緣有以下幾項要求:(1)邊緣的定位精度要高,不發生邊緣漂移;(2)不同尺度的邊緣應有良好的響應,并盡量減少漏檢:(3)應對噪聲不敏感,不致因噪聲造成虛假檢測;(4)檢測靈敏度應受邊緣方向影響小。為精確地檢測葉片的邊緣,本文選用邊緣跟蹤法檢測出邊緣。算法思想是將二值化后的圖像里葉片目標的每個像素點考慮跟蹤其8個方向的鄰域,假設構成葉片像素的灰度值為1,背景灰度值為O,則對某灰度值為1的像素點作如下判決:
If當前像素點8個方向上的鄰域點有0像素點,則該像素點為邊緣點:
EIse該像素點不是邊緣點。
當對圖像中像素點全部搜索完畢,既可提取出葉片完整的邊緣。
4 仿真結果
選取一幅像素為512×384的背景相對復雜的葉片圖像進行仿真實驗,仿真結果如圖2所示。
在對背景相對復雜的葉片圖像進行降噪處理時,由于圖像中的葉片對象的灰度值高而背景的灰度值低,所以需要對圖像進行灰度變換,將葉片圖像的灰度范圍調整到整個[0,1]的區域,圖2(c)為灰度變換后的圖像。經迭代二值化后可以發現葉片目標存在孔洞并且圖像中包括孤立噪聲點,如圖2(e)所示。經閉預算和開運算后,消除了葉片目標中的孔洞和圖像中的孤立圖2(h)所示圖像提取了完整的葉片邊緣。
仿真結果表明,由數學形態學中的膨脹運算和腐蝕運算結合而成的閉運算和開運算,對填補葉片內因為遭受蟲子的侵蝕或其他原因而形成的孔洞以及殘留的孤立噪聲點均能達到很好的處理效果。
5 結論
本文針對植物葉片圖像的預處理算法進行了研究,采取數學形態學的方法提高處理效果。實驗表明該方法能夠獲得具有基本形狀特征和清晰邊緣的葉片圖像,為葉片圖像的特征提取提供了優質的素材。該項研究為未來“數字農業”和“數字林業”的發展增添了新的內容。.