面向LED植物生長柜的葉脈特征提取

崔世鋼　楊莉莉　吳興利　等

摘要：葉菜葉脈突出的形態特征能夠較真實地體現出作物生長的狀態。利用計算機圖像處理技術提取葉脈形態特征，對于及時掌握蔬菜長勢，實現植物生長柜環境智能控制等都具有重要的意義。對比了各通道的直方圖分布后，選擇利用顏色通道組合運算的方法對圖像進行閾值分割，從而得到葉脈和葉片輪廓圖像；然后采用數學形態學處理方法提取葉片整體邊緣，再將二者相減實現葉脈的準確分割和提取。試驗結果表明，利用葉肉與葉脈的顏色差異可以較好地實現葉脈提取。該方法能夠為管理者衡量作物生長及后續決策處理創造條件，適合用于植物生長柜的智能監控。

關鍵詞：葉脈；植物生長柜；顏色直方圖；閾值分割；數學形態學

中圖分類號： S24文獻標志碼： A文章編號：1002-1302（2015）01-0373-03

收稿日期：2014-03-06

項目基金：國家自然科學基金（編號：61275169、61178048）；國家社會科學基金（編號：BFA110049）；天津職業技術師范大學校級基金（編號：KYQD13022）；

作者簡介：崔世鋼（1963—），男，天津人，博士，教授，從事機器人控制、人工智能等方面的研究。E-mial：cuisg@163.com。

通信作者：梁帆，博士，講師，從事現代農業智能環境控制、醫療信號處理及手術機器人跟蹤控制等方面的研究。E-mial：bachelormd10@163.com。隨著工業化的不斷發展，環境污染及土地資源等已成為蔬菜種植面臨的重大問題。LED植物生長柜采用綜合環境控制的方法，在立體多層空間內通過高效利用LED光能，最小限度使用水和肥料，為蔬菜提供安全、舒適的生長環境以實現蔬菜的優質高產。

在植物生長柜管理與應用方面，為了能夠及時掌握蔬菜的生長情況，根據蔬菜生長速度及營養狀況調整植物生長柜環境參數和營養液配置，實現植物生長柜的智能控制，需要對蔬菜葉片特征進行分析。葉片是蔬菜進行光合作用和蒸騰作用的主要器官，通過提取葉片特征能夠直觀地反映出植物的生長速度及營養狀況等信息。在葉類蔬菜的葉片上分布著明顯可見的脈紋（即葉脈），一方面為葉提供水分和無機鹽、輸出光合產物，另一方面支撐著葉片，使之能伸展于空間，保證葉的生理功能順利進行。葉脈結構表征了葉脈系統在葉片里的分布和排列樣式[1-3]，葉脈密度和葉脈直徑共同決定著葉脈系統的水力導度，直接影響到蔬菜葉片對水分和養分的傳輸和吸收，而且葉脈關系到葉片的壽命，一旦葉片受到損傷導致葉脈斷裂，必將阻礙葉片吸收養分和水分，最終必將導致葉片枯死。

由于蔬菜粗大的葉脈在葉片生長發育過程中發揮著極其重要的作用，本研究從葉脈與葉肉的顏色差異入手，通過手機攝像頭采集葉片圖像，利用計算機圖像處理技術分析提取葉脈信息，從而為衡量蔬菜生長狀態、科學管理植物生長柜提供理論依據。

1材料與方法

1.1圖像采集

為實現主葉脈與葉肉有效的分割，以實驗室自主研發的LED植物生長柜中種植的小油菜作為試驗對象。由于植物生長柜中LED燈光分布均勻，在植物向光性的作用下，蔬菜葉片生長較分散，這將有利于圖像采集與特征分析。LED植物生長柜環境如圖1所示。

為實現葉片信息的無損采集，本試驗需要2個人配合拍攝圖像。首先選擇較為平整的葉片，一人將白色背景紙片貼近葉片下表面，使葉片與背景形成鮮明對比；其次為了避免彩色燈光顏色對圖像分析的干擾，選擇關閉植物生長柜內LED紅色和藍色光源，只保留LED白色光源；然后由另一人手持手機，使手機攝像頭的光軸垂直于葉片所在的平面并保持固定距離對其拍攝；最后將采集的葉片圖像傳輸至計算機，保存為.JPG格式，并作適當裁剪，方便后期圖像處理。

1.2顏色模型

區分葉肉與葉脈最直接的方法就是利用2者之間顏色差距。常用的顏色分析模型有RGB模型和HSV模型[4-5]。其中RGB模型是用三維空間中的1個點來表示1種顏色，每個點有3個分量，即R、G、B分別代表該點紅、綠、藍3個通道，取值范圍均為0～255；而HSV模型是從色調（hue，H）、飽和度（saturation，S）和亮度（value，V）的角度來分析處理圖像的，色調H用一角度量來表示，紅、綠、藍分別相隔120度；飽和度S和亮度V的范圍均為0～1。

在蔬菜生長過程中，葉片的顏色會由淺到深發生改變，所以單純依靠單一的通道參數分析葉片不具備通用性。在葉片的圖像分割方面，常用的顏色特征值除了顏色模型的單個分量外，還有超綠、超紅等顏色特征，用以下公式表示：

超綠（extress green）：EG=2G-R-B；（1）

超紅1（extress red 1）：ER1=1.4R-G-B；（2）

超紅2（extress red 2）：ER2=1.4R-G。（3）

通過在公式（1）至公式（3）之間進行數學運算可得到一系列新的顏色值：

NC=0xR+yG+zB<0

xR+yG+zB其他

255xR+yG+zB>255。（4）

1.3圖像分割

為了凸顯葉脈的圖像特征，需要對圖像進行目標分割。閾值分割法是最常用的分割技術之一，其基本原理是通過設定不同的特征閾值，把圖像像素分為若干類[6]。設原始圖像為 f（x，y），按照一定的準則在f（x，y）中找到若干個特征值T1、T2、T3等，將圖像分割為幾部分，分割后的圖像為：

g（x，y）=LN，f（x，y）≥TN

LN1，TN≤f（x，y）

L1，T1≤f（x，y）

L0，f（x，y）≤T1。（5）

通常利用灰度直方圖來求雙峰或多峰，并選擇兩峰之間谷底處的灰度值作為閾值。閾值T的選取是有效分割圖像的關鍵，當選取全局閾值T=T[f（x，y）]對葉脈分割的效果不夠理想時，可以選擇局部閾值T=T[N（x，y），f（x，y）]，不僅考慮圖像中點的灰度值，同時與點的局部鄰域特征相結合，對圖像進行分割處理，其中f（x，y）是點（x，y）的灰度值，N（x，y）是點（x，y）的局部鄰域特性。

1.4形態學處理

數學形態學處理主要以圖像的形態特征為研究對象，它通過設計一整套運算、概念和算法，用以描述圖像的基本特征，理論雖然很復雜，但是基本思想卻簡單而完美。數學形態學的基本變換有膨脹、腐蝕、開運算和閉運算[7-9]，它利用一個稱作結構元素的“探針”收集圖像的信息，當探針在圖像中不斷移動時，便可考察圖像各個部分之間的相互關系，從而了解圖像的結構特征。結構元素通常有線形、圓盤形、矩形等。二維結構元素矩陣由0和1組成，其中數值為1的點決定結構元素的鄰域像素在進行運算時是否參加計算。

腐蝕是把結構元素B平移a后得到Ba，若Ba包含于X，則記下a點。對所有滿足上述條件的a點組成的集合稱做X被B腐蝕的結果，用公式表示為：E（X）={a|Ba∈X}=XθB；膨脹是腐蝕的對偶運算，其定義是把結構元素B平移a后得到Ba，若Ba擊中X，則記下這個a點。對所有滿足上述條件的a點組成的集合稱做X被B膨脹的結果，用公式表示為：D（X）={x|B[x]∩x≠ф}=X⊕B。在數學形態學中，最為重要的2個組合運算是開運算和閉運算。先腐蝕后膨脹稱為開運算，即OPEN（X）=D（E（X）） 。開運算可以消除散點和毛刺，即對圖像進行平滑。先膨脹后腐蝕稱為閉運算，即CLOSE（X）=E（D（X））。 選擇適當的元素結構可以通過閉運算將2個鄰近的目標連接起來。利用形態學膨脹、腐蝕等組合運算可以實現目標對象的圖像填充、邊緣提取以及消除孤立點等功能。

2結果與分析

2.1顏色圖像分析

對采集到的不同成熟度的葉片圖像利用Matlab軟件處理。在分別提取圖像在RGB空間和HSV空間各個分量的灰度圖像以及對應的直方圖分布進行分析后發現，雖然不同，葉片的各個顏色分量分布不同，但是對每個葉片而言，R、G、V 3個分量圖像中葉脈的形態較清晰，直方圖中的波峰和波谷相對其他通道而言對比較明顯，但是實際的葉脈分割效果并不是很理想，由此得出僅對單通道進行葉脈提取的可操作性較低。

因此結合顏色直方圖，本研究選擇將R、G、B 3個通道相互之間組合運算，使其直方圖分布呈現明顯的雙峰型分布（圖2），便于尋找閾值以有效地對葉脈進行分割和提取。

2.2葉脈分割

此時，雖然直方圖雙峰分布明顯，但分布范圍并不均勻，如果將其集中的灰度值均勻地分布開來，葉脈圖像會變得更加清晰。因此，在閾值分割之前先對圖像進行灰度調整，增強葉肉與葉脈的對比度，從而使圖像的分割效果更為理想。

在閾值分割時，根據直方圖中其波谷的位置選擇閾值進行二值化處理，將葉肉的像素設置為0，葉脈的像素設置為1，從而使葉肉與葉脈形成鮮明的對比，如圖3所示。此時得到的圖像包含了葉脈與葉片輪廓，還需進一步處理，其流程圖如圖4所示。

對比多種結構元素之后，選擇半徑為2的圓盤形結構元素對葉片整體的二值化圖像分別進行了膨脹和腐蝕，然后將二者相減得到葉片輪廓的邊緣圖像B。再將原葉脈分割圖像A減去葉片輪廓圖B后，便可得到只含有葉脈形態的圖像C。此時圖像中仍存在有許多孤立點有待去除或者連接，所以還需要對圖像進行開閉等運算，以得到形態結構較為理想的葉脈圖像D，如圖5所示。

3結論與討論

本研究提出的基于顏色特征的葉肉與葉脈分割算法，利用RGB顏色空間中R、G、B 3個顏色通道信息進行組合運算，對采集的葉片圖像進行顏色特征分析和閾值分割，并與數學形態學處理相結合提取出葉脈圖像[10-11]。結果表明，本研究所采用的圖像處理方法能夠有效地提取出葉脈的特征信息。葉脈在葉片生長過程中發揮著結構性支撐、抵御侵害、傳輸養分等功能，可以說決定著蔬菜葉片的一切。對葉脈特征提取和分析是研究植物生長柜內蔬菜栽培等農業應用的重要工作之一，為科學管理作物、實現植物生長柜智能化控制以及促進增產增收提供了技術支持。

參考文獻：

[1]Blonder B，Violle C，Bentley L P，et al. Venation networks and the origin of the leaf economics spectrum[J]. Ecology Letters，2011，14（2）：91-100.

[2]Sack L，Scoffoni C. Leaf venation：structure，function，development，evolution，ecology and applications in the past，present and future[J]. The New Phytologist，2013，198（4）：983-1000.

[3]李樂，曾輝，郭大立. 葉脈網絡功能性狀及其生態學意義[J]. 植物生態學報，2013，37（7）：691-698.

[4]韓殿元，黃心淵，付慧. 基于彩色通道相似性圖像分割方法的植物葉面積計算[J]. 農業工程學報，2012，28（6）：179-183.

[5]李燦燦，孫長輝，王靜，等. 基于改進的Sobel算子和色調信息的葉脈提取方法[J]. 農業工程學報，2011，27（7）：196-199.

[6]王曉峰，黃德雙，杜吉祥，等. 葉片圖像特征提取與識別技術的研究[J]. 計算機工程與應用，2006，42（3）：190-193.

[7]王征. 一種基于數學形態學的邊緣檢測方法[J]. 計算機與數字工程，2012，40（2）：102-104.

[8]王萍，唐江豐，王博，等. 基于數學形態學的植物葉片圖像分割方法研究[J]. 浙江農業學報，2012，24（3）：509-513.

[9]譚峰，高艷萍. 基于圖像的植物葉面積無損測量方法研究[J]. 農業工程學報，2008，24（5）：170-173.

[10]袁道軍，劉安國，劉志雄，等. 利用計算機視覺技術進行作物生長監測的研究進展[J]. 農業網絡信息，2007（2）：21-25.

[11]金秋春，鄭小東，童小利. 多方向Top-Hat變換在葉脈特征提取中的應用研究[J]. 計算機工程與應用，2011，47（4）：195-197.劉艷，許建民，王永平，等. 可控溫度與時間的植物病毒熱鈍化系統[J]. 江蘇農業科學，2015，43（1）：376-380.endprint