植物叶片计算机数字图像的形态学分析

本科毕业论文植物叶片计算机数字图像的形态学分析学院名称专业名称自动化论文提交日期2013年5月14日论文答辩日期2011年5月17日摘要植物叶片数字图像的形态学分析主要包括图像的获取，植物叶片图像的预处理，植物叶片的特征提取。叶片图像的获取方法一般有直接拍摄的24位彩色图像、用扫描仪扫描得到的8位图像。本文进行分析所采用的植物叶片是24位彩色图像。植物叶片图像的预处理是进行叶形特征提取和识别的重要前提,获得高质量的预处理叶片图像对计算机辅助植物识别十分重要。本文提出了基于数学形态学的植物叶片图像的预处理方法,运用二值化分割可以得到叶片图像的轮廓。运用数学形态学中的开运算和闭运算消除图像中的孤立噪声点并填补片内部孔洞。该方法保持了原图像的基本形状特征并能获得清晰的边缘,为叶片几何特征提取创造了良好的前提。而在边缘检测方面，本文就目前常用的6种算法一一进行了仿真分析。在不同的研究领域上，植物叶片的特征也有不同的归纳方法，本文将对一些植物叶片的主要特征的提取方法进行简略介绍，并通过编程对一些常用的几何特征进行提取。目前人们对植物叶片的研究大都局限在植物叶片的轮廓，极少提及对植物叶脉的研究。本文着重分析植物的叶脉的提取以及级数分析。由于作者编程水平有限，部分算法未能实现仿真。关键词：植物叶片预处理形态学处理特征提取PlantleavesthecomputerdigitalimageanalysisofthemorphologyJean·Wang(CollegeofEngineering,SouthChinaAgriculturalUniversity,Guangzhou510642,China)Plantleavesdigitalimagemorphologyanalysismainlyincludesimageacquisition,plantleafimagepreprocessing,featureextractionofplantleaves.Ingeneral,leafimageacquisitionmethodincludingtakingpicturesandscanningwiththescanner.Thispaperanalyzedtheuseofplantleavesis24bitcolorimages,Whichistakenbycamera.Preprocessingofleafimageistheimportantpreconditionforfeatureextractionandrecognition.Itisimportantforcomputer-aidedplantidentificationtogetahigh-qualityleafimagewhichispreprocessed.Keywords:PlantleavespreconditioningMorphologicalprocessingFeatureextraction目录1前言 11.1课题的研究背景 11.2植物叶片的研究现状……. 11.3叶片特征的研究意义……. 11.4.植物叶片的图像特征…… 21.4.1形状特征…… 21.4.2纹理特征…… 21.4.3颜色特征…… 21.5LabWindows/CVI简介…… 22叶片图像分析 12.1叶片图像分析流程……. 12.2叶片图像的获取……. 12.3叶片图像预处理……. 12.3.1彩色图片的灰度化……. 22.3.2滤波……. 22.3.3灰度图像的二值化……. 42.3.4形态学处理 22.4边缘检测…… 32.5特征提取的技术…… 32.5.1形状特征提取…… 32.5.1纹理特征提取…… 33在LabWindow/CVI2010中进行仿真…….. 13.1读取图像…….. 13.2图像预处理……. 23.2.1图像灰度化……. 23.2.2图像直方图显示…….. 13.2.3图像滤波………. 23.2.4图像二值化……. 23.3形态学处理……. 23.4边缘检测……. 23.5特征提取…… 33.5.1形状特征…… 33.5.1纹理特征…… 34总结与展望 4参考文献 5附录 6致谢 8毕业论文成绩评定表1前言1.1课题的研究背景在地球上的一切生物中，植物和人类以及环境的关系最为密切。大量的植物维持着地球大气中氧气和二氧化碳的平衡，植物也是人类生产和生活所必需的资源。但近些年来人类的各种生产活动严重地破坏了生态环境，从而造成植物在数量上的减少甚至物种上的灭绝。值得庆幸的是，人类已经意识到这一危机，从而渐渐开始迈出了保护植物的步伐。对植物进行分类研究是对其进行保护的第一步也是很重要的一步，但由于人类认知能力有限以及地球上数量众多的植物种类，要做到准确和快速地识别手中的植物是非常困难的。随着近些年来计算机技术的不断发展，图像处理与识别技术在农业中也得到了一定的应用，因此可以考虑使用图像处理技术、模式识别技术且辅助以计算机图像获取设备实现对植物的快速识别。从植物分类的角度来看，识别一种植物最直接有效和最简单的方法就是从它的叶片着手，而且叶片也是比较容易采集到的。通常在植物学里叶片的形状、颜色和脉络都可以拿来作为分类依据，目前大部分的专家学者都把精力放在形状以及颜色特征的分析上，少有文献提及叶片的脉络分析，本文在分析叶片的几何特征的基础上，增加对植物叶片纹理的分析。1.2植物叶片的研究现状国外对计算机识别植物的研究开展得比较早，提取的特征也较全面（徐散恺等，2006）。1985年，Clarke等在用叶片数字图像测量叶面积方面进行了研究，将叶片从植株上分离后，再对其进行拍照并将照片输入计算机,通过图像处理进行测量。Ingrouile和Laird在1986年提取了27个叶片形状特征对橡树进行分类。Guyer等人在1993年提取了17种叶片形状特征对40类植物进行分类。通过比较分析，发现对形状特征进行主分量分析优于其它的特征统计方法。1987年，Meyer等人利用相互垂直的两个相机获取作物图像的二维信息，利用由两个二维图像构造三维图像的坐标变换方程，对图像处理获取的特征点变换到三维坐标空间中。这样，在三维空间中就可以求取作物节点间距、叶柄长度、茎秆直径、叶片倾斜角等；对于叶片面积的测量采用三角形逼近的方法，即把叶片与叶柄相连的一端为顶点，向叶片轮廓作射线将叶片进行细分，相邻两条射线与叶片边缘有两个交点，利用此三点可在三维空间中求取其对应三角形的面积，将所求得的所有三角形的面积相加即为所求叶片的近似面积（林开颜等，2004）。此外文献中还利用土壤与植物图像对比度的差异作为土壤干湿的判断依据。但对光源不均、叶片重叠并未给出很好的分割方法，对于植物图像与土壤的分离，黑白图像并不能完全区分作物和土壤，若采用光谱图像则成本较高。McDonald等人在1990年利用数学形态学方法来进行植物的识别。他们把数学形态学应用于谷粒大小分布检测、叶片形状识别和肉纹理分析，实验表明形态学变换可以把图像变换为易于理解的图像，利用几个简单的形态学算子就可以实现复杂的图像处理过程。同年，ShearerS.A等在基于植物彩色纹理特性的基础上,计算出11个纹理特征，产生33个彩色纹理特征，可以对7种人工培育的植物进行识别（徐散恺等，2006）。Yonekawa在1996年对几个简单的形状因子进行了评价，这些简单形状因子为紧密度、圆度、伸长度、叶状度和粗糙度，它们与叶片的方向无关。通过对1280个典型理想的叶片识别分析的结果表明，简单的形状因子对识别植物是有效的，这也为植物物种机器识别提供了必要的基础。国外的学者应用判别式分析方法、匹配方法和机器学习方法进行植物叶片分类识别，去的良好效果。1997年，Abbasi等利用多尺度曲率空间(Multi-scalecurvatureofspace，CSS)方法来描述叶片形状，并用来对菊花进行分类。Mokhtarian等在2004年又发展了这种方法，用于自遮掩的叶片识别。通过对12类菊花共120张叶片图像的识别发现，比起原始的CSS方法，识别率可以提高4.3%，达到98.4%。CholhongIm等在1999年利用对叶片的多边形逼近来识别槭属类植物。2000年，T.Saitoh等利用花朵和叶片的图像来识别野生花，但这种方法需要花和叶两张图像。2001年，Osikar使用叶片的几何特征和矩特征，采用BP（ErrorBackPropagation,BP）前馈神经为分类器，对15种瑞典树木进行分类。国内在这一方面的研究非常少而且起步较晚。1994年,傅星、卢汉清开展了应用计算机进行植物自动分类的初步研究。1995年，宁素俭等研究了利用链码描述作物、果实等轮廓的周长、宽度、长度、面积、惯性矩等形状特征参数的方法（徐散恺等，2006）。此后陆续有一些关于叶片几何特征的文献发表，大大丰富了植物叶片分析识别的理论基础，但关于纹理特征的分析还是甚少。一直到2004年,傅弘等提出了一种基于人工神经网络的叶脉提取方法，利用边缘梯度、局部对比度和邻域统计特征等10个参数来描述像素的邻域特征，并将其作为神经网络的输人层，经过训练的神经网络能够提取叶脉图像。2002年以来，池哲儒等进行了一系列植物识别的相关研究，提出一种中心轮廓距离曲线方法来匹配叶片形状，并通过不同特征的模糊集成实现植物图像的检索。他们还进行了基于树皮图像的植物识别的探索研究。近年来，中科院合肥智能机械研究所智能计算实验室在利用植物叶片的形状特征、纹理特征来识别植物上取得了一系列的进展。黄德双等人开发出农业生物特征识别系统——植物叶片识别系统，该系统可以实现对残缺变形叶片的识别。合肥植物园与中国科学院合肥智能机械研究所智能计算实验室合作，于2010年成功研发出植物叶片图像识别系统。该系统借助于数字图像处理和模式识别技术，达到了识别植物类别的效果。该技术可以广泛应用于农业、林业的作物生长调查、病害检测以及农林院校的辅助教学等方面（张宁等，2011）。纵观国内外植物物种机器识别的技术和方法的发展趋势,有以下几个特点：(1)研究方法各不相同,都在某一方面有所贡献,但都没有达到实用化的程度。(2)识别方法以单特征为主,主要使用植物颜色、纹理、形状和多光谱等特征而对植物的形状研究仅限于独立分离植物的形状,对植物残缺、重叠、交错的研究以及与纹理、颜色特征的融合较少。(3)对于植物物种机器识别的研究与应用,国外前期比较注重于在农业中的应用。近几年,有许多研究转向植物特征提取和识别等基础性工作。国内的研究起步较晚，在20世纪90年代中期以后主要集中于农业中的应用,而对于普通植物识别的基础性研究,近两年才开始有部分院校、研究所在着手进行探索。（吴翠珍，2003）1.3叶片特征的研究意义植物是世界上物种数量最多且分布最广泛的生命形式，与人类以及环境的关系最为密切。由于人类生产活动造成了植物物种的灭绝，而植物在维持生物平衡、水土保持等方面又起着重要作用。基于图像分析的植物叶片识别技术对于植物分类识别，植物资源的保护与利用、探索植物之间的亲缘、阐明植物的进化规律等方面具有现实意义。基于图像分析的植物叶片识别在保护植物与生物多样性、植物生态检测上有很好应用。同时，植物农业作为国民经济的命脉，是人们生活生产的基础部分，提高农业生产需要农业植物的精细数据，植物分类与识别在农业与园艺的实际应用中举足轻重，容易推广到植物良种的鉴别和植物叶片病害的鉴定上，保护农作物的生长。因此植物分类与识别具有非常重要的意义。另外，植物分类与识别技术在数字化标本博物馆系统上有很好的应用价值。叶片是植物重要的光合器官,也是植物进行蒸腾的主要途径。研究植物叶片的各种参数对植物的生长发育、作物产量以及栽培管理等都具有十分重要的意义。建立方便、快速、准确的植物叶片分析方法,对于调整群体结构、充分利用光热资源，从而指导作物栽培密度及合理施肥以提高作物产量有重要的意义。随着数字图像处理技术的发展和计算机处理速度的迅速提高,数字图像处理技术已在许多领域得到广泛地应用。利用飞速发展的图像处理技术改造传统农业，提高农业生产的科技含量，用现代科技知识武装传统农业，己是越来越多农业工作者的共识。本文选取植物叶片为研究对象，运用数字图像处理技术进行分析,提取叶片形状参数，以便分析作物生长情况,指导农业生产。1.4植物叶片的图像特征1.4.1形状特征叶片形状特征主要体现在大小和外形上，是判断叶片所属种类的最重要和最有效的依据。根据我们采集的叶片来看，不同的种类叶片的形状存在较大的差异。但也不是说同一种植物的叶形是变化无穷的，它的变化总还是在一定的范围内。主要有以下几种较常见的叶形：针形、披针形（包括倒披针形）、矩圆形（亦称长圆形）、椭圆形、卵形（包括倒卵形）、圆形、条形、匙形、扇形、镰刀形、肾形、心形（包括倒心形）、提琴形、菱形、三角形、鳞形等。迎合不同的研究需要，叶片的形状特征可以分为绝对值特征以及相对值特征：（1）常用的绝对值特征包括：叶片的周长（Girth）、面积（Area）、最小包围盒（Bounding-box）、纵轴长（Y-Length）、横轴长（X-Length）、凸包（Convexhull）、外切圆（Excircle）、内切圆（Inscribed）等。①叶片的周长是整个叶边缘加上叶茎的周长；②叶片的面积是叶片的大小；③最小包围盒是能包围叶片的最小矩形，纵轴长是最小包围盒的长，也就是叶子的长度；④横轴长是最小包围盒的宽，也就是叶片的宽度；⑤凸包是包含叶片的最小凸集；⑥外切圆是与叶片外切的圆，即能包围叶片的最小圆；⑦外切圆是与叶片内切的圆，即叶片能包含的最大圆。（2）常用的相对值特征包括：①纵横轴比（AspectRatio）是叶片最小包围盒的长宽比值；②矩形度（Rectangularity）是叶片面积与叶片最小包围盒面积的比值；③面积凹凸比（AreaConvexity）是叶片面积与叶片凸包面积的比值；④周长凹凸比（PerimeterConvexity）是叶片周长与叶片凸包周长的比值；⑤、球状性（Sphericity）是叶片面积与叶片凸包周长的计算值；⑥圆形度（Circularity）是叶片内切圆半径与外切圆半径的比值；⑦偏心率（Eccentricity）是叶片自身长轴与短轴的比值；⑧形状参数（FormFactor）是叶片面积和周长的计算值；⑨最佳匹配椭圆（TheBestMatchEllipse）是能够包围目标叶片图像的最小椭圆。除了几何特征外，图像矩由于具有天然的旋转、平移和尺度不变性，M.K.Hu提出了7项不变矩作为植物叶片识别的特征，这里不详细介绍。1.4.2纹理特征叶片的纹理特征主要指叶脉的特征。叶脉就是生长在叶片上的维管束，它们是茎中维管束的分枝。位于叶片中央大而明显的脉，称为中脉或主脉（midvein）。由中脉两侧第一次分出的许多较细的脉，称为侧脉（lateralveins）。自侧脉发出的、比侧脉更细小的脉，称为小脉或细脉（minorveins）。细脉全体交错分布，将叶片分为无数小块。每一小块都有细脉脉梢伸入，形成叶片内的运输通道。叶脉在叶片行分布的样式称为脉序（venation），可以分为以下三大类（1）分叉状脉（dichotomousvenation）：叶脉从叶基生出以后均呈二叉分支状。这是比较原始的类型，在种子植物中极少见，但在蕨类植物中较为常见。（2）网状脉（nettedvenation）：具有明显的主脉，经过逐级的分枝，形成多数交错分布的细脉，由细脉互相联结形成网状，称为网状脉。双子叶植物的叶脉多为网状脉序。少数的单子叶植物也具网状脉序，但是叶脉脉梢多为相互连结在一起的，缺乏游离的脉梢。这一点可与双子叶植物的网状脉序相区别。同时网状脉又分为羽状网脉、掌状网脉、叉状脉和离基三出脉等。（3）平行脉（parallelvenation）：叶片的中脉与侧脉、细脉均平行排列或侧脉与中脉近乎垂直，而侧脉之间近于平行。这是单子叶植物特有的脉序，平行脉又可以分为直出平行脉、弧形平行脉、射出平行脉，横出平行脉等。直出平行脉所有叶脉都从叶基发出，彼此平行直达叶尖，细脉也平行或近于平行生长；弧形平行脉所有叶脉都从叶片基部生出，彼此之间的距离逐步增大，稍作弧状，最后距离又缩小，在叶尖汇合；射出平行脉所有叶脉均从叶片基部生出，以辐射状态向四面伸展；横出平行脉的侧脉垂直或近于垂直主脉，侧脉之间彼此平行直达叶缘。1.4.3颜色特征植物除了有绿叶外，还有红叶、黄叶和蓝叶。一般来说，正常叶片的叶绿体中有两大类光合色素，其中液氯速和类胡萝卜素的分子比例是3：1，叶绿素a和叶绿素b的比例也约3：1，叶黄素和胡萝卜素的比为2：1，由于绿色的叶绿素比黄色的类胡萝卜素多，占优势，所以正常叶子总是呈现绿色。秋天、条件不正常或叶衰老时，由于气温便逐渐下降，低温使叶片内不能合成新的叶绿素，原来的叶绿素又被逐渐破坏，而叶黄素不仅不被破坏，相反还会增加。这样，叶片的颜色就由绿变黄。有些植物，如枫树和乌桕树的叶子到了秋天，叶色却由绿变红。这是因为秋天，枫树为了准备过冬，叶子里积累了不少糖分。糖分多了，细胞液就不易冻结，也就增强了抗寒能力，同时，还有利于红色花青素的形成。植物世界，常年为红色的叶片，数量也不少，如红桑、红苋、红叶紫苏、紫鸭跖草等，由于它们的叶子里红色花青素占绝对优势。还有一类蓝色植物，如紫草科的勿忘草，花呈浅蓝色，这是因为叶绿素a呈深蓝绿色，叶片里由于叶绿素a的含量较多，所以叶片呈蓝色。蓝色植物能吸收阳光中的红外线，还能捕捉太阳光中的红、橙、黄、绿、蓝五种光所带来的能量，因此蓝色植物比绿叶植物利用光能的效率更高，能创造更多的有机物，所以耐寒的本领也更大。1.5LabWindows/CVI简介 LabWindows/CVI是NationalInstruments公司（简称NI公司）推出的交互式C语言开发平台，可以方便进行图像处理实践（邓继忠，2005）。LabWindows/CVI将功能强大、使用灵活的C语言平台与用于数据采集分析和显示的测控专业工具有机地结合起来，利用它的集成化开发环境、交互式编程方法、函数面板和丰富的库函数大大增强了C语言的功能，为熟悉C语言的开发设计人员编写检测系统、自动测试环境、数据采集系统、过程监控系统等应用软件提供了一个理想的软件开发环境。

在本设计中，LabWindows/CVI主要用于图像分析的仿真，在实际应用中，LabWindows/CVI为视觉图像处理提供了十分便利的工具。2叶片图像分析2.1叶片图像分析流程 对叶片来说，其形状、纹理、颜色等特征都可以拿来作为分类的依据。但叶片在不同季节中会呈现出不同的颜色，周围环境的变化,如水分、养分和日照时间的改变,也会导致叶片颜色发生变化。因此植物叶片的三类特征中，颜色特征较少用于叶片图像的形态学分析，叶片的颜色特征仅作为次要特征来处理。另外，叶片的纹理特征描述了整个叶面的光滑度、蜡质感等分类信息，虽然容易受到光照影响，提取效果不如形状特征，但较颜色特征来说更为稳定。另外，也有不少研究学者钻研叶片的纹理特征。本系统叶片图像分析流程如图1所示。首先把采集的叶的叶片通过数码相机或者扫描仪转换成数字图像，然后对图像进行预处理，这其中主要包括灰度化（如果是分析叶片图像的颜色特征则不需要灰度化，但这里不进行颜色特征的分析）、图像降噪、阈值分割、形态学处理、提取叶片轮廓或者提取叶片纹理。经过图像的预处理以后可以计算和提取叶片的形状特征以及纹理特征。纹理特征提取跟形状特征的提取过程不一样，直接对灰度图像进行二值化会导致纹理特征的丢失，因此纹理特征提取首先进行边缘检测再进行二值化，而纹理特征提取的过程中又需要所有步骤，所以这一部分归入纹理特征的提取部分。图像获取二值化滤波灰度化图像获取二值化滤波灰度化分析计算叶片形状特征提取叶片轮廓分析计算叶片形状特征提取叶片轮廓形态学处理形态学处理分析计算叶片纹理特征提取叶片纹理分析计算叶片纹理特征提取叶片纹理图SEQ图\*ARABIC1叶片图像形态学分析流程2.2叶片图像获取最常用的获取图像的方法是借助数码相机来获取图像，它可以不破坏作物的群体结构，真正地检测叶片的生长规律而不依靠统计规律，但需要对测量系统进行标定，而且要求被测叶片和标准参考物必须同时拍摄，在进行分析运算的时候要根据被选中参照物的实际大小跟图像中参照物大小的比例，来计算出叶片的实际参数。扫描仪能够提供一定精度的图像分辨率信息，可以选取一个物体作为标准参考物，不需要在每幅叶片图像中加入参照物。用扫描仪扫描的方式来获取图像可以提高测量的精度，而且更方便计算。在有扫描仪的条件下可以优先选用扫描仪进行图像的获取。考虑硬件的条件，本设计采用数码相机来获取图像，由于图像中参数只要结合比例系数就可以转换成实际参数，仿真过程暂不使用标准参照物。2.3叶片图像预处理2.3.1彩色图片的灰度化在RGB模型中，当R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255。灰度化的方法有很多，人们一般用分量法、最大值法、平均法和加权平均法四种方法对彩色图像进行灰度化：（1）分量法：将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。这种方法可以有三种灰度图可以选择，分别是R分量灰度图、G分量灰度图和B分量灰度图，可以在进行进一步的设计中根据需要选择用其中一种。f（i，j（2）最大值法：将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。f（i，j）（3）平均值法：将彩色图像中的三分量亮度求平均得到一个灰度值。fi，j=(R（4）加权平均法：根据重要性及其它指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。fi,j=0.3Ri,j+0.59Gi,j2.3.2滤波滤波的方法有很多种，常用的图像滤波去噪方法有以下几种：（1）中值滤波：中值滤波是常用的非线性滤波方法，也是图像处理技术中最常用的预处理技术。它可以克服线性滤波器给图像带来的模糊，在有效清除颗粒噪声的同时，又能保持良好的边缘特性，从而获得较满意的滤波效果，特别适合于去除图像的椒盐噪声。其实现原理如下：将某个像素邻域中的像素按灰度值进行排序，然后选择该序列的中间值作为输出的像素值。其具体的操作是：首先确定一个以某个像素为中心点的领域，一般为方形领域(如3*3、5*5的矩形领域)，然后将领域中的各个像索的灰度值进行排序。假设其排序为：（邓继忠，2005）X1Y=Med{X1、X2、X3⋯Y=Med{X1X2、X3⋯x)=1取排序好的序列的中间值Y作为中心点像素灰度的新值。这里的邻域通常被称为窗口。当窗口在图像中上下左右进行移动后，利用中值滤波算法可以很好地对图像进行平滑处理。对于椒盐噪声密度较小时，尤其是孤立噪声点，用中值滤波的效果非常好，但在椒盐噪声密度增加时，其去噪能力将降低，可能残留下部分噪声像素。虽然可以采用多轮迭代方式对滤波后的图像再次使用中值滤波进行处理，但将造成更大的细节损失。（2）均值滤波：均值滤波是典型的线性滤波算法，其采用的主要方法为邻域平均法（王侯芳等，2009）。即对待处理的当前像素点(x，y)，选择一个模板，该模板由其近邻的m个像素组成，求模板中所有像素的均值，再把该均值赋予当前像素的算术平均值g(x，y)=1mΣf(x，（3）维纳(Wiener)滤波：维纳滤波(NWiener最早在1942年提出的方法)是一种对退化图像进行恢复处理的一种常用算法，也是最早也最为人们熟知的线性图像复原方法（王侯芳等，2009）。其设计思想是使输人信号乘响应后的输出，与期望输出的均方误差为最小。其数学形式比较复杂：F(u，（2.7）其中Sn(u，v)表示噪声的功率谱，Sf(u，v)表示未退化图像的功率谱。在进行实际处理时，往往不知道噪声函数Sn(u，v)和Sf(u，v)的分布情况，因此在实际应用时多用F(u，v)=[(1／H(u进行近似处理，其中K是一个预先设定的常数.维纳滤波对高斯噪声、乘性噪声都有明显的抑制作用，相对与均值滤波和中值滤波，维纳滤波对这两种噪声的抑制效果更好，缺点就是容易失去图像的边缘信息。维纳滤波对椒盐噪声几乎没有抑制作用。除此之外，高斯滤波、梯度倒数加权平均法滤波、最大均匀性平滑滤波、低通空域滤波、Sigma平滑滤波、卡尔曼滤波等也是一些常用的滤波算法（邓继忠，2005）。2.3.3灰度图像的二值化本设计中将叶片图像进行二值化的目的是为了将叶片跟其背景分开并形成二值图像，由于不同种类的叶片图像片的颜色并不一样，因此在转成灰度图像后很难用一个统一的灰度门限进行分割，因此我们必须针对每一幅图像设置其灰度门限，即每幅叶片图像选取的二值化阈值不一样。（1）迭代阈值选择法：迭代阈值选择法是植物叶片研究领域比较常用的一种计算灰度门限的方法，具体步骤如下（王晓峰，2006）：第一步，求出整幅图像的最大灰度值和最小灰度值，分别记为Ta、和Tb令初始灰度门限T0=（第二步，根据灰度门限T0将图像分割为前景和背景，分别求出两者的平均灰度值Z1=（Ta+T0）第三步，据此求出新灰度门限T1=（第四步，T1=T0则T0即为灰度门限,否则把T1代替T0重复上一步骤继续迭代计算，将图像分割为新前景和背景并求出新的平均灰度值，再根据新的平均灰度值求新灰度门限T2，以此类推一直到Tn=Tn-1，迭代计算停止，（2）另外一种二值化效果较好的阈值分割方法是最大类间方差法，可以尽量小地去改变灰度图像的面积。具体方法如下（侯铜等，2004）：第一步，选择一个阈值t将图像的像素分为c1和c2两组，像素数为w1、w2。并计算两组的灰度平均值和方差。分别为m1、m第二步，计算灰度平均值为：m=（m1w1组内方差为：σw2=w1σ12+w2组间方差为：σb=w1w2（m1-第三步，改变t值，使σb2/σw2（3）聚类（Cluster）分析：聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。对于植物叶片，背景像素之间、叶片像素之间比叶片跟背景之间有更多的相似性。聚类分析的算法原理如下（靳华中，2011）：第一步：逐个扫描样本，每个样本依据其与已扫描过的样本的距离，被归为以前的类，或生成一个新类；第二步，对第一步中各类依据类间距离进行合并，按一定的标准，停止合并。（4）最佳直方图熵（Entropy）方法（吴玲艳，1993）：通过分析图像灰度直方图的熵，找出最佳阈值。对于灰度范围为{0,1,…,L-1}的图像，设分割阈值为t，则目标O和背景B服从两个不同的概率分布：O：B:p根据Shannon熵的概念，定义与这两个概率分布相关的熵为：H(O)=lnPt+HH（B）=ln（式中：Pt=i=0tpiHt=i=0tpHL-1=-Kapur定义准则函数Ψ(t)为H(O)，H(B)之和，即Ψ(t)=H(O)+H(B)=lnPt+(2)使Ψ(t)最大的灰度级t就是所求出的最优阈值T，即T=maxΨ(t)，（0<t<L-1）另外还有矩量保持（Moment）法、最小偏态法、内方差（InterVariance）方法、Metric方法等。考虑到以上阈值分割的方法都不尽完美，而且编程复杂，而本设计所采用的叶片都是背景简单的叶片图像，所以编程中我在上面的基础上加入了一种更简单的阈值分割的方法。使用LabWindow/CVI2010的数值输入控件可以任意设定一个阈值以达到自己想要的二值化效果，并且不受算法限制。在以上方法都不能取得理想效果的时候可以选择手动取值。2.3.4形态学处理（1）腐蚀（erosion）：腐蚀是用“探头”对目标图像探测，找出目标图像内部所有可以放下该结构元素的区域。集合A被集合B腐蚀，表示为AΘB，其定义为:（李然，2008）AΘB=﹛x其中A是被处理的集合，B是结构元素，对于任意一个在A内的像素点x，Bx包含于A，则该像素点x被保留；所有被保留的x点的集合就是A被B腐蚀的结果，如图2所示。不同的“探头”腐蚀同一个输入图像得到的结果不一定相同。腐蚀还有一种表达方式：AΘB=∩﹛即将输入图像A平移-b(b属于结构元素B)，然后计算所有平移的交集来得到腐蚀图像。二值腐蚀能够去除目标的边界点。如果结构元素取3×3的模块，称为简单腐蚀，能够使目标区域的边界沿周边减少一个像素;当目标区域是圆的，腐蚀后圆的直径会减少两个像素。（4）膨胀（dilation）：膨胀就是腐蚀的对偶运算，其定义是：把结构元素S平移x后得到Sx，若Sx击中x，记下这个x点。所有满足上述条件的x点组成的集合称作X被S膨胀的结果。表示为：A⊕B=A［A其中A是被处理的集合，B是结构元素，对于任意一个在A内的像素点x，Bx包含于A，则该像素点x被保留。所有被保留的x点的集合就是A被B腐蚀的结果。膨胀是把目标区域边缘的背景点合并到目标区域中，经过膨胀运算目标区域会增加相应的点数。如果结构元素取3×3，则称为简单膨胀，能够使区域的边界沿周边增加一个像素，当区域是圆的，膨胀后使目标区域的直径增加两个像素，如果两个目标区域相距较近，而结构元素足够小，则通过膨胀两目标区域可能融合到一起。所以，分割后目标区域里的空洞通过膨胀运算之后可以填充。膨胀还有一种表达方式：A⊕B=∪﹛根据这种表达，膨胀运算可以通过相对结构元素B的所有点来移动图像A，并计算其非集（李然，2008）。（3）开运算（openingoperate）：先腐蚀后膨胀的运算称开运算。一般来说，开运算可以有效地消除细小物体、毛刺和小桥(即连通两块区域的小点)，能在纤细连接点出分离物体，能够平滑交大物体的边界但不明显改变物体的边界。开运算的符号表示如AΟB，表示用B对A进行开运算，其定义为：AΟB＝（A通过计算所有可以填入图像内部的结构元素平移的“并”而得。即对每一个可填入位置做标记，计算结构元素平移到每一个标记位置时的“并”，便可得到开运算结果。如果用圆盘对矩形做开运算，会使矩阵的内角变圆。这种圆化得结果，可以通过将圆盘在矩形内部滚动，并计算各个可以填入位置的并集得到。如果结构元素为一个底边水平的小正方形，那么，开运算便不会产生内角，所得结果与原图形相同。（4）闭运算（closingoperate）：先膨胀后腐蚀的运算叫做闭运算。一般来说，闭运算能够有效地填充物体内部细小的空洞（小孔），弥合小裂缝，而总的位置和形状不变。闭运算的符号表示如A·B，表示用B对A进行闭运算（李然，2008）。其定义为：A·B＝（A闭运算相当于有个小圆盘沿着目标区域的外边缘滚动。闭运算本质即对目标区域的外部作滤波，仅仅磨光了凸向图像内部的尖角。图2图像的形态学处理的方法图3图像的形态学处理方法的结合使用把以上四种最基本的形态学处理的方法结合使用，比如多次腐蚀，多次膨胀、多次开运算，多次闭运算等，改善一次运算的效果，如图3所示。除了二值腐蚀和膨胀、二值开闭运算以外，还有骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、Top-hat变换、颗粒分析、流域变换、灰值腐蚀和膨胀、灰值开闭运算、灰值形态学梯度等多种形态学处理方法，这里不详细介绍。2.4边缘检测所谓边缘是指其周围像素灰度急剧变化的那些象素的集合，它是图像最基本的特征。边缘存在于目标、背景和区域之间，所以，它是图像分割所依赖的最重要的依据。由于边缘是位置的标志，对灰度的变化不敏感，因此，边缘也是图像匹配的重要特征。边缘算子大致可以分为三大类,即梯度算子、方向模板算子和拟合算子。梯度算子是数学上梯度算子的近似形式，而方向模板算子是对不同方向使用不同的模板来检测，至于拟合算子则是对图像的局部灰度值同边缘的参数模型相拟合。常用的边缘检测算子有Prewitt算子、Sobel算子、Laplacian算子、Roberts算子（邓继忠，2005）。（1）Prewitt算子：该算子包含两组3×3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。Prewitt算子的模板为：图4Prewitt算子对x的模板图5Prewitt算子对y的模板对x的模板为图4，对Y模板为图5。从以上模板可以看出，Prewitt算子同样可以抑制噪声，若窗口放大些，则抑制噪声更明显。（2）索贝尔算子（Sobeloperator）：该算子包含两组3×3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下：Gx=[-101；-202；-101]*A（2.24而Gy=[121；000；;-1-2-1]*A（2.25图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。G＝Gx2然后可用以下公式计算梯度方向。θ＝arctan（G从模板可以看出，Sobel算子是先平均后求差分，因此Sobel算子有抑制噪声的能力，但因为该算子涉及到3×3的邻域,在检测阶跃边缘时得到的边缘宽度至少为两个像素。（3）拉普拉斯算子（Laplacian）：拉普拉斯算子是对二维函数进行运算的二阶导数算子。对图像的每个像素f(x,y)，取它的二阶导数为关于x轴方向和y轴方向的二阶导数之和：∇2f=∂2用查分形式代替上式中的微分，使用二阶差分Δx2f、Δy2，一阶微分Δxf、Δxf四领域的锐化公式：gi，j=5f八领域的锐化公式：gi，j=9f对图像做拉普拉斯运算，实际上就是对以像素（i，j）为中心的3×3的领域做卷积变换。结果赋给像素点（i，j）。图6Laplacian算子的模板-4图7Laplacian算子的模板-8函数的拉普拉斯算子也是该函数的黑塞矩阵的迹,可以证明，它具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变。如果邻域系统是4邻域，Laplacian算子的模板如图6，如果邻域系统是8邻域，Laplacian算子的模板如图7。Laplacian算子对噪声比较敏感，所以图像一般先经过平滑处理，因为平滑处理也是用模板进行的，所以，通常的分割算法都是把Laplacian算子和高斯平滑算子结合起来生成一个新的模板。常用的高斯平滑算子如下：[-2-4-4-4-2；-4080-4；-408248-4；-4080-4；-2-4-4-4-2]（4）Roberts算子：罗伯茨算子、Roberts算子是一种最简单的算子，是一种利用局部差分算子寻找边缘的算子，他采用对角线方向相邻两象素之差近似梯度幅值检测边缘。检测垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感,无法抑制噪声的影响。Roberts边缘算子是一个2x2的模板，采用的是对角方向相邻的两个像素之差。Roberts算子的梯度定义为（邓继忠，2005）:G（i，j从图像处理的实际效果来看，边缘定位较准，对噪声敏感。2.5特征提取的技术2.5.1形状特征提取链码：链码方法最先由Freeman于1961年提出,用于表示由顺次连接的具有指定长度和方向的直线段组成的轮廓线。链码生成基于边界点间的相互连通性连通按四邻接（a）或八邻接（b）定义。一个像素最多只有8个邻近像素，因此八连通链码能准确地表示图像轮廓。我们在进行图像处理时通常用八连通链码。如图8所示（宋宗骐等，2002）。（a）（b）图8四邻接和八邻接示意图对图像轮廓进行具体编码过程如下:从图像轮廓上任意选取一个象素点作为起始点，顺时针沿着轮廓编号，按照方向编号规则，记录每一对像素间线段的方向编号。依次将方向编号连接即可得到图像轮廓的链码表示。最终，曲线可近似地用下式表示：An=其中，ai∈{0,1,2，……，7}，0<=i<=n,称A链码是一种有效的目标描述形，,通过链码我们可以提取对应的区域边界的一些基本形状参数，例如叶片的面积、周长。（1）叶片面积：在图像处理中面积的计算可以有两种方法：基于连通区域标记的像素统计方法和基于链码的计算方法。基于连通区域标记的方法比较简单，把叶片图像跟背景进行分割以后，对叶片区域进行标记，统计各个连通区域像素的个数，通过图像分辨率换算成实际面积。由于轮廓跟踪时，只提取了叶片的外轮廓，外轮廓描述的图像区域并不受区域内部孔洞的影响。因此，基于链码的方法计算叶片的面积能够减少由于叶片存在孔洞造成结果误差。诚然,基于链码的方法计算叶片的面积最后还同样要通过分辨率来换算成实际面积。（2）叶片周长：叶片的周长即连通区域轮廓线的长度，通常根据链码直接计算。通常我们可以将链码的长度求出来以后，通过分辨率换算成实际的叶片长度。（3）叶片的长宽比计算：计算叶片的长宽比首先要取得叶长和叶宽，计算叶片长宽比的方法有多种，各有其优缺点。通常最常用的一种方法是采用最小外接矩形(MER)的方法。MER算法是表示物体主轴方向上尺寸形状的一种简单方法。实现MER算法的方法有很多,最常用的一种方法是将物体在900在本设计中,利用MER算法计算长宽比的步骤如下:第一步、计算每个连通区域轮廓的外接矩形面积，并记录外接矩形长度、宽度和面积；第二步、图像逆时针旋转30后，重复第1步；旋转30次后，转入第3第三步、统计每次旋转后的外接矩形的面积，求取封闭区域最小外接矩形，记录最小外接矩形的长度和宽度。第四步、计算最小外接矩形的长宽比,即为所求叶片的长宽比。注意：旋转的角度会造成一定的误差，角度越大，误差越大。其他关于叶片的形状特征的参数，例如矩形度、圆形度、内切圆、外接圆等，都是基于叶片的面积、周长、长度和宽度以及最小外接矩形的计算的。2.5.2叶片纹理特征提取纹理分析的方法：（1）统计法：在统计法中常用的有直方图法、灰度梯度法、自相关函数法和共生矩阵法。直方图法又分为窗口直方图法和边缘直方图法（林丰艳，2009）。视觉系统所观察到的图像窗口中的纹理基元必然对应于一定的概率分布的直方图，期间存在着一定的对应关系。根据这个特点，就可以让计算机来进行两个适当大小的图像窗口的纹理基元的计算和分析。边缘直方图方法就是沿着边缘走向的像素的邻域，分析其直方图。若某一范围内有尖峰，就说明在这个灰度范围内，纹理所具有的方向性。但是这种方法只能识别某些纹理。灰度梯度矩阵法就是计算一个小区域的灰度梯度，找出其方向，然后将若干个小区域的方向加以综合，就可以找出该区域的纹理基元或纹理走向。（2）结构分析法：结构分析法首先从像素出发，检测出纹理基元，并找出纹理基元的排列信息，建立纹理基元模型。结构分析法运用形式语言来描述各种纹理单元及其排列规则，再通过语言的重新组织而形成所需的纹理模式。（3）频谱法：借助Fourier频谱的频率特征来描述周期或近乎周期的2D图像模式的方向性。即Fourier频谱中的尖峰对应纹理模式的主方向，这些峰在频域平面的位置对应模式的基本周期，而将周期性成分滤出后，剩下的非周期性部分可用统计方法描述。3在LabWindow/CVI2010中仿真3.1读取图像本设计采用LabWindow/CVI2010进行仿真，在LabWindow/CVI2010中用户接口库（UserInterfaceLibrary）提供了一个文件选择函数FileSelectPopup(),其功能是弹出一个文件选择对话窗，等待用户选择某个文件或取消选选择，并根据结果返回一个整数值。同时我们可以在程序中使用该返回值，以及文件路径。例如lStatus=FileSelectPopup("..\\..","*.apd;*.jpg;*.bmp","","",VAL_LOAD_BUTTON,0,0,1,0,lPath)，表示打开选择窗口，可以选择*.apd;*.jpg;*.bmp格式的文件，并将文件路径放入lPath，lStatus表征选择结果。只有FileSelectPopup（）函数中第二个参数——图片格式所包含的图像格式才能被读取进来。在图像处理仪器库Imaq_CVI中，函数IPI_ReadFile()将指定路径的文件名所指向的图像文件数据存放在指针Image（在主程序中中IPI_Creat（）来创建）所指向的数据区，并返回一个数值表征操作结果。例如lError=IPI_ReadFile(SourceImage,lPath,FALSE,NULL,NULL)，表示将包含路径的文件名lPath所指的图像文件存放在图像数据区SourceImage中去。使用函数IPI_SetWindowAttribute()、IPI_WindDraw()可以设置相应的窗口属性，并将指定的图像（用指针指向）显示在指定的窗口。图9源图像图10R灰度图像以上函数结合使用可实现读取并显示一幅图像。如图9所示，具体编程如下：lStatus=FileSelectPopup("..\\..","*.apd;*.jpg;*.bmp","","",VAL_LOAD_BUTTON,0,0,1,0,lPath);if(lStatus==VAL_EXISTING_FILE_SELECTED){lError=IPI_ReadFile(SourceImage,lPath,FALSE,NULL,NULL);}图11G灰度图像图12B灰度图像3.2图像预处理3.2.1读取图像本设计中采用分量法进行图像的灰度化。在图像处理仪器库Imaq_CVI中，函数IPI_ExtractColorPlanes（）用于将一幅指定的彩色图像分离出各个RGB分量，我们可以创建3个8位图像数据存储区redImage、greenImage、blueImage来存储各个灰度分量。在后续的设计中，我们可以随意使用这三个灰度分量。如10所示，是使用IPI_ExtractColorPlanes(SourceImage,redImage,greenImage,blueImage,IPI_RGB);分离R、G、B以后，把redImage显示在窗口的结果。而图6、图7则分别为G、B分量的灰度图像。3.2.2图像直方图显示在数值图像处理中，一种最简单和最有用的工具是灰度直方图（Histogram）。灰度直方图是统计衣服图像中各灰度级出现的像素点数。横坐标是灰度级，纵坐标是与各灰度级对应的像素数。从衣服灰度图像的直方图可以看出一幅图像的灰度分布特性，但是直方图没有位置信息，只能统计整幅图像某一灰度值的像素有多少。直方图常利用在图像的增强、图像的阈值分割等方法中。图像处理仪器库Imaq_CVI中提供了一个IPI_Histogram（）函数，该函数统计图像的直方图。本设计采用IPI_Histogram（）函数、DeleteGraphPlot（）函数以及PlotY函数来实现直方图显示，程序结果如图13所示。IPI_Histogram(redImage,IPI_NOMASK,256,0,255,Histogram,NULL);DeleteGraphPlot(panel,PANEL_HISTOGRAM,-1,1);PlotY(panel,PANEL_HISTOGRAM,Histogram,256,VAL_INTEGER,VAL_THIN_LINE,VAL_SIMPLE_DOT，VAL_SOLID,1,VAL_RED);3.2.3图像滤波由于扫描的过程是比较理想化的，所以产生的噪声大部分是随机噪声，同时会带有微少的椒盐噪声。如果目的只是去除干扰，而不是刻意让图像模糊，中值滤波是比较好的选择。中值滤波可以很好的抑制图像中的脉冲干扰。同时，中值滤波选择的窗口大小直接影响到滤波的效果。多次实验表明，中值滤波器的窗口选为3×3型时效果最好，模糊程度最小。在LabWindow/CVI2010的图像处理仪器库Imaq_CVI中，函数IPI_NthOrder()是一个中值滤波函数，通过改变参数可以设定源图像、目标图像、模板以及选取第几个像素赋予给目标图像的该像素点。例如IPI_NthOrder(tempImage1,IPI_NOMASK,tempImage2,3,3,5);表示以×3作为窗口，取排序结果的第5个像素赋予给目标图像对应的像素点。如图14，本设计在进行二值化之前进行了中值滤波。IPI_NthOrder(redImage,IPI_NOMASK,tempImage1,3,3,5)；图13灰度直方图图14二值图像3.2.4图像二值化本文采用自动阈值选择跟手动两种方法并用，我们可以根据自身需要采用其中一种阈值分割的方法。计算阈值时，为了方便处理，优先选择自动计算阈值。如果所有滤波算法都不能取得良好效果的时候可以改用手动输入阈值。在LabWindow/CVI2010的图像处理仪器库Imaq_CVI中，函数IPI_AutoBThreshold（）提供自动计算图像二值化阈值的函数。函数的第二个参数metrod是指自动计算阈值的方法。该参数是一个枚举变量，其枚举元素是表1中五种阈值计算的方法。在五种不同的阈值计算下针对同一幅叶片图像的进行的图像分割效果有十分大的差别。从图15中我们可以看出，在本次阈值分割中，Metric方法取得的效果是比较理想的。函数IPI_Threshold（）是LabWindow/CVI2010中图像处理仪器库Imaq_CVI自带的图像处理二值化函数。无论是自动计算阈值，还是手动选择阈值，都只是进行了阈值的选择，并没有进行二值化，必须通过函数IPI_Threshold（）进行二值化。图14是手动选择阈值，该二值图像的阈值选的是200，阈值不是选择越大越好，阈值选择太大，可能会导致叶片尺寸比实际尺寸大，反之，阈值选择太小，可能会导致叶片尺寸比实际尺寸小。而且空洞太多无法消除。如图15所示，是以图15中灰度图像（A）为源图像进行自动计算阈值的图像二值化结果。枚举元素值Cluster0Entropy1Metric2Moment3Inter4表1自动计算阈值方法的选择图15中，（B）是聚类分析自动计算阈值进行二值化的结果，聚类分析算法计算得到的阈值是174；（C）是最佳直方图熵自动计算阈值进行二值化的结果，其阈值为69，最佳直方图熵对于该叶片的二值化效果十分糟糕并不能取得预期效果；（D）Metric算法计算得到的阈值为192，得到的十分完整的二值化叶片图像；（E）矩方法得到的阈值是255，无疑这是不对的；（F）内方差的方法算得阈值是173，经过形态学处理以后还是可以消除叶片上的孔洞干扰的。图15二值化各种阈值计算方法下的结果手动选择阈值时，使用LabWindow/CVI2010的用户接口库（UserInterfaceLibrary）提供的GetCtrlVal（）函数获取控件NUMER的值。然后把值赋给函数IPI_Threshold（）。自动计算阈值时，使用GetCtrlVal（）函数获取控件MORPH_MOTHED_2的索引值，对应IPI_AutoBThreshold的第二个参数——阈值计算方法。在LabWindow/CVI2010中自动阈值计算的具体函数编写如下：GetCtrlVal(panel,PANEL_MORPH_MOTHED_2,&metrod_value);IPI_AutoBThreshold(tempImage1,metrod_value,VAL_SHORT_INTEGER,NULL,&threshold_value);SetCtrlVal(panel,PANEL_Display,threshold_value);IPI_Threshold(tempImage1,tempImage1,threshold_value,255,255.0,TRUE);3.3形态学处理图像处理仪器库Imaq_CVI提供了函数IPI_Morphology（）对图像进行形态学处理。通过修改该函数的第三个参数，可以选择二值图像形态学的处理方法，本设计在此同样通过一个NUMER控件来修改参数的索引值。不同的形态学处理方法达到的结果不一定相同，我们可以根据自身的需要或者获得的图像的特点来选用不同的形态学处理方法。另外，函数IPI_WSetPalette（）用于对图像的窗口设置彩色调色板。只有用彩色调色板才可以显示出形态学处理的图像。函数IPI_Morphology（）第三个参数的索引值对应的形态学处理方法如表2：LabelValue中值0闭运算1腐蚀2膨胀3内部和外部边界提取4提取内部边界5击不中6开运算77次开运算87次闭运算9厚化10细化11表2形态学方法的选择具体编程如下：IPI_Morphology(tempImage1,tempImage2,method_value,IPI_MO_STD3X3); IPI_WSetPalette(2,IPI_PLT_BINARY,NULL);不同的形态学处理方法得到不同的结果如图16。图16中，（A）是被处理的源图像；（B）是腐蚀图像；（C）是膨胀以后的图像；（C）是开运算的结果；（D）是闭运算的结果；（F）多次开运算指的是连续7次开运算；（G）多次闭运算指的是连续7次闭运算；（H）是中值运算的结果；（I）是内部和外部边界提取的结果。另外还有击不中、细化、厚化、内部边界提取这些算法的结果没有一一列举。图16经不同形态学处理后的植物叶片单一的腐蚀、膨胀、细化，厚化等都会改变叶片的形状使得到的数据出现较大的误差，不适合用于叶片轮廓的提取。在选择了合适的阈值的情况下，中值能够把该叶片的轮廓比较好地提取出来。开运算跟闭运算都不会改变叶片的形状跟大小，但是针对这幅叶片图像，开运算不能消除叶片图像中的噪声，导致目标图像中出现孤立点，而闭运算提取的叶片轮廓效果比较好。多次开运算跟多次闭运算能改善单一开运算或单一闭运算的效果。但这不能代表每次开运算的效果都比闭运算的效果差。多次闭运算、多次开运算也不是越多越好，这跟扫描得到的图片质量有关，也跟此前的阈值选择有关，我们在进行形态学处理方法的选择的时候，在一种形态学处理方法得到的目标图像不理想的情况下，应该多尝试其他的方法，根据自身需要选择适合的目标图像。由于本文采用的叶片图像比较理想，在图16中我们无法进行各种形态学处理结果的比较，下面我们针对另外一幅有干扰的图像进行比较。如图17。图17经不同形态学处理后的植物叶片s图17中，（A）是被处理的源图像；（B）是腐蚀图像，叶片图像的尺寸比源图像要小；（C）是膨胀以后的图像，叶片的边缘有被磨圆的痕迹，而且尺寸比源图大。左上角的干扰被放大；（C）是开运算的结果，在处理这幅叶片图像的时候，开运算也没有消除干扰，但是，开运算没有改变叶片图像的尺寸；（D）是闭运算的结果，处理的效果比较理想，同样，闭运算没有改变叶片图像的尺寸；（F）多次开运算指的是连续7次开运算，对比（C），虽然也还有干扰，但多次开运算的效果还是比较好的；（G）多次闭运算指的是连续7次闭运算；（H）是中值运算的结果；（I）是内部和外部边界提取的结果。3.4边缘检测图像处理仪器库Imaq_CVI提供了函数IPI_GrayEdge（）对灰度图像进行边缘检测（提取轮廓）。函数的第四个参数是值所采用的边缘检测的方法。分别有Differentiation、Gradient、Prewitt、Roberta、Signma和Sobel通过修改该函数的第三个参数，可以选择不同的边缘检测的方法。同样地，本设计在此同样通过一个NUMER控件来修改参数的索引值。函数IPI_GrayEdge（）第四个参数的索引值对应的形态学处理方法如表3：LabelValueDifferentiation0Gradient1Prewitt2Roberta3Signma4Sobel5表3边缘检测方法的选择把图8经过灰度化、滤波，二值化然后使用闭运算的方法进行了形态学处理以后，本设计把除叶片以外的部分填充成了白色。在边缘检测部分，如果各种检测方法都不能取得理想的结果，则需要改变二值化时的阈值选择或者改变形态学处理的方法再进行边缘提取。形态学处理得到的图片并不能直接应用于边缘检测，因为形态学处理中叶片部分被填充成像素值为0。本设计把上文形态学处理得到的形态学图片进行一定的变换（把叶片部分填充为像素值255，如图19）以后作为源图像，对源图像进行边缘检测，得到仿真结果如图18。实验表明，针对不同的检测对象。不同的边缘检测方法得到不同的结果,。从图18可以看出，不同的边缘检测得到不目标图像均有各自的特色。不能根据单一的叶片分析结果来断定哪一种方法灰度检测的效果较好。我们可以根据自身对目标图像的要求，或者获得的图像的特点来选用不同的边缘检测的方法。具体编程如下：GetCtrlIndex(panel,PANEL_EDGEDETECTION,&EdgeVal)；IPI_GrayEdge(tempImage2,IPI_NOMASK,tempImage3,EdgeVal,0.0)；图18不同边缘检测方法得到的结果3.4特征提取3.4.1形状特征提取在LabWindow/CVI2010中仿真时，我们通过函数IPI_Label（）、IPI_Particle（）以及IPI_Quantify（）的结合使用来实现计算叶片的面积跟周长。首先，由于函数IPI_Label（）标记的是255，而形态学处理得到的结果中叶片的值是0，所以在进行统计之前要先进行像素值的转换。for(i=0;i<width;i=i+1){for(j=0;j<height;j=j+1){IPI_GetPixelValue(tempImage2,i,j,&gray_value); if(gray_value==0){IPI_SetPixelValue(tempImage3,i,j,255); }else {IPI_SetPixelValue(tempImage3,i,j,0); }}//for(j=0;j<height;j=j+1)} //for(i=0;i<width;i=i+1)结果如图19所示图19用于标记的的图片图20形状参数的提取图像处理仪器库Imaq_CVI提供了函数IPI_Label（）对二值化图像进行标记，然后用IPI_Particle（）函数查出并返回叶片区域的参数，再用IPI_Particle（）函数进行参数读取。图20是形状参数的提取结果。具体编程如下：IPI_Label(tempImage2,tempImage,TRUE,&NbOfParticles);lFullReportPtr=NULL;IPI_Particle(tempImage,TRUE,&lFullReportPtr,&lTempInt); lQuantifyElemPtr=NULL;IPI_Quantify(tempImage2,tempImage,&lQuantifyElem,&lQuantifyElemPtr,&lTempInt);（1)面积、周长的计算原理：统计出该区域的像素数量，然后根据分辨率跟像素之间的转换关系，计算出叶片的面积，这里的面积是“准面积”，要想得到真实的叶片面积，还要进行进一步的装换。由于条件限制，这里并没有进行装换。如上文所言，周长是利用链码得到的（苏玉梅，2007）。（2）最小包围盒的计算原理：运用图像处理仪器库Imaq_CVI中的函数IPI_Rotate()在900范围内旋转，每次转过30（或者更小），拟合一次边界，求出此时包围叶片的最小矩形面积，共计算30次（900（3）矩形度、圆形度、偏心率等都可以根据最小包围盒求得。3.4.2纹理特征提取植物叶片图像二值化以后就无法看出叶片的纹理特征，因此对叶片的纹理特征进行提取之前必须重新进行预处理。（1）边缘检测：此处的边缘提取还是用IPI_GrayEdge（）函数，但是源图像采用灰度图像直接提取边缘。图21是利用IPI_GrayEdge（）函数提供的六个边缘检测的方法得到的植物叶片纹理图。图21各种边缘提取算法下的植物叶片脉络图从图21可以看出，几个边缘检测的效果都不错，再看不难发现每个算法处理得到的叶片脉络还是有差别的。例如，Sobel算法得到的叶片脉络在叶边缘上特别的突出，而Gradient在所有边缘轮廓的权重都是一样的。因为本文目的是要对叶片的主要脉络进行特征提取，这个时候，Sobel算法得到的叶片脉络就不适用于后续的处理了。（2）二值化：直接对灰度图像得到的叶脉图像不适用于进一步分析，首先进行二值化，如图22所示，是图21中differentiation算法得到的植物叶脉图像达到的二值化叶脉。其二值化的方法跟3.2.4中的二值化方法无异，没有必要在此再仿真，因此只用自动计算阈值的方法进行二值化。图22叶脉图像二值化（3）去除叶边缘：对于叶脉的纹理分析主要时针对叶脉级数以及类别，从图22可以看出，此时轮廓图中叶边缘也包含在脉络图中。在3.4边缘检测中已经提取出叶边缘图像tempImage3，本文采用对比的方法来消除叶边缘上的像素点，结果如图23所示。具体编程如下：IPI_GetPixelValue(tempImage02,i,j,&gray_value);IPI_GetPixelValue(tempImage3,i,j,&gray_value3); if(gray_value3!=0){ IPI_SetPixelValue(tempImage03,i,j,0);}else{IPI_SetPixelValue(tempImage03,i,j,gray_value);}另外一种去除也边缘的方法是像吃大饼那样从四个方向对叶片图像进行“啃咬”，每次消除叶脉图像最外层的图像，这种方法能够把叶边缘完全“吃”掉，但由于很多叶片图像的不规则，反而丢失一些重要的信息。（4）删除杂质区域：经过去除叶边缘这一步以后，很多边缘像素点还是没有消除，但是不要紧，就算没有被“吃”掉，边缘上的像素点都已经被分离，通过函数IPI_LowHighPass(tempImage03,tempImage04,TRUE,FALSE,2,IPI_MO_STD3X3)，删除杂质区域就可以提取到目标叶脉图像了。如图24所示。图23去除叶边缘图24叶脉图像（5）膨胀：通过膨胀去除掉脉茎上的孔洞。（6）寻找主脉：把图24中所有的像素读取进来以后，两两距离最远的两个像素的方向就是主脉的方向。4总结与展望植物是目前地球上物种数量最多，分布最广泛的生命形式，它与人类关系非常密切，是人类生产和生活所必需的资源。植物物种的濒临灭绝,以及由此给人们生产生活带来灾难，使得植物分类研究具有重要的现实意义和应用价值。过去人们植物的分类研究往往受到各种自然的或者是硬件上的困阻，研究晦涩而困难。数字图像处理技术是随着计算机的发展和成熟而在近年来迅速发展起来的一个重要的应用技术领域。由于计算机硬件成本的下降和计算速度的不断提高，图像处理技术在农业方面尤其是作物领域已变得越来越有吸引力。利用计算机图像处理技术可以本文结合生产实际需要,研究利用计算机图像处理技术进行叶片参数提取的方法，提高了叶片参数测量的精度和效率。主要工作如下：（1）论述图像处理技术在植物叶片分类识别上的应用和发展，万变不离其宗，在植物叶片形态学分析上，纵使相当多的人提出了个人关于植物叶片形态学在各个分析环节的方案，或别出心裁，或在前人的基础上加以改进。但在总体的分析流程还是统一的，正因为这样的统一，才大大地丰富了植物叶片形态学分析的方法。例如，在形态学处理的方法上，有腐蚀、膨胀、开运算、闭运算，击不中，中值运算等。而在边缘检测上面有像sobel、Signma、细胞神经网络等算法。（2）在如今的时代，对于植物叶片的研究毕竟是少数人在进行，而园艺、植物学在各大高校都属于冷门专业，但这项工作却关乎整个人类，本文就前人所作的研究进行简略的诠释，希望能够引起更多人多植物学研究的关注。（3）由于硬件的限制，本文采集的叶片都是用摄像机随手拍摄回来的，没有参照物，所以仿真过程中得到的绝对参数都是过渡值，对于叶片的面积，周长，本文得到的“准面积”、“准周长”并非无中生有，从“准面积”、“准周长”过渡到实际面积跟周长只要在实际应用中加入参照，根据比例进行换算则可。（4）详细分析了叶片图像预处理方法，从彩色图片到灰度图像的变换，到叶片图像的二值化，再到植物叶片的形态学处理，植物叶片的边缘提取。（5）本文就几个常见的形状特征参数进行了提取，并用LabWindows/CVI2010进行了仿真。虽然有相当多人就这个参数的提取上都提出了自己的见解，但还是较少人去实验验证。（6）在叶片的纹理特征分析上面，本文对叶片的脉络进行分离，提取作为叶片纹理主要部分的“脉”，而摒弃了“络”以及叶边缘。并提取出简化叶脉图像。方便进一步的特征提取。进一步的工作：（1）本文对植物叶片的提取技术还是十分的不成熟，对于LabWindows/CVI2010的图像处理函数库的应用还是不够熟悉。一开始的时候，由于不知道图像处理仪器库Imaq_CVI有哪些可用的函数，甚至都是自己一个一个去编写算法，而且效果远远没有函数库中的函数调用处理那么好。到后面又一个个抛弃掉，大大地浪费时间和精力。希望能够进一步加深对这个软件的学习。（2）对于叶片的纹理特征，在没有参考的情况下，本文说到底还是只是做了预处理的工作，预计要提取的叶脉的级数，叶脉的类别都还在理论阶段，进一步还需要把理论付诸实验。参考文献陈爱军.基于图像处理的植物叶片参数的测量[J].东北农业大学学报.2009,04,47。邓继忠，张秦玲.数字图像处理技术[M].广州：广东科技出版社，2005年：120-130。黄德双.神经网络模式识别系统理论[M].北京：电子工业出版社,1996。侯铜，姚立红，阚江明.基于叶片外形特征的植物识别研究[J].湖南农业科学.2009，04,124-129。林开颜,徐立鸿,吴军辉.计算机视觉技术在作物生长监测中的研究进展[J].农业工程学报.2004,20(2),279-283。李然.基于数学形态学的植物叶片图像预处理[J].农业网络信息，2008，01,43-45。陆宗骐,童韬.链码在边界形状分析中的应用[J].中国图像图形学报。2002,12。吴玲艳，沈庭芝，方子文，王飞.基于直方图熵和遗传算法的图像分割法[J].兵工学报.1999,03。吴翠珍，王晓峰，杜吉祥，周耘峰，童效平，黄徳双.植物叶片图像识别系统在植物园发展中的应用研究[R].中国贵州贵阳:中国植物学会分会，2008。王俊芳，王正欢，王敏.常用图像去噪滤波方法比较分析[J].现代商贸工业，2009,16，王晓峰，黄徳双，杜吉祥，张国军.叶片图像特征提取与识技术的研究[J].计算机工程与应用.2006.03,190-193。徐散恺,郭楠,葛庆平,郭新宇.计算机视觉技术在作物形态测量中的应用[J].计算机工程与设计,2006,27(7):1134-1136,1148。林丰艳.基于图像多分辨率分析的植物叶片识别系统的研