基于SUSAN的葉片圖像處理檢測(cè)小麥干旱脅迫狀態(tài)研究

李艷梅，李 廣，李 玥

(甘肅農(nóng)業(yè)大學(xué)信息科學(xué)與技術(shù)學(xué)院，甘肅 蘭州 730070)

基于SUSAN的葉片圖像處理檢測(cè)小麥干旱脅迫狀態(tài)研究

李艷梅，李 廣，李 玥

(甘肅農(nóng)業(yè)大學(xué)信息科學(xué)與技術(shù)學(xué)院，甘肅 蘭州 730070)

結(jié)合干旱脅迫狀態(tài)下小麥葉片干枯的性狀特征，采用邊緣檢測(cè)算法提取出小麥葉片的邊緣，并根據(jù)所檢測(cè)出來(lái)的噪聲點(diǎn)數(shù)量，判定葉片干枯的程度，從而為估算干旱脅迫的程度提供定量分析的依據(jù)。結(jié)果表明,提取出的小麥葉片圖像邊緣點(diǎn)精確，使用小麥葉片中存在噪聲點(diǎn)自動(dòng)估算干旱脅迫是可行的，可為基于計(jì)算機(jī)視覺(jué)的干旱程度自動(dòng)檢測(cè)打下基礎(chǔ)。

圖像分割；干旱脅迫；邊緣檢測(cè)；小麥葉片；SUSAN

小麥?zhǔn)侵袊?guó)主要的糧食作物，也是中國(guó)重要的商品糧和主要的糧食儲(chǔ)備品種[1]。干旱高溫脅迫是造成小麥減產(chǎn)的主要因素之一。根據(jù)《氣象干旱等級(jí)》國(guó)家標(biāo)準(zhǔn)，將干旱劃分為5個(gè)等級(jí)：正?；驖駶场⑤p旱、中旱、重旱和特旱。不同程度的干旱表現(xiàn)不同。如重旱，特點(diǎn)為土壤出現(xiàn)水分持續(xù)嚴(yán)重不足，土壤出現(xiàn)較厚的干土層，植物萎蔫、葉片干枯，果實(shí)脫落，對(duì)農(nóng)作物和生態(tài)環(huán)境造成較嚴(yán)重影響，對(duì)工業(yè)生產(chǎn)、人畜飲水產(chǎn)生一定影響。干旱導(dǎo)致小麥葉片外形特征發(fā)生變化，如小麥葉片變小、葉片干枯等外在表現(xiàn)。因此，通過(guò)自動(dòng)檢測(cè)植物葉片的性狀，可以從一個(gè)側(cè)面反映出干旱的程度。傳統(tǒng)估計(jì)小麥葉片的干枯程度都是采用人工肉眼的判斷，費(fèi)時(shí)費(fèi)力，而且由于人工判斷存在一定的誤差。隨著計(jì)算機(jī)視覺(jué)的發(fā)展，使用數(shù)字圖像處理技術(shù)對(duì)小麥葉片圖像進(jìn)行自動(dòng)檢測(cè)，對(duì)小麥葉片圖像數(shù)據(jù)進(jìn)行分析，為研究小麥對(duì)干旱脅迫的響應(yīng)程度提供了的新思路和新方法。

邊緣是圖像最基本的特征之一，邊緣檢測(cè)已經(jīng)成為圖像處理領(lǐng)域中一個(gè)重要的環(huán)節(jié),有著廣泛的應(yīng)用[2]。圖像邊緣檢測(cè)的相關(guān)理論研究已趨于成熟,經(jīng)典的邊緣檢測(cè)算子有Canny、Sobel、Laplace、Roberts、SUSAN[3]等。本研究結(jié)合所測(cè)目標(biāo)圖像小麥葉片中葉片邊緣點(diǎn)連續(xù)的性狀特征，采用基于SUSAN的種子點(diǎn)生長(zhǎng)邊緣檢測(cè)算法[4]，對(duì)干旱脅迫狀態(tài)下的小麥葉片圖像和正常小麥葉片圖像進(jìn)行特征邊緣點(diǎn)提取，根據(jù)提取出的邊緣點(diǎn)對(duì)小麥葉片圖像進(jìn)行分割，由于干旱脅迫狀態(tài)下小麥葉片干枯，和正常小麥葉片的邊緣檢測(cè)圖像相比，葉片上會(huì)存在噪聲點(diǎn)，先將原圖像進(jìn)行二值化處理，然后統(tǒng)計(jì)出干旱脅迫狀態(tài)下噪聲點(diǎn)的個(gè)數(shù)，即可用于判定小麥葉片對(duì)干旱脅迫的響應(yīng)程度，從而為估算干旱脅迫的程度提供定量分析的依據(jù)，反映出相應(yīng)生產(chǎn)年份氣候干旱的不同響應(yīng)程度。

圖1 簡(jiǎn)單圖像中的5個(gè)圓形模板

1 研究方法

1.1 小麥葉片圖像邊緣檢測(cè)

SUSAN算法選用圓形模板，假定在白色背景上，有一灰色不規(guī)則區(qū)域，圓形模板的中心稱(chēng)為核心[5]。把圓形模板放在不同的5個(gè)位置上，如圖1所示。比較模板內(nèi)像素的灰度與核心的灰度，其差值在閾值內(nèi)時(shí)，認(rèn)為灰度相同。與核的灰度相同的像素?cái)?shù)目之和稱(chēng)為模板的面積(USUAN)。USUAN區(qū)域的大小可以由式(1)給出：

式中：r和r0分別是模板中心點(diǎn)和模板中其他某點(diǎn)的坐標(biāo)，c(r,r0)為相似比較函數(shù)，n(r0)表示計(jì)算出的USUAN 區(qū)域的大小。根據(jù)式(1)算出的USUAN值n(r0)和固定的幾何閾值g相比較，提取出灰度圖像的邊緣點(diǎn)，提取方法如式(2)所示。

圖2 7×7 的圓形模板

通常，可以選用3×3 和7×7 像素窗口的圓形模板，但為了精確提取出小麥葉片的邊緣點(diǎn)，為進(jìn)一步小麥干枯葉片中噪聲點(diǎn)的提取提供精確的數(shù)據(jù)，本研究選用7×7 像素窗口的模板[6]。選用的模板如圖2所示。

1.2 小麥葉片面積的計(jì)算

為了計(jì)算小麥葉片面積，利用提取出的圖像邊緣點(diǎn)對(duì)圖像進(jìn)行分割，提取出目標(biāo)區(qū)域。由于葉片圖像中的像素點(diǎn)具有連通性，可先標(biāo)記出連通區(qū)域。然后對(duì)屬于小麥葉片的連通區(qū)域統(tǒng)計(jì)像素點(diǎn)的數(shù)量，以便確定小麥葉片的面積。首先，將圖片處理成一幅二值化圖像，然后對(duì)二值圖像進(jìn)行連通區(qū)域分析，采用區(qū)域增長(zhǎng)的方法標(biāo)記連通區(qū)，再進(jìn)行顏色重新分配，為不同的連通區(qū)賦予不同的顏色值，如背景顏色和葉片中干枯區(qū)顏色賦予黑色，正常葉片顏色賦予白色。最后統(tǒng)計(jì)出白色像素點(diǎn)數(shù)和黑色像素點(diǎn)數(shù)，其比值大小即為葉片干枯的程度。

采用二值化處理先將所有灰度大于或等于某一閾值的像素點(diǎn)被判定為屬于葉片像素點(diǎn)，其灰度值以255表示，否則這些像素點(diǎn)被排除在物體區(qū)域以外，灰度值為0，屬于背景或者非葉片區(qū)域[7]。因此，閾值選取很重要。因?yàn)槿~片顏色為綠色，干枯顏色和背景色均為和綠色色值相差較大的其他顏色。經(jīng)檢測(cè)，閾值t=135時(shí)，小麥葉片圖像二值化后可以有效地將葉片和背景分離。

逐行掃描遍歷圖像，找到一個(gè)未標(biāo)記區(qū)域的第一點(diǎn)，標(biāo)記該點(diǎn)；檢查該點(diǎn)的八鄰域點(diǎn)并標(biāo)記滿足連通性要求，且還未被標(biāo)記過(guò)的像素點(diǎn)，同時(shí)將新增的標(biāo)記點(diǎn)記錄下來(lái)作為“區(qū)域增長(zhǎng)”的種子點(diǎn)[8]。然后對(duì)種子點(diǎn)庫(kù)中的所有種子點(diǎn)進(jìn)行生長(zhǎng)，判斷各個(gè)種子點(diǎn)8-鄰域內(nèi)的像素點(diǎn)是否和種子點(diǎn)屬于同一連通區(qū)域。本研究為了標(biāo)記連通區(qū)域，已將原圖像處理成了二值化圖像，即圖像中像素點(diǎn)的取值只能有2種取值：0和255。在后續(xù)的標(biāo)記的過(guò)程中，不斷地從記錄種子點(diǎn)的數(shù)組中取出1個(gè)種子，施行上述的操作，如此循環(huán)，直到記錄種子點(diǎn)的數(shù)組為空[9]。一個(gè)連通區(qū)域標(biāo)記結(jié)束，接著再標(biāo)記下一個(gè)未標(biāo)記區(qū)域，直到輸入二值圖像的所有連通區(qū)域都被標(biāo)記。對(duì)于小麥葉片圖像，主要包括葉片連通區(qū)和背景連通區(qū)，對(duì)分析出的連通區(qū)域，結(jié)合檢測(cè)出的圖像邊緣點(diǎn)重新分配顏色。給最大的連通區(qū)分配黑色，葉片為黑色連通區(qū)。其他連通區(qū)全部賦值為白色，葉片背景和葉片干枯區(qū)域?yàn)榘咨B通區(qū)。

逐行掃描顏色重新分配的二值化圖像，統(tǒng)計(jì)出圖像中所有的黑色像素點(diǎn)個(gè)數(shù)和白色像素點(diǎn)個(gè)數(shù)。從實(shí)驗(yàn)圖片檢測(cè)結(jié)果可知，干枯葉片圖像中由于存在干枯像素噪聲點(diǎn)，和正常葉片圖像相比白色像素點(diǎn)的數(shù)量應(yīng)該比正常葉片的大，設(shè)x=白色像素點(diǎn)個(gè)數(shù)/黑色像素點(diǎn)個(gè)數(shù)，x可用于簡(jiǎn)單估算小麥葉片的干枯程度，從而進(jìn)一步估算氣候干旱對(duì)小麥生長(zhǎng)發(fā)育的影響程度。

2 結(jié)果與分析

以正常小麥葉片和在干旱脅迫狀態(tài)下干枯葉片圖像為例，圖像大小256×594，平臺(tái)選用Visual Basic 6.0[10]，結(jié)果如圖3～10所示。正常小麥葉片圖像如圖3所示，干旱脅迫狀態(tài)下干枯葉片圖像如圖7所示，采用SUSAN邊緣檢測(cè)算子對(duì)圖像提取邊緣點(diǎn)，結(jié)果如圖4和圖8所示，由于干枯葉片中存在噪聲點(diǎn)，因此邊緣圖像的提取不理想。采用二值化處理，和邊緣檢測(cè)的方法相比，能更好的提取出干枯圖像的邊緣點(diǎn)信息，如圖9所示，由于提取出的邊緣點(diǎn)存在一些孤立噪聲點(diǎn)，且圖像背景中存在很多噪聲點(diǎn)。對(duì)圖9使用區(qū)域增長(zhǎng)法標(biāo)記連通區(qū)域，得到如圖10所示的干枯葉片邊緣點(diǎn)圖像。

對(duì)圖6所示的標(biāo)記過(guò)連通區(qū)的正常葉片進(jìn)行像素點(diǎn)統(tǒng)計(jì)，圖像大小256×594，白色像素點(diǎn)數(shù)65519，黑色像素點(diǎn)數(shù)85696，x=65519/85696≈0.7646。對(duì)圖10所示的干枯葉片圖像，圖像大小256×594，白色像素點(diǎn)數(shù)67927，黑色像素點(diǎn)數(shù)83288，x=67927/83288≈0.8156。結(jié)果表明，x值越大，白色像素點(diǎn)數(shù)越多，葉片干枯的程度越深。

3 小結(jié)

本研究所提出的小麥正常葉片和干旱脅迫下小麥葉片的圖像邊緣檢測(cè)算法，結(jié)合了干旱脅迫狀態(tài)下小麥葉片干枯的性狀特征，根據(jù)所檢測(cè)出來(lái)的噪聲點(diǎn)數(shù)量，判定葉片干枯的程度，從而為估算干旱脅迫的程度提供定量分析的依據(jù)。研究結(jié)果表明，設(shè)計(jì)的算法能夠自動(dòng)估算檢測(cè)出小麥葉片受干旱脅迫的程度，可為小麥對(duì)干旱脅迫的響應(yīng)研究提供了技術(shù)參考，為基于計(jì)算機(jī)視覺(jué)的干旱程度自動(dòng)檢測(cè)打下基礎(chǔ)。

[1]魏益民,歐陽(yáng)紹輝,陳衛(wèi)軍,等.縣域優(yōu)質(zhì)小麥生產(chǎn)效果分析I.陜西省岐山縣小麥生產(chǎn)現(xiàn)狀調(diào)查[J].麥類(lèi)作物學(xué)報(bào),2009,29(2):256-260.

[2]XUE Wen ge,KUANG Tian fu.Edge detection in image method research[J].Computer Knowledge and Technology,2007,3(16):1144-1145.

[3]Smith S M,Brady J M.SUSAN-a new approach to low level image processing[J]Int.Journal of Computer Vision.1997,23:45-78.

[4]李艷梅,胡曉輝,王靜馨.基于susan的種子點(diǎn)生長(zhǎng)邊緣檢測(cè)算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2010,19(7):204-206.

[5]魏光杏,吳錫生.新型邊緣檢測(cè)法[J].計(jì)算機(jī)工程與設(shè)計(jì),2007,28(4):882-883,887.

[6]陳 恒.基于改進(jìn)Susan算法的實(shí)時(shí)邊緣檢測(cè)電路設(shè)計(jì)[D].廣東:華南理工大學(xué),2011.

[7]章毓晉.圖像分割[M].北京:科學(xué)出版社,2001.

[8]陳柏生.一種二值圖像連通區(qū)域標(biāo)記的新方法[J].計(jì)算機(jī)工程與應(yīng)用,2006,42(25):46-47

[9]陳 強(qiáng).圖像分割若干理論方法及應(yīng)用研究[D]. 江蘇:南京理工大學(xué),2007.

[10]何 斌,馬天宇.Visual C++數(shù)字圖像處理(第2版)[M].北京:人民郵電出版社,2003.

10.3969/j.issn.1673-1409(S).2012.07.012

S126

A

1673-1409(2012)07-S044-03

2012-07-02

甘肅省自然科學(xué)基金項(xiàng)目(1010RJZA185)。

李艷梅(1978-)，女，甘肅白銀人，碩士，主要從事智能圖像信息處理研究。

李 廣；E-mail：lig@gsau.edu.cn。