一種使用經驗系數灰度化的中藥葉片分割方法

汪慶+杜煒+譚紅春

摘要：針對傳統的彩色葉片圖像灰度化分割效果不理想問題，使用了一種經驗系數灰度化的彩色葉片圖像分割方法。該方法利用RGB顏色相關性特征進行灰度化，提高葉片顏色比例，增加葉片與背景的差異性，在不同背景條件下對葉片圖像使用最大類間方差法進行分割。實驗結果表明，使用經驗系數灰度化的方法可以獲得更理想的分割效果。

關鍵詞：圖像分割；植物葉片；灰度化；經驗系數；最大類間方差法

中圖分類號： TP319

文獻標識碼：A

文章編號：

16727800（2017）004018002

0引言 中藥植物的外在特征包括莖、葉、果實和根部，植物葉片是表達植物的重要外在圖像特征，外觀形狀相對穩定，圖像易于拍攝獲取，通過葉片來識別植物品種非常便利。葉片圖像的提取是植物識別系統預處理的重要一步，對識別結果將產生重要影響。不少學者對葉片圖像處理系統進行了相關研究，大多側重于葉片識別算法。劉驥等[1]針對無背景圖像的葉片進行簡單的腐蝕膨脹，消除空洞；李晨等[2]使用Sober算子實現了簡單背景葉片分割；李萍等[3]對簡單背景的植物葉片圖像通過稀疏表示系數識別植物種類；王艷菲等[4]對無背景理想狀態的植物葉片進行旋轉校正并使用CENTRIST特征分類。上述文獻中的葉片圖像預處理分割均在無背景或簡單背景條件下進行，但實際工作往往是在自然環境中直接獲得葉片標本并實時處理，可能不具備提供簡單背景的條件。 本文將一種系數相關性的植物灰度化方法引入到葉片圖像，在相對復雜的環境中進行算法分割，實驗結果證明該灰度化的葉片分割方法能夠獲得理想結果。1傳統葉片圖像灰度化方法 葉片圖像包括前景和背景兩個部分，前景是葉片區域，背景是非目標葉片區域。圖像分割的目的就是將真實的葉片區域從背景中分離出來，為后續葉片分類識別做準備。 若葉片光照不均勻，背景區域灰度化后存在與葉片區域的灰度值相似的區域，就會影響到分割結果。1.1傳統葉片圖像灰度化 圖像灰度化是直接使用空域的圖像變換方法。彩色圖像具有RGB三種顏色通道，每個像素點具有255*255*255種顏色變化。灰度圖像只有一個灰度分量，變化范圍僅為255階灰度值。通過灰度變換將彩色圖像的RGB空間轉化為灰度空間表示，能夠在盡可能表達圖像信息的情況下，大大降低圖像的計算復雜度和存儲空間。圖像處理中常用的灰度化方法有平均值灰度化方法和加權平均灰度化方法。

2.3彩色圖像灰度化的葉片分割步驟（GraySeg算法） ①讀取葉片彩色圖像原圖A；②對原圖中的每個像素點使用式（4）進行處理，得到灰度圖B；③對圖B使用OTSU算法，得到二值化分割圖C；④對圖C進行數字形態學處理，先腐蝕膨脹運算消除誤分區域，得到圖D；⑤對圖D與原圖A進行對比運算，獲得最終的分割結果。

3實驗步驟與結果分析 實驗環境為：i5 CPU M520 @2.40GHZ，4G內存，操作系統為Windows7 -32位，MATLAB 7.0編程實現。 本文的實驗樣本來源為手機拍照，分辨率為800*600像素。選取3種情況下的中藥植物葉片圖片：①簡單背景的枇杷葉片（見圖1）；②不均勻光照背景的胡禿子葉片（見圖2）；③自然環境中的大吳風草葉片（見圖3）。

3大吳風草葉片

實驗步驟如下：對圖1、圖2和圖3的葉片圖像使用GraySeg算法進行分割實驗，并在算法第②步中分別使用平均值灰度化預處理、加權平均灰度化預處理和經驗系數灰度化預處理，得到算法分割的實驗結果。每組有3幅圖，從左至右分別為：①使用平均值灰度化分割結果；②使用加權平均灰度化分割結果；③使用經驗系數灰度化分割結果。3.1簡單背景的枇杷葉片圖像分割在第一組簡單背景的枇杷葉片圖像中：運用葉片灰度化方法，分割后的葉片圖像邊緣含有拍攝產生的陰影區域，如圖4、圖5所示；而經驗系數灰度化分割方法進行葉片圖像分割能準確地分割出葉片圖像，如圖6所示。

3.2不均勻光照背景的胡禿子葉片圖像分割在胡禿子葉片圖像中運用葉片灰度化方法，由于背景中的部分區域經過灰度化后的灰度值和葉片的灰度值相似，分割算法即使通過數學形態學修正，葉片圖像中的部分區域仍被錯分為背景，結果如圖7和圖8所示；而運用經驗系數灰度化方法能夠不受光照影響將葉片正確地分割出來，結果如圖9所示。

3.3自然環境中的大吳風草葉片圖像分割在大吳風草葉片圖像中運用葉片灰度化方法，分割算法將大量背景中的區域錯誤地分割為葉片區域，結果如圖10和圖11所示；而運用經驗系數灰度化方法，通過簡單的數學形態學修正，就可將葉片完整地從自然環境中分割出來，結果如圖12所示。

4結語 本文使用了一種基于經驗系數灰度化的葉片圖像分割方法，該灰度化方法通過加大綠色的比例，增加葉片與背景的差異性，解決了傳統灰度化方法葉片分割效果差的問題。實驗表明，特定場景下使用經驗系數灰度化的葉片分割可以得到理想的分割結果。

參考文獻：

[1]劉驥， 曹鳳蓮， 甘林昊. 基于葉片形狀特征的植物識別方法[J]. 中國農機化學報， 2014，25（6）：200202.

[2]李晨， 姚瑋， 韓忠偉， 等. 利用 CBIA 與 WSN 構建的植物葉片分類系統[J]. 計算機應用研究， 2015，32（11）：33363340.

[3]李萍， 張波， 張善文. 基于葉片圖像處理和稀疏表示的植物識別方法[J]. 江蘇農業科學， 2016，44（9）：364367.

[4]王艷菲， 朱俊平， 蔡騁. 基于CENTRIST的植物葉片識別研究與實現[J]. 計算機工程與設計，2012，11（33）：43434347.

[5]BURGOS ARTIZZU X P， RIBEIRO A， TELLAECHE A. Analysis of natural images processing for the extraction of agricultural elements[J]. Image Vision Computing， 2010（28）：138149.

[6]BURGOS ARTIZZU X P， RIBEIRO A， GUIJARRO M. Realtime image processing for crop/weed discrimination in maize fields[J]. Computers and Electronics in Agriculture， 2011，75（2）：337346.

[7]OTSU N. A threshold selection method from graylevel histograms[J].IEEE Transactions on System Man and Cybernetic，1979，9（1）：6266.

（責任編輯：杜能鋼）