基于eCognition軟件的顯微圖像葉脈網絡提取與優化

朱濟友 于 強 YANG Di 徐程揚 岳 陽 陳 向

(1.北京林業大學林學院， 北京 100083； 2.弗羅里達大學地理系， 蓋恩斯維爾 FL 326113； 3.廣州市城市規劃勘測設計研究院， 廣州 510060)

0 引言

葉片作為植物碳水耦合權衡過程中的重要結構，在長期的生長、繁殖和進化過程中對其生長環境的變化極其敏感，且具有較大可塑性[1]。葉脈是廣泛分布于葉面，且影響整個葉片機械支撐、水分供需平衡和資源流通的重要結構[2]。葉脈密度作為葉脈網絡功能性狀中的重要指標，表征了葉脈網絡在葉片中的分布、排列和走向規律，對蒸騰作用和光合作用過程中水分與光合產物的運輸效率有密切關系，也是理解植物對環境調節機制的重要途徑[3]。已有研究表明，當植物遭受不良環境脅迫時，往往通過調整其功能性狀以應對和適應環境變化。比如在水資源極度匱乏或高溫環境中，植物通常具有較發達的葉脈網絡結構，從而保證水分供給平衡，提高植物的生存適應與競爭能力[4]。近年來，葉脈功能性狀普遍成為國內外生態學家對植物葉片水分調節策略、葉片碳構建、葉片光合能力等方面研究的關鍵生理參數[3-5]。隨著研究的不斷深入，基于葉片網絡結構與環境變化關系、生態系統物質循環及植物分類等方面的研究不斷涌現。深入研究葉脈功能性狀及其生態學特性，探討植物對全球氣候變化響應及其權衡關系具有重要意義[5-6]。葉脈含有植物的重要生理信息，而葉脈網絡提取是葉脈功能性狀研究工作的前提，也是植物建模、植物識別的關鍵步驟之一，因此高效、快速的葉脈提取方法研究顯得尤為重要。

隨著計算機圖像處理技術的發展和普及，如何從圖像中快速提取所需信息逐漸成為遙感領域研究的熱點[7-8]。葉脈功能性狀的傳統測算方法普遍采用Photoshop、image J等圖像分析軟件，不僅費時、費力，還極易造成較大的人為誤差[7]。目前，針對葉脈提取的研究對象主要為鮮葉掃描圖像，多基于人工神經網絡、方向能量和K-means聚類等方法進行提取。大部分研究僅局限于葉脈輪廓的提取，無法實現對其相關指標的測算，若想進一步獲取葉脈密度信息，仍需利用傳統的方法測算，增加了不必要的工作量[9-10]。與鮮葉圖像相比，經過浸泡處理后的葉片，利用光學顯微鏡拍攝出來的葉脈圖像具有形狀和輪廓清晰、信息量豐富等優點。本文將葉脈顯微圖像看作遙感影像，探討遙感圖像處理技術在葉脈分類和提取中的應用，進一步測算葉脈密度。以不同葉面積、不同葉生長特性的6類常見綠化樹種(國槐、毛白楊、臭椿、洋白蠟、元寶楓和欒樹)的葉脈顯微圖像為研究對象，基于多特征(亮度特征、光譜特征和幾何特征)對大批量葉脈圖像進行識別、分類和提取，以實現葉脈密度高效計算。

1 訓練樣本獲取及提取流程

1.1 葉脈圖像獲取

北京市海淀區年平均氣溫10～14℃，夏季平均氣溫27.5℃，年平均降水量約600 mm。采樣地點為北京林業大學。如表1 (每列不同字母表示指標間達到顯著性差異) 所示，為消除葉片生長特性造成葉脈提取的差異，本文選取了北京市典型綠化樹種中不同葉片大小、葉片質地及葉脈清晰度的6類樹種(國槐、毛白楊、臭椿、洋白蠟、元寶楓和欒樹)作為訓練樣本。于2018年8月09:00—11:00，晴朗天氣，分別在東西南北4個方位隨機采集中冠層的成熟健康葉片。每類樹種30株，每株樹采集30片葉片。將鮮葉用5% NaOH溶液浸泡5 d至葉肉全部腐蝕，溶液每24 h更換一次。加入1滴甲苯胺藍染液，用清水沖洗干凈后，制作臨時玻片，放于LJ-CLP03型光學顯微鏡下放大40倍后觀察，每個玻片隨機采集10幅圖像供試驗分析[11]。

表1 6類樹種葉片性狀特征Tab.1 Leaf traits of six tree species

1.2 葉脈圖像處理

1.2.1提取流程

基于eCognition Developer 64軟件的遙感分類方法以包含多種語義信息空間關系的像元對象為處理單元，可以實現較高層次遙感圖像的分類及目標對象信息的提取[12]。如圖1所示，葉脈網絡的提取流程主要包括圖像預處理、多尺度分割、知識庫構建、特征選取、葉脈提取及完善等步驟。基于遙感面向對象法的分割方式主要有多尺度分割、棋盤分割和多閾值分割等，根據樹種的葉脈特征，本文選用多尺度分割方式，可以實現分割后目標對象的權重同質性達到最大[13]。

圖1 葉脈提取流程圖Fig.1 Flow chart of vein extraction

1.2.2葉脈密度計算及精度分析

葉脈密度及葉脈面積傳統測算方法是利用Photoshop、image J等圖像處理軟件對葉脈圖像進行測算。本文基于遙感面向對象法，在eCognition軟件中確定葉脈最佳提取閾值，對圖像校準后，即可批量測算葉脈密度。

每類樹種隨機選取300幅葉脈顯微圖像用于分析。其中100幅圖像用于面向對象分類法進行批量計算，另外200幅利用image J軟件實測。采用均方根誤差對所得結果進行精度檢驗[14]，即

(1)

(2)

式中R——均方根誤差P′——提取精度

Pi——image J軟件實測值

P0——提取值n——樣本數

2 面向對象的葉脈提取及優化

2.1 圖像預處理

為了增強顯微圖像中葉脈和背景部分的反差，在eCognition軟件中，對所有訓練樣本進行LUT拉伸，保證原始圖像初始特征的相對一致性，以達到更好的分割效果。

2.2 圖像分割

圖像分割是面向對象分類法最關鍵的一步，分割質量直接影響提取精度。基于葉脈區別于背景的特點，選用多尺度分割方式，利用對象與非對象異質性最小的區域合并法，將分割后葉脈的權重異質性最小化，以獲取圖像不同尺度信息[15]。在eCognition中，能對任意分辨率的區域進行同質合并、異質分離，從而實現不同尺度對象的提取。因此，需要不斷調整尺度參數來控制合并算法的閾值，找出最佳圖像分割參數。

由表2可知，不同分割參數的葉脈最終提取精度存在極顯著性差異，而在不同環境和不同樹種間不存在顯著性差異。如圖2a、2b所示，當尺度參數設置為100時，圖像被分割得十分破碎；當尺度參數設置為300時，圖像分割相對比較粗糙，葉脈的邊界吻合度較低。通過實測結果對比，葉脈分類精度與分割尺度不呈線性關系，參數太大或太小均會影響分類精度。經過不斷調整發現，在尺度參數為200時，6類樹種的葉脈圖像分類精度達到最高。如圖2c、2d所示，在尺度參數一定的條件下，緊湊度參數過大、形狀參數過小時，圖像分割邊界十分密集，最終影響葉脈分割精度；反之，則分割邊界十分稀疏，影響分割精度。因此，在精準、清晰地分出葉脈的同時，還需保證葉肉背景與葉脈對象形狀差異達到最大。如圖3所示，經過多次嘗試，當形狀參數為0.7、緊湊度參數為0.3時，6類樹種的葉脈分割質量達到最佳。

表2 基于分割參數及提取特征的葉脈網絡提取結果的差異性分析Tab.2 Differences analysis of interpretation results of leaf vein images based on segmentation parameters and extraction characteristics

注：精度為自動提取值與目視鏡檢值的差。

圖2 葉脈圖像分割Fig.2 Leaf vein images segmentation

圖3 葉脈網絡提取結果Fig.3 Leaf vein network extractions result

2.3 知識庫構建、葉脈提取與優化

葉脈提取過程中，知識庫構建對葉脈分割圖像的提取至關重要[16-17]。葉脈顯微圖像中包含了多種可用于目標對象分類的信息，對葉脈特征進行概括和描述后，將其轉換為規則，從而實現葉脈的提取。對6類不同形態、不同質地葉片的葉脈分布特征和顯微圖像特點進行總結，最終選用亮度特征和形狀特征構建葉脈提取知識庫，再將這兩個特征轉換為相應規則進行提取。

2.3.1亮度規則

將對象分為葉脈和背景兩種，選中分割出來的葉脈單元即可顯示出葉脈的亮度，對所有葉脈單元的亮度進行總結后，將最大值和最小值作為提取閾值。由表2可知，亮度特征的閾值對葉脈的提取精度存在極顯著性差異，而在不同環境、不同樹種間不存在顯著性差異。如圖3a所示，經過對600幅圖像的反復調整得出，葉脈亮度特征值設置在230～280時，基本能將目標對象與背景區分。除了葉脈對象外，還有較多亮度較高的葉肉背景也被區分出來，這些大部分屬于密集氣孔或保衛細胞的輪廓邊界。對于革質葉片來說，其葉脈外凸明顯，但發達的氣孔結構在顯微圖像上也形成了與葉脈相對一致的線條。此時，出現了較多誤判的部分，僅僅通過亮度特征難以實現葉脈對象的提取。

2.3.2光譜規則

由表2可知，光譜特征的閾值對葉脈的提取精度存在顯著性差異，而在不同環境、不同樹種間不存在顯著性差異。如圖3b所示，基于光譜特征對葉脈進行提取仍存在部分錯分或漏分的現象，因此需要根據光譜特征對葉脈進行進一步的分類。對顯微圖像屬性分析可知，葉脈的光譜特征值為180～230，而背景部分的光譜特征值大部分位于180以下。因此，通過將光譜(紅光波段)特征值設定在180以上即可較好地將葉脈與背景分離。

2.3.3形狀規則

由表2可知，形狀特征的閾值對葉脈提取精度存在極顯著性差異，而在不同環境、不同樹種間不存在顯著性差異。由于僅依靠亮度特征和光譜特征很難將葉脈與背景部分分離，這時需要利用形狀特征對葉脈進一步提取。首先在亮度規則提取類別中將所有葉脈對象合并，與氣孔、保衛細胞等細胞器形狀輪廓不同的是，葉脈具有比較特殊的長條線狀輪廓。合并后的葉脈對象特征更加明顯，分出的對象為線形，而背景對象則多為塊狀。據此利用密度作為形狀特征進一步提取，當葉脈形狀越接近線形時，其密度越小。如圖3c所示，對6類樹種葉脈圖像反復試驗，將幾何特征值大于1.5的類別歸為葉脈，這樣可以去除絕大部分背景對象，大部分合并后的葉脈得以完整保留。

2.4 提取優化

如圖4a、4b所示，除毛白楊、洋白蠟和元寶楓等革質葉外，其他紙質、薄革質葉片均被短絨毛。因此，在拍攝葉脈顯微圖像過程中，出現葉脈被絨毛遮擋或掩蓋的現象，表現為葉脈不連續或中斷。因此，為了盡量減少此類現象造成的誤差，需要將中斷的葉脈縫隙拼接起來。本文采用循環迭代的方式找出中斷葉脈的方向，目的是利用eCognition軟件的面向對象分類技術，找出一種葉脈提取的普遍性規則及閾值范圍[18]。具體步驟為：①將距離圖像邊界最接近的區域作為循環起點的基準對象。②從基準對象開始，找到一個與其距離為零的相鄰對象作為起始對象。③將原來的基準對象設定為葉脈類別，并把步驟②找出的起始對象作為新的起始對象繼續尋找下一個起始對象，直到最后一個起始對象值大于1，循環結束。如圖5所示，經過不同分割參數、提取規則的層層疊加和優化拼接等步驟，根據最優參數對6類樹種的驗證，提取精度逐漸提高。

圖4 葉脈網絡優化Fig.4 Leaf vein network optimization

圖5 最優提取閾值的6類樹種葉脈圖像提取結果Fig.5 Extraction results of leaf vein images of six tree species in optimal extraction threshold

3 結果評價

圖6 不同分割參數、提取特征的分類精度Fig.6 Classification accuracy of different segmentation parameters and extraction characteristics

eCognition是全世界首個面向對象分類的軟件，面向對象法可以充分考慮目標對象的特征信息，包括光譜特征、幾何特征和紋理特征等，圖像進行多尺度分割后形成了一系列互不交叉或重疊的子單元，減少了對象的破碎率，能有效地避免“椒鹽效應”[19-20]。葉脈是植物葉片水分運輸的重要結構，不僅發揮著葉片的機械支撐作用，而且還與葉片蒸騰、光合作用等生理活動有密切關系[2,20]。近年來，葉脈網絡及其在分類學、葉片水分利用和對環境變化權衡的關系已成為生態學上的研究熱點[21-22]。隨著林業遙感技術的不斷發展，如何準確、有效地從圖像中解譯出目標對象信息，成為遙感技術研究的熱點[23-24]。為了得出普遍適用的提取參數，本文選取了不同葉片大小、葉片質地和葉片表面特征的6類常見綠化樹種葉片作為訓練樣本，充分將大尺度技術應用于解決微觀尺度問題。與此同時，充分考慮了特殊葉片生長特性，如葉片絨毛造成葉脈不連續的問題，運用循環迭代的方式將間斷的葉脈進行拼接，保證了葉脈網絡的完整性。每類樹種隨機選取100幅圖像利用image J圖像處理軟件進行測量，與本文方法的自動提取結果進行對比驗證。如圖6、表3所示，盡管6類樹種的葉片特征及葉脈密度存在較大差異，但并未影響最終的提取結果，提取精度均在93%以上且在樹種間均不存在差異性。這說明通過合理設定的提取參數，采用面向對象法來提取葉脈網絡并計算葉脈密度，與其他方法相比，該方法簡單、快速、通用，具有較高的普適性，可用于大批量快速、精確計算葉脈密度。

表3 葉脈自動提取值與實測值差值與精度Tab.3 Difference comparison between automatic extraction value and measured value of leaf vein and its extraction precision

4 結束語

在基于遙感面向對象分類法，同時結合多特征提取葉脈網絡的基礎上，用循環迭代方式對中斷的葉脈進行了拼接處理。得到了普遍適用的葉脈提取閾值，即尺度參數為200，形狀參數為0.7，緊湊度參數為0.3，亮度特征值為230～280，光譜特征值為180～230，幾何特征值大于1.5。運用該方法對葉脈密度測算的結果較理想，6類樹種的提取精度均達到93%以上，說明該方法用于大批量提取葉脈網絡、測算葉脈特征信息具有較高的普適性。