計算機視覺技術在根系形態和構型分析中的應用解析

李晚求

（深圳職業技術學院，廣東深圳，518000）

在社會科學技術快速發展背景下，計算機視覺技術得到進步。計算機硬件設施、軟件不斷完善，并得到廣泛使用。在此背景下，在計算機視覺技術中也應用不同軟件與硬件。在現今植物形態分析研究工作落實中，會使用計算機視覺技術。但是，通常情況下該項技術主要是應用在植物地上部分相關檢測工作中，在植物根部中的應用并沒有得到普及。植物根部是植物吸收營養、吸收水分的主要器官，對于植物的生長會產生直接影響。基于此，要對植物根系形態以及構型要有全面了解與認識，從而為植物的生長創造良好環境。在這一過程中，要對計算機視覺技術進行合理應用。

1 計算機視覺技術基本概述

計算機視覺技術又被人們稱為機器視覺，該項技術通常情況下會被應用在，生物外顯模擬等工作中。使用計算機視覺技術處理的原始信息，大部分都是圖像形式，因此，計算機視覺技術與圖像處理、模式識別之間有著相應聯系。計算機視覺技術屬于人類眼睛的延伸，同時要具備人類大腦功能，也是因為被廣泛應用在生產領域、生活領域以及科研領域等不同領域中。特別是在需要使用視覺獲取信息的重復場合以及單調場合中，更能夠發揮自身的優勢與價值[1]。比如，在大批量作物形態測量工作中、產品質量檢驗工作等，可以提升工作效率與工作質量。

2 計算機視覺技術在根系形態和構型分析中的應用現狀

計算機視覺技術在根系形態以及構型的應用中，國外研究與發展要遠超過國內。在具體研究工作的開展中，會將研究重點集中在圖像處理以及植物形態建模兩方面中。正在平面圖像的處理分析中，主要是將靜態照片作為輸入數據，研發出針對植物測量、植物分析的系統，該系統在應用中，可以對植物根與莖進行虛擬。在工具開發中，也可以將自身優勢與價值發揮出來，測量植物不同生長時期狀態下，具體不同時間變化量展開相應測量工作[2]。在植物非剛性運行的表現中，往往是通過變形模板方式，這樣可以更好實現對植物的建模。2000年我國學者，創建出根系參數測量系統，主要是使用圖像技術，對植物長度、總側面積根數以及根夾角參數進行測量。要對邊緣點去除、內點保留兩種方式有明確認識，并將兩者的優點進行整合，在此背景下，新的串并行混合細化算法被提出與應用。在平面圖像測量工作開展中，要對ccd攝像機進行合理應用。相較于手工方式而言，該系統的應用，可以將不同參數的相對差異控制在最小范圍內。WinRHIZO根系分析系統，是一個較為成熟的商業軟件，在社會市場中得到廣泛應用。WinRHIZO根系分析系統通常情況下，會將其應用在洗根后專業根系分析中，了解根系長度、根系直徑以及面積等，能夠為根系形態研究以及構型研究打下良好基礎。

3 計算機視覺技術在根系形態和構型分析中的應用

■3.1 圖像分割技術的應用

在計算機視覺技術中，圖像分割技術是其中的重要組成部分。圖像分割技術的主要工作是分割圖像中感興趣目標區域與背景區域，圖像分割是所有圖像分析中的基本工作任務。在計算機視覺中圖像理解包括，目標檢測、特征提取等不同內容，此類工作的展開，都探需要圖像分割質量提供保障。基于此，在根系形態與構型分析中，首先要做的工作就是圖像分割。在具體分割中，可以從以下幾點展開：

（1）閾值分割方式。圖像閾值分割方式，在根系形態與構型分析中，屬于較為有效的分割技術。對于圖像閾值分割應用原理要有正確認識，其原理主要為：對圖像中所要提取目標物與背景灰度特征差異進行分析與掌握。并對其進行合理應用。在這一過程中，可以圖像應用在不同灰度級目標與背景組合中，在這一過程中，要對閾值進行有效選取，從而使得圖像中的不同像素點得到明確，了解像素點是屬于目標區域，還是屬于背景區域，從而形成二值圖像。圖像閾值分割方式，一般情況下會將其應用在目標與背景有較強對比圖像的分割中。目標區域的像素為，灰度值大于小于某一閾值[3]。背景區域像素點為，灰度小于等于、大于等于閾值。在圖像二值化處理期間，對于閾值選擇要給予更多重視，為后續閾值分割打下良好基礎。在閾值選取中，可以采用雙峰法、參數法等。具體閾值選取方式的選擇，要結合實際情況展開。

（2）區域生長方式。在人工智能領域中，區域生長方式受到計算機視覺的關注與重視。該種分割方式，非常適用于紋理圖像的分割中。通俗來講就是，應用灰度與局部特征信息，更好落實聚類分類工作。在分類處理與合并處理工作中，要提前做好統計均勻性檢測工作。區域生長方式將一幅圖像，分割成為許多不同小區域，在不同的區域中，可以利用計算機，使得物體內像素一致性特點得以體現，并將一致性特點，應用在區域合并中，為其提供相應參考標準。應用在不同物體內像素一致性特征的區分中，包含許多不同內容，比如，灰度值、紋理信息等。區域合并的第一點內容就是針對不同區域都賦予一組參數，這也就是特征。此類特征可以將其應用在，物體類型的反應中，并針對相鄰區域開展邊界落實考察工作[4]。弱邊界要及時將其消除，而強邊界可以保留，相鄰區域可以實現合并。由此可以看出，區域之間的合并實際上是迭代的過程，每一步重新計算都要將弱邊界及時消除。當不存在弱邊界時，區域合并結束，從而完成圖像分割。

■3.2 細化技術的應用

圖像目標的一個顯著幾何特征為骨架，在面對不同形狀圖像目標過程中，相關工作人員要及時對非畸變骨架進行分析與提取，這樣可以為圖像目標形狀分析等相關工作提供保障。因此，二值圖像中的細化，成為圖像分析與模式是識別中的重點內容。在實際細化處理中要注意，細化要選擇原圖像中的中心線，使得整個細化過程的對稱性得到保障；要確保不會對原圖像的連通性造成影響；要將原圖像基本特征保存。在具體的應用中，可以從以下幾點展開：

（1）傳統算法。傳統算法一般會將其分為，串行算法（以邊緣追蹤法為代表）與并行算法（給予內點保留）兩種。串行算法在具體應用中，不僅可以實現檢驗，而且能夠及時刪除，有著較高工作效率，花費更少運算時間。但同樣也會存在缺點，在應用中掃描順序會對其產生影響，使得骨架容易出現非對稱問題。而并行算法可以將此類問題在最大程度上避免，達到更好細化效果。

（2）在神經網絡基礎上的細化算法。針對神經網絡中的分類識別特點，相關工作人員要合理應用，為邊緣點分類打下基礎。該種方式可以實現圖像細化問題轉變，轉化為安全點問題落實后續工作[5]。結合安全點判別規則運行網絡，將安全點判別問題轉化，轉化成為學習過程，細化過程也屬于學習過程。

（3）數學形態學基礎上的細化算法。數學形態學在應用中，主要是對不同結構元素進行整合，實現目標圖像形態變換，這樣可以更好實現圖像細化。結構元素通常情況下實在形態變換算法設計過程中，結合目標圖形、所需信息形狀特征設計出啦愛的。針對不同目標圖像，要采取不同處理算法，并設計不同結構元素。實際上，可以選擇不同的結構元素，結構元素選擇是否合理會對最終細化結果產生直接影響。結構元素是數學形態圖像算法，能夠優于其他算法的重點，同時也是圖像細化的難點。該種方式向教育以往方法而言，算法簡單，運行速度較快[6]。但是在圖像拐角處理中，處理速度較慢。

植物根系形態具備復雜性特點，在細化中會出現不同拐角問題。使用該種細化方式，保障目標連通性。因此，在細化中可以采用內點保留、邊緣點刪除的并行細化算法方式，即使工作效率不高，但是可以滿足相應需求。

4 結束語

綜上所述，計算機視覺技術在植物根系形態分析與構型分析中發揮著重要作用。因此，在分析工作的落實中，為達到良好分析效果，保證分析結果準確性，要對計算機視覺技術有正確認識，明確技術優勢與技術特點，并將其應用在不同分析環節中。