基于SUSAN的葉片圖像處理檢測小麥干旱脅迫狀態(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，采用邊緣檢測算法提取出小麥葉片的邊緣，并根據(jù)所檢測出來的噪聲點數(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精確，使用小麥葉片中存在噪聲點自動估算干旱脅迫是可行的，可為基于計算機視覺的干旱程度自動檢測打下基礎(chǔ)。

圖像分割；干旱脅迫；邊緣檢測；小麥葉片；SUSAN

小麥?zhǔn)侵袊饕募Z食作物，也是中國重要的商品糧和主要的糧食儲備品種[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》國家標(biāo)準(zhǔn)，將干旱劃分為5個等級：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，果實脫落，對農(nóng)作物和生態(tài)環(huán)境造成較嚴(yán)重影響，對工業(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，通過自動檢測植物葉片的性狀，可以從一個側(cè)面反映出干旱的程度。傳統(tǒng)估計小麥葉片的干枯程度都是采用人工肉眼的判斷，費時費力，而且由于人工判斷存在一定的誤差。隨著計算機視覺的發(fā)展，使用數(shù)字圖像處理技術(shù)對小麥葉片圖像進(jìn)行自動檢測，對小麥葉片圖像數(shù)據(jù)進(jìn)行分析，為研究小麥對干旱脅迫的響應(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，邊緣檢測已經(jīng)成為圖像處理領(lǐng)域中一個重要的環(huán)節(jié),有著廣泛的應(yīng)用[2]。圖像邊緣檢測的相關(guān)理論研究已趨于成熟,經(jīng)典的邊緣檢測算子有Canny、Sobel、Laplace、Roberts、SUSAN[3]等。本研究結(jié)合所測目標(biāo)圖像小麥葉片中葉片邊緣點連續(xù)的性狀特征，采用基于SUSAN的種子點生長邊緣檢測算法[4]，對干旱脅迫狀態(tài)下的小麥葉片圖像和正常小麥葉片圖像進(jìn)行特征邊緣點提取，根據(jù)提取出的邊緣點對小麥葉片圖像進(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圖像相比，葉片上會存在噪聲點，先將原圖像進(jìn)行二值化處理，然后統(tǒng)計出干旱脅迫狀態(tài)下噪聲點的個數(shù)，即可用于判定小麥葉片對干旱脅迫的響應(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 簡單圖像中的5個圓形模板

1 研究方法

1.1 小麥葉片圖像邊緣檢測

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，圓形模板的中心稱為核心[5]。把圓形模板放在不同的5個位置上，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，認(rèn)為灰度相同。與核的灰度相同的像素數(shù)目之和稱為模板的面積(USUAN)。USUAN區(qū)域的大小可以由式(1)給出：

式中：r和r0分別是模板中心點和模板中其他某點的坐標(biāo)，c(r,r0)為相似比較函數(shù)，n(r0)表示計算出的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，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，為進(jìn)一步小麥干枯葉片中噪聲點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 小麥葉片面積的計算

為了計算小麥葉片面積，利用提取出的圖像邊緣點對圖像進(jìn)行分割，提取出目標(biāo)區(qū)域。由于葉片圖像中的像素點具有連通性，可先標(biāo)記出連通區(qū)域。然后對屬于小麥葉片的連通區(qū)域統(tǒng)計像素點的數(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，然后對二值圖像進(jìn)行連通區(qū)域分析，采用區(qū)域增長的方法標(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)計出白色像素點數(shù)和黑色像素點數(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被判定為屬于葉片像素點，其灰度值以255表示，否則這些像素點被排除在物體區(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。因為葉片顏色為綠色，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，閾值t=135時，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，找到一個未標(biāo)記區(qū)域的第一點，標(biāo)記該點；檢查該點的八鄰域點并標(biāo)記滿足連通性要求，且還未被標(biāo)記過的像素點，同時將新增的標(biāo)記點記錄下來作為“區(qū)域增長”的種子點[8]。然后對種子點庫中的所有種子點進(jìn)行生長，判斷各個種子點8-鄰域內(nèi)的像素點是否和種子點屬于同一連通區(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，即圖像中像素點的取值只能有2種取值：0和255。在后續(xù)的標(biāo)記的過程中，不斷地從記錄種子點的數(shù)組中取出1個種子，施行上述的操作，如此循環(huán)，直到記錄種子點的數(shù)組為空[9]。一個連通區(qū)域標(biāo)記結(jié)束，接著再標(biāo)記下一個未標(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)，對分析出的連通區(qū)域，結(jié)合檢測出的圖像邊緣點重新分配顏色。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)域為白色連通區(qū)。

逐行掃描顏色重新分配的二值化圖像，統(tǒng)計出圖像中所有的黑色像素點個數(shù)和白色像素點個數(shù)。從實驗圖片檢測結(jié)果可知，干枯葉片圖像中由于存在干枯像素噪聲點，和正常葉片圖像相比白色像素點的數(shù)量應(yīng)該比正常葉片的大，設(shè)x=白色像素點個數(shù)/黑色像素點個數(shù)，x可用于簡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小麥生長發(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邊緣檢測算子對圖像提取邊緣點，結(jié)果如圖4和圖8所示，由于干枯葉片中存在噪聲點，因此邊緣圖像的提取不理想。采用二值化處理，和邊緣檢測的方法相比，能更好的提取出干枯圖像的邊緣點信息，如圖9所示，由于提取出的邊緣點存在一些孤立噪聲點，且圖像背景中存在很多噪聲點。對圖9使用區(qū)域增長法標(biāo)記連通區(qū)域，得到如圖10所示的干枯葉片邊緣點圖像。

對圖6所示的標(biāo)記過連通區(qū)的正常葉片進(jìn)行像素點統(tǒng)計，圖像大小256×594，白色像素點數(shù)65519，黑色像素點數(shù)85696，x=65519/85696≈0.7646。對圖10所示的干枯葉片圖像，圖像大小256×594，白色像素點數(shù)67927，黑色像素點數(shù)83288，x=67927/83288≈0.8156。結(jié)果表明，x值越大，白色像素點數(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)所檢測出來的噪聲點數(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)計的算法能夠自動估算檢測出小麥葉片受干旱脅迫的程度，可為小麥對干旱脅迫的響應(yīng)研究提供了技術(shù)參考，為基于計算機視覺的干旱程度自動檢測打下基礎(chǔ)。

[1]魏益民,歐陽紹輝,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].麥類作物學(xué)報,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的種子點生長邊緣檢測算法[J].計算機系統(tǒng)應(yīng)用,2010,19(7):204-206.

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

[6]陳 恒.基于改進(jìn)Susan算法的實時邊緣檢測電路設(shè)計[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].計算機工程與應(yīng)用,2006,42(25):46-47

[9]陳 強.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。