微根窗圖像中根系的自動分割方法

石 銳，朱 鑫，劉 輝，劉晶淼，賈慶宇

1.重慶大學(xué) 計(jì)算機(jī)學(xué)院，重慶 400044

2.中國氣象局沈陽大氣環(huán)境研究所，沈陽 110016

微根窗圖像中根系的自動分割方法

石 銳1，朱 鑫1，劉 輝1，劉晶淼2，賈慶宇2

1.重慶大學(xué) 計(jì)算機(jī)學(xué)院，重慶 400044

2.中國氣象局沈陽大氣環(huán)境研究所，沈陽 110016

1 引言

根系的生長狀況對植物有著至關(guān)重要的影響，根據(jù)根系的生長情況可以得出該地區(qū)的氣候特征及土壤特性，對根系進(jìn)行研究的意義是重大的，然而根系是隱藏在地表下的，不易對其直接觀察，采用由人工取根、洗根來獲得根構(gòu)型參數(shù)的方法，不僅浪費(fèi)時(shí)間、人力和物力，而且易造成根部損壞[1]。

微根窗技術(shù)的提出給植物根系的研究帶來了很大的方便[2]，使得直接在土壤中觀測植物的生長狀況成為了可能。為了從圖像中獲取根構(gòu)型參數(shù)，首先需要對微根窗圖像進(jìn)行分割提取出植物根系，然后對分割得到的二值圖像使用形態(tài)學(xué)的方法計(jì)算出根系的直徑、長度、面積、體積等參數(shù)，對定期獲取的植物根部圖像進(jìn)行處理，可分析根系形態(tài)參數(shù)的變化，通過這些變化來研究植物的生長狀況。如何從有著復(fù)雜背景的微根窗圖像中精確提取出植物根系是獲得根構(gòu)型參數(shù)前提。

目前，國內(nèi)外關(guān)于微根窗圖像的根系自動分割方法的研究較少，只有Guang Zeng等人提出了有效的自動分割算法，該方法利用根系橫截面灰度分布特征，在高斯匹配濾波預(yù)處理的基礎(chǔ)上采用局部閾值分割[3]方法來提取根系的方法，取得了較好的分割效果[4-5]。該方法已經(jīng)被集成到微根窗圖像分析軟件Rootfly，并被應(yīng)用到具體的實(shí)踐中，但是該方法可能會丟失根系分叉點(diǎn)及細(xì)小較暗的根系。本文根據(jù)實(shí)際根系圖像的特點(diǎn)，提出了一種新的自動提取微根窗圖像中根系的方法。該方法首先提取微根窗圖像中根系的中心線，然后計(jì)算中心線上各像素的方向，使用定向局部對比度方法檢測中心線兩側(cè)根系像素，得到最終分割的圖像。該方法在分割的同時(shí)還可以準(zhǔn)確地計(jì)算根系邊界及直徑。

2 微根窗圖像的采集

微根窗技術(shù)因其能夠在不影響根系生長狀態(tài)的前提下在土壤中通過圖像記錄直接觀測植物根系的生長情況而被廣泛應(yīng)用于植物的根系研究分析中，微根窗技術(shù)已經(jīng)成為最有前途的研究根系生態(tài)學(xué)的方法，該技術(shù)一個(gè)典型的微根窗圖像采集系統(tǒng)如圖1所示。該采集系統(tǒng)由插入土壤中微根窗管、標(biāo)定手柄、控制器、攝像機(jī)和一臺計(jì)算機(jī)構(gòu)成。由于微根窗圖像采集系統(tǒng)長期深入土中采集根系圖像，圖像的采集環(huán)境較差，光的衍射、光照不均勻、攝像頭聚焦不良等因素都會導(dǎo)致圖像變得不清晰，圖像對比度差，且采集到的圖像背景中含有很多灰度值與根系相似的土壤顆粒及碎石，給圖像分割帶來很大困難。

圖1 微根窗圖像采集系統(tǒng)

3 根系的自動分割

因?yàn)楦祱D像的綠色分量圖對比度較高，所以采用綠色分量圖進(jìn)行處理。根系圖像的綠色分量圖如圖2所示，圖像中背景區(qū)域像素較暗，而根系像素及一些碎石等噪聲像素較亮，直接使用基于閾值的方法進(jìn)行分割會將一些噪聲識別成根系，且分割后的根系是間斷的，不連續(xù)的，分割效果較差；使用基于分類[6-7]的方法將圖像中每個(gè)像素劃分為背景和目標(biāo)，由于圖片質(zhì)量較差，背景復(fù)雜，對圖像進(jìn)行特征提取比較困難，且基于分類的方法需要大量的先驗(yàn)知識，而這些先驗(yàn)知識在現(xiàn)實(shí)中是很難獲取到的，所以基于分類的方法也不適用于處理該類圖像。

圖2 微根窗圖像

觀察圖像可以發(fā)現(xiàn)，圖像中根系的網(wǎng)絡(luò)結(jié)構(gòu)較為清晰，所以本文提出的自動分割方法先進(jìn)行根系中心線提取，然后檢測根系中心線上的端點(diǎn)，再根據(jù)端點(diǎn)將中心線分割成線段，計(jì)算中心線線段上每個(gè)像素的方向信息，根據(jù)方向信息使用改進(jìn)的DLC方法檢測根系中心線附近的根系像素，得到最終的分割結(jié)果，具體步驟如下。

3.1 根系中心線的提取

采用文獻(xiàn)[8]提出的基于脊線檢測的方法在原始圖上提取根系中心線。首先對獲取到的原始圖像進(jìn)行脊線檢測[9]，此時(shí)得到的脊線既包含微根窗圖像的根系中心線，也包含大量的非根系像素點(diǎn)，然后對圖像進(jìn)行預(yù)處理：由于微根窗圖像采集過程中有光照不均的情況出現(xiàn)，所以使用公式（1）先進(jìn)行圖像照度均衡處理，

式中I為原圖像，m=128，Iw表示以(x，y)為中心的大小為w×w窗口的均值，Ieq是均衡后的圖像；由于圖像中根系的對比度較差，且根系粗細(xì)不一，采用多尺度top-hat變換對照度均衡后的圖像進(jìn)行形態(tài)增強(qiáng)處理。然后將增強(qiáng)圖像進(jìn)行otsu閾值分割，將各尺度的分割結(jié)果求和再與脊線檢測得到的結(jié)果相與得到最終的根系中心線。為去除碎石，土壤顆粒等噪聲的影響，采用長度濾波方法，將長度小于20的中心線去除?；诩咕€檢測的中心線提取方法能夠檢測出對比度較低和細(xì)小的根系，且提取到的根系中心線整體連續(xù)性較好，通過此方法得到的微根窗圖像的根系中心線如圖3所示。提取到中心線后下一步驟就是將其分段，計(jì)算各段上的像素方向，進(jìn)而檢測根系像素。

圖3 中心線提取圖

3.2 根系中心線端點(diǎn)檢測

根系中心線是一個(gè)寬度為單像素的根系交叉二值圖像，其中根系中心線灰度值為1，背景灰度值為0，該圖像清晰地展現(xiàn)了微根窗圖像中根系的形態(tài)特征，將中心線上像素點(diǎn)分成以下三種類型：

（1）終點(diǎn)，此類像素點(diǎn)的8-鄰域中只有一個(gè)像素點(diǎn)在根系中心線上，在根系上表現(xiàn)為根系的起始點(diǎn)或者根系的末端點(diǎn)，如圖4中的點(diǎn) p1和 p2。

（2）分支點(diǎn)，此類像素點(diǎn)的8-鄰域中有3個(gè)或3個(gè)以上的像素點(diǎn)在根系中心線上，且這3個(gè)像素相互間不存在4-鄰域的情況，在根系上表現(xiàn)為根系的分叉點(diǎn)，如圖4中的點(diǎn)p3和p4。

（3）普通連接點(diǎn)，此類像素點(diǎn)的8-鄰域中有2個(gè)像素點(diǎn)在根系中心線上，在根系上表現(xiàn)為根系的中間點(diǎn)，如圖4中的點(diǎn)p5。

圖4 端點(diǎn)示意圖

使用公式（2）計(jì)算根系中心線上每個(gè)像素點(diǎn) p的8-鄰域中灰度值為1的像素點(diǎn)個(gè)數(shù)C(px，py)：

根據(jù)C(px，py)的值提取出分支點(diǎn)和終點(diǎn)，C(px，py)的值為1對應(yīng)的像素點(diǎn)為終點(diǎn)，C(px，py)的值大于等于3且8-鄰域根系中心線像素之間不存在4-鄰域?qū)?yīng)的像素點(diǎn)為分支點(diǎn)，圖4標(biāo)記出了根系中心線圖像的所有分支點(diǎn)和終點(diǎn)。

將連接分支點(diǎn)與分支點(diǎn)之間的根系中心線稱為主干，連接終點(diǎn)與終點(diǎn)或者分支點(diǎn)與終點(diǎn)之間的根系中心線稱為分支，提取出圖4中根系中心線的所有主干與分支，便于后續(xù)的根系像素檢測。

3.3 根系中心線各像素方向計(jì)算

對所有主干和分支，分別計(jì)算每個(gè)像素點(diǎn)的方向。從分支點(diǎn)和終點(diǎn)出發(fā)，設(shè) pk為當(dāng)前像素點(diǎn)，距離 pk長度為d個(gè)像素的點(diǎn)設(shè)為 pk+d，用如下公式計(jì)算像素點(diǎn) pk的方向。

式中，?y為垂直方向的增量即行增量，?x為水平方向的增量即列增量，?y為 pk+d與 pk的行坐標(biāo)之差，?x為 pk+d與 pk的列坐標(biāo)之差，角度以x軸為基準(zhǔn)度量，計(jì)算所有主干與分支線段各像素的方向信息，獲取根系中心線所有像素點(diǎn)的方向。

3.4 根系像素的檢測

通過分析根系橫截面的灰度輪廓發(fā)現(xiàn)距離根系中心線越遠(yuǎn)的點(diǎn)灰度值越小[10]，圖5為圖2中其中一條根系正面的橫截面的灰度級輪廓，因此在獲取微根窗圖像中根系中心線的位置和方向后，使用定向局部對比度（DLC）算法[11]

圖5 橫截面灰度輪廓圖

來檢測中心線兩側(cè)的根系像素。

DLC值可用公式（4）求得：

圖6 DLC方法示意圖及檢測結(jié)果

定向局部對比度方法可以檢測到大部分根系像素，但將該方法直接用于微根窗圖像根系分割中還需解決如下問題：定向局部對比度方法只沿與中心線像素方向垂直的θ方向檢測根系像素，當(dāng)根系存在弧度時(shí)，檢測到的根系像素之間會存在間隙，需要對這些可能出現(xiàn)的間隙填充或者在檢測的時(shí)候防止此類間隙的出現(xiàn)。本文在沿θ方向檢測根系像素時(shí)，對于每個(gè)中心線像素還分別沿θ±?θ的方向進(jìn)行檢測，從而解決了這一問題；根系上可能會有灰度值較小的暗斑，在用定向局部對比度方法檢測到這些像素時(shí)，得到的DLC值要小于設(shè)定的閾值T，這時(shí)不能直接認(rèn)定該像素不屬于根系，需要繼續(xù)沿θ方向檢測，如果之后的連續(xù)兩個(gè)像素的DLC值仍小于閾值T，則認(rèn)定這三個(gè)像素不是根系像素，這三個(gè)像素之前檢測到DLC值大于閾值T的像素為根系的邊界，在沿θ方向和θ的反方向檢測時(shí)可以獲取到根系的兩個(gè)邊界像素，這時(shí)便可求出此段根系的直徑[12]：

4 實(shí)驗(yàn)結(jié)果及分析

4.1 實(shí)驗(yàn)分割結(jié)果

實(shí)驗(yàn)系統(tǒng)配置為：1.6 GHz主頻，2 GB內(nèi)存的雙核PC機(jī)，程序運(yùn)行在MATLAB R2012a軟件環(huán)境下，實(shí)驗(yàn)中使用現(xiàn)實(shí)環(huán)境中采集到的微根窗圖像來驗(yàn)證本文所提出算法的實(shí)用性，圖像大小為600像素×400像素。設(shè)置實(shí)驗(yàn)中的步長參數(shù)d=4，DLC檢測時(shí)使用的鄰域長度r=6，角度偏移量偏?θ=15°，閾值T=0.02，應(yīng)用此算法對采集到的微根窗圖像進(jìn)行根系分割的結(jié)果如圖7所示，第一行為原始的微根窗圖像，第二行為Guang Zeng等人提出的算法進(jìn)行分割的結(jié)果，第三行為本文算法得出的分割圖像，最下面一行為人工目視判讀分割出的結(jié)果，從圖中可以看出，Guang zeng提出的算法會丟失細(xì)小較暗的根系，對于根系直徑差別較大的多根圖像分割效果也不太理想，且該方法在得到初步分割結(jié)果后通過分類的方法區(qū)分根系與土壤顆粒、碎石等噪聲時(shí)需要大量的先驗(yàn)知識，而這在現(xiàn)實(shí)中是很難得到的。本文所提出的方法可以很好地提取出細(xì)小較暗的根系，且對于直徑差別大的微根窗圖像也有良好的分割效果，在進(jìn)行分割的同時(shí)還可以獲取每段根系的直徑，便于后續(xù)對根系參數(shù)的定量分析[13-14]。

圖7 分割效果對比

4.2 算法性能量化分析

本文提取了20張圖像作為實(shí)驗(yàn)數(shù)據(jù)，表1是對這20張圖像分別使用Guang Zeng算法和本文算法進(jìn)行分割的平均精度比較，表中正確提取率Ptrue，錯(cuò)誤提取率Pfalse和準(zhǔn)確率Pacc的計(jì)算公式如下：

其中，TN為正確分割為根系像素的個(gè)數(shù)，Nrp為標(biāo)準(zhǔn)圖像中根系像素的個(gè)數(shù)，F(xiàn)N為錯(cuò)分為根系像素的個(gè)數(shù)，Nurp為標(biāo)準(zhǔn)圖像中背景像素的個(gè)數(shù)，TUN為正確分割為背景像素的個(gè)數(shù)[15]。從表1中可以看出本文提出的方法要優(yōu)于Guan Zeng算法，在錯(cuò)誤率提取上減少了1.14%，準(zhǔn)確率增加了3.88%。

表1 平均分割精度 （%）

圖8為使用本文提出的算法對20張圖像進(jìn)行分割后得到的分割性能度量圖，顯示了每幅圖像的分割準(zhǔn)確率，錯(cuò)誤提取率和正確率。

圖8 分割性能度量圖

5 結(jié)束語

微根窗技術(shù)的出現(xiàn)使得對根系生態(tài)學(xué)的研究有了較快的發(fā)展。目前，國內(nèi)外對于微根窗圖像根系的自動分割及自動獲取根構(gòu)型參數(shù)的研究還比較少，本文提出了基于根系中心線提取，確定中心線像素方向，使用定向局部對比度方法檢測根系像素的自動分割方法，充分利用了根系的生態(tài)特征，在對根系分割的同時(shí)可以準(zhǔn)確獲取到根系的直徑信息，實(shí)驗(yàn)證明該方法有較好的魯棒性，優(yōu)于guang zeng提出的算法，具有一定的應(yīng)用價(jià)值，但是繼續(xù)提高算法的性能及如何精確獲取根構(gòu)型參數(shù)還有待于進(jìn)一步的研究。

[1]白文明，程維信，李凌浩.微根窗技術(shù)及其在植物根系研究中的應(yīng)用[J].生態(tài)學(xué)報(bào)，2005，25（11）：57-60.

[2]史建偉，于水強(qiáng)，于立忠.微根窗在細(xì)根研究中的應(yīng)用[J].應(yīng)用生態(tài)學(xué)報(bào)，2006，17（4）：715-719.

[3]Chauduri S，Chatterjee S，Katz N，et al.Detection of blood vessels in retinal images using two-dimensional matched filters[J].IEEE Trans on Medical Imaging，1989，8（2）：263-269.

[4]Zeng Guang，Birchfield S T.Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding[J].Machine Vision and Applications，2006，17（4）：265-278.

[5]Zeng Guang，Birchfield S T.Automatic discrimination of fine roots in minirhizotron images[J].New Phytologist，2008，177（2）：549-557.

[6]宋蓓蓓，韋娜.FCM分割和形態(tài)學(xué)的瀝青路面圖像裂縫提取[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（4）：35-38.

[7]謝意，楊玲.自適應(yīng)模型的水平集圖像分割方法[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（27）：225-228.

[8]陳驥，劉尚平，彭承琳.利用脊線檢測實(shí)現(xiàn)視網(wǎng)膜血管中心線的精確提取[J].重慶大學(xué)學(xué)報(bào)，2011，34（8）：1-7.

[9]許燕，胡廣書，商麗華.基于Hessian矩陣的冠狀動脈中心線的跟蹤算法[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，47（6）：889-892.

[10]Nguyen U T V，Bhuiyan A.An effective retinal blood vessel segmentation method using multi-scale line detection[J].Pattern Recognition，2013，46（3）：703-715.

[11]Zhang M，Liu J C.Directional local contrast based blood vessel detection in retinal images[C]//IEEE International Conference on Image Processing.New York：IEEE Signal Processing Society，2007：317-320.

[12]陸建榮，斯海晨，郁道銀.冠狀動脈血管直徑測量方法的研究[J].中國生物醫(yī)學(xué)工程學(xué)報(bào)，2005，24（4）：510-512.

[13]周壽軍，楊俊，陳武凡.一種從X射線血管造影圖像中自動分割冠狀動脈的新方法[J].中國科學(xué)：F輯 信息科學(xué)，2007，37（12）：1531-1543.

[14]許燕，薛輝，胡廣書.用血管造影圖形分析的冠脈參數(shù)測量[J].清華大學(xué)學(xué)報(bào)，2008，48（3）：430-434.

[15]Staal J J，Abramoff M D，Niemeijier M，et al.Ridge based vessel segmentation in color images of the retina[J].IEEE Transations on Medical Imaging，2004，23（4）：501-509.

SHI Rui1,ZHU Xin1,LIU Hui1,LIU Jingmiao2,JIA Qingyu2

1.College of Computer Science,Chongqing University,Chongqing 400044,China
2.Shenyang Institute of Atmospheric Environment,Shenyang 110016,China

The growth status of roots can reflect the region’s climate and soil characteristics,and whether the root is flourishing or not can response the whole plant’s health.Research on the ecological parameter of root is the foundation of the root’s growth condition.Manual processing of minirhizotron images is time-consuming and strenuously,this paper puts forward a kind of automatic segmentation method in minirhizotron images.It extracts centerlines of minirhizotron images based on ridge detection, then computes the directional information of each pixel in centerlines,uses the directional local contrast method to detect pixels on either side of the centerline.Experimental results show that compared with the traditional method,this method is effective.

image segmentation;minirhizotron images;centerline;directional local contrast

植物根系的生長狀況可以反映該地區(qū)的氣候以及土壤特性，根系的發(fā)達(dá)與否也能夠反應(yīng)整株植物的健康情況。研究根系的生態(tài)參數(shù)是研究根系生長狀況的基礎(chǔ)，目前對于微根窗圖像的處理都是通過人工手動方式實(shí)現(xiàn)的，費(fèi)時(shí)費(fèi)力。提出了一種微根窗圖像根系的自動分割方法，使用基于脊線檢測的方法獲取微根窗圖像中根系的中心線，計(jì)算中心線上所有像素點(diǎn)的方向，采用改進(jìn)的定向局部對比度方法檢測出中心線兩側(cè)的根系像素得到分割后的圖像。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)分割方法相比，方法具有良好的分割效果。

圖像分割；微根窗圖像；中心線；定向局部對比度

A

TP391.41

10.3778/j.issn.1002-8331.1304-0423

SHI Rui,ZHU Xin,LIU Hui,et al.Automatic segmentation method in minirhizotron images.Computer Engineering and Applications,2013,49（23）：181-185.

科技部項(xiàng)目（No.2012EG137242）。

石銳（1968—），女，博士，副教授，主要研究方向?yàn)閳D像處理與模式識別；朱鑫（1989—），男，碩士研究生，主要研究方向?yàn)橛?jì)算機(jī)軟件與理論、圖像處理。E-mail：shirui99@163.com

2013-04-28

2013-05-21

1002-8331（2013）23-0181-05

CNKI出版日期：2013-08-27 http://www.cnki.net/kcms/detail/11.2127.TP.20130827.1602.007.html

book=185,ebook=190