基于計(jì)算機(jī)圖像處理技術(shù)的葉面特征參數(shù)無(wú)損測(cè)量研究進(jìn)展

林雪梅 劉迎湖 謝利等

摘要相比傳統(tǒng)方法計(jì)算葉片特征參數(shù)，無(wú)損圖像處理技術(shù)無(wú)需采摘葉片，在保持植株完整株型的前提下為下一次數(shù)據(jù)測(cè)量提供了保障并應(yīng)用先進(jìn)的計(jì)算技術(shù)準(zhǔn)確計(jì)算植株的各種特征值，無(wú)損圖像處理技術(shù)逐漸成為國(guó)內(nèi)外學(xué)者研究植物生長(zhǎng)形態(tài)的重要手段。介紹基于數(shù)碼技術(shù)的葉面積計(jì)算方法和基于圖像處理的葉片輪廓建模方法，概述數(shù)碼技術(shù)應(yīng)用于葉面積計(jì)算的國(guó)內(nèi)外研究進(jìn)展，總結(jié)歸納葉片輪廓提取方法和擬合方法的優(yōu)缺點(diǎn)，并指出應(yīng)用圖像處理技術(shù)計(jì)算葉面積仍需進(jìn)一步解決的問(wèn)題。

關(guān)鍵詞無(wú)損測(cè)量；葉面積計(jì)算；圖像處理；輪廓建模

中圖分類號(hào)S176文獻(xiàn)標(biāo)識(shí)碼A文章編號(hào)0517-6611（2014）23-08029-03

基金項(xiàng)目廣東省教育部產(chǎn)學(xué)研結(jié)合項(xiàng)目（2011B090400510）；廣東省教育部產(chǎn)學(xué)研結(jié)合項(xiàng)目（2012B091100480）。

作者簡(jiǎn)介林雪梅（1989- ），女，廣東陽(yáng)江人，碩士研究生，研究方向：生物數(shù)學(xué)與微分方程應(yīng)用。*通訊作者， 副教授，碩士，碩士生導(dǎo)師，從事花卉栽培、能源植物資源與能源轉(zhuǎn)化技術(shù)以及草坪生態(tài)與環(huán)境管理研究。

收稿日期20140703葉片是植物光合作用的主要器官，其發(fā)育狀況和葉面積大小直接影響作物生長(zhǎng)、抗病性及產(chǎn)量，葉片特征研究是植物生長(zhǎng)研究的重要內(nèi)容。獲取葉片特征參數(shù)，一般采用兩種方法：一種是傳統(tǒng)的破壞性測(cè)量，即隨機(jī)選取某一植株，有損地測(cè)量其葉面積、葉長(zhǎng)等葉片特征參數(shù)及其干、鮮重量。此測(cè)量方法的結(jié)果雖準(zhǔn)確但較為耗時(shí)繁瑣，不能大規(guī)模地搜集數(shù)據(jù)，且不能對(duì)同一植株進(jìn)行連續(xù)的生長(zhǎng)測(cè)量并破壞植株的生長(zhǎng)平衡。二是采用接觸式傳感器測(cè)量植株葉面特征參數(shù)等。此方法雖然方便，但是成本高，傳感器的開(kāi)發(fā)難度大，且在接觸植物的過(guò)程中不可避免地影響植物的生長(zhǎng)狀態(tài)。因此，如何對(duì)植物生長(zhǎng)連續(xù)快速地進(jìn)行無(wú)損檢測(cè)，成為國(guó)內(nèi)外學(xué)者的熱點(diǎn)研究?jī)?nèi)容。為此，筆者概述了國(guó)內(nèi)外對(duì)無(wú)損測(cè)量中葉面積計(jì)算和葉片輪廓提取與模擬等方面的最新研究進(jìn)展，并進(jìn)一步指出相關(guān)研究還需解決的問(wèn)題。

1葉面積無(wú)損測(cè)量技術(shù)

1.1圖片采樣技術(shù)圖片的采樣方法主要包括掃描采樣法、相機(jī)采樣法。其中，掃描采樣法在計(jì)算葉面積的像素法中應(yīng)用較廣泛。自由路等通過(guò)掃描技術(shù)應(yīng)用數(shù)字圖像法建立了測(cè)算葉面積的方法[2-6]。數(shù)字圖像法能快速、便捷、精確地計(jì)算葉面積，但應(yīng)用也存在局限性：①不能一次測(cè)出多片葉子的單個(gè)面積；②受參照物面積的影響比較大，有時(shí)需要對(duì)計(jì)算結(jié)果進(jìn)行校正才能得到準(zhǔn)確的實(shí)際葉面積；③由于從獲取圖片到計(jì)算葉面積整個(gè)過(guò)程需要較多的時(shí)間，并不適合大量的葉面積測(cè)量工作；④葉片需要離體測(cè)量、破壞植物和采集圖像，如果出現(xiàn)傾斜則失真等。2002年鮑雅靜等首次提出利用普通相機(jī)采集照片通過(guò)像素法計(jì)算草片的實(shí)際面積，但需要將葉片剪下來(lái)[7]。

如何解決葉片圖像采樣過(guò)程中存在有損采樣、圖像失真以及計(jì)算技術(shù)等缺陷，成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)。

1.2無(wú)損測(cè)量葉面積的計(jì)算方法

1.2.1像素法。像素法是根據(jù)圖片像素在總像素中所占的比例得出圖像面積的一種計(jì)算方法，該方法源于網(wǎng)格法，主要應(yīng)用于數(shù)字圖像。FematIDiaz等采用掃描儀獲得葉片的彩色圖像，與圖像處理方法相結(jié)合，用像素法計(jì)算葉面積[8]。

針對(duì)葉片圖像采樣過(guò)程中圖像存在有損測(cè)量的缺陷，曹志剛等利用數(shù)碼相機(jī)和手持標(biāo)準(zhǔn)面積板獲取葉片圖像，通過(guò)運(yùn)行VB程序分析圖像計(jì)算葉面積，進(jìn)行無(wú)損測(cè)算[9]。范克俊等對(duì)此方法進(jìn)行了改良，利用數(shù)碼相機(jī)拍照獲取葉片和直尺的圖像，利用Photoshop軟件對(duì)圖像進(jìn)行處理， 統(tǒng)計(jì)葉片的像素?cái)?shù)和每平方厘米面積的像素?cái)?shù)，從而計(jì)算葉片的實(shí)際面積[10]。

在無(wú)損測(cè)量中，采用數(shù)碼相機(jī)獲取圖像的方法得到廣泛的應(yīng)用。馬彥平等以數(shù)字圖像處理技術(shù)與Visual C++6.0相結(jié)合進(jìn)行區(qū)域標(biāo)記與區(qū)域像素?cái)?shù)統(tǒng)計(jì)，從而獲得玉米葉片實(shí)際面積[11]。Chen等用數(shù)碼相機(jī)獲取葉片的數(shù)字圖像，通過(guò)圖像處理技術(shù)獲得葉片的圖像像素點(diǎn)總數(shù)，根據(jù)葉片像素點(diǎn)總數(shù)與參考面像素點(diǎn)的總數(shù)之比得出葉面積系數(shù)，從而獲得單片葉片的總面積[12]。此方法對(duì)于表面有缺陷例如洞、烤焦等的葉面同樣適用。

隨著科技的發(fā)展，應(yīng)用智能手機(jī)計(jì)算葉片面積得到發(fā)展。Han等通過(guò)智能手機(jī)采集葉片圖像，以邊長(zhǎng)為3的長(zhǎng)方形為參考物，在手機(jī)上通過(guò)OTSU方法分離葉片區(qū)域和背景，最后根據(jù)葉片區(qū)域與參考物長(zhǎng)方形的像素比例求出該葉片的葉面積。試驗(yàn)結(jié)果表明，該方法與傳統(tǒng)方法數(shù)碼相機(jī)和電腦相比具有同等精度[13]。

1.2.2CCD測(cè)量面積法。CCD法（Charge-coupled Device）又稱為CCD圖像傳感器，是一種計(jì)算不規(guī)則平面物體面積的有效方法。它能把光學(xué)影像轉(zhuǎn)化為數(shù)字信號(hào)，將植入的微小光敏物質(zhì)作像素，像素越多，提供的畫(huà)面分辨率越高。很多研究學(xué)者把CCD圖像傳感器與計(jì)算機(jī)相結(jié)合，得出所要計(jì)算圖片中圖像像素，從而得到圖像的面積。

張全法等以CCD為圖像傳感器與計(jì)算機(jī)相結(jié)合統(tǒng)計(jì)所得葉片圖像的像元數(shù)，通過(guò)測(cè)量選定標(biāo)準(zhǔn)物體的面積得到圖像面積的比例系數(shù)，從而計(jì)算出葉片的實(shí)際面積。雖然CCD法具有測(cè)量精度高、測(cè)量范圍大、使用方便等特點(diǎn)，但測(cè)量精度會(huì)受到很多因素影響，如幾何畸變等[14]。針對(duì)圖像存在幾何畸變的缺陷，左欣等基于改進(jìn)的Hough變換校提取控制點(diǎn)，采用雙線性空間變換進(jìn)行幾何校正，從而改進(jìn)了張全法等的CCD測(cè)量面積法，更加適應(yīng)野外植物葉片面積的非破壞性測(cè)量的需要[15]。

1.2.3CAD圖形分析法。隨著二維繪圖軟件AutoCAD的快速發(fā)展和普及使用，許多學(xué)者利用AutoCAD程序中的area命令計(jì)算葉片圖像的面積。田青等在對(duì)闊葉類和針葉類植物葉面積的測(cè)量中，采用數(shù)碼相機(jī)獲取葉片的數(shù)字圖像，應(yīng)用AutoCAD軟件計(jì)算植物葉面積[16]。劉浩等利用掃描儀獲取番茄和青椒葉片圖像后，通過(guò)AutoCAD計(jì)算葉片實(shí)際面積[17]。AutoCAD葉片面積圖像處理技術(shù)精度高，不受葉片大小、形狀和厚度等因素的影響，不僅可以測(cè)定像青椒等規(guī)則葉片，還可以對(duì)如番茄等不規(guī)則葉片和針葉類等葉片進(jìn)行準(zhǔn)確測(cè)定。

1.2.4Mapinfo方法。Mapinfo是美國(guó)Mapinfo公司推出的桌面地理信息系統(tǒng)軟件，提供了屏幕矢量化功能，廣泛應(yīng)用于眾多領(lǐng)域。吳玉德等是我國(guó)把該軟件應(yīng)用于葉面積測(cè)算的第一人，通過(guò)掃描儀參照標(biāo)準(zhǔn)計(jì)算紙采集樹(shù)木葉片柵格圖像，通過(guò)Mapinfo軟件的屏幕矢量化功能得到樹(shù)木葉片輪廓矢量圖，進(jìn)而通過(guò)該軟件的內(nèi)置菜單得到樹(shù)木葉面積[18]。Mapinfo方法具有嚴(yán)謹(jǐn)?shù)目茖W(xué)性，其顯著優(yōu)點(diǎn)是快速、精確，可用于所有葉片，不受葉片大小、形狀、厚度等因素的影響。不足之處是必須采用標(biāo)準(zhǔn)計(jì)算紙，葉面積的測(cè)定精度受標(biāo)準(zhǔn)計(jì)算紙本身精度的影響比較大，因此必須保證標(biāo)準(zhǔn)計(jì)算紙的精度。

1.2.5機(jī)器視覺(jué)技術(shù)法。機(jī)器視覺(jué)是一種應(yīng)用計(jì)算機(jī)模擬目標(biāo)外顯或宏觀視覺(jué)功能的技術(shù)，是用圖像創(chuàng)建或回復(fù)顯示目標(biāo)，用計(jì)算機(jī)來(lái)局部實(shí)現(xiàn)人的視覺(jué)功能和在一定場(chǎng)合拓寬或輔助人的視覺(jué)功能。將圖像處理與機(jī)器視覺(jué)技術(shù)結(jié)合后可以實(shí)現(xiàn)連續(xù)、快速的無(wú)損檢測(cè)，可對(duì)植物葉面積、葉柄夾角、莖桿直徑等生長(zhǎng)特征參數(shù)進(jìn)行有效檢測(cè)。

He采用雙目立體視覺(jué)，對(duì)甘薯幼苗進(jìn)行了無(wú)損檢測(cè)[19]。陳鼎才等將此方法進(jìn)一步改進(jìn)后的方法能更好地適應(yīng)野外活體葉面積的測(cè)量計(jì)算，具有較高測(cè)量精度和較低測(cè)量難度，還可以對(duì)葉面積數(shù)據(jù)進(jìn)行管理和分析，為作物生長(zhǎng)檢測(cè)提供有力的數(shù)據(jù)支持，從而具有廣泛的應(yīng)用前景[20]?；跈C(jī)器視覺(jué)的無(wú)損測(cè)量，通過(guò)采集大量的植物生長(zhǎng)信息，統(tǒng)計(jì)并比較出不同品種植物在不同生長(zhǎng)條件或不同生長(zhǎng)時(shí)期的生長(zhǎng)速率，進(jìn)而指導(dǎo)環(huán)境控制，提供合理的生長(zhǎng)所需，合理篩選出適合培育的品種，幫助指導(dǎo)實(shí)際生產(chǎn)，減少盲目性。

2圖像處理在葉片輪廓建模中的應(yīng)用

葉片形狀是辨別不同植物的另一個(gè)重要特征，是植物識(shí)別的重要工具，因此，植物葉片輪廓曲線形狀研究十分重要。Wang等應(yīng)用分割與形態(tài)學(xué)運(yùn)算可自動(dòng)控制標(biāo)點(diǎn)的分水嶺算法，分割具有復(fù)雜的背景圖像，然后通過(guò)所提取的二值圖像中的形狀特征點(diǎn)，得出完整葉片特征點(diǎn)[21]。Caballero等對(duì)植物葉片輪廓的提取進(jìn)行了探索[22]。Li等指出，采用snakes技術(shù)與細(xì)胞神經(jīng)網(wǎng)絡(luò)系統(tǒng)相結(jié)合，可靈活準(zhǔn)確地提取植物葉片的葉脈[23]。王靜文等采用Williams和Shah提出的貪心算法，通過(guò)對(duì)輪廓點(diǎn)周圍的局部近鄰進(jìn)行檢索選取具有更小Snake 模型能量的新輪廓，改進(jìn)了Snake模型。該方法提取標(biāo)本葉片輪廓，排除了原來(lái)的陰影區(qū)域，保留了原來(lái)葉片圖像的細(xì)節(jié)，比傳統(tǒng)模型提取的輪廓更加精確[24]。

用圖像技術(shù)中的輪廓檢測(cè)有以下幾項(xiàng)要求：①輪廓的定位要高；② 不同尺度的輪廓應(yīng)有良好的響應(yīng)，并盡量減少漏檢；③應(yīng)對(duì)噪聲不敏感；④檢測(cè)靈敏度應(yīng)受輪廓方向影響小。目前，主要的邊緣檢測(cè)提取方法有邊界跟蹤法和邊緣檢測(cè)算法。

2.1邊界跟蹤法邊界跟蹤法的基本原理是先根據(jù)圖像特征，大步距地尋找邊緣起始點(diǎn)，再?gòu)钠鹗键c(diǎn)開(kāi)始，小步距遞進(jìn)式地尋找出各個(gè)要素點(diǎn)，最后將這些要素點(diǎn)連成平滑的曲線。Michael和Suen于1981借鑒該思想提出一個(gè)較為完善的邊界跟蹤算法，但算法的描述以及終止的判別條件并不嚴(yán)格。鄧小同等對(duì)Michael和Suen的算法做了一些改進(jìn)，提供了較為嚴(yán)格的數(shù)學(xué)描述，并給出算法正確性以及封閉性的證明[25]。此后，相關(guān)邊界跟蹤法的研究更多。賀忠海等提出的方法是在圖形較簡(jiǎn)單的情況下，可完成與傳統(tǒng)邊緣檢測(cè)方法相同的工作[26]。周秀芝等針對(duì)傳統(tǒng)邊界跟蹤算法易出現(xiàn)漏跟蹤或者跟蹤斷裂的確定，利用交叉點(diǎn)描述邊界跟蹤的不同方向，形成以交叉點(diǎn)為結(jié)點(diǎn)的目標(biāo)邊界的樹(shù)結(jié)構(gòu)描述，通過(guò)對(duì)樹(shù)的遍歷獲得目標(biāo)邊界的跟蹤序列[27]。

傳統(tǒng)的邊界跟蹤算法主要包括蟲(chóng)跟隨法、光柵掃描法以及T算法[28]。目前，用于葉片輪廓檢測(cè)的典型輪廓跟蹤法是方向鄰域法，主要有四鄰域[29]、八鄰域[30]、十六鄰域[31]。

2.2邊緣檢測(cè)算子一般導(dǎo)數(shù)用來(lái)描述連續(xù)函數(shù)的變化。因此，可以使用偏導(dǎo)數(shù)描述邊緣的檢測(cè)算子，并且可以用圖像函數(shù)最大增長(zhǎng)方向的梯度來(lái)描述圖像函數(shù)的變化。邊緣檢測(cè)首先檢測(cè)出圖像局部特性的不連續(xù)，然后將這些不連續(xù)的邊緣像素連成完整的邊界。邊緣檢測(cè)算子的實(shí)質(zhì)是檢測(cè)出符合邊緣特性的邊緣像素點(diǎn)。

目前，主要的邊緣檢測(cè)算子有一階微分邊緣檢測(cè)算子和二階微分邊緣檢測(cè)算子。其中，一階微分邊緣檢測(cè)算子包括差分邊緣檢測(cè)算子、Roberts交叉微分算子、Sobel微分算子、Prewitt微分算子。二階微分邊緣檢測(cè)算子包括Laplacian算子、Wallis算子、LOG算子、canny微分算子。

現(xiàn)有的邊緣檢測(cè)算子十分成熟，但這些算子都有圖像質(zhì)量及環(huán)境的限制。例如，Roberts算子邊緣定位準(zhǔn)，但對(duì)噪聲敏感，可用于邊緣明顯而且噪聲較少的圖像。Sobel算子對(duì)噪聲具有平滑作用，能夠提供較為精確的邊緣信息，但由于局部平均的影響，也會(huì)檢測(cè)出許多偽邊緣，且得到的邊緣較粗，定位不高。Laplacian算子基于二階導(dǎo)數(shù)的零交叉，具有各向同性，即與坐標(biāo)軸方向無(wú)關(guān)，坐標(biāo)軸旋轉(zhuǎn)后梯度結(jié)果不變，因此邊緣檢測(cè)效果較好，但是其對(duì)噪聲比較敏感[32-34]。

2.3輪廓線的擬合植物葉形的建模是研究虛擬植物的重要組成部分，定量描述植物葉片形態(tài)結(jié)構(gòu)可更好地確定植物葉片形狀的幾何模型。同時(shí)，擬合葉片的輪廓曲線可更好地刻畫(huà)植物葉片形狀。目前，關(guān)于擬合葉片曲線的研究已取得了一定的進(jìn)展。

根據(jù)不同葉片輪廓表現(xiàn)出來(lái)的不同形狀特征，研究者用不同的數(shù)學(xué)方法解決了相應(yīng)的數(shù)學(xué)問(wèn)題。Chi等將葉片的輪廓表示成徑向角的函數(shù)，采用三次Bezier曲線作為葉形幾何建模的基本元素，既提高了計(jì)算量，又復(fù)雜了葉片輪廓的幾何特征[35]。曾茂林等以植物葉片輪廓的建模為例，先構(gòu)造出刻畫(huà)葉片輪廓形態(tài)的形狀函數(shù)，再利用小波分析法快速重構(gòu)不同葉片的輪廓形狀函數(shù)，成功地對(duì)植物葉片輪廓進(jìn)行幾何建模。該方法具有數(shù)據(jù)存儲(chǔ)量小、建模速度快等優(yōu)點(diǎn)，并且適用于鋸齒形狀的葉片[36]。

擬合輪廓線的方法中，應(yīng)用最為廣泛的是多項(xiàng)式樣條函數(shù)。例如，蘇禮楷等通過(guò)邊緣掃描算法提取邊界點(diǎn)，然后利用三次樣條曲線建立了植物葉片的幾何模型，具有數(shù)據(jù)量少、幾何特征簡(jiǎn)單等優(yōu)點(diǎn)，但不能很好地適用于鋸齒形葉片[37]。鑒于該思想，謝秋菊等利用邊緣檢測(cè)技術(shù)提取出大豆葉片形態(tài)數(shù)據(jù)，通過(guò)計(jì)算機(jī)圖形學(xué)中的三次參數(shù)樣條曲線擬合大豆葉片的輪廓曲線，得到了更具有真實(shí)感的大豆葉片模型，為靜態(tài)虛擬植物葉片建模研究提供必要的方法，具有一定的實(shí)踐價(jià)值[38]。除此之外，王靜文等提取葉片圖像的角點(diǎn)作為輪廓特征點(diǎn)，利用三次均勻B樣條曲線進(jìn)行初步插值擬合，并根據(jù)擬合誤差采用改進(jìn)的節(jié)點(diǎn)插入算法進(jìn)行反復(fù)迭代，達(dá)到所要求的擬合精度。該方法能夠更快地達(dá)到逼近精度，具有良好的模擬效果，有一定的實(shí)際應(yīng)用價(jià)值[39]。杜德彭等結(jié)合三次均勻B樣條曲線的特征，利用功能特征組合得到基本型值點(diǎn)，擬合出葉片的輪廓曲線，并反求控制點(diǎn)，得到了基本葉形特征的輪廓模型，提高了對(duì)葉片輪廓邊緣的控制和交互調(diào)節(jié)[40]。

3結(jié)語(yǔ)

綜上所述，通過(guò)數(shù)碼技術(shù)離題采集葉片圖像，利用圖像處理技術(shù)計(jì)算葉面積，不僅快速、可靠和準(zhǔn)確，而且降低成本，可推廣到其他大田作物，應(yīng)用到實(shí)際生產(chǎn)生活中，為農(nóng)業(yè)生產(chǎn)生活及廣大農(nóng)業(yè)科研人員提供切實(shí)可行的科學(xué)方法。但與傳統(tǒng)的拋物線法以及復(fù)印稱重法相比較，用圖像處理法計(jì)算葉片面積的結(jié)果與實(shí)際的結(jié)果有一定的差距，原因在于圖像處理方面還沒(méi)有很好地解決葉片傾向、葉片變形、葉片顫動(dòng)和自然光變化對(duì)圖像帶來(lái)的閾值分割誤差等問(wèn)題，讀取圖片過(guò)程容易丟失數(shù)據(jù)，計(jì)算葉面積不免存在誤差。所以，今后的研究任務(wù)是：選取可靠、快捷、準(zhǔn)確的彩色圖像獲取方法，探索出基于圖像處理的最佳輪廓提取及其擬合方法，并且把葉面積無(wú)損測(cè)量與葉片輪廓建模有機(jī)地結(jié)合起來(lái)，把拋物線法計(jì)算葉面積的原理應(yīng)用到葉片面積的計(jì)算中，應(yīng)用積分理論計(jì)算葉長(zhǎng)，實(shí)現(xiàn)特征值的計(jì)算機(jī)可視化，不僅可以提高計(jì)算精度，而且可為計(jì)算葉片特征值提供新方法、新思路。

42卷23期林雪梅等基于計(jì)算機(jī)圖像處理技術(shù)的葉面特征參數(shù)無(wú)損測(cè)量研究進(jìn)展參考文獻(xiàn)

[1] 馮冬霞， 施生錦.葉面積測(cè)定方法的研究效果初報(bào)[J].中國(guó)農(nóng)學(xué)通報(bào)， 2005， 121（6）：150-152，155.

[2] 自由路， 楊俐蘋(píng).基于圖像處理的植物葉面積測(cè)定方法[J].農(nóng)業(yè)網(wǎng)絡(luò)信息 ，2004（1）：36-38.

[3] 肖強(qiáng)， 葉文景， 朱珠， 等.利用數(shù)碼相機(jī)和Photoshop軟件非破壞性測(cè)定葉面積的簡(jiǎn)便方法[J].生態(tài)學(xué)雜志， 2005， 24（6）：711-714.

[4] 楊勁峰， 陳清， 韓曉日， 等.數(shù)字圖像處理技術(shù)在蔬菜葉面積測(cè)量中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào)， 2002， 18（4）：155-158.

[5] 石劍飛， 殷璀艷， 冷鎖虎， 等.采用數(shù)碼圖像處理法測(cè)定油菜葉面積的方法探討[J].中國(guó)油料作物學(xué)報(bào)， 2010， 32（3）：379-382.

[6] 李寶光， 陶秀花， 倪國(guó)平， 等.掃描像素法測(cè)定植物葉面積的研究[J].江西農(nóng)業(yè)學(xué)報(bào)，2006， 18（3）：78-81.

[7] 鮑雅靜， 李政海， 張穎.羊草葉面積測(cè)量方法的比較[J].內(nèi)蒙古大學(xué)學(xué)報(bào)：自然科學(xué)版，2002， 33（1）：62-64.

[8] FEMATDIAZ A，VARGASVAZQUEZ D，HUERTAMANZANILLA E， etal.Scanner image methodology （SIM） to measure dimensions of leaves for agronomical applications[J].African Journal of Biotechnology， 2013， 10（10）：1840-1847.

[9] 曹志剛， 馮仲科， 龍春玲， 等.基于數(shù)字?jǐn)z影與計(jì)算機(jī)圖形技術(shù)的植物葉面積測(cè)量方法[J].河北科技師范學(xué)院學(xué)報(bào)， 2004， 18（1）：39-41.

[10] 苑克俊， 劉慶忠， 李圣龍， 等.利用數(shù)碼相機(jī)測(cè)定果樹(shù)葉面積的新方法[J].園藝學(xué)報(bào)， 2006， 33（4）：829-832.

[11] 馬彥平， 白由路， 高祥照， 等.基于數(shù)字圖像的玉米葉面積測(cè)量方法研究[J].中國(guó)農(nóng)學(xué)通報(bào)， 2009， 25（22）：329-334.

[12] CHEN B，F(xiàn)U Z， PAN Y， et al.Single leaf area measurement using digital camera image[M]//Computer and Computing Technologies in Agriculture IV.Springer Berlin Heidelberg， 2011：525-530.

[13] HAN D，ZHANG F.Leaf area measurement embeded in smart mobile phone[M]//Advances in Intelligent Systems.Springer Berlin Heidelberg， 2012：207-213.

[14] 張全法， 馮絢， 何金田， 等.植物葉面積測(cè)量系統(tǒng)的設(shè)計(jì)及應(yīng)用[J].河南農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2001， 35（4）：383-386.

[15] 左欣， 韓斌， 程嘉林.基于數(shù)字圖像處理的植物葉面積測(cè)量方法[J].計(jì)算機(jī)工程與應(yīng)用， 2006， 27（2）：194-221.

[16] 田青， 曹致中， 張睿.基于數(shù)碼相機(jī)和AutoCAD軟件測(cè)定園林植物葉面積的簡(jiǎn)便方法[J].草原與草坪， 2008（3）：25-28.

[17] 劉浩， 孫景生， 段愛(ài)旺， 等.基于AutoCAD軟件確定番茄與青椒葉面積的簡(jiǎn)易方法[J].中國(guó)農(nóng)學(xué)通報(bào)， 2009， 25（5）：287-293.

[18] 吳玉德， 張鵬.基于Mapinfo的樹(shù)木葉面積測(cè)定方法[J].林業(yè)調(diào)查規(guī)劃， 2005， 30（6）：23-24.

[19] HE D.Development of a plug-transplant production system and an image analysis system for use in sweet potato[D].Japan：Chiba University， 2002.

[20] 陳鼎才， 王定成， 查金水.基于機(jī)器視覺(jué)的現(xiàn)實(shí)葉片面積測(cè)量方法的研究[J].計(jì)算機(jī)應(yīng)用， 2006， 26（5）：1226-1228.

[21] WANG X F，HUANG D S，DU J X，et al.Classification of plant leaf images with complicated background[J].Applied Mathematics and Computation 2008， 205（2）：916-926.

[22] CABALLERO C，ARANDA M C.Plant species identification using leaf image retrieval[C]//Proceedings of the ACM International Conference on Image and Video Retrieval.ACM， 2010：327-334.

[23] LI Y F，ZHU Q S，CAO Y K，et al.A leaf vein extraction method based on cnakes technique[C]//China Neural Networks Council（CNNC），IEEE Computational Intelligence Society Beijing Chapter.Proceedings of 2005 International Conference on Neural Networks & Brain（ICNN&B05）.China Neural Networks Council（CNNC）、IEEE Computational Intelligence Society Beijing Chapter，2005：4.