基于特征選擇與骨架提取的種子萌發(fā)的芽長、根長檢測

金沙沙 賈良權(quán) 龍偉 祁亨年 趙光武 高璐 蔣林華

摘要： 芽長是種子活力的一個重要判定標(biāo)準(zhǔn)。傳統(tǒng)的芽長檢測方法采用人工測量方式，存在費(fèi)時費(fèi)力、且受人為主觀因素影響較大等問題。利用數(shù)字圖像處理技術(shù)的芽長自動檢測算法可以提高芽長測量的效率，并且能夠統(tǒng)一測量標(biāo)準(zhǔn)從而避免主觀誤差。本研究基于特征選擇與骨架提取算法原理設(shè)計(jì)了種子芽長、根長檢測復(fù)合算法及軟件，首先利用顏色特征提取葉片信息，并在整株芽長二值圖像中去除葉片區(qū)域信息，其次通過圓盤結(jié)構(gòu)元素與線性結(jié)構(gòu)元素腐蝕圖像分割出種子圖像，獲得種子的中心，再對整株芽長二值圖像進(jìn)行圖像增強(qiáng)和邊緣輪廓處理，最后對芽長圖像進(jìn)行骨架提取與剪枝，依據(jù)像素點(diǎn)間的歐氏距離計(jì)算芽長與根長。通過對玉米、小麥、水稻的芽長和根長進(jìn)行測量，結(jié)果顯示，玉米、小麥與水稻芽長的百分誤差分別為2.90%、2.05%、2.40%;根長的百分誤差分別為1.90%、2.11%、2.02%。說明基于特征選擇與骨架提取檢測方法的復(fù)合算法能夠?qū)崿F(xiàn)對種子萌發(fā)的芽長與根長的高精度、快速檢測。

關(guān)鍵詞： 圖像處理;芽長檢測;根長檢測;顏色特征;骨架提取

中圖分類號： S339.3+1 文獻(xiàn)標(biāo)識碼： A 文章編號： 1000-4440（2021）03-0597-07

Detection of seed bud length and root length based on feature selection and skeleton extraction

JIN Sha-sha1，2， JIA Liang-quan1，2， LONG Wei1，2， QI Heng-nian1，2， ZHAO Guang-wu3， GAO Lu1，2， JIANG Lin-hua1，2

（1.School of Information Engineering， Huzhou University， Huzhou 313100， China;2.Zhejiang Provincial Key Laboratory of Smart Management & Application of Modern Agricultural Resources， Huzhou 313100， China;3.College of Agriculture and Food Sciences， Zhejiang A & F University， Hangzhou 311000， China）

Abstract： Bud length is an important criterion for seed vigor judgement. Traditional detection methods for bud length used manual measurements， which had the problems such as time consuming and the measuring results were affected by experimenters subjective factors greatly. Automatic detection algorithm of bud length using digital image processing technology could improve the detection efficiency and unify the measurement standard to avoid subjective error. A compound algorithm and software for seed bud length and root length detection were designed based on the principle of feature selection and skeleton extraction algorithm. Firstly， the leaf information was extracted based on the color feature， and the leaf region information was wiped off in the binary image of bud length for the whole plant. Secondly， image of the seed was segmented based on eroded images of disk structure element and linear structure element， and the center of the seed was got. Then the binary image for bud length of whole plant was enhancement and the edge contour of the image was processed. After that， skeleton of the bud length image was extracted and the image was pruned， the bud length and root length were calculated according to the Euclidean distance between pixels in the skeleton. Bud length and root length of corn， wheat and rice were measured in the study. The results showed that， average percentage error of the bud length of corn， wheat and rice were 2.90%， 2.05% and 2.40% respectively， while for root length the data were 1.90%， 2.11% and 2.02% respectively. The experimental results show that， the compound algorithm based on feature extraction and skeleton extraction can detect the bud length and root length during seed germination precisely and fastly.

Key words： image processing;bud length;root length;color feature;skeleton extraction

研究結(jié)果表明，種子發(fā)芽時的芽長與根長是衡量種子活力、判斷種子質(zhì)量的重要指標(biāo)[1-3]。在種子發(fā)芽試驗(yàn)中，經(jīng)常要統(tǒng)計(jì)發(fā)芽率、幼苗長度以及生長速度。傅丹桂等[4]對水稻種子活力的測定方法進(jìn)行了比較，結(jié)果發(fā)現(xiàn)在幼苗生長試驗(yàn)中，幼苗芽長與田間出苗率具有極強(qiáng)的相關(guān)性，但芽長需要大量人工測量，故使用幼苗生長試驗(yàn)檢測種子活力的方法并未得到推薦。何晶等[5]研究了不同長度的麥芽與其消食健胃功效的關(guān)系，得出在芽長為0.75～1.25 cm時，麥芽消食的療效達(dá)到最佳。但在此試驗(yàn)中，研究人員需要收集成百上千粒指定長度的麥芽進(jìn)行對照試驗(yàn)，純?nèi)斯ぶ苽溟L度不同的麥芽過程繁瑣、費(fèi)時費(fèi)力，且存在受試驗(yàn)人員主觀因素影響的問題。因此，各類種子發(fā)芽試驗(yàn)均需要一種客觀、快速、自動化獲取芽長的方法。

圖像處理技術(shù)作為一種無損檢測技術(shù)，在植物病蟲害檢測[6]、果蔬分級分類[7]、農(nóng)作物長勢[8]等方面具有良好的應(yīng)用前景。計(jì)算機(jī)內(nèi)存的拓展、體積的微型化、計(jì)算速度的提高、圖像處理技術(shù)的發(fā)展為芽長的自動檢測提供了條件。早在20世紀(jì)九十年代初， Howarth等[9]就開始嘗試使用計(jì)算機(jī)圖像處理技術(shù)、機(jī)器視覺技術(shù)分析生菜和高粱幼苗主根的長度從而確定種子活力。路文超等[10]通過圖像處理技術(shù)研究了小麥麥穗長度測量和小穗數(shù)同步計(jì)數(shù)的方法。Yamamoto等[11]結(jié)合圖像處理技術(shù)與機(jī)器學(xué)習(xí)算法定位番茄幼苗節(jié)點(diǎn)的位置，從而測量番茄幼苗相鄰節(jié)點(diǎn)間的長度以判斷番茄幼苗的活力。張萬紅[12]基于圖像法提出了適用于離體小麥、黃豆、蘋果等葉片的葉面積、葉長等幾何參數(shù)的計(jì)算方法。馮青春等[13]利用廣度立體視覺測量辣椒秧苗的葉片傾角、長度和面積，以實(shí)現(xiàn)智能評估蔬菜秧苗的長勢。Flavel等[14]基于公共圖片處理工具ImageJ開發(fā)了一種從X光斷層掃描三維圖像中分割植物復(fù)雜根系的算法，對植物根系長度與角度進(jìn)行了分析。楊紅云等[15]為了即時監(jiān)控水稻的生長狀況，采用插值法和骨架提取法獲取水稻葉片幾何形狀參數(shù)?？傊?，目前國內(nèi)外對種子發(fā)芽時的根長或芽長的自動檢測方法研究較少，目前還未有完善的針對種子萌芽階段的芽長檢測方法，但是這些利用圖像處理技術(shù)為芽長自動化檢測提供了研究思路，在技術(shù)上有很強(qiáng)的參考價值。

本研究通過采集種子發(fā)芽圖像，基于顏色特征與形狀特征，綜合運(yùn)用形態(tài)學(xué)骨架提取與剪枝算法，獲得種子萌發(fā)的精細(xì)骨架，實(shí)現(xiàn)芽長與根長的自動檢測，并與手工測量方法進(jìn)行了對比，從而驗(yàn)證本研究算法的準(zhǔn)確率。

1 材料與方法

1.1 樣本圖像采集

試驗(yàn)選取發(fā)芽7～14 d且長勢良好的玉米、小麥與水稻幼苗各50株為研究對象。首先以A4紙左右大小的黑色絨布為背景，在卡紙頂端1/5處擺放1枚直徑為25 mm的1元硬幣作為參照物，將玉米、小麥、水稻幼苗分別擺放在絨布中間位置，每次擺放10株幼苗，且相鄰幼苗之間不互相接觸。然后在下午太陽光較弱的時候，使用焦距為4 mm的相機(jī)在垂直于絨布1 m處進(jìn)行拍照，收集清晰、反光少的圖片，并將圖片導(dǎo)入計(jì)算機(jī)硬盤備用。

1.2 試驗(yàn)條件

試驗(yàn)采用基于Dell OptiPlex 3050臺式機(jī)（CPU i7-7700@3.60 GHz，8 GB內(nèi)存，480 GB固態(tài)硬盤）的windows10家庭版64位操作系統(tǒng)，以Matlab R2019a為集成開發(fā)環(huán)境，自主開發(fā)了能夠自動識別、計(jì)算芽長的軟件。軟件的前面板如圖1所示，該軟件基于特征選擇和骨架提取算法進(jìn)行芽長自動識別計(jì)算，可以實(shí)現(xiàn)單幅圖像與多幅圖像長度檢測2種功能。單幅圖像長度檢測面板具有良好的交互性，當(dāng)使用鼠標(biāo)選中圖像數(shù)據(jù)時會在對應(yīng)骨架圖像中發(fā)生響應(yīng);多幅圖像長度檢測可以連續(xù)檢測多幅圖像的長度并將數(shù)據(jù)存入Excel文件中。

1.3 研究方法

1.3.1 特征選取 種子萌芽階段的圖像特征提取是實(shí)現(xiàn)芽長自動化檢測的重要前提條件。根據(jù)經(jīng)驗(yàn)，芽一般呈月白色、嫩綠色或綠色;根一般呈白色。種子的形狀特征在種子萌芽圖像中較為突出，是定位中心的關(guān)鍵一環(huán)。因此本研究利用綠芽的顏色特征，在整株芽的二值圖像中去除綠芽區(qū)域信息，排除綠芽大面積區(qū)域的干擾，結(jié)合種子的形狀特征分割出種子區(qū)域從而求得種子的中心，綜合運(yùn)用形態(tài)學(xué)骨架提取與剪枝算法獲得種子的中心骨架，從而計(jì)算芽長與根長。

1.3.1.1 顏色特征 圖像分析是從圖像中提取有用的數(shù)據(jù)、信息、度量等特征的過程[16]。RGB是最常用的顏色空間之一，包括紅、綠、藍(lán)3個分量的通道。在圖像中，任意像素點(diǎn)的顏色都可以通過3個通道的灰度級來協(xié)同表達(dá)[17]。張志斌等[18]推斷出綠色通道的灰度級同時比藍(lán)色通道和紅色通道的灰度級高。受此啟發(fā)以及對RGB模型彩圖的觀察，本研究經(jīng)過試驗(yàn)得出，在以黑色為背景的RGB圖中，綠芽與根須在RGB顏色空間的灰度級關(guān)系為：

greenleaf=（gvalue-bvalue>10）∩（gvalue-rvalue>10）（1）

whiteroots=（rvalue>70）∩（gvalue>70）∩（bvalue>70）（2）

式子中rvalue、gvalue、bvalue分別表示R、G、B通道的灰度級;greenleaf指只包含綠芽的像素點(diǎn)的集合;whiteroots指剔除了大部分背景的像素點(diǎn)的集合，其中囊括了較細(xì)根須的像素點(diǎn)。

1.3.1.2 形狀特征 種子萌發(fā)的圖像包含了豐富的形狀特征，如種子籽粒的形狀一般可為圓形、矩圓形、橢圓形、卵圓形、馬齒形[19]等。圖2中從左至右分別為馬齒形的玉米種子、橢圓形的小麥種子、細(xì)長形的水稻種子。

在種子萌芽圖中，種子的橫截面寬度一般比芽、根的橫截面寬度大。但隨著葉片的生長，綠葉的寬度可能會超過種子的寬度。因此可以利用顏色特征排除大面積綠色葉片的干擾后，選取盤狀結(jié)構(gòu)元素，對去除綠色葉片后的圖像進(jìn)行腐蝕操作，刪除不大于盤狀結(jié)構(gòu)元素的區(qū)域信息，從而留下只包含種子的連通區(qū)域。

1.3.1.3 閾值分割 閾值分割的目的是為了凸顯目標(biāo)區(qū)域的信息[20-22]。由于本研究的研究目的是測量芽長，因此在特征提取定位后只需關(guān)注位置信息而不再關(guān)心顏色信息，只需輸出2種灰度級：0和255。本研究通過顏色特征區(qū)域定位確定目標(biāo)區(qū)域的閾值，判斷圖像中的每一個像素點(diǎn)是否滿足閾值的要求，從而進(jìn)行閾值分割，其計(jì)算公式如下：

O（r，c）=255， I（r，c）∈ROI0，I（r，c）ROI（3）

式中I（r，c）表示輸入圖像中第r行第c列的像素點(diǎn)的灰度級;ROI為滿足公式（1）或（2）的感興趣區(qū)域的集合。本研究通過在試驗(yàn)過程中對圖像各個像素點(diǎn)三通道灰度級的觀測，得出芽圖像中G通道的灰度級最高，且G通道的灰度級與B通道或R通道的灰度級的差值均大于10的結(jié)論，由此作為芽的分割閾值。本研究采用了較為簡單的黑色背景，觀察圖像三通道的灰度直方圖，發(fā)現(xiàn)三通道低灰度級的交集在0～70，故將三通道灰度級皆低于70的像素點(diǎn)歸為背景。而在圖像分辨率較低的圖像中，較細(xì)的根須的顏色特征不顯著，其輪廓與背景的區(qū)分度沒有芽和較粗根須與背景的區(qū)分度高。普通閾值分割方法容易將其誤認(rèn)為背景。因此本研究將三通道灰度級均大于70的像素點(diǎn)歸為前景，與通過普通閾值分割方法獲得的二值圖相加，作為根須圖像的增強(qiáng)與補(bǔ)充。

1.3.2 骨架提取與剪枝原理 骨架提取是一種圖形細(xì)化算法，其獲取的骨架是一組將原始圖像信息量簡化卻不失連通性與拓補(bǔ)結(jié)構(gòu)的信息，能夠完整表達(dá)圖像形狀的曲線集合[23]。本研究以8連通來確定骨架的連通性，圖3A表示以點(diǎn)P為中心點(diǎn)的8連通。如圖3所示，在8連通下，沒有相鄰骨架點(diǎn)的中心點(diǎn)被稱為孤立點(diǎn);有1個相鄰骨架點(diǎn)的中心點(diǎn)稱為端點(diǎn);有3個及以上相鄰骨架點(diǎn)的中心點(diǎn)被稱為分叉點(diǎn)。由于本研究目的在于測量芽長或根長，因此剪去骨架上的所有分支，只保留中心骨架。

本研究提出了一種端點(diǎn)刪除剪枝法（Endpoints removal pruning）提取中心骨架，其算法流程圖如圖4所示，具體實(shí)現(xiàn)步驟如下：

1） 遍歷圖像，生成骨架端點(diǎn)二值圖。

2） 獲取骨架端點(diǎn)二值圖中各端點(diǎn)的坐標(biāo)，并將端點(diǎn)坐標(biāo)按行排序，得到中心骨架垂直方向上的首端點(diǎn)與尾端點(diǎn)。

3） 刪除骨架端點(diǎn)二值圖中的首尾端點(diǎn)，得到分支端點(diǎn)二值圖。

4） 用骨架二值圖減去分支端點(diǎn)二值圖，得到新的骨架二值圖。

5） 判斷新生成的骨架二值圖中是否只含有2個端點(diǎn)，否則重復(fù)（1）至（4）的操作。當(dāng)新骨架二值圖中只含2個端點(diǎn)時，這2個端點(diǎn)即為中心骨架的首尾端點(diǎn)。此時上一步獲得的新骨架二值圖即為所求的中心骨架圖。

1.3.3 長度計(jì)算方法 本研究采用像素點(diǎn)間的歐式距離計(jì)算骨架的像素長度，其公式為：

L=∑n1（xi-xj）2-（yi-yj）2（4）

式中，L表示所有相鄰像素點(diǎn)間的歐式距離的累加和;（xi，yi）與（xj，yj）分別表示第i個像素點(diǎn)與第j個像素點(diǎn)在圖像中所在的位置;n表示像素點(diǎn)的數(shù)量。骨架頻繁轉(zhuǎn)折的不平滑現(xiàn)象，會導(dǎo)致連續(xù)的像素點(diǎn)之間的距離和大于實(shí)際的芽長、根長。因此本研究在計(jì)算芽長（根長）時每4個（6個）像素點(diǎn)計(jì)算1次歐式距離以減少骨架轉(zhuǎn)折的誤差。

像素距離僅能代表物體的相對長度。為了規(guī)避由相機(jī)像素、拍攝距離、拍攝角度等因素引起的誤差，本研究以直徑為25 mm的1元硬幣為參照物，將像素長度換算成以毫米為單位的實(shí)際長度，其公式為：

ratio=Lcoin/2（5）

Lal=L/ratio（6）

式中，Lcoin代表硬幣的像素長度;ratio表示像素長度與實(shí)際長度的比例;Lal表示物體的實(shí)際長度。

骨架細(xì)化的過程會損失部分長度。芽的直徑越大，所產(chǎn)生的誤差越大。因此需要對骨架長度進(jìn)行修正，其公式為：

Lc=xtb-xtsratio（7）

Lt=Lal+Lc（8）

式中，xtb與xts分別表示增強(qiáng)后的二值圖中芽的頂端與中心骨架頂點(diǎn)所在行數(shù);Lc為修正的距離，Lt為修正后的總長度。

試驗(yàn)中利用Adobe Illustrator在尺寸為A4紙大小的畫布中繪制邊長為5 mm的正方形網(wǎng)格，通過打印機(jī)打印，再使用相機(jī)拍攝并將圖像導(dǎo)入Matlab中，用標(biāo)尺測量各個正方形之間的間隔，發(fā)現(xiàn)本研究所采用的鏡頭會引起視場邊緣的放大率比中心部分高所導(dǎo)致的枕形畸變。硬幣位于芽、根圖像的上方，其拉伸程度大于硬幣下方位置，因此以硬幣作為參考物計(jì)算出的芽長（根長）小于實(shí)際長度。以芽長為例，若將芽長分段，其誤差從芽底端到芽頂端逐漸減小，因此整株芽的長度誤差在可接受的范圍內(nèi)。經(jīng)試驗(yàn)分析，本研究使用的鏡頭畸變引起的測量誤差為0～3 mm。

1.3.4 圖像處理過程 芽長的檢測過程包括圖像預(yù)處理、顏色特征的選取、確定種子中心、圖像增強(qiáng)、圖像邊緣輪廓處理、骨架提取與剪枝及長度的計(jì)算，具體流程如圖5所示。本研究首先對整株芽的灰度圖像進(jìn)行預(yù)處理。為初步降低圖像前景與背景光照不均的影響，本研究利用形態(tài)學(xué)頂帽算法對圖像進(jìn)行開運(yùn)算，并用原圖像減去經(jīng)過形態(tài)學(xué)開運(yùn)算的圖像，從而使種子的圖像，尤其是根部的圖像更為清晰。由于本研究算法中涉及較多結(jié)構(gòu)元素對圖像進(jìn)行腐蝕操作，而圖像的尺寸會影響該腐蝕操作的結(jié)果，因此本研究以500像素作為參照，將圖像的寬度縮小到500像素左右。然后本研究提取圖像中的綠芽與白根的顏色特征、種子的形狀特征從而確定種子的中心，并對整株芽長二值圖像進(jìn)行增強(qiáng)，再結(jié)合種子的中心位置對增強(qiáng)后的二值圖像進(jìn)行邊緣輪廓處理，最后進(jìn)行骨架提取與剪枝。若提取的骨架數(shù)量與中心數(shù)量相等，則對骨架進(jìn)行長度計(jì)算，否則重新對圖像進(jìn)行預(yù)處理，重復(fù)以上步驟。

1.3.5 結(jié)果評價 本研究用自主開發(fā)的芽長檢測軟件測量玉米、小麥、水稻的芽長與根長，并將試驗(yàn)數(shù)據(jù)與手工測量結(jié)果進(jìn)行對比分析，進(jìn)行絕對誤差（Absolute error，AE）和百分誤差（Percentage error，PE）計(jì)算，從而驗(yàn)證算法的可靠性。

AE=h（xj）-yj（9）

PE=AEyi×100%（10）

式中，h（xi）是本研究算法求取的樣本i的測量值，yi是手工測量法求取的樣本i的測量值。

2 結(jié)果與分析

2.1 特征選取

葉片顏色特征選取是為了在圖像中去除面積較大的葉片信息，從而有利于分割出種子。以小麥種子為例，根據(jù)公式（1）提取的綠芽圖像如圖6A所示。利用種子的形狀與圓盤相似的特點(diǎn)，使用strel函數(shù)構(gòu)建半徑為1的圓盤結(jié)構(gòu)元素對去除了葉片干擾的圖像（圖6B）進(jìn)行形態(tài)學(xué)腐蝕[24]，得到圖6C，再分別構(gòu)建長度均為3的垂直結(jié)構(gòu)元素和水平結(jié)構(gòu)元素對圖6C進(jìn)行調(diào)整，提取的種子區(qū)域如圖6D所示。

2.2 確定種子的中心

獲取種子的中心是為了以中心的坐標(biāo)為基準(zhǔn)，在骨架圖中區(qū)分芽與根。圖像腐蝕往往不能一步到位。圖7A為玉米種子萌芽圖像經(jīng)過形態(tài)學(xué)腐蝕操作獲得的二值圖，其中仍有部分小面積區(qū)域干擾種子中心的判定。通過重新識別芽的個數(shù)發(fā)現(xiàn)圖像中有5株芽，因此利用regionprops獲取每個連通區(qū)域的面積和中心坐標(biāo)后，將面積大小按降序排序，保留前5個面積較大的連通區(qū)域。種子特征選取結(jié)果如圖7B所示，最后再次利用regionprops函數(shù)獲取圖7B中種子的中心。試驗(yàn)測試中采用賦值的方法，將RGB圖中與所獲取的各個種子中心的像素點(diǎn)坐標(biāo)對應(yīng)的位置設(shè)為黑色（圖7C），并觀察此黑色像素點(diǎn)是否在種子的中心，包含此坐標(biāo)的水平線是否與種子發(fā)芽點(diǎn)相交。水平線與發(fā)芽點(diǎn)越接近，種子中心位置確認(rèn)的準(zhǔn)確性越高。

2.3 圖像增強(qiáng)

圖像增強(qiáng)是為了解決在將種子萌芽的灰度圖轉(zhuǎn)換為二值圖的過程中，由于根須極細(xì)且灰度級與背景較為接近，部分根須未被識別出來的問題?；叶葓D的圖像增強(qiáng)的方法主要有直方圖均衡、同態(tài)濾波、基于Retinex理論的增強(qiáng)方法等[25]。但是這些圖像增強(qiáng)方法是對圖像整體進(jìn)行光照不均勻的修正，在增強(qiáng)根須的像素時，效果不明顯。因此本研究采用簡單的黑色背景，在拍攝過程中避免圖像反光，從而利用根須的顏色特征提取極細(xì)的根須（圖8C）。經(jīng)計(jì)算，增強(qiáng)后的二值圖（圖8D）比原二值圖中的根須長30個像素的距離。

2.4 圖像邊緣輪廓處理

由于種子根部彎曲、伸展，相鄰種子的根須可能會互相接觸，從而被算法判定為同一個物體，因此需要對圖像的邊緣輪廓進(jìn)行處理。

2.4.1 去除相鄰種子的連通性 記相鄰2個中心點(diǎn)的坐標(biāo)分別為（Cx1，Cy1）、（Cx2，Cy2）。本研究分段提取出以| Cx1 -Cx2 |為寬、| Cy1 -Cy2 |+40為高的矩形區(qū)域，使矩形中線區(qū)域的灰度級為0，從而切斷2個種子之間的連通性。與圖8D相比，切斷連通后的圖9B右側(cè)有明顯切痕，避免側(cè)根與相鄰種子相連通。

2.4.2 保證像素點(diǎn)的連續(xù)性 獲取連續(xù)骨架的關(guān)鍵在于使種子萌芽的圖像保持在一個連通區(qū)域。本研究使用圖3A中的模板遍歷整幅二值圖，提取種子萌芽圖像的邊緣輪廓并用imfill函數(shù)填充封閉輪廓的內(nèi)部，既保證了像素點(diǎn)的連續(xù)性，又避免了骨架細(xì)化時出現(xiàn)閉環(huán)區(qū)域。

2.5 骨架提取與剪枝

為了利用中心骨架上的像素點(diǎn)進(jìn)行長度計(jì)算，本研究利用bwmorph函數(shù)對二值圖像進(jìn)行骨架提取，將圖像中的所有對象都簡化成結(jié)構(gòu)不變的線條。由于前期對相鄰種子間進(jìn)行了切斷連通區(qū)域的處理，圖像中可能存在面積較小的不連通區(qū)域，故此步驟中采用bwareaopen函數(shù)，去除骨架面積小于20的連通區(qū)域。圖10A為已經(jīng)去除不連通區(qū)域的骨架圖，要獲得不含分支的中心骨架還需對骨架進(jìn)行剪枝操作。利用端點(diǎn)刪除剪枝法剪枝的結(jié)果如圖10D所示。獲取骨架上所有像素點(diǎn)的坐標(biāo)，將RGB圖中與此坐標(biāo)對應(yīng)位置的像素點(diǎn)設(shè)為黑色，得到黑色的骨架線，觀察此骨架線與種子芽（根）的中心線是否重合（圖10D），重合度越高，骨架提取準(zhǔn)確性越高。

2.6 數(shù)據(jù)分析

本研究以玉米、小麥、水稻幼苗各50株為研究對象，令每張圖像中含有10株樣本幼苗圖像。在本試驗(yàn)環(huán)境中，算法對于每張圖像的平均運(yùn)行時間約為10 s。玉米、小麥與水稻的試驗(yàn)數(shù)據(jù)與手工測量結(jié)果對比統(tǒng)計(jì)結(jié)果如表1與圖11所示。玉米、小麥與水稻芽長的百分誤差分別為2.90%、2.05%、2.40%;根長的百分誤差分別為1.90%、2.11%、2.02%。一般情況下，由于芽的特征比根的特征簡單，芽長的絕對誤差普遍比根長的絕對誤差小;但由于芽長比根長短，在對其計(jì)算百分誤差時分母較小，因此芽長的百分誤差比根長的百分誤差稍大。大部分絕對誤差較大的根，在靠近種子的區(qū)域，骨架均偏離了主根。造成這個問題的關(guān)鍵在于種子的須根未充分展開，與主根形成了閉環(huán)，在邊緣輪廓內(nèi)部填充之后，須根與主根融為一體，致使后續(xù)的骨架細(xì)化保留的是須根與主根的中心區(qū)域，從而產(chǎn)生了較大的誤差。特殊地，若受培育環(huán)境影響，芽先向地心引力方向生長再朝地心引力反方向生長，則此法在芽與根的骨架分割時會產(chǎn)生誤判，從而致使芽長的絕對誤差較大。

3 結(jié)論

本研究基于Matlab函數(shù)庫，利用圖像處理技術(shù)對種子萌發(fā)的芽長與根長自動檢測算法進(jìn)行了研究，建立了芽、根特征的判別關(guān)系，提出了一種基于端點(diǎn)刪除的剪枝方法，對玉米、小麥、水稻的芽長和根長進(jìn)行了自動檢測試驗(yàn)，并與人工檢測方法進(jìn)行了對比，得出玉米、小麥與水稻芽長的百分誤差分別為2.90%、2.05%、2.40%;根長的百分誤差分別為1.90%、2.11%、2.02%。本研究方法對實(shí)現(xiàn)種子萌發(fā)的芽長與根長的自動檢測具有可行性，可為試驗(yàn)室種子發(fā)芽試驗(yàn)的芽長度計(jì)算等提供算法參考。

本研究提出的方法針對背景簡單的芽、根圖像的檢測效果較好，但對于背景復(fù)雜、不同根須交錯的圖像不能很好地將其分割開來，這一問題的解決亟待研究。鑒于目前通過圖像研究芽長、根長的過程較為繁瑣，在未來的工作中，課題組擬簡化試驗(yàn)操作過程，深入研究僅依靠地面圖像來計(jì)算芽長的方法，以便讓芽長檢測技術(shù)更好地服務(wù)農(nóng)業(yè)生產(chǎn)實(shí)踐。

參考文獻(xiàn)：

[1] MARCOS FILHO J. Seed vigor testing： an overview of the past， present and future perspective[J]. Scientia Agricola， 2015， 72（4）： 363-374.

[2] DENG F， QI H N， ZHAO G W. Seed vigor assessment for Cunninghamia lanceolata and Pinus massoniana using image processing[J]. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（S2）： 274-279.

[3] 何龍生，俞兵橋，趙光武，等. 根長測定法在常規(guī)水稻種子活力測定中的應(yīng)用[J]. 江蘇農(nóng)業(yè)科學(xué)， 2019， 47（11）： 89-93.

[4] 傅丹桂，孫 雁，黃正仙，等. 水稻種子不同活力測定方法的比較[J]. 云南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)）， 2018， 33（5）： 811-817.

[5] 何 晶，陳 敏，陳永剛，等. 基于消食作用優(yōu)選麥芽適宜芽長[J]. 醫(yī)藥導(dǎo)報(bào)， 2018， 37（10）： 1178-1181.

[6] IQBAL Z， KHAN M A， SHARIF M， et al. An automated detection and classification of citrus plant diseases using image processing techniques： a review[J]. Computers and Electronics in Agriculture， 2018， 153： 12-32.

[7] BHARGAVA A， BANSAL A. Fruits and vegetables quality evaluation using computer vision： a review[J]. Journal of King Saud University-Computer and Information Sciences， 2018， doi： https：//doi.org/10.1016/j.jksuci.2018.06.002.

[8] SREEKANTHA D K， KAVYA A M. Agricultural crop monitoring using IOT-a study[C]//KARPAGAM COLLEGE OF ENGINEERING， IEEE MADRAS SECTION. In proceedings of the 2017 11th international conference on intelligent systems and control （ISCO）. Coimbatore， India： IEEE， 2017： 134-139.

[9] HOWARTH M S， STANWOOD P C. Measurement of seedling growth rate by machine vision[J]. Transactions of the ASAE， 1993， 36（3）： 959-963.

[10]路文超，羅 斌，潘大宇，等. 基于圖像處理的小麥穗長和小穗數(shù)同步測量[J].中國農(nóng)機(jī)化學(xué)報(bào)，2016， 37（6）： 210-215.

[11]YAMAMOTO K， GUO W， NINOMIYA S. Node detection and internode length estimation of tomato seedlings based on image analysis and machine learning[J]. Sensors， 2016， 16（7）： 1044.

[12]張萬紅.基于圖像法的離體小麥葉片幾何參數(shù)計(jì)算[J]. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版）， 2018， 44（6）： 748-754.

[13]馮青春，陳 建，李翠玲，等. 基于光度立體視覺的蔬菜秧苗葉片形態(tài)測量方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（5）： 43-50.

[14]FLAVEL R J， GUPPY C N， RABBI S M R， et al. An image processing and analysis tool for identifying and analysing complex plant root systems in 3D soil using non-destructive analysis： root1[J]. PloS One， 2017， 12（5）： e0176433.

[15]楊紅云，路 艷，孫愛珍，等. 水稻葉片幾何參數(shù)無損測量方法研究[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2020， 42（2）： 407-418.

[16]楊 丹. Matlab圖像處理實(shí)例詳解[M]. 北京： 清華大學(xué)出版社， 2013： 311-317.

[17]杜梟雄. 蘋果采摘機(jī)器人視覺系統(tǒng)的目標(biāo)識別研究[D]. 漢中：陜西理工大學(xué)， 2019.

[18]張志斌，羅錫文，臧 英，等. 基于顏色特征的綠色作物圖像分割算法[J].農(nóng)業(yè)工程學(xué)報(bào)， 2011， 27（7）： 183-189.

[19]李洪池，羅 建. 西藏色季拉山區(qū)龍膽科植物種子微形態(tài)特征及其系統(tǒng)分類學(xué)意義[J]. 植物科學(xué)學(xué)報(bào)， 2019， 37（6）： 699-708.

[20]董 松，徐曉輝，宋 濤，等. 基于過渡區(qū)研究的黃瓜病害識別方法[J].南方農(nóng)業(yè)學(xué)報(bào)，2019，50（9）：2119-2126.

[21]趙建鵬，楊秀峰，李國洪，等. 基于面向?qū)ο蟮脑O(shè)施蔬菜高分遙感影像提取[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2019，35（4）：911-918.

[22]佘銀海，王新彥. 基于雙目立體視覺的草坪植株高度測量[J].江蘇農(nóng)業(yè)科學(xué)，2020，48（4）：215-221.

[23]王金玲. 保持圖像骨架連續(xù)的剪枝技術(shù)及相關(guān)問題研究[D]. 濟(jì)南： 山東師范大學(xué)， 2010.

[24]GONZALEZ R C， WOODS R E. Digital image processing [M]. 3rd Edition.Beijing： Publishing House of Electronics Industry， 2017.

[25]梁 琳，何衛(wèi)平，雷 蕾，等. 光照不均圖像增強(qiáng)方法綜述[J]. 計(jì)算機(jī)應(yīng)用研究， 2010， 27（5）： 1625-1628.

（責(zé)任編輯：陳海霞）