基于图像处理技术对植物叶片面积测量.pdf

现代计算机Modern Computer第 29 卷 第 14 期2023 年 7 月 25 日基于图像处理技术对植物叶片面积测量郝晓峰*，于蓉蓉（西京学院计算机学院，西安 710200）摘要：针对叶片面积测量，设计并实现一种基于图像处理对叶片面积进行测量的方法。利用CDD摄像机获取植物叶片图像，对采集的植物叶片图像进行图像分割和边缘检测，通过对比Sobel、Robert、Prewitt和Canny算子选取理想图片，再利用形态学处理对缝隙和噪音进行平滑处理，最后通过像素统计法获得测量面积，与真实面积进行相关性分析。该方法可以准确、便捷地测量植物叶片的面积。关键词：图像处理；边缘检测；面积；像素文章编号:10071423（2023）14003305DOI:10.3969/j.issn.10071423.2023.14.007收稿日期：20230411修稿日期：20230423基金项目：西京学院研究生横向课题项目（2023610002001334）：农业种植智能公共数据服务系统的设计与开发作者简介：*通信作者：郝晓峰（1998），男，山东菏泽人，在读硕士，研究方向为图像处理，Email：；于蓉蓉（1985），女，河南南阳人，硕士，副教授，讲师，研究方向为非线性动力学与同步控制系统理论、混沌控制理论、复杂动力系统数值计算分析、神经元系统的动力学分析0引言植物的光合作用影响着植物的作物产量，光合作用和植物叶片有关系，叶面积对植物的产物影响较大，叶面积与植物作物是成正比关系，因此测量叶面积对植物作物有非常重要的影响1。如何提高速度和准确无误地测量植物叶面积对农业发展具有重要的意义。在过去的几年里，已经提出了许多测量方法，如叶面积仪测定法、方格法、剪纸称质量法。韩殿元等2提出用颜色通道相似与自适应阈值分割计算植物叶面积和标准参照物的像素数目，然后通过两者对比计算植物叶面积。于东玉等3提出双边滤波和拉普拉斯算子首先对图形预处理，图像分割用分水岭算法，最后用比例法测量出植物叶片面积。本研究采用相对参考物法4，通过 CCD摄像机采集图像，用加权平均法进行灰度化，用最小差分法进行图像分割，再通过调节对比度使模糊不清的原始图像富含大量有用信息，边缘检测通过Sobel、Robert、Prewitt和Canny算子方法比较选用效果较好的 Canny算子，通过形态学处理对空隙填充，再通过中值滤波处理去除噪音获取理想图片，最后通过经典算法像素统计法测量植物叶片的面积5。1实验方法1 1.1 1图像采集图像采集利用CCD摄像机对目标进行图像采集，先将植物叶放在有参照矩阵和白色背景的纸板中；然后将CDD摄像机镜头与植物叶片垂直，并调节 CDD 摄像机的参数，保证拍摄的图像清晰，采集植物叶片的原始图像，如图1所示。图 1采集的原始图像 33现代计算机2023年图像采集完成后，需要对图像进行灰度变换，灰度变换可以提高图像的丰富度，突出植物叶片的主要特征，彩色图像转化灰度图像从而降低存储空间并提高图像的计算速度。该研究的整体流程如图2所示。植物叶片数字图像图像采集增强后的图像预处理叶片区域图像图像分割图像处理的结果像素统计真实叶面积精度分析相关性分析传统测量法图 2整体流程1 1.2 2预处理预处理由于CDD摄像机拍摄的是彩色图像，彩色图像存储空间大，用图像处理机器计算速度较慢，为了进行下一步处理，需要先将图像转换为灰度图像。灰度变换是图像增强的一种手段，使图形动态范围加大，对比度在色素扩展，图形更清晰，特征更明显且灰色图像存储空间较小，同时可以提高图像数据处理速度。在色彩学理论中分为 RGB 颜色空间、HSV 颜色空间、HSI颜色空间，其中RGB颜色空间通常用于显示器系统，利用物理学中的三原色彩叠加原理，可以产生各种颜色，因此本次研究选择RGB颜色空间。目前灰度化的常用方法是最大值法、平均值法、加权平均值法。本次研究选用的是加权平均法，由于人的视觉系统对RGB分量的敏感度不同，R、G、B的分量选取比例分别为0.30、0.59、0.11，该比例是较适合人眼视觉，加权平均法的公式为f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)（1）其中：f(i,j)代表(i,j)处的灰度值，R(i,j)代表彩色图像的红色分量、G(i,j)代表彩色图像的绿色分量、B(i,j)代表彩色图像的蓝色分量。1 1.3 3图像分割图像分割图像预处理后，对植物叶片图像背景与目标进行分割，图像分割适用于目标和背景占据不同灰度级范围的图像，既可以减少数据量又可以简化分析和处理8，为了突出目标和背景不同灰度级，本次研究使用白色背景板。对植物叶片进行图像分割时，为分割范围适用更广，尤其是室外破坏性质的采摘测量，目前图像分割常用的办法有极小点阈值法、最小均方误差法、双峰法、最大类间方差法。本研究采用最小均方误差法。具体步骤如下：令z表示灰度值，p(z)表示灰度值概率密度函数的估计值，则描述图像中整体灰度变换的混合密度函数是：p(z)=P1p1(z)+P2p2(z)=P12 1exp-()z-12212+P22 2exp-()z-22222（2）其中：1和2是背景和前景的平均灰度值；1和2分别是关于均值的均方差；p1（z）与p2（z）表示灰度值概率密度函数的估计值；P1与P2是前 景 和 背 景 具 有 参 数 z 的 像 素 概 率。如 果1 2，需要定义一个阈值T，小于T的灰度值的像素是背景，大于T的像素是目标。这样，把目标像素划错的概率是：E1(T)=-Tp1(z)dz（3）E2(T)=-Tp2(z)dz（4）E(T)=p2E1(T)+p1E2(T)（5）其中：E1(T)代表前景划错的概率；E2(T)代表背景划错的概率；E(T)代表总的误差概率。为求得误差最小的阈值可将E(T)对T求导并令导数为零得：P1p1(z)=P2p2(z)（6）T=1+22+21-2ln(p2p1)（7）若p1=p2=0.5，最佳阈值是均值的平均数：T=1+22（8）调节对比度可以将灰度化模糊不清甚至无法分辨的原始图像处理成清晰的富含大量有用 34郝晓峰等：基于图像处理技术对植物叶片面积测量第14期信息的图像，通过调节对比度，可以有效去除图像中的噪音、增强图像中的边缘或其他需要的区域，从而更加容易对图像中需要的目标进行检测和测量。调节对比度前后效果分别如图3和如图4所示。图 3调节对比度之前的图片图 4调节对比度之后的图片1 1.4 4边缘检测边缘检测边缘是目标区域的一部分，且承载了图像中大部分语义和含有大量的形状信息，边缘也是图像从彩色图像转变成灰色图像时发生突变的地方，同时也是图像两个灰度值相似像素点的集合，边缘检测是通过寻找边缘像素获取物体的轮廓，轮廓中保存图像中重要的信息，边缘检测的提取基本思想是检测不同像素点的灰度变化8，算子与图像进行卷积运算，对高频信号响应应该过零点。因为噪音在图像中是高频信号，所以边缘检测会对噪音产生呼应。不同算子对不同图像的噪音敏感度不同，去噪的实际效果不同。对于离散的数字图像进行图像处理时，存在一阶差分和二阶差分边缘检测算子。一阶边缘检测算子有Prewitt算子、Sobel算子、Roberts算子等，二阶边缘算子有拉普拉斯算子、高斯-拉普拉斯算子、高斯差分算子等，目前边缘检测常用的方法是Roberts算子、Laplace算子、Sobel 算子、Prewitt 算子、Canny 算子，本次研究通过对比选用效果较好的算子。该五种算子得到的图像如图5所示。调节对比后的图像Roberts算子图像Laplace算子图像Sobel算子图像Prewitt算子图像Canny算子图像图 5五种算子得到的图像通过对比可以明显看出，Canny算子效果较好，符合实验要求，本研究选用 Canny边缘检测5。叶片的边缘与内部存在许多的缝隙，需要对该结果进行进一步的优化处理，对于植物叶片内部缝隙采用形态学处理，对缝隙进行填充，由于拍摄时有外部因素存在，会在植物叶片图像中产生噪音，可以通过形态学处理来解决噪音这一问题，它不仅可以获得清晰的图像，也可以增强图像的频率。针对噪音通过中值滤波消除孤立的噪音点，从而获取到理想的植物叶片二值化图像6。中值滤波是非线性平滑滤波技术，它最关键的地方在于中值两字，通过排序选择的一种思想来消除独立的噪音，第一步是图像某一个邻域内的像素值用来排序，再用这一个领域排序获得的中值来代替需要处理的像素，该像素是这一邻域内最接近真实值的像素。第二步定义一个长度为L且长度L为奇数的窗口，因为 L是奇数的情况下中值滤波器的识别效果较好；反之L为偶数时识别效果较差，所谓L一般等于2N+1，N为正整数，公式为 35现代计算机2023年Y(i)=MedX(i-N),X(i),X(i+N),i Z（9）其中：Med表示中值，Y(i)代表用中值滤波器输出的像素中值，X(i)代表邻域中的不同像素值。经过形态学和去噪处理获得的最终图像如图 6所示。图 6形态学处理后的图像1 1.5 5标记与面积计算标记与面积计算通过像素统计计算叶面积8。设c1和c2分别表示叶面积和正方形面积。设p1和p2分别表示图像中植物叶子的像素数和图像中正方形内的像素数。因此计算叶面积的公式为c1=c2p1p2（10）其中：p2是已知，p1可以通过统计填充图像中灰度值为 255的像素点的数量进行获取，因此可以获取c1，再通过与传统测量法获取真实面积，与基于图像处理获得的叶片面积进行相关性分析，结果见表1。表 1相关性分析植物叶片12345数据植物像素数量180609208680186830164485170219c1/cm233.581138.800534.737830.583231.6494实际面积/cm230.437729.737431.953733.861328.7852测量误差3.14343.06312.78413.27812.87422结语本文以植物叶片作为研究对象，基于图像处理技术对植物叶片几何数据获得和面积测量进行研究，提出了一种利用CDD摄像机和矩阵标本作为参照物来测量植物叶片面积的方法9，该方法具有效率高、速度快、劳动量小等优点。整个过程从采集植物叶片开始，到植物叶片处理过程加权平均法的灰度化、Canny算子的边缘检测，调节对比度、叶片区域提取以及最后用像素统计法进行面积测量。与实际面积的误差很小，满足日常的需求。参考文献：1 吕书财，徐瑶，陈国兴，等.大豆冠层光合有效辐射、叶面积指数及产量对种植密度的响应 J.江苏农业科学，2018，46（18）：6872.2 韩殿元，黄心渊，付慧，等.基于彩色通道相似性图像分割方法的植物叶面积计算 J.农业工程学报，2012，28（6）：179183.3 于东玉，冯天祥，李奕昕，等.基于植物图像的活体叶片面积测量方法研究与实现 J.智能计算机与应用，2019，9（4）：173176.4 徐贵力，毛罕平，胡永光.基于计算机视觉技术参考物法测量叶片面积 J.农业工程学报，2002，18（1）：154157.5 WANG Y，JIN G，SHI B，et al.Empirical models formeasuring the leaf area and leaf mass across growingperiods in broadleaf species with two life histories J.Ecological Indicators，2019，102：289301.6 韩少杰.基于图像综合特征与基于拉普拉斯高斯算子的零水印算法 D.天津：天津职业技术师范大学，2015.7 蔡文宇.自然背景下的植物叶片多阈值分割方法研究 D.哈尔滨：东北林业大学，2018.8 崔世钢，秦建华，张永立.基于图像处理技术的植物叶片面积和周长测量 J.江苏农业科学，2018，46（15）：187189.9 李明，张长利，房俊龙.基于图像处理技术的小麦叶面积指数的提取J.农业工程学报，2010（1）：205209.（下转第44页）36现代计算机2023年Predicting freshman year college grades using different machine learningmethods based on admission dataWang Chen*（Information Services Office,WenzhouKean University,Wenzhou 325060,China）Abstract:Using machine learning methods to mine factors influencing college students first-year GPA from enrollment dataand construct prediction models.Firstly,data cleaning was performed and relevant enrollment data and first-year GPA scores werefiltered.Subsequently,students enrollment information was used as features to train three different machine learning models:linear regression,logistic regression,and neural network models.Finally,the performance of the three models was evaluated,and theneural network model was optimized.The results of this study can provide a reference for modeling firstyear GPA predictions incolleges and universities,and help promote the practice of academic early warning,academic performance prediction,and evaluation.The study shows that machine learning methods can effectively mine factors influencing college students first-year GPA andconstruct prediction models.By training and comparing different machine learning models,the study provides a feasible predictionmodel and optimizes the neural network model,improving its prediction accuracy.These results can provide useful reference information for academic early warning,academic performance prediction,and evaluation in colleges and universities,and have a positive impact on improving student learning outcomes and teaching quality.Keywords:machine learning;predictive modeling;academic achievement;neural network;enrollment dataMeasurement of plant leaf area based on image processing technologyHao Xiaofeng*,Yu Rongrong（School of Computer Science,Xijing University,Xi an 710200,China）Abstract:Aiming at the measurement of leaf area,a method for measuring leaf area based on image processing is designedand implemented.Use the CDD camera to obtain plant leaf images,perform image segmentation and edge detection on the collected plant leaf images,select ideal pictures by comparing Sobel,Robert,Prewitt and Canny operators,and then use morphologicalprocessing to smooth the gaps and noises,and finally The measured area is obtained by the pixel statistics method,and the correlation analysis is carried out with the real area.This method can accurately and conveniently measure the area of plant leaves.Keywords:image processing；edge detection；area；pixel（上接第36页）44