基于数学形态学的植物叶片图像预处理

摘要：植物叶片图像的预处理是进行叶形特征提取和识别的重要前提，获得高质量的预处理叶片图像对计算机辅助植物识别十分重要。本文提出了基于数学形态学的植物叶片图像的预处理方法，运用数学形态学中的开运算和闭运算消除图像中的孤立噪声点并填补叶片内部孔洞。该方法保持了原图像的基本形状特征并能获得清晰的边缘，为叶片特征提取创造了良好的前提。

　　关键词：植物叶片图像；图像预处理；数学形态学；边缘检测；特征提取

　　中图分类号：S126

　　文献标识码：B

　　文章编码：1672－6251(2008)01－0004－05

　　

　　1 引言

　　

　　对植物进行分类研究是进行植物保护的重要前提，随着近年来计算机技术的高速发展，图像处理与识别技术逐步开始应用于这项研究，随之提出了计算机辅助植物识别、植物叶形的计算机识别等一些系统。

　　叶片特征是植物分类和识别的重要依据，因此从植物叶片人手对叶片图像进行特征提取，将为植物分类识别提供方法依据。由于实际中得到的植物叶片图像千差万别并且包含有大量的背景成分，因此在进行图像分析之前。首先要对其进行预处理。预处理效果的好坏直接影响后面叶片形状特征的提取，因此选取一种好的预处理方法尤为重要。数学形态学(Mathematical Morohology)是一种应用于图像处理和模式识别领域的新方法。是生物学的一个分支，常用来处理动物和植物的形状和结构。本文依据数学形态学对植物叶片图像进行预处理。能够保证预处理后的叶片图像具有基本的形状特征和清晰的边缘。

　　

　　2　预处理模型

　　

　　由于实际中得到的植物叶片图像千差万别并且包含有大量的背景成分，因此在进行图像分析之前，首先要对其进行预处理，一般的预处理过程主要包括消除噪声、去除背景和边缘检测三个环节。某些植物叶片可能由于遭到虫子的侵蚀或其他一些原因，在去除背景后会在叶片目标的内部存在小的孔洞，这将影响后面的处理，并导致不能准确提取叶片特征。为此本文建立的预处理模型在去除背景之后又对图像进行了数学形态处理，利用数学形态学的闭运算进行处理，消除叶片内部的孔洞。

　　根据上述思想，植物叶片图像的预处理过程如图1所示。

　　

　　

　　3　植物叶片图像的预处理实现

　　

　　3．1　消除噪声

　　一幅图像在实际应用过程中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。植物叶片图像也是一样，在获取过程中会产生各种不同的噪声，因此必须对其进行消噪处理。

　　消噪的目的是在尽可能保持原始信号主要特征的同时，除去信号中的噪声。图像中的噪声往往是和图像信息交织在一起，如果滤除不当，会使图像质量下降，所以如何既能滤除掉图像中的噪声，又能尽量保持图像细节，是图像消噪研究的关键内容之一。目前常用的消噪方法主要有邻域平均法和中值滤波法。领域平均法对抑制噪声是有效的，但它选择的是低通滤波器，而通常图像中的边缘信息里含有大量的高频信息。所以在去噪的同时也使边界变得模糊。中值滤波法采用一种非线性平滑滤波器，它与邻域平均法的不同之处在于，中值滤波器的输出像素值是由邻域像素的中间值决定而不是平均值决定的。中值滤波法运算简单、速度快，并且在滤除噪声的同时能很好地保护信号的细节信息，在一定条件下，可以克服线性滤波器所带来的图像细节模糊。

　　植物叶片图像中的细节信息对于特征提取来说是很重要的，因此本文选用中值滤波法对图像进行。

　　

　　3．2　去除背景

　　去除背景即把叶片与背景分开形成二值图像，以便进行后期的边缘检测和形状特征参数计算。精确地分开前景与背景其关键是选取合适阈值。由于不同的图像其分割阈值不尽相同，因此必须针对不同图像进行计算求得阈值，为了使算法具有自适应性和较快的运算速度，选取迭代阈值选择法计算阈值日。算法步骤如下：

　　

　　

　　　3．3　数学形态学处理

　　经过消噪和去除背景处理后的叶片图像中。可能会存在一些孤立的噪声点，或者由于所选取的叶片本身受到过害虫侵蚀而导致在叶片内部存在一些孔洞，这些都将影响叶片特征参数的精确计算。因此必须对去除背景后的图像进行进一步的处理，以消除孤立噪声点和叶片内部孔洞，得到完整、精确的二值化叶片图像。本文选用了数学形态学的方法进一步处理图像。

　　

　　数学形态学基于对图像形态特征进行分析，其中定义了两种基本的变换，即腐蚀和膨胀，形态学的其他运算都是由这两种基本运算复合而成。

　　腐蚀表示用某个结构元素对一幅图像进行探测，找出在图像内部可以放下该结构元素的区域。定义如下：

　　本文选用数学形态学里的闭运算去除叶片孔洞，闭运算定义为一个膨胀运算紧接一个腐蚀运算。先对去除背景的二值化叶片图像进行膨胀运算，再进行腐蚀运算，经过多次处理之后，即可消除叶片中的孔洞。同时为了消除图像中的孤立噪声点，文中使用数学形态学中的开运算，即对图像先进行腐蚀运算，再进行膨胀运算，多次处理之后，即可消除图像中的孤立噪声点。

　　

　　3．4　边缘检测

　　叶片边缘含有丰富的形态信息，通过其边缘来计算形状特征比通过叶片本身计算来说计算量要小一些，在大批量的叶片样本处理情况下更是明显节约了时间，因此需要进一步提取叶片的边缘。

　　一般来说，对检测出的边缘有以下几项要求：(1)边缘的定位精度要高，不发生边缘漂移；(2)不同尺度的边缘应有良好的响应，并尽量减少漏检：(3)应对噪声不敏感，不致因噪声造成虚假检测；(4)检测灵敏度应受边缘方向影响小。为精确地检测叶片的边缘，本文选用边缘跟踪法检测出边缘。算法思想是将二值化后的图像里叶片目标的每个像素点考虑跟踪其8个方向的邻域，假设构成叶片像素的灰度值为1，背景灰度值为O，则对某灰度值为1的像素点作如下判决：

　　

　　If当前像素点8个方向上的邻域点有０像素点，则该像素点为边缘点：

　　EIse该像素点不是边缘点。

　　当对图像中像素点全部搜索完毕，既可提取出叶片完整的边缘。

　　

　　4　仿真结果

　　

　　选取一幅像素为512×384的背景相对复杂的叶片图像进行仿真实验，仿真结果如图2所示。

　　在对背景相对复杂的叶片图像进行降噪处理时，由于图像中的叶片对象的灰度值高而背景的灰度值低，所以需要对图像进行灰度变换，将叶片图像的灰度范围调整到整个[0，1]的区域，图2(c)为灰度变换后的图像。经迭代二值化后可以发现叶片目标存在孔洞并且图像中包括孤立噪声点，如图2(e)所示。经闭预算和开运算后，消除了叶片目标中的孔洞和图像中的孤立图2(h)所示图像提取了完整的叶片边缘。

　　仿真结果表明，由数学形态学中的膨胀运算和腐蚀运算结合而成的闭运算和开运算，对填补叶片内因为遭受虫子的侵蚀或其他原因而形成的孔洞以及残留的孤立噪声点均能达到很好的处理效果。

　　

　　5　结论

　　

　　本文针对植物叶片图像的预处理算法进行了研究，采取数学形态学的方法提高处理效果。实验表明该方法能够获得具有基本形状特征和清晰边缘的叶片图像，为叶片图像的特征提取提供了优质的素材。该项研究为未来“数字农业”和“数字林业”的发展增添了新的内容。.