本科畢業(yè)論文植物葉片計算機(jī)數(shù)字圖像的形態(tài)學(xué)分析學(xué)院名稱專業(yè)名稱自動化論文提交日期2013年5月14日論文答辯日期2011年5月17日摘要植物葉片數(shù)字圖像的形態(tài)學(xué)分析主要包括圖像的獲取，植物葉片圖像的預(yù)處理，植物葉片的特征提取。葉片圖像的獲取方法一般有直接拍攝的24位彩色圖像、用掃描儀掃描得到的8位圖像。本文進(jìn)行分析所采用的植物葉片是24位彩色圖像。植物葉片圖像的預(yù)處理是進(jìn)行葉形特征提取和識別的重要前提,獲得高質(zhì)量的預(yù)處理葉片圖像對計算機(jī)輔助植物識別十分重要。本文提出了基于數(shù)學(xué)形態(tài)學(xué)的植物葉片圖像的預(yù)處理方法,運(yùn)用二值化分割可以得到葉片圖像的輪廓。運(yùn)用數(shù)學(xué)形態(tài)學(xué)中的開運(yùn)算和閉運(yùn)算消除圖像中的孤立噪聲點并填補(bǔ)片內(nèi)部孔洞。該方法保持了原圖像的基本形狀特征并能獲得清晰的邊緣,為葉片幾何特征提取創(chuàng)造了良好的前提。而在邊緣檢測方面，本文就目前常用的6種算法一一進(jìn)行了仿真分析。在不同的研究領(lǐng)域上，植物葉片的特征也有不同的歸納方法，本文將對一些植物葉片的主要特征的提取方法進(jìn)行簡略介紹，并通過編程對一些常用的幾何特征進(jìn)行提取。目前人們對植物葉片的研究大都局限在植物葉片的輪廓，極少提及對植物葉脈的研究。本文著重分析植物的葉脈的提取以及級數(shù)分析。由于作者編程水平有限，部分算法未能實現(xiàn)仿真。關(guān)鍵詞：植物葉片預(yù)處理形態(tài)學(xué)處理特征提取PlantleavesthecomputerdigitalimageanalysisofthemorphologyJean·Wang(CollegeofEngineering,SouthChinaAgriculturalUniversity,Guangzhou510642,China)Plantleavesdigitalimagemorphologyanalysismainlyincludesimageacquisition,plantleafimagepreprocessing,featureextractionofplantleaves.Ingeneral,leafimageacquisitionmethodincludingtakingpicturesandscanningwiththescanner.Thispaperanalyzedtheuseofplantleavesis24bitcolorimages,Whichistakenbycamera.Preprocessingofleafimageistheimportantpreconditionforfeatureextractionandrecognition.Itisimportantforcomputer-aidedplantidentificationtogetahigh-qualityleafimagewhichispreprocessed.Keywords:PlantleavespreconditioningMorphologicalprocessingFeatureextraction目錄1前言 11.1課題的研究背景 11.2植物葉片的研究現(xiàn)狀……. 11.3葉片特征的研究意義……. 11.4.植物葉片的圖像特征…… 21.4.1形狀特征…… 21.4.2紋理特征…… 21.4.3顏色特征…… 21.5LabWindows/CVI簡介…… 22葉片圖像分析 12.1葉片圖像分析流程……. 12.2葉片圖像的獲取……. 12.3葉片圖像預(yù)處理……. 12.3.1彩色圖片的灰度化……. 22.3.2濾波……. 22.3.3灰度圖像的二值化……. 42.3.4形態(tài)學(xué)處理 22.4邊緣檢測…… 32.5特征提取的技術(shù)…… 32.5.1形狀特征提取…… 32.5.1紋理特征提取…… 33在LabWindow/CVI2010中進(jìn)行仿真…….. 13.1讀取圖像…….. 13.2圖像預(yù)處理……. 23.2.1圖像灰度化……. 23.2.2圖像直方圖顯示…….. 13.2.3圖像濾波………. 23.2.4圖像二值化……. 23.3形態(tài)學(xué)處理……. 23.4邊緣檢測……. 23.5特征提取…… 33.5.1形狀特征…… 33.5.1紋理特征…… 34總結(jié)與展望 4參考文獻(xiàn) 5附錄 6致謝 8畢業(yè)論文成績評定表1前言1.1課題的研究背景在地球上的一切生物中，植物和人類以及環(huán)境的關(guān)系最為密切。大量的植物維持著地球大氣中氧氣和二氧化碳的平衡，植物也是人類生產(chǎn)和生活所必需的資源。但近些年來人類的各種生產(chǎn)活動嚴(yán)重地破壞了生態(tài)環(huán)境，從而造成植物在數(shù)量上的減少甚至物種上的滅絕。值得慶幸的是，人類已經(jīng)意識到這一危機(jī)，從而漸漸開始邁出了保護(hù)植物的步伐。對植物進(jìn)行分類研究是對其進(jìn)行保護(hù)的第一步也是很重要的一步，但由于人類認(rèn)知能力有限以及地球上數(shù)量眾多的植物種類，要做到準(zhǔn)確和快速地識別手中的植物是非常困難的。隨著近些年來計算機(jī)技術(shù)的不斷發(fā)展，圖像處理與識別技術(shù)在農(nóng)業(yè)中也得到了一定的應(yīng)用，因此可以考慮使用圖像處理技術(shù)、模式識別技術(shù)且輔助以計算機(jī)圖像獲取設(shè)備實現(xiàn)對植物的快速識別。從植物分類的角度來看，識別一種植物最直接有效和最簡單的方法就是從它的葉片著手，而且葉片也是比較容易采集到的。通常在植物學(xué)里葉片的形狀、顏色和脈絡(luò)都可以拿來作為分類依據(jù)，目前大部分的專家學(xué)者都把精力放在形狀以及顏色特征的分析上，少有文獻(xiàn)提及葉片的脈絡(luò)分析，本文在分析葉片的幾何特征的基礎(chǔ)上，增加對植物葉片紋理的分析。1.2植物葉片的研究現(xiàn)狀國外對計算機(jī)識別植物的研究開展得比較早，提取的特征也較全面（徐散愷等，2006）。1985年，Clarke等在用葉片數(shù)字圖像測量葉面積方面進(jìn)行了研究，將葉片從植株上分離后，再對其進(jìn)行拍照并將照片輸入計算機(jī),通過圖像處理進(jìn)行測量。Ingrouile和Laird在1986年提取了27個葉片形狀特征對橡樹進(jìn)行分類。Guyer等人在1993年提取了17種葉片形狀特征對40類植物進(jìn)行分類。通過比較分析，發(fā)現(xiàn)對形狀特征進(jìn)行主分量分析優(yōu)于其它的特征統(tǒng)計方法。1987年，Meyer等人利用相互垂直的兩個相機(jī)獲取作物圖像的二維信息，利用由兩個二維圖像構(gòu)造三維圖像的坐標(biāo)變換方程，對圖像處理獲取的特征點變換到三維坐標(biāo)空間中。這樣，在三維空間中就可以求取作物節(jié)點間距、葉柄長度、莖稈直徑、葉片傾斜角等；對于葉片面積的測量采用三角形逼近的方法，即把葉片與葉柄相連的一端為頂點，向葉片輪廓作射線將葉片進(jìn)行細(xì)分，相鄰兩條射線與葉片邊緣有兩個交點，利用此三點可在三維空間中求取其對應(yīng)三角形的面積，將所求得的所有三角形的面積相加即為所求葉片的近似面積（林開顏等，2004）。此外文獻(xiàn)中還利用土壤與植物圖像對比度的差異作為土壤干濕的判斷依據(jù)。但對光源不均、葉片重疊并未給出很好的分割方法，對于植物圖像與土壤的分離，黑白圖像并不能完全區(qū)分作物和土壤，若采用光譜圖像則成本較高。McDonald等人在1990年利用數(shù)學(xué)形態(tài)學(xué)方法來進(jìn)行植物的識別。他們把數(shù)學(xué)形態(tài)學(xué)應(yīng)用于谷粒大小分布檢測、葉片形狀識別和肉紋理分析，實驗表明形態(tài)學(xué)變換可以把圖像變換為易于理解的圖像，利用幾個簡單的形態(tài)學(xué)算子就可以實現(xiàn)復(fù)雜的圖像處理過程。同年，ShearerS.A等在基于植物彩色紋理特性的基礎(chǔ)上,計算出11個紋理特征，產(chǎn)生33個彩色紋理特征，可以對7種人工培育的植物進(jìn)行識別（徐散愷等，2006）。Yonekawa在1996年對幾個簡單的形狀因子進(jìn)行了評價，這些簡單形狀因子為緊密度、圓度、伸長度、葉狀度和粗糙度，它們與葉片的方向無關(guān)。通過對1280個典型理想的葉片識別分析的結(jié)果表明，簡單的形狀因子對識別植物是有效的，這也為植物物種機(jī)器識別提供了必要的基礎(chǔ)。國外的學(xué)者應(yīng)用判別式分析方法、匹配方法和機(jī)器學(xué)習(xí)方法進(jìn)行植物葉片分類識別，去的良好效果。1997年，Abbasi等利用多尺度曲率空間(Multi-scalecurvatureofspace，CSS)方法來描述葉片形狀，并用來對菊花進(jìn)行分類。Mokhtarian等在2004年又發(fā)展了這種方法，用于自遮掩的葉片識別。通過對12類菊花共120張葉片圖像的識別發(fā)現(xiàn)，比起原始的CSS方法，識別率可以提高4.3%，達(dá)到98.4%。CholhongIm等在1999年利用對葉片的多邊形逼近來識別槭屬類植物。2000年，T.Saitoh等利用花朵和葉片的圖像來識別野生花，但這種方法需要花和葉兩張圖像。2001年，Osikar使用葉片的幾何特征和矩特征，采用BP（ErrorBackPropagation,BP）前饋神經(jīng)為分類器，對15種瑞典樹木進(jìn)行分類。國內(nèi)在這一方面的研究非常少而且起步較晚。1994年,傅星、盧漢清開展了應(yīng)用計算機(jī)進(jìn)行植物自動分類的初步研究。1995年，寧素儉等研究了利用鏈碼描述作物、果實等輪廓的周長、寬度、長度、面積、慣性矩等形狀特征參數(shù)的方法（徐散愷等，2006）。此后陸續(xù)有一些關(guān)于葉片幾何特征的文獻(xiàn)發(fā)表，大大豐富了植物葉片分析識別的理論基礎(chǔ)，但關(guān)于紋理特征的分析還是甚少。一直到2004年,傅弘等提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的葉脈提取方法，利用邊緣梯度、局部對比度和鄰域統(tǒng)計特征等10個參數(shù)來描述像素的鄰域特征，并將其作為神經(jīng)網(wǎng)絡(luò)的輸人層，經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能夠提取葉脈圖像。2002年以來，池哲儒等進(jìn)行了一系列植物識別的相關(guān)研究，提出一種中心輪廓距離曲線方法來匹配葉片形狀，并通過不同特征的模糊集成實現(xiàn)植物圖像的檢索。他們還進(jìn)行了基于樹皮圖像的植物識別的探索研究。近年來，中科院合肥智能機(jī)械研究所智能計算實驗室在利用植物葉片的形狀特征、紋理特征來識別植物上取得了一系列的進(jìn)展。黃德雙等人開發(fā)出農(nóng)業(yè)生物特征識別系統(tǒng)——植物葉片識別系統(tǒng)，該系統(tǒng)可以實現(xiàn)對殘缺變形葉片的識別。合肥植物園與中國科學(xué)院合肥智能機(jī)械研究所智能計算實驗室合作，于2010年成功研發(fā)出植物葉片圖像識別系統(tǒng)。該系統(tǒng)借助于數(shù)字圖像處理和模式識別技術(shù)，達(dá)到了識別植物類別的效果。該技術(shù)可以廣泛應(yīng)用于農(nóng)業(yè)、林業(yè)的作物生長調(diào)查、病害檢測以及農(nóng)林院校的輔助教學(xué)等方面（張寧等，2011）?？v觀國內(nèi)外植物物種機(jī)器識別的技術(shù)和方法的發(fā)展趨勢,有以下幾個特點：(1)研究方法各不相同,都在某一方面有所貢獻(xiàn),但都沒有達(dá)到實用化的程度。(2)識別方法以單特征為主,主要使用植物顏色、紋理、形狀和多光譜等特征而對植物的形狀研究僅限于獨立分離植物的形狀,對植物殘缺、重疊、交錯的研究以及與紋理、顏色特征的融合較少。(3)對于植物物種機(jī)器識別的研究與應(yīng)用,國外前期比較注重于在農(nóng)業(yè)中的應(yīng)用。近幾年,有許多研究轉(zhuǎn)向植物特征提取和識別等基礎(chǔ)性工作。國內(nèi)的研究起步較晚，在20世紀(jì)90年代中期以后主要集中于農(nóng)業(yè)中的應(yīng)用,而對于普通植物識別的基礎(chǔ)性研究,近兩年才開始有部分院校、研究所在著手進(jìn)行探索。（吳翠珍，2003）1.3葉片特征的研究意義植物是世界上物種數(shù)量最多且分布最廣泛的生命形式，與人類以及環(huán)境的關(guān)系最為密切。由于人類生產(chǎn)活動造成了植物物種的滅絕，而植物在維持生物平衡、水土保持等方面又起著重要作用。基于圖像分析的植物葉片識別技術(shù)對于植物分類識別，植物資源的保護(hù)與利用、探索植物之間的親緣、闡明植物的進(jìn)化規(guī)律等方面具有現(xiàn)實意義?；趫D像分析的植物葉片識別在保護(hù)植物與生物多樣性、植物生態(tài)檢測上有很好應(yīng)用。同時，植物農(nóng)業(yè)作為國民經(jīng)濟(jì)的命脈，是人們生活生產(chǎn)的基礎(chǔ)部分，提高農(nóng)業(yè)生產(chǎn)需要農(nóng)業(yè)植物的精細(xì)數(shù)據(jù)，植物分類與識別在農(nóng)業(yè)與園藝的實際應(yīng)用中舉足輕重，容易推廣到植物良種的鑒別和植物葉片病害的鑒定上，保護(hù)農(nóng)作物的生長。因此植物分類與識別具有非常重要的意義。另外，植物分類與識別技術(shù)在數(shù)字化標(biāo)本博物館系統(tǒng)上有很好的應(yīng)用價值。葉片是植物重要的光合器官,也是植物進(jìn)行蒸騰的主要途徑。研究植物葉片的各種參數(shù)對植物的生長發(fā)育、作物產(chǎn)量以及栽培管理等都具有十分重要的意義。建立方便、快速、準(zhǔn)確的植物葉片分析方法,對于調(diào)整群體結(jié)構(gòu)、充分利用光熱資源，從而指導(dǎo)作物栽培密度及合理施肥以提高作物產(chǎn)量有重要的意義。隨著數(shù)字圖像處理技術(shù)的發(fā)展和計算機(jī)處理速度的迅速提高,數(shù)字圖像處理技術(shù)已在許多領(lǐng)域得到廣泛地應(yīng)用。利用飛速發(fā)展的圖像處理技術(shù)改造傳統(tǒng)農(nóng)業(yè)，提高農(nóng)業(yè)生產(chǎn)的科技含量，用現(xiàn)代科技知識武裝傳統(tǒng)農(nóng)業(yè)，己是越來越多農(nóng)業(yè)工作者的共識。本文選取植物葉片為研究對象，運(yùn)用數(shù)字圖像處理技術(shù)進(jìn)行分析,提取葉片形狀參數(shù)，以便分析作物生長情況,指導(dǎo)農(nóng)業(yè)生產(chǎn)。1.4植物葉片的圖像特征1.4.1形狀特征葉片形狀特征主要體現(xiàn)在大小和外形上，是判斷葉片所屬種類的最重要和最有效的依據(jù)。根據(jù)我們采集的葉片來看，不同的種類葉片的形狀存在較大的差異。但也不是說同一種植物的葉形是變化無窮的，它的變化總還是在一定的范圍內(nèi)。主要有以下幾種較常見的葉形：針形、披針形（包括倒披針形）、矩圓形（亦稱長圓形）、橢圓形、卵形（包括倒卵形）、圓形、條形、匙形、扇形、鐮刀形、腎形、心形（包括倒心形）、提琴形、菱形、三角形、鱗形等。迎合不同的研究需要，葉片的形狀特征可以分為絕對值特征以及相對值特征：（1）常用的絕對值特征包括：葉片的周長（Girth）、面積（Area）、最小包圍盒（Bounding-box）、縱軸長（Y-Length）、橫軸長（X-Length）、凸包（Convexhull）、外切圓（Excircle）、內(nèi)切圓（Inscribed）等。①葉片的周長是整個葉邊緣加上葉莖的周長；②葉片的面積是葉片的大??；③最小包圍盒是能包圍葉片的最小矩形，縱軸長是最小包圍盒的長，也就是葉子的長度；④橫軸長是最小包圍盒的寬，也就是葉片的寬度；⑤凸包是包含葉片的最小凸集；⑥外切圓是與葉片外切的圓，即能包圍葉片的最小圓；⑦外切圓是與葉片內(nèi)切的圓，即葉片能包含的最大圓。（2）常用的相對值特征包括：①縱橫軸比（AspectRatio）是葉片最小包圍盒的長寬比值；②矩形度（Rectangularity）是葉片面積與葉片最小包圍盒面積的比值；③面積凹凸比（AreaConvexity）是葉片面積與葉片凸包面積的比值；④周長凹凸比（PerimeterConvexity）是葉片周長與葉片凸包周長的比值；⑤、球狀性（Sphericity）是葉片面積與葉片凸包周長的計算值；⑥圓形度（Circularity）是葉片內(nèi)切圓半徑與外切圓半徑的比值；⑦偏心率（Eccentricity）是葉片自身長軸與短軸的比值；⑧形狀參數(shù)（FormFactor）是葉片面積和周長的計算值；⑨最佳匹配橢圓（TheBestMatchEllipse）是能夠包圍目標(biāo)葉片圖像的最小橢圓。除了幾何特征外，圖像矩由于具有天然的旋轉(zhuǎn)、平移和尺度不變性，M.K.Hu提出了7項不變矩作為植物葉片識別的特征，這里不詳細(xì)介紹。1.4.2紋理特征葉片的紋理特征主要指葉脈的特征。葉脈就是生長在葉片上的維管束，它們是莖中維管束的分枝。位于葉片中央大而明顯的脈，稱為中脈或主脈（midvein）。由中脈兩側(cè)第一次分出的許多較細(xì)的脈，稱為側(cè)脈（lateralveins）。自側(cè)脈發(fā)出的、比側(cè)脈更細(xì)小的脈，稱為小脈或細(xì)脈（minorveins）。細(xì)脈全體交錯分布，將葉片分為無數(shù)小塊。每一小塊都有細(xì)脈脈梢伸入，形成葉片內(nèi)的運(yùn)輸通道。葉脈在葉片行分布的樣式稱為脈序（venation），可以分為以下三大類（1）分叉狀脈（dichotomousvenation）：葉脈從葉基生出以后均呈二叉分支狀。這是比較原始的類型，在種子植物中極少見，但在蕨類植物中較為常見。（2）網(wǎng)狀脈（nettedvenation）：具有明顯的主脈，經(jīng)過逐級的分枝，形成多數(shù)交錯分布的細(xì)脈，由細(xì)脈互相聯(lián)結(jié)形成網(wǎng)狀，稱為網(wǎng)狀脈。雙子葉植物的葉脈多為網(wǎng)狀脈序。少數(shù)的單子葉植物也具網(wǎng)狀脈序，但是葉脈脈梢多為相互連結(jié)在一起的，缺乏游離的脈梢。這一點可與雙子葉植物的網(wǎng)狀脈序相區(qū)別。同時網(wǎng)狀脈又分為羽狀網(wǎng)脈、掌狀網(wǎng)脈、叉狀脈和離基三出脈等。（3）平行脈（parallelvenation）：葉片的中脈與側(cè)脈、細(xì)脈均平行排列或側(cè)脈與中脈近乎垂直，而側(cè)脈之間近于平行。這是單子葉植物特有的脈序，平行脈又可以分為直出平行脈、弧形平行脈、射出平行脈，橫出平行脈等。直出平行脈所有葉脈都從葉基發(fā)出，彼此平行直達(dá)葉尖，細(xì)脈也平行或近于平行生長；弧形平行脈所有葉脈都從葉片基部生出，彼此之間的距離逐步增大，稍作弧狀，最后距離又縮小，在葉尖匯合；射出平行脈所有葉脈均從葉片基部生出，以輻射狀態(tài)向四面伸展；橫出平行脈的側(cè)脈垂直或近于垂直主脈，側(cè)脈之間彼此平行直達(dá)葉緣。1.4.3顏色特征植物除了有綠葉外，還有紅葉、黃葉和藍(lán)葉。一般來說，正常葉片的葉綠體中有兩大類光合色素，其中液氯速和類胡蘿卜素的分子比例是3：1，葉綠素a和葉綠素b的比例也約3：1，葉黃素和胡蘿卜素的比為2：1，由于綠色的葉綠素比黃色的類胡蘿卜素多，占優(yōu)勢，所以正常葉子總是呈現(xiàn)綠色。秋天、條件不正?；蛉~衰老時，由于氣溫便逐漸下降，低溫使葉片內(nèi)不能合成新的葉綠素，原來的葉綠素又被逐漸破壞，而葉黃素不僅不被破壞，相反還會增加。這樣，葉片的顏色就由綠變黃。有些植物，如楓樹和烏桕樹的葉子到了秋天，葉色卻由綠變紅。這是因為秋天，楓樹為了準(zhǔn)備過冬，葉子里積累了不少糖分。糖分多了，細(xì)胞液就不易凍結(jié)，也就增強(qiáng)了抗寒能力，同時，還有利于紅色花青素的形成。植物世界，常年為紅色的葉片，數(shù)量也不少，如紅桑、紅莧、紅葉紫蘇、紫鴨跖草等，由于它們的葉子里紅色花青素占絕對優(yōu)勢。還有一類藍(lán)色植物，如紫草科的勿忘草，花呈淺藍(lán)色，這是因為葉綠素a呈深藍(lán)綠色，葉片里由于葉綠素a的含量較多，所以葉片呈藍(lán)色。藍(lán)色植物能吸收陽光中的紅外線，還能捕捉太陽光中的紅、橙、黃、綠、藍(lán)五種光所帶來的能量，因此藍(lán)色植物比綠葉植物利用光能的效率更高，能創(chuàng)造更多的有機(jī)物，所以耐寒的本領(lǐng)也更大。1.5LabWindows/CVI簡介 LabWindows/CVI是NationalInstruments公司（簡稱NI公司）推出的交互式C語言開發(fā)平臺，可以方便進(jìn)行圖像處理實踐（鄧?yán)^忠，2005）。LabWindows/CVI將功能強(qiáng)大、使用靈活的C語言平臺與用于數(shù)據(jù)采集分析和顯示的測控專業(yè)工具有機(jī)地結(jié)合起來，利用它的集成化開發(fā)環(huán)境、交互式編程方法、函數(shù)面板和豐富的庫函數(shù)大大增強(qiáng)了C語言的功能，為熟悉C語言的開發(fā)設(shè)計人員編寫檢測系統(tǒng)、自動測試環(huán)境、數(shù)據(jù)采集系統(tǒng)、過程監(jiān)控系統(tǒng)等應(yīng)用軟件提供了一個理想的軟件開發(fā)環(huán)境。

在本設(shè)計中，LabWindows/CVI主要用于圖像分析的仿真，在實際應(yīng)用中，LabWindows/CVI為視覺圖像處理提供了十分便利的工具。2葉片圖像分析2.1葉片圖像分析流程 對葉片來說，其形狀、紋理、顏色等特征都可以拿來作為分類的依據(jù)。但葉片在不同季節(jié)中會呈現(xiàn)出不同的顏色，周圍環(huán)境的變化,如水分、養(yǎng)分和日照時間的改變,也會導(dǎo)致葉片顏色發(fā)生變化。因此植物葉片的三類特征中，顏色特征較少用于葉片圖像的形態(tài)學(xué)分析，葉片的顏色特征僅作為次要特征來處理。另外，葉片的紋理特征描述了整個葉面的光滑度、蠟質(zhì)感等分類信息，雖然容易受到光照影響，提取效果不如形狀特征，但較顏色特征來說更為穩(wěn)定。另外，也有不少研究學(xué)者鉆研葉片的紋理特征。本系統(tǒng)葉片圖像分析流程如圖1所示。首先把采集的葉的葉片通過數(shù)碼相機(jī)或者掃描儀轉(zhuǎn)換成數(shù)字圖像，然后對圖像進(jìn)行預(yù)處理，這其中主要包括灰度化（如果是分析葉片圖像的顏色特征則不需要灰度化，但這里不進(jìn)行顏色特征的分析）、圖像降噪、閾值分割、形態(tài)學(xué)處理、提取葉片輪廓或者提取葉片紋理。經(jīng)過圖像的預(yù)處理以后可以計算和提取葉片的形狀特征以及紋理特征。紋理特征提取跟形狀特征的提取過程不一樣，直接對灰度圖像進(jìn)行二值化會導(dǎo)致紋理特征的丟失，因此紋理特征提取首先進(jìn)行邊緣檢測再進(jìn)行二值化，而紋理特征提取的過程中又需要所有步驟，所以這一部分歸入紋理特征的提取部分。圖像獲取二值化濾波灰度化圖像獲取二值化濾波灰度化分析計算葉片形狀特征提取葉片輪廓分析計算葉片形狀特征提取葉片輪廓形態(tài)學(xué)處理形態(tài)學(xué)處理分析計算葉片紋理特征提取葉片紋理分析計算葉片紋理特征提取葉片紋理圖SEQ圖\*ARABIC1葉片圖像形態(tài)學(xué)分析流程2.2葉片圖像獲取最常用的獲取圖像的方法是借助數(shù)碼相機(jī)來獲取圖像，它可以不破壞作物的群體結(jié)構(gòu)，真正地檢測葉片的生長規(guī)律而不依靠統(tǒng)計規(guī)律，但需要對測量系統(tǒng)進(jìn)行標(biāo)定，而且要求被測葉片和標(biāo)準(zhǔn)參考物必須同時拍攝，在進(jìn)行分析運(yùn)算的時候要根據(jù)被選中參照物的實際大小跟圖像中參照物大小的比例，來計算出葉片的實際參數(shù)。掃描儀能夠提供一定精度的圖像分辨率信息，可以選取一個物體作為標(biāo)準(zhǔn)參考物，不需要在每幅葉片圖像中加入?yún)⒄瘴?。用掃描儀掃描的方式來獲取圖像可以提高測量的精度，而且更方便計算。在有掃描儀的條件下可以優(yōu)先選用掃描儀進(jìn)行圖像的獲取?？紤]硬件的條件，本設(shè)計采用數(shù)碼相機(jī)來獲取圖像，由于圖像中參數(shù)只要結(jié)合比例系數(shù)就可以轉(zhuǎn)換成實際參數(shù)，仿真過程暫不使用標(biāo)準(zhǔn)參照物。2.3葉片圖像預(yù)處理2.3.1彩色圖片的灰度化在RGB模型中，當(dāng)R=G=B時，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值，因此，灰度圖像每個像素只需一個字節(jié)存放灰度值（又稱強(qiáng)度值、亮度值），灰度范圍為0-255?；叶然姆椒ㄓ泻芏?，人們一般用分量法、最大值法、平均法和加權(quán)平均法四種方法對彩色圖像進(jìn)行灰度化：（1）分量法：將彩色圖像中的三分量的亮度作為三個灰度圖像的灰度值，可根據(jù)應(yīng)用需要選取一種灰度圖像。這種方法可以有三種灰度圖可以選擇，分別是R分量灰度圖、G分量灰度圖和B分量灰度圖，可以在進(jìn)行進(jìn)一步的設(shè)計中根據(jù)需要選擇用其中一種。f（i，j（2）最大值法：將彩色圖像中的三分量亮度的最大值作為灰度圖的灰度值。f（i，j）（3）平均值法：將彩色圖像中的三分量亮度求平均得到一個灰度值。fi，j=(R（4）加權(quán)平均法：根據(jù)重要性及其它指標(biāo)，將三個分量以不同的權(quán)值進(jìn)行加權(quán)平均。由于人眼對綠色的敏感最高，對藍(lán)色敏感最低，因此，按下式對RGB三分量進(jìn)行加權(quán)平均能得到較合理的灰度圖像。fi,j=0.3Ri,j+0.59Gi,j2.3.2濾波濾波的方法有很多種，常用的圖像濾波去噪方法有以下幾種：（1）中值濾波：中值濾波是常用的非線性濾波方法，也是圖像處理技術(shù)中最常用的預(yù)處理技術(shù)。它可以克服線性濾波器給圖像帶來的模糊，在有效清除顆粒噪聲的同時，又能保持良好的邊緣特性，從而獲得較滿意的濾波效果，特別適合于去除圖像的椒鹽噪聲。其實現(xiàn)原理如下：將某個像素鄰域中的像素按灰度值進(jìn)行排序，然后選擇該序列的中間值作為輸出的像素值。其具體的操作是：首先確定一個以某個像素為中心點的領(lǐng)域，一般為方形領(lǐng)域(如3*3、5*5的矩形領(lǐng)域)，然后將領(lǐng)域中的各個像索的灰度值進(jìn)行排序。假設(shè)其排序為：（鄧?yán)^忠，2005）X1Y=Med{X1、X2、X3?Y=Med{X1X2、X3?x)=1取排序好的序列的中間值Y作為中心點像素灰度的新值。這里的鄰域通常被稱為窗口。當(dāng)窗口在圖像中上下左右進(jìn)行移動后，利用中值濾波算法可以很好地對圖像進(jìn)行平滑處理。對于椒鹽噪聲密度較小時，尤其是孤立噪聲點，用中值濾波的效果非常好，但在椒鹽噪聲密度增加時，其去噪能力將降低，可能殘留下部分噪聲像素。雖然可以采用多輪迭代方式對濾波后的圖像再次使用中值濾波進(jìn)行處理，但將造成更大的細(xì)節(jié)損失。（2）均值濾波：均值濾波是典型的線性濾波算法，其采用的主要方法為鄰域平均法（王侯芳等，2009）。即對待處理的當(dāng)前像素點(x，y)，選擇一個模板，該模板由其近鄰的m個像素組成，求模板中所有像素的均值，再把該均值賦予當(dāng)前像素的算術(shù)平均值g(x，y)=1mΣf(x，（3）維納(Wiener)濾波：維納濾波(NWiener最早在1942年提出的方法)是一種對退化圖像進(jìn)行恢復(fù)處理的一種常用算法，也是最早也最為人們熟知的線性圖像復(fù)原方法（王侯芳等，2009）。其設(shè)計思想是使輸人信號乘響應(yīng)后的輸出，與期望輸出的均方誤差為最小。其數(shù)學(xué)形式比較復(fù)雜：F(u，（2.7）其中Sn(u，v)表示噪聲的功率譜，Sf(u，v)表示未退化圖像的功率譜。在進(jìn)行實際處理時，往往不知道噪聲函數(shù)Sn(u，v)和Sf(u，v)的分布情況，因此在實際應(yīng)用時多用F(u，v)=[(1／H(u進(jìn)行近似處理，其中K是一個預(yù)先設(shè)定的常數(shù).維納濾波對高斯噪聲、乘性噪聲都有明顯的抑制作用，相對與均值濾波和中值濾波，維納濾波對這兩種噪聲的抑制效果更好，缺點就是容易失去圖像的邊緣信息。維納濾波對椒鹽噪聲幾乎沒有抑制作用。除此之外，高斯濾波、梯度倒數(shù)加權(quán)平均法濾波、最大均勻性平滑濾波、低通空域濾波、Sigma平滑濾波、卡爾曼濾波等也是一些常用的濾波算法（鄧?yán)^忠，2005）。2.3.3灰度圖像的二值化本設(shè)計中將葉片圖像進(jìn)行二值化的目的是為了將葉片跟其背景分開并形成二值圖像，由于不同種類的葉片圖像片的顏色并不一樣，因此在轉(zhuǎn)成灰度圖像后很難用一個統(tǒng)一的灰度門限進(jìn)行分割，因此我們必須針對每一幅圖像設(shè)置其灰度門限，即每幅葉片圖像選取的二值化閾值不一樣。（1）迭代閾值選擇法：迭代閾值選擇法是植物葉片研究領(lǐng)域比較常用的一種計算灰度門限的方法，具體步驟如下（王曉峰，2006）：第一步，求出整幅圖像的最大灰度值和最小灰度值，分別記為Ta、和Tb令初始灰度門限T0=（第二步，根據(jù)灰度門限T0將圖像分割為前景和背景，分別求出兩者的平均灰度值Z1=（Ta+T0）第三步，據(jù)此求出新灰度門限T1=（第四步，T1=T0則T0即為灰度門限,否則把T1代替T0重復(fù)上一步驟繼續(xù)迭代計算，將圖像分割為新前景和背景并求出新的平均灰度值，再根據(jù)新的平均灰度值求新灰度門限T2，以此類推一直到Tn=Tn-1，迭代計算停止，（2）另外一種二值化效果較好的閾值分割方法是最大類間方差法，可以盡量小地去改變灰度圖像的面積。具體方法如下（侯銅等，2004）：第一步，選擇一個閾值t將圖像的像素分為c1和c2兩組，像素數(shù)為w1、w2。并計算兩組的灰度平均值和方差。分別為m1、m第二步，計算灰度平均值為：m=（m1w1組內(nèi)方差為：σw2=w1σ12+w2組間方差為：σb=w1w2（m1-第三步，改變t值，使σb2/σw2（3）聚類（Cluster）分析：聚類（Cluster）分析是由若干模式（Pattern）組成的，通常，模式是一個度量（Measurement）的向量，或者是多維空間中的一個點。聚類分析以相似性為基礎(chǔ)，在一個聚類中的模式之間比不在同一聚類中的模式之間具有更多的相似性。對于植物葉片，背景像素之間、葉片像素之間比葉片跟背景之間有更多的相似性。聚類分析的算法原理如下（靳華中，2011）：第一步：逐個掃描樣本，每個樣本依據(jù)其與已掃描過的樣本的距離，被歸為以前的類，或生成一個新類；第二步，對第一步中各類依據(jù)類間距離進(jìn)行合并，按一定的標(biāo)準(zhǔn)，停止合并。（4）最佳直方圖熵（Entropy）方法（吳玲艷，1993）：通過分析圖像灰度直方圖的熵，找出最佳閾值。對于灰度范圍為{0,1,…,L-1}的圖像，設(shè)分割閾值為t，則目標(biāo)O和背景B服從兩個不同的概率分布：O：B:p根據(jù)Shannon熵的概念，定義與這兩個概率分布相關(guān)的熵為：H(O)=lnPt+HH（B）=ln（式中：Pt=i=0tpiHt=i=0tpHL-1=-Kapur定義準(zhǔn)則函數(shù)Ψ(t)為H(O)，H(B)之和，即Ψ(t)=H(O)+H(B)=lnPt+(2)使Ψ(t)最大的灰度級t就是所求出的最優(yōu)閾值T，即T=maxΨ(t)，（0<t<L-1）另外還有矩量保持（Moment）法、最小偏態(tài)法、內(nèi)方差（InterVariance）方法、Metric方法等。考慮到以上閾值分割的方法都不盡完美，而且編程復(fù)雜，而本設(shè)計所采用的葉片都是背景簡單的葉片圖像，所以編程中我在上面的基礎(chǔ)上加入了一種更簡單的閾值分割的方法。使用LabWindow/CVI2010的數(shù)值輸入控件可以任意設(shè)定一個閾值以達(dá)到自己想要的二值化效果，并且不受算法限制。在以上方法都不能取得理想效果的時候可以選擇手動取值。2.3.4形態(tài)學(xué)處理（1）腐蝕（erosion）：腐蝕是用“探頭”對目標(biāo)圖像探測，找出目標(biāo)圖像內(nèi)部所有可以放下該結(jié)構(gòu)元素的區(qū)域。集合A被集合B腐蝕，表示為AΘB，其定義為:（李然，2008）AΘB=﹛x其中A是被處理的集合，B是結(jié)構(gòu)元素，對于任意一個在A內(nèi)的像素點x，Bx包含于A，則該像素點x被保留；所有被保留的x點的集合就是A被B腐蝕的結(jié)果，如圖2所示。不同的“探頭”腐蝕同一個輸入圖像得到的結(jié)果不一定相同。腐蝕還有一種表達(dá)方式：AΘB=∩﹛即將輸入圖像A平移-b(b屬于結(jié)構(gòu)元素B)，然后計算所有平移的交集來得到腐蝕圖像。二值腐蝕能夠去除目標(biāo)的邊界點。如果結(jié)構(gòu)元素取3×3的模塊，稱為簡單腐蝕，能夠使目標(biāo)區(qū)域的邊界沿周邊減少一個像素;當(dāng)目標(biāo)區(qū)域是圓的，腐蝕后圓的直徑會減少兩個像素。（4）膨脹（dilation）：膨脹就是腐蝕的對偶運(yùn)算，其定義是：把結(jié)構(gòu)元素S平移x后得到Sx，若Sx擊中x，記下這個x點。所有滿足上述條件的x點組成的集合稱作X被S膨脹的結(jié)果。表示為：A⊕B=A［A其中A是被處理的集合，B是結(jié)構(gòu)元素，對于任意一個在A內(nèi)的像素點x，Bx包含于A，則該像素點x被保留。所有被保留的x點的集合就是A被B腐蝕的結(jié)果。膨脹是把目標(biāo)區(qū)域邊緣的背景點合并到目標(biāo)區(qū)域中，經(jīng)過膨脹運(yùn)算目標(biāo)區(qū)域會增加相應(yīng)的點數(shù)。如果結(jié)構(gòu)元素取3×3，則稱為簡單膨脹，能夠使區(qū)域的邊界沿周邊增加一個像素，當(dāng)區(qū)域是圓的，膨脹后使目標(biāo)區(qū)域的直徑增加兩個像素，如果兩個目標(biāo)區(qū)域相距較近，而結(jié)構(gòu)元素足夠小，則通過膨脹兩目標(biāo)區(qū)域可能融合到一起。所以，分割后目標(biāo)區(qū)域里的空洞通過膨脹運(yùn)算之后可以填充。膨脹還有一種表達(dá)方式：A⊕B=∪﹛根據(jù)這種表達(dá)，膨脹運(yùn)算可以通過相對結(jié)構(gòu)元素B的所有點來移動圖像A，并計算其非集（李然，2008）。（3）開運(yùn)算（openingoperate）：先腐蝕后膨脹的運(yùn)算稱開運(yùn)算。一般來說，開運(yùn)算可以有效地消除細(xì)小物體、毛刺和小橋(即連通兩塊區(qū)域的小點)，能在纖細(xì)連接點出分離物體，能夠平滑交大物體的邊界但不明顯改變物體的邊界。開運(yùn)算的符號表示如AΟB，表示用B對A進(jìn)行開運(yùn)算，其定義為：AΟB＝（A通過計算所有可以填入圖像內(nèi)部的結(jié)構(gòu)元素平移的“并”而得。即對每一個可填入位置做標(biāo)記，計算結(jié)構(gòu)元素平移到每一個標(biāo)記位置時的“并”，便可得到開運(yùn)算結(jié)果。如果用圓盤對矩形做開運(yùn)算，會使矩陣的內(nèi)角變圓。這種圓化得結(jié)果，可以通過將圓盤在矩形內(nèi)部滾動，并計算各個可以填入位置的并集得到。如果結(jié)構(gòu)元素為一個底邊水平的小正方形，那么，開運(yùn)算便不會產(chǎn)生內(nèi)角，所得結(jié)果與原圖形相同。（4）閉運(yùn)算（closingoperate）：先膨脹后腐蝕的運(yùn)算叫做閉運(yùn)算。一般來說，閉運(yùn)算能夠有效地填充物體內(nèi)部細(xì)小的空洞（小孔），彌合小裂縫，而總的位置和形狀不變。閉運(yùn)算的符號表示如A·B，表示用B對A進(jìn)行閉運(yùn)算（李然，2008）。其定義為：A·B＝（A閉運(yùn)算相當(dāng)于有個小圓盤沿著目標(biāo)區(qū)域的外邊緣滾動。閉運(yùn)算本質(zhì)即對目標(biāo)區(qū)域的外部作濾波，僅僅磨光了凸向圖像內(nèi)部的尖角。圖2圖像的形態(tài)學(xué)處理的方法圖3圖像的形態(tài)學(xué)處理方法的結(jié)合使用把以上四種最基本的形態(tài)學(xué)處理的方法結(jié)合使用，比如多次腐蝕，多次膨脹、多次開運(yùn)算，多次閉運(yùn)算等，改善一次運(yùn)算的效果，如圖3所示。除了二值腐蝕和膨脹、二值開閉運(yùn)算以外，還有骨架抽取、極限腐蝕、擊中擊不中變換、形態(tài)學(xué)梯度、Top-hat變換、顆粒分析、流域變換、灰值腐蝕和膨脹、灰值開閉運(yùn)算、灰值形態(tài)學(xué)梯度等多種形態(tài)學(xué)處理方法，這里不詳細(xì)介紹。2.4邊緣檢測所謂邊緣是指其周圍像素灰度急劇變化的那些象素的集合，它是圖像最基本的特征。邊緣存在于目標(biāo)、背景和區(qū)域之間，所以，它是圖像分割所依賴的最重要的依據(jù)。由于邊緣是位置的標(biāo)志，對灰度的變化不敏感，因此，邊緣也是圖像匹配的重要特征。邊緣算子大致可以分為三大類,即梯度算子、方向模板算子和擬合算子。梯度算子是數(shù)學(xué)上梯度算子的近似形式，而方向模板算子是對不同方向使用不同的模板來檢測，至于擬合算子則是對圖像的局部灰度值同邊緣的參數(shù)模型相擬合。常用的邊緣檢測算子有Prewitt算子、Sobel算子、Laplacian算子、Roberts算子（鄧?yán)^忠，2005）。（1）Prewitt算子：該算子包含兩組3×3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。Prewitt算子的模板為：圖4Prewitt算子對x的模板圖5Prewitt算子對y的模板對x的模板為圖4，對Y模板為圖5。從以上模板可以看出，Prewitt算子同樣可以抑制噪聲，若窗口放大些，則抑制噪聲更明顯。（2）索貝爾算子（Sobeloperator）：該算子包含兩組3×3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。如果以A代表原始圖像，Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測的圖像，其公式如下：Gx=[-101；-202；-101]*A（2.24而Gy=[121；000；;-1-2-1]*A（2.25圖像的每一個像素的橫向及縱向梯度近似值可用以下的公式結(jié)合，來計算梯度的大小。G＝Gx2然后可用以下公式計算梯度方向。θ＝arctan（G從模板可以看出，Sobel算子是先平均后求差分，因此Sobel算子有抑制噪聲的能力，但因為該算子涉及到3×3的鄰域,在檢測階躍邊緣時得到的邊緣寬度至少為兩個像素。（3）拉普拉斯算子（Laplacian）：拉普拉斯算子是對二維函數(shù)進(jìn)行運(yùn)算的二階導(dǎo)數(shù)算子。對圖像的每個像素f(x,y)，取它的二階導(dǎo)數(shù)為關(guān)于x軸方向和y軸方向的二階導(dǎo)數(shù)之和：?2f=?2用查分形式代替上式中的微分，使用二階差分Δx2f、Δy2，一階微分Δxf、Δxf四領(lǐng)域的銳化公式：gi，j=5f八領(lǐng)域的銳化公式：gi，j=9f對圖像做拉普拉斯運(yùn)算，實際上就是對以像素（i，j）為中心的3×3的領(lǐng)域做卷積變換。結(jié)果賦給像素點（i，j）。圖6Laplacian算子的模板-4圖7Laplacian算子的模板-8函數(shù)的拉普拉斯算子也是該函數(shù)的黑塞矩陣的跡,可以證明，它具有各向同性，即與坐標(biāo)軸方向無關(guān)，坐標(biāo)軸旋轉(zhuǎn)后梯度結(jié)果不變。如果鄰域系統(tǒng)是4鄰域，Laplacian算子的模板如圖6，如果鄰域系統(tǒng)是8鄰域，Laplacian算子的模板如圖7。Laplacian算子對噪聲比較敏感，所以圖像一般先經(jīng)過平滑處理，因為平滑處理也是用模板進(jìn)行的，所以，通常的分割算法都是把Laplacian算子和高斯平滑算子結(jié)合起來生成一個新的模板。常用的高斯平滑算子如下：[-2-4-4-4-2；-4080-4；-408248-4；-4080-4；-2-4-4-4-2]（4）Roberts算子：羅伯茨算子、Roberts算子是一種最簡單的算子，是一種利用局部差分算子尋找邊緣的算子，他采用對角線方向相鄰兩象素之差近似梯度幅值檢測邊緣。檢測垂直邊緣的效果好于斜向邊緣，定位精度高，對噪聲敏感,無法抑制噪聲的影響。Roberts邊緣算子是一個2x2的模板，采用的是對角方向相鄰的兩個像素之差。Roberts算子的梯度定義為（鄧?yán)^忠，2005）:G（i，j從圖像處理的實際效果來看，邊緣定位較準(zhǔn)，對噪聲敏感。2.5特征提取的技術(shù)2.5.1形狀特征提取鏈碼：鏈碼方法最先由Freeman于1961年提出,用于表示由順次連接的具有指定長度和方向的直線段組成的輪廓線。鏈碼生成基于邊界點間的相互連通性連通按四鄰接（a）或八鄰接（b）定義。一個像素最多只有8個鄰近像素，因此八連通鏈碼能準(zhǔn)確地表示圖像輪廓。我們在進(jìn)行圖像處理時通常用八連通鏈碼。如圖8所示（宋宗騏等，2002）。（a）（b）圖8四鄰接和八鄰接示意圖對圖像輪廓進(jìn)行具體編碼過程如下:從圖像輪廓上任意選取一個象素點作為起始點，順時針沿著輪廓編號，按照方向編號規(guī)則，記錄每一對像素間線段的方向編號。依次將方向編號連接即可得到圖像輪廓的鏈碼表示。最終，曲線可近似地用下式表示：An=其中，ai∈{0,1,2，……，7}，0<=i<=n,稱A鏈碼是一種有效的目標(biāo)描述形，,通過鏈碼我們可以提取對應(yīng)的區(qū)域邊界的一些基本形狀參數(shù)，例如葉片的面積、周長。（1）葉片面積：在圖像處理中面積的計算可以有兩種方法：基于連通區(qū)域標(biāo)記的像素統(tǒng)計方法和基于鏈碼的計算方法?；谶B通區(qū)域標(biāo)記的方法比較簡單，把葉片圖像跟背景進(jìn)行分割以后，對葉片區(qū)域進(jìn)行標(biāo)記，統(tǒng)計各個連通區(qū)域像素的個數(shù)，通過圖像分辨率換算成實際面積。由于輪廓跟蹤時，只提取了葉片的外輪廓，外輪廓描述的圖像區(qū)域并不受區(qū)域內(nèi)部孔洞的影響。因此，基于鏈碼的方法計算葉片的面積能夠減少由于葉片存在孔洞造成結(jié)果誤差。誠然,基于鏈碼的方法計算葉片的面積最后還同樣要通過分辨率來換算成實際面積。（2）葉片周長：葉片的周長即連通區(qū)域輪廓線的長度，通常根據(jù)鏈碼直接計算。通常我們可以將鏈碼的長度求出來以后，通過分辨率換算成實際的葉片長度。（3）葉片的長寬比計算：計算葉片的長寬比首先要取得葉長和葉寬，計算葉片長寬比的方法有多種，各有其優(yōu)缺點。通常最常用的一種方法是采用最小外接矩形(MER)的方法。MER算法是表示物體主軸方向上尺寸形狀的一種簡單方法。實現(xiàn)MER算法的方法有很多,最常用的一種方法是將物體在900在本設(shè)計中,利用MER算法計算長寬比的步驟如下:第一步、計算每個連通區(qū)域輪廓的外接矩形面積，并記錄外接矩形長度、寬度和面積；第二步、圖像逆時針旋轉(zhuǎn)30后，重復(fù)第1步；旋轉(zhuǎn)30次后，轉(zhuǎn)入第3第三步、統(tǒng)計每次旋轉(zhuǎn)后的外接矩形的面積，求取封閉區(qū)域最小外接矩形，記錄最小外接矩形的長度和寬度。第四步、計算最小外接矩形的長寬比,即為所求葉片的長寬比。注意：旋轉(zhuǎn)的角度會造成一定的誤差，角度越大，誤差越大。其他關(guān)于葉片的形狀特征的參數(shù)，例如矩形度、圓形度、內(nèi)切圓、外接圓等，都是基于葉片的面積、周長、長度和寬度以及最小外接矩形的計算的。2.5.2葉片紋理特征提取紋理分析的方法：（1）統(tǒng)計法：在統(tǒng)計法中常用的有直方圖法、灰度梯度法、自相關(guān)函數(shù)法和共生矩陣法。直方圖法又分為窗口直方圖法和邊緣直方圖法（林豐艷，2009）。視覺系統(tǒng)所觀察到的圖像窗口中的紋理基元必然對應(yīng)于一定的概率分布的直方圖，期間存在著一定的對應(yīng)關(guān)系。根據(jù)這個特點，就可以讓計算機(jī)來進(jìn)行兩個適當(dāng)大小的圖像窗口的紋理基元的計算和分析。邊緣直方圖方法就是沿著邊緣走向的像素的鄰域，分析其直方圖。若某一范圍內(nèi)有尖峰，就說明在這個灰度范圍內(nèi)，紋理所具有的方向性。但是這種方法只能識別某些紋理?；叶忍荻染仃嚪ň褪怯嬎阋粋€小區(qū)域的灰度梯度，找出其方向，然后將若干個小區(qū)域的方向加以綜合，就可以找出該區(qū)域的紋理基元或紋理走向。（2）結(jié)構(gòu)分析法：結(jié)構(gòu)分析法首先從像素出發(fā)，檢測出紋理基元，并找出紋理基元的排列信息，建立紋理基元模型。結(jié)構(gòu)分析法運(yùn)用形式語言來描述各種紋理單元及其排列規(guī)則，再通過語言的重新組織而形成所需的紋理模式。（3）頻譜法：借助Fourier頻譜的頻率特征來描述周期或近乎周期的2D圖像模式的方向性。即Fourier頻譜中的尖峰對應(yīng)紋理模式的主方向，這些峰在頻域平面的位置對應(yīng)模式的基本周期，而將周期性成分濾出后，剩下的非周期性部分可用統(tǒng)計方法描述。3在LabWindow/CVI2010中仿真3.1讀取圖像本設(shè)計采用LabWindow/CVI2010進(jìn)行仿真，在LabWindow/CVI2010中用戶接口庫（UserInterfaceLibrary）提供了一個文件選擇函數(shù)FileSelectPopup(),其功能是彈出一個文件選擇對話窗，等待用戶選擇某個文件或取消選選擇，并根據(jù)結(jié)果返回一個整數(shù)值。同時我們可以在程序中使用該返回值，以及文件路徑。例如lStatus=FileSelectPopup("..\\..","*.apd;*.jpg;*.bmp","","",VAL_LOAD_BUTTON,0,0,1,0,lPath)，表示打開選擇窗口，可以選擇*.apd;*.jpg;*.bmp格式的文件，并將文件路徑放入lPath，lStatus表征選擇結(jié)果。只有FileSelectPopup（）函數(shù)中第二個參數(shù)——圖片格式所包含的圖像格式才能被讀取進(jìn)來。在圖像處理儀器庫Imaq_CVI中，函數(shù)IPI_ReadFile()將指定路徑的文件名所指向的圖像文件數(shù)據(jù)存放在指針I(yè)mage（在主程序中中IPI_Creat（）來創(chuàng)建）所指向的數(shù)據(jù)區(qū)，并返回一個數(shù)值表征操作結(jié)果。例如lError=IPI_ReadFile(SourceImage,lPath,FALSE,NULL,NULL)，表示將包含路徑的文件名lPath所指的圖像文件存放在圖像數(shù)據(jù)區(qū)SourceImage中去。使用函數(shù)IPI_SetWindowAttribute()、IPI_WindDraw()可以設(shè)置相應(yīng)的窗口屬性，并將指定的圖像（用指針指向）顯示在指定的窗口。圖9源圖像圖10R灰度圖像以上函數(shù)結(jié)合使用可實現(xiàn)讀取并顯示一幅圖像。如圖9所示，具體編程如下：lStatus=FileSelectPopup("..\\..","*.apd;*.jpg;*.bmp","","",VAL_LOAD_BUTTON,0,0,1,0,lPath);if(lStatus==VAL_EXISTING_FILE_SELECTED){lError=IPI_ReadFile(SourceImage,lPath,FALSE,NULL,NULL);}圖11G灰度圖像圖12B灰度圖像3.2圖像預(yù)處理3.2.1讀取圖像本設(shè)計中采用分量法進(jìn)行圖像的灰度化。在圖像處理儀器庫Imaq_CVI中，函數(shù)IPI_ExtractColorPlanes（）用于將一幅指定的彩色圖像分離出各個RGB分量，我們可以創(chuàng)建3個8位圖像數(shù)據(jù)存儲區(qū)redImage、greenImage、blueImage來存儲各個灰度分量。在后續(xù)的設(shè)計中，我們可以隨意使用這三個灰度分量。如10所示，是使用IPI_ExtractColorPlanes(SourceImage,redImage,greenImage,blueImage,IPI_RGB);分離R、G、B以后，把redImage顯示在窗口的結(jié)果。而圖6、圖7則分別為G、B分量的灰度圖像。3.2.2圖像直方圖顯示在數(shù)值圖像處理中，一種最簡單和最有用的工具是灰度直方圖（Histogram）。灰度直方圖是統(tǒng)計衣服圖像中各灰度級出現(xiàn)的像素點數(shù)。橫坐標(biāo)是灰度級，縱坐標(biāo)是與各灰度級對應(yīng)的像素數(shù)。從衣服灰度圖像的直方圖可以看出一幅圖像的灰度分布特性，但是直方圖沒有位置信息，只能統(tǒng)計整幅圖像某一灰度值的像素有多少。直方圖常利用在圖像的增強(qiáng)、圖像的閾值分割等方法中。圖像處理儀器庫Imaq_CVI中提供了一個IPI_Histogram（）函數(shù)，該函數(shù)統(tǒng)計圖像的直方圖。本設(shè)計采用IPI_Histogram（）函數(shù)、DeleteGraphPlot（）函數(shù)以及PlotY函數(shù)來實現(xiàn)直方圖顯示，程序結(jié)果如圖13所示。IPI_Histogram(redImage,IPI_NOMASK,256,0,255,Histogram,NULL);DeleteGraphPlot(panel,PANEL_HISTOGRAM,-1,1);PlotY(panel,PANEL_HISTOGRAM,Histogram,256,VAL_INTEGER,VAL_THIN_LINE,VAL_SIMPLE_DOT，VAL_SOLID,1,VAL_RED);3.2.3圖像濾波由于掃描的過程是比較理想化的，所以產(chǎn)生的噪聲大部分是隨機(jī)噪聲，同時會帶有微少的椒鹽噪聲。如果目的只是去除干擾，而不是刻意讓圖像模糊，中值濾波是比較好的選擇。中值濾波可以很好的抑制圖像中的脈沖干擾。同時，中值濾波選擇的窗口大小直接影響到濾波的效果。多次實驗表明，中值濾波器的窗口選為3×3型時效果最好，模糊程度最小。在LabWindow/CVI2010的圖像處理儀器庫Imaq_CVI中，函數(shù)IPI_NthOrder()是一個中值濾波函數(shù)，通過改變參數(shù)可以設(shè)定源圖像、目標(biāo)圖像、模板以及選取第幾個像素賦予給目標(biāo)圖像的該像素點。例如IPI_NthOrder(tempImage1,IPI_NOMASK,tempImage2,3,3,5);表示以×3作為窗口，取排序結(jié)果的第5個像素賦予給目標(biāo)圖像對應(yīng)的像素點。如圖14，本設(shè)計在進(jìn)行二值化之前進(jìn)行了中值濾波。IPI_NthOrder(redImage,IPI_NOMASK,tempImage1,3,3,5)；圖13灰度直方圖圖14二值圖像3.2.4圖像二值化本文采用自動閾值選擇跟手動兩種方法并用，我們可以根據(jù)自身需要采用其中一種閾值分割的方法。計算閾值時，為了方便處理，優(yōu)先選擇自動計算閾值。如果所有濾波算法都不能取得良好效果的時候可以改用手動輸入閾值。在LabWindow/CVI2010的圖像處理儀器庫Imaq_CVI中，函數(shù)IPI_AutoBThreshold（）提供自動計算圖像二值化閾值的函數(shù)。函數(shù)的第二個參數(shù)metrod是指自動計算閾值的方法。該參數(shù)是一個枚舉變量，其枚舉元素是表1中五種閾值計算的方法。在五種不同的閾值計算下針對同一幅葉片圖像的進(jìn)行的圖像分割效果有十分大的差別。從圖15中我們可以看出，在本次閾值分割中，Metric方法取得的效果是比較理想的。函數(shù)IPI_Threshold（）是LabWindow/CVI2010中圖像處理儀器庫Imaq_CVI自帶的圖像處理二值化函數(shù)。無論是自動計算閾值，還是手動選擇閾值，都只是進(jìn)行了閾值的選擇，并沒有進(jìn)行二值化，必須通過函數(shù)IPI_Threshold（）進(jìn)行二值化。圖14是手動選擇閾值，該二值圖像的閾值選的是200，閾值不是選擇越大越好，閾值選擇太大，可能會導(dǎo)致葉片尺寸比實際尺寸大，反之，閾值選擇太小，可能會導(dǎo)致葉片尺寸比實際尺寸小。而且空洞太多無法消除。如圖15所示，是以圖15中灰度圖像（A）為源圖像進(jìn)行自動計算閾值的圖像二值化結(jié)果。枚舉元素值Cluster0Entropy1Metric2Moment3Inter4表1自動計算閾值方法的選擇圖15中，（B）是聚類分析自動計算閾值進(jìn)行二值化的結(jié)果，聚類分析算法計算得到的閾值是174；（C）是最佳直方圖熵自動計算閾值進(jìn)行二值化的結(jié)果，其閾值為69，最佳直方圖熵對于該葉片的二值化效果十分糟糕并不能取得預(yù)期效果；（D）Metric算法計算得到的閾值為192，得到的十分完整的二值化葉片圖像；（E）矩方法得到的閾值是255，無疑這是不對的；（F）內(nèi)方差的方法算得閾值是173，經(jīng)過形態(tài)學(xué)處理以后還是可以消除葉片上的孔洞干擾的。圖15二值化各種閾值計算方法下的結(jié)果手動選擇閾值時，使用LabWindow/CVI2010的用戶接口庫（UserInterfaceLibrary）提供的GetCtrlVal（）函數(shù)獲取控件NUMER的值。然后把值賦給函數(shù)IPI_Threshold（）。自動計算閾值時，使用GetCtrlVal（）函數(shù)獲取控件MORPH_MOTHED_2的索引值，對應(yīng)IPI_AutoBThreshold的第二個參數(shù)——閾值計算方法。在LabWindow/CVI2010中自動閾值計算的具體函數(shù)編寫如下：GetCtrlVal(panel,PANEL_MORPH_MOTHED_2,&metrod_value);IPI_AutoBThreshold(tempImage1,metrod_value,VAL_SHORT_INTEGER,NULL,&threshold_value);SetCtrlVal(panel,PANEL_Display,threshold_value);IPI_Threshold(tempImage1,tempImage1,threshold_value,255,255.0,TRUE);3.3形態(tài)學(xué)處理圖像處理儀器庫Imaq_CVI提供了函數(shù)IPI_Morphology（）對圖像進(jìn)行形態(tài)學(xué)處理。通過修改該函數(shù)的第三個參數(shù)，可以選擇二值圖像形態(tài)學(xué)的處理方法，本設(shè)計在此同樣通過一個NUMER控件來修改參數(shù)的索引值。不同的形態(tài)學(xué)處理方法達(dá)到的結(jié)果不一定相同，我們可以根據(jù)自身的需要或者獲得的圖像的特點來選用不同的形態(tài)學(xué)處理方法。另外，函數(shù)IPI_WSetPalette（）用于對圖像的窗口設(shè)置彩色調(diào)色板。只有用彩色調(diào)色板才可以顯示出形態(tài)學(xué)處理的圖像。函數(shù)IPI_Morphology（）第三個參數(shù)的索引值對應(yīng)的形態(tài)學(xué)處理方法如表2：LabelValue中值0閉運(yùn)算1腐蝕2膨脹3內(nèi)部和外部邊界提取4提取內(nèi)部邊界5擊不中6開運(yùn)算77次開運(yùn)算87次閉運(yùn)算9厚化10細(xì)化11表2形態(tài)學(xué)方法的選擇具體編程如下：IPI_Morphology(tempImage1,tempImage2,method_value,IPI_MO_STD3X3); IPI_WSetPalette(2,IPI_PLT_BINARY,NULL);不同的形態(tài)學(xué)處理方法得到不同的結(jié)果如圖16。圖16中，（A）是被處理的源圖像；（B）是腐蝕圖像；（C）是膨脹以后的圖像；（C）是開運(yùn)算的結(jié)果；（D）是閉運(yùn)算的結(jié)果；（F）多次開運(yùn)算指的是連續(xù)7次開運(yùn)算；（G）多次閉運(yùn)算指的是連續(xù)7次閉運(yùn)算；（H）是中值運(yùn)算的結(jié)果；（I）是內(nèi)部和外部邊界提取的結(jié)果。另外還有擊不中、細(xì)化、厚化、內(nèi)部邊界提取這些算法的結(jié)果沒有一一列舉。圖16經(jīng)不同形態(tài)學(xué)處理后的植物葉片單一的腐蝕、膨脹、細(xì)化，厚化等都會改變?nèi)~片的形狀使得到的數(shù)據(jù)出現(xiàn)較大的誤差，不適合用于葉片輪廓的提取。在選擇了合適的閾值的情況下，中值能夠把該葉片的輪廓比較好地提取出來。開運(yùn)算跟閉運(yùn)算都不會改變?nèi)~片的形狀跟大小，但是針對這幅葉片圖像，開運(yùn)算不能消除葉片圖像中的噪聲，導(dǎo)致目標(biāo)圖像中出現(xiàn)孤立點，而閉運(yùn)算提取的葉片輪廓效果比較好。多次開運(yùn)算跟多次閉運(yùn)算能改善單一開運(yùn)算或單一閉運(yùn)算的效果。但這不能代表每次開運(yùn)算的效果都比閉運(yùn)算的效果差。多次閉運(yùn)算、多次開運(yùn)算也不是越多越好，這跟掃描得到的圖片質(zhì)量有關(guān)，也跟此前的閾值選擇有關(guān)，我們在進(jìn)行形態(tài)學(xué)處理方法的選擇的時候，在一種形態(tài)學(xué)處理方法得到的目標(biāo)圖像不理想的情況下，應(yīng)該多嘗試其他的方法，根據(jù)自身需要選擇適合的目標(biāo)圖像。由于本文采用的葉片圖像比較理想，在圖16中我們無法進(jìn)行各種形態(tài)學(xué)處理結(jié)果的比較，下面我們針對另外一幅有干擾的圖像進(jìn)行比較。如圖17。圖17經(jīng)不同形態(tài)學(xué)處理后的植物葉片s圖17中，（A）是被處理的源圖像；（B）是腐蝕圖像，葉片圖像的尺寸比源圖像要??；（C）是膨脹以后的圖像，葉片的邊緣有被磨圓的痕跡，而且尺寸比源圖大。左上角的干擾被放大；（C）是開運(yùn)算的結(jié)果，在處理這幅葉片圖像的時候，開運(yùn)算也沒有消除干擾，但是，開運(yùn)算沒有改變?nèi)~片圖像的尺寸；（D）是閉運(yùn)算的結(jié)果，處理的效果比較理想，同樣，閉運(yùn)算沒有改變?nèi)~片圖像的尺寸；（F）多次開運(yùn)算指的是連續(xù)7次開運(yùn)算，對比（C），雖然也還有干擾，但多次開運(yùn)算的效果還是比較好的；（G）多次閉運(yùn)算指的是連續(xù)7次閉運(yùn)算；（H）是中值運(yùn)算的結(jié)果；（I）是內(nèi)部和外部邊界提取的結(jié)果。3.4邊緣檢測圖像處理儀器庫Imaq_CVI提供了函數(shù)IPI_GrayEdge（）對灰度圖像進(jìn)行邊緣檢測（提取輪廓）。函數(shù)的第四個參數(shù)是值所采用的邊緣檢測的方法。分別有Differentiation、Gradient、Prewitt、Roberta、Signma和Sobel通過修改該函數(shù)的第三個參數(shù)，可以選擇不同的邊緣檢測的方法。同樣地，本設(shè)計在此同樣通過一個NUMER控件來修改參數(shù)的索引值。函數(shù)IPI_GrayEdge（）第四個參數(shù)的索引值對應(yīng)的形態(tài)學(xué)處理方法如表3：LabelValueDifferentiation0Gradient1Prewitt2Roberta3Signma4Sobel5表3邊緣檢測方法的選擇把圖8經(jīng)過灰度化、濾波，二值化然后使用閉運(yùn)算的方法進(jìn)行了形態(tài)學(xué)處理以后，本設(shè)計把除葉片以外的部分填充成了白色。在邊緣檢測部分，如果各種檢測方法都不能取得理想的結(jié)果，則需要改變二值化時的閾值選擇或者改變形態(tài)學(xué)處理的方法再進(jìn)行邊緣提取。形態(tài)學(xué)處理得到的圖片并不能直接應(yīng)用于邊緣檢測，因為形態(tài)學(xué)處理中葉片部分被填充成像素值為0。本設(shè)計把上文形態(tài)學(xué)處理得到的形態(tài)學(xué)圖片進(jìn)行一定的變換（把葉片部分填充為像素值255，如圖19）以后作為源圖像，對源圖像進(jìn)行邊緣檢測，得到仿真結(jié)果如圖18。實驗表明，針對不同的檢測對象。不同的邊緣檢測方法得到不同的結(jié)果,。從圖18可以看出，不同的邊緣檢測得到不目標(biāo)圖像均有各自的特色。不能根據(jù)單一的葉片分析結(jié)果來斷定哪一種方法灰度檢測的效果較好。我們可以根據(jù)自身對目標(biāo)圖像的要求，或者獲得的圖像的特點來選用不同的邊緣檢測的方法。具體編程如下：GetCtrlIndex(panel,PANEL_EDGEDETECTION,&EdgeVal)；IPI_GrayEdge(tempImage2,IPI_NOMASK,tempImage3,EdgeVal,0.0)；圖18不同邊緣檢測方法得到的結(jié)果3.4特征提取3.4.1形狀特征提取在LabWindow/CVI2010中仿真時，我們通過函數(shù)IPI_Label（）、IPI_Particle（）以及IPI_Quantify（）的結(jié)合使用來實現(xiàn)計算葉片的面積跟周長。首先，由于函數(shù)IPI_Label（）標(biāo)記的是255，而形態(tài)學(xué)處理得到的結(jié)果中葉片的值是0，所以在進(jìn)行統(tǒng)計之前要先進(jìn)行像素值的轉(zhuǎn)換。for(i=0;i<width;i=i+1){for(j=0;j<height;j=j+1){IPI_GetPixelValue(tempImage2,i,j,&gray_value); if(gray_value==0){IPI_SetPixelValue(tempImage3,i,j,255); }else {IPI_SetPixelValue(tempImage3,i,j,0); }}//for(j=0;j<height;j=j+1)} //for(i=0;i<width;i=i+1)結(jié)果如圖19所示圖19用于標(biāo)記的的圖片圖20形狀參數(shù)的提取圖像處理儀器庫Imaq_CVI提供了函數(shù)IPI_Label（）對二值化圖像進(jìn)行標(biāo)記，然后用IPI_Particle（）函數(shù)查出并返回葉片區(qū)域的參數(shù)，再用IPI_Particle（）函數(shù)進(jìn)行參數(shù)讀取。圖20是形狀參數(shù)的提取結(jié)果。具體編程如下：IPI_Label(tempImage2,tempImage,TRUE,&NbOfParticles);lFullReportPtr=NULL;IPI_Particle(tempImage,TRUE,&lFullReportPtr,&lTempInt); lQuantifyElemPtr=NULL;IPI_Quantify(tempImage2,tempImage,&lQuantifyElem,&lQuantifyElemPtr,&lTempInt);（1)面積、周長的計算原理：統(tǒng)計出該區(qū)域的像素數(shù)量，然后根據(jù)分辨率跟像素之間的轉(zhuǎn)換關(guān)系，計算出葉片的面積，這里的面積是“準(zhǔn)面積”，要想得到真實的葉片面積，還要進(jìn)行進(jìn)一步的裝換。由于條件限制，這里并沒有進(jìn)行裝換。如上文所言，周長是利用鏈碼得到的（蘇玉梅，2007）。（2）最小包圍盒的計算原理：運(yùn)用圖像處理儀器庫Imaq_CVI中的函數(shù)IPI_Rotate()在900范圍內(nèi)旋轉(zhuǎn)，每次轉(zhuǎn)過30（或者更小），擬合一次邊界，求出此時包圍葉片的最小矩形面積，共計算30次（900（3）矩形度、圓形度、偏心率等都可以根據(jù)最小包圍盒求得。3.4.2紋理特征提取植物葉片圖像二值化以后就無法看出葉片的紋理特征，因此對葉片的紋理特征進(jìn)行提取之前必須重新進(jìn)行預(yù)處理。（1）邊緣檢測：此處的邊緣提取還是用IPI_GrayEdge（）函數(shù)，但是源圖像采用灰度圖像直接提取邊緣。圖21是利用IPI_GrayEdge（）函數(shù)提供的六個邊緣檢測的方法得到的植物葉片紋理圖。圖21各種邊緣提取算法下的植物葉片脈絡(luò)圖從圖21可以看出，幾個邊緣檢測的效果都不錯，再看不難發(fā)現(xiàn)每個算法處理得到的葉片脈絡(luò)還是有差別的。例如，Sobel算法得到的葉片脈絡(luò)在葉邊緣上特別的突出，而Gradient在所有邊緣輪廓的權(quán)重都是一樣的。因為本文目的是要對葉片的主要脈絡(luò)進(jìn)行特征提取，這個時候，Sobel算法得到的葉片脈絡(luò)就不適用于后續(xù)的處理了。（2）二值化：直接對灰度圖像得到的葉脈圖像不適用于進(jìn)一步分析，首先進(jìn)行二值化，如圖22所示，是圖21中differentiation算法得到的植物葉脈圖像達(dá)到的二值化葉脈。其二值化的方法跟3.2.4中的二值化方法無異，沒有必要在此再仿真，因此只用自動計算閾值的方法進(jìn)行二值化。圖22葉脈圖像二值化（3）去除葉邊緣：對于葉脈的紋理分析主要時針對葉脈級數(shù)以及類別，從圖22可以看出，此時輪廓圖中葉邊緣也包含在脈絡(luò)圖中。在3.4邊緣檢測中已經(jīng)提取出葉邊緣圖像tempImage3，本文采用對比的方法來消除葉邊緣上的像素點，結(jié)果如圖23所示。具體編程如下：IPI_GetPixelValue(tempImage02,i,j,&gray_value);IPI_GetPixelValue(tempImage3,i,j,&gray_value3); if(gray_value3!=0){ IPI_SetPixelValue(tempImage03,i,j,0);}else{IPI_SetPixelValue(tempImage03,i,j,gray_value);}另外一種去除也邊緣的方法是像吃大餅?zāi)菢訌乃膫€方向?qū)θ~片圖像進(jìn)行“啃咬”，每次消除葉脈圖像最外層的圖像，這種方法能夠把葉邊緣完全“吃”掉，但由于很多葉片圖像的不規(guī)則，反而丟失一些重要的信息。（4）刪除雜質(zhì)區(qū)域：經(jīng)過去除葉邊緣這一步以后，很多邊緣像素點還是沒有消除，但是不要緊，就算沒有被“吃”掉，邊緣上的像素點都已經(jīng)被分離，通過函數(shù)IPI_LowHighPass(tempImage03,tempImage04,TRUE,FALSE,2,IPI_MO_STD3X3)，刪除雜質(zhì)區(qū)域就可以提取到目標(biāo)葉脈圖像了。如圖24所示。圖23去除葉邊緣圖24葉脈圖像（5）膨脹：通過膨脹去除掉脈莖上的孔洞。（6）尋找主脈：把圖24中所有的像素讀取進(jìn)來以后，兩兩距離最遠(yuǎn)的兩個像素的方向就是主脈的方向。4總結(jié)與展望植物是目前地球上物種數(shù)量最多，分布最廣泛的生命形式，它與人類關(guān)系非常密切，是人類生產(chǎn)和生活所必需的資源。植物物種的瀕臨滅絕,以及由此給人們生產(chǎn)生活帶來災(zāi)難，使得植物分類研究具有重要的現(xiàn)實意義和應(yīng)用價值。過去人們植物的分類研究往往受到各種自然的或者是硬件上的困阻，研究晦澀而困難。數(shù)字圖像處理技術(shù)是隨著計算機(jī)的發(fā)展和成熟而在近年來迅速發(fā)展起來的一個重要的應(yīng)用技術(shù)領(lǐng)域。由于計算機(jī)硬件成本的下降和計算速度的不斷提高，圖像處理技術(shù)在農(nóng)業(yè)方面尤其是作物領(lǐng)域已變得越來越有吸引力。利用計算機(jī)圖像處理技術(shù)可以本文結(jié)合生產(chǎn)實際需要,研究利用計算機(jī)圖像處理技術(shù)進(jìn)行葉片參數(shù)提取的方法，提高了葉片參數(shù)測量的精度和效率。主要工作如下：（1）論述圖像處理技術(shù)在植物葉片分類識別上的應(yīng)用和發(fā)展，萬變不離其宗，在植物葉片形態(tài)學(xué)分析上，縱使相當(dāng)多的人提出了個人關(guān)于植物葉片形態(tài)學(xué)在各個分析環(huán)節(jié)的方案，或別出心裁，或在前人的基礎(chǔ)上加以改進(jìn)。但在總體的分析流程還是統(tǒng)一的，正因為這樣的統(tǒng)一，才大大地豐富了植物葉片形態(tài)學(xué)分析的方法。例如，在形態(tài)學(xué)處理的方法上，有腐蝕、膨脹、開運(yùn)算、閉運(yùn)算，擊不中，中值運(yùn)算等。而在邊緣檢測上面有像sobel、Signma、細(xì)胞神經(jīng)網(wǎng)絡(luò)等算法。（2）在如今的時代，對于植物葉片的研究畢竟是少數(shù)人在進(jìn)行，而園藝、植物學(xué)在各大高校都屬于冷門專業(yè)，但這項工作卻關(guān)乎整個人類，本文就前人所作的研究進(jìn)行簡略的詮釋，希望能夠引起更多人多植物學(xué)研究的關(guān)注。（3）由于硬件的限制，本文采集的葉片都是用攝像機(jī)隨手拍攝回來的，沒有參照物，所以仿真過程中得到的絕對參數(shù)都是過渡值，對于葉片的面積，周長，本文得到的“準(zhǔn)面積”、“準(zhǔn)周長”并非無中生有，從“準(zhǔn)面積”、“準(zhǔn)周長”過渡到實際面積跟周長只要在實際應(yīng)用中加入?yún)⒄?，根?jù)比例進(jìn)行換算則可。（4）詳細(xì)分析了葉片圖像預(yù)處理方法，從彩色圖片到灰度圖像的變換，到葉片圖像的二值化，再到植物葉片的形態(tài)學(xué)處理，植物葉片的邊緣提取。（5）本文就幾個常見的形狀特征參數(shù)進(jìn)行了提取，并用LabWindows/CVI2010進(jìn)行了仿真。雖然有相當(dāng)多人就這個參數(shù)的提取上都提出了自己的見解，但還是較少人去實驗驗證。（6）在葉片的紋理特征分析上面，本文對葉片的脈絡(luò)進(jìn)行分離，提取作為葉片紋理主要部分的“脈”，而摒棄了“絡(luò)”以及葉邊緣。并提取出簡化葉脈圖像。方便進(jìn)一步的特征提取。進(jìn)一步的工作：（1）本文對植物葉片的提取技術(shù)還是十分的不成熟，對于LabWindows/CVI2010的圖像處理函數(shù)庫的應(yīng)用還是不夠熟悉。一開始的時候，由于不知道圖像處理儀器庫Imaq_CVI有哪些可用的函數(shù)，甚至都是自己一個一個去編寫算法，而且效果遠(yuǎn)遠(yuǎn)沒有函數(shù)庫中的函數(shù)調(diào)用處理那么好。到后面又一個個拋棄掉，大大地浪費時間和精力。希望能夠進(jìn)一步加深對這個軟件的學(xué)習(xí)。（2）對于葉片的紋理特征，在沒有參考的情況下，本文說到底還是只是做了預(yù)處理的工作，預(yù)計要提取的葉脈的級數(shù)，葉脈的類別都還在理論階段，進(jìn)一步還需要把理論付諸實驗。參考文獻(xiàn)陳愛軍.基于圖像處理的植物葉片參數(shù)的測量[J].東北農(nóng)業(yè)大學(xué)學(xué)報.2009,04,47。鄧?yán)^忠，張秦玲.數(shù)字圖像處理技術(shù)[M].廣州：廣東科技出版社，2005年：120-130。黃德雙.神經(jīng)網(wǎng)絡(luò)模式識別系統(tǒng)理論[M].北京：電子工業(yè)出版社,1996。侯銅，姚立紅，闞江明.基于葉片外形特征的植物識別研究[J].湖南農(nóng)業(yè)科學(xué).2009，04,124-129。林開顏,徐立鴻,吳軍輝.計算機(jī)視覺技術(shù)在作物生長監(jiān)測中的研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報.2004,20(2),279-283。李然.基于數(shù)學(xué)形態(tài)學(xué)的植物葉片圖像預(yù)處理[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2008，01,43-45。陸宗騏,童韜.鏈碼在邊界形狀分析中的應(yīng)用[J].中國圖像圖形學(xué)報。2002,12。吳玲艷，沈庭芝，方子文，王飛.基于直方圖熵和遺傳算法的圖像分割法[J].兵工學(xué)報.1999,03。吳翠珍，王曉峰，杜吉祥，周耘峰，童效平，黃徳雙.植物葉片圖像識別系統(tǒng)在植物園發(fā)展中的應(yīng)用研究[R].中國貴州貴陽:中國植物學(xué)會分會，2008。王俊芳，王正歡，王敏.常用圖像去噪濾波方法比較分析[J].現(xiàn)代商貿(mào)工業(yè)，2009,16，王曉峰，黃徳雙，杜吉祥，張國軍.葉片圖像特征提取與識技術(shù)的研究[J].計算機(jī)工程與應(yīng)用.2006.03,190-193。徐散愷,郭楠,葛慶平,郭新宇.計算機(jī)視覺技術(shù)在作物形態(tài)測量中的應(yīng)用[J].計算機(jī)工程與設(shè)計,2006,27(7):1134-1136,1148。林豐艷.基于圖像多分辨率分析的植物葉片識別系統(tǒng)的研