[发明专利]一种基于多尺度分析的温室田间植物叶片边缘提取方法及其系统

说明书

技术领域

本发明涉及数字图像处理技术领域，尤其涉及一种基于多尺度分析的温室田间植物叶片边缘提取方法及其系统。

背景技术

叶片是果树营养物质的制造器官，是产量形成的基础。农业生产中需要获取大量的叶片生长信息。为通过图像获取叶片生长信息，实现果园生产自动监测，需要对田间果树叶片图像进行图像增强与分割算法研究。图像分割是图像分析和图像理解的基础，能够为进一步图像处理提供重要的信息。植物叶片图像分割能够为植物特征提取提供重要依据，如叶片面积计算、叶片病虫害检测和叶片三维重建等，从而可以实时监测植物的生长状况，提前预防病虫害等。有助于科学种植，提高作物产量等。

图像分割是根据具体的任务需求，将感兴趣的部分(目标)从图像的其他信息(背景)中分离出来，是图像处理的重要组成部分，也是图像分析和理解的基础，更是一门计算机视觉技术。目标分割是图像分析和图像理解的关键步骤，同时准确完整的植物叶片边缘信息也是基于数字图像处理技术的作物生物量获取的首要前提，例如可以进行生长状况检测，叶绿素含量测定，病虫害预警，以及基于目标特征的叶片三维形态重建恢复，进而实现无损精确的立体植物叶面积计算，及数字果园的可视化管理等。不论是基于图像的叶片面积周长、茎干直径等生长要素的获取，还是营养状况、成熟度检测，所有分析的基础是图像中所需目标的准确提取。只有建立在准确的目标提取方法上的其他参数获得才是有价值的，基于这些参数所做的分析和得到的结论才是有意义的。准确的分析可以提供用于病虫害分析的正确的纹理、形状信息，可以提供三维重建中匹配的同名像点，可以提供采摘机器人正确的运动方位。只有完整精确地将图像分割、目标分离出来，基于目标的特征提取和参数测量才可以剔除掉大量的图像冗余信息，转换图像灰度信息到更抽象的一系列特征数据集，突出而完备的表达重要信息，方便对图像后续的分析和理解。

边缘检测分割则通常是在梯度图像的基础上进行的。利用图像一阶导数的极值或二阶导数的零点作为判断边缘点的基本依据。边缘检测的优点是边缘定位准确、运算速度快。边缘检测一般分为三个步骤：首先利用一些边缘检测算子检测出图像中可能的边缘点；其次，对有一定厚度的边缘进行复杂的边缘细化，得到精确的、厚度为一个像素的边缘；最后，利用边缘闭合技术得到封闭的边缘。但植物叶片图像通常具有以下特征：背景复杂，叶片较多，易重叠，叶片表面不够光滑，叶脉与叶片的色彩差异较大，叶子边缘有些地方梯度变化不明显，叶片与叶柄相连处、枝条重叠处难以分开，有些果树现场叶片图像由于光照不同而表现为几种不同亮度的区域，内部梯度变化过于明显。这些特征导致分割的结果是，既不能保证边缘的连续性和封闭性，又在高细节区存在许多大量的碎边缘、伪边缘，难以确定哪些边缘是真正的目标边缘。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：提出一种基于多尺度分析的温室田间植物叶片边缘提取方法及其系统，对不同类型的伪边缘实施不同处理，提高边缘检测精确度，降低叶片识别错误率。

(二)技术方案

为实现上述目的，本发明提供一种基于多尺度分析的温室田间植物叶片边缘提取方法，该方法包括：

S1.抓取温室田间植物图像，截取包含单一完整叶片的目标子图像，将所述目标子图像转换为灰度图像，使用wiener滤波去噪；

S2.对S1去噪后获得的图像采用四层‘db5’小波分解，并重构第一层图像得到图像f1，重构第三层图像得到图像f2；

S3.对步骤S2获得的图像f1使用canny边缘检测得到低尺度边缘图像f3，使用OTSU阈值分割得到低尺度的OTSU阈值分割图像f4，对步骤S2获得的图像f2使用OTSU阈值分割得到高尺度的阈值分割图像f5；

S4.第一类伪边缘的处理：对步骤S3得到的低尺度阈值图像f4进行外部伪边缘处理，得到用于擦除外部伪边缘的外模板区域图像f6；

S5.对步骤S4得到的图像f6运用逻辑非运算后再与步骤S3得到的边缘图像f3逻辑与，获得擦除外部伪边缘的图像f7；

S6.对步骤S3获取的高尺度阈值图像f5进行内部轮廓处理，得到用于擦除内部伪边缘的内模板图像f18；

S7.对步骤S6得到的内模板图像f18运用逻辑非运算，再与步骤S5得到的图像f7逻辑与运算，获得最终的边缘图像f19；

优选地，S4中所述对图像f4进行外部伪边缘处理，得到用于擦除外部伪边缘的外模板区域图像f6包括：

S4.1.以半径为N1个像素的圆形为结构元，用该结构元对图像f4实施形态学腐蚀操作，其中N1为正整数；