林志華 林國健 陳享燈 林雷通 曾文龍 邱銘生 江海東 林天然

摘要：基于RGB圖像連通性，提出一種圖像快速切割多重去噪法（fast cutting and multiplede-noise，簡稱FCMD），并與現(xiàn)有的4種算法進(jìn)行對比。結(jié)果表明，該方法處理時長適中，對單色葉和雜色葉的識別像素、色階均值、色階中位數(shù)的準(zhǔn)確率均達(dá)到98.78%及以上，綜合表現(xiàn)最優(yōu)。FCMD能夠在不同的邊緣算子下完成對各種類型葉片準(zhǔn)確、快速的切割消噪，其中以sobel算子的處理效果最優(yōu)，其處理效果與手動切割（CK）無明顯差異。同時，F(xiàn)CMD法在中高分辨率（3 750×2 500）的切割效果與手動切割無明顯差異，而所用時長僅為CK的23.21%，效率提升近5倍。因此，F(xiàn)CMD是一種高效、準(zhǔn)確、適用范圍廣的RGB圖像自動化葉片切割去噪方法。

關(guān)鍵詞：RGB圖像;圖像切割;背景去噪;植物葉片;FCMD

中圖分類號： TP391.41文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2021）12-0151-06

收稿日期：2020-09-29

基金項目：福建省煙草公司龍巖市公司科技項目（編號：2020Y01）。

作者簡介：林志華（1985—），男，福建連城人，農(nóng)藝師，主要從事煙葉生產(chǎn)管理、煙葉產(chǎn)業(yè)信息化建設(shè)、煙田基礎(chǔ)設(shè)施建設(shè)相關(guān)研究。E-mail：532337187@qq.com。

通信作者：林天然，碩士，農(nóng)藝師，主要從事煙草植保相關(guān)研究。E-mail：chltr@126.com。

獲取精確的葉色信息是采用RGB圖像定量描述葉片表型特征的前提[1-2]。在通過數(shù)碼相機(jī)獲取葉片圖片后，必須先對原始圖片進(jìn)行切割，將目標(biāo)葉片和背景干擾物分離后，再對數(shù)據(jù)進(jìn)行提取分析[1-4]。現(xiàn)有的計算機(jī)圖片切割方式主要有手動切割法[5-6]、顏色閾值法[2，7-10]、最大類間方差（OTSU）法[11-12]、邊緣識別分割法[11-13]及復(fù)合法[11-12，14]，這些方法在特定拍攝環(huán)境下[15]（如黑箱拍攝）或者對特定植物的分割效果較好，但也存在適用范圍窄[16]、背景切割分離不夠充分[10-12]、處理效率較慢[13-14]等問題。針對以上問題，本研究根據(jù)數(shù)碼圖片連通域的原理，綜合背景差分[17-19]、邊緣識別、顏色閾值等算法，提出圖像切割去噪法（fast cutting and multiplede-noise，簡稱FCMD），并對比FCMD與現(xiàn)有算法在處理效果、數(shù)據(jù)提取準(zhǔn)確率、處理效率上的差異及FCMD對不同邊緣算子、不同葉片類型、不同分辨率圖像的適應(yīng)性，以期能夠提供一種高效、精確、適用范圍廣的RGB圖像葉片自動化切割去噪方法。

1 材料與方法

1.1 葉片收集及圖像采集

采用福建省龍巖市龍津湖公園（117.023 011°E，25.068 662°N）拾取的10種不同類型葉片，用吸水紙擦干表面水分及灰塵后作為研究對象。圖像采集所用平臺為長300 cm、寬 200 cm、離地高度80 cm的長方形桌面，桌面底板顏色為灰白色（RGB值為230，230，230）啞光磨砂臺面。照明光源為直徑30 cm環(huán)型10 W白色發(fā)光二極管（LED）燈，色溫為5 000 K（4 726.85 ℃），燈管懸掛位置位于平臺中心高100 cm處，保證平臺臺面光線均勻;距離平臺臺面100 cm處用三腳架和云臺固定數(shù)碼相機(jī)，鏡頭穿過環(huán)型LED燈中心，采用高分辨率照相機(jī)（型號：EOS-550D，日本佳能公司）進(jìn)行垂直拍攝。圖像采集時，將葉片保持自然舒展?fàn)顟B(tài)放入鏡頭中央，采用M檔無閃光拍攝，感光度（ISO）值為100，光圈f/5，快門1/15 s，焦距41 mm，白平衡設(shè)為自動，原始數(shù)字圖像分辨率為5 184×3 456。

1.2 手動切割及顏色信息提取方法

采用Photoshop CS（下文簡稱PS）軟件中的顏色魔棒工具及磁性邊緣索套工具對葉片圖像進(jìn)行手工切割，并以此作為對照（CK）。采用PS自帶的圖像信息直方圖獲取目標(biāo)圖像的顏色參數(shù)信息。

1.3 現(xiàn)有計算機(jī)自動化切割方法

現(xiàn)有計算機(jī)自動化切割方法主要通過Matlab 2016R軟件來實現(xiàn)：

顏色閾值法（以下簡稱C1）：通過預(yù)先設(shè)定好顏色閾值（本研究以采樣臺底板顏色的RGB 值為閾值）對圖像逐個像素顏色進(jìn)行識別、篩選、分離。

OTSU法（以下簡稱C2）：運(yùn)用im2double函數(shù)將圖片轉(zhuǎn)化為雙精度數(shù)組;運(yùn)用graythresh函數(shù)獲得最優(yōu)閾值，然后運(yùn)用im2bw函數(shù)以此為閾值進(jìn)行二值化填充。

邊緣識別分割法（以下簡稱C3）：運(yùn)用im2double函數(shù)將圖片轉(zhuǎn)化為雙精度數(shù)組，運(yùn)用rgb2gray函數(shù)將圖片轉(zhuǎn)為灰度圖;運(yùn)用ddencmp函數(shù)進(jìn)行分層小波消噪，而后采用wdencmp函數(shù)進(jìn)行全局閥值消噪;最后運(yùn)用edge函數(shù)canny算子進(jìn)行邊緣識別切割。

復(fù)合法（以下簡稱C4）：先采用C3方法進(jìn)行邊緣識別切割，而后采用C2方法進(jìn)行顏色去噪處理。

1.4 計算機(jī)自動化葉色參數(shù)提取方法

本研究采用Matlab軟件對彩色圖像進(jìn)行數(shù)據(jù)提取。葉色參數(shù)均以彩色圖片Red通道色階參數(shù)值為數(shù)據(jù)處理、比較、分析對象。

1.4.1 葉色圖片預(yù)處理 運(yùn)用image（：，：，1）函數(shù)讀取目標(biāo)圖像Red通道每個像素色階，運(yùn)用全循環(huán)算法檢索記錄圖像中非黑部分像素索引碼，將其組合為新的色階數(shù)組，該數(shù)組即為無軟件特性干擾的葉片色階信息矩陣。本研究中所用到的方法在提取葉色參數(shù)提取前，均采用此方式進(jìn)行預(yù)處理。

1.4.2 色階累積直方圖構(gòu)建 運(yùn)用imhist函數(shù)獲取Red通道色階累積直方圖。

1.4.3 葉色特征參數(shù)表建立 運(yùn)用Mean、Median、Std函數(shù)分別獲取Red通道的色階均值、中位數(shù)、標(biāo)準(zhǔn)差等參數(shù)，形成葉色特征參數(shù)表。

1.5 FCMD法對不同邊緣算子適應(yīng)性的試驗設(shè)計

本研究運(yùn)用edge函數(shù)sobel、prewitt、roberts、canny 4種不同算子分別對10類葉片進(jìn)行自動切割消噪并獲取其葉色參數(shù)，與手動切割（CK）所獲得的葉色參數(shù)進(jìn)行比較，運(yùn)用SPSS軟件對CK及4種算子的識別像素占比、色階均值、色階中位數(shù)、色階標(biāo)準(zhǔn)差通過最小顯著性差異法（Least-Significant Difference，簡稱LSD）進(jìn)行多重比較。

1.6 FCMD法對不同分辨率圖像適應(yīng)性的試驗設(shè)計

本研究將10種不同類型的葉片原始圖像分別通過PS軟件調(diào)整為低分辨率（A，750×500）、中等分辨率（B，1 500×1 000）、中高分辨率（C，3 750×2 500）、高分辨率（D，5 184×3 456）4類，而后采用FCMD進(jìn)行圖像切割去噪并分別提取不同分辨率圖像的葉色參數(shù)。運(yùn)用SPSS軟件對A、B、C、D與原始分辨率（CK）的識別像素占比、色階均值、色階中位數(shù)、色階標(biāo)準(zhǔn)差進(jìn)行LSD多重比較。

2 結(jié)果與分析

2.1 現(xiàn)有葉片圖像切割和去噪方法存在背景干擾的問題

2.2 FCMD圖像切割去噪法

2.2.1 FCMD法的理論依據(jù) 往常用的4種算法（C1～C4）存在一定的缺陷：

C1：因顏色閾值必須事先設(shè)定，故要求背景顏色盡可能單一且與主題有較大色差，因此采用此方法的試驗，一般采用黑箱拍攝或者掃描儀獲取背景單一的葉片圖像。然而，由于人眼無法直接感知RGB數(shù)值，在采用此方法試驗前，一般須要將RGB圖像轉(zhuǎn)化為人眼可以直接感知的HSV（hue，saturation value，色調(diào)飽和度，亮度）色彩模型，再通過設(shè)定飽和度或者明暗度進(jìn)行閾值篩選，運(yùn)算量也因此加大。此方法適用于對目標(biāo)葉片葉色較為單一的植株，對雜色葉、多色葉處理效果較差。

C2：不用預(yù)先設(shè)定顏色閾值，可以通過Matlab軟件算法庫直接調(diào)用函數(shù)進(jìn)行處理，其缺點與C1一樣，對葉色較為單一的植株處理效果較優(yōu)，對雜色葉、多色葉處理效果較差。

C3：在圖像采集中無須純色背景，對單色葉、雜色葉、多色葉識別效果均較好，但是對葉面扭曲的葉片及背景陰影較大、背景噪點多且雜的葉片圖像處理效果欠佳。

C4：結(jié)合了C2和C3的優(yōu)點，是目前處理效果較優(yōu)的一種圖像切割去噪方法。

數(shù)字圖像像素點與其相鄰像素存在著連通關(guān)系。連通性（鄰接性）是描述區(qū)域和邊界的重要概念，2個像素是否連通可以通過以下2個條件進(jìn)行判定：2個像素的坐標(biāo)位置是否相鄰（如8鄰接等），2個像素的RGB值是否滿足特定的相似性準(zhǔn)則（同時滿足某種條件，如在色階區(qū)間范圍內(nèi)）。圖1示意了數(shù)字圖像像素點的連通性，可以看到，位居中央的像素點與環(huán)繞在其周圍的其他8個像素點構(gòu)成了8鄰接，實現(xiàn)了領(lǐng)域連通;與其他像素點間的RGB值相近，實現(xiàn)了值域連通?？梢圆捎眠@個原理，對數(shù)字圖像進(jìn)行邊緣檢測或者設(shè)定顏色閾值，

找到目標(biāo)葉片，而后對圖像進(jìn)行切割、分離。

2.2.2 FCMD法實現(xiàn)步驟 本研究所提供FCMD法主要通過Matlab軟件實現(xiàn)。步驟如下：（1）將目標(biāo)葉片根據(jù)本研究所提供的圖像采集方法進(jìn)行拍攝（圖2-1）;（2）將葉片原始圖像及空白背景圖像分別轉(zhuǎn)化為灰度圖（圖2-2）;（3）進(jìn)行差分處理，去除背景圖片（圖2-3）;（4）進(jìn)一步去除圖像邊緣對象（圖2-4）;（5）對圖像邊緣進(jìn)行檢測提?。▓D2-5）;（6）對圖像進(jìn)行膨脹操作并填補(bǔ)邊緣縫隙（圖2-6）;（7）對圖像進(jìn)行空隙填充并采用菱形結(jié)構(gòu)元素對圖像進(jìn)行平滑（圖2-7）;（8）將平滑后的圖像多次中值濾波去除冗余信息（圖2-8）;（9）運(yùn)用bwlabe函數(shù)尋找8聯(lián)通成份并進(jìn)行二值化處理（圖2-9）;（10）運(yùn)用雙循環(huán)算法將上一步驟所得圖像二值圖中黑色部分（即背景RGB值為0，0，0）填充白色后形成背景蒙版;而后將原圖作為底圖，與背景蒙版進(jìn)行圖像加法運(yùn)算，形成具有白色背景及目標(biāo)葉片彩色圖像的JPG圖片（圖2-10）;（11）運(yùn)用雙循環(huán)算法將前景復(fù)原后的JPG圖片白色背景透明度調(diào)整為0（即完全透明），得到透明背景的目標(biāo)葉片彩色圖像PNG圖片（圖2-11）。

以上步驟2～11均通過計算機(jī)自動實現(xiàn)。其中，步驟2～9為圖像切割步驟，步驟10為圖像復(fù)原步驟，步驟11為圖像背景透明化步驟。

2.2.3 FCMD法與現(xiàn)有切割去噪方法的對比 采用FCMD法與現(xiàn)有算法（C1～C4）分別對單色葉片和雜色葉片進(jìn)行切割，比較其處理效果和所提取葉色特征參數(shù)準(zhǔn)確率。從圖3、表1可以看出，采用顏色閾值算法（C1）和OTSU算法（C2）能夠較好地去除純色葉片的背景，但是對雜色葉片會產(chǎn)生誤判，導(dǎo)致識別像素準(zhǔn)確率下降;而邊緣識別算法（C3）可以較好地識別雜色葉片邊緣，不會進(jìn)行多余的切割，但是背景雜音對其干擾嚴(yán)重，且對葉片陰影敏感容易造成誤判，其處理耗時較長，效率較低;復(fù)合切割算法（C4）在邊緣切割的基礎(chǔ)上再次進(jìn)行去噪，對純色葉和雜色葉均有較好的處理效果，所提取的葉色特征參數(shù)值也較優(yōu)，對葉片陰影消噪效果較好，但是處理耗時最長。本研究所提供的FCMD法結(jié)合了C1～C4的特點，先進(jìn)行背景差分處理，將前、后景進(jìn)行簡單分離;而后通過邊緣對象去除，降低扭曲葉片的陰影干擾;再通過邊緣識別、填充、平滑和多次中值濾波后獲得較好的邊緣輪廓;隨后進(jìn)行連通域區(qū)域面積篩選，去掉背景雜點，分離出精確的前景目標(biāo)圖像，對單色、雜色葉片整體處理效果均最優(yōu)，進(jìn)一步降低了葉片陰影的干擾，處理效率適中，具有較高的參數(shù)準(zhǔn)確率，綜合表現(xiàn)最優(yōu)。

2.3 FCMD法的其他優(yōu)勢

2.3.1 FCMD法適用于不同葉片類型 自然界中的植物葉型葉色多種多樣，本研究選取并采集大小、葉型、葉色、 葉緣各不相同的葉片共10類，通過本研究的圖像采集方法獲取葉片彩色圖像后，運(yùn)用FCMD法對葉片進(jìn)行自動切割去噪，驗證該方法的適用性。從圖4可以看出，F(xiàn)CMD法切割效果較好，但是由于部分葉型的葉面具有扭曲（圖4-D、圖4-E），在圖像采集時，始終保持葉片自然舒展?fàn)顟B(tài)，未進(jìn)行壓平處理，因此，會產(chǎn)生部分陰影;而羽狀復(fù)葉（圖4-F）則因為枝條過細(xì)，在連通域篩選時由于面積閾值設(shè)定值較高，過于細(xì)小的枝葉會被誤判清除，造成圖像部分缺失，這些都導(dǎo)致切割效果有所下降。

2.3.2 FCMD法適用于不同邊緣識別算子 edge函數(shù)的sobel、prewitt、roberts、canny 4個算子對葉片邊緣的識別效果是不同的。從表2可以看出，4種邊緣識別算子與CK的識別像素占比、色階均值、色階中位數(shù)均無顯著性差異。在切割消噪及信息提取分析效率上，sobel、prewitt、roberts、canny算子所用時長僅為CK（23.70 s）的44.68%、45.15%、46.46%、48.48%，sobel、prewitt算子用時明顯優(yōu)于canny。綜上所述，本研究所提供的FCMD法能夠適應(yīng)在不同的邊緣算子下完成各種類型葉片準(zhǔn)確、快速地切割消噪，其中以sobel算子最優(yōu)，其處理效果（識別像素占比、色階均值、色階中位數(shù)、色階標(biāo)準(zhǔn)差）與手動切割無顯著性差異，且處理用時最短。

2.3.3 FCMD法適用于不同分辨率圖像 在進(jìn)行群體高通量表型獲取時，研究人員必須考慮檢測儀器的成本投入及測量效率。通過對不同分辨率的圖像處理效果（表3）可以看出，中高分辨率（C）、高分辨率（D）在識別像素占比、色階均值、色階中位數(shù)、色階標(biāo)準(zhǔn)差4項參數(shù)中均與CK無顯著性差異;低分辨率（A）、中分辨率（B）的色階標(biāo)準(zhǔn)差、色階均值、色階中位數(shù)與CK均有顯著性差異。在處理效率方面，低分辨率、中分辨率、中高分辨率、高分辨率所用時長僅為CK（23.70 s）的2.07%、4.43%、23.21%、44.68%，且4種分辨率的用時均呈顯著性差異。綜上所述，中高分辨率、高分辨率在切割效果和葉色特征參數(shù)在獲取方面均與手動切割無顯著性差異，但中高分辨率的處理用時約為高分辨率用時的一半。因此，在研究中可以采用中高分辨率（3 750×2 500）的圖像代替高分辨率圖像，以提升處理效率，降低圖像采集及數(shù)據(jù)處理設(shè)備的投入。

3 結(jié)論與討論

數(shù)碼圖像由于其低廉的成本、精準(zhǔn)的信息、方便的操作備受表型組學(xué)研究人員青睞[20]。在圖像切割和信息獲取過程中，不同的方法對葉色提取結(jié)果有較大的影響。本研究比較了前人不同算法的優(yōu)缺點，提出了基于RGB圖像連通性的FCMD法，并與現(xiàn)有的4種算法進(jìn)行精確度、處理效果的對比（圖3、表1）， 結(jié)果顯示本研究所提供的FCMD法綜合表現(xiàn)最優(yōu)。還對FCMD法對不同葉型葉片（圖4）、不同邊緣算子（表2）、不同分辨率圖像（表3）的適用性進(jìn)行了應(yīng)用驗證，其處理效果和準(zhǔn)確率均與手動切割（CK）沒有顯著性差異，說明筆者所在課題組的方法是可靠有效的。

FCMD法解決了以往研究中圖像采集條件苛刻（須黑箱拍照取樣）、須要高精度拍攝設(shè)備、背景分離不充分的問題，該方法允許研究人員在普通光照的開放環(huán)境下采集到較為精確的圖像，且對拍攝設(shè)備分辨率要求不高，中低端相機(jī)或手機(jī)攝像頭均能通過FCMD法處理獲取準(zhǔn)確的葉色參數(shù)。是一種高速、精準(zhǔn)、適用范圍廣的RGB圖像自動化葉片切割去噪方法。

參考文獻(xiàn)：

[1]張若宇，坎 雜，馬 蓉，等. 基于RGB模型的脫絨棉種顏色特征與發(fā)芽狀況的關(guān)系[J]. 農(nóng)業(yè)工程學(xué)報，2010，26（10）：172-177.

[2]韓殿元，黃心淵，付 慧. 基于彩色通道相似性圖像分割方法的植物葉面積計算[J]. 農(nóng)業(yè)工程學(xué)報，2012，28（6）：179-183.

[3]毛罕平，張艷誠，胡 波. 基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J]. 農(nóng)業(yè)工程學(xué)報，2008，24（9）：136-140.

[4]袁 媛，李 淼，梁 青，等. 基于水平集的作物病葉圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報，2011，27（2）：208-212.

[5]Kendal D，Hauser C F，Garrard G E，et al.Quantifying plant colour and colour difference as perceived by humans using digital images[J]. PLoS One，2013，8（8）：e72296.

[6]Riccardi M，Mele G，Pulvento C，et al.Non-destructive evaluation of chlorophyll content in quinoaand amaranth leaves by simple and multiple regression analysisof RGB image components[J]. Photosynthesis Research，2014，120：263-272.

[7]Feng Y M，Ren G W，He K T，et al.RGB color channel variation based segmentation of crop leaf lesion[C]//2015 IEEE 10th Conference on Industrial Electronics and Applications （ICIEA），2015：592-596.

[8]Neilson E H，Edwards A M，Blomstedt C K，et al. Utilization of a high-throughput shoot imaging system to examine the dynamic phenotypic responses of a C4 cereal crop plant to nitrogen and water deficiency over time[J]. Journal of Experimental Botany，2015，66（7）：1817-1832.

[9]Wang L D，Yang T，Tian Y W.Crop disease leaf image segmentation method based on color features[J]. Springer，2007，258：713-717.

[10]Vasseur F，Bresson J，Wang G，et al.Image-based methods forphenotyping growth dynamics and fitness components in Arabidopsis thaliana[J]. Plant Methods，2018，14：63.

[11]Dobrescu A，Scorza L C T，Tsaftaris S A，et al.A“Do-It-Yourself”phenotypingsystem：measuringgrowthandmorphology

throughout the diel cycle in rosette shaped plants[J]. Plant Methods，2017，13：95.

[12]Green Jason M，Appel M Heidi，Rehrig E，et al. PhenoPhyte：a flexible affordable method to quantify 2D phenotypes from imagery[J]. Plant Methods，2012，8：45.

[13]Cai J H，Okamoto M，Atieno J，et al. Quantifying the onset and progression of plant senescence by color image analysis for high throughput applications[J]. PLoS One，2016，11（6）：e0157102.

[14]Sun Y Y，Zhu S C，Yang X，et al. Nitrogen diagnosis based on dynamic characteristics of rice leaf image[J]. PLoS One，2018，13（4）：e0196298.

[15]Pérez-Patricio M，Camas-Anzueto J L，Sanchez-Alegría A，et al.Optical method for estimating the chlorophyll contents in plant leaves[J]. Sensors，2018，18（2）：650.

[16]Han W T，Sun Y，Xu T F，et al. Detecting maize leaf water status by using digital RGB images[J]. International Journal of Agricultural & Biological Engineering，2014，7（1）：45-53.

[17]Moallem P，Serajoddin A，Pourghassem H. Computer vision-based apple grading for goldendelicious apples based on surface features[J]. Information Processing in Agriculture，2017，4 （1）：33-40.

[18]吳雪梅，張富貴，呂敬堂. 基于圖像顏色信息的茶葉嫩葉識別方法研究[J]. 茶葉科學(xué)，2013，33（6）：584-589.

[19]Mansour M，Tahmasebi S，Dadpour M R. Predicting cut rose stages of development and leaf color variations by means of image analysis technique[J]. Journal of Ornamental Plants，2017，7（1）：25-36.

[20]Andrade-Sanchez P，Gore M A，Heun J T，et al. Development and evaluation of a field-based high-throughput phenotyping platform[J]. Functional Plant Biology，2013，41（1）：68-79.