[发明专利]基于实时在线系统的叶片田间图像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，尤其涉及一种基于实时在线系统的叶片田间图像边缘提取方法及其系统。

背景技术

机器视觉又称计算机视觉，指人类设计并在计算机环境下实现的模拟或再现与人类视觉有关的某些智能行为的技术。机器视觉技术在农业上的研究与应用始于20世纪70年代末期，主要研究集中于农产品分选机械中利用机器视觉对农产品进行品质检测与分级。近年来，基于机器视觉的图像处理技术迅速发展，图像处理技术本身在理论和实践上都取得了重大突破，除农产品分选机械外，目前该技术已经渗透到农作物生长过程监控、农产品收获、农产品鉴定等多个领域。

叶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。

由于田间叶片图像的背景复杂，噪声严重，易受光照、叶片形态等多方面因素影响，使田间图像处理分析在实际应用中存在诸多挑战。为降低图像中的噪声，削弱复杂背景、重叠叶片对图像分割的干扰，把目标叶片完整、准确的分割出来，一般通过对图像增强再与分割算法结合，来处理上述情况。

图像增强的原理是借助人的视觉系统特性取得较好的视觉效果。图像增强在于提高图像的可懂度，即图像处理后不一定逼近原图像，只要增强图像的视觉效果，将原图像转换成一种更适合于人眼观察或计算机分析处理的形式。要想摆脱图像多样性和噪声复杂性的困扰，就必须对图像增强算法进行进一步的研究。在图像处理过程中，图像增强是非常重要的一个环节。

图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像分成各具特性的区域并提取出感兴趣目标的过程。图像分割是从图像处理进到图像分析的关键步骤，也是进一步图像理解的基础。它是目标表达的基础，对特征测量有重要的影响。通过图像分割及基于分割的目标表达、特征提取和参数测量等技术，才能将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。在实际应用中植物叶片图像中，现场图像由于噪声、光线亮度、背景等因素的影响，自动选取一个合适的阈值显得尤为困难。同时，由于田间图像通常受到实时在线系统中视频服务器设备的图像压缩算法H.264等的处理后，图像的灰度级要比普通非网络传送的摄像设备所获图像低得多，这会给图像分割造成较大的困难(主要是目标区域与背景的粘连)。自动阈值对于非此即彼的简单图像处理，如一些二值图像的处理是有效的，但是对于图像中目标区域灰度差异显著的叶片图像、图像中不存在明显的灰度差异或各物体的灰度值范围有较大的重叠的图像分割问题，简单以常用阈值算子和边缘检测算子组合分割，难以得到满意的分割效果。

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：在实时在线系统中，提高对不同灰度分布情况的植物叶片田间图像进行边缘提取的成功率、准确性和完整性。

(二)技术方案

为实现上述目的，本发明提供一种基于实时在线系统的叶片田间图像边缘提取方法，该方法包括步骤：

S1.以包含单个叶片的子区域作为目标图像，对所述子区域附近的分割区域子图进行灰度映射处理；

S2.对经步骤S1处理的图像平滑去噪后，进行基于区域的阈值分割处理和基于梯度的边缘检测分割处理，并进行初步优化处理以获取目标区域，判别所获目标区域是否为叶形目标区域，若是，则执行步骤S5，否则，执行步骤S3；

S3.对经步骤S1处理的图像平滑去噪后，进行基于区域的阈值分割取反处理和基于梯度的边缘检测分割处理，并进行初步优化处理以获取目标区域，判别所获目标区域是否为叶形目标区域，若是，则执行步骤S5，否则，执行步骤S4；

S4.对经步骤S1处理的图像平滑去噪后，进行基于区域的阈值分割及分割取反处理和基于梯度的边缘检测分割处理，并进行初步优化处理以及区域组合，以获取目标区域，判别所获目标区域是否为叶形目标区域，若是，则执行步骤S5，否则，结束或返回步骤S1；

S5.对经步骤S2或S3或S4处理后的图像进行形态学操作的进一步优化处理以及封闭操作，得到边缘闭合的边缘图像。

其中，步骤S1进一步包括：

S1.1分析所述区域子图的直方图，并计算所述直方图中的峰谷所在的灰度值，得到的峰谷值集合R；