基于叶脉分割的植物叶片表型提取研究

发布时间：2021-06-27 15:24

　　随着计算机视觉技术与智能农业管理相互结合,植物叶片表型数据的获取变得更加方便快捷。叶脉网络结构作为植物叶片中的重要组织结构,其定量化描述对于叶片表型提取研究具有重要意义。然而,当前的植物表型提取研究并没有实现真正意义上的高通量自动化叶脉数据提取。具体表现为,一方面,目前大多数相关研究仍依赖于人工处理的叶脉书签图像获取叶脉网络结构。叶片扫描图像受成像环境、光照等因素影响,叶脉网络分割效果有待提升;另一方面,由于叶脉网络结构的复杂性,较少研究尝试自动划分叶脉层级,导致叶脉层级特性仍然需要人工测量。针对目前植物叶片表型提取研究中存在的两大问题,本文的主要工作包括:（1）针对自采集的叶片扫描图像,提出了一种基于Hessian矩阵的自适应形态增强方法,用于分割叶脉网络图像。通过对比分析已有叶脉分割方法在叶片扫描图像上的效果,验证了线状结构增强的必要性。借助叶脉呈线性的特点,利用多尺度Hessian矩阵计算图中每个像素点的方向信息。通过对内在结构的分析,寻找位于线性结构内的像素点,沿其主方向进行选择性膨胀或腐蚀,从而提出了基于Hessian矩阵的自适应形态增强方法。实验结果表明,该方法能在增强线状... 

【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

叶脉结构及其定量化描述

网络分割和叶脉层级分割）可以视为典型的条状结构分割（CurvilinearObjectSegmentation）问题，如遥感道路图像分割[34-36]和视网膜血管分割[37]。针对这些应用场景，研究者们提出了许多相关的分割算法，这些方法通常可以被分为两类：监督方法（SupervisedMethods）[37-40]和非监督方法（UnsupervisedMethod）[41-43]。监督方法的性能通常要优于非监督方法，因为监督算法从训练样本和标注数据中学习相应的特征表示，用于训练分类器区分条状和非条状像素。Niemeijer等（a）化学试剂处理图像（b）高清扫描图像图1-2两种不同类型叶片图像及其叶脉分割效果对比（引自文献[17]）。

12低对比度：叶片扫描图像中存在大量对比度较低的高噪声区域。例如一级叶脉和部分二级叶脉较暗，与非叶脉部分的对比度较低。这主要是由于一级叶脉和靠近一级的二级叶脉部分较粗，导致透光性较差；而叶脉书签图像则不存在这个问题。中部反光现象（该现象在视网膜分割文献中也有提及）：叶脉中部与两边呈现出不一致性，即灰度突变，导致叶脉中部被错误识别为背景。这主要是由于叶脉中部是负责传输养分与补给，其透光性较差。网络结构密集：叶片图像中的叶脉结构十分复杂，不同的叶脉分支之间存在分叉、相交和平行关系。2.2基于Hessian矩阵的叶脉网络分割从上一节的分析可知，仅使用灰度差分信息或者结构信息，都无法获得较好的叶脉分割效果。仅使用灰度差分信息，二值分割结果容易受到噪声的影响。仅使用结构信息，叶脉末梢容易被忽略。因此，本节提出了一种基于Hessian矩阵图2-1已有分割方法在透射扫描图像上的分割效果SauvolaNET[26][54]原图Mean[5]UHMT[17]Frangi[55]

【参考文献】：
期刊论文
[1]融合形状先验的水平集眼底图像血管分割[J]. 梁礼明,黄朝林,石霏,吴健,江弘九,陈新建.  计算机学报. 2018(07)
[2]叶片结构的水力学特性对植物生理功能影响的研究进展[J]. 龚容,高琼.  植物生态学报. 2015(03)
[3]叶脉网络功能性状及其生态学意义[J]. 李乐,曾辉,郭大立.  植物生态学报. 2013(07)
[4]基于自适应区域生长算法的肝脏分割[J]. 彭丰平,鲍苏苏,曾碧卿.  计算机工程与应用. 2010(33)



本文编号：3253103