图像处理技术在提取玉米图像骨架上的应用

１引言在作物生产和科研中，大量的工作需借助于对形态、色泽、纹理等外部特征的判断，如作物生长状况监测、形态识别与分类、病虫草害诊断等。

对这些特征信息的获取，目前主要靠人工记数、测量和目测，存在着速度慢、强度大、主观性强、误差大、适时性差等缺陷，且一些特征还难以定量描述［１～２］，是实现农业信息化迫切需要研究和解决的问题。

随着计算机和图像处理技术的发展，以图像的方式记录作物生长信息，通过计算机图像处理的途径实现实时或定时自动监测，就会给农业科研带来极大便利，这将是实现作物生产信息化的重要途径。

物体的骨架是描叙物体几何以及拓扑性质的重要特征［３］。

根据玉米生长的特点，它的叶片从侧面来看主要分布在一个平面内，因此获取这个平面的图像，由此提取出来的玉米植株骨架将近似于玉米的立体骨架，可以提取叶片长度、株高、茎叶角等一系列的有关玉米株形的信息。

计算机图像处理技术在农业上的应用已经非常广泛，在作物生长监测当中，关键是要把图像当中的作物从背景中分割出来，才能进行进一步的信息提取。

本文在分析玉米植株本身以及图像的特点之后，结合图像处理技术，研究了玉米图像的分割方法以及骨架提取的方法。

２作物图像的特点作物图像相对于其他的人工物品图像来说，无论从形状、纹理、颜色，还是场景上来说，都比人工物品要复杂，世界上没有形状完全相同的叶子，因此对于这样的图像分割起来相对比较困难，尤其是灰度图像，如果说目标和背景之间的灰度差别不大的话，则无法将图像正确的分割［８］。

作物图像也有它的特点，作物图像主要由作物和背景构成，本文所研究的玉米数字图像是利用ＣＡＮＯＮ数码照相机在自然光照条件下获取的彩色图像，在摄取图像的时候用红色作为背景，镜头垂直于玉米的生长方向，从侧面进行拍摄，并且镜头垂直于玉米互生叶片所形成的平面。

使用颜色比较简单的背景有利于图像的分割，而且采集的是作物的彩色图像，因此图像当中包含的信息比灰度图像要多的多。

在作物的彩色图像中，作物部分的像素颜色是绿色的，这是一个很重要的特征，因此在分割的时候可以利用图像图像处理技术在提取玉米图像骨架上的应用刘洪见１，郑丽敏２，曾爱平１（１．浙江省亚热带作物研究所，浙江温州３２５００５；２．中国农业大学信息与电气工程学院，北京１０００８３）摘要：作物的形态特征对于作物的育种工作、生长状况监测、分类方面都有很重要的意义，然而通过人工计数、测量的方法来获取这些信息费时费力。

本文研究利用图像处理的方法来获取单株玉米图像骨架的技术。

关键词：图像处理；图像分割；株形参数；骨架中图分类号：ＴＰ３１７文献标识码：Ｂ文章编码：１６７２－６２５１（２００７）０１－００１８－０３ＡｐｐｌｉｃａｔｉｏｎｏｆｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｉｎｅｘｔｒａｃｔｉｎｇｆｒａｍｅｗｏｒｋｏｆｍａｉｚｅｉｍａｇｅＬＩＵＨｏｎｇ－ｊｉａｎ１，ＺＨＥＮＧＬｉ－ｍｉｎ２，ＺＥＮＧＡｉ－ｐｉｎｇ１（１．ＺｈｅｊｉａｎｇＩｎｓｔｉｔｕｔｅｏｆＳｕｐｔｒｏｐｉｃａｌＣｏｒｐｓ，Ｗｅｎｚｈｏｕ３２５００５，Ｃｈｉｎａ；２．ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｉｎａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００８３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｍｏｒｐｈｏｌｏｇｉｃａｌｃｈａｒａｃｔｅｒｓｏｆｃｏｒｐｓａｒｅｖｅｒｙｉｍｐｏｒｔａｎｔｆｏｒｂｒｅｅｄｉｎｇ，ｇｒｏｗｔｈｍｏｎｉｔｏｒｉｎｇａｎｄｃｌａｓｓｉｆｙｉｎｇ．Ｂｕｔｉｔｔａｋｅｔｏｏｍｕｃｈｔｉｍｅａｎｄａｒｄｕｏｕｓｌｙｔｏｇｅｔｔｈｏｓｅｉｎｆｏｒｍａｔｉｏｎｂｙｍａｎｕａｌｗｏｒｋ．Ｉｎｔｈｉｓｔｈｅｓｉｓ，ｔｅｃｈｎｏｌｏｇｙｆｏｒｇｅｔｔｉｎｇｆｒａｍｅｗｏｒｋｏｆｓｉｎｇｌｅｍａｉｚｅｉｍａｇｅｂｙｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｉｓｓｔｕｄｉｅｄ．Ｋｅｙｗｏｒｄｓ：Ｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ；Ｉｍａｇｅｓｅｇｍｅｎｔｉｎｇ；Ｍｏｒｐｈｏｌｏｇｉｃａｌｃｈａｒａｃｔｅｒｓ；Ｆｒａｍｅｗｏｒｋ收稿日期：２００６－０９－１１；修回日期：２００６－０９－１３作者简介：刘洪见（１９７７－），男，硕士，助理研究员，研究方向：作物信息化栽培的研究。

本身的色彩信息，将有助于图像目标的分割。

提取玉米的骨架后，我们可以获得玉米高度、叶均角、叶片长度、叶片数、茎叶角［１］等株形的信息，为生产实践决策和研究工作服务。

因此提取玉米的骨架有很重要的作用，本文研究了一个能够很好提取玉米骨架的方法，以便同行研究参考。

３图像分割以及骨架提取对于各个部分灰度相近的灰度图像，简单利用图像的灰度特征分割的效果往往达不到要求，因而可能转向于借助纹理特征，而对于彩色图像分割而言，除了包含了灰度图像所包含的灰度特征和纹理特征之外，还包含了更多的颜色信息。

对于彩色图像而言，虽然包含信息量较大，处理起来计算量较大，但由于包含了更多的信息，因此更有利于图像的分割，在采用一种特征难以获得好的分割效果的时候，可以考虑多个特征的综合运用。

３．１分割特征的选取人们在彩色图像的处理中，提出了许多彩色空间坐标系，比如说，ＲＧＢ、ＨＩＳ、Ｌａ＊ｂ＊、ＣＭＹ等等。

本文研究所采用的全部都是ＢＭＰ格式的２４位真彩色图。

在前人的研究当中，人们发现，在ＲＧＢ的颜色空间当中，利用２Ｇ－Ｂ－Ｒ这个特征值，选取适当的阈值很容易地可以把绿色植被和背景土壤分开，而且目标区域的信息也损失比较小，因此，在提取绿色植物特征的时候，这是一个重要的特征值［４，５］。

本文所要处理的是玉米数字图像，因此采用ＲＧＢ的颜色空间作为图像处理的颜色空间，处理起来比较直接，无需转换。

但由于ＲＧＢ受光照强度的影响，因此有些研究者在分割算法当中利用归一化ｒｇｂ值来作为描述图像的特征，ｒｇｂ和ＲＧＢ之间的关系为：Ｉ＝Ｒ＋Ｇ＋Ｂ；ｒ＝Ｒ／Ｉ；ｇ＝Ｇ／Ｉ；ｂ＝Ｂ／Ｉ；研究表明，利用归一化的ｒｇｂ值，可以较好的避免阴影的影响。

本文在实验分割算法的时候也发现，利用ｒｇｂ的值来分割图像，确实要比用ＲＧＢ的值要好。

另外，前人在研究中发现，利用ＨＩＳ颜色空间来处理彩色图像，由于Ｈ和Ｓ分量光照强度关系不大（ＨＩＳ颜色空间和ＲＧＢ颜色空间可以相互转换，转换公式可以参看文献［４］），因此，对于在图像采集光照条件不是十分严格的情况，可以利用ＨＩＳ颜色空间来描述图像的特征。

在利用ＲＧＢ特征和ＨＩＳ特征进行图像分割的时候，在某些图像当中我们会发现一些背景像素被留下来或者目标像素被过分割掉而形成空洞，这样对于以后的分析都是一个很不利的因素。

但在分析图像后发现，这些留下的背景像素通常都很小，被过分割掉的部分也比较小或者在目标像素内部，通过这个特征我们可以把它们分别和目标像素或者背景像素合并。

３．２具体算法实现如上所述，我们可以通过以下的步骤来试验玉米是数字图像分割。

分割过程如下所述。

第一步：读取图像的ＲＧＢ值，用中值滤波进行平滑，除去图像当中的噪音，如图５所示；第二步：进行归一化计算，利用２ｇ－ｂ－ｒ的值分割图像，剔除大部分的象素，在此过程当中，要用到一个阈值，这个阈值是通过统计多幅图像获得统计值。

先利用ｐｈｏｔｏｓｈｏｐ的套索工具将样品图片分割，然后提取图像的ＲＧＢ灰度值进行统计，由此可以得到此阈值，由于图像获取得时候光照条件不是十分严格，因此，对于此值，我们可以对它进行微调，然后再重新分割，通过人的视觉判断是否分割合理。

如图６所示。

第三步：对于分割后的图像，可能在背景区域还存在一些伪目标像素，而在目标像素区域又存在一些由于过分分割形成的空洞，因此，对于这样的一些像素，还需要处理，以免影响后续的处理过程。

把相互连通的目标像素看作同一个区域，也把相互连通的背景像素看作一个区域，通常的情况，留下的伪目标像素以及过分分割形成的区域的面积是比较小的，判断这些像素形成的区域同环境像素之间的关系，然后根据不同的情况予以合并。

第四步：提取骨架。

在获得玉米的植株图像之后，从某种意义上来说，我们即获得了玉米的骨架，只是构成骨架的线条太粗，因此，必须对所取得的玉米植株图像进行细化。

第五步：经过细化后的玉米骨架还可能形成短小的枝刺和断点，还要把那些短小的枝刺去掉，把断点连接起来。

本文所采用的方法是通过联合采用膨胀技术和细化技术，对小的分枝去掉并连接断点。

对于一边的枝刺和断点可以用此方法处理，但是对于一些比较长的断点，可以采用人机交互式处理，对图像进行预处理。

细化技术的关键在于寻找边缘点及判断边缘点的去留，下面将着重介绍边缘点的定义及细化技术的实现。

在边缘提取的研究当中，有一个很重要的概念，那就是Ｆｒｅｅｍａｎ八邻域的概念［４］。

在图像当中，一个像素点与另外８个点相邻，这８个点的象素就是这个象素八邻域，如图１。

在二值图像当中，图像当中的点有两种，一种是目标色象素点，一种是背景象素点。

设ｐ为目标象素点，如果在ｐ点的八邻域当中，有一个以上的背景象素，那么ｐ点就是边缘点。

在本文的骨架提取算法当中，我们可以把边缘点点分为三类：第一类：ｐ的八邻域当中只有一个目标象素点或者只有一个背景象素点，如图１所示。

第二类：ｐ的八邻域当中点有两个和两个以上目标点，而且这些目标点相互是连通的，有且只有一个连通。

如图２、３所示。

第三类：ｐ的八邻域当中有两个和两个以上目标点，而且目标象素点有两个以上的连通，如图４所示。

在第二类象素点当中，又有一些比较特殊点，那就是象这样的点：ｐ点目标象素的八邻域当中上邻、左邻和右邻象素当中至少有一个是背景象素而且上邻背景象素间只有一个连通；或者ｐ点目标象素的八邻域当中上邻、左邻和下邻象素当中至少有一个是背景象素而且下邻背景象素间只有一个连通。

为方便后面的描述，我们暂且把这些点成为第四类。

在提取过程当中，实际上就是除去第四类点的过程，经过反复扫描图像后，所有第四类点都已经提出，就是迭代的终点，不再对图像扫描。

Ｐ点象素的邻域位置上背景象素之间的连通性可以用一下方法来描述，设背景象素点的值０，目标象素点的值为１，ｎ＝∑Ｐｉ×Ｐｋ（Ｐｉ≠Ｐｋ，Ｐｉ为ｐ点八邻域上象素点的值，八邻域上Ｐｋ为按逆时针紧接着Ｐｉ点象素点的值。

如果目标象素点之间只有一个连通，而且目标象素点的个数小于８，那么目标象素点的之间只有一个连通的时候，ｎ＝２；有两个连通的时候，ｎ＝４；有三个连通的时候ｎ＝６；四个连通的时候，ｎ＝８；基于以上的算法设计思想以及关于边缘象素点的讨论，玉米骨架提取的具体实现步骤如下：（１）把分割后的图像二值化；（２）扫描图像，寻找边缘点，判断边缘点的去留，提取第四类点；（３）经过反复扫描后所有第四类点都已经剔除完毕的时候，停止迭代；（４）对所获得的骨架图像进行平滑处理，消除分割后留下的毛刺和断点。