一种使用经验系数灰度化的中药叶片分割方法

摘要：针对传统的彩色叶片图像灰度化分割效果不理想问题，使用了一种经验系数灰度化的彩色叶片图像分割方法。该方法利用RGB颜色相关性特征进行灰度化，提高叶片颜色比例，增加叶片与背景的差异性，在不同背景条件下对叶片图像使用最大类间方差法进行分割。实验结果表明，使用经验系数灰度化的方法可以获得更理想的分割效果。

关键词：图像分割；植物叶片；灰度化；经验系数；最大类间方差法

中图分类号： TP319

文献标识码：A

文章编号：

16727800（2017）004018002

0引言 中药植物的外在特征包括茎、叶、果实和根部，植物叶片是表达植物的重要外在图像特征，外观形状相对稳定，图像易于拍摄获取，通过叶片来识别植物品种非常便利。叶片图像的提取是植物识别系统预处理的重要一步，对识别结果将产生重要影响。不少学者对叶片图像处理系统进行了相关研究，大多侧重于叶片识别算法。刘骥等[1]针对无背景图像的叶片进行简单的腐蚀膨胀，消除空洞；李晨等[2]使用Sober算子实现了简单背景叶片分割；李萍等[3]对简单背景的植物叶片图像通过稀疏表示系数识别植物种类；王艳菲等[4]对无背景理想状态的植物叶片进行旋转校正并使用CENTRIST特征分类。上述文献中的叶片图像预处理分割均在无背景或简单背景条件下进行，但实际工作往往是在自然环境中直接获得叶片标本并实时处理，可能不具备提供简单背景的条件。 本文将一种系数相关性的植物灰度化方法引入到叶片图像，在相对复杂的环境中进行算法分割，实验结果证明该灰度化的叶片分割方法能够获得理想结果。1传统叶片图像灰度化方法 叶片图像包括前景和背景两个部分，前景是叶片区域，背景是非目标叶片区域。图像分割的目的就是将真实的叶片区域从背景中分离出来，为后续叶片分类识别做准备。 若叶片光照不均匀，背景区域灰度化后存在与叶片区域的灰度值相似的^域，就会影响到分割结果。1.1传统叶片图像灰度化 图像灰度化是直接使用空域的图像变换方法。彩色图像具有RGB三种颜色通道，每个像素点具有255*255*255种颜色变化。灰度图像只有一个灰度分量，变化范围仅为255阶灰度值。通过灰度变换将彩色图像的RGB空间转化为灰度空间表示，能够在尽可能表达图像信息的情况下，大大降低图像的计算复杂度和存储空间。图像处理中常用的灰度化方法有平均值灰度化方法和加权平均灰度化方法。

2.3彩色图像灰度化的叶片分割步骤（GraySeg算法） ①读取叶片彩色图像原图A；②对原图中的每个像素点使用式（4）进行处理，得到灰度图B；③对图B使用OTSU算法，得到二值化分割图C；④对图C进行数字形态学处理，先腐蚀膨胀运算消除误分区域，得到图D；⑤对图D与原图A进行对比运算，获得最终的分割结果。

3实验步骤与结果分析 实验环境为：i5 CPU M520 @2.40GHZ，4G内存，操作系统为Windows7 -32位，MATLAB 7.0编程实现。 本文的实验样本来源为手机拍照，分辨率为800*600像素。选取3种情况下的中药植物叶片图片：①简单背景的枇杷叶片（见图1）；②不均匀光照背景的胡秃子叶片（见图2）；③自然环境中的大吴风草叶片（见图3）。

3大吴风草叶片

实验步骤如下：对图1、图2和图3的叶片图像使用GraySeg算法进行分割实验，并在算法第②步中分别使用平均值灰度化预处理、加权平均灰度化预处理和经验系数灰度化预处理，得到算法分割的实验结果。每组有3幅图，从左至右分别为：①使用平均值灰度化分割结果；②使用加权平均灰度化分割结果；③使用经验系数灰度化分割结果。3.1简单背景的枇杷叶片图像分割在第一组简单背景的枇杷叶片图像中：运用叶片灰度化方法，分割后的叶片图像边缘含有拍摄产生的阴影区域，如图4、图5所示；而经验系数灰度化分割方法进行叶片图像分割能准确地分割出叶片图像，如图6所示。

3.2不均匀光照背景的胡秃子叶片图像分割在胡秃子叶片图像中运用叶片灰度化方法，由于背景中的部分区域经过灰度化后的灰度值和叶片的灰度值相似，分割算法即使通过数学形态学修正，叶片图像中的部分区域仍被错分为背景，结果如图7和图8所示；而运用经验系数灰度化方法能够不受光照影响将叶片正确地分割出来，结果如图9所示。

3.3自然环境中的大吴风草叶片图像分割在大吴风草叶片图像中运用叶片灰度化方法，分割算法将大量背景中的区域错误地分割为叶片区域，结果如图10和图11所示；而运用经验系数灰度化方法，通过简单的数学形态学修正，就可将叶片完整地从自然环境中分割出来，结果如图12所示。

4结语 本文使用了一种基于经验系数灰度化的叶片图像分割方法，该灰度化方法通过加大绿色的比例，增加叶片与背景的差异性，解决了传统灰度化方法叶片分割效果差的问题。实验表明，特定场景下使用经验系数灰度化的叶片分割可以得到理想的分割结果。

参考文献：

[1]刘骥， 曹凤莲， 甘林昊. 基于叶片形状特征的植物识别方法[J]. 中国农机化学报， 2014，25（6）：200202.

[2]李晨， 姚玮， 韩忠伟， 等. 利用 CBIA 与 WSN 构建的植物叶片分类系统[J]. 计算机应用研究， 2015，32（11）：33363340.

[3]李萍， 张波， 张善文. 基于叶片图像处理和稀疏表示的植物识别方法[J]. 江苏农业科学， 2016，44（9）：364367.

[4]王艳菲， 朱俊平， 蔡骋. 基于CENTRIST的植物叶片识别研究与实现[J]. 计算机工程与设计，2012，11（33）：43434347.

[5]BURGOS ARTIZZU X P， RIBEIRO A， TELLAECHE A. Analysis of natural images processing for the extraction of agricultural elements[J]. Image Vision Computing， 2010（28）：138149.

[6]BURGOS ARTIZZU X P， RIBEIRO A， GUIJARRO M. Realtime image processing for crop/weed discrimination in maize fields[J]. Computers and Electronics in Agriculture， 2011，75（2）：337346.

[7]OTSU N. A threshold selection method from graylevel histograms[J].IEEE Transactions on System Man and Cybernetic，1979，9（1）：6266.