CN103207989B - 一种基于主成分分析的轻度虫害叶片的叶脉识别方法 - Google Patents

Abstract

本发明提供了一种基于主成分分析的轻度虫害叶片的叶脉识别方法，包括：（1）对原高光谱图像做主成分分析，取前三个主成分分量代入RGB彩色空间，组成RGB图像；（2）对RGB图像依次做彩色边缘检测和二维边缘检测，获得初始叶脉图像；（3）对初始叶脉图像依次做孔洞填充、线性空间滤波、连通标注操作和线性空间滤波，将非叶脉边缘像素过滤掉；（4）对过滤掉非叶脉边缘像素的初始叶脉图像做数学形态学处理，获得最终叶脉图像。与现有技术相比，本发明先对轻度虫害叶片的原高光谱图像进行主成分分析，再进行叶脉提取运算，获得的最终叶脉图像中主脉和侧脉能够被完整识别，大部分的细脉也能被完整识别。

Description

一种基于主成分分析的轻度虫害叶片的叶脉识别方法

技术领域

本发明涉及一种叶脉识别方法，尤其涉及一种基于主成分分析的轻度虫害叶片的叶脉识别方法。

背景技术

叶片叶脉包含了非常重要的植物生理信息，提取植物叶脉是进行植物建模和识别的关键步骤，叶脉识别也一直是研究的热点。

在进行各种数字图像处理操作之前，对原高光谱图像做降维处理是非常重要的，独立成分分析和主成分分析同属该范畴。

独立成分分析或独立分量分析（Independentcomponentsanalysis，缩写：ICA）是一种利用统计原理进行计算的方法。它是一个线性变换，这个变换把数据或信号分离成统计独立的非高斯的信号源的线性组合。

但独立成分分析并不能完全恢复信号源的具体数值，也不能解出信号源的正负符号、信号的级数或者信号的数值范围。

而主成分分析（Principalcomponentanalysis，PCA）是一种多元统计分析技术，其主要目的是将数据降维，排除信息冗余。它将原变量进行变换，使少数几个新变量是原变量的线性组合，这些新变量要尽可能多地表征原变量的数据结构特征而不丢失信息，同时新变量满足正交原则。

对高光谱图像做主成分分析运算可以增强信息含量、隔离噪声及减少数据维数。高光谱图像中的多波段数据经PCA变换后，第一个PC分量的特征值最大，包含最大量的信息，特征值较小的PC分量则包含较少的有用信息和较多的噪声。通常特征值最大的前十个PC分量图像已包含了几乎所有的有用信息。

现有技术中有报道分别采用独立成分分析和主成分分析法进行叶脉提取，首先对高光谱图像进行降维，经降维处理后，再根据叶肉和叶脉叶绿素含量的不同来鉴别叶脉像素，并建立了叶绿素含量预测多线性回归模型，但该模型应用范围较窄，不能获得预期的效果。

在以往的相关研究中，采用的实验对象都是健康的叶片，除了叶脉和叶肉固有的色差外，不存在其他的色差区域，有利于叶脉的识别。但是在实际应用中，叶片往往都会遭受各种病虫害的侵扰。遭受虫害危害的叶片叶绿素分布会不均匀，形成色差，同时会有细小的虫孔，在执行现有的边缘识别算法时，这些色彩不均匀区域的边界和细小虫孔的边界很容易与叶脉的边缘同时被识别出来，难以避开。

发明内容

本发明提供了一种基于主成分分析的轻度虫害叶片的叶脉识别方法，利用该算法能获得轻度虫害叶片的完整叶脉图像。

一种基于主成分分析的轻度虫害叶片的叶脉识别方法，包括：

（1）对原高光谱图像做主成分分析，取前三个主成分分量代入RGB彩色空间，组成RGB图像；

（2）对RGB图像依次做彩色边缘检测和二维边缘检测，获得初始叶脉图像；

（3）对初始叶脉图像依次做孔洞填充、线性空间滤波、连通标注操作和线性空间滤波，将非叶脉边缘像素过滤掉；

（4）对过滤掉非叶脉边缘像素的初始叶脉图像做数学形态学处理，获得最终叶脉图像。

本发明中所述的轻度虫害叶片，是指叶脉完整、叶肉被害虫侵蚀但仍保留至少80%叶肉面积的叶片。

步骤（1）中，对原高光谱图像中400～1000nm的波段图像做主成分分析。原高光谱图像经PCA变换后，前三个PC分量（PC1、PC2、PC3）包含了原高光谱图像中约99%的信息，将PC1、PC2、PC3分别看作是RGB空间中的红、绿、蓝分量，组成RGB图像，再做进一步的叶脉识别运算，可最大程度地提取叶脉边缘。

步骤（2）中，所述的彩色边缘检测（RGB空间边缘检测）是在彩色向量空间直接计算边缘，可通过公式(1)-(7)进行：

$u=\frac{\∂R}{\∂x}r+\frac{\∂G}{\∂x}g+\frac{\∂B}{\∂x}b---\left(1\right);$

$v=\frac{\∂R}{\∂y}r+\frac{\∂G}{\∂y}g+\frac{\∂B}{\∂y}b---\left(2\right);$

$g_{\mathrm{xx}}=u\·u=u^{T}u={\left|\frac{\∂R}{\∂x}\right|}^2+{\left|\frac{\∂G}{\∂x}\right|}^2+{\left|\frac{\∂B}{\∂x}\right|}^2---\left(3\right);$

$g_{\mathrm{yy}}=v\·v=v^{T}v={\left|\frac{\∂R}{\∂y}\right|}^2+{\left|\frac{\∂G}{\∂y}\right|}^2+{\left|\frac{\∂B}{\∂y}\right|}^2---\left(4\right);$

$g_{\mathrm{xy}}=u\·v=u^{T}v=\frac{\∂R}{\∂x}\frac{\∂R}{\∂y}+\frac{\∂G}{\∂x}\frac{\∂G}{\∂y}+\frac{\∂B}{\∂x}\frac{\∂B}{\∂y}---\left(5\right);$

$\mathrm{\θ}(x,y)=\frac{1}{2}{\tan }^{-1}\left[\frac{{2g}_{\mathrm{xy}}}{(g_{\mathrm{xx}}-g_{\mathrm{yy}})}\right]---\left(6\right);$

$f_{\mathrm{\θ}}(x,y)={\left\{\frac{1}{2}\right[(g_{\mathrm{xx}}+g_{\mathrm{yy}})+(g_{\mathrm{xx}}-g_{\mathrm{yy}})\cos 2\mathrm{\θ}+2g_{\mathrm{xy}}\sin 2\mathrm{\θ}\left]\right\}}^{1/2}---\left(7\right);$

其中，x、y为各像素点的坐标；u和v是过渡向量；R、G和B是RGB彩色空间沿R，G和B轴的单位向量；g_xx、g_yy和g_xy是向量点积；θ(x,y)是计算梯度后每个点的角度；f_θ(x,y)是梯度结果图像。

本发明通过将RGB空间中的三分量分别计算梯度，再将三个梯度计算的结果合成，从而完成彩色边缘检测。

一般地，彩色边缘检测完成后获得的图像中不只显示叶脉边缘，还显示部分叶肉像素，因此需要做一次二维边缘检测。作为优选，采用Canny算子进行二维边缘检测。

边缘检测是针对图像亮度值的不连续性，通过一阶和二阶导数检测这种不连续性，图像处理中选择的一阶导数是图像梯度的幅值，二阶导数则常用拉普拉斯算子来计算。边缘检测的基本目的是使用如下两个基本准则之一在图像中找到亮度快速变化的地方：

（1）找到亮度的一阶导数在幅度上比指定的阈值大的地方；

（2）找到亮度的二阶导数有零交叉的地方。

边缘检测主要采用各种算子来凸显图像边缘区域的像素点，并使图像二值化。常用的边缘检测算子有Sobel算子、高斯型拉普拉斯（LoG）算子、Canny算子等。Sobel算子使用Sobel掩模的近似导数查找边缘，适于含噪声较多且灰度渐变的图像。LoG算子是使用高斯函数的拉普拉斯算子对图像进行卷积以产生双边缘图像，再用零交叉法定位最终边缘。Canny算子使用带有指定标准偏差的高斯滤波器来平滑以减少噪声，通过每一点的局部梯度和边缘方向来确定边缘点，然后将这些边缘细化并执行边缘链接已得到最终的边缘图像。Canny算子是IPT函数edge的最有效边缘检测算法。

完成Canny算子边缘检测后，对获得的图像进行孔洞填充操作，孔洞填充操作采用先用技术。孔洞填充后，被填充的像素都是非叶脉边缘，是由虫孔和受虫害危害导致不健康的像素引起的，是需要进一步去除的噪音，这些噪音是经过填充的，所以每一个噪音像素块一定大于3像素×3像素，而真正的叶脉边缘都是单像素的曲线，所以步骤（3）中，孔洞填充操作完成后，采用3×3像素的模板进行过滤。

孔洞填充、线性空间滤波处理后获得的图像中仍有杂质，且这些杂质都由不闭合曲线构成，不能用孔洞填充后滤波的方法来去除。因此，本发明中还要进行连通标注操作。

作为优选，步骤（3）中，采用八连通标注法进行连通标注操作。

像素间的连通性是数字图像的一个基本概念，它简化了区域和边界等概念。当两个像素相邻且灰度值满足特定的相似性准则时，则称这两个像素是连通的。

坐标为(x,y)的像素与坐标为(x+1,y)，(x-1,y)，(x,y+1)和(x,y-1)，(x+1,y+1)，(x+1,y-1)，(x-1,y+1)和(x-1,y-1)的八个像素中的任一个都能构成8邻接；坐标为(x₁,y₁)和(x₂,y₂)的两个像素能通过若干8邻接像素构成的路径连接在一起，则该路径称为8连接。

本发明利用八连通标注法对孔洞填充、线性空间滤波处理后获得的图像中的八连通区域进行标识并依次编号，将图像中具有连通性的像素标注出来。

连通标注操作完成后，采用36×36像素的模板进行过滤。将模板逐个滑过所有像素，如果某个连通区域能够完全被模板覆盖，则认定该连通区域为非叶脉边缘像素，将其删除。

作为优选，步骤（4）中，所述的数学形态学处理为膨胀处理。选取边长为6的矩形结构元素进行膨胀处理。膨胀处理完成后即获得最终叶脉图像。

与现有技术相比，本发明的有益效果为：

本发明先对轻度虫害叶片的原高光谱图像进行主成分分析，再进行叶脉提取运算，获得的最终叶脉图像中主脉和侧脉能够被完整识别，大部分的细脉也能被完整识别。

附图说明

图1为本发明基于主成分分析的轻度虫害叶片的叶脉识别方法的操作流程图；

图2(a)为主成分分析获得的PC1分量图像；

图2(b)为主成分分析获得的PC2分量图像；

图2(c)为主成分分析获得的PC3分量图像；

图2(d)为由PC1、PC2、PC3获得的RGB图像；

图2(e)为对图2(d)进行RGB边缘检测的结果；

图2(f)为对图2(e)进行Canny算子边缘检测的结果；

图2(g)为对图2(f)做孔洞填充操作的结果；

图2(h)为对图2(g)进行线性空间滤波的结果；

图2(i)为对图2(h)进行连通标注、线性空间滤波处理的结果；

图2(j)为最终叶脉图像。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明。

本具体实施方式以轻度虫害油菜叶片为例，详细说明本发明基于主成分分析的轻度虫害叶片的叶脉识别方法的步骤（如图1所示），具体包括：

（1）对原高光谱图像做主成分分析，取前三个主成分分量代入RGB彩色空间，组成RGB图像；

对原高光谱图像中400nm-1000nm的波段图像做主成分分析，前三个主成分分量（PC1、PC2、PC3）分别如图2(a)、(b)、(c)所示，将这三个分量代入RGB彩色空间后得到图2(d)所示的RGB图像；

（2）对RGB图像依次做彩色边缘检测和二维边缘检测，获得初始叶脉图像；

利用公式(1)-(7)对RGB图像做RGB边缘检测（彩色边缘检测），结果如图2(e)所示；

$u=\frac{\∂R}{\∂x}r+\frac{\∂G}{\∂x}g+\frac{\∂B}{\∂x}b---\left(1\right);$

$v=\frac{\∂R}{\∂y}r+\frac{\∂G}{\∂y}g+\frac{\∂B}{\∂y}b---\left(2\right);$

$g_{\mathrm{xx}}=u\·u=u^{T}u={\left|\frac{\∂R}{\∂x}\right|}^2+{\left|\frac{\∂G}{\∂x}\right|}^2+{\left|\frac{\∂B}{\∂x}\right|}^2---\left(3\right);$

$g_{\mathrm{yy}}=v\·v=v^{T}v={\left|\frac{\∂R}{\∂y}\right|}^2+{\left|\frac{\∂G}{\∂y}\right|}^2+{\left|\frac{\∂B}{\∂y}\right|}^2---\left(4\right);$

$g_{\mathrm{xy}}=u\·v=u^{T}v=\frac{\∂R}{\∂x}\frac{\∂R}{\∂y}+\frac{\∂G}{\∂x}\frac{\∂G}{\∂y}+\frac{\∂B}{\∂x}\frac{\∂B}{\∂y}---\left(5\right);$

$\mathrm{\θ}(x,y)=\frac{1}{2}{\tan }^{-1}\left[\frac{{2g}_{\mathrm{xy}}}{(g_{\mathrm{xx}}-g_{\mathrm{yy}})}\right]---\left(6\right);$

$f_{\mathrm{\θ}}(x,y)={\left\{\frac{1}{2}\right[(g_{\mathrm{xx}}+g_{\mathrm{yy}})+(g_{\mathrm{xx}}-g_{\mathrm{yy}})\cos 2\mathrm{\θ}+2g_{\mathrm{xy}}\sin 2\mathrm{\θ}\left]\right\}}^{1/2}---\left(7\right);$

由图2(e)可见，检测结果并不是只显示叶脉的边缘部分，其叶肉部位也有不同的像素值。因此完成RGB边缘检测后需要再做一次二维边缘检测，本发明采用Canny算子获得较好的检测效果，Canny算子的检测效果如图2(f)所示，即获得了初始叶脉图像；

（3）对初始叶脉图像依次做孔洞填充操作、线性空间滤波、连通标注操作和线性空间滤波，将非叶脉边缘像素过滤掉；

对图2(f)做孔洞填充操作，结果如图2(g)所示；图2(g)中被填充的像素都是非叶脉边缘，是由虫孔和受虫害危害导致不健康的像素引起的，是需要进一步去除的噪音，这些噪音是经过填充的，所以每一个噪音像素块一定大于3像素×3像素，而真正的叶脉边缘都是单像素的曲线，所以可以利用这个特点来滤除噪音。将图2(g)中形状大于3像素×3像素的像素块置零，结果如图2(h)所示；

图2(h)中仍有杂质，且这些杂质都由不闭合曲线构成，不能用孔洞填充后进行线性空间滤波的方法来去除；

本发明利用八连通标注法对图2(h)中的八连通区域进行标识并依次编号，将图像中具有连通性的像素标注出来；

连通标注操作完成后，采用36×36像素的模板进行过滤；将模板逐个滑过所有像素，如果某个连通区域能够完全被模板覆盖，则认定该连通区域为非叶脉边缘像素，将其删除；处理结果如图2(i)所示。

（4）对过滤掉非叶脉边缘像素的初始叶脉图像做数学形态学处理，获得最终叶脉图像。

进行数学形态学处理时采用膨胀处理，具体为选取边长为6的矩形结构元素对图2(i)做膨胀处理，轻度虫害油菜叶片的最终叶脉图像，如图2(j)所示。

由图2(j)可见，本发明的叶脉识别方法能够完整识别主脉和侧脉，大部分的细脉也能被完整识别。

Claims (8)

1.一种基于主成分分析的轻度虫害叶片的叶脉识别方法，其特征在于，包括：

(1)对原高光谱图像做主成分分析，取前三个主成分分量代入RGB彩色空间，组成RGB图像；

(2)对RGB图像依次做彩色边缘检测和二维边缘检测，获得初始叶脉图像，所述的彩色边缘检测是在彩色向量空间直接计算边缘，通过公式(1)-(7)进行：

$u=\frac{\∂R}{\∂x}r+\frac{\∂G}{\∂x}g+\frac{\∂B}{\∂x}b---\left(1\right);$

$v=\frac{\∂R}{\∂y}r+\frac{\∂G}{\∂y}g+\frac{\∂B}{\∂y}b---\left(2\right);$

$g_{xx}=u\·u=u^{T}u=|\frac{\∂R}{\∂x}{|}^2+|\frac{\∂G}{\∂x}{|}^2+|\frac{\∂B}{\∂x}{|}^2---\left(3\right);$

$g_{yy}=v\·v=v^{T}v=|\frac{\∂R}{\∂y}{|}^2+|\frac{\∂G}{\∂y}{|}^2+|\frac{\∂B}{\∂y}{|}^2---\left(4\right);$

$g_{xy}=u\·v=u^{T}v=\frac{\∂R}{\∂x}\frac{\∂R}{\∂y}+\frac{\∂G}{\∂x}\frac{\∂G}{\∂y}+\frac{\∂B}{\∂x}\frac{\∂B}{\∂y}---\left(5\right);$

$\mathrm{\θ}(x,y)=\frac{1}{2}{\tan }^{-1}\[\frac{2g_{xy}}{(g_{xx}-g_{yy})}\]---\left(6\right);$

$f_{\mathrm{\θ}}(x,y)={\{\frac{1}{2}\[(g_{xx}+g_{yy})+(g_{xx}-g_{yy})cos2\mathrm{\θ}+2g_{xy}sin2\mathrm{\θ}\]\}}^{1/2}---\left(7\right);$

其中，x、y为各像素点的坐标；u和v是过渡向量；R、G和B是RGB彩色空间中红、绿、蓝的分量值；r、g和b是RGB彩色空间沿R，G和B轴的单位向量；g_xx是过渡向量u的向量点积、g_yy是过渡向量v的向量点积、g_xy是过渡向量u和v的向量点积；θ(x,y)是计算梯度后每个点的角度；f_θ(x,y)是梯度结果图像；

(3)对初始叶脉图像依次做孔洞填充、线性空间滤波、连通标注操作和线性空间滤波，将非叶脉边缘像素过滤掉；

(4)对过滤掉非叶脉边缘像素的初始叶脉图像做数学形态学处理，获得最终叶脉图像。

2.如权利要求1所述的叶脉识别方法，其特征在于，步骤(1)中，对原高光谱图像中400～1000nm的波段图像做主成分分析。

3.如权利要求1所述的叶脉识别方法，其特征在于，步骤(2)中，采用Canny算子进行二维边缘检测。

4.如权利要求1所述的叶脉识别方法，其特征在于，步骤(3)中，孔洞填充操作完成后，采用3×3像素的模板进行过滤。

5.如权利要求1所述的叶脉识别方法，其特征在于，步骤(3)中，采用八连通标注法进行连通标注操作。

6.如权利要求1所述的叶脉识别方法，其特征在于，步骤(3)中，连通标注操作完成后，采用36×36像素的模板进行过滤。

7.如权利要求1所述的叶脉识别方法，其特征在于，步骤(4)中，所述的数学形态学处理为膨胀处理。

8.如权利要求7所述的叶脉识别方法，其特征在于，选取边长为6的矩形结构元素进行膨胀处理。