CN106296662A - 田间环境下玉米叶片图像分割方法及装置 - Google Patents

Abstract

本发明涉及一种田间环境下玉米叶片图像分割方法及装置，其中，该方法包括：获取待测玉米植株的叶片轮廓的时间序列图像；所述时间序列图像包括多幅所述待测玉米植株在不同时刻分别对应的叶片轮廓图像；采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度；对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素；根据获取到的所述叶片边缘像素提取所述待测玉米植株的叶片轮廓。本发明的田间环境下玉米叶片图像分割方法及装置，可以实现针对真实而复杂的农田环境中进行智能化、自动化的叶片图像分割处理，可以克服近似绿色背景中弱边缘对分割结果的影响，提高图像分割的准确度。

Description

田间环境下玉米叶片图像分割方法及装置

技术领域

本发明涉及图像处理及农学技术领域，尤其涉及一种田间环境下玉米叶片图像分割方法及装置。

背景技术

随着遥感技术的发展和卫星空间分辨率的提高，遥感技术成为农作物生产管理方面重要的科技手段，而农作物信息的提取是遥感技术在农作物应用研究方面的关键。图像分割是农作物遥感信息提取的基础，能有效的利用图像的光谱特征、结构信息和几何信息等，获得理想的分割结果，是进行农作物识别和分类的前提。

农作物图像处理的关键问题是有效快速识别定位植株器官，作物图像颜色纹理近似，边缘特征不明显，再加上不同器官之间的遮挡，增加了植株器官分割识别的复杂性，成为作物图像处理领域的难点和热点问题。

传统分割方法有基于阈值、基于边缘检测和基于区域等方法，应用于玉米田遥感影像分割时，分割的结果并不理想。具体来说，基于阈值的分水岭分割方法仅考虑了灰度属性值，忽略了空间信息，在进行玉米田分割时会产生严重的过分割；基于边缘的分割方法，如利用Sobel算子、Robert算子和Canny算子来对目标边缘进行提取，对差异悬殊的边界效果较好，但分割玉米田时，会丢失大量的边缘信息，边缘提取的连贯性较差；基于区域的图论分割方法忽略了目标的纹理和玉米地以田埂为边界的类矩形地块结构等特征，边缘区域产生许多错分小块，最终造成玉米种植面积统计错误，进而无法为后续作物长势研究提供有力的依据。

发明内容

针对现有的图像分割方法所存在的缺陷，本发明提出如下技术方案：

一种田间环境下玉米叶片图像分割方法，包括：

获取待测玉米植株的叶片轮廓的时间序列图像；所述时间序列图像包括多幅所述待测玉米植株在不同时刻分别对应的叶片轮廓图像；

采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度；

对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素；

根据获取到的所述叶片边缘像素提取所述待测玉米植株的叶片轮廓。

可选地，所述采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度，包括：

确定所述叶片轮廓图像中的像素相对于背景的局部纹理对比度；

根据所述局部纹理对比度对多幅所述叶片轮廓图像中的叶片边缘像素进行滤波处理。

可选地，对于所述叶片轮廓图像中的像素p(i,j)，所述局部纹理对比度的表达式为：

$Et=\left\{\begin{array}{c}\frac{max\&lsqb;0,B1(i,j)-I(i,j)\&rsqb;}{B1(i,j)},C(i,j)\&GreaterEqual;0\\ \frac{min\&lsqb;0,B2(i,j)-I(i,j)\&rsqb;}{I(i,j)},C(i,j)<0\end{array}\right.---\left(1\right)$

其中，Et表示所述局部纹理对比度，B1(i,j)表示像素p(i,j)邻域内亮像素的平均值，I(i,j)表示像素灰度强度值，C(i,j)用于决定像素p(i,j)比相邻像素暗或亮，B2(i,j)表示像素p(i,j)邻域内暗像素的平均值。

可选地，所述确定所述叶片轮廓图像中的像素相对于背景的局部纹理对比度，包括：

根据像素p(i,j)的背景强度和像素p(i,j)的灰度强度值确定所述C(i,j)；

所述C(i,j)的表达式为：

$\begin{array}{c}C(i,j)=\frac{1}{8}\&lsqb;I(i-3,j)+I(i-2,j)+I(i+2,j)\\ +I(i+3,j)+I(i,j-3)+I(i,j-2)\\ +I(i,j+2)+I(i,j+3)\&rsqb;-I(i,j)\end{array}.---\left(2\right)$

可选地，所述根据像素p(i,j)的背景强度和像素p(i,j)的灰度强度值确定所述C(i,j)，包括：

采用像素p(i,j)的7×7邻域的49个像素中的8个像素来估计背景强度。

可选地，所述B1(i,j)的表达式为：

$B1(i,j)=\frac{1}{N_{b1}}\underset{C(p,q)\&le;0}{\underset{j-4\&le;q\&le;j+4}{\underset{i-4\&le;p\&le;i+4}{\&Sigma;}}}I(p,q);---\left(3\right)$

所述B2(i,j)的表达式为：

$B2(i,j)=\frac{1}{N_{b2}}\underset{C(p,q)>0}{\underset{j-4\&le;q\&le;j+4}{\underset{i-4\&le;p\&le;i+4}{\&Sigma;}}}I(p,q);---\left(4\right)$

其中，N_b1为像素p(i,j)的9×9邻域内C(p,q)小于等于0的像素数量；N_b2为像素p(i,j)的9×9邻域内C(p,q)大于0的像素数量。

可选地，所述对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素，包括：

采用预设Sobel算子估算像素局部纹理能量极值的梯度方向；

在3×3邻域内选择垂直于所述梯度方向的3个像素(p1,p2,p3)，并按照下式分别计算所述3个像素各自的d2值：

$d2(i,j)=8I(i,j)-\underset{l=-1}{\overset{1}{\&Sigma;}}\underset{m=-1}{\overset{1}{\&Sigma;}}I(i+l,j+m);---\left(5\right)$

获取所述3个像素对应的所述d2的极值，并在所述极值的3×3邻域内再进行梯度方向计算以及d2值计算，并重复以上步骤直到梯度方向发生反转，以获取局部纹理能量滤波图像；

遍历所述局部纹理能量滤波图像的所有像素，并根据每个像素计算生成一条带有方向的d2极值转移链，并根据链尾元素确定所述叶片边缘像素；

其中，所述d2极值转移链的方向为所述梯度方向。

可选地，所述方法还包括：

采用数量阈值滤波去除由于噪声和光线的干扰所产生的孤立的伪叶片边缘像素。

一种田间环境下玉米叶片图像分割装置，包括：

序列图像获取单元，用于获取待测玉米植株的叶片轮廓的时间序列图像；所述时间序列图像包括多幅所述待测玉米植株在不同时刻分别对应的叶片轮廓图像；

对比度增强单元，用于采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度；

叶片边缘像素获取单元，用于对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素；

叶片轮廓提取单元，用于根据获取到的所述叶片边缘像素提取所述待测玉米植株的叶片轮廓。

可选地，所述对比度增强单元，进一步用于：

确定所述叶片轮廓图像中的像素相对于背景的局部纹理对比度；

根据所述局部纹理对比度对多幅所述叶片轮廓图像中的叶片边缘像素进行滤波处理。

本发明的田间环境下玉米叶片图像分割方法及装置，通过获取待测玉米植株的叶片轮廓的时间序列图像，并采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度，再对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素，最后根据获取到的所述叶片边缘像素提取所述待测玉米植株的叶片轮廓，可以实现针对真实而复杂的农田环境中进行智能化、自动化的叶片图像分割处理，可以克服近似绿色背景中弱边缘对分割结果的影响，提高图像分割的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例的田间环境下玉米叶片图像分割方法的流程示意图；

图2为本发明一个实施例的田间环境下玉米叶片图像分割装置的结构示意图；

图3a至图3d为本发明一个实施例的待测玉米植株的叶片轮廓的时间序列图像；

图4a至图4d为本发明一个实施例的待测玉米植株的图像序列局域纹理能量滤波结果示意图；

图5a至图5d为本发明一个实施例的目标叶片轮廓提取效果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明一个实施例的田间环境下玉米叶片图像分割方法的流程示意图，如图1所示，该方法包括：

S1：获取待测玉米植株的叶片轮廓的时间序列图像；所述时间序列图像包括多幅所述待测玉米植株在不同时刻分别对应的叶片轮廓图像；

S2：采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度；

S3：对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素；

S4：根据获取到的所述叶片边缘像素提取所述待测玉米植株的叶片轮廓。

本实施例的田间环境下玉米叶片图像分割方法，通过获取待测玉米植株的叶片轮廓的时间序列图像，并采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度，再对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素，最后根据获取到的所述叶片边缘像素提取所述待测玉米植株的叶片轮廓，可以实现针对真实而复杂的农田环境中进行智能化、自动化的叶片图像分割处理，可以克服近似绿色背景中弱边缘对分割结果的影响，提高图像分割的准确度。

进一步地，作为上述方法实施例的优选，步骤S2中所述采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度，可以包括：

S21：确定所述叶片轮廓图像中的像素相对于背景的局部纹理对比度；

S22：根据所述局部纹理对比度对多幅所述叶片轮廓图像中的叶片边缘像素进行滤波处理。

进一步地，作为上述方法实施例的优选，对于所述叶片轮廓图像中的像素p(i,j)，所述局部纹理对比度的表达式为：

$Et=\left\{\begin{array}{c}\frac{max\&lsqb;0,B1(i,j)-I(i,j)\&rsqb;}{B1(i,j)},C(i,j)\&GreaterEqual;0\\ \frac{min\&lsqb;0,B2(i,j)-I(i,j)\&rsqb;}{I(i,j)},C(i,j)<0\end{array}\right.---\left(1\right)$

其中，Et表示所述局部纹理对比度，B1(i,j)表示像素p(i,j)邻域内亮像素的平均值，I(i,j)表示像素灰度强度值，C(i,j)用于决定像素p(i,j)比相邻像素暗或亮，B2(i,j)表示像素p(i,j)邻域内暗像素的平均值。

进一步地，作为本实施例的优选，上述确定所述叶片轮廓图像中的像素相对于背景的局部纹理对比度，可以包括：

根据像素p(i,j)的背景强度和像素p(i,j)的灰度强度值确定所述C(i,j)；

所述C(i,j)的表达式为：

$\begin{array}{c}C(i,j)=\frac{1}{8}\&lsqb;I(i-3,j)+I(i-2,j)+I(i+2,j)\\ +I(i+3,j)+I(i,j-3)+I(i,j-2)\\ +I(i,j+2)+I(i,j+3)\&rsqb;-I(i,j)\end{array}---\left(2\right)$

在此基础上，上述根据像素p(i,j)的背景强度和像素p(i,j)的灰度强度值确定所述C(i,j)，可以包括：

采用像素p(i,j)的7×7邻域的49个像素中的8个像素来估计背景强度。

进一步地，作为上述方法实施例的优选，所述B1(i,j)的表达式为：

$B1(i,j)=\frac{1}{N_{b1}}\underset{C(p,q)\&le;0}{\underset{j-4\&le;q\&le;j+4}{\underset{i-4\&le;p\&le;i+4}{\&Sigma;}}}I(p,q);---\left(3\right)$

所述B2(i,j)的表达式为：

$B2(i,j)=\frac{1}{N_{b2}}\underset{C(p,q)>0}{\underset{j-4\&le;q\&le;j+4}{\underset{i-4\&le;p\&le;i+4}{\&Sigma;}}}I(p,q);---\left(4\right)$

其中，N_b1为像素p(i,j)的9×9邻域内C(p,q)小于等于0的像素数量；N_b2为像素p(i,j)的9×9邻域内C(p,q)大于0的像素数量。

进一步地，作为上述方法实施例的优选，步骤S3中所述对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素，可以包括：

S31：采用预设Sobel算子估算像素局部纹理能量极值的梯度方向；

S32：在3×3邻域内选择垂直于所述梯度方向的3个像素(p1,p2,p3)，并按照下式分别计算所述3个像素各自的d2值：

$d2(i,j)=8I(i,j)-\underset{l=-1}{\overset{1}{\&Sigma;}}\underset{m=-1}{\overset{1}{\&Sigma;}}I(i+l,j+m);---\left(5\right)$

S33：获取所述3个像素对应的所述d2的极值，并在所述极值的3×3邻域内再进行梯度方向计算以及d2值计算，并重复以上步骤直到梯度方向发生反转，以获取局部纹理能量滤波图像；

S34：遍历所述局部纹理能量滤波图像的所有像素，并根据每个像素计算生成一条带有方向的d2极值转移链，并根据链尾元素确定所述叶片边缘像素；

其中，所述d2极值转移链的方向为所述梯度方向。

进一步地，作为上述各方法实施例的优选，所述方法还可包括：

S5：采用数量阈值滤波去除由于噪声和光线的干扰所产生的孤立的伪叶片边缘像素。

图2为本发明一个实施例的田间环境下玉米叶片图像分割装置的结构示意图，如图2所示，该装置包括序列图像获取单元10、对比度增强单元20、叶片边缘像素获取单元30以及叶片轮廓提取单元40，其中：

序列图像获取单元10用于获取待测玉米植株的叶片轮廓的时间序列图像；所述时间序列图像包括多幅所述待测玉米植株在不同时刻分别对应的叶片轮廓图像；

对比度增强单元20用于采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度；

叶片边缘像素获取单元30用于对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素；

叶片轮廓提取单元40用于根据获取到的所述叶片边缘像素提取所述待测玉米植株的叶片轮廓。

具体地，序列图像获取单元10获取待测玉米植株的叶片轮廓的时间序列图像；所述时间序列图像包括多幅所述待测玉米植株在不同时刻分别对应的叶片轮廓图像；对比度增强单元20采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度；叶片边缘像素获取单元30对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素；叶片轮廓提取单元40根据获取到的所述叶片边缘像素提取所述待测玉米植株的叶片轮廓。

本实施例所述的装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。

进一步地，作为本实施例的优选，所述对比度增强单元20可以用于确定所述叶片轮廓图像中的像素相对于背景的局部纹理对比度；以及，根据所述局部纹理对比度对多幅所述叶片轮廓图像中的叶片边缘像素进行滤波处理。

需要说明的是，对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

下面以一具体的实施例来说明本发明，但不限定本发明的保护范围。

举例来说，待测玉米植株的叶片轮廓的时间序列图像的获取时间：从每天上午9:00开始，每隔3个小时获取一次，至17:00结束，按时间顺序从中抽取有代表性的4张叶片轮廓图像序列样图如图3a至图3d所示。

叶片图像分割的难点即在于图像背景复杂，如图3a至图3d所示，当叶片边缘的背景是土壤时，边缘像素对比度较高；而当叶片边缘的背景是绿色叶片时，边缘像素过度不明显，即边缘像素对比度低，因此很难使用统一的边缘阈值分割叶片图像。

本实施例的田间环境下玉米叶片图像分割方法包括以下步骤：

(1)采用局域纹理能量滤波器增强叶片边缘像素对比度：

计算像素相对于背景的局部纹理对比度Et，对于像素p(i,j)有

$Et=\left\{\begin{array}{c}\frac{max\&lsqb;0,B1(i,j)-I(i,j)\&rsqb;}{B1(i,j)},C(i,j)\&GreaterEqual;0\\ \frac{min\&lsqb;0,B2(i,j)-I(i,j)\&rsqb;}{I(i,j)},C(i,j)<0\end{array}\right.---\left(1\right)$

其中C(i,j)用于决定该像素比相邻像素暗或亮，其具体表达式为:

$\begin{array}{c}C(i,j)=\frac{1}{8}\&lsqb;I(i-3,j)+I(i-2,j)+I(i+2,j)\\ +I(i+3,j)+I(i,j-3)+I(i,j-2)\\ +I(i,j+2)+I(i,j+3)\&rsqb;-I(i,j)\end{array}---\left(2\right)$

由上式(2)可知，C(i,j)是由两部分之差构成的，其中，第一部分用于估计像素p(i,j)的背景强度，第二部分用于表示像素p(i,j)的灰度强度值。

具体地，当计算C(i,j)时，只采用p(i,j)的7×7邻域内的49个像素中的8个。具体来说，在像素p(i,j)的7×7邻域内既有边缘像素又有背景像素，如果用邻域内所有像素计算C(i,j)的第一部分，则不能正确估计背景强度；因而采用4个方向的8个像素(即C(i,j)的第一部分中的8个像素I(i-3,j)、I(i-2,j)、……、I(i,j+3))进行背景强度估计，可以去除非背景像素的干扰。

进一步地，对于一个比背景暗的像素(C(i,j)≥0),计算其7×7邻域内亮像素的平均值B1(i,j)采用的表达式为：

$B1(i,j)=\frac{1}{N_{b1}}\underset{C(p,q)\&le;0}{\underset{j-4\&le;q\&le;j+4}{\underset{i-4\&le;p\&le;i+4}{\&Sigma;}}}I(p,q);---\left(3\right)$

上式(1)中像素灰度强度值B1(i,j)与I(i,j)的差值反应了该像素的局部对比度，一般B1(i,j)-I(i,j)≥0，如果出现负值，那么该像素很可能是图像噪声，因此用max[0,B1(i,j)-I(i,j)]保证计算结果不出现负数，最后用B1(i,j)进行归一化，即可使Et值域分布范围在0≤Et≤1。

类似的，对于一个比背景亮的像素(C(i,j)＜0,计算邻域内暗像素的平均值B2(i,j)，噪声数据点被强制赋值为0(min[0,B2(i,j)-I(i,j)])，使用I(i,j)点的强度值对差值归一化，使Et值域分布范围在-1≤Et≤0。

$B2(i,j)=\frac{1}{N_{b2}}\underset{C(p,q)>0}{\underset{j-4\&le;q\&le;j+4}{\underset{i-4\&le;p\&le;i+4}{\&Sigma;}}}I(p,q);---\left(4\right)$

其中，N_b1为像素p(i,j)的9×9邻域内C(p,q)小于等于0的像素数量；N_b2为像素p(i,j)的9×9邻域内C(p,q)大于0的像素数量。

因此，经过局域纹理能量滤波器处理后边缘部分被凸显，本实施例的待测玉米植株的图像序列局域纹理能量滤波结果示意图如图4a至图4d所示。

(2)基于局部纹理能量极值的叶片边缘单像素化：

虽然经过了上述处理，但由于叶片边缘像素不是单像素联通，因而无法直接提取叶片边缘轮廓。叶片边缘一般出现在局部纹理能量极值附近，因而对其邻近像素进行非极值抑制可获得叶片边缘像素。

具体地，首先使用如下Sobel算子估算像素局部纹理能量极值的梯度方向：

在3×3邻域内选择垂直于梯度方向的3个像素(p1，p2,p3)，并按照以下公式(5)计算其d2值

$d2(i,j)=8I(i,j)-\underset{l=-1}{\overset{1}{\&Sigma;}}\underset{m=-1}{\overset{1}{\&Sigma;}}I(i+l,j+m);---\left(5\right)$

在此基础上，获取上述3个像素中d2的极值(优选为极大值)，假设该极值为p3，则在p3的3×3邻域内再进行梯度方向计算与d2值计算，重复上述步骤直到梯度方向发生反转，以获取局部纹理能量滤波图像；

遍历所述局部纹理能量滤波图像的所有像素，并根据每个像素计算生成一条带有方向(梯度方向)的d2极值转移链，链尾元素既是为要寻找的叶片边缘像素。

进一步地，由于噪声和光线的干扰会产生一些孤立的伪叶片边缘像素，因而可通过采用数量阈值滤波方法进行伪叶片边缘像素去除。

特别地，在进行非极值抑制时，初始位置可以选择目标叶片的内部，对于时间序列图像中的第一幅图像可采用人工选取，第二幅图像中目标叶片的内部位置参考第一幅(叶片形状变化不大)，以在获得叶片轮廓后对叶片内部中心位置更新，本实施例的目标叶片轮廓提取效果示意图如图5a至图5d所示。

以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种田间环境下玉米叶片图像分割方法，其特征在于，包括：

获取待测玉米植株的叶片轮廓的时间序列图像；所述时间序列图像包括多幅所述待测玉米植株在不同时刻分别对应的叶片轮廓图像；

采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度；

对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素；

根据获取到的所述叶片边缘像素提取所述待测玉米植株的叶片轮廓。

2.根据权利要求1所述的方法，其特征在于，所述采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度，包括：

确定所述叶片轮廓图像中的像素相对于背景的局部纹理对比度；

根据所述局部纹理对比度对多幅所述叶片轮廓图像中的叶片边缘像素进行滤波处理。

3.根据权利要求2所述的方法，其特征在于，对于所述叶片轮廓图像中的像素p(i,j)，所述局部纹理对比度的表达式为：

其中，Et表示所述局部纹理对比度，B1(i,j)表示像素p(i,j)邻域内亮像素的平均值，I(i,j)表示像素灰度强度值，C(i,j)用于决定像素p(i,j)比相邻像素暗或亮，B2(i,j)表示像素p(i,j)邻域内暗像素的平均值。

4.根据权利要求3所述的方法，其特征在于，所述确定所述叶片轮廓图像中的像素相对于背景的局部纹理对比度，包括：

根据像素p(i,j)的背景强度和像素p(i,j)的灰度强度值确定所述C(i,j)；

所述C(i,j)的表达式为：

5.根据权利要求4所述的方法，其特征在于，所述根据像素p(i,j)的背景强度和像素p(i,j)的灰度强度值确定所述C(i,j)，包括：

采用像素p(i,j)的7×7邻域的49个像素中的8个像素来估计背景强度。

6.根据权利要求4所述的方法，其特征在于，所述B1(i,j)的表达式为：

所述B2(i,j)的表达式为：

其中，N_b1为像素p(i,j)的9×9邻域内C(p,q)小于等于0的像素数量；N_b2为像素p(i,j)的9×9邻域内C(p,q)大于0的像素数量。

7.根据权利要求1所述的方法，其特征在于，所述对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素，包括：

采用预设Sobel算子估算像素局部纹理能量极值的梯度方向；

在3×3邻域内选择垂直于所述梯度方向的3个像素(p1,p2,p3)， 并按照下式分别计算所述3个像素各自的d2值：

获取所述3个像素对应的所述d2的极值，并在所述极值的3×3邻域内再进行梯度方向计算以及d2值计算，并重复以上步骤直到梯度方向发生反转，以获取局部纹理能量滤波图像；

遍历所述局部纹理能量滤波图像的所有像素，并根据每个像素计算生成一条带有方向的d2极值转移链，并根据链尾元素确定所述叶片边缘像素；

其中，所述d2极值转移链的方向为所述梯度方向。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

采用数量阈值滤波去除由于噪声和光线的干扰所产生的孤立的伪叶片边缘像素。

9.一种田间环境下玉米叶片图像分割装置，其特征在于，包括：

序列图像获取单元，用于获取待测玉米植株的叶片轮廓的时间序列图像；所述时间序列图像包括多幅所述待测玉米植株在不同时刻分别对应的叶片轮廓图像；

对比度增强单元，用于采用局域纹理能量滤波器增强多幅所述叶片轮廓图像中的叶片边缘像素对比度；

叶片边缘像素获取单元，用于对经过局域纹理能量滤波器处理的多幅所述叶片轮廓图像的叶片进行单像素化处理，以获取叶片边缘像素；

叶片轮廓提取单元，用于根据获取到的所述叶片边缘像素提取所述待测玉米植株的叶片轮廓。

10.根据权利要求1所述的装置，其特征在于，所述对比度增强单元，进一步用于：

确定所述叶片轮廓图像中的像素相对于背景的局部纹理对比度；

根据所述局部纹理对比度对多幅所述叶片轮廓图像中的叶片边缘像素进行滤波处理。