CN113689374B - 一种植物叶片表面粗糙度确定方法及系统 - Google Patents

一种植物叶片表面粗糙度确定方法及系统 Download PDF

Info

Publication number
CN113689374B
CN113689374B CN202010418409.0A CN202010418409A CN113689374B CN 113689374 B CN113689374 B CN 113689374B CN 202010418409 A CN202010418409 A CN 202010418409A CN 113689374 B CN113689374 B CN 113689374B
Authority
CN
China
Prior art keywords
images
matching
image
determining
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010418409.0A
Other languages
English (en)
Other versions
CN113689374A (zh
Inventor
方慧
张泽清
肖舒裴
何勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010418409.0A priority Critical patent/CN113689374B/zh
Priority to US17/173,834 priority patent/US11880994B2/en
Publication of CN113689374A publication Critical patent/CN113689374A/zh
Application granted granted Critical
Publication of CN113689374B publication Critical patent/CN113689374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • G06T7/596—Depth or shape recovery from multiple images from stereo images from three or more stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/571—Depth or shape recovery from multiple images from focus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Abstract

本发明公开一种植物叶片表面粗糙度确定方法及系统，方法包括：利用变焦显微图像拍摄系统获取连续拍摄的多幅叶片放大图像；根据各幅所述叶片放大图像确定特征匹配集合；将所述特征匹配集合内的特征匹配数量小于第二设定阈值的去噪图像删除，获得n幅筛选图像；对n幅所述筛选图像进行组合，获得一幅组合灰度图像；根据所述组合灰度图像确定植物叶片表面粗糙度。本发明首先利用变焦显微图像拍摄系统直接快速准确获取多幅叶片放大图像，然后利用叶片放大图像进行筛选组合后形成组合灰度图像，最后根据所述组合灰度图像快速准确的确定植物叶片表面三维尺度的粗糙度。

Description

一种植物叶片表面粗糙度确定方法及系统
技术领域
本发明涉及粗糙度确定技术领域，特别是涉及一种植物叶片表面粗糙度确定方法及系统。
背景技术
植物叶表面粗糙度直接反映了叶表面微观形态的差异，可用于表征植物叶片表面的润湿性能。对植物叶表面粗糙度的测量，有助于叶表面润湿性的研究，进而提升农药利用率、降低农业生产成本以及减少农药对环境的污染。
通常，表面粗糙度的测量方法可分为接触式和非接触式两大类，接触式方法常用探针扫描法，但存在效率低、容易划伤测试品表面、测试分辨率取决于探针尖端直径等问题，难以应用于植物叶片表面；非接触式测量法大多基于空间域中灰度图像的统计分析，常借助光学系统、图像合成、机器视觉、共聚焦等技术获取，试验过程对样品表面无损但测量范围相对受限，且容易受光照等因素影响。
现有的方法大多基于植物叶表面电镜图，所确定的是二维的粗糙度信息，并不能直观反映植物叶表面的三维粗糙度信息，仅保留二维信息的计算过程，对具备三维尺度的粗糙度而言仍有局限性，另外，现有确定植物叶片表面粗糙度速度慢、精度低、所借助的测量仪器造价也十分昂贵。
发明内容
基于此，本发明的目的是提供一种植物叶片表面粗糙度确定方法及系统，以实现快速准确确定植物叶片表面三维尺度的粗糙度。
为实现上述目的，本发明提供了一种植物叶片表面粗糙度确定方法，所述方法包括：
步骤S1：利用变焦显微图像拍摄系统获取连续拍摄的多幅叶片放大图像；
步骤S2：根据各幅所述叶片放大图像确定特征匹配集合；
步骤S3：将所述特征匹配集合内的特征匹配数量小于第二设定阈值的去噪图像删除，获得n幅筛选图像；
步骤S4：对n幅所述筛选图像进行组合，获得一幅组合灰度图像；
步骤S5：根据所述组合灰度图像确定植物叶片表面粗糙度。
可选的，所述根据各幅所述叶片放大图像确定特征匹配集合，具体包括：
步骤S21：对各幅所述叶片放大图像进行高斯滤波去噪，获得多幅去噪图像；
步骤S22：利用SURF算法确定各幅所述去噪图像中各像素点对应的特征点；
步骤S23：利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配，获得特征匹配集合。
可选的，所述利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配，获得特征匹配集合，具体包括：
步骤S231：利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配；
步骤S232：按照距离最近原则确定最佳匹配距离；
步骤S233：按照距离最近原则确定次佳匹配距离；
步骤S234：判断所述最佳匹配距离和所述次佳匹配距离之比是否大于或等于第一设定阈值；如果所述最佳匹配距离和所述次佳匹配距离之比大于或等于第一设定阈值，则确定特征匹配集合；所述特征匹配集合包括多个特征点对应的特征匹配；如果所述最佳匹配距离和所述次佳匹配距离之比小于第一设定阈值，则删除特征匹配。
可选的，所述对n幅所述筛选图像进行组合，获得一幅组合灰度图像，具体包括：
步骤S41：采用最小二乘估计方法，根据n幅所述筛选图像生成n-1个单应性矩阵；
步骤S42：利用n-1个所述单应性矩阵对各所述筛选图像进行透视变换，裁剪出所述筛选图像的公共区域；
步骤S43：将带有公共区域的n幅所述筛选图像进行灰度尺度变换，获得n幅原始灰度图像；
步骤S44：将n幅所述原始灰度图像进行滤波变换，获得各像素点的清晰度；
步骤S45：从n幅所述原始灰度图像中选取各像素点清晰度最高的图像序号，并将所述图像序号映射为该像素点的灰度值；
步骤S46：组合所有清晰度最高的各像素点的灰度值，获得一幅反映叶表面深度信息的组合灰度图像。
可选的，所述根据所述组合灰度图像确定植物叶片表面粗糙度，具体包括：
步骤S51：去除所述组合灰度图像中超过1％极点值的灰度值，并计算剩余各个像素点的灰度值与基准平面灰度值之差；
步骤S52：利用表面粗糙度公式计算植物叶片表面粗糙度。
本发明还提供一种植物叶片表面粗糙度确定系统，所述系统包括：
获取模块，用于利用变焦显微图像拍摄系统获取连续拍摄的多幅叶片放大图像；
特征匹配集合确定模块，用于根据各幅所述叶片放大图像确定特征匹配集合；
筛选模块，用于将所述特征匹配集合内的特征匹配数量小于第二设定阈值的去噪图像删除，获得n幅筛选图像；
组合灰度图像确定模块，用于对n幅所述筛选图像进行组合，获得一幅组合灰度图像；
植物叶片表面粗糙度确定模块，用于根据所述组合灰度图像确定植物叶片表面粗糙度。
可选的，所述特征匹配集合确定模块，具体包括：
高斯滤波去噪单元，用于对各幅所述叶片放大图像进行高斯滤波去噪，获得多幅去噪图像；
特征点确定单元，用于利用SURF算法确定各幅所述去噪图像中各像素点对应的特征点；
特征匹配集合确定单元，用于利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配，获得特征匹配集合。
可选的，所述特征匹配集合确定单元，具体包括：
匹配子单元，用于利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配；
最佳匹配距离确定子单元，用于按照距离最近原则确定最佳匹配距离；
次佳匹配距离确定子单元，用于按照距离最近原则确定次佳匹配距离；
判断子单元，用于判断所述最佳匹配距离和所述次佳匹配距离之比是否大于或等于第一设定阈值；如果所述最佳匹配距离和所述次佳匹配距离之比大于或等于第一设定阈值，则确定特征匹配集合；所述特征匹配集合包括多个特征点对应的特征匹配；如果所述最佳匹配距离和所述次佳匹配距离之比小于第一设定阈值，则删除特征匹配。
可选的，所述组合灰度图像确定模块，具体包括：
单应性矩阵确定单元，用于采用最小二乘估计方法，根据n幅所述筛选图像生成n-1个单应性矩阵；
裁剪单元，用于利用n-1个所述单应性矩阵对各所述筛选图像进行透视变换，裁剪出所述筛选图像的公共区域；
原始灰度图像确定单元，用于将带有公共区域的n幅所述筛选图像进行灰度尺度变换，获得n幅原始灰度图像；
各像素点清晰度确定单元，用于将n幅所述原始灰度图像进行滤波变换，获得各像素点的清晰度；
像素点灰度值确定单元，用于从n幅所述原始灰度图像中选取各像素点清晰度最高的图像序号，并将所述图像序号映射为该像素点的灰度值；
组合灰度图像确定单元，用于组合所有清晰度最高的各像素点的灰度值，获得一幅反映叶表面深度信息的组合灰度图像。
可选的，所述植物叶片表面粗糙度确定模块，具体包括：
差值计算单元，用于去除所述组合灰度图像中超过1％极点值的灰度值，并计算剩余各个像素点的灰度值与基准平面灰度值之差；
植物叶片表面粗糙度确定单元，用于利用表面粗糙度公式计算植物叶片表面粗糙度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种植物叶片表面粗糙度确定方法及系统，方法包括：利用变焦显微图像拍摄系统获取连续拍摄的多幅叶片放大图像；根据各幅所述叶片放大图像确定特征匹配集合；将所述特征匹配集合内的特征匹配数量小于第二设定阈值的去噪图像删除，获得n幅筛选图像；对n幅所述筛选图像进行组合，获得一幅组合灰度图像；根据所述组合灰度图像确定植物叶片表面粗糙度。本发明首先利用变焦显微图像拍摄系统直接快速准确获取多幅叶片放大图像，然后利用叶片放大图像进行筛选组合后形成组合灰度图像，最后根据所述组合灰度图像快速准确的确定植物叶片表面三维尺度的粗糙度。
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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例植物叶片表面粗糙度确定方法流程图；
图2为本发明实施例植物叶片表面粗糙度确定系统结构图；
图3为本发明实施例植物叶片近轴面拍摄图；
图4为本发明实施例三维干涉显微镜(a、b)与自搭建图像平台(c)的同一植物叶片拍摄结果对比；
图5为本发明实施例两种图像清晰度算法还原植物叶片深度图效果；
图6为本发明实施例四种图像清晰度算法计算粗糙度对比示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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。
本发明的目的是提供一种植物叶片表面粗糙度确定方法及系统，以实现快速准确确定植物叶片表面三维尺度的粗糙度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
针对常规样品表面的粗糙度测量，Jahn等提出了一种基于随机自仿射函数的幂定理来实现表面粗糙度轮廓的分形分析的方法，与其他常规分形维数分析方法相比，计算量更小。针对植物叶片表面的粗糙度测量，Journaux等探究了模式识别和计算机视觉技术在提取叶表面粗糙度特征上的应用，试验中使用的图像来自于植物叶片n的扫描电镜图以及Brodatz纹理数据库。试验结果表明，在降维背景下应用傅里叶描述符表征纹理特征并对植物叶片粗糙度进行分类的效果较好，最低分类误差为0.4％。Wang等观察了60种植物的扫描电镜图并依据等的方法将叶片近轴面和远轴面的粗糙度分为五类，分类标准为叶表面的绒毛分布、蜡质结构以及表皮细胞的形状等。Bediaf等分别对比了广义傅里叶描述符、光学粗糙度以及小波分解三种估算叶表面粗糙度的方法，该研究分析了基于叶片的扫描电镜图并引入了不同噪声来测试每种方法的敏感性。由此可见，基于电镜或显微镜图片获取叶表面粗糙度信息仍是目前获取叶表面粗糙度的主要手段，分形维数常被用来量化不规则图案，但仅保留二维信息的计算过程，对具备三维尺度的粗糙度而言仍有局限性。
本发明提出了一种植物叶片表面粗糙度确定方法，通过自搭建的图像变焦显微拍摄系统实现快速获取多幅叶片放大图像，然后基于叶片放大图像快速准确确定植物叶片表面三维尺度的粗糙度。
如图1所示，本发明公开一种植物叶片表面粗糙度确定方法，所述方法包括：
步骤S1：利用变焦显微图像拍摄系统获取连续拍摄的多幅叶片放大图像。
步骤S2：根据各幅所述叶片放大图像确定特征匹配集合。
步骤S3：将所述特征匹配集合内的特征匹配数量小于第二设定阈值的去噪图像删除，获得n幅筛选图像。
步骤S4：对n幅所述筛选图像进行组合，获得一幅组合灰度图像。
步骤S5：根据所述组合灰度图像确定植物叶片表面粗糙度。
下面对各个步骤进行详细论述：
步骤S1：利用变焦显微图像拍摄系统获取连续拍摄的多幅叶片放大图像。
为了克服现有借助测量仪器造价昂贵的问题，本发明公开的所述变焦显微图像拍摄系统包括光学实验平台、工业相机、显微镜和微动平台，所述显微镜由所述光学实验平台的夹持装置固定；所述微动平台通过螺钉固定在所述光学实验平台的底座上；所述工业相机安装在所述显微镜的目镜处，所述工业相机的光学中心与所述显微镜的轴心处于同一条垂线上。
通过调整所述微动平台的旋钮使得所述工业相机聚焦在植物叶片表面的不同高度位置，从而所述工业相机获得一组对焦缓慢而均匀变化的叶片放大图像，并将采集的多幅叶片放大图像通过以太网线传输至计算机。
步骤S1：利用变焦显微图像拍摄系统获取连续拍摄的多幅叶片放大图像，具体步骤为：
1)、将多个植物叶片置于所述微动平台的载物平台上。
2)、通过调节所述微动平台的差动微分头使多个植物叶片处于能看清起伏纹理的相对模糊状态，拍摄第一张图像，如图3(a)所示。
3)、其中一半数量的植物叶片以每次1μm的转动距离调节所述差动微分头带动所述载物平台向上移动，另一半植物叶片以每次2μm的转动距离调节所述差动微分头带动所述载物平台向上移动，使所述显微镜的镜头与植物叶片间的距离逐渐减小，每调节一次拍摄一张图像，直至图像从完全模糊状态如图3(a)所示到局部清晰状态如图3(b)所示再到完全模糊状态如图3(c)所示后停止拍摄。
以1μm为高度分辨率，调节载物平台到某一高度时，若某像素点附近设定区域处于清晰的状态，则称该像素点是清晰的，否则称该像素点是模糊的。对于某一张图像，若所有的像素点均为模糊的，则认为该图像是完全模糊图像；若有部分像素点是清晰的，另一部分是模糊的，则认为该图像是局部清晰图像。特别地，若通过调节一次或少数几次载物平台可使原图像从完全模糊转变为局部清晰，则认为该图像处于相对模糊状态。
步骤S2：根据各幅所述叶片放大图像确定特征匹配集合，具体包括：
步骤S21：对多幅叶片放大图像进行高斯滤波去噪，获得多幅去噪图像，具体公式为：
其中，h(i,j)为高斯核，f(x,y)为原始叶片放大图像，(x,y)为像素点，*表示卷积操作；高斯核的大小的经验值为11×11，因此0＜i≤11,0＜j≤11。
步骤S22：利用SURF(Speeded Up Robust Features)算法确定各幅所述去噪图像中各像素点对应的特征点，具体包括：
步骤S221：利用SURF(Speeded Up Robust Features)算法确定各幅所述去噪图像中各像素点对应的Hessian矩阵，具体公式为：
其中，Lxx(x,y,σ)表示标准差为σ的去噪图像在(x,y)像素点处沿x方向的二阶导数，Lxy(x,y,σ)表示标准差为σ的去噪图像在(x,y)像素点处沿x、y方向的二阶导数,Lyy(x,y,σ)表示标准差为σ的去噪图像在(x,y)像素点处沿y方向的二阶导数，H(x,y,σ)表示标准差为σ、像素点为(x,y)对应的Hessian矩阵。Hessian矩阵的行列式的局部极值是定位特征点的关键。通过构造高斯金字塔和统计Harr小波特征，计算出的SURF特征点具有尺度不变性和旋转不变性。
步骤S222：根据各像素点对应的Hessian矩阵确定各像素点对应的特征点。
步骤S23：利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配，获得特征匹配集合，具体包括：
步骤S231：利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配。
步骤S232：按照距离最近原则确定最佳匹配距离，具体计算公式为：
其中，Dist(i,1)表示最佳匹配距离，d1(i)表示第一幅去噪图像中第i个特征点，d2(j)表示第二幅去噪图像中第j个特征点，N1为第一幅去噪图像中特征点的总个数，N2为第二幅去噪图像中特征点的总个数，||·||为特征描述符的欧式距离。
步骤S233：按照距离最近原则确定次佳匹配距离，具体计算公式为：
其中，Dist(i,2)表示次佳匹配距离，j*为第二幅图去噪图像中最佳匹配特征点，d2(k)表示第二幅去噪图像中第k个特征点。
步骤S234：判断所述最佳匹配距离和所述次佳匹配距离之比是否大于或等于第一设定阈值；如果所述最佳匹配距离和所述次佳匹配距离之比大于或等于第一设定阈值，则确定特征匹配集合；所述特征匹配集合包括多个特征点对应的特征匹配；如果所述最佳匹配距离和所述次佳匹配距离之比小于第一设定阈值，则删除特征匹配。
确定特征匹配集合的具体计算公式为：
M＝{{d1(i),d2(j*)}|i∈N1,Dist(i,1)≥rDist(i,2)}；
其中，M表示特征匹配集合，r表示第一设定阈值。
步骤S3：将所述特征匹配集合内的特征匹配数量小于第二设定阈值的去噪图像删除，获得n幅筛选图像。
步骤S4：对n幅筛选图像进行组合，获得一幅组合灰度图像，具体包括：
步骤S41：采用最小二乘估计方法，根据n幅所述筛选图像生成n-1个单应性矩阵。
步骤S42：利用n-1个所述单应性矩阵对各所述筛选图像进行透视变换，裁剪出所述筛选图像的公共区域。
步骤S43：将带有公共区域的n幅所述筛选图像进行灰度尺度变换，获得n幅原始灰度图像。
步骤S44：将n幅所述原始灰度图像进行滤波变换，获得各像素点的清晰度，具体公式为：
Ds(x,y)＝|Is(x,y)*G|*H；
其中，Ds(x,y)表示第s幅原始灰度图像中像素点(x,y)的清晰度，Is(x,y)表示第s幅原始灰度图像中像素点(x,y)的灰度图像，G为梯度滤波器，H为算术均值滤波器，*表示卷积操作。
所述梯度滤波器使用了两种梯度方法，一种是Tenengrad梯度方法，使用了Sobel算子分别计算水平和竖直两个方向的梯度。另一种是Laplacian梯度方法，使用的是Laplacian算子。
步骤S45：从n幅所述原始灰度图像中选取各像素点清晰度最高的图像序号，并将所述图像序号映射为该像素点的灰度值。
步骤S46：组合所有清晰度最高的各像素点的灰度值，获得一幅反映叶表面深度信息的组合灰度图像，具体计算公式为：
其中，S(x,y)表示反映叶表面深度信息的组合灰度图像，s表示图像序号，Norm表示映射为灰度值。
步骤S5：根据所述组合灰度图像确定植物叶片表面粗糙度，具体包括：
步骤S51：去除所述组合灰度图像中超过1％极点值的灰度值，并计算剩余各个像素点的灰度值与基准平面灰度值之差。
步骤S52：利用表面粗糙度公式计算植物叶片表面粗糙度，所述表面粗糙度公式为：
其中，gi为剩余各个像素点的灰度值与基准平面灰度值之差；Ga为光学粗糙度平均值；n为采样点的数量。
如图2所示，本发明还提供一种植物叶片表面粗糙度确定系统，所述系统包括：
获取模块1，用于利用变焦显微图像拍摄系统获取连续拍摄的多幅叶片放大图像。
特征匹配集合确定模块2，用于根据各幅所述叶片放大图像确定特征匹配集合。
筛选模块3，用于将所述特征匹配集合内的特征匹配数量小于第二设定阈值的去噪图像删除，获得n幅筛选图像。
组合灰度图像确定模块4，用于对n幅所述筛选图像进行组合，获得一幅组合灰度图像。
植物叶片表面粗糙度确定模块5，用于根据所述组合灰度图像确定植物叶片表面粗糙度。
作为一种实施方式，本发明所述特征匹配集合确定模块2，具体包括：
高斯滤波去噪单元，用于对各幅所述叶片放大图像进行高斯滤波去噪，获得多幅去噪图像。
特征点确定单元，用于利用SURF算法确定各幅所述去噪图像中各像素点对应的特征点。
特征匹配集合确定单元，用于利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配，获得特征匹配集合。
作为一种实施方式，本发明所述特征匹配集合确定单元，具体包括：
匹配子单元，用于利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配。
最佳匹配距离确定子单元，用于按照距离最近原则确定最佳匹配距离。
次佳匹配距离确定子单元，用于按照距离最近原则确定次佳匹配距离。
判断子单元，用于判断所述最佳匹配距离和所述次佳匹配距离之比是否大于或等于第一设定阈值；如果所述最佳匹配距离和所述次佳匹配距离之比大于或等于第一设定阈值，则确定特征匹配集合；所述特征匹配集合包括多个特征点对应的特征匹配；如果所述最佳匹配距离和所述次佳匹配距离之比小于第一设定阈值，则删除特征匹配。
作为一种实施方式，本发明所述组合灰度图像确定模块4，具体包括：
单应性矩阵确定单元，用于采用最小二乘估计方法，根据n幅所述筛选图像生成n-1个单应性矩阵。
裁剪单元，用于利用n-1个所述单应性矩阵对各所述筛选图像进行透视变换，裁剪出所述筛选图像的公共区域。
原始灰度图像确定单元，用于将带有公共区域的n幅所述筛选图像进行灰度尺度变换，获得n幅原始灰度图像。
各像素点清晰度确定单元，用于将n幅所述原始灰度图像进行滤波变换，获得各像素点的清晰度。
像素点灰度值确定单元，用于从n幅所述原始灰度图像中选取各像素点清晰度最高的图像序号，并将所述图像序号映射为该像素点的灰度值。
组合灰度图像确定单元，用于组合所有清晰度最高的各像素点的灰度值，获得一幅反映叶表面深度信息的组合灰度图像。
作为一种实施方式，本发明所述植物叶片表面粗糙度确定模块5，具体包括：
差值计算单元，用于去除所述组合灰度图像中超过1％极点值的灰度值，并计算剩余各个像素点的灰度值与基准平面灰度值之差。
植物叶片表面粗糙度确定单元，用于利用表面粗糙度公式计算植物叶片表面粗糙度。
本申请采用的变焦显微图像拍摄系统计算结果均为包含水稻主茎脉在内的较大范围的粗糙度，而三维干涉显微镜由于镜头范围的限制，仅能拍摄到极小范围的植物叶片，同一叶片的拍摄结果对比如图4所示。可以发现，三维干涉显微镜仅能拍摄到两条叶片茎脉，而本研究的图像拍摄系统能够拍摄到8条左右的植物叶片茎脉(含主茎脉)。
如图5所示，本申请梯度滤波器采用Tenengrad梯度算法与Laplacian梯度算法，进而利用梯度滤波器计算的各像素点的清晰度结果稳定，能够清晰反映植物叶片表面的纹理变化，在不同植物叶片拍摄组上应用这两种算法得出的叶片粗糙度结果非常近似。
如图6所示，第三组样本的参考值确实要明显低于Tenengrad梯度算法与Laplacian梯度算法的计算结果，这与三维干涉显微镜未拍到粗糙度变化明显的主茎脉密切相关。另外，应用Tenengrad梯度算法与Laplacian梯度算法所获取的水稻深度图接近植物叶片表面的纹理特征，叶表面粗糙度计算结果更加可靠。另外，应用标准品测试该方法的平均相对误差为7.154％，95％置信度下的最大相对误差为9.218％，测量结果具有较高的准确度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种植物叶片表面粗糙度确定方法，其特征在于，所述方法包括：
步骤S1：利用变焦显微图像拍摄系统获取连续拍摄的多幅叶片放大图像；
步骤S2：根据各幅所述叶片放大图像确定特征匹配集合；所述特征匹配集合基于相邻的两幅去噪图像中各特征点进行匹配得到；
步骤S3：将所述特征匹配集合内的特征匹配数量小于第二设定阈值的去噪图像删除，获得n幅筛选图像；
步骤S4：对n幅所述筛选图像进行组合，获得一幅组合灰度图像；
步骤S5：根据所述组合灰度图像确定植物叶片表面粗糙度；
所述对n幅所述筛选图像进行组合，获得一幅组合灰度图像，具体包括：
步骤S41：采用最小二乘估计方法，根据n幅所述筛选图像生成n-1个单应性矩阵；
步骤S42：利用n-1个所述单应性矩阵对各所述筛选图像进行透视变换，裁剪出所述筛选图像的公共区域；
步骤S43：将带有公共区域的n幅所述筛选图像进行灰度尺度变换，获得n幅原始灰度图像；
步骤S44：将n幅所述原始灰度图像进行滤波变换，获得各像素点的清晰度；
步骤S45：从n幅所述原始灰度图像中选取各像素点清晰度最高的图像序号，并将所述图像序号映射为该像素点的灰度值；
步骤S46：组合所有清晰度最高的各像素点的灰度值，获得一幅反映叶表面深度信息的组合灰度图像；
所述根据所述组合灰度图像确定植物叶片表面粗糙度，具体包括：
步骤S51：去除所述组合灰度图像中超过1％极点值的灰度值，并计算剩余各个像素点的灰度值与基准平面灰度值之差；
步骤S52：利用表面粗糙度公式计算植物叶片表面粗糙度。
2.根据权利要求1所述的植物叶片表面粗糙度确定方法，其特征在于，所述根据各幅所述叶片放大图像确定特征匹配集合，具体包括：
步骤S21：对各幅所述叶片放大图像进行高斯滤波去噪，获得多幅去噪图像；
步骤S22：利用SURF算法确定各幅所述去噪图像中各像素点对应的特征点；
步骤S23：利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配，获得特征匹配集合。
3.根据权利要求2所述的植物叶片表面粗糙度确定方法，其特征在于，所述利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配，获得特征匹配集合，具体包括：
步骤S231：利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配；
步骤S232：按照距离最近原则确定最佳匹配距离；
步骤S233：按照距离最近原则确定次佳匹配距离；
步骤S234：判断所述最佳匹配距离和所述次佳匹配距离之比是否大于或等于第一设定阈值；如果所述最佳匹配距离和所述次佳匹配距离之比大于或等于第一设定阈值，则确定特征匹配集合；所述特征匹配集合包括多个特征点对应的特征匹配；如果所述最佳匹配距离和所述次佳匹配距离之比小于第一设定阈值，则删除特征匹配。
4.一种植物叶片表面粗糙度确定系统，其特征在于，所述系统包括：
获取模块，用于利用变焦显微图像拍摄系统获取连续拍摄的多幅叶片放大图像；
特征匹配集合确定模块，用于根据各幅所述叶片放大图像确定特征匹配集合；所述特征匹配集合基于相邻的两幅去噪图像中各特征点进行匹配得到；
筛选模块，用于将所述特征匹配集合内的特征匹配数量小于第二设定阈值的去噪图像删除，获得n幅筛选图像；
组合灰度图像确定模块，用于对n幅所述筛选图像进行组合，获得一幅组合灰度图像；
植物叶片表面粗糙度确定模块，用于根据所述组合灰度图像确定植物叶片表面粗糙度；
所述组合灰度图像确定模块，具体包括：
单应性矩阵确定单元，用于采用最小二乘估计方法，根据n幅所述筛选图像生成n-1个单应性矩阵；
裁剪单元，用于利用n-1个所述单应性矩阵对各所述筛选图像进行透视变换，裁剪出所述筛选图像的公共区域；
原始灰度图像确定单元，用于将带有公共区域的n幅所述筛选图像进行灰度尺度变换，获得n幅原始灰度图像；
各像素点清晰度确定单元，用于将n幅所述原始灰度图像进行滤波变换，获得各像素点的清晰度；
像素点灰度值确定单元，用于从n幅所述原始灰度图像中选取各像素点清晰度最高的图像序号，并将所述图像序号映射为该像素点的灰度值；
组合灰度图像确定单元，用于组合所有清晰度最高的各像素点的灰度值，获得一幅反映叶表面深度信息的组合灰度图像；
所述植物叶片表面粗糙度确定模块，具体包括：
差值计算单元，用于去除所述组合灰度图像中超过1％极点值的灰度值，并计算剩余各个像素点的灰度值与基准平面灰度值之差；
植物叶片表面粗糙度确定单元，用于利用表面粗糙度公式计算植物叶片表面粗糙度。
5.根据权利要求4所述的植物叶片表面粗糙度确定系统，其特征在于，所述特征匹配集合确定模块，具体包括：
高斯滤波去噪单元，用于对各幅所述叶片放大图像进行高斯滤波去噪，获得多幅去噪图像；
特征点确定单元，用于利用SURF算法确定各幅所述去噪图像中各像素点对应的特征点；
特征匹配集合确定单元，用于利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配，获得特征匹配集合。
6.根据权利要求5所述的植物叶片表面粗糙度确定系统，其特征在于，所述特征匹配集合确定单元，具体包括：
匹配子单元，用于利用暴力匹配算法对相邻的两幅所述去噪图像中各特征点进行匹配；
最佳匹配距离确定子单元，用于按照距离最近原则确定最佳匹配距离；
次佳匹配距离确定子单元，用于按照距离最近原则确定次佳匹配距离；
判断子单元，用于判断所述最佳匹配距离和所述次佳匹配距离之比是否大于或等于第一设定阈值；如果所述最佳匹配距离和所述次佳匹配距离之比大于或等于第一设定阈值，则确定特征匹配集合；所述特征匹配集合包括多个特征点对应的特征匹配；如果所述最佳匹配距离和所述次佳匹配距离之比小于第一设定阈值，则删除特征匹配。
CN202010418409.0A 2020-05-18 2020-05-18 一种植物叶片表面粗糙度确定方法及系统 Active CN113689374B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010418409.0A CN113689374B (zh) 2020-05-18 2020-05-18 一种植物叶片表面粗糙度确定方法及系统
US17/173,834 US11880994B2 (en) 2020-05-18 2021-02-11 Method and system for determining plant leaf surface roughness

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010418409.0A CN113689374B (zh) 2020-05-18 2020-05-18 一种植物叶片表面粗糙度确定方法及系统

Publications (2)

Publication Number Publication Date
CN113689374A CN113689374A (zh) 2021-11-23
CN113689374B true CN113689374B (zh) 2023-10-27

Family

ID=78512791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010418409.0A Active CN113689374B (zh) 2020-05-18 2020-05-18 一种植物叶片表面粗糙度确定方法及系统

Country Status (2)

Country Link
US (1) US11880994B2 (zh)
CN (1) CN113689374B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131350B (zh) * 2022-08-30 2022-12-16 南京木木西里科技有限公司 一种大景深观测与表面形貌分析系统
CN116385450B (zh) * 2023-06-07 2023-10-10 昆山恒光塑胶股份有限公司 基于图像处理的ps片材抗耐磨性检测方法
CN116503394B (zh) * 2023-06-26 2023-09-08 济南奥盛包装科技有限公司 基于图像的印刷制品表面粗糙度检测方法
CN117218169B (zh) * 2023-11-09 2024-02-23 北京科技大学 一种融合深度信息的图像配准方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243450A (zh) * 2015-10-16 2016-01-13 华北电力大学 交流导线表面粗糙度的预测方法及系统
CN105891112A (zh) * 2016-03-31 2016-08-24 江苏大学 一种基于Android手机的蔬菜叶片新鲜度检测装置及方法
CN106952300A (zh) * 2017-04-28 2017-07-14 深圳前海弘稼科技有限公司 基于图像识别植物病变的方法及系统、计算机设备
CN107067415A (zh) * 2017-03-21 2017-08-18 南京航空航天大学 一种基于图像匹配的目标快速精确定位方法
CN110443128A (zh) * 2019-06-28 2019-11-12 广州中国科学院先进技术研究所 一种基于surf特征点精确匹配的指静脉识别方法
CN110866969A (zh) * 2019-10-18 2020-03-06 西北工业大学 基于神经网络与点云配准的发动机叶片重构方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000077085A1 (en) * 1999-06-11 2000-12-21 Sydney Hyman Image making medium
CN101398898B (zh) * 2008-10-20 2011-09-14 中国科学院合肥物质科学研究院 基于流形学习的植物叶片识别方法
CN101984463A (zh) * 2010-11-02 2011-03-09 中兴通讯股份有限公司 全景图合成方法及装置
CN102221347B (zh) * 2011-03-29 2012-10-03 中国计量学院 植物叶片气孔活体的三维显微观测方法
US8965057B2 (en) * 2012-03-02 2015-02-24 Qualcomm Incorporated Scene structure-based self-pose estimation
JP5964220B2 (ja) * 2012-11-30 2016-08-03 株式会社キーエンス 計測顕微鏡装置、これを用いた計測方法及び操作プログラム並びにコンピュータで読み取り可能な記録媒体
CN104778755B (zh) * 2015-03-27 2017-08-25 浙江理工大学 一种基于区域划分的纹理图像三维重构方法
CA3021795A1 (en) * 2016-05-13 2017-11-16 Basf Se System and method for detecting plant diseases
CN108254396B (zh) * 2017-12-05 2019-12-03 江苏大学 一种基于micro-CT和偏振-高光谱成像多特征融合的番茄苗期水分胁迫检测方法
CN108323295B (zh) * 2017-12-05 2019-12-03 江苏大学 一种基于多尺度生境信息的苗期作物水肥检测和控制方法及装置
CN111381579B (zh) * 2018-12-30 2022-06-14 浙江宇视科技有限公司 一种云台故障检测方法、装置、计算机设备及存储介质
CN109785372B (zh) * 2019-01-10 2022-12-23 西安电子科技大学 基于软决策优化的基础矩阵鲁棒估计方法
CN110120010B (zh) * 2019-04-12 2023-02-07 嘉兴恒创电力集团有限公司博创物资分公司 一种基于相机图像拼接的立体货架视觉盘点方法和系统
GB2594909A (en) * 2019-11-26 2021-11-17 Oro Agri Inc An agricultural adjuvant

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243450A (zh) * 2015-10-16 2016-01-13 华北电力大学 交流导线表面粗糙度的预测方法及系统
CN105891112A (zh) * 2016-03-31 2016-08-24 江苏大学 一种基于Android手机的蔬菜叶片新鲜度检测装置及方法
CN107067415A (zh) * 2017-03-21 2017-08-18 南京航空航天大学 一种基于图像匹配的目标快速精确定位方法
CN106952300A (zh) * 2017-04-28 2017-07-14 深圳前海弘稼科技有限公司 基于图像识别植物病变的方法及系统、计算机设备
CN110443128A (zh) * 2019-06-28 2019-11-12 广州中国科学院先进技术研究所 一种基于surf特征点精确匹配的指静脉识别方法
CN110866969A (zh) * 2019-10-18 2020-03-06 西北工业大学 基于神经网络与点云配准的发动机叶片重构方法

Also Published As

Publication number Publication date
CN113689374A (zh) 2021-11-23
US20210358160A1 (en) 2021-11-18
US11880994B2 (en) 2024-01-23

Similar Documents

Publication Publication Date Title
CN113689374B (zh) 一种植物叶片表面粗糙度确定方法及系统
US9297995B2 (en) Automatic stereological analysis of biological tissue including section thickness determination
Dima et al. Automatic segmentation and skeletonization of neurons from confocal microscopy images based on the 3-D wavelet transform
CN111083365B (zh) 一种最佳焦平面位置快速检测方法及装置
TWI435112B (zh) 一種提高三維影像資訊密度之方法
Ronneberger et al. Automated pollen recognition using 3D volume images from fluorescence microscopy
JP5984559B2 (ja) 壊死細胞領域検出装置及びその方法、壊死細胞領域検出プログラム
CN110736747B (zh) 一种细胞液基涂片镜下定位的方法及系统
CN111402330B (zh) 一种基于平面靶标的激光线关键点提取方法
CN111462075A (zh) 一种全切片数字病理图像模糊区域的快速重聚焦方法及系统
CN111524224B (zh) 一种电力变压器表面温度分布的全景成像方法
Wetzel et al. Registering large volume serial-section electron microscopy image sets for neural circuit reconstruction using FFT signal whitening
CN109410139A (zh) 一种文物内部和表面病害数字化分析评估方法
CN113450269A (zh) 一种基于3d视觉的点云关键点提取方法
CN112634159A (zh) 基于盲噪声估计的高光谱图像去噪方法
CN113569679A (zh) 测量断裂伸长率的方法、装置和系统
CN113298700A (zh) 一种在散射场景中的高分辨图像重构方法
CN105930459B (zh) 一种有效的基于内容的人体皮肤图像分类检索方法
CN111986315A (zh) 一种基于深度学习的超分辨白光干涉图三维重建方法
Shi et al. Study on holographic image recognition technology of zooplankton
Mahmood et al. 3D shape recovery from image focus using kernel regression in eigenspace
CN115601423A (zh) 一种双目视觉场景下基于边缘增强的圆孔位姿测量方法
CN109214405A (zh) 一种自适应联合特征字典进行遥感图像稀疏识别的方法
Xie et al. 3D Reconstruction Method of Image Based on Digital Microscope.
CN113077395B (zh) 一种高倍光学显微镜下大尺寸样品图像的去模糊方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant