基于数学形态学的植物叶片图像预处理

摘要： 植物叶片图像的预处理是叶形特征提取和识别的重要前提。获得高质量的预处理叶子图像对于计算机辅助植物识别非常重要。提出一种基于数学形态学的植物叶片图像预处理方法，利用数学形态学中的开闭运算消除图像中的孤立噪声点，填充叶片内部空洞。该方法保持了原始图像的基本形状特征，能够获得清晰的边缘，为树叶特征提取创造了良好的前提。关键词：植物叶子图像；图像预处理；数学形态学；边缘检测；特征提取研究是植物保护的重要前提。近年来，随着计算机技术的快速发展，图像处理和识别技术逐渐应用于这一研究中，并提出了计算机辅助植物识别、植物叶形计算机识别等系统。叶子特征是植物分类和识别的重要依据，因此人工提取植物叶子特征将为植物分类和识别提供依据。由于实际中获得的植物叶片图像差异较大，且含有大量背景成分，因此在图像分析之前需要进行图像分析。首先对其进行预处理。预处理的效果直接影响叶子形状特征的提取，因此选择好的预处理方法尤为重要。数学形态学是应用于图像处理和模式识别领域的一种新方法。生物学的一个分支，研究动物和植物的形状和结构。本文基于数学形态学对植物叶片图像进行预处理。可以保证预处理后的树叶图像具有基本的形状特征和清晰的边缘。 2 预处理模型由于实际植物叶片图像多种多样，且含有大量的背景成分，因此在进行图像分析之前，必须先对其进行预处理。一般的预处理过程主要包括噪声去除、背景和边缘去除。检查三个链接。有些植物的叶子可能会被昆虫或其他一些原因侵蚀。去除背景后，叶子目标内部会出现小孔，影响后续处理，导致叶子特征提取不准确。为此，本文建立的预处理模型对去除背景后的图像进行数学形态学处理，利用数学形态学的闭运算对树叶内部的空洞进行处理和消除。根据上述思路，植物叶片图像的预处理流程如图1所示。 3 植物叶片图像预处理的实现3.1 噪声的消除实际应用过程中图像中可能存在各种噪声，这些噪声可能是在传输或量化和其他处理中产生。植物叶片图像也是如此，在采集过程中会产生各种噪声，因此必须对其进行去噪处理。去噪的目的是去除信号中的噪声，同时尽可能保持原始信号的主要特征。图像中的噪声常常与图像信息交织在一起。如果过滤不当，图像质量将会下降。因此，如何滤除图像中的噪声并尽可能保留图像细节是图像去噪研究的关键。内容之一。目前常用的去噪方法主要有邻域平均法和中值滤波法。场平均法对于抑制噪声是有效的，但它选择低通滤波器，并且通常图像中的边缘信息包含大量的高频信息。因此，去噪时边界是模糊的。中值滤波方法采用非线性平滑滤波器，与邻域平均法不同的是，中值滤波器的输出像素值是由邻域像素的中值而不是平均值决定的。中值滤波方法简单、快速，在滤除噪声的同时可以很好地保护信号的细节。在一定条件下，它可以克服线性滤波器造成的图像细节模糊。植物叶片图像中的细节信息对于特征提取非常重要，因此本文采用中值滤波方法对图像进行处理。

3.2 去除背景去除背景就是将叶子与背景分离，形成二值图像，以供后续边缘检测和形状特征参数计算。准确分离前景和背景的关键是选择合适的阈值。由于不同的图像有不同的分割阈值，因此必须针对不同的图像计算阈值。为了使算法具有自适应性和快速性，选择迭代阈值选择方法来计算阈值日。算法步骤如下： 3.3 数学形态处理对经过去噪和去背景处理的叶子图像。可能存在一些孤立的噪声点，或者由于所选的叶子本身已经被害虫侵蚀，叶子内部可能存在一些孔洞，这都会影响叶子特征参数的准确计算。因此，必须对去背景后的图像进行进一步处理，消除叶子中的孤立噪声点和内部孔洞，获得完整、准确的叶子二值图像。本文选择数学形态学的方法对图像进行进一步处理。数学形态学基于对图像形态特征的分析，定义了两种基本变换，即侵蚀和膨胀，形态学的其他运算都是由这两种基本运算组成的。腐蚀是指检测具有某种结构元素的图像，并找出图像内部可以放置该结构元素的区域。定义如下：本文采用数学形态学中的闭运算来去除叶片孔，闭运算定义为先膨胀操作再进行腐蚀操作。首先对去除背景的二值叶子图像进行膨胀操作，然后进行腐蚀操作。经过多次加工，叶子上的孔洞就可以消除。同时，为了消除图像中孤立的噪声点，本文采用了数学形态学中的开运算，即先对图像进行腐蚀，再进行扩展。经过多次处理，可以消除图像中孤立的噪声点。 3.4 边缘检测叶子边缘包含丰富的形态信息。通过其边缘计算形状特征比通过叶片本身计算的计算强度要小。在大批量叶子样品处理的情况下，显着节省时间。因此，需要进一步提取叶子的边缘。一般来说，对检测到的边缘有几个要求：（1）边缘定位精度要高，无边缘漂移； (2)不同尺度的边缘应有良好的响应，尽量减少漏检： (3)应对噪声不敏感，以免因噪声造成误检； (4)检测灵敏度应受边缘方向影响较小。为了准确检测叶片边缘，本文选择边缘跟踪方法进行边缘检测。算法的思想是考虑二值化图像中叶子目标的每个像素跟踪其8个方向的邻居，假设构成叶子的像素的灰度值为1，背景灰度值为0，那么对于某个灰度值为1的像素点，判断如下： 如果当前像素点的邻域8个方向上都有0个像素点，则该像素点为边缘点： EIse 该像素点不是边缘点。当搜索完图像中的所有像素后，就可以提取出叶子的完整边缘。 4 仿真结果选取像素大小为512384、背景相对复杂的树叶图像进行仿真实验。仿真结果如图2所示。当对背景相对复杂的树叶图像进行降噪处理时，由于图像中树叶对象的灰度值较高，而背景的灰度值较低，因此需要进行降噪处理。对图像进行灰度变换，调整叶子图像的灰度范围。对于整个[0, 1]区域，图2(c)是灰度变换后的图像。迭代二值化后，可以发现叶子目标存在空洞，图像中包含孤立的噪声点，如图2(e)所示。经过闭运算和开运算后，叶子对象中的孔洞和图像中的孤立图像被消除。图2（h）所示的图像提取了完整的叶子边缘。仿真结果表明，数学形态学上的闭运算和开运算与膨胀运算和侵蚀运算相结合，对于填充由于昆虫或其他原因侵蚀而造成的树叶孔洞以及剩余的孤立噪声点，可以达到最佳效果。操控效果非常好。 5 结论本文研究了植物叶片图像的预处理算法，采用数学形态学的方法来提高处理效果。

实验表明，该方法可以获得具有基本形状特征、边缘清晰的树叶图像，为树叶图像的特征提取提供了优质的素材。这项研究为“数字农业”和“数字林业”的未来发展增添了新的内容。