自然条件下葡萄叶片图像的自动分割方法研究

近年来,随着计算机技术的快速发展,机器视觉技术越来越多地被应用于农业领域,视频监控设备用来监督作物生长,获取其生长信息,以便分析作物的生长状态和病害信息。由于叶片是葡萄最显著和最容易观察的部分,但自然条件下采集的葡萄叶片图像和视频会因为背景复杂、病斑病害、光照不同等各个方面因素影响到叶片的分割处理,因此本文将对于葡萄叶片的自动分割算法进行研究,为后续病害研究提供坚实的基础。本文的主要研究工作包括:(1)通过对大量绿色叶片的颜色信息统计,得到绿色叶片G/R分量主要分布以及色度因数a*的主要分布,利用该信息完成算法所需种子点的自动选择。利用混合高斯模型对叶片和背景的概率密度分布进行估计;在马尔科夫随机场的基础上,建立像素特征的能量函数;通过求解能量函数最小化对叶片实现了自动分割。对多种不同分割特征的分割效果进行对比试验,结果表明:对于不同时间、不同天气的绿色叶片图像,单一G/R和a*具有较好的效果,分割精度分别达到86.74%和92.38%,若用它们组合为双特征,分割效果会进一步提高,分割精度可达95.03%。(2)对于非正常叶片(病斑叶片等),由于其叶片区域与正常叶片颜色相差较大,无法通过上述方法选取种子点并完成分割,引入目标检测技术。目标检测技术以一幅图像为输入,输出通常为若干方框,即检测框,将检测框的中心区域选择为前景种子点并建立前景的参数模型,然后对检测框外的像素建立参数模型,将该区域的参数模型与前景参数模型相减,剩余部分即初始的背景参数模型,再通过迭代,逐步求较为精确的背景和前景参数模型。最后仍然采用马尔科夫随机场中能量最小化的方法对整幅图像的叶片区域进行分割。我们以葡萄叶片作为分割对象,试验表明,本方法能较好解决复杂背景和多种病斑叶片的自动分割问题。