一种叶片RGB图像快速切割多重去噪的方法

技术领域

本发明属于叶色检测技术领域，具体涉及一种叶片RGB图像快速切割多重去噪的方法。

背景技术

现有计算机自动化切割方法主要通过MATLAB软件来实现。主要有C1、颜色阈值法；C2、OTSU最优阈值法；C3、edge边缘识别分割法和C4、复合法。但此类方法仍存在一些问题。

C1、颜色阈值法：通过预先设定好颜色阈值（本文以采样台底板的颜色RGB 值为阈值）对图像逐个像素颜色进行识别、筛选、分离。

C2、OTSU最优阈值法：运用im2double函数将图片转化为双精度数组；运用graythresh函数获得最优阈值，然后运用im2bw函数以此为阈值进行二值化填充。

C3、edge边缘识别分割法：运用im2double函数将图片转化为双精度数组，运用rgb2gray函数将图片转为灰度图；运用ddencmp函数进行分层小波消噪，而后采用wdencmp函数进行全局阀值消噪；最后运用edge函数canny算子进行边缘识别切割。

C4、复合法：先采用C3方法进行边缘识别切割，而后采用C2方法进行颜色去噪处理。

采用颜色阈值算法（C1）和OTSU算法（C2）能够较好的去除纯色叶片的背景，但是对杂色叶片会产生误判，导致识别像素准确率下降；而边缘识别算法（C3）可以较好的识别杂色叶片边缘，不会进行多余的切割，但是背景杂音对其干扰严重，且对叶片阴影敏感容易造成误判，其处理耗时较长，效率较低；复合切割算法（C4）在边缘切割的基础上再次进行去噪，对纯色叶和杂色叶均有较好的处理效果，所提取的叶色特征参数值也较优，对叶片阴影消噪效果较好，但是处理耗时最高。

发明内容

本发明的目的在于提供一种叶片RGB图像快速切割多重去噪的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种叶片RGB图像快速切割多重去噪的方法，该方法包括如下步骤：

S1、叶片收集及图像采集：

S11、叶片收集：拾取始终不同类型的叶片，并用吸水纸将叶片表面的水分及灰尘祛除；

S12、图像采集：在采集平台中心上方100cm处设置一个照明光源，在照明光源上方设置一个高分辨率的相机，使得相机的镜头穿过照明光源的中心，将收集到的叶片呈自然舒展状态分别放置在采集平台上对应镜头的中央位置处，通过相机垂直拍摄进行图像采集；

S2、图像切割及颜色信息提取：

S21、图像切割：采用Adobe Photoshop CS软件中的颜色魔棒工具及磁性边缘索套工具对叶片图像进行手工切割；

S22、颜色信息提取：采用Adobe Photoshop CS软件自带的图像信息直方图获取目标图像的颜色参数信息；

S3、叶色参数提取：

采用MATLAB软件以彩色图片Red通道色阶参数值为数据处理、比较和分析对象对彩色图像进行数据提取；

S4、去噪获取叶片彩色图像：

利用图像切割去噪法获取不同边缘算子和获取不同分辨率图像的最小显著差异，利用双循环算法得到透明背景的目标叶片彩色图像图片。

本发明还具备如下技术特征：

所述S12中，采集平台的为长300cm、宽200cm、离地高度80cm的长方形桌面，桌面面板为灰白色，其RGB值为230:230:230。

所述S12中，照明光源为直径30cm的环型10W白色LED灯。

所述S12中，高分倍率相机为型号为CANON EOS-550D的相机，图像采集时，相机的状态设置为M档无闪光拍摄、ISO值为100、光圈为f/5、快门为1/15s、焦距为41mm，白平衡设置为自动，采集到的原始数字图像分辨率为5184mm*3456mm。

所述S3中，叶色参数提取具体包括如下步骤：

S31、叶色图片预处理：通过image函数读取目标图像Red通道每个像素色阶，通过全循环算法检索记录图像中非黑部分像素索引码，将其组合为寻的色阶数组，得到无软件特性干扰的叶片色阶信息矩阵；

S32、色阶累积直方图构建：通过imhist函数获取Red通道色阶累积直方图；

S33、通过Mean函数、Mdeian函数和Std函数分别获取Red通道的色阶均值、中位数及标准差，形成叶色特征参数表。

所述S4中，图像切割去噪法通过MATLAB软件实现，图像去噪法包括如下步骤：

S41、将目标叶片根据S1中所提供的的图像采集方法进行拍摄，得到原始图像；

S42、将叶片原始图像及空白背景图像分别转化为灰度图；

S43、将灰度图进行差分处理，祛除背景图像；

S44、利用差分处理技术对祛除背景的图像进一步祛除边缘对象；

S45、对祛除边缘对象的图像的边缘进行检测提取；

S46、对图像进行膨胀操作并填补边缘缝隙；

S47、对图像进行空隙填充并采用菱形结构元素对图像进行平滑处理；

S48、将平滑处理后的图像多次中值滤波祛除沉余信息；

S49、运用bwlabe函数寻找8联通成份并进行二值化处理；

S410、运用双循环算法将上一步骤所得图像二值图中黑色部分（即背景RGB为0:0:0）填充白色后形成背景蒙版；将原图作为地图，与背景蒙版进行图像加法运算，形成具有白色背景及目标叶片彩色图像的JPG图片；

S411、运用双循环算法将前景复原后的JPG图片白色背景透明度调整为0，得到透明背景的目标叶片彩色图像PNG图片。

所述S4中，获取不同边缘算子的最小显著差异包括如下步骤：

运用edge函数的sobel、prewitt、roberts、canny四种不同算子分别对叶片进行自动切割消噪并获取其叶色参数，将经过自动切割消噪获取得到的叶色参数与手动切割所获得的叶色参数进行比较；

运用IBM SPSS Statistic 22软件进行配对T检验及重复自举取样T检验，并对识别像素占比、色阶均值、色阶中位数和色阶标准差四项准确率进行多重比较，得到不同边缘算子的最小显著差异。

所述S4中，获取不同分辨率图像的最小显著差异包括如下步骤：

将叶片原始图像分别通过Adobe Photoshop CS软件调整为A低分辨率、B中等分辨率、C中高分辨率和D高分辨率四类；

采用IBM SPSS Statistic 22软件将A、B、C、D四类分辨率的图像与手动切割获得的初始图像进行配对T检验及重复自举取样T检验，并对识别像素、色阶均值、色阶中位数和色阶标准差的准确率进行多重比较，得到不同分辨率图像的最小显著差异。

与现有技术相比，本发明的有益效果是：

本发明结合了C1-C4的特点，先进行背景差分处理，将前、后景进行简单分离；而后通过边缘对象去除，降低扭曲叶片的阴影干扰；再通过edge边缘识别、填充、平滑和多次中值滤波后获得较好边缘轮廓；随后进行连通域区域面积筛选，去掉背景杂点，分离出精确的前景目标图像，对单色、杂色叶片整体处理效果均最优，进一步降低了叶片阴影的干扰，处理效率适中，具有较高的参数准确率，综合表现最优。

附图说明

图1为本发明的步骤流程图；

图2为本发明中以金边假连翘为例的叶片色彩图像分隔、提取、消噪的流程；

图3为本发明与现有切割去燥方法处理效果的对比图；

图4为本发明对不同叶片类型的处理效果图。

图4中：

A：单色叶，叶缘光滑，叶表面无蜡质，叶面平展；

B：单色叶，叶缘光滑，叶表面有蜡质，叶面平展；

C：杂色叶，叶缘光滑，叶表面有蜡质，叶面平展；

D：单色叶，心型叶型，叶缘光滑，叶表面有蜡质，叶面扭曲；

E：杂色叶，不规则叶型，叶缘光滑，叶表面无蜡质，叶面扭曲；

F：单色叶，羽状复叶，叶缘光滑，叶表面无蜡质，整体扭曲；

G：双色叶，叶片较小，叶缘光滑，叶表面无蜡质，叶面平展；

H：单色叶，叶片较小，叶缘有锯齿，叶表面无蜡质，叶面平展；

I：双色叶，叶片较小，叶缘有锯齿，叶表面无蜡质，叶面平展；

K：单色叶，不规则叶型，叶缘无锯齿，叶表面有蜡质，叶面多重扭曲。

具体实施方式

下面结合实施例对本发明做进一步的描述。

以下实施例用于说明本发明，但不能用来限制本发明的保护范围。实施例中的条件可以根据具体条件做进一步的调整，在本发明的构思前提下对本发明的方法简单改进都属于本发明要求保护的范围。

如图1所示，本发明提供一种叶片RGB图像快速切割多重去噪的方法，该方法包括如下步骤：

S1、叶片收集及图像采集：

S11、叶片收集：拾取始终不同类型的叶片，并用吸水纸将叶片表面的水分及灰尘祛除；

S12、图像采集：在采集平台中心上方100cm处设置一个照明光源，在照明光源上方设置一个高分辨率的相机，使得相机的镜头穿过照明光源的中心，将收集到的叶片呈自然舒展状态分别放置在采集平台上对应镜头的中央位置处，通过相机垂直拍摄进行图像采集；

其中：

采集平台的为长300cm、宽200cm、离地高度80cm的长方形桌面，桌面面板为灰白色，其RGB值为230:230:230。

照明光源为直径30cm的环型10W白色LED灯。

高分倍率相机为型号为CANON EOS-550D的相机，图像采集时，相机的状态设置为M档无闪光拍摄、ISO值为100、光圈为f/5、快门为1/15s、焦距为41mm，白平衡设置为自动，采集到的原始数字图像分辨率为5184mm*3456mm。

S2、图像切割及颜色信息提取：

S21、图像切割：采用Adobe Photoshop CS软件中的颜色魔棒工具及磁性边缘索套工具对叶片图像进行手工切割；

S22、颜色信息提取：采用Adobe Photoshop CS软件自带的图像信息直方图获取目标图像的颜色参数信息；

S3、叶色参数提取：

采用MATLAB软件以彩色图片Red通道色阶参数值为数据处理、比较和分析对象对彩色图像进行数据提取；

叶色参数提取具体包括如下步骤：

S31、叶色图片预处理：通过image函数读取目标图像Red通道每个像素色阶，通过全循环算法检索记录图像中非黑部分像素索引码，将其组合为寻的色阶数组，得到无软件特性干扰的叶片色阶信息矩阵；

S32、色阶累积直方图构建：通过imhist函数获取Red通道色阶累积直方图；

S33、通过Mean函数、Mdeian函数和Std函数分别获取Red通道的色阶均值、中位数及标准差，形成叶色特征参数表。

S4、去噪获取叶片彩色图像：

利用图像切割去噪法获取不同边缘算子和获取不同分辨率图像的最小显著差异，利用双循环算法得到透明背景的目标叶片彩色图像图片。

图像去噪法包括如下步骤：

S41、将目标叶片根据S1中所提供的的图像采集方法进行拍摄，得到如图2中1所示的原始图像；

S42、将叶片原始图像及空白背景图像分别转化为如图2中2所示灰度图；

S43、将灰度图进行差分处理，祛除背景图像，得到如图2中3所示的图像；

S44、利用差分处理技术对祛除背景的图像进一步祛除边缘对象，得到如图2中4所示的图像；

S45、对祛除边缘对象的图像的边缘进行检测提取，得到如图2中5所示的图像；

S46、对图像进行膨胀操作并填补边缘缝隙，得到如图2中6所示的图像；

S47、对图像进行空隙填充并采用菱形结构元素对图像进行平滑处理，得到如图2中7所示的图像；

S48、将平滑处理后的图像多次中值滤波祛除沉余信息，得到如图2中8所示的图像；

S49、运用bwlabe函数寻找8联通成份并进行二值化处理，得到如图2中9所示的二值图；

S410、运用双循环算法将上一步骤所得图像二值图中黑色部分（即背景RGB为0:0:0）填充白色后形成背景蒙版；将原图作为地图，与背景蒙版进行图像加法运算，形成如图2中10所示的具有白色背景及目标叶片彩色图像的JPG图片；

S411、运用双循环算法将前景复原后的JPG图片白色背景透明度调整为0，得到如图2中11所示的透明背景的目标叶片彩色图像PNG图片。

如图3和表1所示，采用颜色阈值算法（C1）和OTSU算法（C2）能够较好的去除纯色叶片的背景，但是对杂色叶片会产生误判，导致识别像素准确率下降；而边缘识别算法（C3）可以较好的识别杂色叶片边缘，不会进行多余的切割，但是背景杂音对其干扰严重，且对叶片阴影敏感容易造成误判，其处理耗时较长，效率较低；复合切割算法（C4）在边缘切割的基础上再次进行去噪，对纯色叶和杂色叶均有较好的处理效果，所提取的叶色特征参数值也较优，对叶片阴影消噪效果较好，但是处理耗时最高。本研究所提供图像切割去噪法结合了C1-C4的特点，先进行背景差分处理，将前、后景进行简单分离；而后通过边缘对象去除，降低扭曲叶片的阴影干扰；再通过edge边缘识别、填充、平滑和多次中值滤波后获得较好边缘轮廓；随后进行连通域区域面积筛选，去掉背景杂点，分离出精确的前景目标图像，对单色、杂色叶片整体处理效果均最优，进一步降低了叶片阴影的干扰，处理效率适中，具有较高的参数准确率，综合表现最优。

表1.多种切割去噪方法对叶色特征参数准确率的影响。

其中：

获取不同边缘算子的最小显著差异包括如下步骤：

运用edge函数的sobel、prewitt、roberts、canny四种不同算子分别对叶片进行自动切割消噪并获取其叶色参数，将经过自动切割消噪获取得到的叶色参数与手动切割所获得的叶色参数进行比较；

运用IBM SPSS Statistic 22软件进行配对T检验及重复自举取样T检验，并对识别像素占比、色阶均值、色阶中位数和色阶标准差四项准确率进行多重比较，得到不同边缘算子的最小显著差异。

如表2和表3所示，除prewitt算子之外，其他三种边缘识别算子与手动切割在有效像素、色阶均值、色阶中位数和色阶标准差上午显著性差异；

四种算子在四个方面的准确率上均无显著性差异，sobel、canny算子在识别像素准确率上均超过96%；色戒均值方面，sobel、prewiyttt算子表现较优，两者准确率均超过96%；而在色阶中位数上，sobel、prewitt和canny算子均超过98%的准确率。在切割消噪及信息提取分析效率上，sobel、prewitt、roberts和canny算子所用时长仅为手动切割的44.69%、45.16%、46.45%、48.49%，sobel、prewitt算子用时显著优于canny。

综上所述，本研究所提供的图像切割去噪法能够适应在不同的边缘算子下完成各种类型叶片准确、快速的切割消噪，其中以sobel最优，其处理效果与手动切割无显著性差异，有效识别像素、色阶均值、色阶中位数准确率均达到96%以上，处理时长表现最优。

表2.不同边缘识别算子对图像切割去噪法处理效果影响

注：表中数字后*表示为在α=0.05水平上有显著差异。

表3.不同边缘识别算子对图像切割去噪法叶色特征参数提取准确率的影响。

注：表中数字后*表示为在α=0.05水平上有显著差异。

获取不同分辨率图像的最小显著差异包括如下步骤：

将叶片原始图像分别通过Adobe Photoshop CS软件调整为A低分辨率、B中等分辨率、C中高分辨率和D高分辨率四类；

采用IBM SPSS Statistic 22软件将A、B、C、D四类分辨率的图像与手动切割获得的初始图像进行配对T检验及重复自举取样T检验，并对识别像素、色阶均值、色阶中位数和色阶标准差的准确率进行多重比较，得到不同分辨率图像的最小显著差异。

如表4和表5所示，在进行群体高通量表型获取时，研究人员必须考虑检测仪器的成本投入及测量效率。中高分辨率（C）、高分辨率（D）在识别像素占比、色阶均值、色阶中位数、色阶标准差均与CK无显著性差异；低分辨率（A）图像在识别像素、色阶均值与CK具有显著差异；中分辨率（B）在色阶均值与CK有显著差异。在叶色参数提取准确率方面，只有A与其他三种分辨率在色阶标准差方面具有显著性差异；而在识别像素占比、色阶均值、色阶中位数三项准确率上，四种分辨率所得的叶色参数均无显著差异。在处理效率方面，低分辨率（A）、中分辨率（B）、中高分辨率（C）、高分辨率（D）所用时长仅为CK（23.70s）的2.08%、4.42%、23.19%、44.69%（Fig.6），且四种分辨率间均呈现显著性差异。综上所述，中高分辨率（C）、高分辨率（D）在切割效果和叶色特征参数获取方面均与手动切割无显著差异，且两者间准确率无显著性差异，但中高分辨率（C）较高分辨率（D）在处理效率上提升了一倍。因此，在研究中可以采用中高分辨率（3750*2500）的图像代替高分辨率图像，以提升处理效率，降低图像采集及数据处理设备的投入。

表4.不同分辨率图像对图像切割去噪法处理效果的影响。

注：表中数字后*表示为在α=0.05水平上有显著差异。识别像素占比=（识别目标像素/该分辨率下的总像素）*100%。

表5.不同边缘识别算子对图像切割去噪法叶色特征参数提取准确率的影响。

注：表中数字后*表示为在α=0.05水平上有显著差异。识别像素占比=（识别目标像素/该分辨率下的总像素）*100%。

本发明的成果解决了以往研究中图像采集条件苛刻（需黑箱拍照取样）、需要高精度拍摄设备、背景分离不充分的问题，该方法允许研究人员在普通光照的开放环境下采集到较为精确的图像，且对拍摄设备分辨率要求不高，中低端相机或手机摄像头均能通过图像切割去噪法处理获取准确的叶色参数。是一种高速、精准、适用范围广的RGB图像自动化叶片切割去噪方法。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。