李晚求

（深圳职业技术学院，广东深圳，518000）

在社会科学技术快速发展背景下，计算机视觉技术得到进步。计算机硬件设施、软件不断完善，并得到广泛使用。在此背景下，在计算机视觉技术中也应用不同软件与硬件。在现今植物形态分析研究工作落实中，会使用计算机视觉技术。但是，通常情况下该项技术主要是应用在植物地上部分相关检测工作中，在植物根部中的应用并没有得到普及。植物根部是植物吸收营养、吸收水分的主要器官，对于植物的生长会产生直接影响。基于此，要对植物根系形态以及构型要有全面了解与认识，从而为植物的生长创造良好环境。在这一过程中，要对计算机视觉技术进行合理应用。

1 计算机视觉技术基本概述

计算机视觉技术又被人们称为机器视觉，该项技术通常情况下会被应用在，生物外显模拟等工作中。使用计算机视觉技术处理的原始信息，大部分都是图像形式，因此，计算机视觉技术与图像处理、模式识别之间有着相应联系。计算机视觉技术属于人类眼睛的延伸，同时要具备人类大脑功能，也是因为被广泛应用在生产领域、生活领域以及科研领域等不同领域中。特别是在需要使用视觉获取信息的重复场合以及单调场合中，更能够发挥自身的优势与价值[1]。比如，在大批量作物形态测量工作中、产品质量检验工作等，可以提升工作效率与工作质量。

2 计算机视觉技术在根系形态和构型分析中的应用现状

计算机视觉技术在根系形态以及构型的应用中，国外研究与发展要远超过国内。在具体研究工作的开展中，会将研究重点集中在图像处理以及植物形态建模两方面中。正在平面图像的处理分析中，主要是将静态照片作为输入数据，研发出针对植物测量、植物分析的系统，该系统在应用中，可以对植物根与茎进行虚拟。在工具开发中，也可以将自身优势与价值发挥出来，测量植物不同生长时期状态下，具体不同时间变化量展开相应测量工作[2]。在植物非刚性运行的表现中，往往是通过变形模板方式，这样可以更好实现对植物的建模。2000年我国学者，创建出根系参数测量系统，主要是使用图像技术，对植物长度、总侧面积根数以及根夹角参数进行测量。要对边缘点去除、内点保留两种方式有明确认识，并将两者的优点进行整合，在此背景下，新的串并行混合细化算法被提出与应用。在平面图像测量工作开展中，要对ccd摄像机进行合理应用。相较于手工方式而言，该系统的应用，可以将不同参数的相对差异控制在最小范围内。WinRHIZO根系分析系统，是一个较为成熟的商业软件，在社会市场中得到广泛应用。WinRHIZO根系分析系统通常情况下，会将其应用在洗根后专业根系分析中，了解根系长度、根系直径以及面积等，能够为根系形态研究以及构型研究打下良好基础。

3 计算机视觉技术在根系形态和构型分析中的应用

■3.1 图像分割技术的应用

在计算机视觉技术中，图像分割技术是其中的重要组成部分。图像分割技术的主要工作是分割图像中感兴趣目标区域与背景区域，图像分割是所有图像分析中的基本工作任务。在计算机视觉中图像理解包括，目标检测、特征提取等不同内容，此类工作的展开，都探需要图像分割质量提供保障。基于此，在根系形态与构型分析中，首先要做的工作就是图像分割。在具体分割中，可以从以下几点展开：

（1）阈值分割方式。图像阈值分割方式，在根系形态与构型分析中，属于较为有效的分割技术。对于图像阈值分割应用原理要有正确认识，其原理主要为：对图像中所要提取目标物与背景灰度特征差异进行分析与掌握。并对其进行合理应用。在这一过程中，可以图像应用在不同灰度级目标与背景组合中，在这一过程中，要对阈值进行有效选取，从而使得图像中的不同像素点得到明确，了解像素点是属于目标区域，还是属于背景区域，从而形成二值图像。图像阈值分割方式，一般情况下会将其应用在目标与背景有较强对比图像的分割中。目标区域的像素为，灰度值大于小于某一阈值[3]。背景区域像素点为，灰度小于等于、大于等于阈值。在图像二值化处理期间，对于阈值选择要给予更多重视，为后续阈值分割打下良好基础。在阈值选取中，可以采用双峰法、参数法等。具体阈值选取方式的选择，要结合实际情况展开。

（2）区域生长方式。在人工智能领域中，区域生长方式受到计算机视觉的关注与重视。该种分割方式，非常适用于纹理图像的分割中。通俗来讲就是，应用灰度与局部特征信息，更好落实聚类分类工作。在分类处理与合并处理工作中，要提前做好统计均匀性检测工作。区域生长方式将一幅图像，分割成为许多不同小区域，在不同的区域中，可以利用计算机，使得物体内像素一致性特点得以体现，并将一致性特点，应用在区域合并中，为其提供相应参考标准。应用在不同物体内像素一致性特征的区分中，包含许多不同内容，比如，灰度值、纹理信息等。区域合并的第一点内容就是针对不同区域都赋予一组参数，这也就是特征。此类特征可以将其应用在，物体类型的反应中，并针对相邻区域开展边界落实考察工作[4]。弱边界要及时将其消除，而强边界可以保留，相邻区域可以实现合并。由此可以看出，区域之间的合并实际上是迭代的过程，每一步重新计算都要将弱边界及时消除。当不存在弱边界时，区域合并结束，从而完成图像分割。

■3.2 细化技术的应用

图像目标的一个显著几何特征为骨架，在面对不同形状图像目标过程中，相关工作人员要及时对非畸变骨架进行分析与提取，这样可以为图像目标形状分析等相关工作提供保障。因此，二值图像中的细化，成为图像分析与模式是识别中的重点内容。在实际细化处理中要注意，细化要选择原图像中的中心线，使得整个细化过程的对称性得到保障；要确保不会对原图像的连通性造成影响；要将原图像基本特征保存。在具体的应用中，可以从以下几点展开：

（1）传统算法。传统算法一般会将其分为，串行算法（以边缘追踪法为代表）与并行算法（给予内点保留）两种。串行算法在具体应用中，不仅可以实现检验，而且能够及时删除，有着较高工作效率，花费更少运算时间。但同样也会存在缺点，在应用中扫描顺序会对其产生影响，使得骨架容易出现非对称问题。而并行算法可以将此类问题在最大程度上避免，达到更好细化效果。

（2）在神经网络基础上的细化算法。针对神经网络中的分类识别特点，相关工作人员要合理应用，为边缘点分类打下基础。该种方式可以实现图像细化问题转变，转化为安全点问题落实后续工作[5]。结合安全点判别规则运行网络，将安全点判别问题转化，转化成为学习过程，细化过程也属于学习过程。

（3）数学形态学基础上的细化算法。数学形态学在应用中，主要是对不同结构元素进行整合，实现目标图像形态变换，这样可以更好实现图像细化。结构元素通常情况下实在形态变换算法设计过程中，结合目标图形、所需信息形状特征设计出啦爱的。针对不同目标图像，要采取不同处理算法，并设计不同结构元素。实际上，可以选择不同的结构元素，结构元素选择是否合理会对最终细化结果产生直接影响。结构元素是数学形态图像算法，能够优于其他算法的重点，同时也是图像细化的难点。该种方式向教育以往方法而言，算法简单，运行速度较快[6]。但是在图像拐角处理中，处理速度较慢。

植物根系形态具备复杂性特点，在细化中会出现不同拐角问题。使用该种细化方式，保障目标连通性。因此，在细化中可以采用内点保留、边缘点删除的并行细化算法方式，即使工作效率不高，但是可以满足相应需求。

4 结束语

综上所述，计算机视觉技术在植物根系形态分析与构型分析中发挥着重要作用。因此，在分析工作的落实中，为达到良好分析效果，保证分析结果准确性，要对计算机视觉技术有正确认识，明确技术优势与技术特点，并将其应用在不同分析环节中。