杨红等

摘要：提出了一种基于图像视觉原理的水稻叶片几何形态参数测量计算方法，通过图像分割处理，统计参考物与目标叶片面积的像素数，计算叶片面积；通过求取参考物和目标叶片的最小外接矩形方法，计算叶片的长度和宽度值；利用基于4个方向模板运算的距离变换算法对茎叶夹角图像进行骨架信息提取，利用Hough变换对提取的骨架信息进行直线检测，并进行茎叶夹角计算。结果表明，该方法能够精确、快捷地对水稻叶片几何形态参数进行测量计算，与手工测量比较，叶片面积计算误差小于5%，长宽误差小于0.67%，茎叶夹角误差小于2%，能满足农学研究的要求。

关键词：水稻叶片；几何参数；最小外接矩形；视觉测量；骨架提取；直线检测

中图分类号：TP391.4 文献标识码：A 文章编号：0439-8114（2015）17-4317-04

DOI：10.14088/j.cnki.issn0439-8114.2015.17.055

叶片作为水稻冠层结构最重要的组成部分，是水稻进行光合作用和蒸腾作用的主要器官，其叶片面积、叶片几何形状、叶方向分布及茎叶夹角等参数对于能量在作物群丛内的截获和传输起着至关重要的作用。因此，测量叶片形态参数对于鉴定水稻的品种特征、构建水稻群体结构的“理想株型”，最终夺取高产有着重要的意义[1-3]。目前，叶片形态参数的测量大都采用从田间抽样，用手工测尺方法测定，而且国内作物叶片参数测量工具方面的研究较少，导致许多科研机构测量作物叶片参数还处于使用传统测量工具的手工阶段。手工测定方法简单，但却费时费力、精确度不高，难以满足数字水稻[4-8]研究的要求。

1 系统总体结构

以水稻叶片器官为对象，研究叶片几何形态参数计算机图像视觉技术获取方法，初步实现了水稻叶片器官几何参数的自动测量与计算。系统主要由图像采集、图像前期处理、图像分割、骨架提取、目标图像像素统计、目标最小外接矩形绘制、茎叶骨架直线检测、叶片面积计算、叶片长宽计算和茎叶夹角计算以及数据验证等模块组成（图1）。系统结构简单、易于实现、精度较高，满足了实际的需要。

2 图像处理

2.1 图像前期处理

2.1.1 图像灰度化 在YUV的颜色空间中，Y分量表示点的亮度，包含图像灰度的所有信息。根据YUV与RGB颜色空间的变换关系，对R、G、B 3个分量赋予不同权重，可以建立亮度Y与RGB 3个颜色分量的对应关系。在水稻叶片图像处理中，发现将图像进行超绿（Excess green）变换比较实用，即把每个像素点3个颜色分量值变换成（2G-R-B）一个值表示亮度信息。

2.1.2 图像去噪 进行水稻叶片图像采样时，图像可能产生杂点噪音，系统采用中值滤波进行去噪处理，中值滤波是一种非线性图像增强处理方法，其在一定条件下可以克服均值滤波增强方法所带来的图像细节模糊，对于消除孤立点和线段脉冲等图像噪声最为有效。

2.1.3 图像二值化 将水稻拍摄图像进行骨架提取时需要先对图像进行二值化处理，二值化采用阈值处理，就是对于输入图像的像素灰度值在某定值（称为阈值，threshold）范围内时，赋予对应输出图像的像素为白色（灰度值为255）或黑色（灰度值为0）。

2.2 图像分割

为了有效地进行图像描述和分析，往往需要先将图像划分成若干有意义的区域，这种为后续工作，而把图像划分成若干有意义的区域的技术称为图像分割（Image segmentation）。水稻叶片图像采集时因与参考物背景同时进行拍摄，系统采用区域生长法对叶片对象和参考物背景进行分割处理，区域生长的实现主要通过鼠标交互获取目标区域的种子像素点，再在种子区域基础上不断将其周围的像素点以一定的准则加入其中，以达到最终将代表该物体的所有像素点结合成一个区域的目的。区域生长图像分割过程中的生长准则为：4邻域或8邻域像素点（x，y）与种子像素点（x0，y0）颜色差绝对值小于等于给定阈值，阈值的确定可以通过与用户交互进行确定，当用户选定阈值后，分割效果不好，则可以重新选择阈值进行再分割，直到分割效果满足要求为止。

3 叶片器官几何参数测量

3.1 叶片面积测量

3.1.1 叶片面积计算测量 经过图像前期处理后，通过图像分割算法将目标叶片器官图像和参考物方格图像从图像中分割出来，并分别统计其像素总数，然后利用比例关系式（1）可求出叶片的实际面积。

叶片实际面积=叶片占像素总数×

■ （1）

在系统运行时，对于参考物的面积通过用户交互可以用鼠标选取多处，每多选一处都重新计算叶片面积数据，最后选择完成后用面积数据的平均数作为叶片实际面积数值。

3.1.2 叶片面积计算结果 通过系统界面，选择叶片面积测量选项，输入需要测量叶片器官图像的文件名，系统自动进行图像前期基本处理，图像分割需要用户参与，用鼠标左键对图像目标叶片器官和图像参考物（已知面积大小方形物）进行选择分割。参考物的选择可以进行多处选择以求平均结果，以更好地近似于实际面积，减少误差，根据选择参考物的实际数量进行平均求值。水稻叶片器官面积参数测量操作和测量结果如图2、图3所示。

3.2 叶片长宽值计算测量

3.2.1 长宽计算测量方法 经过图像前期处理后，通过图像分割算法将目标叶片器官图像和参考物方格图像从图像中分割出来，并分别绘制选择物的最小外接矩形，统计最小外接矩形长宽方向的像素总数，然后利用比例关系式（2）、（3），可求出叶片的实际长宽值。

叶片实际长度=叶片矩形长度占像素总数×

■ （2）

叶片实际宽度=叶片矩形宽度占像素总数×

■ （3）

同样与叶片面积求值类似，通过用户交互可以用鼠标选取多处参考物，每多选一处都重新计算叶片长宽数据，最后选择完成后用长宽数值的平均数作为叶片实际长宽数值。endprint

3.2.2 长宽计算测量结果 通过系统界面，选择叶片长宽测量选项，在输入需要测量叶片器官图像的文件名，系统自动进行图像前期基本处理之后，用鼠标右键对图像目标叶片器官和图像参考物（已知长宽大小方形物）进行选择分割。同样，参考物的选择可以进行多处选择以求平均结果，以减少误差，根据选择参考物的实际数量进行平均求值。水稻叶片器官长宽参数测量操作和测量结果如图4、图5所示。

3.3 茎叶夹角测量

3.3.1 茎叶器官骨架信息的提取 由于水稻茎叶夹角计算中只要求主茎茎杆和叶片的骨架信息，对于骨架的连通性要求不高，所以选用基于距离变换的骨架提取算法来提取目标的骨架信息，该算法获得的骨架点位置比较准确。选择0°、45°、90°、135° 4个方向的距离变换模板连续地作用于离散图像上的点而获得距离值，用这些距离定义来模拟欧氏距离[9，10]。4个方向的距离变换模板如图6所示。用4个方向距离变换模板分别与二值图像进行卷积计算，将目标像素点距离4个方向边缘的最大正值作为骨架像素信息留下。

L0= -1 -1 -1 -1 -1 0 0 0 0 0 2 2 2 2 2 0 0 0 0 0-1 -1 -1 -1 -1

L45= 0 -1 -1 0 2-1 -1 0 2 0-1 0 2 0 -1 0 2 0 -1 -1 2 0 -1 -1 0

L90= -1 0 2 0 -1-1 0 2 0 -1-1 0 2 0 -1-1 0 2 0 -1-1 0 2 0 -1

L135= 2 0 -1 -1 0 0 2 0 -1 -1-1 0 2 0 -1-1 -1 0 2 0 0 -1 -1 0 2

图6 0°、45°、90°、135° 4个方向的距离变换模板

3.3.2 直线检测与茎叶夹角 对二值化处理后的水稻茎叶夹角图像进行骨架提取后，使用Hough变换[11]可以进行直线检测，由于茎叶夹角骨架信息近似两条直线，所以检测到的直线并不多，而对于茎叶夹角的计算，可以由检测到的直线间的最大夹角来确定。

3.3.3 茎叶夹角测量 通过系统界面，选择叶倾角测量选项，输入需要测量茎叶夹角图像的文件名，系统自动进行图像前期基本处理、提取茎叶图像的骨架信息和直线检测及夹角计算。水稻茎叶夹角参数测量操作和测量结果如图7所示。

4 数据验证

根据叶片形态参数的图像视觉测量计算方法，对系统计算的叶片形态数据进行了验证试验。在水稻试验站中随机选取拔节期的水稻主茎20根，每根上选取一叶片，用叶片面积测量仪测量叶片的面积数据，用游标卡尺测量叶片长宽数据，用量角器手工测量该叶片与主茎之间的茎叶夹角数据，同时拍摄下图像。随后利用本研究方法计算出这些数据，并将实测数值与计算值进行比较，发现程序计算值与用手工仪器测量值趋势一致，叶片面积的误差小于5%，叶片长宽误差小于0.67%，茎叶夹角误差小于2%，能够满足农学研究的需要。

5 结论

1）系统实现了叶片器官面积、长度、宽度和茎叶夹角等参数的自动测量计算，为计算机视觉技术用于作物信息自动获取的研究进行了探索，也为作物形态的数字化设计和可视化计算分析奠定了基础。

2）系统提出的叶形态参数测量方法，特别是最小外接矩形法的叶片长宽参数计算，是一种普适可靠的作物叶片长宽参数或者整个株型高度等信息的测量计算方法。

3）系统提出提取茎叶器官的骨架信息，在骨架信息基础上进行直线检测，通过计算直线之间的夹角作为茎叶器官的夹角参数值，比手工测量更具有客观性，同时也为其他作物茎叶夹角信息获取提供了新的测量计算方法。

4）由于叶片面积和长宽值的测量需要将叶片进行平铺展开，所以需要将叶片从植株上破坏性地剪下来，严重影响了水稻的正常生长。如何在不破坏水稻作物正常生长的情况下进行作物信息的自动测量仍需做进一步的研究。

参考文献：

[1] 张晓翠，吕川根，胡 凝，等.不同株型水稻叶倾角群体分布模拟[J].上海交通大学学报（农业科学版），2009，27（5）：448-453.

[2] 张 军，王一鸣，赵燕东，等.基于椭球函数的棉花叶倾角分布动态模拟[J].农业机械学报，2009，40（4）：157-160.

[3] 姚运生，罗新兰，王秉昆，等.玉米植株形态生长的模拟[J].玉米科学，2008，8（8）：30-31.

[4] 董乔雪，王一鸣，杨丽丽.番茄三维形态结构的参数提取及模拟[J].农业工程学报，2010，26（2）：38-41.

[5] 王颢星.基于图像的玉米模型三维重建及几何结构参数的提取[D].北京：北京师范大学，2010.

[6] 孙爱珍，何火娇，杨红云，等.基于积温变化的水稻叶形态伸展过程可视化模拟[J].江西农业大学学报，2012，34（5）：1058-1063.

[7] 高晨轩.作物三维形态数据获取系统的设计与实现[J].中国科技信息，2013，42（11）：86.

[8] 王传宇，赵 明，阎建河.基于双目立体视觉的苗期玉米株形测量[J].农业机械学报，2009，40（5）：145-148.

[9] XIE W，THOMPSON R P，PERUCCHIO R. A topology-preserving parallel 3D thinning algorithm for extracting the curve skeleton[J].Pattern Recognition，2003，36（7）：1529-1544.

[10] CHOI W，LAM K，SIU W.Extraction of the Euclidean skeleton based on a connectivity criterion[J]. Pattern Recognition，2003， 36（3）：721-729.

[11] 王润辉，黄彩云，杨红云，等.数字图像处理[M].北京：清华大学出版社，2013.endprint