一种叶片RGB图像快速切割多重去噪方法

林志华 林国健 陈享灯 林雷通 曾文龙 邱铭生 江海东 林天然

摘要：基于RGB图像连通性，提出一种图像快速切割多重去噪法（fast cutting and multiplede-noise，简称FCMD），并与现有的4种算法进行对比。结果表明，该方法处理时长适中，对单色叶和杂色叶的识别像素、色阶均值、色阶中位数的准确率均达到98.78%及以上，综合表现最优。FCMD能够在不同的边缘算子下完成对各种类型叶片准确、快速的切割消噪，其中以sobel算子的处理效果最优，其处理效果与手动切割（CK）无明显差异。同时，FCMD法在中高分辨率（3 750×2 500）的切割效果与手动切割无明显差异，而所用时长仅为CK的23.21%，效率提升近5倍。因此，FCMD是一种高效、准确、适用范围广的RGB图像自动化叶片切割去噪方法。

关键词：RGB图像;图像切割;背景去噪;植物叶片;FCMD

中图分类号： TP391.41文献标志码： A

文章编号：1002-1302（2021）12-0151-06

收稿日期：2020-09-29

基金项目：福建省烟草公司龙岩市公司科技项目（编号：2020Y01）。

作者简介：林志华（1985—），男，福建连城人，农艺师，主要从事烟叶生产管理、烟叶产业信息化建设、烟田基础设施建设相关研究。E-mail：532337187@qq.com。

通信作者：林天然，硕士，农艺师，主要从事烟草植保相关研究。E-mail：chltr@126.com。

获取精确的叶色信息是采用RGB图像定量描述叶片表型特征的前提[1-2]。在通过数码相机获取叶片图片后，必须先对原始图片进行切割，将目标叶片和背景干扰物分离后，再对数据进行提取分析[1-4]。现有的计算机图片切割方式主要有手动切割法[5-6]、颜色阈值法[2，7-10]、最大类间方差（OTSU）法[11-12]、边缘识别分割法[11-13]及复合法[11-12，14]，这些方法在特定拍摄环境下[15]（如黑箱拍摄）或者对特定植物的分割效果较好，但也存在适用范围窄[16]、背景切割分离不够充分[10-12]、处理效率较慢[13-14]等问题。针对以上问题，本研究根据数码图片连通域的原理，综合背景差分[17-19]、边缘识别、颜色阈值等算法，提出图像切割去噪法（fast cutting and multiplede-noise，简称FCMD），并对比FCMD与现有算法在处理效果、数据提取准确率、处理效率上的差异及FCMD对不同边缘算子、不同叶片类型、不同分辨率图像的适应性，以期能够提供一种高效、精确、适用范围广的RGB图像叶片自动化切割去噪方法。

1 材料与方法

1.1 叶片收集及图像采集

采用福建省龙岩市龙津湖公园（117.023 011°E，25.068 662°N）拾取的10种不同类型叶片，用吸水纸擦干表面水分及灰尘后作为研究对象。图像采集所用平台为长300 cm、宽 200 cm、离地高度80 cm的长方形桌面，桌面底板颜色为灰白色（RGB值为230，230，230）哑光磨砂台面。照明光源为直径30 cm环型10 W白色发光二极管（LED）灯，色温为5 000 K（4 726.85 ℃），灯管悬挂位置位于平台中心高100 cm处，保证平台台面光线均匀;距离平台台面100 cm处用三脚架和云台固定数码相机，镜头穿过环型LED灯中心，采用高分辨率照相机（型号：EOS-550D，日本佳能公司）进行垂直拍摄。图像采集时，将叶片保持自然舒展状态放入镜头中央，采用M档无闪光拍摄，感光度（ISO）值为100，光圈f/5，快门1/15 s，焦距41 mm，白平衡设为自动，原始数字图像分辨率为5 184×3 456。

1.2 手动切割及颜色信息提取方法

采用Photoshop CS（下文简称PS）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，并以此作为对照（CK）。采用PS自带的图像信息直方图获取目标图像的颜色参数信息。

1.3 现有计算机自动化切割方法

现有计算机自动化切割方法主要通过Matlab 2016R软件来实现：

颜色阈值法（以下简称C1）：通过预先设定好颜色阈值（本研究以采样台底板颜色的RGB 值为阈值）对图像逐个像素颜色进行识别、筛选、分离。

OTSU法（以下简称C2）：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。

边缘识别分割法（以下简称C3）：運用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。

复合法（以下简称C4）：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。

1.4 计算机自动化叶色参数提取方法

本研究采用Matlab软件对彩色图像进行数据提取。叶色参数均以彩色图片Red通道色阶参数值为数据处理、比较、分析对象。

1.4.1 叶色图片预处理 运用image（：，：，1）函数读取目标图像Red通道每个像素色阶，运用全循环算法检索记录图像中非黑部分像素索引码，将其组合为新的色阶数组，该数组即为无软件特性干扰的叶片色阶信息矩阵。本研究中所用到的方法在提取叶色参数提取前，均采用此方式进行预处理。

1.4.2 色阶累积直方图构建 运用imhist函数获取Red通道色阶累积直方图。

1.4.3 叶色特征参数表建立 运用Mean、Median、Std函数分别获取Red通道的色阶均值、中位数、标准差等参数，形成叶色特征参数表。

1.5 FCMD法对不同边缘算子适应性的试验设计

本研究运用edge函数sobel、prewitt、roberts、canny 4种不同算子分别对10类叶片进行自动切割消噪并获取其叶色参数，与手动切割（CK）所获得的叶色参数进行比较，运用SPSS软件对CK及4种算子的识别像素占比、色阶均值、色阶中位数、色阶标准差通过最小显著性差异法（Least-Significant Difference，简称LSD）进行多重比较。

1.6 FCMD法对不同分辨率图像适应性的试验设计

本研究将10种不同类型的叶片原始图像分别通过PS软件调整为低分辨率（A，750×500）、中等分辨率（B，1 500×1 000）、中高分辨率（C，3 750×2 500）、高分辨率（D，5 184×3 456）4类，而后采用FCMD进行图像切割去噪并分别提取不同分辨率图像的叶色参数。运用SPSS软件对A、B、C、D与原始分辨率（CK）的识别像素占比、色阶均值、色阶中位数、色阶标准差进行LSD多重比较。

2 结果与分析

2.1 现有叶片图像切割和去噪方法存在背景干扰的问题

2.2 FCMD图像切割去噪法

2.2.1 FCMD法的理论依据 往常用的4种算法（C1～C4）存在一定的缺陷：

C1：因颜色阈值必须事先设定，故要求背景颜色尽可能单一且与主题有较大色差，因此采用此方法的试验，一般采用黑箱拍摄或者扫描仪获取背景单一的叶片图像。然而，由于人眼无法直接感知RGB数值，在采用此方法试验前，一般须要将RGB图像转化为人眼可以直接感知的HSV（hue，saturation value，色调饱和度，亮度）色彩模型，再通过设定饱和度或者明暗度进行阈值筛选，运算量也因此加大。此方法适用于对目标叶片叶色较为单一的植株，对杂色叶、多色叶处理效果较差。

C2：不用预先设定颜色阈值，可以通过Matlab软件算法库直接调用函数进行处理，其缺点与C1一样，对叶色较为单一的植株处理效果较优，对杂色叶、多色叶处理效果较差。

C3：在图像采集中无须纯色背景，对单色叶、杂色叶、多色叶识别效果均较好，但是对叶面扭曲的叶片及背景阴影较大、背景噪点多且杂的叶片图像处理效果欠佳。

C4：结合了C2和C3的优点，是目前处理效果较优的一种图像切割去噪方法。

数字图像像素点与其相邻像素存在着连通关系。连通性（邻接性）是描述区域和边界的重要概念，2个像素是否连通可以通过以下2个条件进行判定：2个像素的坐标位置是否相邻（如8邻接等），2个像素的RGB值是否满足特定的相似性准则（同时满足某种条件，如在色阶区间范围内）。图1示意了数字图像像素点的连通性，可以看到，位居中央的像素点与环绕在其周围的其他8个像素点构成了8邻接，实现了领域连通;与其他像素点间的RGB值相近，实现了值域连通。可以采用这个原理，对数字图像进行边缘检测或者设定颜色阈值，

找到目标叶片，而后对图像进行切割、分离。

2.2.2 FCMD法实现步骤 本研究所提供FCMD法主要通过Matlab软件实现。步骤如下：（1）将目标叶片根据本研究所提供的图像采集方法进行拍摄（图2-1）;（2）将叶片原始图像及空白背景图像分别转化为灰度图（图2-2）;（3）进行差分处理，去除背景图片（图2-3）;（4）进一步去除图像边缘对象（图2-4）;（5）对图像边缘进行检测提取（图2-5）;（6）对图像进行膨胀操作并填补边缘缝隙（图2-6）;（7）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（图2-7）;（8）将平滑后的图像多次中值滤波去除冗余信息（图2-8）;（9）运用bwlabe函数寻找8联通成份并进行二值化处理（图2-9）;（10）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值为0，0，0）填充白色后形成背景蒙版;而后将原图作为底图，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（图2-10）;（11）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（即完全透明），得到透明背景的目标叶片彩色图像PNG图片（图2-11）。

以上步骤2～11均通过计算机自动实现。其中，步骤2～9为图像切割步骤，步骤10为图像复原步骤，步骤11为图像背景透明化步骤。

2.2.3 FCMD法与现有切割去噪方法的对比 采用FCMD法与现有算法（C1～C4）分别对单色叶片和杂色叶片进行切割，比较其处理效果和所提取叶色特征参数准确率。从图3、表1可以看出，采用颜色阈值算法（C1）和OTSU算法（C2）能够较好地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）可以较好地识别杂色叶片边缘，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，但是处理耗时最长。本研究所提供的FCMD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;再通过边缘识别、填充、平滑和多次中值滤波后获得较好的边缘轮廓;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。

2.3 FCMD法的其他优势

2.3.1 FCMD法适用于不同叶片类型 自然界中的植物叶型叶色多种多样，本研究选取并采集大小、叶型、叶色、 叶缘各不相同的叶片共10类，通过本研究的图像采集方法获取叶片彩色图像后，运用FCMD法对叶片进行自动切割去噪，验证该方法的适用性。从图4可以看出，FCMD法切割效果较好，但是由于部分叶型的叶面具有扭曲（图4-D、图4-E），在图像采集时，始终保持叶片自然舒展状态，未进行压平处理，因此，会产生部分阴影;而羽状复叶（图4-F）则因为枝条过细，在连通域篩选时由于面积阈值设定值较高，过于细小的枝叶会被误判清除，造成图像部分缺失，这些都导致切割效果有所下降。

2.3.2 FCMD法适用于不同边缘识别算子 edge函数的sobel、prewitt、roberts、canny 4个算子对叶片边缘的识别效果是不同的。从表2可以看出，4种边缘识别算子与CK的识别像素占比、色阶均值、色阶中位数均无显著性差异。在切割消噪及信息提取分析效率上，sobel、prewitt、roberts、canny算子所用时长仅为CK（23.70 s）的44.68%、45.15%、46.46%、48.48%，sobel、prewitt算子用时明显优于canny。综上所述，本研究所提供的FCMD法能够适应在不同的边缘算子下完成各种类型叶片准确、快速地切割消噪，其中以sobel算子最优，其处理效果（识别像素占比、色阶均值、色阶中位数、色阶标准差）与手动切割无显著性差异，且处理用时最短。

2.3.3 FCMD法适用于不同分辨率图像 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。通过对不同分辨率的图像处理效果（表3）可以看出，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4项参数中均与CK无显著性差异;低分辨率（A）、中分辨率（B）的色阶标准差、色阶均值、色阶中位数与CK均有显著性差异。在处理效率方面，低分辨率、中分辨率、中高分辨率、高分辨率所用时长仅为CK（23.70 s）的2.07%、4.43%、23.21%、44.68%，且4种分辨率的用时均呈显著性差异。综上所述，中高分辨率、高分辨率在切割效果和叶色特征参数在获取方面均与手动切割无显著性差异，但中高分辨率的处理用时约为高分辨率用时的一半。因此，在研究中可以采用中高分辨率（3 750×2 500）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。

3 结论与讨论

数码图像由于其低廉的成本、精准的信息、方便的操作备受表型组学研究人员青睐[20]。在图像切割和信息获取过程中，不同的方法对叶色提取结果有较大的影响。本研究比较了前人不同算法的優缺点，提出了基于RGB图像连通性的FCMD法，并与现有的4种算法进行精确度、处理效果的对比（图3、表1）， 结果显示本研究所提供的FCMD法综合表现最优。还对FCMD法对不同叶型叶片（图4）、不同边缘算子（表2）、不同分辨率图像（表3）的适用性进行了应用验证，其处理效果和准确率均与手动切割（CK）没有显著性差异，说明笔者所在课题组的方法是可靠有效的。

FCMD法解决了以往研究中图像采集条件苛刻（须黑箱拍照取样）、须要高精度拍摄设备、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FCMD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。

参考文献：

[1]张若宇，坎 杂，马 蓉，等. 基于RGB模型的脱绒棉种颜色特征与发芽状况的关系[J]. 农业工程学报，2010，26（10）：172-177.

[2]韩殿元，黄心渊，付 慧. 基于彩色通道相似性图像分割方法的植物叶面积计算[J]. 农业工程学报，2012，28（6）：179-183.

[3]毛罕平，张艳诚，胡 波. 基于模糊C均值聚类的作物病害叶片图像分割方法研究[J]. 农业工程学报，2008，24（9）：136-140.

[4]袁 媛，李 淼，梁 青，等. 基于水平集的作物病叶图像分割方法[J]. 农业工程学报，2011，27（2）：208-212.

[5]Kendal D，Hauser C F，Garrard G E，et al.Quantifying plant colour and colour difference as perceived by humans using digital images[J]. PLoS One，2013，8（8）：e72296.

[6]Riccardi M，Mele G，Pulvento C，et al.Non-destructive evaluation of chlorophyll content in quinoaand amaranth leaves by simple and multiple regression analysisof RGB image components[J]. Photosynthesis Research，2014，120：263-272.

[7]Feng Y M，Ren G W，He K T，et al.RGB color channel variation based segmentation of crop leaf lesion[C]//2015 IEEE 10th Conference on Industrial Electronics and Applications （ICIEA），2015：592-596.

[8]Neilson E H，Edwards A M，Blomstedt C K，et al. Utilization of a high-throughput shoot imaging system to examine the dynamic phenotypic responses of a C4 cereal crop plant to nitrogen and water deficiency over time[J]. Journal of Experimental Botany，2015，66（7）：1817-1832.

[9]Wang L D，Yang T，Tian Y W.Crop disease leaf image segmentation method based on color features[J]. Springer，2007，258：713-717.

[10]Vasseur F，Bresson J，Wang G，et al.Image-based methods forphenotyping growth dynamics and fitness components in Arabidopsis thaliana[J]. Plant Methods，2018，14：63.

[11]Dobrescu A，Scorza L C T，Tsaftaris S A，et al.A“Do-It-Yourself”phenotypingsystem：measuringgrowthandmorphology

throughout the diel cycle in rosette shaped plants[J]. Plant Methods，2017，13：95.

[12]Green Jason M，Appel M Heidi，Rehrig E，et al. PhenoPhyte：a flexible affordable method to quantify 2D phenotypes from imagery[J]. Plant Methods，2012，8：45.

[13]Cai J H，Okamoto M，Atieno J，et al. Quantifying the onset and progression of plant senescence by color image analysis for high throughput applications[J]. PLoS One，2016，11（6）：e0157102.

[14]Sun Y Y，Zhu S C，Yang X，et al. Nitrogen diagnosis based on dynamic characteristics of rice leaf image[J]. PLoS One，2018，13（4）：e0196298.

[15]Pérez-Patricio M，Camas-Anzueto J L，Sanchez-Alegría A，et al.Optical method for estimating the chlorophyll contents in plant leaves[J]. Sensors，2018，18（2）：650.

[16]Han W T，Sun Y，Xu T F，et al. Detecting maize leaf water status by using digital RGB images[J]. International Journal of Agricultural & Biological Engineering，2014，7（1）：45-53.

[17]Moallem P，Serajoddin A，Pourghassem H. Computer vision-based apple grading for goldendelicious apples based on surface features[J]. Information Processing in Agriculture，2017，4 （1）：33-40.

[18]吳雪梅，张富贵，吕敬堂. 基于图像颜色信息的茶叶嫩叶识别方法研究[J]. 茶叶科学，2013，33（6）：584-589.

[19]Mansour M，Tahmasebi S，Dadpour M R. Predicting cut rose stages of development and leaf color variations by means of image analysis technique[J]. Journal of Ornamental Plants，2017，7（1）：25-36.

[20]Andrade-Sanchez P，Gore M A，Heun J T，et al. Development and evaluation of a field-based high-throughput phenotyping platform[J]. Functional Plant Biology，2013，41（1）：68-79.