小孩子数叶子脉络的段落

小孩子数叶子脉络的段落篇一
《描写叶子的段落》

描写叶子的段落 松

叶：1我捡起一片红枫，比了比，比我的手掌要小一些，但颜色却很浓，红的像火一样。枫叶的形状像手掌一样，每一个”指头”上都有一跟叶脉，直直的，有点突出。就像我们手上的纹路一样。它的形状像一把小巧玲珑的扇子，又像凤尾鱼的大尾巴。粗粗的叶柄像小松鼠毛茸茸的尾巴，红色中透出绿意；乳白色的叶脉从叶柄中伸展出去，好像在比谁的个子高；大红色的叶片和叶脉紧紧地连接在一起，宛如一对永不分离的"好朋友"。枫叶中还散发出阵阵泥土的清香，沁人心脾。枫叶近看像龙爪，远看就像红红的火苗。如果漫山遍野都是火红的枫叶的话，就仿佛熊熊燃烧的火苗染红了半边天。2枫叶的形状极其独特，

小孩子数叶子脉络的段落篇二
《植物叶片脉络图像提取方法设计》

植物叶片脉络图像提取方法设计

摘 要

图像分割是根据某种图像特征的一致要求，将一幅图像分割为多个区域。它是图像理解和物体识别的第一步，也是一经典难题。随着科学技术的发展，它广泛的应用于各个领域。

植物叶片是植物的重要器官，是研究植物生长状况的重要依据，也是比较容易获得的研究素材。叶片脉络和形态是研究植物的重要出发点，叶片脉络的提取是实现完整的植物叶特征提取及无损植物叶特征提取中重要的一步。传统的植物形态数据测量方法主要是用尺测量叶片长度等手工方法，这种方法由于受人为、自然等因素的影响较多，导致测量精度差、测量结果不理想，基本上已经被淘汰。利用图像处理技术进行植物脉络提取，是随着计算机软、硬件技术及信息技术的进步而迅速发展起来的新兴研究领域。

本文介绍了两种利用图象分割技术提取叶片脉络的基本方法：分水岭法，二值化法。通过MATLAB进行了仿真实验，并将几种不同的分割算法结果进行了比较

关键词： 图像分割，特征提取，分水岭算法, 二值化

一 分水岭算法

1 分水岭算法综述

分水岭算法是新近发展起来的数学形态学图像分割方法。将这种方法用于图像处理是由S.Beuchre，F.Meyer 最早提出的 。Beucher 和Vincent等人的研究工作使得分水岭算法的理论得以建立，并且大量用于灰度图像的分割。 分水岭算法的一个实例就是从太平洋到大西洋的一条水流把美国分为两个区域。分水岭界限分开了这样的两个区域，被称为太平洋和大西洋的“集水盆地"。由于这些“集水盆地”的存在，相对应的，这两个大洋之间就有一些最小连接。

现在，在图像处理领域和数学形态学领域，数字图像经常被认为是拓扑框架。在给定图像的拓扑表示中，每个点的数字化值代表这个点的梯度值。这种表示非

常有用，首先，这样能够使研究者对于被研究图像的转换有一个更清晰的认识。另外，利用这种表示，一些概念比如极小区、集水盆地、分水岭等都可以在数字图像中更好的定义。

近年来分水岭算法在灰度图像分割算法的研究中受到重视。分水岭算法的主要应用是从背景中提取近乎一致的目标对象，那些在灰度级上变化较小的区域的梯度值也较小，而不同目标对象在相邻接触的灰度变化往往比区域内部像素间的差异要大得多，对应的梯度值也较大。因此，实际上分水岭算法与图像的梯度有更大的关系，而不是图像本身，一般以梯度图像作为参考图像进行分割。分水岭算法有多种实现方法，较典型的有基于标记的分水岭变换和欧氏距离应设法。

传统的分水岭方法模拟一个水浸入的过程。首先将图像像素的灰度看做高度，图像中不同灰度值的区域就对应于山峰和山谷盆地，盆地的边缘就是所谓的分水岭。分水岭的来历就是将一幅图像逐渐浸入一个湖中，图像的最低点先进水，然后水逐渐浸入整个山谷盆地。当水位到达盆地的边缘高度就将溢出，这时在水溢出处建立堤坝，如此直到整个图像沉入水中，所建立的堤坝就成为分开盆地的分水岭。图1演示了这种方法的工作原理。

图1 分水岭算法

假定图中的物体灰度值低，而背景的灰度值高。该图显示了沿扫描线的灰度分布，该线穿过两个靠的很近的物体。图像最初在一个灰度值上{基于分水岭算法的红外图像分割方法}二值化。灰度值把图像分割成正确数目的物体，但它们的边界偏向物体内部。随后阈值逐渐增加，每一次增加1个灰度级，物体的边界将随着阈值增加而扩展。当边界相互接触时，这些物体并没有合并。因此，初次接触的点变成了相邻物体间的最终边界。这个过程在阈值达到背景灰度级

之前终止，也就是说，在被恰当分割的物体的边界正确地确定时终止。 2 基本概念

2设f(p)为灰度级函数，p为像素坐标，p的相邻像素p'N(p),Z，p。

距离函数为dist(p,p') (在4连通或8连通域中，对所有的邻域点，距离为1)。

定义1：较低斜坡

LS(p)

f(p)f(p')p'N(p)f(p')f(p)dist(p,p')max （1.1）

定义2:：斜率最大的相邻点

NLS(p)

f(p)f(p')p'N(p)LS(p),f(p')f(p)dist(p,p') （1.2）

定义3：分水岭分割

如果每个区域最低处mi有唯一的标记L(mi),称为分水岭分割。对于每一

NLS(p)的p，则

（1.3） p'NLS(p),L(p)L(p)

定义4：集水盆

C(mi)pL(p)L(mi) （1.4）

3 分水岭算法的实现

通常分水岭算法的实现过程采用模拟淹没过程。首先，检测出局部的最低点，并用数字逐一标识出；接着，利用等级队列模拟淹没过程。这样的序列由H个先进先出(FIFO)序列组成,每个序列有H灰度级。第h个FIFO序列的图像中灰度级为h的像素数。这个数据结构是用于存储进行处理的像素顺序。初始时1等级队列中为淹没的初始点。灰度级为h的点进入队列的第h个FIFO队列。等级队列的灰度级由低到高。当这个点被淹没后，将它从队列中删除，并将它的标记传递给相邻的点；后一个点进入队列，直到所有的点被淹没，从而使各个区域正确

划分。

另外，A.Bieniek提出了基于连接像素的有效的分水岭算法.对于像素点p，它的相邻点NLS(p)的标识将作为此点处理的前提条件。然而，局部的最低点并没有斜率最大的相邻点。因此对于这些点，应采用另一种连接关系：最低点p的所有邻域点中和p点灰度值相同的点属于同一区域。因此，局部最小的位置应有这一区域中位置编码最小的点的位置号来代表。在处理过程中，除了输入图像之外，还应有图像来存储每个像素的标识。这里，用像素点的位置来标识各个区域。这个算法只需对图像进行\次扫描，就可完成分割。具体算法为

输入图像f，输出图像l。

1) 第1次扫描图像像素pqp；for each (p'N(p)and f[p']f[p]) N(p) and f[p']f(p)

if (f[p']f(p)) qp'；

if (qp) l[p]q'；

else l[p]PLATEAU；}

2）第二次扫描图像像素p{if(l[p]PLATEAU){L[P]P；

for each (p'Nprev(p) and f[p']f[p])

rFIND(l,p)；r'FIND(l,p')；l[r]l[r']min(r,r')；}}

3）第3次扫描图像像素p{l[p]FIND(L,P)；}

FIND(l,u){for (ru；l[r]r',rl[r])；

Return r；}

在第3次扫描中，有较小的相邻点的像素p，它的标记为qNLS(P)。如果像素没有较小的相邻点，那么，这一点为局部最小点，记为PLATEAU。在第2轮扫描中，计算每3个区域最小的标记。利用函数FIND(l,p)，将区域最小的标记用这一区域最小点中最小的坐标值表示。在第3轮的扫描中，将所有的像素的标记用最小坐标值替代。这样，图像中的每一个点均满足定义3中有关分水岭分割

的定义，从而完成了分水岭图像分割。分水岭算法原理流程图如图2所示：

图2 分水岭原理流程图

分水岭算法程序：

M=imread('叶子4.bmp');

figure,imshow(M)

M1 = watershed(M);

figure,imshow(M1)

分水岭分割结果如图3所示：

图3

分水岭分割结果

小孩子数叶子脉络的段落篇三
《当华美的叶片落尽,生命的脉络才历历可见》

小孩子数叶子脉络的段落篇四
《基于模糊顺序形态学的植物叶片脉络边缘提取》

第30卷 网络预印版 农 业 工 程 学 报 Vol. 30

2014年 网络预印版 Transactions of the Chinese Society of Agricultural Engineering 2015 1

基于模糊顺序形态学的植物叶片脉络边缘提取

徐艳蕾1，2，贾洪雷1※，包佳林2

（1. 吉林大学工程仿生教育部重点实验室，长春 130025； 2. 吉林农业大学信息技术学院，长春 130118）

摘 要：植物叶片是作物分类和识别的简单有效方法，叶片的脉络和边缘特征提取是识别叶片的基础步骤。植物叶片图像通常受噪声影响，提取清晰的脉络和边缘比较困难，该文提出了基于模糊顺序形态学的植物叶片脉络边缘特征提取方法。首先，根据像素邻域特性，利用植物叶片脉络边缘及内部区域的差异性，构造了隶属度函数；然后，依据Sugeno模糊模型，定义了能够增大叶片脉络边缘和内部区域差异的模糊规则，进行模糊推理；该文采用了抑制噪声特别有效的顺序形态学边缘检测算子，对图像进行脉络边缘提取，最终得到植物叶片脉络和边缘信息图像。试验结果表明，该文方法克服了自然环境中噪声的影响，提取的植物叶片脉络和边缘更加清晰、定位更加准确。

关键词：植物叶片；脉络边缘提取；隶属函数；模糊规则；顺序形态学

中图分类号：TP391 文献标志码：A 文章编号：201503239

徐艳蕾，贾洪雷，包佳林. 基于模糊顺序形态学的植物叶片脉络及边缘提取 [J].农业工程学报，2015，()：- Xu Yanlei, Jia Honglei, Bao Jialin. Plant leaf vein and edge detection based on the fuzzy order morphology [J]. Transactions of the CSAE, 2015,()：- (in Chinese with English abstract)

0 引言

植物的识别和分类有多种依据，叶片相较于其他器官根、茎、果实等，生存周期长有更强的稳定性，是作物分类的一种简单有效的依据方法[1]。叶片通过光合作用为植物生长提供营养，通过对叶片的规律统计，根据其自身特性，例如叶片脉络和边缘特征等，与植株生长状况例如营养、病虫害、作物产量等的相关性研究，可以为大田精准农、林业的作业提供理论指导，因而如何获取田间叶片性状参数具有重大意义[2]。田间植物叶片的脉络和边缘检测是实现叶片农、林学性状参数提取的基础步骤，但是由于田间植物叶片图像通常受噪声的影响，在图像采集及处理的过程中，存在很多不确定性因素，因此迫切需要寻求一种针对田间植物叶片图像脉络和边缘特征提取的方法。

传统的图像边缘检测算法有：Roberts 算法、Sobel算法、Prewitt 算法、Canny算法等方法。Roberts算子[3]定位比较精确，但是算法中未作平滑处理，因此该方法对于噪声比较敏感，识别能力较差。Sobel算子[4]为一阶微分算子，采用平均滤波的方法，对噪声具有平滑作用，但是存在边缘不完整，有断裂点的缺点。Prewitt算子[5]也是一阶微分算子，收稿日期：2015-03-25 修订日期：2015-06-09 基金项目：国家科技支撑计划（2014BAD06B03）

作者简介：徐艳蕾，女，副教授，博士，硕士生导师，主要从事农业信息化研究。吉林省长春市，吉林农业大学，130118，Email:yanleixu@163.com

※通信作者：贾洪雷，男，教授，博士，博士生导师，中国农业机械学会耕作机械分会副理事长，长期从事保护性耕作理论与技术及其智能作业机械研究。吉林省长春市，吉林大学，130025，Email: jiahl@vip.163.com



采用加权平均滤波，对低噪声图像有较好处理效果，

但复杂噪声图像处理效果并不理想，同样存在伪边缘和断裂现象。对于二维图像，Canny算子[6]的边缘检测和定位性能要好，有较强的抵抗噪声的能力但是缺点是在无噪声时反而会模糊了图像的边缘，其最优化的思想在实际应用不如理论效果好。总之，传统算法的抗干扰性差，易受噪声影响，从而导致边缘漏缺不完整，很难检测出复杂边缘和细微的叶片脉络，不适用于复杂背景下大田植物的叶片特征提取[7]。

近年来涌现了一些新的植物叶片脉络及边缘提取方法，主要有神经网络、模糊理论及数学形态学等。很多学者进行了神经网络在叶脉提取方面的研究[8-11]，该类方法通过神经元的选取、合理设计学习的层数及其他神经网络参数，能够提取较为理想的叶片脉络和边缘信息，但是比较耗时。数学形态学检测边缘主要是依据结构元素与图像间的相互作用，通过膨胀、腐蚀等算子得到图像边缘信息，目前没有明确的方法来针对不同的图像选取恰当的结构元素，且固定、单一的结构元素也不能完全检测到边缘[12-13]。Pal 和 King 等最先将模糊理论的思想用于图像的边缘检测算法中[14]，近年来很多学者基于模糊理论提出来一些边缘检测算法[15-19]，这些算法普遍的缺点是计算复杂，对于低灰度值边缘信息不能很好的保持。对于模糊理论在植物叶片脉络和边缘检测方面的研究，林开颜等[20]提出了基于模糊逻辑的植物叶片边缘检测方法，李灿灿等[21]提出了基于K-means 聚类的植物叶片图像叶脉提取，这些算法能有效地提取叶片的叶脉和边缘，但是对于叶片的颜色有要求，对于颜色稍黄的叶片提

取效果不理想。

近年来，顺序形态学在图像边缘检测中的应用得到了深入的研究并取得了丰硕的成果，尤其对于含有噪声的图像，顺序形态学更是显示了它的优越性[22]。但是目前还没有相关的研究将模糊理论和顺序形态学结合在一起，对植物叶片图像进行脉络和边缘提取。本文将模糊理论和顺序形态学结合，提出了基于模糊顺序形态学的植物叶片脉络及边缘特征提取方法，利用2种方法的优势完成叶片脉络及边缘特征的提取。

1 构造隶属度函数

为了在模糊域对图像进行处理，首先需要把图像从空间域变换到模糊域。

根据模糊集的概念，一个最高灰度级为L的M×N二维图像可以被看成是一个模糊像素集，表示为式（1）所示：

M

N

X

ij

i1j1

Xij

i1,2,......

M ,j1,2,.......N (1) ,上式中：Xij为图像点(i,j)像素的灰度值，ij为

像素(i,j)的隶属度，且ij0,1。正是由这些隶属度ij构成了图像的模糊特征平面，ij可由模糊隶属度函数计算得出。

从以上分析可以看出，隶属度函数的确定十分重要。本文通过对图像中像素的邻域进行分析，构造了从空间域转换到模糊域的隶属度函数。

对于一幅像素矩阵为M×N的图像，第i行j列的像素点可以表示成Xij，像素的邻域点即指定像素相邻区域的像素点。假定为W邻域，那么W邻域内像素点的均值定义为

X1W

ijW1Pk

k0 (2) 式中：Pk表示邻域像素值。如果像素点Xij与像素领域均值Xij相差较小，甚至为0，那么说明此点为内部区域的点，如果像素点Xij与像素邻域均值

Xij相差很大，那么说明此点极有可能为边缘点或

者为脉络。因此可以定义一个像素点属于边缘点（脉络）的程度，也就是隶属度函数，如式（3）所示。

ijXij

ijF(Xij)

XC

(3) 式中C为常数；ij的取值范围理想情况为

0,1，因此本文定义

Cmax(Xijij)

(4)

从式（3）中可以看出，如果像素点属于边缘点或者叶片的脉络，那么该像素点与其邻域均值的差值较大，因此ij的值也会较大；如果像素点不属于边缘点或者叶片的脉络，那么该像素点与其邻域均值的差值较小，相应的ij也会较小。所以式（3）中ij的大小反应了像素点隶属于边缘点或者脉络的隶属程度。隶属函数图如图1所示。

图1 隶属函数图

Fig.1 Curve of membership function

利用（3）式可以把图像由空间域变换到模糊

域，也就是图像的所有隶属度构成了模糊图像Yij。把模糊图像利用模糊规则进行模糊推理处理后获得图像'ij，利用隶属度函数的反变换函数将图像重新变换到空间域。反变换函数定义如式（5）所示。

X'

F1

('

'

ijCij

XijXijijij)

'

ijCij XijXi j (5) 邻域通常取用的有4邻域和8邻域，本文采用

4领域，4领域的像素值分布如图2所示。

图2 图像4邻域像素点分布

Fig.2 4- neighborhood pixel distribution

那么，此时式（2）也可以写为式（6）:

X(i,j)

1

5X(i,j)X(i1,j)X(i,j1)X(i1,j)X(i,j1)(6)

2 模糊规则和模糊推理

式（3）可以判断出一个点属于脉络或者边缘的程度，根据不同的隶属程度，依据不同的模糊规

则进行模糊推理，得到一个合适的输出