基于关键点检测的植物叶端特征自动提取

陈建辉++郑小东++赵中堂

摘要：为了实现植物叶端特征自动提取，提出基于关键点检测的叶端特征提取方法，即对原始图像进行预处理，获得叶片轮廓；采用多边形近似算法检测关键点；通过对关键点分析判定叶端形态的基本类型，获取叶顶角等特征数据。试验结果表明，该方法适用于多种形态的植物叶，可用于需要植物叶端特征自动获取的场合。

关键词：叶端特征；自动提取；多边形近似算法；关键点检测；图像处理

中图分类号：S126文献标志码：A

文章编号：1002-1302（2017）09-0205-03

叶端是植物叶片的一个组成部分。在植物形态分类学中，叶端特征是鉴别植物种类的形态特征之一。在植物气候学研究中，叶端特征也具有重要作用，主要指叶端类型和叶顶角。目前，叶端特征的获取主要依靠人工方式，即操作者通过观察，根据知识和经验判别叶端类型，借助测量工具手工测量叶顶角。实现植物叶端特征自动提取有助于提高相关研究的工作效率。计算机图像处理、模式识别等理论与技术的发展为实现植物叶特征自动获取提供了可能，一些研究者以植物种类自动识别、植物病变智能诊断等为应用目标，开展了植物叶特征自动提取研究工作[1-3]。相关研究比较侧重植物叶图像特征，如形状、纹理等[4-7]，很少涉及植物叶植物学属性特征。本研究提出基于关键点检测的植物叶端特征自动提取方法，该方法将植物叶端分成凹、尖、骤尖3种基本类型，同时设计叶顶角、凹陷深度、叶张角、叶尖角、叶尖长度等参数，从定性和定量2个角度描述叶端特征。

1方法描述

基于关键点检测的植物叶端特征自动提取方法包括图像预处理、关键点检测、特征提取3个步骤，输入为植物叶图像，输出为叶端类型与特征数据。特征参数与叶端类型相关联，不同叶端类型具有不同的特征参数（图1）。

1.1图像预处理

使用扫描仪或CCD相机等获取植物叶图像。为了简化后续处理，图像采集时可以将植物叶片背景设置为单一白色背景，同时要求植物叶片的叶柄向下、叶端向上。原始图像中背景部分通常包含一些点或斑块噪声，可采用区域标记的方法去除，首先标记出图像中各区域，然后找到面积或周长最大区[CM（25]域，去除其他区域即可。原始图像中如果包含植物叶柄，可基于形状特征去除叶柄[8]。图像采集时，虽然要求植物叶柄向下、叶端向上，但图像中叶片的位置仍有一定的随机性。为了保证后续特征提取对叶片方位唯一性的要求，可采用惯性主轴法找到叶片主轴[9]，然后进行图像旋转，将叶片旋转至主轴与纵轴平行的位置。从叶片左上点开始，沿顺时针方向，采用轮廓跟踪算法获取植物叶片轮廓上各点[10]。

图2-a为一组原始图像[11]，图2-b为图像预处理结果，图2-c为图像多边形近似处理结果，关键点以图形标出。

1.2关键点检测

植物学中计算叶顶角时，通常只考虑叶片上部h/4部分（h为叶片高度）[12]。本研究沿用植物学中的做法，针对叶片上部h/4部分提取叶端特征。这部分的轮廓包含多个点，提取叶端特征时只须关键的几个点即可。首先选择距离叶片顶部h/4的水平线与叶片轮廓相交的2个点作为2个关键点，然后检测其余关键点。

多边形近似处理是形状特征提取的常用方法[13]，其基本思想是将物体轮廓看成一个闭合曲线，将该曲线拆分成若干段，每一段用连接它的2个端点的直线段代替，所有直线段首尾相连构成物体轮廓的近似多边形。目前已有许多求解平面曲线近似多边形的方法，如顺序跟踪法、拆分与合并方法、关键点检测法、基于遗传算法等。其中，拆分与合并方法具有简单、快速的优点，但结果与搜索起始点相关[14]。

可采用多边形近似算法检测其余关键点，即将叶片近似多边形的顶点作为关键点。由于在图像预处理阶段已经确定植物叶片在图像中的唯一方位，因此距离叶片顶部h/4水平线上的2个关键点也具有确定性，可以将这2个关键点作为起始点，采用拆分算法求其余关键点，具体如下：（1）求局部轮廓上各点到该轮廓2端点（即关键点）连线的最大距离。（2）判断最大距离是否大于给定的阈值k，如果是，往下继续，否则结束该局部轮廓的求解。（3）记最大距离对应的点为关键点，以该点为分界点，将该轮廓段拆分为2段，分别以2段新拆分的轮廓为输入，转到（1）。

由图2-c可以直观看出，根据检测到的关键点进行叶端特征提取简化了叶端特征提取问题。

1.3特征提取

植物学中叶端分为多种类型[15]（图3）。本研究将叶端分为凹、尖、骤尖3种基本类型。其中，凹类型对应图3中的微凹、尖凹、凹缺、心形等4种类型，尖类型对应锐尖、钝尖等2种类型，骤尖类型对应凸尖、渐尖、尾状、芒尖、聚凸、卷须状等6种类型。

特征提取时，首先判断当前叶片的叶端属于哪种基本类型，然后提取特征数据，特征数据用于描述相同类型不同个体的形态差异，具体如下：（1）判断关键点中是否存在水平凹点。水平凹点的特征是该点的高度（相对于叶片最下端）小于其左、右相邻关键点的高度。如果存在，判定该叶片叶端类型为凹类型，水平凹点即叶端顶点，转到（5）；否则往下继续。（2）找到关键点中高度最大的点，视为叶端顶点。分别在叶端顶点左右两侧关键点中搜索凹角点，凹角點的特征是该点左右两侧的关键点的连线中点不在叶片上。如果找到，判定该叶片叶端类型为骤尖类型，凹角点即骤尖开始位置，转到（4）；否则往下继续。（3）以叶端顶点为顶点，叶端顶点与高度最小的2个关键点的连线为边，计算叶顶角；以叶端顶点为顶点，以叶端顶点与其左右两侧相邻的关键点的连线为边，计算叶张角；结束。（4）采用与（3）相同的方法计算叶顶角；采用（3）中计算叶张角的方法计算叶尖角；计算骤尖开始位置到叶端顶点的距离，与叶片高h相除，作为叶尖长度；结束。（5）分别在叶端顶点两侧搜索高度最大的关键点；以叶端顶点为顶点，叶端顶点与2个关键点的连线为边，计算叶顶角；计算叶端顶点到2个关键点连线的距离，与叶片高h相除，作为凹陷深度；结束。

2试验结果与分析

利用中国科学院智能计算实验室植物叶片数据库中的图像对上述方法进行测试[11]。图4各叶片特征提取结果见表1。

结合图4、表1可知，基于关键点检测的叶端特征提取方法能够将植物叶端区分为3种基本类型。该方法获取的特征数据能够在基本类型内对不同形态的叶端进一步加以区分。如果需要，可以根据特征数据能够还原叶端的大致形態。

3讨论

在特征提取方法中，关键点检测是重要的一环，本研究采用基于拆分的多边形近似算法，其中阈值k是关键因素，k的取值应根据具体植物叶片的形态和应用需求确定，稍许偏差对结果不会有太大影响。在实际应用中，如果需要的精度和图像分辨率已经确定，k的取值可通过标定的方法确定，首先根据植物学方法手工测量某张植物叶片的叶顶角，然后采用本研究的方法测量该叶的叶顶角，对比手工和计算机测量结果，根据需要调整k值，直到满足精度需求。标定后，保持图像采集分辨率和k值不变，可对其他植物叶进行叶端特征自动提取。

在特征提取方法设计过程中，主要以叶缘无锯齿的叶片为试验对象，设计的方法对这些植物叶片是适用的。然而，有些植物叶片是有锯齿的。对有锯齿的植物叶片进行测试，发现k的取值受到锯齿形态的干扰，虽然当k取值恰当时关键点的检测也比较成功（图5），特征提取也较为理想，但k的取值须根据锯齿形态进行人工确定，降低方法的自动性。解决该问题的一个思路是在图像预处理后搜索叶片轮廓上的局部凸起顶点（即各锯齿顶点），以这些点代替叶片轮廓进行后续的关键点检测、特征提取，这样就消除了叶缘锯齿带来的干扰。锯齿顶点的判定可借助SUSAN算法等实现[16]。

4结论

基于关键点检测的叶端特征提取方法适用于多种形态的植物叶片，能够定性描述叶端的类型，定量区分同一形态类型的不同个体。叶端特征提取方法可用于植物分类、植物建模等场合。

参考文献：

[1]Cope J S，Corney D，Clark J Y，et al. Plant species identification using digital morphometrics：a review[J]. Expert Systems with Applications，2012，39（8）：7562-7573.

[2]张宁，刘文萍. 基于图像分析的植物叶片识别技术综述[J]. 计算机应用研究，2011，28（11）：4001-4007.

[3]赖军臣，李少昆，明博，等. 作物病害机器视觉诊断研究进展[J]. 中国农业科学，2009，42（4）：1215-1221.

[4]李晨，姚玮，韩忠伟，等. 利用CBIA与WSN构建的植物叶片分类系统[J]. 计算机应用研究，2015（11）：3336-3340.

[5]张善文，王献锋，王震，等. 基于概率局部判断映射的植物分类方法[J]. 农业工程学报，2015（11）：215-220.

[6]Chaki J，Parekh R，Bhattacharya S.Plant leaf recognition using texture and shape features with neural classifiers[J]. Pattern Recognition Letters，2015，58（C）：61-68.

[7]Munisami T，Ramsurn M，Kishnah S，et al.Plant leaf recognition using shape features and colour histogram with K-nearest neighbour classifiers[J]. Procedia Computer Science，2015（58）：740-747.

[8]郑小东，王晓洁，赵中堂. 基于形状特征的植物叶柄与叶片分割算法[J]. 计算机工程与设计，2010，31（4）：918-920.

[9]郑小东，王晓洁，高洁. 面向植物分类的被子植物叶形特征自动提取[J]. 中国农学通报，2011，27（15）：149-153.

[10]姚敏. 数字图像处理[M]. 北京：机械工业出版社，2006.

[11]Intelligent Computing Laboratory，Chinese Academy of Sciences. Plant leaf image dataset[DB/OL]. [2016-01-02]. http：// www. intelengine. cn/ English/ dataset.

[12]Leaf Architecture Working Group.Manual of leaf architecture：morphological description andcategorization of dicotyledonous and net-veined monocotyledonous angiosperms[M]. Washington DC：Smithsonian Institution，1999.

[13]何莲，蔡敬菊，张启衡. 多边形近似及形状特征匹配的二维目标检测[J]. 激光与红外，2011，41（6）：700-705.

[14]Wu J S，Leou J J.New polygonal approximation schemes for object shape representation[J]. Pattern Recognition Letter，1995，16（2）：161-169.

[15]扬州大学. 《植物学》精品课程[EB/OL]. [2016-01-02]. http：//jpkc.yzu.edu.cn/course/zwx/0501kcjc_1401.htm.

[16]郑小东，王晓洁，高洁. SUSAN算法在植物叶缘特征提取中的应用[J]. 中国农学通报，2011，27（27）：174-178.