林业科学  2018, Vol. 54 Issue (5): 70-77   PDF    
DOI: 10.11707/j.1001-7488.20180508
0

文章信息

李永亮, 张怀清, 杨廷栋, 马载阳, 贺长平, 李思佳
Li Yongliang, Zhang Huaiqing, Yang Tingdong, Ma Zaiyang, He Changping, Li Sijia
模糊逻辑与复合顺序形态学相结合的叶脉检测方法
Vein Detection Method Based on Fuzzy Logic and Multiple Order Morphology
林业科学, 2018, 54(5): 70-77.
Scientia Silvae Sinicae, 2018, 54(5): 70-77.
DOI: 10.11707/j.1001-7488.20180508

文章历史

收稿日期:2016-09-06
修回日期:2016-10-12

作者相关文章

李永亮
张怀清
杨廷栋
马载阳
贺长平
李思佳

模糊逻辑与复合顺序形态学相结合的叶脉检测方法
李永亮1, 张怀清1, 杨廷栋1, 马载阳1, 贺长平2, 李思佳1     
1. 中国林业科学研究院资源信息研究所 北京 100091;
2. 湖南省攸县黄丰桥国有林场 株洲 412307
摘要:【目的】针对叶脉图像存在模糊性和噪声的问题,将模糊逻辑与复合顺序形态学相结合,提出一种叶脉模糊逻辑增强方法,以提高叶脉检测方法的抗噪能力和检测效果。【方法】根据5×5邻域中各像元距中心像元的距离,确定邻域像元权重,提出像元隶属度计算方法,利用三角型隶属函数实现叶脉图像模糊化。结合Sugeno模糊模型,提出模糊逻辑推理规则,增强叶脉图像对比度。构建2个尺度分别为3和5的方形结构元素及4个尺度为5的不同方向的线形结构元素,建立基于4个不同方向卷积差分模板的最佳线形结构元素确定方法,设定多个百分位,提出多结构元多百分位的复合顺序形态学检测算子。以叶脉原图和加噪后的图像为例,进行8种不同检测方法的对比试验,以峰值信噪比定量评定方法优劣。【结果】模糊逻辑与复合顺序形态学相结合的叶脉检测方法可增强原图对比度1.668倍,最大峰值信噪比为52.624 6,相较其他方法噪声得到了更有效的处理,提取的叶脉图像更加清晰、完整、连续。【结论】模糊逻辑与复合顺序形态学相结合的叶脉检测方法可有效提高叶脉检测抗噪能力和检测效果,是一种有效的叶脉检测手段。
关键词:模糊逻辑    复合顺序形态学    叶脉检测    噪声抑制    结构元素    
Vein Detection Method Based on Fuzzy Logic and Multiple Order Morphology
Li Yongliang1, Zhang Huaiqing1 , Yang Tingdong1, Ma Zaiyang1, He Changping2, Li Sijia1    
1. Research Institute of Forest Resource Information Techniques, CAF Beijing 100091;
2. Huangfengqiao State-owned Forest Farm in Youxian, Hunan Province Zhuzhou 412307
Abstract: 【Objective】Aiming at fuzziness and noise of the vein image, we would like to propose a vein detection method for improving the anti-noise capability and detection effect by combining fuzzy logic and multiple order morphology.【Method】A square neighborhood with 5×5 pixels was built and each weight of the neighborhood pixel was set by the distance from it to the center pixel. A calculation method of pixel membership degree was proposed and then the vein image was transformed into fuzzy expression by using the triangle membership function. According to Sugeno fuzzy model and defined fuzzy rules, the vein image contrast was enhanced. The scales of two built square structuring elements were 3 and 5 respectively and the scales of four proposed linear structuring elements were 5. A determining method of the optimum linear structuring element was presented based on four convolution difference templates in different directions. Multiple percents were set. Then a multiple order morphology detection operator with multiple structuring elements and percents was proposed. Taking the vein images before and after adding noise for example, contrast experiments of eight different detection methods were done and peak signal to noise ratio was used to quantitatively evaluate the methods.【Result】The original image contrast was enhanced by 1.668 times and the maximum peak signal to noise ratio (52.624 6) could be got. The noise processing could be more effective and the extracted vein image was more clearer, complete and continuous than those of any other methods.【Conclusion】This method can effectively improve the anti-noise ability and vein detection effect, and is an effective means of detecting veins.
Key words: fuzzy logic    multiple order morphology    vein detection    noise restraining    structuring element    

叶脉是表征叶片形态的重要因子,是进行植物种类识别、生长状况分析的重要参考指标(Grinblat et al., 2016马全军等,2012)。结合计算机图形图像处理技术提取叶脉信息,可为构建真实感叶片和植物三维数字化模型提供基础数据,使得以交互可视方式认识植物成为可能,同时,也适应当今智慧林业的发展需求,具有重要的科学研究意义。

经典的边缘检测算子,如Sobel、Canny、Log、Prewitt等在检测叶片边缘和脉络方面表现出一定优势。李灿灿等(2011)基于改进的Sobel算子提取基本叶脉轮廓,利用色调信息提取主叶脉,通过图像融合获得了叶脉图像。田甜等(2015)将Sobel算子方向模板增加为8个,利用全变分去噪模型进行去噪,实现了叶脉提取。张立红等(2008)在将叶片图像分成若干小区域的基础上,利用Hough变换和边缘生长等方法检测叶脉,获得了较好效果。Rahmadhani等(2010)也利用Hough变换对叶脉进行检测,经对比分析得出Hough变换方法性能仍需提升。余孝源等(2015)结合曲率参数函数、Hough变换、区域生长和Harris角点检测等方法,实现了叶片主叶脉节点分布信息的提取。同时,一些学者在智能化提取叶脉信息方法上也进行了大量尝试。Fu等(2003)傅弘等(2004)Li等(2005)赵卓英等(2009)利用神经网络提取叶脉信息,具有智能性。Pal等(1983)Barkhoda等(2009)Yang等(2009)基于模糊理论提出了边缘检测算法,并对其有效性进行对比试验,提出了其应用前景和面临的技术难点。林开颜等(2013)针对植物图像存在模糊性、背景复杂等问题,利用模糊逻辑理论提取植物叶片边缘,论证了模糊逻辑方法的有效性,但并未对提取叶脉信息进行尝试。植物叶片图像容易含有不定量噪声,根据叶脉形态特点,一个像素点是属于叶脉点、过渡点还是区域点具有模糊性,而现有叶脉提取方法在去噪和处理模糊性能力上还有待提升。

数学形态学以集合论为基础,是一种非线性滤波方法,用一定形态的结构元素进行位移运算,以实现图像分析与识别,其边缘检测效果具有精度高、抗噪能力强等特点(王媛妮,2010王海岚,2011),其结构元素的尺度、形状和方向等选择影响检测结果的优劣。Chanda等(1998)Mukhopadhyay等(2002)利用多尺度方法,Aptoula等(2007)Chen等(2013)使用多结构方法,Liu等(2011)Zhang等(2013)采用多尺度多结构相结合的方法,对结构元素的选择进行了研究与验证,以期提高检测算子的去噪能力和检测精度。刘春爽等(2016)通过构建横纵两方向的结构元素,实现了叶脉图像的直线膨胀,为消除图像斑点提供了帮助。本研究针对叶脉图像存在模糊性和噪声的问题,将模糊逻辑与复合顺序形态学相结合,提出一种叶脉模糊逻辑增强方法,构建叶脉复合顺序形态学检测算子,以期提高叶脉检测方法的抗噪能力和检测效果。

1 材料与方法 1.1 叶脉图像获取

在室外采集1片核桃(Juglans regia)叶,进行现场拍摄,获取叶脉图像如图 1所示,图像尺寸为1 000像素×1 451像素。

图 1 核桃叶脉图像 Figure 1 Walnut leaf vein image
1.2 基于模糊逻辑的叶脉图像增强

模糊逻辑是一种智能计算方法,可以处理信息中的不精确性、不确定性问题,是一种广义化的逻辑。布尔逻辑用“1”表示逻辑真,用“0”表示逻辑假,而模糊逻辑用[0,1]区间上任何值表达多大程度上为真或假。实现叶脉图像模糊逻辑增强主要包含以下3个过程。

1) 叶脉图像模糊化  模糊化是指利用隶属函数将明确值转化为具有一定隶属度的语言变量值,隶属度用以表达元素属于模糊集合的程度,其范围为[0,1]。

将叶脉图像从空间域转化为模糊域的隶属函数定义如下:

$ {\theta _{ij}} = F({P_{ij}}) = \frac{{\left| {{P_{ij}} - \overline {{P_{ij}}} } \right|}}{K}{\rm{。}} $ (1)

式中:θij为像素(i, j)的隶属度,取值范围为[0,1];K为常数,见式(2);Pij为像素(i, j)的灰度值;${\overline {{P_{ij}}} }$为像素(i, j)的邻域均值,见式(3)。

$ K = {\rm{max(}}\left| {{P_{ij}} - \overline {{P_{ij}}} } \right|){\rm{。}} $ (2)
$ \overline {{P_{ij}}} = \sum\limits_{k = 0}^{24} {{W_k}{P_k}} /\sum\limits_{k = 0}^{24} {{W_k}} {\rm{。}} $ (3)

式中:Wk为各邻域位置权重;Pk为各邻域像素值。

像素(i, j)的邻域定义为5×5邻域,各邻域点位置权重依据距中心像素(i, j)的距离进行设置,如图 2所示,像素(i, j)位于5×5区域中间。

图 2 邻域权重 Figure 2 Weights of neighborhood pixels

Pij为边缘或叶脉点时,该像素点与其邻域均值差异较大,θij也较大;当Pij为内部区域点或中间过渡点时,该像素点与其邻域均值差异较小,θij也较小。隶属函数采用三角型隶属函数,用以将式(1)得到的值转换为隶属度描述的语言变量值,如图 3所示。

图 3 隶属函数设定 Figure 3 Membership function

2) 叶脉图像模糊逻辑推理  模糊推理采用广义前向推理方法,根据模糊规则实现给定输入到输出的映射。常见的模糊规则形式如下:

$ {\rm{If}}\;X\;{\rm{is}}\;x\;{\rm{and}}\;Y\;{\rm{is}}\;y, {\rm{then}}\;Z\;{\rm{is}}\;z{\rm{。}} $

式中:XYZ为语言变量;xyz为语言变量值。

输出结果为模糊子集,需进行去模糊化处理得到确定的数值,以便实际应用。本研究采用Sugeno模糊模型(林开颜等,2013)直接输出精确值,其模糊规则形式如下:

$ {\rm{If}}\;A\;{\rm{is}}\;x, {\rm{then}}\;B = f(A){\rm{。}} $

输出为输入的任意函数,可根据需要自由定义。为突出边缘或叶脉点,增大与内部区域点和中间过渡点的差异,本研究设计的模糊规则如表 1所示,AθijBθij,输出函数采用线性函数。

表 1 模糊规则 Tab.1 Fuzzy rules

表 1规则的含义为:当像素点为内部区域点时,保持A不变;当像素点为中间过渡点时,无法确认是内部区域点还是边缘或叶脉点,稍稍增大A;当像素点为边缘或叶脉点时,为增强其特征,尽可能大地增大A。输入-输出关系曲线如图 4所示。

图 4 输入-输出关系曲线 Figure 4 Input-output curve

图 4可知,输入-输出关系由之前给定的3个线性关系转化为非线性关系,更加有利于问题的求解。

3) 模糊域到空间域转换经模糊逻辑推理后的输出值θij为图像模糊域值,需将其转换为空间域值Pij,以得到增强后的叶脉图像进行显示并计算,其转换方法可由式(1)进行推算。

1.3 叶脉复合顺序形态学检测算子

膨胀、腐蚀、开、闭运算是数学形态学最基本的变换,利用检测目标和非检测目标在形态变化前后的差异进行目标提取,这一过程与检测算子、结构元素的构建有直接关系,其中,去噪能力是需要考虑的一个问题。

1) 基于复合顺序形态学的检测算子将数字图像f(x)关于结构元素B的顺序形态变换fB定义为f(x)在B上的d阶顺序量,即:fB=ord{d:f|B},其中d=(k-1)p+1,p=0、1/(k-1), …, 1,则d=1、2、3、…, kp称为顺序形态变换百分位值。复合顺序形态变换是基本顺序形态变换的拓广,定义为f(p,q)B=f(x)ⓟBB,其中,pq=0、1/(k-1), …, 1。当p=0、q=1,为开运算,当p=1、q=0,为闭运算。为拓广应用,定义当0 < p < 1/2、1/2 < q < 1时,f(p, q)B为广义开运算、f(q, p)B为广义闭运算。

结合膨胀、腐蚀、开、闭运算对图像特有元素、噪声和边缘的提取特征,考虑多结构元素具有滤除不同类型、大小噪声点和检测各方向边缘的优势,采用多结构元抗噪型检测算子,如下所示:

(4)

式中:0≤p1, p2≤1/2,1/2≤q1, q2≤1。

2) 结构元素选择  不同尺度的结构元素在去噪能力和提取特征方面具有差异性,大尺度结构元素去噪能力较强,但特征提取较粗;小尺度结构元素去噪能力较弱,但特征提取较细。为兼顾结构元素的去噪和特征提取能力,定义B1B2分别如式(5)、(6)所示,B1尺度为3,B2尺度为5:

$ {B_1} = \left[ {\begin{array}{*{20}{c}} 1&1&1\\ 1&1&1\\ 1&1&1 \end{array}} \right]{\rm{。}} $ (5)
$ {B_2} = \left[ {\begin{array}{*{20}{c}} 1&1&1&1&1\\ 1&1&1&1&1\\ 1&1&1&1&1\\ 1&1&1&1&1\\ 1&1&1&1&1 \end{array}} \right]{\rm{。}} $ (6)

叶脉走向具有差异性,且不同方向的结构元素在检测不同走向叶脉的敏感性上存在优劣,定义0°、45°、90°和-45°共4个不同方向的5×5结构元素用于叶脉检测,如图 5所示。

图 5 不同方向的结构元素 Figure 5 Structuring elements in different directions A. 0°方向 0°direction;B. 45°方向 45°direction;C. 90°方向 90°direction;D. -45°方向 -45°direction.

为避免同时利用4个方向结构元素进行叶脉检测产生运算量大以及如何进行融合的问题,根据不同方向卷积差分值选择一个最优方向结构元素,并作为B3,不同方向卷积差分模板如图 6所示。

图 6 不同方向卷积差分模板 Figure 6 Convolution difference templates in different directions A. 0°方向 0°direction;B. 45°方向 45°direction;C. 90°方向 90°direction;D. -45°方向 -45°direction.

具体流程为:(1)对叶脉图像进行卷积操作,计算每个像素4个方向上的卷积差分值;(2)叶脉走向倾向于最大差分方向的垂直方向,而结构元素对与其自身方向垂直的叶脉走向最敏感,故选择与最大差分方向走向一致的结构元素作为B3

由此,可选择一个对当前叶脉走向最为敏感的结构元素。

2 过程与结果

在Matlab 2015平台上对图 1所示核桃叶脉图像进行检测。原始图像转换为灰度图,如图 7A,经模糊逻辑增强后的图像如图 7B,模糊增强前后细节分别如图 7CD所示。对比图 7CD发现,模糊逻辑变换面对像素点具有模糊性,增强了叶脉或边缘的对比度,有助于后续叶脉检测。

图 7 灰度图像及模糊逻辑增强后图像 Figure 7 Gray image and enhanced image by fuzzy logic A.灰度图像 Gray image; B.模糊逻辑增强后图像 Enhanced image by fuzzy logic; C.增强前图像细节 Image details before fuzzy logic enhancement; D.增强后图像细节 Image details after fuzzy logic enhancement.

设定p1=1/8, q1=7/8, p2=1/4, q2=3/4,叶脉复合顺序形态学检测结果如图 8A所示。为对比验证该方法的有效性,利用Sobel、Canny、Log、Prewitt和Zerocross 5种经典原始检测算子以及膨胀腐蚀型、开闭型2种基本形态学检测算子分别进行叶脉检测,检测效果如图 8B-H所示。

图 8 不同叶脉检测方法对比 Figure 8 Comparison of different vein detection methods A.本文检测算法 Algorithm in this paper;B. Sobel检测算子 Sobel operator;C. Canny检测算子 Canny operator;D. Log检测算子 Log operator;E. Prewitt检测算子 Prewitt operator;F. Zerocross检测算子 Zerocross operator;G.膨胀腐蚀型检测算子 Dilation-erosion operator;H.开闭型检测算子 Open-close operator.

通过对比发现,Canny、Log和Zerocross检测算子不能有效排除噪声干扰,难以识别叶脉,尤其是Zerocross检测算子根本无法识别较细的脉络;经Sobel与Prewitt检测算子处理后噪声较Canny、Log和Zerocross检测算子得到了更好的处理,但获取的叶脉/边缘有丢失、不完整现象,连续性较差;膨胀腐蚀型检测算子提取的叶脉较粗、定位不准确,噪声处理能力表现不足;开闭型检测算子出现了叶脉/边缘丢失现象,抗噪能力也有待提高;本文检测算法提取的叶脉图像脉络清晰、完整,并且噪声得到了有效处理。

为验证本文检测算法的优越性,在原灰度图中加入密度为0.02的随机椒盐噪声,效果如图 9所示。

图 9 椒盐噪声 Figure 9 Salt and pepper noise image

应用上述8种不同检测算法依次对含有椒盐噪声的图像进行处理,检测效果如图 10A-H所示,不同检测算法的峰值信噪比(处理结果与未加噪声图像间)如表 2所示。

图 10 加椒盐噪声后不同叶脉检测方法对比 Figure 10 Comparison of different vein detection methods after adding noise A.本文检测算法 Algorithm in this paper;B. Sobel检测算子 Sobel operator;C. Canny检测算子 Canny operator;D. Log检测算子 Log operator;E. Prewitt检测算子 Prewitt operator;F. Zerocross检测算子 Zerocross operator;G.膨胀腐蚀型检测算子 Dilation-erosion operator;H.开闭型检测算子 Open-close operator.
表 2 不同算法的峰值信噪比 Tab.2 Peak signal to noise ratio of each algorithm

通过对比图 10表 2发现,Canny、Log、Zerocross以及膨胀腐蚀型检测算子去噪能力很差,根本无法识别叶脉;Sobel和Prewitt检测算子较上述4种算子虽有较好表现,但依然无法清晰地识别叶脉;开闭型检测算子可以滤除大部分噪声,能基本看清叶脉走势,但依然存在噪声处理不足,叶脉\边缘提取不精细、不完整、有缺失的情况;本文检测算法具有最大峰值信噪比(52.624 6),所得图像清晰,叶脉完整、连续,并且可有效滤除噪声,较其他方法具有明显优势。

为进一步验证本文检测算法的实用性,在室外采集1片七叶树(Aesculus chinensis)叶,进行现场拍摄,图像尺寸为750像素×1 043像素,获取图像如图 11A所示,应用本文检测算法得到的叶脉检测效果如图 11B所示。

图 11 七叶树叶脉图像及检测效果 Figure 11 Aesculus chinensis leaf vein image and detection effect A.叶脉图像 Leaf vein image;B.检测效果 Detection effect.

图 11B可知,本文检测算法可成功推广、应用到七叶树叶脉图像上,可有效实现叶脉提取,同时具有较强的噪声滤除能力。

3 讨论

本文针对叶脉图像存在模糊性的问题,构建了模糊逻辑推理规则,增强了叶脉图像对比度;在此基础上,对基本数学形态学检测算子进行改进,提出了多结构元多百分位的复合顺序形态学检测算子,通过确定多结构元尺度和方向以及百分位值,提取了叶脉,同时实现了噪声滤除。

3.1 叶脉图像模糊增强

基于模糊逻辑原理,提出了模糊逻辑推理规则,对叶脉图像每个像元的所属关系进行界定,并在此基础上增强了图像对比度:增强前为59.207 5 (图 7A),增强后为98.781 5(图 7B),对比度增强了1.668倍(以图像中心像元和周围最近4邻域像元灰度值之差的平方和与所有平方项的个数之商测算对比度),解决了像元模糊性问题,为开展叶脉检测提供了高对比度的图像。同时,针对加椒盐噪声后的叶脉图像,将模糊增强与膨胀腐蚀型检测算子相结合得到峰值信噪比为51.926 0,与开闭型检测算子相结合得到峰值信噪比为52.489 3,提高了2种基本检测算子的峰值信噪比。模糊增强可为提高叶脉检测水平提供服务,但其模糊化方法、模糊逻辑推理规则的建立以及如何选择最优化的对比度都会影响检测效果,后续有必要进行深入讨论。

3.2 百分位值的确定

在多结构元抗噪型检测算子构建形式、多结构元方向和尺度确定的情况下,百分位值会对检测结果产生直接影响。假定p2=1/4、q2=3/4保持不变,变换p1q1,以5种变换为例对加椒盐噪声后的图像进行叶脉检测结果对比,如表 3所示。

表 3 不同百分位值结果对比 Tab.3 Effect comparison of different percents

表 3可知,百分位值p1q1的变换影响检测结果,如何确定百分位值是获取较优检测结果需要考虑的因素。然而,现有研究多集中在结构元素选择方面,对如何精准确定百分位值的研究较少,后续有必要针对此问题开展深入研究,以提出行之有效的精准确定方法。

4 结论

通过构建模糊逻辑隶属函数和模糊逻辑推理规则,提出了叶脉图像模糊逻辑推理方法,有效解决了叶脉图像模糊性的问题,增强了图像对比度,可为提高叶脉提取效果提供帮助。适应滤除图像噪声、匹配叶脉走向的需求,基于复合顺序形态学理论,通过确定结构元素形状、尺度、方向以及百分位值,构建多结构元多百分位的复合顺序形态学检测算子,实现了噪声抑制和叶脉提取。通过对比试验,验证了本文检测算法可集模糊逻辑和数学形态学二者优势,有效提取叶脉,并且具有较强的去噪能力。

参考文献(References)
傅弘, 池哲儒, 常杰, 等. 2004. 基于人工神经网络的叶脉信息提取-植物活体机器识别研究Ⅰ[J]. 植物学通报, 21(4): 429-436.
(Fu H, Chi Z R, Chang J, et al. 2004. Extraction of leaf vein features based on artificial neural network-studies on the living plant identificationⅠ[J]. Chinese Bulletin of Botany, 21(4): 429-436. [in Chinese])
李灿灿, 孙长辉, 王静, 等. 2011. 基于改进的Sobel算子和色调信息的叶脉提取方法[J]. 农业工程学报, 27(7): 196-199.
(Li C C, Sun C H, Wang J, et al. 2011. Extraction of leaf vein based on improved Sobel algorithm and hue information[J]. Transactions of the CSAE, 27(7): 196-199. [in Chinese])
林开颜, 司慧萍, 周强, 等. 2013. 基于模糊逻辑的植物叶片边缘检测方法[J]. 农业机械学报, 44(6): 227-231.
(Lin K Y, Si H P, Zhou Q, et al. 2013. Plant leaf edge detection based on fuzzy logic[J]. Transactions of the Chinese Society of Agricultural Machinery, 44(6): 227-231. DOI:10.6041/j.issn.1000-1298.2013.06.039 [in Chinese])
刘春爽, 周平. 2016. 植物叶图像的叶脉特征提取研究[J]. 工业控制计算机, 29(3): 21-22.
(Liu C S, Zhou P. 2016. Research on vein feature extraction based on plant leaf images[J]. Industrial Control Computer, 29(3): 21-22. [in Chinese])
马全军, 温智婕, 温维亮. 2012. 基于方向能量的植物叶脉提取方法[J]. 应用数学与计算数学学报, 26(1): 85-93.
(Ma Q J, Wen Z J, Wen W L. 2012. Vein extraction in plant leaf image based on oriented energy[J]. Communication on Applied Mathematics and Computation, 26(1): 85-93. [in Chinese])
田甜, 刘强, 尹仕威, 等. 2015. 基于全变分去噪和八方向sobel算子的叶脉提取算法[J]. 浙江农业学报, 27(4): 678-683.
(Tian T, Liu Q, Yin S W, et al. 2015. The vein extraction algorithm based on total variation denoising and eight-direction sobel operator[J]. Acta Agriculturae Zhejiangensis, 27(4): 678-683. [in Chinese])
王海岚. 2011. 基于形态学理论的图像边缘检测方法研究. 长沙: 长沙理工大学硕士学位论文.
(Wang H L. 2011. Study of image edge detection method based on morphological theory. Changsha: MS thesis of Changsha University of Science & Technology. [in Chinese])
王媛妮. 2010. 顺序形态边缘检测及分水岭图像分割研究. 武汉: 武汉大学博士学位论文.
(Wang Y N. 2010. Research on order morphology edge detection and watershed image segmentation. Wuhan: PhD thesis of Wuhan University. [in Chinese])
余孝源, 贾丽丽, 林挺, 等. 2015. 基于图像处理的叶片主叶脉节点分布信息的提取[J]. 广东农业科学, (21): 156-160.
(Yu X Y, Jia L L, Lin T, et al. 2015. Extraction of the nodes' distribution for the main vein based on image processing[J]. Guangdong Agricultural Sciences, (21): 156-160. DOI:10.3969/j.issn.1004-874X.2015.21.029 [in Chinese])
张立红, 张艳华. 2008. 基于Hough变换的植物叶脉检测新方法[J]. 通讯和计算机, 5(8): 58-60.
(Zhang L H, Zhang Y H. 2008. A novel method to detect the leaf venation based on the Hough transform[J]. Journal of Communication and Computer, 5(8): 58-60. [in Chinese])
赵卓英, 孙明, 姜伟杰. 2009. 基于细胞神经网络的植物叶片图像中叶脉的提取[J]. 农机化研究, (4): 168-171.
(Zhao Z Y, Sun M, Jiang W J. 2009. Extraction of leaf vein in plant leaf image based on cellular neural network[J]. Journal of Agricultural Mechanization Research, (4): 168-171. [in Chinese])
Aptoula E, Lefèvre S. 2007. A comparative study on multivariate mathematical morphology[J]. Pattern Recognition, 40(11): 2914-2929.
Barkhoda W, Tab F A, Shahryari O K. 2009. Fuzzy edge detection based on pixel's gradient and standard deviation values. Proceedings of the International Multi-conference on Computer Science and Information Technology, 7-10.
Chanda B, Kundu M K, Padmaja Y V. 1998. A multi-scale morphologic edge detector[J]. Pattern Recognition, 31(10): 1469-1478. DOI:10.1016/S0031-3203(98)00014-4
Chen E Q, Li X L. 2013. Novel morphology edge detection algorithm using multiple structuring element templates[J]. Computer Engineering and Application, 49(17): 146-149.
Fu H, Chi Z R. 2003. A two-stage approach for leaf vein extraction. Proceedings of IEEE International Conference on Neural Networks and Signal Processing, 208-211.
Grinblat G L, Uzal L C, Larese M G, et al. 2016. Deep learning for plant identification using vein morphological patterns[J]. Computers and Electronics in Agriculture, 127: 418-424. DOI:10.1016/j.compag.2016.07.003
Li Y F, Zhu Q S, Cao Y K, et al. 2005. A leaf vein extraction method based on snakes technique. Proceedings of IEEE International Conference on Neural Networks and Brain, 885-888.
Liu Q, Lai C Y. 2011. Edge detection based on mathematical morphology theory. International Conference on Image Analysis and Signal Processing, 151-154.
Mukhopadhyay S, Chanda B. 2002. An edge preserving noise smoothing technique using multi-scale morphology[J]. Signal Processing, 82(4): 527-544. DOI:10.1016/S0165-1684(01)00143-8
Pal S K, King R A. 1983. On edge detection of X-ray images using fuzzy sets[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 5(1): 69-77.
Rahmadhani M, Herdiyeni Y. 2010. Shape and vein extraction on plant leaf images using fourier and b-spline modeling. AFITA 2010 International Conference, The Quality Information for Competitive Agricultural Based Production System and Commerce, 475-490.
Yang X Y, Guo B. 2009. Study on image segmentation algorithm based on fuzzy mathematical morphology[J]. Fuzzy Information and Engineering, 54(12): 488-495.
Zhang W, Wang J F, Wang T, et al. 2013. An improved edge detection algorithm based on morphologic operators[J]. Computer Technology and Development, 23(6): 23-26.