葉片識別之葉柄探測

圖1葉柄是葉片與莖的聯繫部分，其上端與葉片相連，下端著生在莖上，通常葉柄位於葉片的基部。（圖片來源於網路）

傳統的植物分類技術依據如植物解剖學、細胞生物學、分子生物學等方法，不僅複雜而且十分耗時，更重要的是對參與識別鑒定的人員的專業性要求極高。現今應用計算機視覺技術來克服這種分類學上的不足成為了越來越熱門的話題和研究方向。

大多數研究人員基於葉片形狀分析識別植物物種，採用許多常見的通用形狀描述如輪廓質心描述符、角度輪廓描述符、胡矩、Zernike矩等，然而物種種類繁多，葉片形狀也成千上萬，僅僅使用這些表徵通常用於準確地確定每個物種是不夠的，設置預處理步驟來提高這些描述符的精度的方法之一便是探測葉柄。

Mzoughi等人在國際圖像處理會議（International Conference on Image Processing ）上提交發表了一篇基於局部平移對稱性實現葉片葉柄全自動化識別的文章。

圖2特殊的葉柄形狀

文章提出了一種新穎的全自動演算法來檢測葉柄，並且考慮到了多種特殊的葉柄形狀，使得此方法適用識別對象大大增加。該識別方法的原創性在於依據葉柄寬度的高度規律性，使用局部平移對稱的概念從小距離的候選區域中選擇葉柄。Mzoughi等人提出的該方法在兩個數據集（The Tela Database & The SmithSonian leaf database）中進行測試驗證，均能夠實現90％以上的正確檢測率。

理論依據

該方法依據植物學中對葉柄的定義，即其為纖細弱小的結構，這就意味著在計算機識別中，可以將其視為具有大致相同寬度的細小基本結構的組合。因此，單從幾何學上講，葉柄可以通過寬度的高度局部平移對稱性（Local Translational Symmetry ，LTS）被計算機識別「翻譯」。

識別過程

寬度的局部平移對稱性

圖3 線j上點集Pj的定義示意圖

定義C為由N各採樣點組成的表示葉子形狀的輪廓，B是由Xmin、Xmax、Ymin、Ymax圍成的輪廓C的邊界框，j是B中平行於X的線。每條線j都可以截取輪廓C中的一組點Pj，I為線j對應的C中的點數。因此就可以把輪廓C整體看作是所有子集Pj（j < J）組成的集合的並。接著，定義每兩個連續點Pji，Pj(i + 1)為一個元素結構Sji，i為沿X分布的第一個位置上的點。元素結構Sji的歐氏距離長度用Wji表示。LTS包含了所有的分離區，Rmj為線j上的m個片段，元素結構總和為Rm，定義最長元素為n，n=n(m)，n(m)就等於總的線j數。

可以依據一定條件去除葉子中的凹區域，篩選出具有高LTS值的區域（如圖4所示）。這些區域中不僅僅含有葉柄部分，還夾雜了葉片的中間區域以及複葉中的葉軸部位。如何進一步區分這些區域？作者根據葉形的不同設置自適應閾值，將葉片的中間區域以及複葉中的葉軸部位捨棄，從而更加準確地篩選出葉柄部位。

圖4 葉子中篩選出的高LTS區域（藍色部分）

自適應閾值

首先，自行定義寬度閾值Th，每段元素長度Wji〈Th，引入比值q來表示閾值Th，那麼q應略高於葉柄寬度Wp與WL的比值，通過比較二者大小可以將葉片中間部位具有高LTS值得區域去除。對於長條形葉片和複葉，作者定義延長率e=1- (I/J)，對於長條形葉片而言，e值接近於1，我們將輪廓C的最寬處與邊界框B對齊，統計線j與C相交點僅有兩個的區域長度值，並將其與B的寬度相比，對長條形葉片而言，該比值接近於1，當B的長和寬大致一樣，即e約等於0的時候，葉柄則可能為水平放置，此時，需要在水平和垂直兩個方向上測定得出LTS區域，最終保留的區域為具有最大值的LTSC區域。此時獲得的為葉柄區域以及葉軸區域，然後定義距離邊界C最近的一段圖像為葉柄，即可完成葉柄圖像的提取。

圖5 圓形葉片(a)，簡單長條形葉片(b)，羽狀複葉(c)寬度表現（僅相交於兩點的線段用藍色部分表示）

識別精度

為了驗證該方法的準確率，作者選用在兩個數據集（The Tela Database & The SmithSonian leaf database）中進行測試驗證，其中Tela Database包含36個物種的1632張圖片，SmithSonian leaf database包含249個物種的7268張圖片。均能夠實現90％以上的正確檢測率（表1）。

圖6 葉柄檢測結果示意圖：The Tela Database（第一行） & The SmithSonian leaf database（第二行）

Database

Well detected petiole(%)

Tela Database(1632)

96.9%

SmithSonian(7268)

91.1%

表1 葉柄檢測結果準確率

此外，作者展示了此葉柄檢測演算法作為一般葉形檢索任務的預處理階段的實質價值，選擇兩個簡單的形狀描述符：輪廓質心描述符（CCD）和角度質心描述符（ACD），它們分別表示從初始點到質心的距離和角度，使用這兩個描述符分別在有葉柄和無葉柄的情境下進行識別，得出平均識別準確率（Mean average percision, MAP）結果見表2；使用探測的葉柄與葉片的連接插入點與圖片上隨機點分別作為描述符的初始點進行識別預處理，結果見表3。

Descriptor

with petiole(%)

without petiole(%)

CCD

34.36

40.33

ACD

18.33

33.99

表2 有無葉柄的平均識別準確率

Descriptor

arbitrary SP(%)

insertion as SP(%)

CCD

6.20

34.36

ACD

7.11

18.33

表3 選取隨機點和葉柄插入點的平均識別準確率

編者認為：

Mzoughi等人建立的實現全自動檢測葉柄的演算法，主要針對有葉柄的葉片進行識別，該演算法的創新點在於不受葉片形狀限制（橢圓形、圓形、長條形等）且不受葉柄結構限制（有托葉、膨脹、刺突等），能夠較為準確地選出葉柄部位，識別精度較高，此演算法為圖像的預處理提供了一個良好的思路。

原文出處

Mzoughi, Olfa, Itheri Yahiaoui, and Nozha Boujemaa. "Petiole shape detection for advanced leaf identification." Image Processing (ICIP), 2012 19th IEEE International Conference on. IEEE, 2012.

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！