一种使用经验系数灰度化的中药叶片分割方法
中草药粉碎和筛分
低温粉碎：在低温 环境下进行粉碎， 以保持中草药的药 效和活性
粉碎的方法和设备
粉碎方法：机械粉碎、气流粉 碎、超声波粉碎等
机械粉碎设备：粉碎机、研磨 机、搅拌机等
气流粉碎设备：气流粉碎机、 分级机等
超声波粉碎设备：超声波发生 器、换能器、变幅杆等
粉碎的工艺流程
原料选择：选择合 适的中草药原料， 确保其质量和安全 性
提高药物的稳定性：粉碎可以使 药物颗粒变小，减少药物与空气、 水分的接触，提高药物的稳定性。
提高药物的均匀性：粉碎可以使 药物颗粒变小，使药物在制剂过 程中更加均匀，提高药物的质量。
粉碎的基本原理
机械粉碎：通过机 械力将中草药粉碎 成细小颗粒
超声波粉碎：利用 超声波振动将中草 药粉碎成细小颗粒
中草药粉碎和筛分
汇报人：XX
中草药粉碎技术 中草药筛分技术
中草药粉碎和筛分的实际应用 中草药粉碎和筛分的注意事项
中草药粉碎技术
粉碎的目的和意义
提高药物的溶解度：粉碎可以使 药物颗粒变小，增加表面积，提 高药物的溶解度。
提高药物的生物利用度：粉碎可 以使药物颗粒变小，更容易被人 体吸收，提高药物的生物利用度。
清洗和干燥：对原 料进行清洗和干燥， 去除杂质和湿气
粉碎：采用合适的 粉碎设备，将原料 粉碎至所需的粒度
筛分：采用筛分设 备，将粉碎后的物 料进行筛分，去除 过大或过小的颗粒
包装和储存：将筛 分后的物料进行包 装和储存，确保其 质量和安全性
中草药筛分技术
筛分的原理和目的
原理：利用筛网将中草药颗粒进行分级，根据颗粒大小进行分离 目的：提高中草药的纯度和质量，便于后续处理和利用 筛分方法：干法筛分、湿法筛分、超声波筛分等 筛分设备：振动筛、旋振筛、滚筒筛等
中药鉴定综合技能—叶类中药鉴定
来源
番泻叶原植物
注：图片来源于网络
产地与采收加工
【产地】
黑龙江 主产于埃及、印度等国，我国海南、
广东各地亦有栽培。
吉林
新疆
甘肃 青海
辽宁
内蒙古
北京 天津
河北
宁夏
山西
山东
【采收加工】
西藏
陕西
河南
江苏 安徽
通常在开花前采摘，阴干。
湖北
四川
浙江
贵州
湖南
江西 福建
云南
广西
广东
台湾
海南
性状特征——狭叶番泻叶
表面 特征
上表面浅绿色，下表面灰绿色，两面均有细短毛茸。
质地 断面
质地较薄脆，略呈革质状，无压叠线纹。
气味 气微弱而特异，味微苦，稍有黏性。
性状特征——番泻叶
注：图片来源于网络
番泻叶
显微特征——番泻叶粉末
①
本品粉末淡绿色或黄绿色。 晶纤维多，草酸钙方晶直径12-15μm。
② 非腺毛单细胞，长100-350μm，直径12-25μm，壁厚，有疣状突起。
③ 草酸钙簇晶存在于叶肉薄壁细胞中，直径9-20μm。
④ 此外，上下表皮细胞表面观呈多角形，垂周壁平直。
显微特征——番泻叶粉末
番泻叶粉末图
1.晶纤维 2.气孔 3.上下表皮细胞 4.非腺毛 5.簇晶
化学成分
➢ 番泻叶的主要有效成分是番泻苷(A、B、C、D)、芦荟大黄素双蒽 酮苷、大黄酸葡萄糖苷、芦荟大黄素葡萄糖苷等。
番泻叶 《饮片新参》谓番泻叶性味苦、凉，功能“泻热利肠府，
通大便。”《现代实用中药》说它“少用为苦味健胃药，能促进消
化；服适量能起缓下作用；欲其大泻则服40～60毫升，作浸剂
一款LPC54606单片机的智能自动循线小车
• 120•智能自动循线小车采用32位单片机LPC54606为核心控制器，通过智能车上搭载的传感器识别赛道中间的电磁线，以最快的速度完成巡线行驶，采用工字电感完成对赛道信息的采集检测，通过算法提取中线，使用PID 控制算法调节舵机的打角，实现智能车运动过程中的方向闭环控制，同时，车上搭载TFT 显示模块和按键，可以对车内参数实现快速调节，并通过上位机对采集信息进行分析。
经多次重复实验，结果表明，智能小车可以精确并迅速完成巡线行驶。
1 系统工作原理本系统采用32位微控制LPC54606型号芯片作为核心控制单元对整个智能小车系统进行控制。
赛道信息由车体前方架设的几个工字型电感进行采集，经LPC54606的ADC 口接收信号后，同时内部发出PWM 波，用于智能小车的运动控制反应和驱动直流电机对智能小车进行速度控制，同时通过控制智能小车两个轮子的速度差来实现车体的转向，使智能小车在赛道上能够自主循迹行驶。
此外，智能小车上增加按键和拨码开关作为输入设备，便于智能小车的速度控制和策略的选择。
通过改变电机转速来实现速度控制和方向控制，保证车模沿着竞赛道路行驶。
智能小车行驶的道路中心铺设有一根金属漆包线，通有100mA 的20kHz 交变电流，道路中心线周围产生一个交变磁场通过传感器采集道路电磁信息数据，经过算法处理实现电机控制和方向控制，从而保证智能小车在赛道上的高效行驶。
图1 智能巡线小车系统结构框图2 智能巡线小车系统整体结构设计如图1所示，本设计共四大模块：LPC54606主控模块、电机驱动模块、电源模块、辅助模块。
主控模块将传感器采集信号处理后，根据控制算法对应控制直流电机转速，实现对智能车的最优速度控制。
传感器模块，通过25cm 长的前瞻放置四个对称电感，使小车提前判断赛道信息，做出决策提供充足的反应时间。
电源模块，为整个系统提供合适而又稳定的电源。
电机驱动模块，驱动直流电机完成智能小车的加减速控制和舵机转向控制。
遥感原理与应用(专升本)模拟试题
遥感原理与应用(专升本)阶段性作业1总分: 100分考试时间:分钟单选题1. 遥感的英文缩写是_______。
(6分)(A) GIS(B) RS(C) GPS(D) GNSS参考答案：B2. 电磁波具有波动性和_______。
(6分)(A) 粒子性(B) 周期性(C) 稳定性(D) 趋势性参考答案：A3. 若波长为300nm的波，频率为_______(1/s)。
(6分)(A) 1010(B) 1012(C) 1015(D) 1018参考答案：C4. 可见光波谱波段范围位于_______。
(6分)(A) 100~400nm(B) 400~700nm(C) 700~1000nm(D) 1000~1200nm参考答案：B多选题5. 小卫星主要特点有：_______(7分)(A) 体积大(B) 重量轻(C) 研制周期短(D) 成本高(E) 功能单一参考答案：B,C,E6. 以下哪些是吸收性气体：_______(7分)(A) 水汽(B) 臭氧(C) 氢气(D) 二氧化碳(E) 氦气参考答案：A,B,D7. 以下哪些属于遥感影像的“测量维”分辨力：_______(7分)(A) 空间分辨力(B) 波谱分辨力(C) 角度分辨力(D) 辐射分辨力(E) 极化分辨力参考答案：A,B,C,D,E8. 构成“地物识别的十项基本特征”，即：_______、形状、阴影、_______、纹理、图案、高程/深度、地形/地势、位置、相关布局。
(7分)(A) 尺寸(B) 角度(C) 色调／颜色(D) 背景(E) 分辨率参考答案：A,C判断题9. 陆地卫星进一步向高时间分辨率和高光谱分辨率发展。
(4分)正确错误参考答案：正确解题思路：10. 大气散射中对大气分子产生的散射称为瑞利散射，分子散射随波长的增加快速减少。
(4分)正确错误参考答案：正确解题思路：11. 电磁波是纵波。
(4分)正确错误参考答案：错误解题思路：12. 如果一个闭合的轮廓内灰度相对均一，或者只有简单的梯度，或者有相对均匀的纹理或图案，并且此外不包含明显的轮廓线，我们称这一闭合轮廓包围的区域成称为线状特征。
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。
兽药粉散剂结块的处理方法
兽 为 扮 漱 利 结
１目 前 使 用 的 粉 散 剂 防 结 块 处 理 方
法
１１生产 工 艺的 优 化 ．
出版 日期 ：０ ０年３月２ 日 ２１ ０
农历 二 月初 五
鲁药大观
姐 放生 囫
一
素 ｆ 肾 壮 阳 １ 西 药 相 结 补 等 １开 发 新 药 源 种 子人 药 。 苦 ， 香 ， 平 。 蕾 主 要 用 于 芪 、 味 气 性 花 白花 蛇 舌 草 、 党参 三 味 中药 的提 取 物 进 合 ． 常 获 得 令 人 满 意 的效 促 进 中兽 医药 产 业 化 的发 展 ，首 先 是 治 便 血 ， 片常 用 作 饲 料 添 加 剂 。 叶 行 配伍 比 例 的 试 验 ．研 究 该 方 治 疗 鸡 病 毒 果 。 透 露 有 兽 药 厂 利 用这 据 开发 新药源 ． 无论是植 物的还是动物 的或 三 尖 杉 粗 榧 科 植 物 三 尖 杉 的 枝 叶 或 疾 病 的 疗效 及 其 安全 性 。 条 思 路 ，将 ６４ ２与 庆 ５— 矿 物 的 ． 定 要 基 于 中ｆ ） 理 论 去 寻 找 种 子 人 药 。 味苦 、 ， 凉 。其 可 以清 热 解 一 兽 医 据 悉 有 些 兽 药 厂 正 在 尝 试 选 用 市 场 提 涩 性 大 小 诺 霉 素 配 合 ． 成 新 产 形 和开 发 。现 试 举 几 条思 路 ， 大 家 参 考 。 供 毒 ， 肺止 咳， 润 消积 ， 治 肺 部疾 病 ， 来 用 供 的 中 药有 效 部 位 提 取 物 单 列 制 剂 如 注 射 可 近 品 ， 治 疗 肠 炎 （ 黄 ） 很 以 肠 ， １１ 树 林进 军探 索新 药 源 ．向 以 治疗 白血 病 液 和 口服 液 等 ， 重新 组 合成 新 方剂 ， 修 或 或 有成效。
医学图像处理期末复习
医学图像处理期末复习----13级信工1班题型：1.填空题 20题（1分/题）2.计算题 2题（5分/题）3.简答题 5题（6分/题）4.程序填空 10题（1分/题）5.程序题 3题（10分/题）一、填空题第一章1.现代医学影像技术的发展源于德国科学家伦琴于1895年发现的【X 线】并由此产生的成像技术。
2.传统的X线成像得到的是组织或器官的【投影】像。
3.照片上某个像素的亮度反映穿过人体到达胶片的X线的强度，它与人体对X线的吸收量成【反】比。
4.超声成像依据的是【脉冲-回波】技术。
5.超声仪使用的成像物质波源是振动频率在人的听觉范围以外的【机械振动】波。
6.超声成像是用不可见也听不到的超声波能量实现的人体成像，对人体【无】辐射伤害。
7.CT成像是通过检测人体对【X线】吸收量而获得的图像。
8.CT得到人体断层中的所有体素的X线【吸收】系数。
9.CT成像对软组织获得的图像的密度分辨率远【没有】MRI高。
10.核医学成像的特点是能反映人体内各组织器官【功能性（代谢）】的变化。
11.核医学领域广泛使用的影像技术是SPECT和【PET】，这两种成像技术又统称为发射型计算机体层成像（ECT）。
12.核医学成像技术是以【放射性核素】示踪法为基础的。
13.ECT的本质是由在体外测量发自体内的【γ射线】来确定在体内的放射性核素的活度。
14.磁共振成像其本质是一种能级间【跃迁】的量子效应。
15.MRI现象是由于人体中的【原子核】吸收了来自外界的电磁波后产生了共振现象。
16.MRI【无】电磁辐射损伤。
第二章1.联合图像专家组的英文缩写是【JPEG】。
2.单色位图只有黑白两种颜色，一个像素仅占【1】bit。
3.矢量图是用一系列【绘图指令】来表示一幅图。
4.静态图像可分为【矢量】图和位图。
5.BMP也称【位图】格式。
6.真彩色是【RGB】颜色的另一种叫法。
7.【量化】就是把采样点上表示亮暗信息的连续量离散化后，用数值来表示的过程。
灰度图像二值化阈值选取常用方法课件
根据图像的局部特征自适应地确定阈值，能够更好地适应局 部变化。
在模式识别中的应用
特征提取
阈值选取可以用于提取图像的局部特征，如边缘、角点等，为后续的模式识别 提供特征向量。
分类器设计
阈值选取可以用于设计分类器，如阈值分类器、支持向量机等，对图像进行分 类和识别。
05
实验部分
实验一
全局阈值、自适应阈值
实验二
步骤
1. 定义窗口大小和步长，一般采用3x3或5x5的正 方形窗口。
2. 对于每个像素，以该像素为中心，计算窗口内 所有像素的灰度平均值。
实验二
01
3. 选择与平均灰度值最接近的像 素点作为阈值。
02
4. 将图像中的像素点进行二值化 处理，根据选择的阈值将像素点 分为背景或前景。
实验三
局部阈值、自适应阈值、抗噪声
自适应阈值选取法
根据局部图像信息动态计 算阈值，能够更好地适应 图像的局部变化。
自适应阈值选取法
• 定义：自适应阈值选取法是一种基于局部图像信息的阈值选取方法，它根据每 个像素点周围的局部区域的灰度分布信息来动态计算阈值。
• 方法流程：自适应阈值选取法通常采用滑动窗口法或区域生长法来实现。滑动 窗口法是通过在图像上滑动一个小窗口，计算窗口内像素点的灰度平均值或中 位数作为该窗口中心的阈值；区域生长法则是通过将像素点分为种子点和相邻 点，根据种子点的灰度值和相邻点的灰度分布信息来计算阈值。
• 优点：自适应阈值选取法能够更好地适应图像的局部变化，对于复杂背景和噪 声较多的图像具有较好的处理效果。同时，它能够减少人工干预，实现自动化 处理。
• 应用场景：自适应阈值选取法在图像处理、计算机视觉、模式识别等领域都有 广泛的应用，特别是在实时视觉检测、智能交通、医学图像处理等方面具有重 要作用。
中药材等分方法[发明专利]
![中药材等分方法[发明专利]](https://img.taocdn.com/s3/m/a545d36602d276a201292e58.png)
专利名称：中药材等分方法专利类型：发明专利
发明人：刘永俊
申请号：CN200910255773.3申请日：20091226
公开号：CN102107739A
公开日：
20110629
专利内容由知识产权出版社提供
摘要：本发明是一种中药材等分方法，包括一上端开口下端封闭的分药筒(1)，在该分药筒(1)的轴线位置固定有一中心轴(4)，该中心轴(4)上端向上延伸超出筒口；在分药筒(1)的腔体内设置有若干块分药板(3)，相邻分药板(3)之间的腔体单元(2)具有相同的容积和相同的横截面积；每一块分药板的两侧面上均标有刻度线；在中心轴(4)上滑动并可转动地安装有出药盖(6)，该出药盖(6)为尺寸等于分药筒(1)筒口的圆形板，其中心孔安装在所述的中心轴(4)上；出药盖(6)上开设有一个尺寸、形状与腔体单元(2)上口一致的出药口(7)。
采用本装置实现了中药材的等体积均分，从而实现了分药的准确计量。
申请人：刘永俊
地址：265500 山东省烟台市福山区福海路1-01号
国籍：CN
更多信息请下载全文后查看。
河北省中药饮片炮制规范
一枝黄花YizhihuanghuaHERBA SOLIDAGINIS本品为菊科植物一枝黄花Solidago decurrens Lour．的干燥全草。
秋季花果期采挖，除去泥沙，晒干。
【性状】本品长30～100cm。
根茎短粗，簇生淡黄色须根。
茎圆柱形，直径0.2～0.5cm；表面黄绿色、灰棕色或暗紫红色，有纵棱线，顶端被稀毛；质脆，易折断，断面纤维性，有白色的髓。
单叶互生，多皱缩、破碎，完整叶片展平后呈卵圆形或披针形，长1～9cm，宽0.3～1.5cm；先端稍尖或钝，基部下延成柄；全缘或有不规则疏锯齿。
头状花序直径约0.7cm，集生茎上部，排成总状，多皱缩扭曲；偶有黄色舌状花残留，苞片3层，卵状披针形，宿存。
偶见细小瘦果，冠毛黄白色。
气微香，味微苦辛。
【鉴别】（1）叶表面观：表皮细胞具角质纹理，气孔不定式，副卫细胞3～5个；表皮非腺毛由3个细胞组成，壁薄，顶端1个细胞常萎缩成鼠尾状。
叶缘非腺毛排列呈睫毛状，非腺毛由3～7个细胞组成，长约180～500µm。
（2）取本品粗粉5g，加甲醇25ml，回流20分钟，放冷，滤过，滤液浓缩至约5ml，作为供试品溶液。
另取芦丁对照品，加乙醇制成每1ml含1mg的溶液，作为对照品溶液。
照薄层色谱法（中国药典2000年版一部附录ⅥB）试验，吸取上述两种溶液各4µl，分别点于同一硅胶G薄层板上，以醋酸乙酯-甲酸-水（8﹕1﹕1）为展开剂，展开，取出，晾干，氨熏15分钟。
供试品色谱中，在与对照品色谱相应的位置上，显相同颜色的斑点。
【炮制】除去杂质，稍润，切长段，干燥。
【性味与归经】微苦、辛，平。
归肝、胆经。
【功能与主治】疏风清热，消肿解毒。
用于感冒头痛，咽喉肿痛，疮疖肿毒。
【用法与用量】9～15g。
外用适量，捣敷或煎水洗。
【贮藏】置干燥处。
丁癸草DingguicaoHERBA ZORNIAE本品为豆科植物丁癸草Zornia diphylla Pers．的干燥全草。
复杂背景下目标树叶自动分割的GrabCut算法
复杂背景下目标树叶自动分割的GrabCut算法LIANG Yao;LI Shuangwen;LIU Xinlei;LI Fengguo【摘要】针对传统GrabCut算法需要人机交互且难以在复杂背景或光照不均匀时准确分割目标树叶的缺点,提出一种基于GrabCut算法的复杂背景下或光照不均匀时目标树叶的自动分割算法.该算法利用模糊高斯混合模型(FGMM)和图像的颜色信息对原始图像进行标记,以实现自动分割:首先选取合适的模糊因子,利用模糊高斯混合模型对图像像素进行一次标记;在一次标记的基础上再结合超绿算法(EXG)选取合适的阈值对图像像素进行二次标记;最后将二次标记图像作为GrabCut算法的初始化图像,从而实现目标树叶的自动分割.比较了Photoshop软件人工抠图、OTSU 算法、GrabCut算法、本文算法的有效性及GrabCut算法、本文算法的错分率,结果表明:本文算法可以实现复杂背景下或光照不均匀时目标树叶的自动分割,且平均错分率达到1.625％.【期刊名称】《华南师范大学学报（自然科学版）》【年(卷),期】2018(050)006【总页数】7页(P112-118)【关键词】图像分割;GrabCut算法;复杂背景;自动分割【作者】LIANG Yao;LI Shuangwen;LIU Xinlei;LI Fengguo【作者单位】;;;【正文语种】中文【中图分类】TP391.41在现代化农业生产过程中，图像处理和计算机网络技术已应用于植物的识别、生长状态的实时监控和病虫害的快速诊断等领域，且发展非常迅速. 在这些应用中，从所获得的植物图像中对感兴趣的目标对象(叶片，花，果实等)进行准确分割和特征信息提取是应用的基础、关键和难点. 在获取自然生长状态下植物目标树叶的图像时，通常会面临复杂背景、光照不均匀和目标被遮挡等现象，使得从所获取的图像中分割目标的难度增大，且影响分割的准确性和后续特征信息的提取.常见的从复杂背景图像中分割出目标对象的方法有边缘检测法(如Sobel算子)[1]、阈值分割法(如大律法)[2]和形态学分割[3]等. 由于背景的复杂性，边缘检测法和阈值分割法的分割准确率相对较低. 为了提高分割的准确率，学者们引入图论中的无向图和最小割的理论:BOYKOV和JOLLY[4]提出了一种交互式的基于能量最小化的图割(Graph cut)算法，该算法将图像看成无向图，并用最小割算法[5]获得全局最优解；随后，ROTHER等[6]进一步改进了Graph cut算法，提出了GrabCut算法，该算法只需简单人工框选目标即可得到良好的分割效果，但其显著的不足之处是需要人机交互，这一不足导致运用其分割海量的图像时，分割效率明显降低;为了提高GrabCut算法的分割效率，文献[7-8]提出了通过构建显著图和背景差法来完成GrabCut的目标自动框选，但对于复杂的背景，显著图法难以准确检测出目标，而背景差法也难以获得背景或更新背景，因此也难以在复杂背景下自动框选目标来完成GrabCut算法；通过EM算法[9]进行初始化，LI等[10]实现了GrabCut的自动分割，但是由于缺乏针对性，在初始化时标记的前景与背景过于广泛，导致无法准确分割复杂背景下的目标树叶.基于上述问题，本文提出结合模糊高斯混合模型和超绿算法的改进GrabCut算法，实现复杂背景下目标树叶的自动分割. 该算法先运用模糊高斯混合模型对图像像素进行一次标记，再结合超绿算法得到二次标记图像；将二次标记的图像作为GrabCut算法的初始化图像，实现复杂背景下或光照不均匀时目标树叶的自动分割.1 分割算法1.1 GrabCut算法GrabCut算法需要人工框选，才能通过多次迭代分割出目标. 在迭代过程中将RGB图像Z={z1,z2,…,zn}(n为像素数，zj为第j个像素的RGB值)映射成一个包含2个端点(源点s与汇点t)的无向图，称为s-t图. 源点s和汇点t分别表示“目标”和“背景”. 图像的每个像素对应无向图中的相应顶点. 相邻顶点连接成边，边的权值表示相邻像素点间颜色的差异程度，称为边界能量V；各顶点与2个端点之间也相连成边，边的权值表示像素点与背景、目标的相似程度，称为区域能量U.区域能量U需利用高斯混合模型进行计算. 高斯混合模型可表示为：G(zj)=∑Ki=1αigi(zj,μi,Σi),(1)其中，μi为每个高斯分量的均值;Σi为每个高斯分量的协方差;αi(0<αi<1)为每个高斯分量的权重，∑Ki=1αi=1;K为高斯分量的个数，依据文献[6]，K取值为5；高斯分量gi(zj,μi,Σi)的通式为：gi(zj,μi,Σi)=(2)在分割时，图像中的每个像素zj将会被分配到高斯混合模型(背景或目标)的一个高斯分量中. 则每个像素zj在这个高斯分量中的概率为：d(cj,kj,θ,zj)=αi(cj,kj)gi(zj,μi,Σi)，(3)其中,θ={αi(cj,kj),μi(cj,kj),Σi(cj,kj)};cj为每个像素点zj的属性，cj=0表示该像素属于背景，cj=1表示该像素属于目标;kj{1,2,…,K}为像素点zj所属的高斯分量. 将式(2)代入式(3)，并对式(3)取负对数后，可得：D(cj,kj,θ,zj)=-ln[αi(cj,kj)gi(zj,μi,Σi)]=(4)将式(4)的D求和即可得到区域能量U[6]：U(C,k,θ,Z)=∑jD(cj,kj,θ,zj).(5)边界能量V的计算需结合欧几里德距离[6]：V(C,Z)=γ∑(m,n)C[δ(cm,cn)exp(-β‖zm-zn‖2)],(6)其中，分别为图像区域的像素，cm、cn分别为像素zm和zn的属性.由以上定义可以看出，GrabCut算法通过不断分割相邻顶点间的边以及顶点和端点间的边(图1A)，使得每个像素仅与s点或t点相连. 此时，图像的总能量可表示为：E(Z,C,k,θ)=U(Z,C,k,θ)+V(Z,C).(7)当图像总能量E到达最小值时即可实现对目标的分割(图1B).图1 GrabCut算法示意图Figure 1 Diagram of GrabCut algorithm在用GrabCut算法实现目标分割时，需要人工框选感兴趣的区域进行初始化，才能完成对目标树叶的分割. 其流程如下：(1)在原图中人工框选感兴趣的区域，框内的像素即为目标像素(cj=1)，框外的即为背景像素(cj=0)；(2)将框选的结果作为参数，运用K-means算法初步得到背景高斯混合模型和目标高斯混合模型的参数α、μ和Σ；(3)分别计算目标像素或背景像素在K个高斯分量的概率密度，然后将其分配给概率密度最大的高斯分量；(4)根据步骤(3)的分配，重新计算背景高斯混合模型和前景高斯混合模型的参数α′、μ′和Σ′；(5)使用最小割法(min cut)分割图像；(6)重复步骤(3)～(5)，直到总能量E到达最小值.1.2 模糊高斯混合模型类似于模糊C均值聚类算法(FCM)，模糊高斯混合模型[11]也通过定义目标函数，再进行迭代使得目标函数取得最小值，最后根据隶属度大小为每个像素分配所属的高斯分量.目标函数可定义为：(8)其中，μi,ci,pi分别为模糊高斯混合模型的均值、协方差和混合权重；T和M分别表示图像的像素个数和高斯分量的个数；m (>1)为平滑因子;U={uit}为隶属度矩阵，uit表示第t个像素属于第i个高斯分量的隶属度. 结合约束条件：求函数J(U,μi,ci,pi)的极值，可由拉格朗日乘子法得：(9)其中，dit表示第t个像素与第i个高斯分量的差异程度. 由于每个像素xt与第i个高斯分量的相似度正比于它在第i个高斯分量中的概率密度，对每个高斯分量的概率密度函数取负对数，即可得到(10)将式(10)代入式(8),可得：(11)实现算法的过程，就是使式(11)取得极小值的过程. 式(11)等式右边第一项中约束条件为∑Mi=1pi=1，用拉格朗日乘子法可求第一项的极小值：(12)其中，为更新后的每个高斯分量的模糊混合权重.对于式(11)等式右边第2项，通过求目标函数对第i个高斯分量的μi和ci的偏导数，并使偏导数为0，即可得到：(13)(14)联合式(13)、(14)，可得新的均值i和协方差(15)(16)通过不断迭代来更新参数和使目标函数J(U,μi,ci,pi)逐步减小. 当目标函数的变化值ΔJ小于阈值Y时终止迭代. 最后，将每个像素分配到隶属度最大的高斯分量.1.3 超绿算法由于植物叶片多为绿色的特性，则在RGB颜色空间中叶片图像的G分量值通常比其他2个分量值大. 为了更准确地使用GrabCut算法分割，在初始化掩膜图像时，可以利用彩色图像灰度化因子(2G-B-R，也称“超绿因子”)[12-13]对图像进行处理. 对于2G-B-R小于一定阈值T的像素标记为确定的背景，从而更加准确高效地分割图像. 超绿算法的这一特点，尤其适合去除建筑物、地面和天空等非植物性背景[14].设标记图像的像素为si，G、B、R分别为需要分割图像的每个像素3个通道的像素值. 超绿算法处理图像可以表示为：(17)从式(17)可以看出：当需要分割的图像的灰度化因子大于或等于阈值T时，对应位置的标记图像像素值不变；灰度化因子小于阈值T时，对应位置的标记图像像素值统一为0.2 本文算法2.1 算法描述本文的目标对象为图像中面积最大的树叶. 使用传统的GrabCut算法分割目标树叶需要人工框选，无法实现自动分割. 为了实现自动分割，本算法结合模糊高斯混合模型和超绿算法对图像进行标记，并用标记图像来代替人工框选. 要实现自动分割，就需要在使用传统GrabCut算法前尽可能准确地自动标记出包含目标树叶的像素. 首先，利用模糊高斯混合模型对图像的像素进行分类，将含有目标树叶的像素标记成目标像素，其余的像素标记成背景像素；由于经一次标记的像素中仍含有非绿色的背景像素和绿色非目标像素，故运用超绿算法进行二次标记，以有效去除一次标记图像中的非绿色背景像素；最后，将二次标记图像作为初始化，运用GrabCut算法来对目标树叶进行自动分割.2.2 算法参数选取在使用模糊高斯混合模型进行一次标记时，由于只有目标和背景2种像素，故模糊高斯混合模型的分量个数i=2. m值的选取来自多次实验，文献[15]、[16]经多次实验后从收敛的角度发现：m的取值与像素数n有关，m的取值应大于n/(n-2). 本文在选取m值时，使用m=1.01,1.05,1.20,1.50,2.00,5.00等6个不同值对样品图像进行处理，每个m值重复处理4次，并将4次处理的时间平均值作为使用当前m值进行处理的平均时间. 经过对5张样品图像进行处理并统计对比得知，m=1.20时处理的平均时间最短，故本文算法中的m取1.20. 在计算时，由于每个高斯分量的概率密度可大于1，会导致从而导致计算uit值时出错，因此需要进行如下修正[17]：修正参数R只是为了确保不小于零，修正后各像素与各模型的差异程度都增加相同的数值R，所以R的取值并不会影响分类的性能. 本文中R取值为100.在二次标记时，由于超绿算法用于确定标记图像中的背景像素，阈值T的设置要相对小，避免因为绿色不够明显而导致将叶片标记为背景的错误，故T取值为0. 2.3 基于GrabCut算法的图像自动分割算法流程算法利用模糊高斯混合模型和超绿算法得到二次标记图像. 用二次标记的图像代替人工框选初始化GrabCut算法，实现对目标树叶的自动分割. 其分割流程(图2)如下：(1)设定高斯分量个数i和模糊参数m，随机产生隶属度矩阵的初始值；(2)用式(12)、(15)和(16)更新各个高斯分量的参数；(3)计算各像素与各个高斯分量的差异性(4)更新隶属度矩阵U；(5)计算目标函数J，若目标函数变化值ΔJ小于阈值Y，则迭代结束，否则转至步骤(2)，重复进行计算；(6)根据隶属度，将图像的每个像素分配到隶属度较大的高斯分量；(7)根据灰度化因子2G-B-R，将2G-B-R<T的像素标记为确定的背景；(8)将上述步骤二次标记的图像作为初始化的掩膜图像，进行GrabCut分割；(9)取最大连通区域.图2 算法流程图Figure 2 Flow chart of algorithm3 实验结果与分析3.1 样本一目标树叶的分割从图3A可以看出存在非绿色的建筑物和绿色的非目标树叶2种不同的复杂背景.同时，由于目标树叶表面受光不均匀，叶片中间出现高亮的区域. 为了实现自动分割，需用标记图像代替人机交互对GrabCut算法进行初始化. 初始化时先使用模糊高斯混合模型把图像像素标记为可能目标和可能背景两类，可能背景中包含大部分背景树叶和一部分建筑物，如图3B所示(此处将标记图像二值化，以便于观察，图3C同). 由图3B仍可见有一块较大的背景区域被错误标记成了可能目标(椭圆框选的地方). 为了避免错误标记的可能前景影响GrabCut算法分割的准确性，需去除非绿色背景. 因此，在一次标记图像(图3B)基础上，使用超绿算法对其进行二次标记，从二次标记后的结果(图3C)可以看出：图3B的部分像素被标记成确定的背景. 虽然图3C中仍然存在部分错误标记的像素点，但GrabCut算法分割后大部分错误标记的像素已经被划分为背景像素，小部分被划分为目标像素所在的区域(图3D). 需要说明的是小部分被划分为目标像素所在的区域不是最大连通区域，对最终的分割结果没有影响. 对GrabCut算法分割后的图像取最大连通区域，即可得到目标树叶(图3E). 在上述的分割过程中，采用一系列算法实现目标和背景模型的自动建立，为GrabCut算法提供初始化模板，从而实现了对目标树叶的自动分割. 图3 样本一目标树叶的分割Figure 3 Target leaf segmentation of Sample One 3.2 分割算法有效性的验证为验证本文算法的有效性，运用Photoshop软件人工抠图(PS抠图)、OTSU算法、GrabCut算法和本文算法，对手机拍摄的较有代表性的13个不同样本(图4A)进行分割.图4 13种样本分割结果的比较Figure 4 Comparison of thirteen sample segmentation results从图4可看出：通过PS抠图所得的目标树叶边缘清晰平滑，而且目标准确，但是需要大量人工且耗时巨大；OTSU算法是一种硬分割方法，存在严重的过分割现象；通过人工框选进行初始化的传统GrabCut算法分割的准确率大大高于OTSU算法，但在非目标树叶的颜色与目标树叶相似的复杂背景下或在树叶受光不均匀时，人工框选所得的目标的高斯混合模型参数与真实目标的高斯混合模型参数有偏差，仍会导致过分割和欠分割的现象；而本文算法运用模糊高斯混合模型和超绿算法进行初始化，在去除大部分非目标树叶的复杂背景的同时较完整地保留受光不均匀时的目标树叶，使得标记的目标更加接近于目标树叶，在实现自动分割的基础上更加准确地对目标树叶进行分割.3.3 错分率分析为了对分割准确率进行定量评价，本文选择人工在Photoshop软件中抠出的目标树叶作为评价标准，使用错分率(Misclassification Error，ME)[18]来评价目标树叶分割的准确率. 其定义为：(18)其中，V表示使用算法分割的目标树叶的像素数，VP 表示人工方式分割的目标树叶的像素数，|V∩VP| 表示使用算法分割和人工方式分割的结果相同的像素数，M·N表示图像的大小(即像素总数)，|V∩VP|/(M·N)代表目标树叶分割的准确率.从图4可看出:OTSU分割效果普遍较差. 因此，在此不计算OTSU分割的错分率，只比较传统GrabCut算法与本文算法的错分率. 将图4的样本(图4A)从上至下依次排序为样本1～样本13，统计采用GrabCut算法和本文算法分割各样本的错分率(表1).表1 样本错分率Table1 Misclassification error of the samples %样本GrabCut算法本文算法样本11.1930.783样本25.3845.009样本38.2641.109样本410.5491.256样本528.5000.873样本68.0512.053样本710.3960.680样本88.1181.157样本98.1041.466样本109.8730.594样本1120.7170.675样本126.4804.640样本139.1320.832由表1可以看出：传统GrabCut算法的平均错分率为10.366%，而本文改进算法的平均错分率为1.625%；统计相应的2种算法错分率的方差分别为48.483和2.178，表明本文算法的鲁棒性更强. 由此可得，改进后GrabCut在光照不均匀或复杂背景的条件下，能更加准确、有效地分割出目标树叶，并有效保留叶片的原始信息.4 总结为了实现在复杂背景下目标树叶图像的自动分割，针对传统的GrabCut算法需要人机交互的缺点，本文算法利用模糊高斯混合模型和树叶图像的颜色信息对原始图像进行二次标记，从而实现GrabCut算法自动分割；本文算法与Photoshop软件人工抠图、OTSU算法、GrabCut算法的比较结果表明：本文算法可以实现复杂背景下或光照不均匀时目标树叶的自动分割，无需人工参与，且鲁棒性更强. 这一研究可用于植物识别、生长状态及其病虫害的实时监控. 然而，本文算法需要利用模糊高斯混合模型和超绿算法实现原始图像的二次标记，并将二次标记图像作为GrabCut算法的初始图像，在使用模糊高斯混合模型建立目标和背景模型时，未能将图像像素标记成确定的目标和背景，这在一定程度上降低了算法的成功率；选取最大联通区域也使该算法不适用于同时存在多张独立目标树叶的图像分割，这些不足之处有待日后改进.参考文献：【相关文献】[1] 李灿灿,孙长辉,王静,等. 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,2011,27(7):196-199.LI C C,SUN C H,WANG J,et al. Extraction of leaf vein based on improved Sobel algorithm and hue information[J]. Transactions of the Chinese Society of Agricultural Engineering,2011,27(7):196-199.[2] 胡敏,李梅,汪荣贵. 改进的Otsu算法在图像分割中的应用[J]. 电子测量与仪器学报,2010,24(5):443-449.HU M,LI M,WANG R G. Application of an improved Otsu algorithm in image segementation[J]. Journal of Electronic Measurement and Instrument,2010,24(5):443-449.[3] 赵于前,柳建新,刘剑. 基于形态学重构运算的医学图像分割[J]. 计算机工程与应用,2007,43(10):238-240.ZHAO Y Q,LIU J X,LIU J. Medical image segmentation based on morphological reconstruction operation[J]. Computer Engineering and Applications,2007,43(10):238-240.[4] BOYKOV Y Y,JOLLY M P. Interactive graph cuts for optimal boundary & region segmentation of objects in N-D images[C]//Proceedings of 8th IEEE International Conference on Computer Vision. Vancouver,Canada:IEEE,2001:105-112.[5] BOYKOV Y,KOLMOGOROV V. An experimental compa-rison of min-cut/max-flow algorithms for energy minimization in vision[J]. Tissue Engineering,2005,11(12):1631-1639.[6] ROTHER C,KOLMOGOROV V,BLAKE A. “GrabCut”- Interactive foreground extraction using iterated graph cuts[J]. ACM Transactions on Graphics,2004,23(3):309-314.[7] 陈林伟,吴向平. 结合显著性的GrabCut 及在骨髓细胞图像分割中的应用[J]. 中国计量学院学报,2014,25(1):87-92.CHEN L W,WU X P. Combining saliency map and GrabCut for segmentation of bone marrow cells images[J]. Journal of China University of Metrology,2014,25(1):87-92.[8] 温佩芝,陈晓,吴晓军,等. 基于三次样条插值的GrabCut自动目标分割算法[J]. 计算机应用研究,2014,31(7):2187-2190.WEN P Z,CHEN X,WU X J,et al. Automatic target segmentation algorithm of GrabCut based on cubic spline interpolation[J]. Application Research ofComputers,2014,31(7):2187-2190.[9] MOON T K. The expectation-maximization algorithm[J]. IEEE Signal Processing Magazine,1996,13(6):47-60.[10] LI X Q,LI Y,QI Y L. Automatic Grabcut color image segmentation based on EM algorithm[C]//Proceedings of 4th International Conference on Computer，Mechatronics,Control and Electronic Engineering. Hangzhou,China:CMCEE,2015:6-11．[11] TRAN D,TU V L,WAGNER M. Fuzzy Gaussian mixture models for speaker recognition[C]//Proceedings of the 5th International Conference on Spoken Language Processing. Sydney,Australia:DBLP,1998:1146-1158.[12] 苏礼楷,王小铭. 基于轮廓特征点检测的植物叶片几何建模[J]. 华南师范大学学报(自然科学版),2009,39(4):39-42.SU L K,WANG X M. Geometry modeling for plant leaf contour based on feature point detection[J]. Journal of South China Normal University (Natural ScienceEdition),2009,39(4):39-42.[13] 龙庆华,陈天钧,叶穗红,等. 植物组培环境计算机自动监控网络系统[J]. 华南师范大学学报(自然科学版),1998(3):70-75.LONG Q H,CHEN T J,YE S H,et al. Computer automa-tic supervisory network system for plant growth surroun-dings[J]. Journal of South China Normal University (Na-tural Science Edition),1998(3):70-75.[14] 贾丽丽,余孝源,梁耀,等. 自然生长状态下树叶图像的分割与提取[J]. 华南师范大学学报(自然科学版),2017,49(1):116-121.JIA L L,YU X Y,LIANG Y,et al. Leaves’ image segmentation and extraction under natural growing condition[J]. Journal of South China Normal University (Natural Science Edition),2017,49(1):116-121.[15] BEZDEK J C. Pattern reconition with fuzzy objective function algorithms[M]. New York,London:Plenum Press,1981:203-239.[16] 高新波,谢维信. 模糊聚类理论发展及应用的研究进展[J]. 科学通报,1999,44(2):2241-2251.[17] 卓群. 基于FGMM的说话人识别算法的研究[D]. 广州:中山大学,2002:39-40.ZHUO Q. A study on the speaker recognition algorithm based on FGMM[D]. Guangzhou:Sun Yat-sen University,2002:39-40.[18] PATIL R V,JONDHALEK C. Edge based technique to estimate number of clusters in k-means color image segmentation[C]//Proceedings of the 3rd IEEE International Conference on Computer Science and Information Techno-logy.Chengdu,China:IEEE,2010:117-121.。
颠茄草《中国药典》
2.2对正常人的呼吸兴奋作用较强，增加呼吸频率及通气量，能对抗吗啡引起的呼吸抑制，但当呼吸严重抑制时则作用不可靠，对高级脑中枢的作用与阿托品相反，主要是抑制而不是兴奋，治疗剂量时即引起困倦、欣快、遗忘、疲劳以至进入睡眠状态，加大剂量可产生麻醉作用。
【化学成份】
叶中含东莨菪碱（scopolamine)，天仙子胺（旧称莨菪碱）（hyoscyamine)[1]，阿托品（atropine)[2]，天仙子胺N-氧化物（jupscua,omeN-oxide)[3]，天仙子碱N-氧化物（hyoscin N-oxide)[4]。还含黄酮：7-甲基槲皮素（7-methylquercetin)3-甲基槲皮素[5]，槲皮素-3-鼠李糖葡萄糖甙（quercitin-3-rhamnogluco-side)，山柰酚-3-鼠李糖半乳糖甙（kaempferol-3-rhamnogalacto-side)，槲皮素-7-葡萄糖甙（prercitin-7-glucoside)，山柰酚-7-葡萄糖糖甙（kametmpferol-7-glucoside)，槲皮素-7-葡萄糖基-3-鼠李糖半乳糖甙（quercetin-7-glucoside)，槲皮素-7-葡萄糖基-3-鼠李糖半乳糖甙（quercetin-7-glucoside)，槲皮素-7-葡萄糖基3-鼠李葡萄糖甙（quercitin-7-glucosyl-3-rhamnoglucoside)，山柰酚-7-葡萄糖基-3-鼠李糖半乳糖甙（kamepferol-7-glucosyl-3-rhamnogalactoside)，山柰酚-7-葡萄糖基-3-鼠李糖葡萄糖甙（kaempferol-7-glucosyl-3-rhamnoglucoside)[6]。
杜仲叶【四川中药炮制规范(2015版)】
杜仲叶DuzhongyeEUCOMMIAE FOLIUM【来源】本品为杜仲科植物杜仲Eucommia ulmoides Oliv.的干燥叶。
夏、秋二季枝叶茂盛时采收，晒干或低温烘干。
【炮制】除去杂质，喷淋润软，切丝，晒或低温干燥。
【性状】本品呈丝状，或破碎。
表面黄绿色或黄褐色，微有光泽，边缘有锯齿，质脆，折断时有少量银白色胶丝相连。
气微，味微苦。
【鉴别】（1）本品粉末棕褐色。
橡胶丝较多，散在或贯穿于叶肉组织及叶脉组织碎片中，灰绿色，细长条状，多扭结成束，表面显颗粒性。
上、下表皮细胞表面观呈类方形或多角形，垂周璧近平直或微弯曲，呈连珠状增厚，表面有角质条状纹理；下表皮可见气孔，不定式，较密，保卫细胞有环状纹理。
非腺毛单细胞，直径10〜31μm，有细小疣状突起，可见螺状纹理，胞腔内含黄棕色物。
（2）取[含量测定]项下的供试品溶液作为供试品溶液。
另取杜仲叶对照药材1g，加甲醇25ml，加热回流1小时，放冷，滤过，滤液作为对照药材溶液。
再取绿原酸对照品，加甲醇制成每1ml含1mg的溶液，作为对照品溶液。
照薄层色谱法（通则0502）试验，吸取上述三种溶液各5～10μl，分别点于同一硅胶H薄层板上，以乙酸丁酯-甲酸-水（7:2.5:2.5）的上层溶液为展开剂，展开，取出，晾干，置紫外光灯（365nm）下检视。
供试品色谱中，在与对照药材色谱和对照品色谱相应的位置上，显相同颜色的荧光斑点。
【检查】水分不得过13.0%（通则0832第二法）。
【浸出物】照醇溶性浸出物测定法（通则2201）项下的热浸法测定，用稀乙醇作溶剂，不得少于16.0%。
【含量测定】照高效液相色谱法（通则0512）测定。
色谱条件与系统适用性试验以十八烷基硅烷键合硅胶为填充剂；以乙腈-0.4%磷酸溶液（13:87）为流动相；检测波长为327nm。
理论板数按绿原酸峰计算应不低于2000。
对照品溶液的制备取绿原酸对照品适量，精密称定，置棕色量瓶中，加50%甲醇制成每1ml含50μg的溶液，即得。
ps教程-图像匹配
图像匹配图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。
其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题。
图像匹配主要可分为以灰度为基础的匹配和以特征为基础的匹配。
1、灰度匹配灰度匹配的基本思想:以统计的观点将图像看成是二维信号，采用统计相关的方法寻找信号间的相关匹配。
利用两个信号的相关函数，评价它们的相似性以确定同名点。
灰度匹配通过利用某种相似性度量，如相关函数、协方差函数、差平方和、差绝对值和等测度极值，判定两幅图像中的对应关系。
最经典的灰度匹配法是归一化的灰度匹配法，其基本原理是逐像素的把一个以一定大小的实时图像窗口的灰度矩阵，与参考图像的所有可能的窗口灰度阵列，按某种相似性度量方法进行搜索比较的匹配方法，从理论上说就是采用图像相关技术。
利用灰度信息匹配方法的主要缺陷是计算量太大，因为使用场合一般都有一定的速度要求，所以这些方法很少被使用。
现在已经提出了一些相关的快速算法，如幅度排序相关算法，FFT相关算法和分层搜索的序列判断算法等。
2、特征匹配特征匹配是指通过分别提取两个或多个图像的特征（点、线、面等特征），对特征进行参数描述，然后运用所描述的参数来进行匹配的一种算法。
基于特征的匹配所处理的图像一般包含的特征有颜色特征、纹理特征、形状特征、空间位置特征等。
特征匹配首先对图像进行预处理来提取其高层次的特征，然后建立两幅图像之间特征的匹配对应关系，通常使用的特征基元有点特征、边缘特征和区域特征。
特征匹配需要用到许多诸如矩阵的运算、梯度的求解、还有傅立叶变换和泰勒展开等数学运算。
常用的特征提取与匹配方法有：统计方法、几何法、模型法、信号处理法、边界特征法、傅氏形状描述法、几何参数法、形状不变矩法等。
基于图象特征的匹配方法可以克服利用图象灰度信息进行匹配的缺点，由于图象的特征点比较象素点要少很多，大大减少了匹配过程的计算量;同时，特征点的匹配度量值对位置的变化比较敏感，可以大大提高匹配的精确程度;而且，特征点的提取过程可以减少噪声的影响，对灰度变化，图象形变以及遮挡等都有较好的适应能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种使用经验系数灰度化的中药叶片分割方法
作者：汪庆杜炜谭红春
来源：《软件导刊》2017年第04期
摘要：针对传统的彩色叶片图像灰度化分割效果不理想问题，使用了一种经验系数灰度化的彩色叶片图像分割方法。
该方法利用RGB颜色相关性特征进行灰度化，提高叶片颜色比例，增加叶片与背景的差异性，在不同背景条件下对叶片图像使用最大类间方差法进行分割。
实验结果表明，使用经验系数灰度化的方法可以获得更理想的分割效果。
关键词：图像分割；植物叶片；灰度化；经验系数；最大类间方差法
中图分类号： TP319
文献标识码：A
文章编号：
16727800（2017）004018002
0引言中药植物的外在特征包括茎、叶、果实和根部，植物叶片是表达植物的重要外在图像特征，外观形状相对稳定，图像易于拍摄获取，通过叶片来识别植物品种非常便利。
叶片图像的提取是植物识别系统预处理的重要一步，对识别结果将产生重要影响。
不少学者对叶片图像处理系统进行了相关研究，大多侧重于叶片识别算法。
刘骥等[1]针对无背景图像的叶片进行简单的腐蚀膨胀，消除空洞；李晨等[2]使用Sober算子实现了简单背景叶片分割；李萍等[3]对简单背景的植物叶片图像通过稀疏表示系数识别植物种类；王艳菲等[4]对无背景理想状态的植物叶片进行旋转校正并使用CENTRIST特征分类。
上述文献中的叶片图像预处理分割均在无背景或简单背景条件下进行，但实际工作往往是在自然环境中直接获得叶片标本并实时处理，可能不具备提供简单背景的条件。
本文将一种系数相关性的植物灰度化方法引入到叶片图像，在相对复杂的环境中进行算法分割，实验结果证明该灰度化的叶片分割方法能够获得理想结果。
1传统叶片图像灰度化方法叶片图像包括前景和背景两个部分，前景是叶片区域，背景是非目标叶片区域。
图像分割的目的就是将真实的叶片区域从背景中分离出来，为后续叶片分类识别做准备。
若叶片光照不均匀，背景区域灰度化后存在与叶片区域的灰度值相似的区域，就会影响到分割结果。
1.1传统叶片图像灰度化图像灰度化是直接使用空域的图像变换方法。
彩色图像具有RGB三种颜色通道，每个像素点具有255*255*255种颜色变化。
灰度图像只有一个灰度分量，变化范围仅为255阶灰度值。
通过灰度变换将彩色图像的RGB空间转化为灰度空间表示，能够在尽可能表达图像信息的情况下，大大降低图像的计算复杂度和存储空间。
图像处理中常用的灰度化方法有平均值灰度化方法和加权平均灰度化方法。
2.3彩色图像灰度化的叶片分割步骤（GraySeg算法）①读取叶片彩色图像原图A；②对原图中的每个像素点使用式（4）进行处理，得到灰度图B；③对图B使用OTSU算法，得到二值化分割图C；④对图C进行数字形态学处理，先腐蚀膨胀运算消除误分区域，得到图D；
⑤对图D与原图A进行对比运算，获得最终的分割结果。
3实验步骤与结果分析实验环境为：i5 CPU M520 @2.40GHZ，4G内存，操作系统为Windows7 -32位，MATLAB 7.0编程实现。
本文的实验样本来源为手机拍照，分辨率为
800*600像素。
选取3种情况下的中药植物叶片图片：①简单背景的枇杷叶片（见图1）；②不均匀光照背景的胡秃子叶片（见图2）；③自然环境中的大吴风草叶片（见图3）。
3大吴风草叶片
实验步骤如下：对图1、图2和图3的叶片图像使用GraySeg算法进行分割实验，并在算法第②步中分别使用平均值灰度化预处理、加权平均灰度化预处理和经验系数灰度化预处理，得到算法分割的实验结果。
每组有3幅图，从左至右分别为：①使用平均值灰度化分割结果；
②使用加权平均灰度化分割结果；③使用经验系数灰度化分割结果。
3.1简单背景的枇杷叶片图像分割在第一组简单背景的枇杷叶片图像中：运用叶片灰度化方法，分割后的叶片图像边缘含有拍摄产生的阴影区域，如图4、图5所示；而经验系数灰度化分割方法进行叶片图像分割能准确地分割出叶片图像，如图6所示。
3.2不均匀光照背景的胡秃子叶片图像分割在胡秃子叶片图像中运用叶片灰度化方法，由于背景中的部分区域经过灰度化后的灰度值和叶片的灰度值相似，分割算法即使通过数学形态学修正，叶片图像中的部分区域仍被错分为背景，结果如图7和图8所示；而运用经验系数灰度化方法能够不受光照影响将叶片正确地分割出来，结果如图9所示。
3.3自然环境中的大吴风草叶片图像分割在大吴风草叶片图像中运用叶片灰度化方法，分割算法将大量背景中的区域错误地分割为叶片区域，结果如图10和图11所示；而运用经验系数灰度化方法，通过简单的数学形态学修正，就可将叶片完整地从自然环境中分割出来，结果如图12所示。
4结语本文使用了一种基于经验系数灰度化的叶片图像分割方法，该灰度化方法通过加大绿色的比例，增加叶片与背景的差异性，解决了传统灰度化方法叶片分割效果差的问题。
实验表明，特定场景下使用经验系数灰度化的叶片分割可以得到理想的分割结果。
参考文献：
[1]刘骥，曹凤莲，甘林昊. 基于叶片形状特征的植物识别方法[J]. 中国农机化学报，2014，25（6）：200202.
[2]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， 2015，32（11）：33363340.
[3]李萍，张波，张善文. 基于叶片图像处理和稀疏表示的植物识别方法[J]. 江苏农业科学， 2016，44（9）：364367.
[4]王艳菲，朱俊平，蔡骋. 基于CENTRIST的植物叶片识别研究与实现[J]. 计算机工程与设计，2012，11（33）：43434347.
[5]BURGOS ARTIZZU X P， RIBEIRO A， TELLAECHE A. Analysis of natural images processing for the extraction of agricultural elements[J]. Image Vision Computing， 2010（28）：138149.
[6]BURGOS ARTIZZU X P， RIBEIRO A， GUIJARRO M. Realtime image processing for crop/weed discrimination in maize fields[J]. Computers and Electronics in Agriculture， 2011，75（2）：337346.
[7]OTSU N. A threshold selection method from graylevel histograms[J].IEEE Transactions on System Man and Cybernetic，1979，9（1）：6266.
（责任编辑：杜能钢）。