微分算子在虫害杨树叶片边缘检测的应用
杨树叶片SPAD值与叶绿素含量的相关性研究
Ｃｏ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｓ ｔ ｕ ｄ ｙ ｏ ｆ Ｓ Ｐ ＡＤ ｖ ａ ｌ ｕ ｅ ａ ｎ ｄ ｃ ｈ ｌ ｏ ｒ ｏ ｐ ｈ ｙ ｌ ｌ ｃ ｏ ｎ ｔ ｅ ｎ ｔ ｉ ｎ ｌ ｅ ａ ｖ ｅ ｓ ｏ ｆ ｐ ｏ ｐ ｌ ａ ｒ
ＬＩ Ｘｉ ａ ｏ ｙ ｕ
与叶 绿 素 ａ 含 量 的 最优 函数 模 型 为 Ｙ＝０ ． ０ ０ ４ ２ １ ９ Ｓ Ｐ Ａ Ｄ 。 （ Ｒ ２ ＝ ０ ． ９ １ ８ ７ ） ； Ｓ Ｐ ＡＤ值 与 叶 绿 素 ｂ含 量 最优 函数模 型 为 ｙ ＝ ０ ． ０ ７ １ ３ ０ ８ ｅ ㈣ 。 （ ＝ ０ ． ９ ２ ７ ９ ） ； Ｓ Ｐ Ａ Ｄ值 与 叶 绿 素 总 量 的 最 优 函 数 模 型 为 ｙ ＝０ ． ０ ０ ３ ２ ４ Ｓ Ｐ ＡＤ … （ ＝ ０ ． ９ ２ ４ ３ ） 。通过 对 ９个不 同品 种 叶 片 Ｓ Ｐ Ａ Ｄ值 与 叶绿 素合 量 实测值 与预
程， 并根 据 决 定 系数 （ Ｒ ） 确 定 最佳 拟 合 曲线 ， 以探 讨 Ｓ Ｐ Ａ Ｄ值 与 叶 绿 素 含 量之 间 的 关 系。 结 果表 明： 杨树叶片Ｓ Ｐ Ａ Ｄ值 与 叶绿 素 ａ 、 叶 绿素 ｂ 及 总叶 绿 素含 量 间均存 在 极 显著 正相 关 关 系。Ｓ Ｐ Ａ Ｄ值
ｌ ｉ ｓ ｈ ｅ ｄｂ ｙ ａｌ ｎｅ ｉ ａ ｒ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ， ａｐ ｏ ｗｅ ｒｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ， ｎ ａ ｅ ｘ ｏｎ ｐ ｅ ｎ ｔ ｉ ａ ｌ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎａ ｎｄ ａｌ ｏ ｇ ａ ｒ ｉ ｔ ｈ ｍｉ ｃｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ， ｎ ｄｔ ａ ｈｅ ｎｔ ｈｅ ｏ ｐ ｔ ｉ ｍａ ｌ ｉ ｆ ｔ ｉ ｔ ｎ ｇ ｃ ｈ ｉ ｖ ｅ
杨树叶片SPAD值与叶绿素含量的相关性研究
杨树叶片SPAD值与叶绿素含量的相关性研究李晓宇【摘要】采用SPAD-502叶绿素仪与分光光度法分别测定了杨树叶片的SPAD值与叶绿素含量,建立SPAD值与叶绿素a、叶绿素b和总叶绿素的线性函数、乘幂函数、指数函数及对数函数的拟合方程,并根据决定系数(R2)确定最佳拟合曲线,以探讨SPAD值与叶绿素含量之间的关系.结果表明:杨树叶片SPAD值与叶绿素a、叶绿素b及总叶绿素含量间均存在极显著正相关关系.SPAD值与叶绿素a含量的最优函数模型为y=0.004 219SPADl6302(R2=0.918 7);SPAD值与叶绿素b含量最优函数模型为y=0.071 308e0.055468SPAD (R2=0.927 9);SPAD值与叶绿素总量的最优函数模型为y=0.003 24SPAD1792 1(R2=0.924 3).通过对9个不同品种叶片SPAD值与叶绿素含量实测值与预测值的统计检验发现,叶绿素a与总叶绿素含量的实测值与预测值间不存在显著差异,可以通过回归方程来预测杨树叶片叶绿素的绝对含量.【期刊名称】《辽宁林业科技》【年(卷),期】2015(000)002【总页数】5页(P7-9,26,42)【关键词】杨树;SPAD值;叶绿素含量;相关性【作者】李晓宇【作者单位】辽宁省杨树研究所,辽宁盖州 115200【正文语种】中文【中图分类】Q945.11;S792.11叶绿素是植物叶片的主要光合色素，其含量与光合作用密切相关。
叶绿素含量的测定无论是在生理上，还是在选育品种以及抗性研究等方面都很有必要[1-2]。
目前，叶绿素含量的测定一般采用分光光度法和SPAD（Soil and Plant Analyzer Development）叶绿素仪法。
采用分光光度计法测定叶绿素含量操作繁琐费时，取样会对植株造成损伤，同时需将材料从田间取回实验室，因此不适宜田间操作。
而SPAD叶绿素仪是一种测定叶绿素相对含量的便携式仪器，具有操作简便快捷且不破坏叶片，不受时间、气候等条件限制的优点[3]，被越来越多的科研工作者所采用，已经在水稻[4]、拟南芥[5]、葡萄[6]、小麦[7]、油茶[8]等植物上得到了广泛的应用。
基于HMM的杨树变异体叶片特征参数数据挖掘
１ 杨树 叶片图像 预处理 与特 征提取
１ 叶片图像预处理 ． １ 本研究采用 的叶片网像样本来 自 ８０ １ 万像素 Ｃ Ｏ 数码相机的彩 色数字照片。为了使所有待处理的叶 Ｍ Ｓ
片图像都有相同的运算环境 （ 消除颜色 、 色饱和度等差异 ） 首先对原始彩色图像背景分割后的网像进行高 ， 通滤波 ，然后进行 ８ 位位图灰度转换得图 １（ ） ａ ，基于 Ｓｂｌ ｏｅ 算子得到边缘榆测图像并 阈值化得图 ｌ（ ） ｈ，
．
隔 口
罔 ｏｌ ｙ 向 子 ２ｓ 方 算 ｂｘ ｅ、
￣Ｓｂｌ Ｊ 算子体现了沿两个垂直方向的灰度差 ， ｌｏｅ 他们的测量值组合起来形成边缘强度。即：
Ｇｉｉ ｌ［－ ，ｉ １ ２ ［， ｌ ／【 十 ， ｌ ［－ ， ｌ ２ｆ ｆｌ ． １ ［ ］ ｆ ｉ １ ． ］ ｆ ｉＪ十 ｆ ｌ ，＝ ＋ ＋ Ｊ 十 Ｊ十 卜ｆ ｉ １ Ｊ－ ｌ － 【 ，ｉ ］ 一 十 －１ ＋ｆ［－ ， １ ２ Ｉ １ ／【 — ， １ ｆ ｉｌ ｊ Ｉｌ ．【 十 ， ＿ 【 十 ， ＋ １ ｌ ｉ １． ］ ｆ ｉ ， Ｊ ｆ ｌ ｊ ＋ － 一 Ｊ十 Ｊ＋ ］ ［ ， － ｌ ２ ｆ ｌ ｌ ｆ １． １ － ＋ 一厂 Ｊ厂 ／ １
的关 键 。
根据植物基因组学的理论 ，叶形和叶脉是植物重要的生物学特 征，尤其主叶脉和第－ ＠脉的分形特征 － 与植物本身有极大的 自相关性 。在 同样栽培条件下 ， 植株在中 、 后期的叶形虽表现出可塑性的差别 ．但变 异有遗传基础 ， 诸多证据表明叶片特征与植物遗传和变异有必然联 系。因此本文研究运用嵌入式 图像识别 技术 ．先对大量杨树活体叶片进行数 据采集 ，建立数据仓库 ，然后采用 Ｈ Ｍ 隐马尔可夫模型／ ｉ ｅ Ｍ （ Ｈｄ ｎ ｄ Ｍ ｒ ｖＭ ｄ１ ａ ｏ ｏｅ数学建模的方法对物理激发诱变后的苗木活体叶片的网像特征参数库进行挖掘 ，以期尽快发 ｋ ） 现变异个体 ，发现与具体控制诱变＿ 程程序有极大相关性的叶片特征参数 。 Ｔ
一种带有方向的边缘检测算子在道路边缘提取中的应用研究
声敏 感 。高 斯 拉普 拉 斯 算 子 的优 点 是 可精 确 检 测 到
边缘 ，可 以检测大范 围区域，缺点是在拐角、弯 曲 和 灰 度 值 有 变化 的边 缘 有误 检 测 ，检测 不 出边 缘 的
ｎ ｉ ｎ ｅｄｔｃ ｄ ｄ ｅ ａ ｅ ｏ ｄｃｎｉｕｔ． ｈｒ ｒ ｍａｙｏ ｖｏ ｓ ｄ ａ ｔ ｅ ｅｅｔ ｇｌ ｅｒ ｂｅｔ ｏｓ ａ ｄ ｈ ｅｅｔ ｇｓ ｖ ｏ ｏ ｔ ｉ Ｔ ｅｅ ｅ ｎ ｂ ｉｕ ｖｎａ ｓｎｄｔｃ ｎ ｎ ａ ｊｃ ｅ ｔ ｅｅ ｈ ｇ ｎ ｙ ａ 息对 于 地物 边 缘 的正确 提 取 是 十 分 有 价值 的 。为 此 ，本 文 提 出 了一 种 带有 方 向性
的边缘 检测 算 子 ，并 以道路 提取 为例 进行 了实验 。
２ 方 向边缘检 测算子的构建
Ｊ Ｃｎ ｙ在 １８ ．ａ ｎ ９ ６年 提 出 的最 佳边 缘检 测准 则
是 ：（ ）检 测 的信 噪 比最 大 ，对 信 号 的误 检 和 漏检 １
（ ９ ８ 、Ｙ ｕ ｇ ｗ ｎ ａ ｄ Ｕ ｐ （ ９ ９ Ｌ ￣大 部分 １ ９ ） ｏ ｎ — ｏ ｎ ｄ ａ １９ ） １ Ｊ
该类 算 子 的 优 点是 简 单 ， 可检 测 边 缘和 边 缘 方 向， 缺 点是对 噪 声敏 感 ，检测 精度 不 高 。如 Ｓｂ ｌ算 子 ｏｅ
对 噪 声有 一 定 的抑 制 能 力 ，但 在 检 测 阶跃 边 缘 时 得
率最低；（ ）最优检测精度，检测 出的边缘与真实 ２ 边 缘 位 置 最接 近 ；（ ）检 测 点对 边 缘 点 唯一 响 应 ， ３
检 测 出 的伪 边 缘与 真 实边缘 的距 离最 远 。
根据此 准 则 ， ａ ｎ Ｃ ｎ ｙ提 出最佳 边缘 检测 函数 应 是
基于机器学习的图像边缘检测方法的研究与应用的开题报告
基于机器学习的图像边缘检测方法的研究与应用的开题报告1.研究背景与研究意义图像边缘是图像中最基本的特征之一，图像边缘检测是计算机视觉领域中的一个重要问题。
传统的边缘检测方法包括Sobel算子、Canny算子、Prewitt算子等，但这些方法仍然存在局限性，例如对噪声敏感、边缘检测结果不准确等问题。
针对这些问题，近年来，基于机器学习的图像边缘检测方法得到了广泛的研究与应用。
这种方法能够自动从大量的图像数据中学习图像特征，并得到更高精度的边缘检测结果。
因此，本研究旨在通过对基于机器学习的图像边缘检测方法的研究与应用，提高图像边缘检测的准确度和鲁棒性，为计算机视觉领域的发展做出贡献。
2.研究内容与研究思路本研究将围绕以下内容进行深入研究：（1）机器学习的基本变上下文边缘检测理论介绍机器学习相关的理论知识，包括分类器、神经网络、卷积神经网络等，并着重介绍上下文边缘检测理论。
（2）基础边缘检测算法介绍传统的边缘检测算法，包括Sobel算子、Canny算子、Prewitt 算子等，并比较各算子的优劣。
（3）基于机器学习的边缘检测方法介绍基于机器学习的边缘检测方法，包括基于Haar特征的Adaboost算法、基于LBP特征的SVM算法、基于CNN的图像边缘检测算法等，并分析各种方法的优缺点。
（4）实验与应用本研究将使用大量的实验数据验证上述研究内容，在各种场景下应用并评估不同边缘检测方法的性能表现。
3.研究预期成果本研究主要预期达到以下成果：（1）深入了解机器学习相关理论知识及其在图像边缘检测中的应用。
（2）对传统边缘检测算法进行分析，并比较不同算法的优缺点。
（3）研究基于机器学习的图像边缘检测方法，并对各种方法进行评估和比较。
（4）通过实验与应用，验证机器学习方法在图像边缘检测中的性能表现，并与传统算法进行对比。
4.研究工作计划本研究的工作计划如下：（1）第一阶段（第1-4周）：学习机器学习理论知识，阅读相关文献，进行相关实验的准备。
基于分块阈值和边缘检测的叶片分割算法_赵斌
2 ） 用分块阈值对预处理后的叶片图像 I1 进行分 得到图像 I2 ， 再对图像 I2 依次用开操作 、 腐蚀操 割， 作来消去无意义的小叶片 ， 最后把不完整的地方用填 洞操作进行补充 ， 得到用形态学操作优化后的分块阈 值图像 I3 ； 3 ） 用改进的 Sobel 算子对预处理后的叶片图像 I1 进行边缘检测 ， 得到叶片图像的轮廓 I4 ， 再对 I4 采用 膨胀的形态学操作 ， 得到优化后的边缘检测图像 I5 ； 4 ） 将 2 ） 和 3 ） 得到的结果用相与的方法结合 ， 保 留较优的结果 I6 ， 对 I6 用膨胀 、 填洞的形态学操作得 再对图像 I7 进行取反得到最终的实验结 到图像 I7 ， 果 I8 。 本文算法的流程框图如图 3 所示 。
， 它利用局部阈值和最佳阈值来分割叶片 ， 最终
得到了比较清晰的叶片二值图像 ， 但是它所处理的叶 并没有受到噪声的干扰 ； 基 片图像就只有一片叶子 ，
［2 ］ 于改进 Sobel 算法的叶片图像边缘检测 ， 通过增加
1
阈值分割
［4 ］ 本文采用的分块阈值分割算法是在 Ostu 法 的
方向模板来改进 Sobel 算子 ， 解决了边缘检测时边缘
把该近似梯度算子用 3 × 3 的模板表示就是 Sobel
将这两个算子模板进行卷积， 得到的最大值作为 该点的输出值， 最后的运算结果就是 1 幅边缘幅度图 像
［7－8 ］
来进行优化 。 比如 ： 膨胀既能使边界向外扩张 ，
。
又能填补叶片中的空洞 ； 腐蚀可以消去无意义的小叶 片 ； 开操作可以除去叶片图像中小于结构元尺寸的亮 点 ，同时保留所有的灰度和较大的亮区域特征 ； 取反 操作则可以使得到的叶片分割图像的视觉效果更加 好等 。 本文的算法主要步骤如下 ： 1 ） 先把植物叶片原图像 I 转变成灰度图像 Im ， 再 增强等预处理处理 ， 然后得 对灰度图像 Im 进行滤波 、
2007年《林业机械与木工设备》总目次
固目
２ ０ ０ ７年《 林业机械 与木 工设备》 总 目次
题 目
・
作 者
期・ 页
题 目
作 者
期・ 页
综述 ・
中国数控木工机械 的开发方向
马
岩
（ １ １ － ４ ）
家具机械发展趋势与选用的
几 个技 术 问 题
李
王
木质能源利用现状
徐
鑫等 （ ８ － １ ３ ）
吴旭 刚等 （ ９ － ４ ）
我国结构用木质复合材现状与应用前景 王宏棣等 （ ９ － ７ ）
晚清时期中国的木材加工技术
剖灌 机 械 发展 现 状 及趋 势
索建营等 （ ９ － １ ０ ）
王 燕 等 （ １ ０ — ４ ）
燃料电池技术在农林机械应用分析 多尺度数学形态学在木材图像边缘
检测 中的应用 １ Ｓ Ｚ Ｘ 一 ２ ８ ０型振动深松旋耕机 Ａ Ｎ Ｓ Ｙ Ｓ 在板式家具强度分析中的应用
江发潮 （ ７ － ５ １ ） 郭 凡等 （ ９ － ４ ７ ）
孙彦君 等 （ ９ — ５ ０ ） ， 可 风梅等 （ １ ０ — ５ ２ ）
数控机床在我国木材加工领域
的应用前景
推广应用・
中密度薄板 生产线速度调节控制
吕 宏等 （ ４ － ４ ） 崔会 旺等 （ ４ — ６ ） 杨兰玉等 （ ４ － ９ ） 任忠先等 （ ５ － ４ ）
感性工学在产品需求分析中的应用
草苁蓉的人 工繁育
Ｐ Ｌ Ｃ在 多 层 压机 控 制 系 统 中 的应 用
王云颂等 （ １ ０ － ６ ）
的应用与发展
人造板在不同热压条件下传热的 研究现状 李翠翠等 （ １ ０ － ８ ）
自适应Canny算法的植物叶片图像边缘检测应用
灰度直方 图 自动计算高低 阈值 ， 实现 白适应的植物叶片边缘 检测 ， 实验结果表明效果 良好 。
１ 传统 Ｃ ａ ｎ ｎ ｙ 算法原 理
Ｓ ｘ ＝ １ × ： １ ］ ＝ ｘ １
Ｓ ， Ｓ ｙ 是ｘ 向、 ｖ 向的一阶偏导数矩阵 ， 梯度幅值以及梯 度方 向的数学表达式为 ：
（ ２ ）
（ ３ ）
（ ４ ）
Ｍ ｂ ｊ ］ ： 、
１ ． ３对 梯 度 的 幅值 非极 大 值 抑 制
＋ ５ ， Ｍ
一
个 优秀的边缘检测算法需要满 足信噪 比 、 定位精 度和单边 界响应ｊ个准则 。而 Ｃ ａ ｎ ｎ ｙ 算 法就是在这基础上推导 出来的最优
边缘检测算法 ， 它包含四个 步骤 ： 首先利用高斯过滤器平滑去噪 图片 ， 其次利用一阶偏导计算图像的梯度幅值和方 向， 然后对梯度 的幅值进行非极大值抑制 ， 最后利用设定 的高低 阈值排除伪边缘得到轮廓 。
ｈ ｔ ｔ ｐ ： ／ ／ ｗ ｗ ｗ． ｄ ｎ ｚ ｓ ． ｎ ｅ ｔ ． ｅ ｎ Ｔ ｅ ｈ ＋ ８ ６ — ５ ５ １ — ６ ５ ６ ９ ０ ９ ６ ３ ６ ５ ６ ９ ０ ９ ６ ４
自适应 Ｃ ａ ｎ ｎ ｙ 算法的植物 叶片图像边缘检测应用
李 沙 ， 谢 鹏 ， 姚 丽
Ｉ ＳＳ Ｎ １ ０ ０ ９ － ３ ０ ４ ４
Ｅ— ｍａ ｉ ｌ ： ｅ ｄ ｕ ｆ ＠ｄ ｎ ｚ ｓ ． ｎ ｅ ｔ ． ｅ ｎ
Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｋ ｎ ｏ ｗ ｌ ｅ ｄ ｇ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ电脑 知 识 与技术
常用滤波方法在受虫害杨树叶片处理中的应用
得 出最佳 的方 法。
关键词 ： 均值滤波 ；中值滤波 ； Ｔ Ａ ＭＡ Ｌ Ｂ 中图分类号 ：Ｐ ９ ．１ Ｔ３１ ４ 文献标识码 ： Ａ 文章编号 ：０ １４ ６ （０ ６ １－ ０ ０ ０ １０ — ４ ２ ２ ０ ）１０ ４ — ２
Ｔｈ ｐ ｉａ ｉ ｎ ｏ ｒ ａ ｌｅ ｉ ｇ ｏ ｅ ｔＰｏ ｌ ｒ Ｂｌ ｄ ｓＰｒ ｃ ｓ ｉ ｇ ｅＡｐ ｌ ｔ ｆＮｏ ｍ ｌ ｔ ｒｎ ｎ Ｐ ｓ ｐ ａ ａ ｅ ｏ ｅ ｓｎ ｃ ｏ Ｆｉ
点像素灰度 的新值 。这里 的邻域称为 窗 口， 当窗 口在 图 像 中上下左右进行 移动后 ，利用 中值滤波算法 就可 以 很好地对 图像进行 平滑处理 。一 维下 的中值滤波算法 定义 为： ｎ为奇数 时 ， 数 ｘ， ， 当 ｎ个 ， …… ， 中值就 ｘ ｘ的 是按数值大小顺 序处于 中间位置 的数 ； ｎ为偶 数 时 ， 当 定义两个 中间数 的平均 值为 中值 ，用 符号 ｍ ｄ ｘ， ｅ （ ， Ｘ
… …
ｊ
原灰度 图像
，×
５ 均值滤波图像 ×５
，
Ｘ） ｎ 来表示 中值 ， ， ｅ （ ， ， ， ， ）３ 如 ｍ ｄ １３４ ０６ ＝ 。
５５ × 中值滤波 ｃ
二维下 的中值滤波算 法定义为 ： ｛Ｘ）表示数 字 设 （。 ｝ 图像 各点 的灰度值 ， 里 （，） 这 ｉｉ取遍 ｚ 或 ｚ 的某 子集 。 滤波器窗 口为 Ａ，其尺 寸为 Ｎ （ｋ １ｘ ２ ＋ ）ｙ 是窗 ＝ ２ ＋ ）（ｋ １ ，． 口 Ａ在 Ｘ 的中值 ， 则：
图像 在成像 、 样 、 化和传 输等 过程 中 ， 采 量 常常会 受到外界各种 噪声的干扰 ，使得 图像像 素点的灰度值 不能真实反映物体 ， 图像质量下 降。为了尽可能地减 使 小 噪声影 响 ， 图像必须进行去噪处理 。去噪处理方 降质
基于边缘检测和小波分析的布匹瑕疵检测方法
布 匹瑕疵 检 测 是 纺 织 品质 量 控 制 和 管 理 的 主
布匹瑕 疵检 测方 法 ， 立 叶 变换 方法 、 ａ ｏ 滤 如傅 Ｇ ｂｒ
要环节 之 一 。 年来 ， 匹瑕 疵 的 自动 检 测 逐 渐 替 近 布 代 了传 统 的人工 检测 ， 而基 于 机器 视 觉 的 自动 布 匹
１ 检 测原 理
１ １ 边缘 检测 ．
观 察布 匹瑕疵 图像 可 以发 现 ， 以布 匹纹 理 为背
景 的 图 像 多 呈 现 出 屋 顶 状 边 缘 ， 瑕 疵 的 特 征 相 与
近 ， 引起 误 检 、 检 ｊ 另外 ， 易 漏 。 由于 图像 采 集 环 境 或 光照 不均匀 等 因素 的影 响 ， 常会 造 成 瑕疵 图像 经 灰度差 异 很 大 ， 了提 高 瑕疵 部 分 的对 比度 ， 小 为 减 光照 的影 响 ， 先 将 灰 度 范 围拉 伸 到 相 同 的 区域 ， 首 然 后再 进行相 应 的处理 Ｊ 。 传 统 的 Ｃ ｎ ｙ 子 中 ， 、 阈值 ， 和 值 ａｎ 算 高 低 不 是 由图像边 缘 的特征信 息决 定 ， 而是 需要 人 为设 定 。 样 对 图像 容 易 造 成 细 节 的丢 失 ， 有 较 差 这 具 的边缘 连 续 性 ， 且 一 组 固定 的平 滑 参 数 和 阈值 ， 并 对 某一 幅 图像 可 能会 有很 好 的效 果 ， 是 如果 图像 但
（ ｅ ａ ｏａ ｒ ｆＡ ｖ ｎ ｅ ｒｃ ｓ Ｃ ｎｒｌｆｒ Ｌ ｇ ｔ Ｉｄ ｓ ， ｎｓ ｆＥ ｕ ａ ｏ ，ｉ ｇ ａ ｎｖ ｒ ｔ ， ｘ Ｋ ｙ Ｌ ｂ ｒｔ ｙ ｏ ｄ ａ ｃ ｄ Ｐ ｏ ｅ ｓ ｏ ｔ ｏ ｉｈ ｎ ｕ ｔ Ｍｉｉ ｒ ｏ ｄ ｃ ｔ ｎ Ｊ ｎ ｎ ｎ Ｕ ｉｅｓ ｙ Ｗｕ ｉ ｏ ｏ ｙ ｒ ｔ ｙ ｉ ａ ｉ
基于高斯函数的植物病斑叶片边缘检测算法综述
2019.35科学技术创新基于高斯函数的植物病斑叶片边缘检测算法综述任锦芬赵伟伟（西京学院信息工程学院，陕西西安710123）1概述边缘检测是分析图像的基础，是图像的基本特征，良好的图像边缘信息是理解的图像分割、图像识别、图像增强的基础。
经典的边缘检测算子包括Roberts算子、Sobel算子、Prewitt算子、Laplacan算子以及Kirsh算子等，这些方法多是以将要处理像素为中心的邻域作为进行灰度分析的基础，实现对图像边缘的提取。
但是这类方法存在获得边缘不连续、不封闭、像素宽、噪声干扰等缺点，即使采用一些辅助的方法加以去噪，也会相应地带来边缘模糊等难以克服的缺陷。
所以本文针对拉普拉斯算子、高斯拉普拉斯算子、高斯差分、Marr-Hildreth算子进行图像的边缘检测算法分析。
2基于高斯函数的边缘检测算法2.1Laplacian算子Laplacian算子广泛应用于图像增强中，而矩阵的拉普拉斯变换就是矩阵与拉普拉斯核的卷积，图像矩阵与拉普拉斯核的卷积实际上就是计算任意位置的值与其在水平方向和垂直方向上四个相邻的点的均值之间的差值。
Laplacian边缘检测算子在处理图像时不进行平滑处理，所以在有噪声时响应比较大，从而将噪声误以为边缘，得到的边缘也没有方向性。
但Laplacian算子也有一个优点，它只有一个卷积核，计算量小。
在恒等的灰度值区域不产生误差，则拉普拉斯卷积核内所有值之和必须为零。
Laplacian算子的实现步骤：Step1：图像矩阵与拉普拉斯卷积核卷积。
因为Laplacian算子对噪声很敏感，所以在进行卷积前先对图像进行高斯平滑。
Step2：通过卷积结果得到边缘的二值化显示，将大于零的设置为255，小于等于零的设置为0。
2.2高斯拉普拉斯边缘检测算子二维高斯函数的拉普拉斯变换即为高斯拉普拉斯，高斯拉普拉斯边缘检测算子简称为LoG边缘检测算子。
LoG边缘检测算子步骤：Step1：构建窗口大小为、标准差为的LoG卷积核。
基于改进Sobel算法的叶片图像边缘检测
基于改进Sobel算法的叶片图像边缘检测张辉;马明建【摘要】采用数字图像处理技术对叶片图像进行边缘检测,主要研究了基于Sobel 算子的叶片边缘的检测方法.在对图像进行灰度化和滤波去噪等预处理的基础上,增加了6个方向模板对Sobel算子进行改进.试验证明,该方法有效解决了Sobel算子边缘检测时边缘过粗的问题,得到的边缘较细,精确度提高了13.6％.【期刊名称】《农机化研究》【年(卷),期】2012(034)005【总页数】3页(P46-48)【关键词】边缘检测;叶片;Sobel算子【作者】张辉;马明建【作者单位】山东理工大学农业工程与食品科学学院,山东淄博255049;山东理工大学农业工程与食品科学学院,山东淄博255049【正文语种】中文【中图分类】S126;TF391.410 引言在图像分析和处理中，边缘是图像分割的重要依据，又是许多图像高层处理(如图像理解和识别等)的重要前提，因此图像边缘检测的好坏将直接影响后续处理的精度和效果［1］。
在几种经典的边缘检测算子中，Sobel算子方法简单、处理速度快，并且所得的边缘光滑、连续。
但它能检测的方向有限，抗噪能力比较低，这也给它的使用带来局限性。
为此，本文针对农业叶片图像边缘检测中的问题，提出了一种改进的基于Sobel算子的边缘提取算法，使得检测的方向和精度都得到了提高。
1 经典边缘检测算子存在的问题目前，经典的边缘检测算子都有:Sobel，Roberts，Prewitt，Gauss Laplace，Canny 等算子［2］。
对图像进行边缘检测时，运算速度与选取的模块大小有直接关系:模块越大，检测效果越明显，速度越慢;反之则效果差一点，但速度提高很多。
其次，抑制噪声和边缘精确定位是无法同时满足的，以下是各个算子的特点，如表1所示。
表1 边缘检测算子的特点边缘检测算子算子特点Sobel算子采用加权滤波，边缘清晰且较细，产生断点，产生伪边缘Prewitt算子采用平均滤波，边缘较宽，断点多，产生伪边缘续表1易丢失边缘Gauss Laplace算子边缘完整，但噪声很多Canny 高定位精度，低误判率，边缘检测算子算子特点Roberts 定位精度高，但对噪声敏感，抑制虚假边缘2 Sobel边缘检测算子经典Sobel边缘算子是一个梯度算子，一幅数字图像的一阶导数是基于各种二维梯度的近似值。
基于Canny算子的红外影像边缘检测算法
基于Canny算子的红外影像边缘检测算法叶德周;杨风健;貌程浩;刘军【摘要】针对传统Canny算子在提取红外影像边缘时会出现毛刺、不光滑等现象,提出一种增强边缘细节的红外影像边缘检测方法.在Canny算子基础上,用主成分分析得到的主算子代替Sobel算子,同时用基于二阶偏导的非极大值抑制方法进行边缘细化,最后由"参考白"方法设置阈值提取最终边缘.经MATLAB仿真表明,相比Canny算子,所提方法能够提取更加平滑的边缘,尤其对弧形边缘.【期刊名称】《激光与红外》【年(卷),期】2015(045)009【总页数】4页(P1129-1132)【关键词】红外影像;边缘检测;Canny算子;主成分分析;非极大值抑制【作者】叶德周;杨风健;貌程浩;刘军【作者单位】杭州电子科技大学电子信息学院,浙江杭州310018;杭州电子科技大学电子信息学院,浙江杭州310018;杭州电子科技大学电子信息学院,浙江杭州310018;杭州电子科技大学电子信息学院,浙江杭州310018【正文语种】中文【中图分类】TP751红外影像的边缘检测对于进一步影像分析和识别具有重要意义。
目前,针对红外影像的边缘检测方法主要集中在基于微分实现的检测算子,如Sobel算子、Prewitt 算子、Krisch算子和Canny算子等一阶微分算子以及类似LoG算子的二阶微分算子。
但是,上述检测算子在对红外影像等特殊图像处理时存在一定局限性。
因此,科研工作者们提出了一系列改进方案。
其中,袁春兰等人[1]提出通过叠加经OTSU方法处理的二值图像和原始图像的Sobel边缘以弥补Sobel算子对方向的敏感性。
而夏清等人[2]针对边缘检测中的噪声干扰,提出用形态学方法代替高斯滤波以解决滤波尺度无法自适应的问题,同时将中值滤波用于Roberts算子的预处理,最后融合改进的LoG算子和Robters算子检测结果。
此外,他们还通过将灰色理论和经形态学滤波的Laplace算子相结合用于含噪图像的边缘提取[3]。
一种改进的植物叶片病斑区域边缘提取技术
一种改进的植物叶片病斑区域边缘提取技术夏永泉;曾莎;李耀斌【摘要】针对传统Canny算子边缘检测时容易丢失边缘细节的缺陷，提出了一种改进的植物叶片病斑区域边缘提取技术。
运用最大类间方差法对病害图像进行二值化，添加对两个斜方向上梯度信息的提取，更加完整地保存了梯度信息，从而得到更完整的边缘图像。
实验结果表明，本文方法能够有效地滤除图像中的噪声，检测到细节梯度，去除伪边缘和噪声边缘，得到更加精确的病斑区域边缘。
%Aiming at the defect that the traditional Canny operator edge detection easily lost the edge de-tails,an improved technology was developed to extract the edges of the leaf disease region.More complete gradient information was preserved by using Otsu to binary plant disease images and adding on two oblique directions gradient information extraction,so as to get a more complete edge image.The experimental re-sults showed that this method could effectively filter out noise in the image and detect the details of the gra-dient,remove the false edges and noise edges and get the lesion edges more accurately.【期刊名称】《郑州轻工业学院学报（自然科学版）》【年(卷),期】2015(000)001【总页数】4页(P67-70)【关键词】植物叶片病斑区域;边缘检测;最大类间方差法;梯度计算【作者】夏永泉;曾莎;李耀斌【作者单位】郑州轻工业学院计算机与通信工程学院，河南郑州 450001;郑州轻工业学院计算机与通信工程学院，河南郑州 450001;郑州轻工业学院计算机与通信工程学院，河南郑州 450001【正文语种】中文【中图分类】TP391.41在农业生产中，病害对农作物的产量有着重要影响.植物病害的发生，不但降低了农作物产品的价值，严重的还会导致农作物大量减产乃至绝收.因此，对农作物病害的防治是农业生产中的一个关键问题.作物病害最直接的外在表现是病斑，由于作物种类较多，在同一种作物上的病害也有多种，因此病害呈现出多样化、复杂化的特征，需要针对不同作物的叶片病斑[1]分别进行研究.边缘是图像中梯度发生急剧变化的像素的集合[2]，是图像的重要特征之一.边缘检测是进行图像分割、特征提取等的基础[3-4].边缘检测的方法有很多，传统的算子有Robert,Sobel,Prewitt,Log和Dog等.然而这些算子对噪声敏感，并且是基于局部窗口运算的梯度算子，在复杂背景或噪声较多的情况下，效果不理想.目前，Canny算子[5-7]是一种相对较好的边缘检测算子,但是传统的Canny算子也存在对噪声敏感、容易丢失边缘细节、不能进行参数的自动化计算等缺陷.鉴于此，本文拟提出一种对Canny进行改进的植物叶片病斑区域边缘提取技术，以期更加准确地提取出病斑区域的边缘，为后续对病斑的研究提供依据.1.1 图像灰度化目前病害叶片图像大多是利用高像素数码相机、单反相机、智能手机等拍摄工具人工获得的24位真彩色图像.由于受外界光照、天气和复杂背景的影响，需挑选、裁剪出易于处理的病害图像.病害叶片图像的每个像素都由R，G，B 三个分量来表示.为便于研究，先将彩色图像转换为灰度图像，转换公式为其中，R，G，B分别为像素的红、绿、蓝颜色值;Y为转换后像素的灰度值.1.2 最大类间差法(Otsu)二值化Otsu的基础是最小二乘法，找出使前景、背景区域像素的平均灰度值与整个图像像素的平均灰度值之间差别最大的值作为二值化阈值.Otsu算法[5]的计算过程如下.首先求出图像的像素总数为N，其灰度级为L，图像灰度值为i的像素总数为ni，则i的概率为阈值T将图像按灰度级分成C0和C1两类，其对应的灰度级范围分别在[0,T-1]和[T,L-1]之间，所以C0和C1的灰度均值分别为整个图像的灰度均值为而定义类间方差为该方法不需要人为设置阈值，最佳阈值为σ2值最大时对应的T值，当图像没有明显的双峰时，也能得到较好的效果.2.1 传统的Canny算子传统的Canny算子是在信噪比准则、定位精度准则、单边响应准则下衍生出的最优边缘检测算子，其基本过程是用高斯滤波器平滑图像，再由一阶微分的极大值得到边缘点，求得边缘点的梯度幅值和方向，然后对梯度幅值进行非极大值抑制，最后利用人工设定的高低阈值得到图像的边缘轮廓.1)高斯平滑滤波：用二维高斯函数对图像f(x,y)进行滤波，设二维高斯函数为其中，σ是控制着图像平滑度的高斯滤波参数.滤波平滑后的图像g(x,y)=G(x,y)×f(x,y).2)梯度的幅值和方向：传统Canny算子对图像梯度和方向是用2×2领域的一阶偏导有限差分来计算的,梯度幅值和方向的计算公式分别为其中,Sx和Sy分别是x和y方向的一阶偏导数矩阵.3)非极大值抑制：此步骤是为了准确定位边缘，保留像素点沿幅角方向的最大值.传统的Canny算子是在梯度幅值范围内，以每个像素点为中心，用3×3矩阵沿梯度方向θ(x,y)进行梯度幅值插值计算.比较点(x,y)处的梯度幅值与其相邻的插值的大小，如果前者大,则点(x,y)为候选边缘点，否则即为非边缘点.4)双阈值处理：人工选取高阈值Th和低阈值Tt，对图像进行扫描.若点(x,y)的梯度幅值大于Th，则判定为边缘点；若小于Tt，则认为是非边缘点；处于两阈值之间的像素点，暂作为边缘点，根据边缘的连通性二次判断，若该点有邻接边缘点，则也认为是边缘点，反之则为非边缘点.2.2 改进的Canny算子传统Canny算子只提取了x和y方向的梯度来进行计算，忽略了一些斜边上的信息，因此可以再提取两个斜方向上的梯度，使边缘信息更加丰富、精确.改进的Canny算子流程图如图1所示.2.2.1 提取斜方向梯度信息为了求得斜方向上的梯度，使用图2所示的两个对角模板对图像中的像素值进行加权平均.图2a)的梯度计算为图2b)的梯度计算为斜方向上总梯度大小为2.2.2 最后的梯度计算因得到斜方向的梯度与原图像的梯度是大小相同的矩阵，当原图像的梯度值大于斜方向上时，说明该点的梯度值主要是水平方向和垂直方向；反之，则取斜方向上的梯度值.即信息的融合是取两个矩阵中对应位置数据的最大值.实验分别对小麦、番茄和黄瓜三种植物叶片病斑(见图3)区域的边缘进行提取，病斑区域提取结果如图4所示.由图4a)和图4b)可以看出，传统方法检测出的病斑边缘存在较多的伪边缘，如对黄瓜病斑区域的提取中出现大量片状区域，而番茄病害叶片也存在错检，边缘不明确.而由改进方法得到的边缘则较精确,尤其是蕃茄的病斑图像有比较明确的边缘.由图4c)和图4d)可以看出提取的病斑区域在原图像上的映射，本文提出的改进方法对番茄病斑的边缘提取得较为完整、精确，而对小麦和黄瓜叶片上复杂的病斑区域边缘的提取，精确度有待提高，但相对于传统的方法，精确度已得到明显改善.本文提出了一种对Canny进行改进的植物叶片病斑区域边缘提取技术.通过使用Otsu能够自动得到最佳阈值，方便了对图像的二值化；与传统方法相比，改进的Canny算子增加了斜方向梯度信息，使得到的边缘图像线条在某些间断的地方实现了连接，连续性有了很大改善.本文的改进方法能够有效减少边缘噪声，得到更加精确的病斑区域边缘，去除伪边缘.叶片病斑存在多样性、复杂性，开发针对各种不同颜色、形状的病斑进行准确的区域边缘提取的技术，将是下一步继续研究的课题.【相关文献】[1] Liu T, Yuan Z J, Sun J, et al.Learning to detect asalient object[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011,33 (2):353.[2] Martin D R, Fowlkes C C, Malik J.Learning to detect natural image boundaries using local brightness, color, and texture cues[J].IEEE Transactions on Parrern Analysis and Machine Intelligence, 2004,26 (5):530.[3] 彭辉，文友先，吴兰兰，等.采用自适应canny算子的树上柑橘图像边缘检测[J].计算机工程与应用，2011,47(9)：163.[4] 夏永泉，王会敏，曾莎.基于Android的植物叶片图像病害检测[J].郑州轻工业学院学报：自然科学版，2014,29(2)：71.[5] 梁光明，孙即祥，马琦，等.Otsu 算法在Canny 算子中的应用[J].国防科技大学学报，2003，25(5)：36.[6] 靳艳红，蒙建军．一种基于Canny算子改进的边缘检测算法[J]．重庆文理学院学报:自然科学版，2011，30(2)：27．[7] 徐亮，魏锐.基于Canny算子的图像边缘检测优化算法[J].科技通报，2013,29(7)：127.。
基于微分算子的边缘检测及其应用
基于微分算子的边缘检测及其应用王军敏;姬鹏飞【摘要】边缘是图像中的重要特征,利用微分算子能够检测图像中的边缘.对常用的Roberts算子、Prewitt算子、Sobel算子、Laplace算子、LOG算子的基本原理进行了分析,并利用这几种微分算子对图像边缘检测进行了仿真,对比分析了这几种微分算子的优缺点.最后,展示了微分算子边缘检测的应用.【期刊名称】《平顶山学院学报》【年(卷),期】2015(030)002【总页数】5页(P85-89)【关键词】边缘检测;微分算子;Roberts;Prewitt;Sobel;Laplace;LOG【作者】王军敏;姬鹏飞【作者单位】平顶山学院电气信息工程学院,河南平顶山467099;平顶山学院电气信息工程学院,河南平顶山467099【正文语种】中文【中图分类】TP391图像的边缘是指图像局部亮度变化最显著的部分，即在灰度级上发生急剧变化的区域.边缘是图像中的重要信息，边缘检测是一种重要的图像增强技术，其任务是精确定位边缘和抑制噪声，这是图像分割、目标识别、区域形状提取等图像分析的基础.边缘检测技术已被广泛应用于交通、医学、林业、遥感、工程技术中的零部件检查、故障诊断以及探伤等诸多领域[1].目前，随着图像处理技术和人工智能的发展，国内外已经出现了多种边缘检测方法，如基于数学形态学的方法[2]、基于小波变换的方法[3]、基于神经网络的方法等，这些方法虽然能够精确地抽取出边缘信息，但它们算法复杂，计算量大，不利于快速实时地实现.而基于微分算子的边缘检测方法具有算法简单、计算速度快的优点，并且检测效果也比较好，在图像处理中应用广泛.利用空域微分算子可以检测图像中灰度突变的区域，从而实现边缘检测.图像边缘检测的微分算子包括Roberts算子、Prewitt算子、Sobel算子、LOG算子等，这些微分算子的检测原理不同，对不同的图像边缘具有不同的敏感度，因此，对不同类型的图像边缘，应该选用对此类边缘敏感的算子进行边缘提取.1.1 基于一阶微分算子的边缘检测利用一阶微分可以计算图像的梯度，而图像边缘的梯度具有局部极值.因此，对图像的每一个像素求梯度，并取适当的门限值，将梯度的模值与设定的门限值进行比较，如果梯度的模值大于门限值，则该点被判定为边缘点；否则不被判定为边缘点.因此，若门限值选择较大，则很多边缘点可能无法被检测出来；若门限值选择过低，则会检测出许多噪声点被误认为是边缘点.对于二维图像函数f(x,y)，它在点(x,y)处的梯度定义为G(x,y)].梯度的方向定义为：α(x,y)=arctan(Gy/Gx)，即梯度的方向在函数f(x,y)最大变化率的方向上.梯度的模值定义为：对于数字图像，微分可用差分来近似表示，式(1)可写为：式中i对应X轴正方向，j对应Y轴负方向.在实际中，常用小区域模板的卷积来近似实现.1.1.1 Roberts算子Roberts算子是一种利用局部差分算子寻找边缘的算子.任意一对相互垂直方向上的差分都可用来估计梯度，Roberts算子是采用对角方向相邻两个像素之差，即：Gx=f(i,j)-f(i+1,j+1)，Gy=f(i,j+1)-f(i+1,j).为了快速简便地计算梯度模值，可采用近似的计算公式：Roberts算子采用2×2的卷积模板表示该近似公式，即：1.1.2 Prewitt算子Prewitt算子将局部平均和方向差分结合起来[4]，即先做平均滤波，再进行差分，其卷积模板如下：使用Prewitt算子时，先进行平均滤波，同时将模板由2×2扩大到3×3计算差分，对噪声有一定的抑制作用，提高了抗噪声干扰的能力.1.1.3 Sobel算子Sobel微分算子是先做加权平均，然后再微分，其表达式为：Sobel算子对4邻域采用加权平均的方法计算差分，对应的卷积模板[5]如下：Sobel算子强调中心像素的4个邻域像素对其的影响，而削弱4个对角近邻像素的作用.它是有方向性的，在水平方向和垂直方向上形成最强烈的边缘.为了观察一阶微分算子检测图像边缘的效果，下面选取一幅图像进行仿真，如图1所示.由图1可以看出：1)利用Roberts算子检测的边缘比较细腻，但是图像中细小微弱的边缘信息损失较多；同时，Roberts算子对边缘定位准确，但对噪声较敏感.2)Prewitt算子对边缘定位比较完整，但检测出的边缘比较宽；同时，由于Prewitt算子采用了平均滤波，对噪声有一定的抑制作用，但也使得对边缘的定位精度不如Roberts算子.3)Sobel算子与Prewitt算子类似，对边缘定位比较完整，但是检测出的边缘比较粗糙，降低了定位精度；由于采用了加权平均滤波，Sobel 算子的抗噪声能力更强一些.1.2 基于二阶微分算子的边缘检测因为一阶导数的局部极值对应着二阶导数的零交叉点，因此，通过寻找图像灰度二阶导数的零交叉点就能找到精确的边缘点.1.2.1 Laplace算子Laplace算子是函数f(x,y)的二阶导数，即在数字图像中，将微分表示为差分，即(i-1,j)].如果图像f(x,y)的值为常数或呈线性变化，则Laplace算子的模值G[f(x,y)]为零.如果f(x,y)的变化率远大于其线性度，则G[f(x,y)]就会在f(x,y)的弯曲点上产生符号改变，即G[f(x,y)]的变号点表示一个边缘点的存在.Laplace算子是各向同性的，对其模板的基本要求是对应中心像素的系数应是正的，而对应中心像素邻近像素的系数应是负的，且它们的和应该是零.常用的Laplace算子为：或1.2.2 LOG算子因为一阶、二阶微分的计算对噪声很敏感，导致边缘检测的结果图像中含有大量噪声干扰.因此，可先使用滤波器滤除图像中的噪声，然后再使用微分算子检测图像的边缘，这样可改善边缘检测的效果.LOG运算可表示为h(x,y)=▽2[g(x,y)*f(x,y)]，其中g(x,y)为高斯函数.LOG算子先用高斯函数g(x,y)对图像f(x,y)进行高斯滤波，降低了图像噪声，然后再对滤波后的图像进行Laplace运算，二阶导数的交叉过零点被认为是边缘点.常用的LOG算子卷积模板是为了观察二阶微分算子检测图像边缘的效果，下面选取一幅图像进行仿真，如图2所示.由图2可以看出：1)Laplace算子对图像边缘定位准确，但是会丢失一部分边缘的方向信息，造成不连续的边缘.此外，它对噪声也比较敏感.2)LOG算子边缘定位准确，能检测出图像中细弱的边缘，检测效果较好，这是因为LOG算子在Laplace微分运算前先用高斯滤波器对噪声进行平滑的结果.根据以上的分析和仿真结果，利用微分算子进行边缘检测的性能对比分析如下：1) Roberts算子对边缘定位比较精确，但图像中很多微弱的边缘信息没有被检测到，同时，Roberts 算子对噪声比较敏感.Prewitt算子采用平均滤波的方法，对噪声有一定的抑制能力，但也导致对边缘的定位不如Roberts算子精确.Sobel算子对边缘定位比较准确和完整，但检测出的边缘比较粗糙.此外，Sobel算子采用加权平均滤波的方法，对噪声也有一定的抑制能力.因为Sobel算子和Prewitt算子都是先平均后差分，平均滤波会丢失一些细节信息，使边缘有一定的模糊.同时，由于Sobel算子对平均滤波进行了加权处理，使其边缘的模糊程度要低于Prewitt 算子.2) Laplace算子是各向同性的，Laplace运算的结果是标量而不是矢量，容易丢失一部分边缘的方向信息，造成一些不连续的边缘，同时，Laplace算子对噪声很敏感，抗噪声能力差，因此很少使用Laplace算子进行边缘检测.LOG算子是把高斯平滑滤波器和Laplace锐化滤波器结合起来，先用高斯滤波器对图像进行平滑，抑制噪声，然后再利用Laplace算子进行边缘检测.LOG算子克服了Laplace算子对噪声敏感的缺点，减少了噪声的影响，故检测效果较好.3) 一阶微分算子(Roberts算子、Prewitt算子、Sobel算子)存在明显的方向性，这可能造成一阶微分算子对图像边缘检测的不连续性；二阶微分算子(Laplace算子、LOG算子)是各向同性的，即没有方向性，对不同方向的边缘都能检测，检测出的图像边缘连续性较好，比较平滑.4)一阶微分算子检测到的图像边缘比较简单，信息量少；二阶微分算子对边缘的检测比较敏感，能检测出图像中微弱的边缘，定位也比较准确，但二阶微分算子对噪声有很高的敏感性，需要先进行平滑滤波，抑制噪声，然后再进行微分运算.一阶微分算子对边缘检测具有明显的方向性，LOG算子具有较强的抗噪声能力，能检测出图像中微弱的边缘.因此，针对不同类型的图像边缘，采用对此类型边缘敏感的一阶或二阶微分算子，就能很好地提取出图像中的边缘信息.图3～图7展示了利用微分算子进行边缘检测的应用.1) 利用微分算子检测不同方向的边缘，如图3、图4所示.2) 利用微分算子检测车牌图像的边缘，如图5所示.3)利用微分算子检测医学图像的边缘，如图6、图7所示.从以上的仿真结果可以看出，利用微分算子实现了较好的边缘检测，为后期的图像分析、目标识别等奠定了基础.因此，基于微分算子的边缘检测在生产生活中具有重要的应用价值.【相关文献】[1]韦炜.常用图像边缘检测方法及Matlab研究[J].现代电子技术，2011,34(4)：91-94.[2]王征.一种基于数学形态学的边缘检测方法[J].计算机与数字工程，2012,40(2)：102-104.[3]罗婷.一种基于小波变换和数据融合降噪的图像边缘检测方法[J].桂林电子工业学院学报，2005,25(5)：14-17.[4]陈跃妤.边缘检测算法比较分析[J].农业网络信息，2012(6)：31-33.[5]蒋伟，陈辉.基于分数阶微分和Sobel算子的边缘检测新模型[J].计算机工程与应用，2012,48(4)：182-185.。
自然环境下杏树的边缘信息检测及轮廓提取
自然环境下杏树的边缘信息检测及轮廓提取李亚丽;付威;赵岩;付昱兴;吴志鹏【摘要】针对自然环境下采集的树木图像,容易受到环境、光照条件、自身结构形态等的影响,产生图像弱边界、连通性差、纹理边缘干扰多、感兴趣很难确定等情况,造成树木边缘信息检测及轮廓提取困难的问题.本文提出一种基于OpenCV框架实现的树木边缘信息检测及轮廓提取方法,能够准确的提取到树木图像中单棵树木的边缘信息及轮廓特征,为树木的三维重建、测量等提供依据,从而为深入研究杏树生长发育、品质鉴定、培育新品种等提供重要的参考意义.【期刊名称】《新疆农机化》【年(卷),期】2019(000)004【总页数】4页(P31-34)【关键词】OpenCV;边缘检测;轮廓提取【作者】李亚丽;付威;赵岩;付昱兴;吴志鹏【作者单位】石河子大学机械电气工程学院,新疆石河子 832000;石河子大学机械电气工程学院,新疆石河子 832000;海南大学机电工程学院;石河子大学机械电气工程学院,新疆石河子 832000;石河子大学机械电气工程学院,新疆石河子 832000;石河子大学机械电气工程学院,新疆石河子 832000【正文语种】中文【中图分类】S223.50 引言轮廓特征作为图像的最重要特征之一，广泛应用于图像分割、图像分类、图像匹配、模式识别等领域[1]。
树木轮廓信息的提取是实现测量、三维可视化、植物病虫害检测等的关键技术，是深入研究杏树生长发育、品质鉴定、培育新品种等农业精细化作业的必要手段。
Teng[2]等基于树木图像数据提取其树冠整体的轮廓特征点，实现了树木的三维可视化研究。
杨耀民[3]为了实现马铃薯的精确分级、品质检测等，采用基于大量转动的马铃薯轮廓图实现了马铃薯三维模型的快速、精确重建。
计甜甜[4]等人采用中值滤波及图像锐化处理，尽可能完整的保留图像的病害区域及边缘细节，实现了大豆、玉米、油菜、黄瓜等多种植物的常见叶部病害的彩色图像分割及检测。
- 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)。
第３ ５卷
２０ 年 ０７
第 ２期
维普资讯
析受虫害杨树叶片 图像的方法 。 １ 常用 的边缘检测算子 在对离散 图像进行的运算中 ，以差分运算近似代替 导数运算。以这些理论为基础， 产生了许多基于梯度的边
维普资讯
囤
虫
宋蛰存 ， 周秀 明
的龃
（ 东北林 业大学 ， 黑龙江 哈 尔滨 １０ ４ ） ５ ０ ０ 摘 要： 介绍 了几种常用的边缘检 测算子。不 同的微 分算子对不同边缘检 测的敏 感程度 不同， 因此对 不同类 型
的边缘提 取应采 用对 此类边缘敏 感的算子 。针 对受 虫害杨树 叶片 图像 ， 通过 ＭＡ Ｌ Ｂ７１ 行仿 真研 究， Ｔ Ａ ．进 通过 比
［］伯 晨， 彦龙， 林 等给 质 束下 类ＤＴ 像 ４ 晓 卜 沈 成， ．定降 约 一 Ｃ 域图 水印 算法的拉伸系数估计［． 科技大 Ｊ国防 ］ 学学报，０， （） ２ ２ ４６： ０ ２
５—７ ２５・ 第一作者简介： 孔宪君 ， 高级工程师， 主要研究方向为计 算机操作系统和多媒体技术，在国内核心期刊发表论文十余
收稿 日期 ：０ ６ ｌ— ０ ２ ０ 一 １２
ห้องสมุดไป่ตู้
之间、 基元 与基元之 间。图像 的大部分 主要信息都存在
于图像 的边 缘 中， 图像进行边缘 检测和提取 ， 过二 对 通 值 图像可 计算 出图像 中 目标物 的几何特性 ，如 目标物 的大小及位置 。 本文利用常用 的微分算子对受到虫害
终
， ，
王 伟 于 噪 的 图 印 法Ｊ 算 新 ． 蔷 比 自 算 ［计 机 基 ］ ．
Ｉｅｒ ：ｋ ｗ ㈩ｍｓ ａ ． ｔａ ｒ — ６
权纠纷 时 ，所有者从盗 版作 品或水 印版作 品中获取水
工程 ２０３，９ ３）７ — ２ ０ ２ （ ：０ ７ ．
印信号作为依据 ， 从而保护所有者的权益。另一个典型 应用是 Ｄ Ｄ防拷贝系统 ，即将水 印信息加入 Ｄ Ｄ数 Ｖ Ｖ
据 中，这样 Ｄ Ｄ播放机 即可通过检 测 Ｄ Ｄ数据 中的 Ｖ Ｖ 水 印信息而判断其合法性和可拷贝性。 主要参考文献：
［］ Ｋ ｃ ｎ ｈ。Ｊ Ｉ ａｅ ａａｔｅｗ ｔｍ ｒｉ ｓ ｇｖ ｕｌ １ ｏｈＥ ａｄＺ ａ ．ｍ ｇ －ｄｐｖ ａ ｒ ａ ｎ ｕｉ ｉ ａ ｉ ｅ ｋｇ ｎ ｓ
基金项 目： 黑龙 江省 自然基金资助项 目（ ２０ ０ ） Ｃ ０ ５ ７
的杨树 叶片图像 进行检测 ， 最后 比较 结果 ， 出适 合分 得
ｍｄ１… ． Ｅ ｏ＂１ｎ ｐｃ１ ｒｓｎ ｏｍ ｎａ０ｓ ｏ ｓ ｅ Ｉ ＥＨＩ１ ｏ ＳｅａＡｅ ｍ ｕｉｔｎ， Ｅ Ｉａ ｉ １ Ｉ ａｉ Ｃ ｃｉ
ＳＯＮＧ Ｚｈｅ ｕｎ ＺＨＯＵ ｕ－ ｉ －ｃ ， Ｘｉ ｍ ｎｇ
（ ｏ ｈａｔ ｏｅｔ ｎ ｅｓｙ Ｈ ｉ ｎｊｎ ａｂｎ１０４ ， ｈｎ ） Ｎ ｒ ｅｓ Ｆｒｓ ｙＵ ｉ ｒｉ ， ｅ ｏｇ ａｇＨ ｒｉ ５ ０ ０ Ｃ ｉａ ｔ ｒ ｖ ｔ ｌ ｉ
Ａｂｓｒ ｃ ：ｎ ｒｄ ｃ ｄ ａ ｆｗ ｏ ｒｔｒ ａ ｅ ｎ ｅ ｇ ｅｅ ｔ ｎ ｂ ｉｆｙ ｅ ｓｔｖｔ ｓｄｆｅｅ ｔｆｒｄ ｆ ｒ ｎ ｐ ｒ ｔｒ ， Ｏ ｔ ａ ｔ Ｉ ｔｏ ｕ ｅ ｐｅａｏ ｓｂ ｓ ｄ ｏ ｄ ｅｄ ｔｃｉ ｒｅ ．Ｓ ｎ ｉ ｉ ｉ ｉ ｒ ｎ ｏ ｉ ｅ ｅ ｔｏ ｅ ａｏ ｓ Ｓ ｏ ｏ ｌ ｉ ｙ ｄｆｅ ｅ ｔｔｐｅ ｆｅ ｇ ｅｅ ｔｏ ｓ ｄ ｐ ｏ ｒ ｓ ｏ ｄｎ ｅ ｓｔ ｅｏ ｅ ａｏ ． ｅｉ ｇ ｓｏ ｅ ｔ ｏａ ｌｄ ｓｗｅｅ ｓｍｕ ａｅ ｉ ｒ ｎ ｙ ｓｏ ｄ ｅｄ ｔｃｉｎ ｍｕ ｔ ｏ ｔ ｒｅ ｐ ｎ ｉｇ ｓ ｎ ｉｉ ｐ ｒ ｔｒ Ｔｈ ｍａ ｅ ｆｐ ｓ ｌｒｂ ａ ｅ ｒ ｉ ｌｔｄ ａ ｃ ｖ ｐ ｂ ＡＴＬ 、．Ｔｈ ｈ ｒｃｅ ｓａ ｕ ｃｉｎ ｆｔ ｐｅａｏ ｓｗｅ ｅ ｃ ｍｐ ｅ ｎ ｎ ｌｚ ｄ ｎｄ ｔ ｅ ｓ ｉ ｂｅ ｍｅｈ ｄ ｈ ｄ ｙＭ ＡＢ ７ １ ｅ ｃ ａ ａ ｔｒ ｎｄ ｆｎ ｔ ｓｏ ｏ ｈｅｏ ｒｔｒ ｒ ｏ ａ ｄ ａ ｄ ａ ａｙ ｅ ，ａ ｈ ｕ ｔ ｌ ｔｏ ａ ｒ ａ
较 ． 出合 适 的 方 法 。 选
关键词 ： 微分算子 ； 边缘检测 ；图像 中图分类号 ：Ｐ ９ ． Ｔ３１ １ ４ 文献标识码 ： Ｂ 文章编 号 ：０ １４ ６ （０ ７ ０ — ０ ７ ０ １０ — ４ ２ ２ ０ ）２ ０ ４ — ３
Ａｐ ｌ ａ ｉ ｎ ｏ ｆｅ ｅ ｔＯｐ ｒ ｔ ｒ ｇ ｔ ｃ ｉ ｎ ｏ ｅ ｔＰ ｐ ａ ａ ｅ ｐ ｉ ｔ ｆＤｉ ｒ ｎ ｅ ａ ｏ ｓｉ Ｅｄ ｅ Ｄｅ ｅ ｔｏ ｆＰ ｓ ｏ ｌ ｒ Ｂｌ ｄ ｓ ｃ ｏ ｎ
ｅｅ ｔｄｆｏ ｉ ｌｃｅ ｒ ｍ ｔ ．
Ｋ ｅ ｒ ｓ： ｉ ｅ ｅ ｔ ｌｏ ｅ ａｏ ｓ ｄ ｅｄ ｔｃｉｎ； ｍａ ｅ ｙ ｗｏ ｄ ｄｆ ｒ ｎ ｉ ｐ ｒ ｔｒ ；ｅ ｇ ｅｅ ｔ ａ ｏ ｉ ｇｓ
图像的边 缘是图像最基本 的特征…。 所谓边缘是指 其周 围像素灰度 有阶跃 变化或 “ 屋顶” 变化 的那 些像素 的集合 。 边缘 广泛存在于物体与背景之 间 、 物体 与物体
４ 结束语
数字水 印主要 应用于版权保 护 ，如数字作 品的所
１ ８ ６４： ５５９ ９ ， （） ２－３． ９ ５ ［］ ３
有！！ 竺 印 苎 景 二 ， 璧
后公开发布水 印版 本作 品。当该 作品被盗版 或 出现版
： 釜
Ｃｕｇｕ。ｌ … Ｔ ，ｊ ｈＥ－。ａ ｉＥ ｉ 肛ｎ 。 ｏｉｓｕ Ｔ Ｗ噼 ｈ －