基于matlab圖像處理的番茄葉面積測(cè)量設(shè)計(jì)論文

1、<p>　　畢 業(yè) 論 文</p><p>　　題 目： 基于Matlab圖像處理求番茄葉面積 </p><p><b>　　作 者：</b></p><p><b>　　學(xué) 號(hào)： </b></p><p><b>　　專

2、 業(yè)： </b></p><p><b>　　班 級(jí)： </b></p><p><b>　　指導(dǎo)老師: </b></p><p>　　(姓 名) (專業(yè)技術(shù)職務(wù))</p><p><b>　　評(píng) 閱 者： </b></p>

3、;<p>　　(姓 名) (專業(yè)技術(shù)職務(wù))</p><p><b>　　年 月 </b></p><p><b>　　畢業(yè)論文中文摘要</b></p><p><b>　　畢業(yè)論文外文摘要</b></p><p><b>　

4、　目 錄</b></p><p><b>　　1 引言1</b></p><p>　　1.1 研究背景1</p><p>　　1.2 研究意義1</p><p><b>　　2 測(cè)定原理2</b></p><p>　　3 番茄葉圖像處理計(jì)算葉面積的實(shí)現(xiàn)過(guò)

5、程2</p><p>　　3.1 Matlab簡(jiǎn)介3</p><p>　　3.2 圖像的獲取3</p><p>　　3.3 圖像預(yù)處理4</p><p>　　3.3.1去除對(duì)精確計(jì)算葉面積有影響的不利因素4</p><p>　　3.3.2 調(diào)整圖像大小4</p><p>　　3.4

6、圖像灰度變換5</p><p>　　3.5 圖像分割5</p><p>　　3.6 調(diào)節(jié)圖像對(duì)比度7</p><p>　　3.7 邊緣檢測(cè)8</p><p>　　3.8 圖像形態(tài)學(xué)處理10</p><p>　　3.8.1 填補(bǔ)縫隙10</p><p>　　3.8.2 填充10<

7、;/p><p>　　3.8.3 平滑11</p><p>　　3.9 圖像中值濾波12</p><p>　　3.10 標(biāo)記13</p><p>　　3.11計(jì)算葉面積14</p><p>　　4 結(jié)果與分析14</p><p>　　4.1測(cè)量方法精度驗(yàn)證14</p><

8、;p><b>　　結(jié)論16</b></p><p><b>　　參考文獻(xiàn)17</b></p><p><b>　　致謝18</b></p><p>　　基于Matlab圖像處理求番茄葉面積</p><p><b>　　1 引言</b></

9、p><p><b>　　1.1 研究背景</b></p><p>　　目前常用的葉面積測(cè)定方法主要有網(wǎng)格法、復(fù)印稱重法、測(cè)定葉片長(zhǎng)寬建立回歸方程法、系數(shù)法、葉面積測(cè)量?jī)x等。其中網(wǎng)格法測(cè)量的精度較高，但是速度很慢,耗時(shí)多。稱重法比較煩瑣,不能精確測(cè)定單片葉子的面積,且誤差較大。并且，傳統(tǒng)的方法都需要從植物上采集大量的功能葉片，進(jìn)行破毀性測(cè)量，這或多或少的對(duì)植物造成了一定程度

10、的傷害，進(jìn)而會(huì)影響到農(nóng)學(xué)試驗(yàn)的連續(xù)性。雖然這幾種測(cè)定方法已經(jīng)在傳統(tǒng)農(nóng)業(yè)研究中得到廣泛應(yīng)用，但是它們?nèi)匀淮嬖谥鴾y(cè)量精度低、測(cè)量范圍小、儀器設(shè)備昂貴、操作煩瑣的特點(diǎn)。隨著計(jì)算機(jī)圖像處理技術(shù)水平的提高，圖像處理技術(shù)被廣泛應(yīng)用到農(nóng)林業(yè)工程領(lǐng)域，具有操作實(shí)時(shí)、結(jié)果準(zhǔn)確的特點(diǎn)，可節(jié)省大量的人力、物力和時(shí)間。鑒于傳統(tǒng)葉面積檢測(cè)法的缺點(diǎn)和計(jì)算機(jī)圖像處理技術(shù)的優(yōu)點(diǎn)，研究人員開(kāi)始探索用圖像處理技術(shù)來(lái)檢測(cè)葉面積的方法。而本研究利用Matlab圖像處理技術(shù)對(duì)植

11、物葉面積進(jìn)行快速準(zhǔn)確無(wú)損的測(cè)量。</p><p>　　在本文中，我們首先把用普通數(shù)碼相機(jī)采集到的番茄葉圖像輸入計(jì)算機(jī)，然后利用MATLAB豐富的圖像處理函數(shù)和強(qiáng)大的圖形處理功能對(duì)其進(jìn)行處理獲得較為理想圖像，最后測(cè)量出番茄葉的面積。與同組使用photoshop圖像處理法測(cè)定結(jié)果相比較，Matlab圖像處理軟件測(cè)定葉面積具有很強(qiáng)的可行性，并且我還在試圖尋找一種更為簡(jiǎn)便、快速并能準(zhǔn)確計(jì)算葉面積的方法，為植物生長(zhǎng)實(shí)驗(yàn)提供

12、更加準(zhǔn)確的數(shù)據(jù)。</p><p><b>　　1.2 研究意義</b></p><p>　　葉片是植物進(jìn)行光合作用的主要器官，是生態(tài)系統(tǒng)中初級(jí)生產(chǎn)者的能量轉(zhuǎn)換器。葉片性狀特征直接影響到植物的基本行為和功能。葉面積是植物研究中的一個(gè)常用指標(biāo)，是生理生化、遺傳育種、栽培等方面研究經(jīng)常考慮的重要內(nèi)容。葉面積的大小決定著光合有效輻射的大小，葉面積的大小直接影響到植物生產(chǎn)力的高

13、低，葉面積大小對(duì)植物抗逆性影響很大，葉面積的變化也直接影響植物水分生理的變化過(guò)程。因此，探討準(zhǔn)確快速測(cè)算葉面積的方法，對(duì)于指導(dǎo)農(nóng)業(yè)生產(chǎn)實(shí)踐活動(dòng)，制定高產(chǎn)、優(yōu)質(zhì)和高效的栽培技術(shù)措施具有積極的意義。并且測(cè)定植物葉片面積，往往是研究一些與植物葉片面積相關(guān)的生理生化指標(biāo)首要解決的問(wèn)題。例如，對(duì)小面積葉片的光合速率進(jìn)行測(cè)定時(shí)，需要知道這些葉片的實(shí)際面積，以此換算標(biāo)準(zhǔn)光合速率。而且該方法實(shí)現(xiàn)了對(duì)植物葉片的非破壞性測(cè)量，并能保證測(cè)量精度。通過(guò)對(duì)實(shí)驗(yàn)數(shù)

14、據(jù)的比較分析也驗(yàn)證了該文提出方法的可行性。</p><p><b>　　2 測(cè)定原理</b></p><p>　　本文提出利用計(jì)算機(jī)圖像處理技術(shù)對(duì)葉面積進(jìn)行測(cè)定。首先將待測(cè)葉片摘下，放于放有參照物的背景底板上，用透明物壓平，再通過(guò)一定分辨率的數(shù)碼相機(jī)將番茄葉片拍成數(shù)碼相片，即將番茄葉片信息轉(zhuǎn)換成了計(jì)算機(jī)可識(shí)別的圖像信息。由于數(shù)字圖像都是由一個(gè)個(gè)像素點(diǎn)組成，因此只要知到

15、每個(gè)像素點(diǎn)代表的真實(shí)面積后，就可以通過(guò)番茄葉的像素?cái)?shù)求出其面積。故葉面積計(jì)算公式如下：</p><p><b>　　(1)</b></p><p>　　其中S代表葉片面積，S0代表參照物的實(shí)際面積，代表葉片的像素個(gè)數(shù)，代表參照物的像素個(gè)數(shù)。</p><p>　　所以當(dāng)參照物的實(shí)際面積S0面積已知，再通過(guò)圖像處理得到葉片像素個(gè)數(shù)、參照物像素個(gè)數(shù)，

16、即可求得葉片面積。</p><p>　　3 番茄葉圖像處理計(jì)算葉面積的實(shí)現(xiàn)過(guò)程</p><p>　　如圖 1 所示，即為葉面積計(jì)算的工作流程圖。先將獲取后的原圖像先進(jìn)行預(yù)處理（去除陰影、調(diào)整大?。?，再由RGB 圖像轉(zhuǎn)換為灰度圖像，然后再將轉(zhuǎn)換后的灰度圖像進(jìn)行圖像分割二值轉(zhuǎn)換（差方法去除背景），然后通過(guò)邊緣檢測(cè)得到精準(zhǔn)的葉子輪廓，后經(jīng)圖像形態(tài)學(xué)處理、中值濾波、標(biāo)記得到番茄葉的像素個(gè)數(shù)，最后經(jīng)

17、過(guò)計(jì)算得到番茄葉片的面積。</p><p>　　圖1 葉面積計(jì)算的工作流程圖</p><p>　　Figure 1 Flow chart of leaf area of work</p><p>　　其中番茄葉圖像的處理過(guò)程是圖像處理法測(cè)量其葉面積的關(guān)鍵，所以，本文在獲取番茄葉圖像后，應(yīng)用Matlab軟件對(duì)圖像進(jìn)行處理和分析。</p><p>

18、;　　3.1 Matlab簡(jiǎn)介</p><p>　　Matlab是由MathWorks 公司開(kāi)發(fā)的一種主要用于數(shù)值計(jì)算及可視化圖形處理的工程語(yǔ)言。它是目前國(guó)際上最流行、應(yīng)用最廣泛的科學(xué)與工程計(jì)算軟件，它將數(shù)值分析、矩陣計(jì)算、圖形圖像處理、信號(hào)處理和仿真等諸多強(qiáng)大的功能集成在較容易使用的交互式計(jì)算機(jī)環(huán)境中，為科學(xué)研究、工程應(yīng)用提供了一種功能強(qiáng)、效率高的編程工具。</p><p>　　其中Ma

19、tlab在圖像處理中的應(yīng)用是由一系列支持圖像處理的操作函數(shù)組成，如幾何操作、區(qū)域操作、塊操作、濾波、變換、圖像分割、圖像邊緣提取、圖像增強(qiáng)等，為便于應(yīng)用，在該軟件中形成圖像處理工具包。圖像處理工具包的函數(shù)種類很多：圖像顯示、圖像文件輸入與輸出、幾何操作、像素值統(tǒng)計(jì)、圖像分析與增強(qiáng)、圖像濾波、濾波器、圖像變換、圖像類型轉(zhuǎn)換等。該工具包與其它一樣，使用者可以根據(jù)需要自行編寫函數(shù)。</p><p><b>　

20、　3.2 圖像的獲取</b></p><p>　　葉面積的測(cè)量系統(tǒng)硬件部分主要有成像設(shè)備、計(jì)算機(jī)、參照物以及測(cè)量所用夾具。成像設(shè)備選用普通的數(shù)碼相機(jī)（300萬(wàn)像素以上），借助于數(shù)碼相機(jī)來(lái)獲取圖像，可以不破壞葉片的群體結(jié)構(gòu)，真正地檢測(cè)葉片的生長(zhǎng)規(guī)律。計(jì)算機(jī)必須裝有Matlab軟件，并且可以穩(wěn)定快速的運(yùn)行Matlab軟件。參照物是測(cè)量中一個(gè)關(guān)鍵的設(shè)備，本研究中選用一個(gè)1平方厘米的方形紙板作為參照，它必須要

21、能與底板有很大的顏色差別，并且，參照物面積一定要準(zhǔn)確，因?yàn)閰⒄瘴锏拿娣e將直接影響測(cè)量的精度。測(cè)量所用夾具必須要具備以下特點(diǎn)：能夠構(gòu)建一個(gè)與葉片顏色有很大差別的背景，選擇白色的紙板。并能使參照物固定在背景紙板上。</p><p>　　在具體操作過(guò)程中，需要在嚴(yán)格的物距下進(jìn)行葉片的采樣，以保證每個(gè)像素代表的真實(shí)面積不變，需要垂直拍攝番茄葉片，而且要求光學(xué)器件的線性度高，鏡頭的焦距不可變，可見(jiàn)此法在獲取圖像上要求較高。

22、</p><p>　　獲取的圖像總共有9張，其中8張是固定在背景紙板上的番茄葉的圖像，1張是背景圖像，即白色紙板。</p><p><b>　　3.3 圖像預(yù)處理</b></p><p>　　3.3.1去除對(duì)精確計(jì)算葉面積有影響的不利因素</p><p>　　由于圖像是人工用數(shù)碼相機(jī)拍攝的，所以獲得的圖像會(huì)出現(xiàn)很多影響準(zhǔn)

23、確計(jì)算葉面積的因素，比如2號(hào)葉子在拍攝時(shí)出現(xiàn)了面積很大的陰影部分，如果不進(jìn)行去除陰影處理，那葉片的面積就會(huì)偏大，即就算結(jié)果=實(shí)際面積+陰影部分的面積。這樣就直接影響了我們的計(jì)算精度，造成誤差。</p><p>　　所以本文在這里運(yùn)用Photoshop軟件對(duì)圖像進(jìn)行了去除陰影處理。處理前后效果如圖2所示。通過(guò)運(yùn)行程序計(jì)算面積得到：</p><p>　　處理前計(jì)算面積為S=485mm2 ；處理

24、后計(jì)算面積為S=412mm2</p><p>　　a)處理前圖像 b）處理后圖像</p><p>　　圖2陰影處理前后效果對(duì)比</p><p>　　Figure 2 Comparison shadow effects before and after treatment</p><p&

25、gt;　　3.3.2 調(diào)整圖像大小</p><p>　　由于圖像是由數(shù)碼相機(jī)拍攝獲得的，所以獲得的圖像會(huì)很大（3264×2448），如果直接用Matlab進(jìn)行圖像處理，會(huì)大大的增加圖像處理的工作量，并且程序運(yùn)行也很慢，有時(shí)還會(huì)出現(xiàn)未響應(yīng)的情況，這樣不僅不能很快得到想要的圖像處理效果，而且可能會(huì)使我們得到的數(shù)據(jù)和圖像丟失，進(jìn)而影響我們的計(jì)算的速度。因此，我們要先對(duì)原始圖像進(jìn)行大小的調(diào)整。程序如下：<

26、/p><p>　　image = imread(image_name); %讀入原始圖像</p><p>　　image1 = imresize(image,0.2); %調(diào)整原始圖像大小縮小至它的0.2倍</p><p>　　[x y z] = size(image1)</p><p>　　figure，imshow(ima

27、ge1); %顯示調(diào)整后的原始圖像（如圖3所示）</p><p>　　調(diào)整前圖像尺寸為X=3264；Y=2448；Z=3。調(diào)整后的圖像尺寸為X=652；Y=490；Z=3。</p><p>　　3.4 圖像灰度變換</p><p>　　由于數(shù)碼相機(jī)拍攝到的圖像是真彩圖像，即RGB 格式。為了進(jìn)行下一步處理，需要先將真彩圖像轉(zhuǎn)換成灰度圖像?；叶茸儞Q是

28、圖像增強(qiáng)的另一種重要手段，它可以使圖形動(dòng)態(tài)范圍加大，使圖像對(duì)比度擴(kuò)展，圖像更加清晰，特征更加明顯。程序如下：</p><p>　　image2=rgb2gray(image1); %將調(diào)整后的原始圖像轉(zhuǎn)換為灰度圖</p><p>　　figure，imshow(image2); %顯示調(diào)整后的原始圖像的灰度圖（如圖4所示）</p><p&g

29、t;　　圖3調(diào)整后的原始圖像 圖4調(diào)整后原始圖像的灰度圖</p><p>　　Figure 3 Adjusted original image Figure 4 Adjusted grayscale original image </p><p><b>　　3.5 圖像分割</b></p&

30、gt;<p>　　為了便于計(jì)算機(jī)自動(dòng)對(duì)圖像進(jìn)行識(shí)別和處理，必須進(jìn)行圖像分割。所謂圖像分割，就是按照一定的原則，將一副圖像分為若干個(gè)互不相交的小區(qū)域。這些小區(qū)域是某種意義下具有共同屬性的像素的連通集合，即集合中任意兩個(gè)點(diǎn)之間都存在著完全屬于該集合的連通路徑。圖像分割也可以理解為將圖像中有意義的特征區(qū)域或者需要應(yīng)用的特征區(qū)域提取出來(lái)，這些特征區(qū)域可以是像素的灰度值、物體輪廓曲線、紋理特性等。因此要獲取圖像中參考物的面積及圖像中

31、作物葉片的參數(shù)，首先要將參考物目標(biāo)和葉片目標(biāo)從原圖像中分割出來(lái)。</p><p>　　目前，用于圖像分割的方法很多，閾值法是一種簡(jiǎn)單有效的圖像分割法，它用一個(gè)或幾個(gè)閾值將圖像的灰度級(jí)分為幾個(gè)部分，將屬于同一部分的像素視為相同的物體。閾值是指在圖像分割時(shí)，作為區(qū)分物體與背景像素的門限，大于或等于閾值的像素屬于物體，而其他像素則屬于背景。利用閾值法，對(duì)于物體與背景之間存在明顯差別的圖像，分割效果十分有效，只要閾值選取

32、合適，將每個(gè)像素與之比較，進(jìn)行二值化或者半二值化處理，就可以很好地將對(duì)象從背景中分離出來(lái)。</p><p>　　而本文所研究的番茄葉片通過(guò)閾值法不能很好的把圖像進(jìn)行分割，所以在本文中將采用差分法進(jìn)行圖像分割。圖像差分方法其實(shí)就是圖像數(shù)學(xué)運(yùn)算中的減法運(yùn)算，采用差分法去除圖像的背景，是一種常用于檢測(cè)圖像變換及運(yùn)動(dòng)物體的圖像處理方法，圖像差分可以作為許多圖像處理的準(zhǔn)備步驟。</p><p>　　

33、在Matlab中，使用imsubtract函數(shù)可以將一幅圖像從另一幅圖像中減去。就是先將一幅輸入圖像的像素值從另一幅輸入圖像相應(yīng)的像素值中減去，再將相應(yīng)的像素值之差作為輸出圖像相應(yīng)的像素值。程序如下：</p><p>　　image = imread(image_name); %輸入原始圖像</p><p>　　image1 = imread('Bac

34、kground.jpg'); %輸入背景圖像</p><p>　　grayscale = rgb2gray(image); %灰度轉(zhuǎn)換</p><p>　　grayscale1 = rgb2gray(image1);</p><p>　　subtract=imsubtract(grayscale1,gra

35、yscale); %差分運(yùn)算去除背景</p><p>　　figure,imshow(subtract); %顯示輸出圖像即差分圖像（如圖5所示）</p><p>　　在這里，為了消除圖像中的邊緣對(duì)象，還需要使用imclearborder命令。命令格式如下：</p><p>　　noborder=imclearborder

36、(image,coon);</p><p>　　上式中coon表示連通性，其定義為：在一個(gè)連通:集中的任意兩個(gè)像素之間，都存在一條完全由這個(gè)集合的元素構(gòu)成的連通路徑。而去除圖像背景正是根據(jù)像素間連通性概念判斷哪些像素與邊緣像素相連通，從而將這部分背景物體去除。程序如下：</p><p>　　R=imclearborder(subtract,8);</p><p>　

37、　figure,imshow(R); %顯示去除邊緣對(duì)象的圖像（如圖6所示）</p><p>　　圖5 差分圖像 圖6 去除邊緣對(duì)象的圖像</p><p>　　Figure 5 Difference image Figure 6 Remove the e

38、dge of the image</p><p>　　3.6 調(diào)節(jié)圖像對(duì)比度</p><p>　　由于拍攝圖像時(shí)受到光照強(qiáng)弱的影響，導(dǎo)致灰度圖像在整個(gè)灰度范圍分布不是很均勻?；叶鹊牟痪鶆驎?huì)對(duì)后面的面積計(jì)算產(chǎn)生誤差，所以必須對(duì)圖像進(jìn)行灰度調(diào)整。而圖像增強(qiáng)正是調(diào)整灰度的最佳工具。圖像增強(qiáng)就是為了改善視覺(jué)效果和便于人和機(jī)器對(duì)圖像的理解和分析，根據(jù)圖像的特點(diǎn)或存在的問(wèn)題采取的簡(jiǎn)單改善方法或者加強(qiáng)特

39、征的措施。一般情況下，圖像增強(qiáng)是按特定的需要突出一幅圖像中的某些信息，同時(shí)削弱或去除某些不需要的信息的處理方法，也是提高圖像質(zhì)量的過(guò)程。圖像增強(qiáng)的目的是使圖像的某些特性方面更加鮮明、突出，使處理后的圖像更適合人眼視覺(jué)特性或機(jī)器分析，以便于實(shí)現(xiàn)對(duì)圖像的更高級(jí)的處理和分析。</p><p>　　從圖6可以看出來(lái)，處理后的圖像比較暗，必須進(jìn)行適當(dāng)?shù)恼{(diào)節(jié)對(duì)比度處理，這樣可以將原本模糊不清甚至根本無(wú)法分辨的原始圖像處理成清

40、晰的富含大量有用信息的可使用圖像，有效地去除圖像中的噪聲、增強(qiáng)圖像中的邊緣或其他感興趣的區(qū)域，從而更加容易對(duì)圖像中感興趣的目標(biāo)進(jìn)行檢測(cè)和測(cè)量。</p><p>　　Matlab提供的imadjust函數(shù)，它可以使圖像動(dòng)態(tài)范圍加大，使圖像對(duì)比度擴(kuò)展，從而增大反差，使圖像的細(xì)節(jié)清晰，達(dá)到增強(qiáng)目的。程序如下：</p><p>　　image=imadjust(image,[0.2 0.6],[0

41、 1]);</p><p>　　figure,imshow(image); %顯示調(diào)節(jié)對(duì)比度后的圖像（如圖7所示）</p><p>　　圖7 調(diào)節(jié)對(duì)比度后的圖像</p><p>　　Figure 7 After adjusting the image contrast</p><p><b>　　3.

42、7 邊緣檢測(cè)</b></p><p>　　圖像邊緣檢測(cè)對(duì)圖像識(shí)別和計(jì)算機(jī)分析十分有用，邊緣檢測(cè)能勾畫出目標(biāo)物體，使觀察者—目了然；邊緣蘊(yùn)含了豐富的內(nèi)在信息，是圖像識(shí)別中重要的圖像特征之一。從本質(zhì)上說(shuō)，圖像邊緣是圖像局部特性不連續(xù)的反映，即圖像局部亮度變化最顯著的部分，如灰度值的突變、顏色的突變、紋理結(jié)構(gòu)的突變等，它標(biāo)志著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開(kāi)始。它存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與區(qū)域、基元

43、與基元之間，因此它是圖像分割所依賴的重要特征，也是圖像識(shí)別中提取圖像特征的一個(gè)重要屬性。</p><p>　　利用邊緣檢測(cè)來(lái)分割圖像，其基本思路是先檢測(cè)圖像中的邊緣點(diǎn)，再按照某種策略將邊沿點(diǎn)連接成輪廓，從而構(gòu)成分割區(qū)域。由于邊緣檢測(cè)是所要提取目標(biāo)和背景的分界線，提取出邊緣才能將目標(biāo)和背景分開(kāi)，因此邊緣檢測(cè)技術(shù)對(duì)于數(shù)字圖像處理十分重要。</p><p>　　Matlab中edge函數(shù)用于灰度

44、圖像邊緣的提取，其語(yǔ)法結(jié)構(gòu)是：</p><p>　　BW=edge(amage,‘method’, thresh, direction)；</p><p>　　其返回的圖像與讀取圖像amage是大小一樣的二進(jìn)制圖像。method表示圖像邊緣提取所采用的方法，thresh表示該圖像邊緣提取方法所采用的閾值，所有小于閾值的圖像邊緣都被忽略，缺省時(shí)自動(dòng)選取閾值。direction表示為所采用方法

45、指定方向，具有方向時(shí)才會(huì)使用。direction為字符串，其中horizontal 表示水平方向，vertical 表示垂直方向，both 表示兩個(gè)方向(缺省值)。</p><p>　　常用的邊緣提取方法有Robert算子、Sobel算子、Prewitt算子和Canny 算子等。本文針對(duì)番茄葉的特征，對(duì)每個(gè)算子進(jìn)行對(duì)比，如圖8所示。四種算子邊緣檢測(cè)編程如下：</p><p>　　image

46、1=edge(image,'sobel');</p><p>　　image2=edge(image,'roberts'); </p><p>　　image3=edge(image,'prewit');</p><p>　　image4=edge(image,'canny')；</p>

47、<p><b>　　figure;</b></p><p>　　subplot(2,2,1);</p><p>　　imshow(image1);title('sobel圖像邊緣提取')</p><p>　　subplot(2,2,2);</p><p>　　imshow(image2);tit

48、le('roberts圖像邊緣提取')</p><p>　　subplot(2,2,3);</p><p>　　imshow(image3);title('prewit圖像邊緣提取')</p><p>　　subplot(2,2,4);</p><p>　　imshow(image4);;title('

49、canny圖像邊緣提取')</p><p>　　圖8 四種算子的邊緣提取圖</p><p>　　Figure 8 The four edge detection operator image</p><p>　　發(fā)現(xiàn)Robert算子對(duì)番茄葉圖像處理的效果較好，故選用Robert 算子來(lái)進(jìn)行邊緣檢測(cè)。但是1號(hào)番茄葉的弱邊緣比較多，選用canny算子效果較好。&

50、lt;/p><p>　　3.8 圖像形態(tài)學(xué)處理</p><p>　　3.8.1 填補(bǔ)縫隙</p><p>　　由邊緣檢測(cè)效果圖8可以看到，雖然edge函數(shù)提取了圖像的大概輪廓，但是邊緣線存在斷裂的情況，沒(méi)有完整而精確地描繪出葉子和參照物的輪廓。在這里可以通過(guò)strel函數(shù)和imdilate函數(shù)對(duì)圖像進(jìn)行膨脹操作，填補(bǔ)邊緣的縫隙。</p><p>

51、<b>　　程序如下：</b></p><p>　　I=strel('line',3,90);</p><p>　　H=strel('line',3,0);</p><p>　　image=imdilate(image2,[I H]);</p><p>　　figure，imshow(im

52、age); %顯示填補(bǔ)邊緣縫隙后的圖像（如圖9所示）</p><p>　　圖9 填補(bǔ)邊緣縫隙后的圖像</p><p>　　Figure 9 After to fill the gap edge image </p><p><b>　　3.8.2 填充</b></p><p>　　膨脹后的圖

53、像精確顯示了葉片和參照物的外圍輪廓，但是在葉片內(nèi)部還有很多的孔隙，可以利用imfill函數(shù)對(duì)這些孔隙進(jìn)行填充，</p><p><b>　　程序如下：</b></p><p>　　filled = imfill(image,'holes');</p><p>　　figure,imshow(filled);

54、 %顯示填充后的圖像（如圖10所示）</p><p>　　圖10 填充后的圖像</p><p>　　Figure 10 After filling the image</p><p><b>　　3.8.3 平滑</b></p><p>　　對(duì)于分割的結(jié)果，邊緣不是很光滑，需要利用菱形結(jié)構(gòu)元素對(duì)圖像進(jìn)行平滑處理。程

55、序如下：</p><p>　　SeD=strel('diamond',1);</p><p>　　final=imerode(filled,SeD);</p><p>　　final=imerode(final,SeD);</p><p>　　figure,imshow(final); %顯示平滑后

56、的圖像（如圖11所示）</p><p>　　圖11 平滑后的圖像</p><p>　　Figure 11 Smoothed images</p><p>　　3.9 圖像中值濾波</p><p>　　各類圖像處理系統(tǒng)在圖像的采集、獲取、傳送和轉(zhuǎn)換(如成像、復(fù)制掃描、傳輸以及顯示等)過(guò)程中會(huì)出現(xiàn)系統(tǒng)噪音，會(huì)影響以后所求數(shù)值的準(zhǔn)確度，所以需要對(duì)圖

57、像進(jìn)行濾波。圖像的噪聲濾波器有很多種，常用的有線性濾波器，非線性濾波器。采用線性濾波如鄰域平滑濾波，對(duì)受到噪聲污染而退化的圖像復(fù)原，在很多情況下是有效的。但大多數(shù)線性濾波器具有低通特性，去除噪聲的同時(shí)也使圖像的邊緣變模糊了。而另一種非線性濾波器如中值濾波，在一定程度上可以克服線性濾波器所帶來(lái)的圖像模糊問(wèn)題，在濾除噪聲的同時(shí)，能較好地保留圖像的邊緣信息。</p><p>　　中值濾波在衰減噪聲的同時(shí)不會(huì)使圖像的邊界

58、模糊,這是中值濾波得到廣泛應(yīng)用的原因。中值濾波去除噪聲的效果依賴于2 個(gè)要素:領(lǐng)域的空間范圍和中值計(jì)算中涉及的像素?cái)?shù)。一般來(lái)說(shuō),小于濾波器面積一半的亮或暗的物體基本上會(huì)被濾除,而較大的物體幾乎會(huì)原封不動(dòng)地保存下來(lái),因此,中值濾波器的空間尺寸必須根據(jù)現(xiàn)有的問(wèn)題來(lái)進(jìn)行調(diào)整。較簡(jiǎn)單的模板是n ×n 的方形(注:此處的n通常是奇數(shù)) ,計(jì)算時(shí)將使用到所有的n2個(gè)像素點(diǎn)?？傊? 中值濾波算法具有較好的理論基礎(chǔ),并且在濾除噪音的同時(shí)能很好

59、地保護(hù)信號(hào)的細(xì)節(jié)信息（邊緣、銳角）。它也是一種較簡(jiǎn)單又很常用的濾波平滑方法，具有較好的實(shí)用價(jià)值。它的基本原理是采用鄰域內(nèi)的像素灰度值的中值來(lái)作為處理后像素點(diǎn)的灰度值。</p><p><b>　　程序如下：</b></p><p>　　final = medfilt2(final,[3 3]); %對(duì)圖像進(jìn)行中值濾波，濾波窗口默認(rèn)值為[3 3] &l

60、t;/p><p>　　final = medfilt2(final,[3 3]); </p><p>　　final = medfilt2(final,[3 3]); </p><p>　　final = medfilt2(final,[3 3]); </p><p>　　final = medfilt2(final,[3 3]);</

61、p><p>　　final = medfilt2(final,[3 3]);</p><p>　　final = medfilt2(final,[3 3]);</p><p>　　final = medfilt2(final,[3 3]);</p><p>　　final = medfilt2(final,[3 3]);</p>&

62、lt;p>　　final = medfilt2(final,[3 3]);</p><p>　　final = medfilt2(final,[3 3]);</p><p>　　figure，imshow(final)； %顯示濾波后圖像（見(jiàn)圖12所示）</p><p>　　圖12 濾波后的圖像</p><p>　　

63、Figure 12 Filtered images</p><p><b>　　3.10 標(biāo)記</b></p><p>　　這個(gè)功能是確定圖像中的目標(biāo)對(duì)象并予以標(biāo)記。調(diào)用bwlabe函數(shù)尋找連通成份而且用惟一的數(shù)字將他們分類標(biāo)記。bwlabe函數(shù)可以接受一個(gè)二值圖像和指定各目標(biāo)對(duì)象的連通性的值(4或8，表示4或8連通)作為輸入。</p><p>

64、;<b>　　程序如下：</b></p><p>　　L=bwlabel(final,8); </p><p>　　s=regionprops(L,'Area','Centroid'); </p><p>　　k= ismember(L, f

65、ind([s.Area] >= 2200)); %去除小于2200的區(qū)域 </p><p>　　number=size(s,1); %孔數(shù)</p><p>　　area=[s.Area]; %面積</p><p>　　centroid=c

66、at(1,s.Centroid); % Centroid，為以后標(biāo)記提供位置</p><p>　　imshow(k);hold on; %在區(qū)域上標(biāo)記面積（如圖13所示）</p><p>　　for i=1:number</p><p>　　text(centroid(i,1),

67、centroid(i,2),num2str(area(i))); %標(biāo)記</p><p><b>　　end</b></p><p>　　圖13 標(biāo)記葉子和參照物的像素個(gè)數(shù)圖像</p><p>　　Figure 13 Marks the number of leaves and reference pixels image</p>

68、<p><b>　　3.11計(jì)算葉面積</b></p><p>　　從圖13可以很清楚的看到葉子和參照物的像素個(gè)數(shù)，根據(jù)測(cè)量原理知道，S0= ，=2794，=11537。</p><p><b>　　故可以得到葉面積</b></p><p><b>　　4 結(jié)果與分析</b></p

69、><p>　　4.1測(cè)量方法精度驗(yàn)證</p><p>　　為了驗(yàn)證數(shù)字圖像處理葉面積結(jié)果的可行性，本文應(yīng)用photoshop圖像處理的方法對(duì)同一片番茄葉子再次進(jìn)行測(cè)量。雖然目前對(duì)于葉面積的測(cè)量未有十分精確的方法，但是對(duì)于葉片平展但不規(guī)則的葉片使用photoshop圖像處理法測(cè)量，有很高的精確度。</p><p>　　由結(jié)果可以看出，用Matlab圖像處理求得的葉面積與與

70、同組使用photoshop圖像處</p><p>　　理法測(cè)定結(jié)果相比較，求得的結(jié)果很相近，本文共對(duì)8片番茄葉子進(jìn)行以上兩種測(cè)量面</p><p>　　積方法的分析，數(shù)據(jù)如表1所示。</p><p>　　表1 Matlab圖像法葉面積測(cè)量及Photoshop圖像法葉面積測(cè)量結(jié)果對(duì)比</p><p>　　Tab.1 Matlab image L

71、afayette area measurement and Photoshop image </p><p>　　contrast measurements Lafayette area</p><p>　　由表1可以看出，用Matlab圖像法計(jì)算的葉面積與photoshop圖像法得到的葉面積結(jié)果很相近，相對(duì)誤差的平均值為1.005％。因此本文所采用的算法可以應(yīng)用于實(shí)際葉面積的測(cè)定。<

72、;/p><p><b>　　結(jié)論</b></p><p>　　文中提出的基于圖像處理番茄葉面積的測(cè)量方法，利用在Matlab平臺(tái)下開(kāi)發(fā)的程序，實(shí)現(xiàn)了對(duì)番茄葉片的圖像中葉片的圖像處理并同步計(jì)算葉面積。將經(jīng)過(guò)圖像處理所得的葉面積與photoshop圖像法測(cè)得的面積進(jìn)行對(duì)比，兩者間相對(duì)誤差的平均值為0.92％，實(shí)驗(yàn)表明基于圖像處理求葉面積的方法具有較高的精確度和穩(wěn)定性，可應(yīng)用于

73、番茄葉面積的實(shí)際測(cè)量。</p><p>　　通過(guò)對(duì)多幅番茄葉圖像(共8幅)進(jìn)行圖像處理計(jì)算面積，結(jié)果表明，利用Matlab進(jìn)行圖像處理，只需用幾個(gè)簡(jiǎn)單的函數(shù)就可以實(shí)現(xiàn)對(duì)復(fù)雜的圖像進(jìn)行處理并進(jìn)行數(shù)據(jù)計(jì)算的過(guò)程。方法簡(jiǎn)便、易行，不僅減少了重復(fù)測(cè)量直徑所花費(fèi)的大量時(shí)間、提高了試驗(yàn)效率，也避免了人工測(cè)量時(shí)結(jié)果不可靠、精度不高的缺點(diǎn)，使得到的試驗(yàn)結(jié)果更為可靠、準(zhǔn)確。</p><p><b>

74、;　　參考文獻(xiàn)</b></p><p>　　[1]柏軍華,王克如,初振東等.葉面積測(cè)定方法的比較研[J].石河子大學(xué)學(xué)報(bào),2005.23(2):216-218.</p><p>　　[2]孫建成,曾培峰等.二值圖像的區(qū)域標(biāo)識(shí)與噪聲去除[J].天津工業(yè)大學(xué)報(bào),2006.25(1):45-47.</p><p>　　[3]賈愛(ài)蓮,張淑娟.基于Matlab的植

75、物葉面積數(shù)字?jǐn)z影圖像處理[J].山西農(nóng)業(yè)大學(xué)學(xué)報(bào),2006.26(1).</p><p>　　[4]李震,洪添勝等.植物多葉片圖像目標(biāo)識(shí)別和葉面積測(cè)量方法[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào),2007.28(3).</p><p>　　[5]陳愛(ài)軍.基于圖像處理的植物葉片參數(shù)的測(cè)量[J].東北林業(yè)大學(xué)學(xué)報(bào),2007.37(4):46-47,53[6]王永皎,張引,張三元.基于圖像處理的植物葉面積測(cè)

76、量方法[J].計(jì)算機(jī)工程，2006.32（8）. [7]譚峰，高艷萍.基于圖像的植物葉面積無(wú)損測(cè)量方法研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008.24（5）170-173</p><p>　　[8]岡薩雷斯.數(shù)字圖像處理（matlab版）[M].電子工業(yè)出版社,2006.</p><p>　　[9]何希平,張瓊?cè)A.基于MATLAB的圖像處理與分析[J]. 重慶工商大學(xué)學(xué),2003.2

77、0（2）.</p><p>　　[10]羅軍輝，馮平等.Matlab7.0 在圖像處理中的應(yīng)用［M］.北京：機(jī)械工業(yè)出版社，2005.</p><p>　　[11]張強(qiáng), 王正林. 精通MATLAB 圖像處理[M] . 北京: 電子工業(yè)大學(xué)出版社, 2009: 49- 50.</p><p>　　[12]劉關(guān)君,王大海等．植物葉面積的快速精確測(cè)定方法[J]．東北林業(yè)

78、大學(xué)學(xué)報(bào)，2004．32(5)：82-83．</p><p>　　[13]左欣,韓斌,程嘉林.基于數(shù)字圖像處理的植物葉面積測(cè)量方法[J].計(jì)算機(jī)工程與應(yīng)用.2OO6,27(2)：194—221．</p><p>　　[14]何東健. 數(shù)字圖像處理[M].西安電子科技大學(xué)出版社. 2003. 29-32</p><p>　　[15]孫建成，曾培峰，禹素萍，等．二值圖像

79、的區(qū)域標(biāo)識(shí)與噪聲去除[J]．天津工業(yè)大學(xué)學(xué)報(bào)，2006，25(1)：45-47．</p><p><b>　　致謝</b></p><p>　　未覺(jué)池塘春草夢(mèng)，階前梧葉已秋聲。轉(zhuǎn)眼間即將告別我的大學(xué)求學(xué)生涯。掐指一算,我在美麗的農(nóng)大校園已經(jīng)學(xué)習(xí)生活了四年時(shí)問(wèn)，畢業(yè)之際，除了對(duì)未來(lái)的無(wú)限憧憬之外心中更多了幾分不舍。</p><p>　　四年的求學(xué)

80、生涯在師長(zhǎng)、親友的大力支持下，走得辛苦卻也收獲滿囊，在論文即將付梓之際，思緒萬(wàn)千，心情久久不能平靜。我急切地想要把我的敬意和贊美獻(xiàn)給老師。在論文寫作過(guò)程中，韓老師無(wú)論在提綱的擬定還是論文的修改與最后的定稿，都提出了許多建設(shè)性的修改意見(jiàn)，論文的字里行間都凝結(jié)了韓老師的心血和期望。師恩厚重，實(shí)非言語(yǔ)可表。授人以魚(yú)不如授人以漁，置身其間，耳濡目染，潛移默化，使我不僅接受了全新的思想觀念，樹(shù)立了宏偉的學(xué)術(shù)目標(biāo)，還領(lǐng)會(huì)了基本的思考方式。最后再一次