[发明专利]基于卷积神经网络的植物叶片气孔孔隙解剖参数测量方法

说明书

基于卷积神经网络的植物叶片气孔孔隙解剖参数测量方法，涉及数字图像处理领域。本发明是为了解决目前的植物叶片气孔孔隙解剖参数测量方法还存在耗时费力、主观性强、效率不高的问题，进而导致了无法满足快速、高通量植物叶片显微图像气孔分析的实际需要的问题。本发明包括：获取气孔样本数据集；利用气孔样本数据集构建并训练基于卷积神经网络的植物叶片显微图像气孔孔隙分割模型，获得最终植物叶片显微图像气孔分割模型；利用最终植物叶片显微图像气孔孔隙分割模型获得气孔孔隙解剖参数；本发明用于获取植物叶片气孔孔隙解剖参数。

技术领域

本发明涉及数字图像处理领域，特别涉及基于卷积神经网络的植物叶片气孔孔隙解剖参数测量方法。

背景技术

植物的气孔主要位移叶片表面，是植物与外界环境之间进行气体交换的通道。通过气孔进植物体的气体成分主要有二氧化塔、氧气和水蒸气，单个气孔是无法通过人体肉眼分辨出的，想要看清单个气孔的形态和结构需要借助显微镜，在电子显微镜下，在气孔分布集中的区域，可以看到很多小的气孔，但是如果想要看清气孔的结构就需要用解剖针分开叶片的上下表面再用光学显微镜或电子显微镜进行观察，因此在对气孔孔隙进行解剖前如何获取解剖参数成为本领域的研究重点。

目前，大多数气孔孔隙解剖参数测量方法主要利用图像处理软件，如ImageJ进行人工测量，该方法需要研究人员手动标记显微图像上的气孔特征点(如边界，长度和宽度)但是这种方法需要人工干预，耗时费力，且主观性强，无法满足大数据量的处理需求。目前气孔孔隙解剖参数测量首先需要进行气孔图像的分割，气孔分割方法大致可以分为三类：一、利用经典的图像分割算法，如基于阈值的分割方法，基于区域的分割方法和基于能量泛函的分割方法等；二、通过自制模板或借助椭圆拟合技术来近似测量气孔参数；三、基于机器学习的方法。Omasa和Onoe在1984年提出了一种基于图像阈值分割的气孔解剖参数测量方法，该方法首先使用汉宁滤波器和傅立叶反变换去除原图像中的电视扫描线(噪声)和模糊图像，然后使用两个结果对原图进行锐化处理，增强图像的对比度，突出图像边缘。最后将锐化后的图像进行阈值化处理，提取气孔孔隙区域，经过主成分分析和移动坐标轴。但这种方法在处理气孔过程中需要大量的计算，同时仅适用于图像中只有一个气孔的简单情况。Jayakody等人在2017年提出了一种自动的葡萄叶片气孔孔隙测量方法，首先利用机器学习技术定位叶片图像中的气孔，然后针对完整边缘的气孔采用阈值分割方法得到其结构信息，对于不完整轮廓的气孔先采用骨骼技术进行轮廓补全，然后利用椭圆拟合技术近似计算气孔解剖参数。但是该方法对测量图像质量有一定的要求，需要被分析的显微图像中包含丰富的背景特征。Toda等人于2018年提出了一种基于阈值分割的气孔分割方法。首先利用基于机器学习的方向直方图特征(HOG)检测气孔位置，同时将被检测的气孔裁剪成单个气孔图像数据集，然后使用卷积神经网络将该数据集中单个气孔图像分类(张开或关闭)，最后利用阈值分割技术对张开的气孔进行图像分割并完成孔隙测量工作。但是该方法在分割部分使用了阈值分割，需要手动定义一系列参数，如面积，稳定度，气孔长轴长度和质心坐标等，当气孔的大小或形状不在预定义的参数范围内时，气孔识别效果较差。李克新等人在2019年提出了一种基于C-V(Chan-Vese)模型的气孔孔隙分割方法，该方法首先利用Faster R-CNN定位气孔，将显微图像中被检测的气孔裁剪生成单个气孔数据集，然后利用C-V模型进行图像分割。但是该方法也需要研究人员根据被处理图像的特征手动调节C-V模型的参数。Sanyal等人在2008年提出了一种基于分水岭算法分割气孔的方法。2017年，Duarte等人受到人类实觉感知原理的启发，将RGB图像转换成CIELab图像，然后利用尺度小波斑点方法定位气孔，接着基于分水岭算法预测气孔结构信息。但是这两种方法都需要高质量的气孔图像。Laga等人在2014年提出了一种利用模板进行气孔定位的方法，先从少量训练数据中提取部分分割好的气孔当作模板，然后通过旋转、尺度变化等方法扩充模板，利用模板和气孔图像进行卷积计算得到一个结果映射图，每组图中最大数值的像素点即为气孔中心位置。最后提取被检测到的气孔，人工测量气孔开度和保卫细胞尺寸。但是该方法的不足之处在于需要为不同种类的植物制作相应的模板。Liu等人在2016年提出了一种基于移动设备的气孔解剖参数测量方法，该方法通过最大稳定外区技术定位气孔，通过人工干预，在移动设备交互界面选择合适的椭圆模板拟合气孔，最后通过计算椭圆的数学参数来拟合气孔的解剖参数。但是该方法需要用户根据不同的气孔正确选择椭圆模板。Bhugra等人在2018年提出了一种基于深度学习的气孔孔隙分析方法，首先使用SSD(Single ShotMulti-box Detector)网络对气孔进行定位。然后利用超分辨率卷积神经网络(Super-resolution Convolutional Neural Network，SRCNN)提高被裁减的局部图像分辨率的方法。最后使用全卷积神经网络(Fully Convolutional Network，FCN)分割气孔，得到气孔孔隙的解剖参数。该方法虽然实现了全自动测量，但是需要训练三个卷积神经网络，训练耗时且超分辨率模型的性能影响了整个方法的结果。因此目前的利用经典的图像分割算法还存在计算量大、对图像质量要求较高、需要人工手动调节参数的问题；通过自制模板或借助椭圆拟合技术来近似测量气孔参数的方法需要人工设计合适的模板，难以实现自动化的处理，并且由于不同种类的植物气孔形态不同，而模板是固定的，因此这类方法还存在通用性较差的问题；基于机器学习的方法还存在训练耗时且超分辨率模型的性能影响整个方法的结果的问题。