基于识别驱动型水平集方法的复杂背景植物叶片图像分割研究

在植物叶片数字化研究中，对图像中叶片分割效果的好坏会直接影响到叶片信息的提取和最终的分析结果。本项目将着重研究基于识别驱动型水平集方法的复杂背景植物叶片图像分割。首先，使用图像的水平集函数表达作为训练集，并构建基于变分框架的目标函数进行最佳形状估计，从而建立叶片图像的形状先验模型；然后，设计一种基于数据驱动的混合型水平集能量泛函，同时使用局部统计信息和区域描述子，引入核函数来提高水平集演化速度，并设计一种惩罚能量项来避免重新初始化步骤；接下来，设计一组叶形姿态差异参数来反映目标叶形与形状先验模型间的差异，同时构造一种动态标记函数，用于加强形状先验模型在目标区域的作用，并实现多区域多类叶片目标分割；最后，形成一个完整的识别驱动型水平集分割方案，使得演化曲线在数据驱动力和识别驱动力的联合作用下逼近目标叶片。通过本项目的深入研究，将对我国正大力倡导的数字化植物研究和数字农业起到一定的推动作用。

数字化植物研究的一个重要课题就是利用计算机对叶片图像进行处理和分析，而叶片分割效果的好坏会直接影响到叶片信息的提取和最终的分析结果。由于水平集方法能处理复杂的拓扑结构变化且有着较高的的分割精度，本项目着重研究面向复杂背景植物叶片图像的水平集分割技术。 . 我们采集和整理了90类约1300余幅复杂背景植物叶片图像，同时对外发布了前期建立的ICL Leaf数据库。利用该库中的简单背景叶片图像作为训练集，通过自动修剪和轮廓提取，计算得到200类叶片的形状训练集，以此为基础设计叶片形状先验模型的表达式并构建目标函数，通过使用一种分步交替式求解方案，最终获得了100类叶片的形状先验模型。. 接下来，我们提出了多种新的水平集模型，包括基于局部统计分析和全局相似性度量的混合型水平集模型、基于力矩竞争和三点标记函数的水平集模型、多尺度局部区域型水平集模型、基于局部最大化描述差异的水平集模型等。此外，我们设计了一种新的基于多项式的双井势函数，以此构建惩罚能量项来避免水平集重新初始化步骤。同时，我们提出在数值求解方案中使用基于Hermite多项式逼近的微分算子来替代传统的差分算子，以提高水平集演化的稳定性。. 针对目标叶形与形状先验模型间的姿态差异，我们设计了一种具有姿态差异不变性的叶片形状距离测度，在100类叶片形状训练集上对于姿态发生改变叶片的定位精度达到91%。此外，我们还提出了多种有效的叶片图像特征，包括三通道扩展结构张量、多模态叶片结构张量、多尺度重叠块局部二值模式、加权弧形状上下文特征和完备局部二值计数算子等。. 最后，我们将形状先验模型、叶片形状距离测度、叶片图像特征和构建的水平集模型相融合，形成了识别驱动型水平集分割框架，其性能在复杂背景植物叶片上得到了验证，同时也被成功应用到医学、动物、纹理等图像分割中。此外，我们还分别开发了基于Android平台、B/S架构和ARM平台的3套植物叶片图像处理和识别系统。. 本项目的研究成果是对数字化植物研究的丰富与补充，能够对水平集方法和图像处理的理论研究起到一定的促进作用，所提出多种技术完全可以被用于其它类型图像的处理和分析，可以说本项目研究具有较好的应用前景。