基于模糊顺序形态学的植物叶片脉络边缘提取(共8页)

1、 PAGE 6 网络预印版 徐艳蕾等：基于模糊顺序形态学的植物叶片脉络边缘提取 2015年 农业工程学报 PAGE 9第30卷 网络预印版 农 业 工 程 学 报 Vol. 30 2014年 网络预印版 Transactions of the Chinese Society of Agricultural Engineering 2015 PAGE 8基于模糊顺序形态学的植物(zhw)叶片脉络边缘提取徐艳蕾1，2，贾洪雷1，包佳林2（1. 吉林大学工程(gngchng)仿生教育部重点实验室，长春 130025； 2. 吉林农业大学信息技术学院(xuyun)，长春 130118）摘 要：植物叶片

2、是作物分类和识别的简单有效方法，叶片的脉络和边缘特征提取是识别叶片的基础步骤。植物叶片图像通常受噪声影响，提取清晰的脉络和边缘比较困难，该文提出了基于模糊顺序形态学的植物叶片脉络边缘特征提取方法。首先，根据像素邻域特性，利用植物叶片脉络边缘及内部区域的差异性，构造了隶属度函数；然后，依据Sugeno模糊模型，定义了能够增大叶片脉络边缘和内部区域差异的模糊规则，进行模糊推理；该文采用了抑制噪声特别有效的顺序形态学边缘检测算子，对图像进行脉络边缘提取，最终得到植物叶片脉络和边缘信息图像。试验结果表明，该文方法克服了自然环境中噪声的影响，提取的植物叶片脉络和边缘更加清晰、定位更加准确。关键词：植物叶

3、片；脉络边缘提取；隶属函数；模糊规则；顺序形态学中图分类号：TP391 文献标志码：A 文章编号：201503239徐艳蕾，贾洪雷，包佳林. 基于模糊顺序形态学的植物叶片脉络及边缘提取 J.农业工程学报，2015，()：-Xu Yanlei, Jia Honglei, Bao Jialin. Plant leaf vein and edge detection based on the fuzzy order morphology J. Transactions of the CSAE, 2015,()：- (in Chinese with English abstract) 0 引言收稿日期

4、：2015-03-25 修订日期：2015-06-09基金项目：国家科技支撑计划（2014BAD06B03）作者简介：徐艳蕾，女，副教授，博士，硕士生导师，主要从事农业信息化研究。吉林省长春市，吉林农业大学，130118，Email:通信作者：贾洪雷，男，教授，博士，博士生导师，中国农业机械学会耕作机械分会副理事长，长期从事保护性耕作理论与技术及其智能作业机械研究。吉林省长春市，吉林大学，130025，Email: jiahl植物的识别和分类有多种依据，叶片相较于其他器官根、茎、果实等，生存周期长有更强的稳定性，是作物分类的一种简单有效的依据方法1。叶片通过光合作用为植物生长提供营养，通过对叶

5、片的规律统计，根据其自身特性，例如叶片脉络和边缘特征等，与植株生长状况例如营养、病虫害、作物产量等的相关性研究，可以为大田精准农、林业的作业提供理论指导，因而如何获取田间叶片性状参数具有重大意义2。田间植物叶片的脉络和边缘检测是实现叶片农、林学性状参数提取的基础步骤，但是由于田间植物叶片图像通常受噪声的影响，在图像采集及处理的过程中，存在很多不确定性因素，因此迫切需要寻求一种针对田间植物叶片图像脉络和边缘特征提取的方法。传统的图像边缘检测算法有：Roberts 算法、Sobel算法、Prewitt 算法、Canny算法等方法。Roberts算子3定位比较精确，但是算法中未作平滑处理，因此该方法

6、对于噪声比较敏感，识别能力较差。Sobel算子4为一阶微分算子，采用平均滤波的方法，对噪声具有平滑作用，但是存在边缘不完整，有断裂点的缺点。Prewitt算子5也是一阶微分算子，采用加权平均滤波，对低噪声图像有较好处理效果，但复杂噪声图像处理效果并不理想，同样存在伪边缘和断裂现象。对于二维图像，Canny算子6的边缘检测和定位性能要好，有较强的抵抗噪声的能力但是缺点是在无噪声时反而会模糊了图像的边缘，其最优化的思想在实际应用不如理论效果好。总之，传统算法的抗干扰性差，易受噪声影响，从而导致边缘漏缺不完整，很难检测出复杂边缘和细微的叶片脉络，不适用于复杂背景下大田植物的叶片特征提取7。近年来涌现

7、了一些新的植物叶片脉络及边缘提取方法，主要有神经网络、模糊理论及数学形态学等。很多学者进行了神经网络在叶脉提取方面的研究8-11，该类方法通过神经元的选取、合理设计学习的层数及其他神经网络参数，能够提取较为理想的叶片脉络和边缘信息，但是比较耗时。数学形态学检测边缘主要是依据结构元素与图像间的相互作用，通过膨胀、腐蚀等算子得到图像边缘信息，目前没有明确的方法来针对不同的图像选取恰当的结构元素，且固定、单一的结构元素也不能完全检测到边缘12-13。Pal 和 King 等最先将模糊理论的思想用于图像的边缘检测算法中14，近年来很多学者基于模糊理论提出来一些边缘检测算法15-19，这些算法普遍的缺点

8、是计算复杂，对于低灰度值边缘信息不能很好的保持。对于模糊理论在植物叶片脉络和边缘检测方面的研究，林开颜等20提出了基于模糊逻辑的植物叶片边缘检测方法，李灿灿等21提出了基于K-means 聚类的植物叶片图像叶脉提取，这些算法能有效地提取叶片的叶脉和边缘，但是对于叶片的颜色有要求，对于颜色稍黄的叶片提取效果不理想。近年来，顺序形态学在图像边缘检测中的应用得到了深入的研究并取得了丰硕(fn shu)的成果，尤其对于含有噪声的图像，顺序形态学更是显示了它的优越性22。但是目前还没有相关的研究将模糊理论和顺序形态学结合在一起，对植物叶片图像进行(jnxng)脉络和边缘提取。本文将模糊理论和顺序形态学结

9、合，提出了基于模糊顺序形态学的植物叶片脉络及边缘特征提取方法，利用2种方法的优势(yush)完成叶片脉络及边缘特征的提取。1 构造隶属度函数为了在模糊域对图像进行处理，首先需要把图像从空间域变换到模糊域。根据模糊集的概念，一个最高灰度级为L的MN二维图像可以被看成是一个模糊像素集，表示为式（1）所示： (1)上式中：Xij QUOTE Xij 为图像点(i,j)像素的灰度值，为像素(i,j)的隶属度，且。正是由这些隶属度构成了图像的模糊特征平面，可由模糊隶属度函数计算得出。从以上分析可以看出，隶属度函数的确定十分重要。本文通过对图像中像素的邻域进行分析，构造了从空间域转换到模糊域的隶属度函数。

10、对于一幅像素矩阵为MN的图像，第i行j列的像素点可以表示成Xij，像素的邻域点即指定像素相邻区域的像素点。假定为W邻域，那么W邻域内像素点的均值定义为 (2) 式中：Pk表示邻域像素值。如果像素点Xij与像素领域均值相差较小，甚至为0，那么说明此点为内部区域的点，如果像素点Xij与像素邻域均值相差很大，那么说明此点极有可能为边缘点或者为脉络。因此可以定义一个像素点属于边缘点（脉络）的程度，也就是隶属度函数，如式（3）所示。 (3)式中C为常数；的取值范围理想情况为，因此本文定义 (4)从式（3）中可以看出，如果像素点属于边缘点或者叶片的脉络，那么该像素点与其邻域均值的差值较大，因此的值也会较大

11、；如果像素点不属于边缘点或者叶片的脉络，那么该像素点与其邻域均值的差值较小，相应的也会较小。所以式（3）中的大小反应了像素点隶属于边缘点或者脉络的隶属程度。隶属函数图如图1所示。图1 隶属(lsh)函数图Fig.1 Curve of membership function利用(lyng)（3）式可以把图像(t xin)由空间域变换到模糊域，也就是图像的所有隶属度构成了模糊图像Yij。把模糊图像利用模糊规则进行模糊推理处理后获得图像，利用隶属度函数的反变换函数将图像重新变换到空间域。反变换函数定义如式（5）所示。 (5)邻域通常取用的有4邻域和8邻域，本文采用4领域，4领域的像素值分布如图2所示

12、。/P2/P1/P0/P3/P4图2 图像4邻域像素点分布Fig.2 4- neighborhood pixel distribution那么，此时式（2）也可以写为式（6）:(6) 2 模糊规则和模糊推理式（3）可以判断出一个点属于脉络或者边缘的程度，根据不同的隶属程度，依据不同的模糊规则进行模糊推理，得到一个合适的输出ij，然后采用（5）式进行反变换，把图像从模糊域转换到空间域，此时图像的边缘得到了增强，为后续提取准确清晰的叶片脉络和边缘打下了基础。典型的模糊规则的形式为If x is A then y is B其中A和B为由论域X和Y上的模糊集合定义的语言值。“x is A”称为前提（前

13、件），“y is B”称为结论（后件）。这种模糊推理系统的每一条规则推理后得到的输出是变量的分布隶属度函数或离散的模糊集合。在将多条规则的结果合成以后，对每一个输出变量模糊集合都需要进行解模糊化处理。在实际应用中，往往期待模糊推理输出是一个确定的数值，Sugeno模糊模型将去模糊化也结合到模糊推理中，其输出为精确量23。Sugeno模糊模型的规则可写为If x is A and y is B then z=px+qy+r，在此x和y为不同输入变量的隶属度值，z为结果变量的隶属度值，而p，q和r为系数值，都为常数，由设计者根据实际情况进行选择。其中“x is A”和“y is B”都是前提（前件

14、），而z=px+qy+r称为结论（后件），可以看出它是一个确切的函数。本文需要检测植物叶片图像的脉络和边缘，可以定义一些条件来描述脉络和边缘图像，这些条件就构成了模糊规则的前件；规则的结论也就是后件，取决于像素本身的属性，也取决于其领域属性值。如果每个属性值都要一个规则对应，那么规则库就过于庞大。而采用Sugeno模糊模型可以解决这个问题，本文依据Sugeno模糊模型，以增加脉络边缘和内部区域点的差异性为目的，定义了模糊规则对脉络和边缘进行模糊推理。后件z=px+qy+r是一个确切的函数，只要能在规则前件指定的模糊区中恰当描述模型的输出，它可以是任意函数，本文采用的后件函数为幂指函数。前件中x

15、的取值范围为0-1，当x值的范围处于脉络或边缘区域时，为了增强植物脉络和边缘，此时应该加大x的取值，因此指数值要远远小于1；当x值的范围处于中间值时，此时分不清是否为植物脉络或者边缘，因此可以略微增大x的取值，因此指数值要小于1；当x值的范围处于内部区域时，此时可以确定像素点不是植物脉络或者边缘，因此可以保持x的取值不变。综合以上分析和经过多次的仿真实验对比，本文的模糊规则定义如下。If x is “脉络(milu)或边缘” then z=x0.2If x is “中间(zhngjin)值” then z=x0.6If x is “内部(nib)区域值” then z=x如果像素点为叶片的脉络

16、或者边缘，通过式（3）计算，对应的隶属度值较高，通过以上的模糊规则进行模糊推理，输出的期望值更加高；而如果像素位于内部区域，对应的隶属度值较低，依据以上模糊规则进行模糊推理，输出的期望值不变；而如果不能确定像素点属于脉络边缘还是内部区域，这样的像素点可以成为中间值，通过本文定义的模糊规则进行模糊推理，输出的期望值稍稍增大。通过以上的模糊规则进行模糊推理，可以增强叶片脉络和边缘的对比度，利于后续的边缘提取。3顺序形态学提取叶片脉络和边缘特征植物叶片图像通常受噪声的影响，且存在很多不确定性因素，很难得到准确的植物叶片脉络及边缘信息，本文采用具有较强去噪能力的顺序形态学算子，对经过模糊变换的植物叶片

17、图像进行边缘提取，利用2种算法的优势提取植物叶片的脉络和边缘。定义1 设数字图像f：0 f(x) m（m为灰度值），D=x1,x2, xk为结构元素，0(D)=k+ (.)为测度，即对D点计数. f(x)在集合D上的k个值依次排序为： f(x1*) f(x2*) f(xk*)，定义在结构元素D上的d阶顺序量（d为阶数）：order(d：fD)=f(xd*) (d=1, 2, ,k) (7)定义2 f(x)在结构元素D上的d阶顺序量（d=(k-1)p+1为阶数）定义为f关于结构元素D的顺序形态变换，记为f eq oac(,P)D，即： eq oac(,P) (8)定义3 f ( p, q) D

18、= ( f eq oac(,P)D ) eq oac(,q)D, ( p, q = 0,1 / ( k - 1) ,，1)称为f关于结构元素D 的二重对称混合顺序形态变换24。顺序形态变换检测植物脉络和边缘的原理如下：结构元素D处于区域点位置时，结构元素内的区域点像素的灰度值变化很小，因此区域点内的像素值的输入和输出基本没有差别；而结构元素D处于植物脉络和边缘位置的时候，结构元素内的像素点灰度值相差较大，因此变换前后植物脉络和边缘的像素点灰度值变化较大。这样经过变换后的植物叶片图像在脉络和边缘部位有较大的变化，因此可以识别植物的脉络和边缘。植物叶片图像经过模糊变换后，脉络和边缘区域的灰度跳变更

19、加明显，因此提取的边缘也更加的清晰准确。定义顺序形态变换边缘检测算子如下：G(f)= f (q, p) D eq oac(,q)D- f (q, p) D (9) G(f)= f (q, p) D- f (q, p) D eq oac(,P)D (10) G(f)= f (q, p) D eq oac(,q)D- f (q, p) D eq oac(,P)D (11)上式中结构元素D的选取很重要，尽量选择不用大小和形状的结构元素进行变换，这样提取的脉络和边缘比较清晰。式(9)提取的是叶片的外边缘，式(10)提取的是叶片的内边缘，式(11)提取的是欧式边缘。以下对式（9-11）进行理论分析：设1

20、 /2 q1q2 1，0 p 1 /2定义F(q, p)= f (q, p) D eq oac(,q)D，对植物叶片图像做顺序形态变换，输出图像边缘有偏移，但是不会改变边缘的斜率，因此经过F(q1, p)变换后的植物脉络和边缘要比F(q2, p)变换后的脉络和边缘窄，因此采用q1提取的脉络边缘比q2提取的要窄。也就是说，随着q值的增大，式(9)中的边缘检测算子的输出增大，即检测到的边缘变宽、变亮。式（10）检测的脉络(milu)和边缘随着p值的减小，叶片(ypin)脉络边缘(binyun)变宽、变亮。式（11）检测的脉络和边缘随着p值的减小或者是q值的增大，边缘变宽、变亮。4仿真实验及结果分析

21、为了验证本文方法的优越性，进行仿真试验。试验在MATLAB7.0环境下实现，选取的是自然场景下的植物叶片。原始植物图片（图3a）通过构造的隶属度函数进行模糊化处理，再依据本文定义的模糊规则进行模糊推理，然后经过反变换得到模糊处理后的图像（图3b）。从图中可以看出，植物叶片脉络和边缘部分的灰度对比度得到了增强。对模糊变换后的图像采用顺序形态学方法进行边缘提取，得到植物叶片的脉络和边缘图（图3c）。为了验证本文算法的有效性，将本文算法和经典的Canny边缘检测算法及经典的模糊增强边缘检测算法Pal&King方法进行比较。Canny算法采用MATLAB7.0中自带的M函数进行边缘提取，而Pal&Ki

22、ng方法中定义的隶属度函数中，倒数型模糊因子Fd取值为128，指数型模糊因子Fe取值为1。图3d、3e分别为这两种算法的检测结果。实验还对本文算法和一般的顺序形态学边缘检测进行了比较，一般的顺序形态学就是不经过模糊变换直接进行顺序形态变换得到脉络和边缘图像（图3f）。从图中可以看出，经过模糊变换叶片的边缘和脉络对比度得到增强，更加清晰可辨；Canny算子检测出很多伪边缘，边缘和脉络不清晰，而Pal&King算法及顺序形态学方法能够检测到比较清晰的脉络和边缘，但是Pal&King算法检测的脉络和边缘不完整，而且这两种算法检测到的边缘对比度低，对后续的图像分析不利，而且丢失了一些细小的脉络和边缘。

23、本文算法检测的脉络和边缘相对其他几种方法，边缘图像对比度增加，连续性好，定位准确，边缘完整，而且能够检测到细小的脉络和边缘。本文方法对于植物叶片脉络和边缘比较模糊的图像，效果更加明显，叶片经过模糊变换后的效果更加的明显，提取的边缘相对其他几种算法，优势更加明显。 a原图 a original image b模糊变换 b fuzzy transformation c本文算法 c algorithm of the paper d Canny算子 d Canny operator e Pal&King算法 e Pal&King algorithmf 顺序形态学 f order morphology图

24、3 叶片图像脉络和边缘提取Fig.3 Vein and edge extraction of leaf 本文算法对于噪声图像更加具有优势，为了验证本文算法在抑制噪声方面的优越性，本文对原图片加入了10%的椒盐噪声（图4a）。a噪声图 a noise image b 本文(bnwn)算法 b algorithm of the paperc Pal&King算法(sun f) c Pal&King algorithmd 顺序(shnx)形态学 d order morphology图4 噪声图像叶片脉络和边缘提取 Fig.4 Vein and edge of noise leaf image 对于含

25、噪图像采用本文方法、Pal&King算法及直接的顺序形态边缘检测算法进行边缘提取，结果如图4b、c、d所示。从图中可以明显看出本文算法在抑制噪声方面的优越性。通过比较可见，本文方法能够非常准确的定位叶片图像脉络及边缘，相较于几种传统算法，得到的边缘特征更细，不存在“漏检”和伪边缘现象，且能够抑制大田复杂噪声。本文方法通过模糊变换，能够检测出比较模糊的部分边缘及细小脉络，这是因为在定义隶属度函数时考虑了边缘像素和内部像素的差异性，通过模糊规则进行模糊推理时，进一步加大了边缘像素和内部像素的差异性，因此本文算法能够检测出更加清晰准确的植物叶片脉络和边缘，具有广泛的适用性。5结论本文通过构造隶属度函

26、数将采集的植物叶片图像进行模糊化处理，依据Sugeno模糊模型，定义有效的模糊规则进行模糊推理，然后通过反变换得到模糊变换后的植物叶片图像，实验结果表明通过变换后的图像，植物叶片脉络及边缘区域的灰度跳变更加明显。对于模糊变换后的图像，采用顺序形态学边缘检测算子进行边缘检测，得到最终的植物叶片脉络和边缘信息图像。试验结果表明，本文方法能够克服自然环境中噪声的影响，提取的植物叶片脉络和边缘更加清晰，定位更加准确，可以为作物识别分类及作物生长状况监测提供重要理论依据。参 考 文 献Allen J Coombes, Zsolt Debreczy. The Book of Leaves M. Londo

27、n,The University of Chicago Press, Ltd, 2010,10-15.张善文,巨春飞. 正交全局-局部判别映射应用于植物叶片分类J. 农业工程学报, 2010,26(10)：162-166. Zhang Shanwen, Ju Chunfei. Orthogonal global-locally discriminant projection for plant leaf classificationJ. Transactions of the CSAE, 2010, 26(10): 162166. (in Chinese with English abstra

28、ct). Ma Xianmin, Jiang Yong. A fast edge detection roberts algorithm of coal gangue binary imageJ. Chinese Journal of Scientific Instrument, 2005,26(4):595-597.M.Wen and C.Zhong. Application of sobel algorithm in edge detectionof imagesJ.hina High-tech Enterprise, 2008,6(5):57-62.Wang Dong, Zhou Shi

29、sheng. Color image recognition method based on the prewitt operator C /International Conference on Computer Science and Software Engineering, 2008:170-173.Cheng Jinyong, Xue Ruojuan.Segmentation of medical images with canny operator and GVF snake modelC / Proceedings of the 7th World Congress on Int

30、elligent Control and Automation, 2008:899-903.Tizhoosh H R. Fast fuzzy edge detection C / Proceedings of Annual Meeting of the North American on Fuzzy Information Processing Society，2002：239-242.Hong Fu, Zhen Chi. A two-stage approach for leaf vein extractionC/Proceedings of IEEE International Confe

31、rence on Neural Networks and Signal Processing, 2003, 1: 208-211. Li Yunfeng, Zhu Qingsheng, Cao Yukun, et al. A leafvein extraction method based on snakes techniqueC/ Proceedings of IEEE International Conference on Neural Networks and Brain, 2005, 2: 885-888.傅弘, 池哲儒, 常杰，等. 基于人工神经网络的叶脉信息提取-植物活体机器识别研

32、究J. 植物学通报，2004，21(4)：429-436.Fu Hong, Chi Zheru, Chang Jie, et al. Extraction of leafvein features based on artificial neural network: Studies on the living plant identification I J. Chinese Bulletin of Botany, 2004, 21(4): 429-436. (in Chinese with English abstract)赵卓英, 孙明, 姜伟杰. 基于细胞神经网络的植物叶片图像中叶脉的

33、提取J. 农机化研究，2009(4)：168-171. Zhao Zhuoying, Sun Ming, Jiang Weijie. Extraction of leaf vein in plant leaf image based on cellular neural networkJ. Journal of Agricultural Mechanization Research, 2009(4): 168-171. (in Chinese with English abstract)陈恩庆, 李晓磊. 采用(ciyng)多结构元素(yun s)模板(mbn)的形态学边缘检测新算法J. 计算

34、机工程与应用, 2013, 49(17):146-149.Chen Enqing, Li Xiaolei. Novel morphology edge detection algorithm using multiple structuring element templatesJ. Computer Engineering and Applications, 2013, 49(17): 146-149. (in Chinese with English abstract)岳安志，杨建宇，张超，等.基于多尺度形态学滤波的高分辨率遥感影像分割J.农业工程学报，2013, 29(增刊):89-95

35、.Yue Anzhi, Yang Jianyu, Zhang Chao, et al. Multi-scale morphological filter for image segmentation of very high resolution satellite imageryJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(Supp.l):89-95. (in Chinese with English abstract)Pal S

36、K, King R A. On edge detection of X-ray images using fuzzy setsJ. IEEE Transactions on Pattern Analysisi and Machine Intelligence, 1983,5(1):69-77.杨勇，黄淑英一种改进的Pal和King模糊边缘检测算法J. 仪器仪表学报, 2008,29(9):1918-1922.Yang Yong, Huang Shuying. Modified Pal and King algorithm for fuzzy edge detectionJ. Chinese T

37、ournal of Scientific Instrument, 2008,29 ( 9 ):1918-1922. (in Chinese with English abstract)李刚, 朱久进,王越,等. 模糊域的图像边缘检测算法分析J. 重庆大学学报,2010,33(2):117-122.Li Gang, Zhu Jiujin, Wang Yue, et al. Image edge detection algorithm in fuzzy domainJ. Journal of Chongqing University, 2010,33(2):117-122. (in Chinese

38、 with English abstract)汪林林，杨帆，王佐成.一种自适应多方向模糊形态学边缘检测算法J.计算机应用研究2009，26（3）：1177-1178.Yang Xiaoyi, Guo Bing. Study on image segmentation algorithm based on fuzzy mathematical morphologyJ. Fuzzy Information and Engineering, 2009,1(12):488-495. Jacquey F, Comby F, Strauss O. Fuzzy edge detection for omni

39、 directional imagesJ. Fuzzy Sets and Systems, 2008, 159(15): 1991-2010.林开颜,司慧萍,周强,等. 基于模糊逻辑的植物叶片边缘检测方法J. 农业机械学报,2013,46(6):227-231.Lin Kaiyan, Si Huiping, Zhou Qiang, et al. Plant leaf edge detection based on fuzzy logicJ.Transactions of the Chinese Society for Agricultural Machinery, 2013, 46 (6) :

40、 227-231. (in Chinese with English abstract)李灿灿, 王 宝,王 静,等. 基于 K-means 聚类的植物叶片图像叶脉提取J. 农业工程学报，2012，28(17)： 157-162. Li Cancan, Wang Bao, Wang Jing, et al. Extracting vein of leaf image based on K-means clusteringJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the

41、CSAE), 2012, 28(17): 157-162. (in Chinese with English abstract)Xu Yanlei, Zhao Jiyin, Jiao Yubin. Gray-scale Image Edge Detection Based on Order Morphology TransformationC. The 7th World Congress on Intelligent Control and Automation (WCICA08),2008: 5970-5975.钟飞, 钟毓宁.Mamdani 与Sugeno型模糊推理的应用研究J. 湖北工

42、业大学学报, 2005, 20(2)28-30.Zhong Fei, Zhong Yuning. The application research of Mamdani and Sugeno style fuzzy inferenceJ. Journal of Hubei University of Hubei University, 2005, 20(2)28-30. (in Chinese with English abstract)赵继印, 徐艳蕾, 焦玉斌. 一种基于顺序形态学的灰度图像边缘检测快速算法J. 电子学报，2008, 36(11): 2195-2199. Zhao Jiyi

43、n, Xu Yanlei, Jiao Yubin. A kind of fast arithmetic of gray-scale image edge detection based on the order morphologyJ. Chinese Journal of Electronics, 2008, 36(11): 2195-2199. (in Chinese with English abstract)Plant leaf vein edge detection based on fuzzy order morphologyXu Yanlei1,2 , Jia Honglei1,

44、 Bao Jialin2(1. Key Laboratory of Bionics Engineering, Ministry of Education, Jilin University, Changchun 130025, China；2. College of information, Jilin Agricultural University, Changchun 130118, China)Abstract: Leaf is the important part of a plant, and leaf vein and edge feature is often used for

45、classifying the plant, which also can indicate the growing condition of plant. Leaf vein and edge extraction is useful for studying leaf and plant structures. However, it is difficult to obtain the accurate leaf vein and edge for the noise existing in natural environments, and the uncertainty in the

46、 process of image acquisition and processing. So the extraction algorithm of leaf vein and edge is required.The traditional algorithms can detect leaf edge and vein, but the interference immunity is poor and is easy to affect by noise. So the edge is not complete and it is difficult to detect the co

47、mplicate edge and small vein. The tradition algorithm is not fit to feature extraction of plant leaf in complicated condition. Recently, the new extraction methods are emerging, including neural network, fuzzy theory, and morphology, etc. The algorithms all have different problems, the result of ext

48、raction is not ideal. In this paper, plant leaf vein and edge extraction based on fuzzy order morphology is proposed. It combines the fuzzy theory and order morphology to extract the leaf vein and edge. Firstly, the paper constructs membership function according to the pixel neighborhood characteris

49、tic, which is based on the difference between the leaf vein edge and inner filed. The leaf image is transformed from the spatial domain to the fuzzy domain. The value of membership reflects the subjection of pixel to edge or vein. The paper also makes the curve of membership function, which intuitiv

50、ely shows the distribution of pixel to edge or vein.Secondly, fuzzy rule and fuzzy inference need to be proposed. The good rule and inference can obtain good enhancement. The paper defined the fuzzy rule according to Sugeno fuzzy model, which can increase the difference of edge and inner area. If th

51、e value of membership is high, the value is higher by fuzzy inference. The value is low, which is lower after fuzzy inference. The paper chose the power function as the fuzzy rule. When the x(x is the value of membership and value range is 0-1) is vein or edge, the exponent value is far less than 1; When x is in inner area, the value of x can keep up, so the exponent value is 1.Next, the paper extracted the vein and edge using the order morphology. In order morphology, D is the structure element. When D is in flat area, the output image is almost same to the input; but when D is in chan