基于eCognition軟件的顯微圖像葉脈網(wǎng)絡(luò)提取與優(yōu)化

朱濟(jì)友 于 強(qiáng) YANG Di 徐程揚(yáng) 岳 陽(yáng) 陳 向

(1.北京林業(yè)大學(xué)林學(xué)院， 北京 100083； 2.弗羅里達(dá)大學(xué)地理系， 蓋恩斯維爾 FL 326113； 3.廣州市城市規(guī)劃勘測(cè)設(shè)計(jì)研究院， 廣州 510060)

0 引言

葉片作為植物碳水耦合權(quán)衡過(guò)程中的重要結(jié)構(gòu)，在長(zhǎng)期的生長(zhǎng)、繁殖和進(jìn)化過(guò)程中對(duì)其生長(zhǎng)環(huán)境的變化極其敏感，且具有較大可塑性[1]。葉脈是廣泛分布于葉面，且影響整個(gè)葉片機(jī)械支撐、水分供需平衡和資源流通的重要結(jié)構(gòu)[2]。葉脈密度作為葉脈網(wǎng)絡(luò)功能性狀中的重要指標(biāo)，表征了葉脈網(wǎng)絡(luò)在葉片中的分布、排列和走向規(guī)律，對(duì)蒸騰作用和光合作用過(guò)程中水分與光合產(chǎn)物的運(yùn)輸效率有密切關(guān)系，也是理解植物對(duì)環(huán)境調(diào)節(jié)機(jī)制的重要途徑[3]。已有研究表明，當(dāng)植物遭受不良環(huán)境脅迫時(shí)，往往通過(guò)調(diào)整其功能性狀以應(yīng)對(duì)和適應(yīng)環(huán)境變化。比如在水資源極度匱乏或高溫環(huán)境中，植物通常具有較發(fā)達(dá)的葉脈網(wǎng)絡(luò)結(jié)構(gòu)，從而保證水分供給平衡，提高植物的生存適應(yīng)與競(jìng)爭(zhēng)能力[4]。近年來(lái)，葉脈功能性狀普遍成為國(guó)內(nèi)外生態(tài)學(xué)家對(duì)植物葉片水分調(diào)節(jié)策略、葉片碳構(gòu)建、葉片光合能力等方面研究的關(guān)鍵生理參數(shù)[3-5]。隨著研究的不斷深入，基于葉片網(wǎng)絡(luò)結(jié)構(gòu)與環(huán)境變化關(guān)系、生態(tài)系統(tǒng)物質(zhì)循環(huán)及植物分類(lèi)等方面的研究不斷涌現(xiàn)。深入研究葉脈功能性狀及其生態(tài)學(xué)特性，探討植物對(duì)全球氣候變化響應(yīng)及其權(quán)衡關(guān)系具有重要意義[5-6]。葉脈含有植物的重要生理信息，而葉脈網(wǎng)絡(luò)提取是葉脈功能性狀研究工作的前提，也是植物建模、植物識(shí)別的關(guān)鍵步驟之一，因此高效、快速的葉脈提取方法研究顯得尤為重要。

隨著計(jì)算機(jī)圖像處理技術(shù)的發(fā)展和普及，如何從圖像中快速提取所需信息逐漸成為遙感領(lǐng)域研究的熱點(diǎn)[7-8]。葉脈功能性狀的傳統(tǒng)測(cè)算方法普遍采用Photoshop、image J等圖像分析軟件，不僅費(fèi)時(shí)、費(fèi)力，還極易造成較大的人為誤差[7]。目前，針對(duì)葉脈提取的研究對(duì)象主要為鮮葉掃描圖像，多基于人工神經(jīng)網(wǎng)絡(luò)、方向能量和K-means聚類(lèi)等方法進(jìn)行提取。大部分研究?jī)H局限于葉脈輪廓的提取，無(wú)法實(shí)現(xiàn)對(duì)其相關(guān)指標(biāo)的測(cè)算，若想進(jìn)一步獲取葉脈密度信息，仍需利用傳統(tǒng)的方法測(cè)算，增加了不必要的工作量[9-10]。與鮮葉圖像相比，經(jīng)過(guò)浸泡處理后的葉片，利用光學(xué)顯微鏡拍攝出來(lái)的葉脈圖像具有形狀和輪廓清晰、信息量豐富等優(yōu)點(diǎn)。本文將葉脈顯微圖像看作遙感影像，探討遙感圖像處理技術(shù)在葉脈分類(lèi)和提取中的應(yīng)用，進(jìn)一步測(cè)算葉脈密度。以不同葉面積、不同葉生長(zhǎng)特性的6類(lèi)常見(jiàn)綠化樹(shù)種(國(guó)槐、毛白楊、臭椿、洋白蠟、元寶楓和欒樹(shù))的葉脈顯微圖像為研究對(duì)象，基于多特征(亮度特征、光譜特征和幾何特征)對(duì)大批量葉脈圖像進(jìn)行識(shí)別、分類(lèi)和提取，以實(shí)現(xiàn)葉脈密度高效計(jì)算。

1 訓(xùn)練樣本獲取及提取流程

1.1 葉脈圖像獲取

北京市海淀區(qū)年平均氣溫10～14℃，夏季平均氣溫27.5℃，年平均降水量約600 mm。采樣地點(diǎn)為北京林業(yè)大學(xué)。如表1 (每列不同字母表示指標(biāo)間達(dá)到顯著性差異) 所示，為消除葉片生長(zhǎng)特性造成葉脈提取的差異，本文選取了北京市典型綠化樹(shù)種中不同葉片大小、葉片質(zhì)地及葉脈清晰度的6類(lèi)樹(shù)種(國(guó)槐、毛白楊、臭椿、洋白蠟、元寶楓和欒樹(shù))作為訓(xùn)練樣本。于2018年8月09:00—11:00，晴朗天氣，分別在東西南北4個(gè)方位隨機(jī)采集中冠層的成熟健康葉片。每類(lèi)樹(shù)種30株，每株樹(shù)采集30片葉片。將鮮葉用5% NaOH溶液浸泡5 d至葉肉全部腐蝕，溶液每24 h更換一次。加入1滴甲苯胺藍(lán)染液，用清水沖洗干凈后，制作臨時(shí)玻片，放于LJ-CLP03型光學(xué)顯微鏡下放大40倍后觀察，每個(gè)玻片隨機(jī)采集10幅圖像供試驗(yàn)分析[11]。

表1 6類(lèi)樹(shù)種葉片性狀特征Tab.1 Leaf traits of six tree species

1.2 葉脈圖像處理

1.2.1提取流程

基于eCognition Developer 64軟件的遙感分類(lèi)方法以包含多種語(yǔ)義信息空間關(guān)系的像元對(duì)象為處理單元，可以實(shí)現(xiàn)較高層次遙感圖像的分類(lèi)及目標(biāo)對(duì)象信息的提取[12]。如圖1所示，葉脈網(wǎng)絡(luò)的提取流程主要包括圖像預(yù)處理、多尺度分割、知識(shí)庫(kù)構(gòu)建、特征選取、葉脈提取及完善等步驟。基于遙感面向?qū)ο蠓ǖ姆指罘绞街饕卸喑叨确指?、棋盤(pán)分割和多閾值分割等，根據(jù)樹(shù)種的葉脈特征，本文選用多尺度分割方式，可以實(shí)現(xiàn)分割后目標(biāo)對(duì)象的權(quán)重同質(zhì)性達(dá)到最大[13]。

圖1 葉脈提取流程圖Fig.1 Flow chart of vein extraction

1.2.2葉脈密度計(jì)算及精度分析

葉脈密度及葉脈面積傳統(tǒng)測(cè)算方法是利用Photoshop、image J等圖像處理軟件對(duì)葉脈圖像進(jìn)行測(cè)算。本文基于遙感面向?qū)ο蠓ǎ趀Cognition軟件中確定葉脈最佳提取閾值，對(duì)圖像校準(zhǔn)后，即可批量測(cè)算葉脈密度。

每類(lèi)樹(shù)種隨機(jī)選取300幅葉脈顯微圖像用于分析。其中100幅圖像用于面向?qū)ο蠓诸?lèi)法進(jìn)行批量計(jì)算，另外200幅利用image J軟件實(shí)測(cè)。采用均方根誤差對(duì)所得結(jié)果進(jìn)行精度檢驗(yàn)[14]，即

(1)

(2)

式中R——均方根誤差P′——提取精度

Pi——image J軟件實(shí)測(cè)值

P0——提取值n——樣本數(shù)

2 面向?qū)ο蟮娜~脈提取及優(yōu)化

2.1 圖像預(yù)處理

為了增強(qiáng)顯微圖像中葉脈和背景部分的反差，在eCognition軟件中，對(duì)所有訓(xùn)練樣本進(jìn)行LUT拉伸，保證原始圖像初始特征的相對(duì)一致性，以達(dá)到更好的分割效果。

2.2 圖像分割

圖像分割是面向?qū)ο蠓诸?lèi)法最關(guān)鍵的一步，分割質(zhì)量直接影響提取精度?；谌~脈區(qū)別于背景的特點(diǎn)，選用多尺度分割方式，利用對(duì)象與非對(duì)象異質(zhì)性最小的區(qū)域合并法，將分割后葉脈的權(quán)重異質(zhì)性最小化，以獲取圖像不同尺度信息[15]。在eCognition中，能對(duì)任意分辨率的區(qū)域進(jìn)行同質(zhì)合并、異質(zhì)分離，從而實(shí)現(xiàn)不同尺度對(duì)象的提取。因此，需要不斷調(diào)整尺度參數(shù)來(lái)控制合并算法的閾值，找出最佳圖像分割參數(shù)。

由表2可知，不同分割參數(shù)的葉脈最終提取精度存在極顯著性差異，而在不同環(huán)境和不同樹(shù)種間不存在顯著性差異。如圖2a、2b所示，當(dāng)尺度參數(shù)設(shè)置為100時(shí)，圖像被分割得十分破碎；當(dāng)尺度參數(shù)設(shè)置為300時(shí)，圖像分割相對(duì)比較粗糙，葉脈的邊界吻合度較低。通過(guò)實(shí)測(cè)結(jié)果對(duì)比，葉脈分類(lèi)精度與分割尺度不呈線性關(guān)系，參數(shù)太大或太小均會(huì)影響分類(lèi)精度。經(jīng)過(guò)不斷調(diào)整發(fā)現(xiàn)，在尺度參數(shù)為200時(shí)，6類(lèi)樹(shù)種的葉脈圖像分類(lèi)精度達(dá)到最高。如圖2c、2d所示，在尺度參數(shù)一定的條件下，緊湊度參數(shù)過(guò)大、形狀參數(shù)過(guò)小時(shí)，圖像分割邊界十分密集，最終影響葉脈分割精度；反之，則分割邊界十分稀疏，影響分割精度。因此，在精準(zhǔn)、清晰地分出葉脈的同時(shí)，還需保證葉肉背景與葉脈對(duì)象形狀差異達(dá)到最大。如圖3所示，經(jīng)過(guò)多次嘗試，當(dāng)形狀參數(shù)為0.7、緊湊度參數(shù)為0.3時(shí)，6類(lèi)樹(shù)種的葉脈分割質(zhì)量達(dá)到最佳。

表2 基于分割參數(shù)及提取特征的葉脈網(wǎng)絡(luò)提取結(jié)果的差異性分析Tab.2 Differences analysis of interpretation results of leaf vein images based on segmentation parameters and extraction characteristics

注：精度為自動(dòng)提取值與目視鏡檢值的差。

圖2 葉脈圖像分割Fig.2 Leaf vein images segmentation

圖3 葉脈網(wǎng)絡(luò)提取結(jié)果Fig.3 Leaf vein network extractions result

2.3 知識(shí)庫(kù)構(gòu)建、葉脈提取與優(yōu)化

葉脈提取過(guò)程中，知識(shí)庫(kù)構(gòu)建對(duì)葉脈分割圖像的提取至關(guān)重要[16-17]。葉脈顯微圖像中包含了多種可用于目標(biāo)對(duì)象分類(lèi)的信息，對(duì)葉脈特征進(jìn)行概括和描述后，將其轉(zhuǎn)換為規(guī)則，從而實(shí)現(xiàn)葉脈的提取。對(duì)6類(lèi)不同形態(tài)、不同質(zhì)地葉片的葉脈分布特征和顯微圖像特點(diǎn)進(jìn)行總結(jié)，最終選用亮度特征和形狀特征構(gòu)建葉脈提取知識(shí)庫(kù)，再將這兩個(gè)特征轉(zhuǎn)換為相應(yīng)規(guī)則進(jìn)行提取。

2.3.1亮度規(guī)則

將對(duì)象分為葉脈和背景兩種，選中分割出來(lái)的葉脈單元即可顯示出葉脈的亮度，對(duì)所有葉脈單元的亮度進(jìn)行總結(jié)后，將最大值和最小值作為提取閾值。由表2可知，亮度特征的閾值對(duì)葉脈的提取精度存在極顯著性差異，而在不同環(huán)境、不同樹(shù)種間不存在顯著性差異。如圖3a所示，經(jīng)過(guò)對(duì)600幅圖像的反復(fù)調(diào)整得出，葉脈亮度特征值設(shè)置在230～280時(shí)，基本能將目標(biāo)對(duì)象與背景區(qū)分。除了葉脈對(duì)象外，還有較多亮度較高的葉肉背景也被區(qū)分出來(lái)，這些大部分屬于密集氣孔或保衛(wèi)細(xì)胞的輪廓邊界。對(duì)于革質(zhì)葉片來(lái)說(shuō)，其葉脈外凸明顯，但發(fā)達(dá)的氣孔結(jié)構(gòu)在顯微圖像上也形成了與葉脈相對(duì)一致的線條。此時(shí)，出現(xiàn)了較多誤判的部分，僅僅通過(guò)亮度特征難以實(shí)現(xiàn)葉脈對(duì)象的提取。

2.3.2光譜規(guī)則

由表2可知，光譜特征的閾值對(duì)葉脈的提取精度存在顯著性差異，而在不同環(huán)境、不同樹(shù)種間不存在顯著性差異。如圖3b所示，基于光譜特征對(duì)葉脈進(jìn)行提取仍存在部分錯(cuò)分或漏分的現(xiàn)象，因此需要根據(jù)光譜特征對(duì)葉脈進(jìn)行進(jìn)一步的分類(lèi)。對(duì)顯微圖像屬性分析可知，葉脈的光譜特征值為180～230，而背景部分的光譜特征值大部分位于180以下。因此，通過(guò)將光譜(紅光波段)特征值設(shè)定在180以上即可較好地將葉脈與背景分離。

2.3.3形狀規(guī)則

由表2可知，形狀特征的閾值對(duì)葉脈提取精度存在極顯著性差異，而在不同環(huán)境、不同樹(shù)種間不存在顯著性差異。由于僅依靠亮度特征和光譜特征很難將葉脈與背景部分分離，這時(shí)需要利用形狀特征對(duì)葉脈進(jìn)一步提取。首先在亮度規(guī)則提取類(lèi)別中將所有葉脈對(duì)象合并，與氣孔、保衛(wèi)細(xì)胞等細(xì)胞器形狀輪廓不同的是，葉脈具有比較特殊的長(zhǎng)條線狀輪廓。合并后的葉脈對(duì)象特征更加明顯，分出的對(duì)象為線形，而背景對(duì)象則多為塊狀。據(jù)此利用密度作為形狀特征進(jìn)一步提取，當(dāng)葉脈形狀越接近線形時(shí)，其密度越小。如圖3c所示，對(duì)6類(lèi)樹(shù)種葉脈圖像反復(fù)試驗(yàn)，將幾何特征值大于1.5的類(lèi)別歸為葉脈，這樣可以去除絕大部分背景對(duì)象，大部分合并后的葉脈得以完整保留。

2.4 提取優(yōu)化

如圖4a、4b所示，除毛白楊、洋白蠟和元寶楓等革質(zhì)葉外，其他紙質(zhì)、薄革質(zhì)葉片均被短絨毛。因此，在拍攝葉脈顯微圖像過(guò)程中，出現(xiàn)葉脈被絨毛遮擋或掩蓋的現(xiàn)象，表現(xiàn)為葉脈不連續(xù)或中斷。因此，為了盡量減少此類(lèi)現(xiàn)象造成的誤差，需要將中斷的葉脈縫隙拼接起來(lái)。本文采用循環(huán)迭代的方式找出中斷葉脈的方向，目的是利用eCognition軟件的面向?qū)ο蠓诸?lèi)技術(shù)，找出一種葉脈提取的普遍性規(guī)則及閾值范圍[18]。具體步驟為：①將距離圖像邊界最接近的區(qū)域作為循環(huán)起點(diǎn)的基準(zhǔn)對(duì)象。②從基準(zhǔn)對(duì)象開(kāi)始，找到一個(gè)與其距離為零的相鄰對(duì)象作為起始對(duì)象。③將原來(lái)的基準(zhǔn)對(duì)象設(shè)定為葉脈類(lèi)別，并把步驟②找出的起始對(duì)象作為新的起始對(duì)象繼續(xù)尋找下一個(gè)起始對(duì)象，直到最后一個(gè)起始對(duì)象值大于1，循環(huán)結(jié)束。如圖5所示，經(jīng)過(guò)不同分割參數(shù)、提取規(guī)則的層層疊加和優(yōu)化拼接等步驟，根據(jù)最優(yōu)參數(shù)對(duì)6類(lèi)樹(shù)種的驗(yàn)證，提取精度逐漸提高。

圖4 葉脈網(wǎng)絡(luò)優(yōu)化Fig.4 Leaf vein network optimization

圖5 最優(yōu)提取閾值的6類(lèi)樹(shù)種葉脈圖像提取結(jié)果Fig.5 Extraction results of leaf vein images of six tree species in optimal extraction threshold

3 結(jié)果評(píng)價(jià)

圖6 不同分割參數(shù)、提取特征的分類(lèi)精度Fig.6 Classification accuracy of different segmentation parameters and extraction characteristics

eCognition是全世界首個(gè)面向?qū)ο蠓诸?lèi)的軟件，面向?qū)ο蠓梢猿浞挚紤]目標(biāo)對(duì)象的特征信息，包括光譜特征、幾何特征和紋理特征等，圖像進(jìn)行多尺度分割后形成了一系列互不交叉或重疊的子單元，減少了對(duì)象的破碎率，能有效地避免“椒鹽效應(yīng)”[19-20]。葉脈是植物葉片水分運(yùn)輸?shù)闹匾Y(jié)構(gòu)，不僅發(fā)揮著葉片的機(jī)械支撐作用，而且還與葉片蒸騰、光合作用等生理活動(dòng)有密切關(guān)系[2,20]。近年來(lái)，葉脈網(wǎng)絡(luò)及其在分類(lèi)學(xué)、葉片水分利用和對(duì)環(huán)境變化權(quán)衡的關(guān)系已成為生態(tài)學(xué)上的研究熱點(diǎn)[21-22]。隨著林業(yè)遙感技術(shù)的不斷發(fā)展，如何準(zhǔn)確、有效地從圖像中解譯出目標(biāo)對(duì)象信息，成為遙感技術(shù)研究的熱點(diǎn)[23-24]。為了得出普遍適用的提取參數(shù)，本文選取了不同葉片大小、葉片質(zhì)地和葉片表面特征的6類(lèi)常見(jiàn)綠化樹(shù)種葉片作為訓(xùn)練樣本，充分將大尺度技術(shù)應(yīng)用于解決微觀尺度問(wèn)題。與此同時(shí)，充分考慮了特殊葉片生長(zhǎng)特性，如葉片絨毛造成葉脈不連續(xù)的問(wèn)題，運(yùn)用循環(huán)迭代的方式將間斷的葉脈進(jìn)行拼接，保證了葉脈網(wǎng)絡(luò)的完整性。每類(lèi)樹(shù)種隨機(jī)選取100幅圖像利用image J圖像處理軟件進(jìn)行測(cè)量，與本文方法的自動(dòng)提取結(jié)果進(jìn)行對(duì)比驗(yàn)證。如圖6、表3所示，盡管6類(lèi)樹(shù)種的葉片特征及葉脈密度存在較大差異，但并未影響最終的提取結(jié)果，提取精度均在93%以上且在樹(shù)種間均不存在差異性。這說(shuō)明通過(guò)合理設(shè)定的提取參數(shù)，采用面向?qū)ο蠓▉?lái)提取葉脈網(wǎng)絡(luò)并計(jì)算葉脈密度，與其他方法相比，該方法簡(jiǎn)單、快速、通用，具有較高的普適性，可用于大批量快速、精確計(jì)算葉脈密度。

表3 葉脈自動(dòng)提取值與實(shí)測(cè)值差值與精度Tab.3 Difference comparison between automatic extraction value and measured value of leaf vein and its extraction precision

4 結(jié)束語(yǔ)

在基于遙感面向?qū)ο蠓诸?lèi)法，同時(shí)結(jié)合多特征提取葉脈網(wǎng)絡(luò)的基礎(chǔ)上，用循環(huán)迭代方式對(duì)中斷的葉脈進(jìn)行了拼接處理。得到了普遍適用的葉脈提取閾值，即尺度參數(shù)為200，形狀參數(shù)為0.7，緊湊度參數(shù)為0.3，亮度特征值為230～280，光譜特征值為180～230，幾何特征值大于1.5。運(yùn)用該方法對(duì)葉脈密度測(cè)算的結(jié)果較理想，6類(lèi)樹(shù)種的提取精度均達(dá)到93%以上，說(shuō)明該方法用于大批量提取葉脈網(wǎng)絡(luò)、測(cè)算葉脈特征信息具有較高的普適性。