[论文解读] Automatic Leaf Extraction from Outdoor Images

Nantheera Anantrasirichai, Sion Hannuna+1 more|arXiv (Cornell University)|Sep 19, 2017

Smart Agriculture and AI参考文献 9被引用 10

一句话总结

本文提出了一种基于叶脉结构的鲁棒方法，用于从户外图像中自动提取叶片，通过利用叶脉结构、颜色、亮度和纹理特征，克服复杂背景和光照变化带来的挑战。该方法结合了分水岭与图割分割算法，并引入主/次叶脉检测及缺口-凸起优化，相较于现有方法在真实户外数据上实现了更优的性能。

ABSTRACT

Automatic plant recognition and disease analysis may be streamlined by an image of a complete, isolated leaf as an initial input. Segmenting leaves from natural images is a hard problem. Cluttered and complex backgrounds: often composed of other leaves are commonplace. Furthermore, their appearance is highly dependent upon illumination and viewing perspective. In order to address these issues we propose a methodology which exploits the leaves venous systems in tandem with other low level features. Background and leaf markers are created using colour, intensity and texture. Two approaches are investigated: watershed and graph-cut and results compared. Primary-secondary vein detection and a protrusion-notch removal are applied to refine the extracted leaf. The efficacy of our approach is demonstrated against existing work.

研究动机与目标

• 解决在复杂背景的自然户外图像中分割叶片的挑战。
• 在光照和视角变化条件下提升叶片提取的准确性。
• 开发一种鲁棒的自动化流程，用于分离完整且独立的叶片，作为植物识别与病害分析的输入。
• 对比并评估分水岭与图割分割策略在叶片提取中的性能表现。
• 通过叶脉检测与几何特征去除（缺口/凸起校正）优化分割结果。

提出的方法

• 利用颜色、亮度和纹理特征生成用于分割的背景与叶片标记点。
• 应用分水岭与图割算法对户外图像中的叶片进行分割。
• 使用图像处理技术检测主/次叶脉结构，以引导分割过程。
• 执行凸起与缺口去除，以优化最终的叶片边界。
• 结合低层次视觉特征与叶片结构信息（叶脉），提升分割的鲁棒性。
• 基于真实户外数据集，对结果与现有方法进行验证。

实验结果

研究问题

• RQ1 如何有效利用叶脉结构以提升复杂户外场景中的叶片分割效果？
• RQ2 在具有挑战性的户外条件下，分水岭与图割哪种分割方法表现更优？
• RQ3 颜色、亮度与纹理特征在准确生成叶片标记点方面贡献有多大？
• RQ4 叶脉检测与几何优化的结合在提升分割准确性方面有多有效？
• RQ5 所提方法能否在真实户外图像上超越现有叶片提取技术？

主要发现

• 所提方法在真实户外图像上的分割精度优于现有方法。
• 图割分割在处理复杂背景和保持叶片边界方面优于分水岭算法。
• 引入叶脉结构检测显著提升了在光照和视角变化下的分割鲁棒性。
• 凸起与缺口去除有效优化了最终的叶片掩码，减少了误报。
• 颜色、亮度与纹理特征的整合增强了标记点生成，从而提升了分割精度。
• 该方法在多样化的户外数据集上表现出色，验证了其在真实环境下的鲁棒性。