叶脉的诗歌

叶脉的诗歌（精选8篇）

篇1：叶脉的诗歌

叶脉的诗歌

1.

沿着向上的路

走进温暖的叶子

夏日深沉时

枝叶可是那段记忆的标题?

既然天赐良机

就绚丽成脉脉的牵挂吧!

秋风里静静落在你的手心上

真情已经无句表达

不如在你的文集里

听海哭的声音

好吗?

2.

等候的是否太久?

昨夜的泪还在腮上停留。

一缕霞光将刺破暗夜，

也刺破你千里的忧愁!

绽放已经不需要任何理由。

相思成病的时光，

也相思成莲子心头的烟雨。

菡香依旧，梦依旧。

谁在风中翘首?

谁又在雾里回眸?

于盛夏的清晨，

因为一份痴念而与你再次邂逅!

3.

金风乍起

在你瓦蓝瓦蓝的背影里

我的目光虚幻成一枚露珠

栖在一片或两片叶上

短暂停留

月色是与你深情对视的渲染

乘着夜的马车

行走在谁的眉宇之间?

抖一抖沾满尘土的诗囊

没有告别就走进雾里

凝结成蒹葭上的歌唱

在微风中醒来

或在古诗中睡去

4.

我就知道，

是你来了!

不然，如梦幻一样

轻柔的脚步会是谁的呢?

落在我的手边，

拉直我的视线。

不然，如诗歌一样飘渺的遐思，

怎会红透案上的长卷?

在你的紫砂壶里，

苏醒的句子带着禅味的浓与淡。

那可是另类的春天!

5.

当我熬过苦夏冗长的`夜，

就已经感觉到你会在前面等我。

不然，你怎会收起满天的飘逸，

为我展示那一整片的蔚蓝?

在风中约会，在雨中漫谈，

我不会忘记你轻盈的身影。

我要把世上最美的文字，

酝酿成一坛好酒，

用月光的杯，

敬给我的知己红颜!

秋的叶儿，秋的叶儿呀!

我真的，真的好喜欢!

6.

天远了

枫叶淡了

树梢上小松鼠

双手抱紧了秋天

绿们一夜之间

全部换上了迷彩

雨后的大森林

冒出好多红顶屋

露湿了裤腿儿也无所谓

装满了童话的背篓儿

也装满了童年的梦幻

小溪洗亮了鸟儿的翅膀

也洗亮了我梦里的山梁!

7.

稻花香、枣花香

荷花未开叶儿满塘

回望、回望：

故乡水美草美

清沙浅港

连风儿也将眼皮儿合上

小鱼游在水里

也飞在天上

不惧风急浪涌!

只要梦想还在

就会心生双翅永不迷航!

8.

蜗牛仰着头

爬在夜树上

看自己的月亮!

背着家

也背着生活的画板

用一种叫做：

随想的东西

把美丽表达!

篇2：叶脉的诗歌

这次我们又开始尝试做一种新鲜的玩意，那就是我们阅读书籍时常用的东西—书签。

这次我做的是叶脉书签，虽说制作步骤并不算多，但是其中的操作部分却十分之难。我自认为做的十分失败。首先是煮叶子，这个地方出现了一些小状况，因为我事先准备的树叶，放的时间太久，而变老变枯黄了，所以煮了好长的时间，洗衣粉也放了不少，但也煮了好长的时间。叶子都不烂，这让我都有一些等不急了。

煮到颜色差不多枯黄了，我就开始刷了，这个步骤最难完成了，因为在刷叶肉时，有可能把叶肉刷的很干净，也有可能不小心把叶脉刷烂了一个大洞。而我就是在这里失败的。我刚开始做时是非常顺利的，但由于我力气有的太大了，而导致那片树叶接二连三的出现了一些破洞。我为此还感到了失败。因为前面出现了如此的状况，我就再也不敢继续太有力了，所以有些地方的叶肉我并没有刷的太干净，而这片叶脉书签我觉得做得很失败。

我在做叶脉书签的同时我也总结了许多技巧方面和刷叶肉时要注意的`地方。在刷叶肉时，要把中间那一条大叶脉中十分粗的那一面翻过来刷，那样刷会好刷一些。还有选叶子时一定要选嫩一点的，拿了叶子之后要尽快煮，不然真正做的时候要花多比原来多一倍的时间。

这次我做的叶脉书签并不好看，也有多处地方没有刷干净，几处地方有一些瑕疵，导致整片叶脉书签并不美观。而且我没有选好牙刷，牙刷毛有一点硬不好刷。叶子的周边和接近大叶脉的地方刷的时候并没有掌握好方法。之后我又做了一次，而这次比上次做的成功多了。

篇3：叶脉的诗歌

叶是植物重要的器官, 不同的植物具有不同的叶。从植物学分类的角度来看, 通过植物叶对植物进行分类是最简单和最有效的方法。传统手工方式的效率低, 远远不能满足需要。近年, 随着来计算机技术的不断发展, 许多学者研究使用图像处理技术和模式识别技术实现对植物的快速识别。朱静等[1]采用植物叶形状特征实现植物的叶形快速分类, 黄德双等[2]采用植物叶的形状特征实现植物叶的识别。但是他们都只使用了植物叶的外轮廓特征 (如纵横轴比、矩形度、球状性、圆形度和偏心率等) , 而植物叶的叶脉丰富, 包含了更多的信息, 提取植物叶的叶脉信息对植物叶的识别具有重要意义。

植物的叶脉复杂多变, 应用传统的边缘检测算子方法难于提取。傅弘等[3]提出了基于人工神经网络的叶脉信息提取方法;Yan Li等[4]提出了独立成分分析提取叶脉的方法, 但都是对灰度图像进行的。已有研究表明, 彩色图像能比灰度图像提供更多的信息。彩色图像中大约有10%的边缘在灰度图像中是检测不到的[5]。

本文在HSI颜色空间中根据植物叶色度H的分布特性将植物叶分为单色叶和对比色叶两类。对于对比色叶, 直接采用色度分量H提取叶脉信息;对于单色叶, 利用色度分量H和亮度分量I分别提取叶脉信息, 然后将其融合。实验结果证明, 该方法能有效提取各种类型的叶脉信息。

1 HSI颜色空间

目前, 绝大部分彩色图像是基于RGB 颜色三基色模型, 但RGB 颜色空间的主要缺点是R, G, B三基色高度相关, 即只要亮度改变, 3 个分量都会相应改变, 不利于彩色图像的快速处理。为了克服RGB 颜色空间的这些缺点, 在彩色图像处理中经常采用其他更加符合颜色视觉特性的颜色空间, 如HSI[6]颜色空间。HSI 颜色空间是采用色度 (Hue) 、饱和度 (Saturation) 和亮度 ( Intensity) 等3个分量来表征颜色。各分量之间相互独立, 且与人感受彩色的方式紧密联系。

RGB 颜色空间到HSI颜色空间的转化公式[7]

undefined (1)

undefined (2)

undefined

(3)

其中, θ =arccos{ (1/2) [ (R-G) + (R-B) ]/[ (R-G) 2+ (R-B) (G-B) ]1/2}。

2 植物叶分类

植物叶分类方法多种多样, 在这里根据植物叶图像中叶脉和叶肉颜色差异的大小, 可以将植物叶分为两类:单色叶和对比色叶。对比色叶是指叶脉和叶肉颜色差异显著的叶 (如图1 (a) 所示, 叶脉是红色, 叶肉是绿色) ;单色叶是指叶脉和叶肉颜色相似的叶 (如图1 (b) 所示, 叶脉是黄绿色, 叶肉是绿色) 。

不同类型的植物叶, 色度H、亮度I分布规律不一样。图1 (a) 是对比色叶, 叶脉和叶肉的色度H差异显著, 通过颜色很容易区分, 但亮度I差异小;图1 (b) 是单色叶, 叶脉和叶肉的色度H差异小, 但亮度I差异显著。因此, 不同类型植物叶的叶脉提取需要采用不同的方法, 才能更好地提取。

色度差异显著型区分可以根据色度H的分布特性。在HSI颜色空间中, 色度H值分布集中 (即差异小) 的植物叶, 则叶脉和叶肉颜色的差异小, 为单色叶;色度H值分布分散的植物叶, 则叶脉和叶肉颜色的差异大, 为对比色叶。因此, 根据植物叶色度H的分布可以将植物叶分为单色叶和对比色叶。

在概率论和统计学中, 衡量随机变量X分布的分散程度经常根据随机变量X方差的大小来确定。方差的定义为

σ2=E (X-μ) 2 (4)

其中, μ=E (X) 。

根据统计学理论, 计算色度H的标准差σ。若σ越小, 则表示色度分布越集中, 为单色叶;若σ越大, 则表示色度分布越分散, 为对比色叶。因此, 选取合适的阈值可以将植物叶分为单色叶和对比色叶。

3 植物叶脉信息提取

在HSI 颜色空间中, 提取植物叶脉信息主要有以下几个步骤:

1) 根据色度H 的标准方差σ大小, 把植物叶分为对比色叶和单色叶两种类型;

2) 对于对比色叶, 利用色度分量H来提取叶脉的信息;

3) 对于单色叶, 用色度分量H和亮度分量I分别进行提取叶脉信息, 然后将其融合。

图2给出了叶脉分割的算法流程图。

3.1 对比色叶叶脉信息提取

由于对比色叶的叶脉和叶肉颜色差异显著, 在HSI颜色空间中色度H的直方图上存在明显的双峰, 采用直方图阈值分割可以有效提取叶脉。

3.2 单色叶叶脉信息提取

单色叶的叶脉和叶肉的色度差异小, 利用色度分量H只能提取少量叶脉信息, 但它们的亮度I存在显著差异。因此, 可以利用亮度分量I提取大量的叶脉信息。由于叶脉复杂多变, 导致不同位置的叶脉灰度 (即亮度I) 变化大。传统的方式仅仅根据灰度值的边缘检测方法提取的叶脉不够完整。在这里, 采用融合色度分量和亮度分量提取的叶脉信息的方法。

为了利用亮度分量有效地提取叶脉信息, 需要在灰度域对单色叶进行增强。目前, 灰度增强的算法有很多, 如灰度拉伸、直方图均衡化和反锐化掩模技术[8]等。这些方法都能很好地增强图像边缘和细节, 但由于叶脉复杂多变, 有的地方叶脉宽, 有的地方叶脉窄, 使用这些方法增强叶脉效果不理想。

模糊集合理论[9,10]在图像增强方面已得到很好的应用。图像模糊化是利用一个隶属度函数将图像的灰度值映射到[0, 1]的实数域上。虽然在实践中确定隶属度函数的方法很多, 但至今还没有统一的模式。本文根据增强叶脉图像的需要, 定义了以下一个半开型隶属度函数

undefined

其中, X={x1, x2, …, xn}为一论域, x是指定论域X中的元素, Y是论域经隶属度函数映射而成的模糊集合。它们是隶属度函数μY (x) 的3个参数, 决定了隶属度函数的形状。其值由指定论域的统计值来决定, 即

undefined

(6)

这里, m和σ是论域X的均值和标准差。该隶属度函数将论域X中值处于中间段的元素映射到的范围内, 拉伸了范围, 增强了对比度;将小于a1的值 (背景) 映射为0, 而将较大的值映射到的范围内, 不仅可以避免强者更强, 而且还不完全抑制强者。

对于单色叶, 叶脉信息提取主要有以下几个主要步骤:

1) 在色度H域进行阈值分割, 提取部分叶脉信息, 记为FH;

2) 对灰度域增强后的图像进行阈值分割, 提取灰度域的叶脉信息, 记为F1;

3) 融合两部分叶脉信息, 即FH+F1。

4 实验结果与分析

根据本文所提出的方法, 在matlab7.0编程环境下对两种不同类型的植物叶分别进行了叶脉信息提取的实验, 结果如图3和图4所示。

(a) H分割结果 (b) I分割结果 (c) 融合结果

图3是图1 (a) 利用色度分量H提取的叶脉信息。由图3可以看出, 对比色叶利用色度分量能有效提取出叶脉信息。图4 (a) 是图1 (b) 利用色度分量H提取的叶脉信息。由图4可以看出, 单色叶利用色度分量只能提取少量的叶脉信息。图4 (b) 是图1 (b) 利用亮度分量I提取的叶脉信息, 由图4 (b) 可以看出, 亮度分量能提取单色叶丰富的叶脉信息, 但也不够充分, 如在主脉叶蒂处由于宽度较宽宽, 提取不够完整。图4 (c) 是融合色度H和亮度I提取叶脉信息的结果, 叶脉完整清晰。

5 结束语

本文提出在HSI颜色空间根据色度分量H的分布将植物叶分为对比色叶和单色叶两种类型。对不同类型的叶采用不同的方法提取叶脉信息, 能有效提取植物叶的叶脉信息, 且速度快, 为下一步植物叶的识别打下了良好的基础。接下来将进一步研究HSI颜色空间中色度分量H和亮度分量I之间的换算关系, 以便更好地提取叶脉信息。

参考文献

[1]朱静, 田兴军.植物叶形的计算机识别系统[J].植物学通报, 2005, 22 (5) :599-604.

[2]王晓峰, 黄德双.叶片图像特征提取与识别技术的研究[J].计算机工程与应用, 2006, 42 (3) :190-193.

[3]傅弘, 池哲儒.基于人工神经网络的叶脉信息提取—植物活体机器识别研究[J].植物学通报, 2004, 21 (4) :429-436.

[4]Yan Li, Zheru Chi Leaf vein extraction using independent component analysis[C]//IEEE Conference on Systems, Man, and Cybernetics, 2006:3890-3894.

[5]C L Novak, S A Shafer.Color edge detection[C]//Proc of DARPA Image Understanding Workshop, 1987:35-37.

[6]K N Plataniontis, A N Venetsanopoulos.Color image pro-cessing and applications[M].Heidelberg:Springer, 2000.

[7]贾云得.机器视觉[M].北京:科学出版社, 2000:150-155.

[8]Polesel A, Ramponi G, Mathews V J.Image enhancement via adaptive unsharp masking[J].IEEE Transactions on Image Processing, 2000, 9 (3) :505-510.

[9]Choi Y S, Krishnapuram R.A robust approach to image en-hancement based on fuzzy logic[J].IEEE Transactions on Image Processing, 1997, 6 (6) :808-825.

篇4：珍惜你的叶脉

叔母每天早早起床把饭精心做好，一遍一遍喊叔父吃饭，叔父经常不耐烦地吼:“烦死人了，连个安稳觉都不让睡！”有一些应酬即使朋友点名让叔母参加，叔父也会含糊着搪塞过去。他不记得叔母的生日是哪天，每次出差，也从没有给叔母买过哪怕一件小礼物。

对于这种生活，叔母竟很知足，天天乐呵呵地忙里忙外。她说，叔父就是她的大树，是这个家里的靠山。而叔父则在心底里认为：叔母就是一团空气，有她不多，无她不少，连看一眼的力气都懒得花。

一个春天的正午，阳光明媚，难得叔父在家吃顿饭。叔母哼着小曲，喜滋滋地做了他最爱吃的土鸡炖蘑菇。香喷喷的饭菜上桌，叔母先夹了一个香嫩的鸡腿放到叔父碗里，自己还没来得及尝一口，她突然脸色铁青，身子一软，滑到地上。临事不乱的叔父竟慌了神，赶紧将叔母送至医院。医生摘下听诊器，遗憾地说，她的病也不是一两天了，如果早发现，人还是有的救的。

三天之后，家空了，叔母这团空气因为心脏病突发，彻底离叔父而去。而油亮如新叶的叔父，几天间就打了蔫，在单位上他被闲置，儿媳因一点儿家务事就指桑骂槐。而叔父的兄嫂是个“事精”，以前都是叔母来应付，现在他们突然变了脸，指责叔父在任时，没有给他们的儿子安排个好工作。那些崇拜叔父的红颜知己也同鸟兽散，投向更高大茂盛的枝巢。

叔父感觉失去了支撑，没有叔母的世界一片茫然。虽然，后来叔父又断续娶了两个女人，但都以失败而告终，因为她们都是奔着叔父的钱财而来，婚后才知道叔父为官刚正清廉，并没有多少油水可捞，便拂袖而去。

提起叔母，叔父老泪纵横。每当晚上回家，家里一片漆黑，他就会回忆起，叔母在时，每次他喝得大醉而归，远远地从自家窗户里亮出橘黄的灯光。他的脚步声一临近，门“吱呀”开了，叔母就会轻笑着迎上来。有好多次他看到，叔母在那儿倚门翘首向着马路凝望。他说，我一直以为自己是一片光彩熠熠的绿叶。直到她走后，才发觉她就是我的叶脉。细弱的叶脉虽不显眼，但没有叶脉的叶子是多么空洞而虚弱。

篇5：叶子和叶脉的作文

夏天到了，树木都长成了枝繁叶茂的参天大树。叶子瞧不起叶脉，常常奚落它。

“你觉得你漂亮嘛?”叶子傲慢地问。

“不漂亮，叶子兄弟。”叶脉谦虚地回答。

“哼!就知道你不漂亮，应该跟我这么漂亮的外表比吗?”叶子更是傲慢地说。

“我虽然外表不美，但是我心里美。”

叶脉争辩说，“我们本来就是和树一起美化环境的，并不是用来比美的。再说我……”

“住口!”叶子恼怒了，“你怎么敢跟我相提并论，你等着吧，过几天你就会死掉的，而我却可以在这里自由自在地活着!”

“叶子兄弟，你为什么要这样子说呢?”陶罐说，“我们还是和睦相处吧，有什么可以争吵的呢!”

“和你在一起，我感到耻辱，你算什么东西!”叶子说，“我们走着瞧吧，总有一天你会死的!”

叶脉不再理会叶子。

几天后，一个小朋友和他的妈妈经过了这里。

小朋友说:“叶脉和叶子帮助了树，使树绿化了环境。”

她的妈妈回答:“是啊，他们互相帮助着别人，多么友好啊!”

叶子听了对叶脉说:“对不起，之前是我的不对，我向你道歉。”

叶子回答:“没关系，只要我们每天快快乐乐的，怎样子我都可以理解。”

叶子听了，说:“那我们可以成为好朋友吗?”

叶子说:“当然可以。”

篇6：制作叶脉书签的教学设计

教学目标

1．知道一些化学药品的作用及叶脉书签的制作方法。2．学会制作叶脉书签的方法。

3．培养细致、严谨的科学品质，懂得用力所能及的创造来美化生活。活动准备

肉质较厚的树叶（比如桂花树叶、桑叶等），课前将叶片洗刷干净，电磁炉（带锅）一只，15%的氢氧化钠溶液或碱性的南侨肥皂溶液，无水碳酸钠3克，玻璃棒一根，长镊子一只，毛笔，84消毒液一瓶，旧报纸若干，10厘米红丝线，各色颜料。活动过程

1．摘取若干叶脉清晰、坚韧的叶片，如桑叶、桂花叶。

2．将15%的氢氧化钠溶液或以碱性的南侨肥皂溶液放在火上煮沸。

3．投入树叶，让它们全部浸在溶液里。继续加热6～8分钟，不时用玻璃棒轻轻拌动，使各叶分离，受热均匀。叶片受药品的腐蚀，柔软的部分就易被除去而留下叶脉。(或观察绿色叶片转成褐色)。

4．用镊子取出煮过的叶片，放在盛有清水的玻璃杯内。

5．从清水里取出漂净的树叶，平铺在左手掌中，用右手食指戳洗叶片的上、下两面，以除去叶肉，露出清晰的叶脉。然后贴在玻璃片上凉干。

篇7：叶脉书签制作作文

大家知道叶脉吧!叶脉就是绿叶中一条条的“细线”。让我们来走进叶脉的世界，制作叶脉标本吧!

今天，我走进萧山日报九楼，学习制作叶脉标本。老师先告诉了我们制作的方法，叶子要选厚一点，老一点的，然后将它们煮熟。这二步老师己给我们做好，然后老师给我们每人一片煮熟了的桂花叶。叶子分叶肉和叶脉。拿好叶子后，便要用牙刷轻轻的拍…，还要用水时不时的漂洗一下，保持水分，一直拍到叶肉没有为止，呈现出透明的感觉。拍的时候一定要小心翼翼，认真仔细，不能拍的太重，不然叶脉会破的，拍的时候要有十足的耐心，真是“心急吃不了热豆腐”拍好后，还可以上色，选择自己喜欢的颜色上了色后，就把标本放在餐巾纸上，把水吸干后叶脉标本便完成了。一片片好看的叶脉标本，五颜六色，十分好看。

今天的活动我真开心。

篇8：叶脉的诗歌

叶片是植物最典型的器官之一,是构建植物器官图像、图形库的重要原始信息,对植物种类的识别和分类、探究植物间亲缘关系以及植物建模有着重要意义。叶轮廓边缘和脉络是叶片的两个主要形态特征。近年来,在文献中可以见到很多提取植物叶特征的方法,但大部分主要进行叶轮廓边缘的表示和识别,较少考虑具有重要价值的叶脉络信息。传统的边缘检测方法(如Sobel算子、Laplacian算子和Prewitt算子等)不完全适用于叶脉络提取。其主要原理是检测图像中灰度值发生跳变的像素区域。对于叶图像而言,叶边缘和脉络是植物重要的特征信息,一些脉络属于边界像素,但部分脉络所在位置的像素灰度变化平缓,同时脉络的像素宽度较窄(通常只有几个像素)[1],因此运用传统的边缘检测方法经常无法得到令人满意的结果。

细胞神经网络算法与传统方法完全不同,因为它们是将图像映射为一个神经网络。每个像素点是一个神经元,然后通过动态方程引导神经元的状态,并向神经网络所定义的最低能量方向变化,来实现边缘提取。由于细胞神经网络具有可并行计算和便于硬件实现等特性,所以它比传统方法有更大的潜力[2]。本文将植物叶片彩色图像经灰度化和去噪等预处理后,运用MATLAB6.5编程构建细胞神经网络,进行叶轮廓边缘及叶脉图像的提取,并与Sobel算子、Laplacian算子、Prewitt算子和Canny算子等传统方法进行比较,获得了较为满意的处理结果。

1 细胞神经网络的基本模型

细胞神经网络(CNN)是一具有实时信号处理能力的大规模非线性模拟电路,其基本电路单元称为细胞(cell),包含线性和非线性的电路元件,典型结构具有线性电容、线性电阻、线性和非线性受控源及独立电源。细胞神经网络的结构类似于在细胞自动机中所遇到的结构,也就是在细胞神经网络中的任一细胞仅与其近邻细胞相连。邻接细胞彼此之间直接相互影响,而非邻接细胞可以在彼此之间间接地相互作用,其原因是该网络有连续时间传播效应[3]。细胞神经网络诞生后引起了人们的广泛关注,并被成功应用于信号处理和图像处理等领域。

图1表示一个4×4规模的细胞神经网络。

图1中,c(i,j)表示第i行第j列的细胞。一个细胞c(i,j)的半径为r的近邻Nr(i,j)定义为

Nr(i,j)={c(k,l)|max{|k-i|,|l-j|}≤r;

1≤k≤M,1≤l≤N}

其中r是一个正整数,通常称r=1的近邻系统为“3×3近邻”。可以看出,邻域细胞的定义具有对称性,即对于所有c(i,j)与c(k,l),若c(i,j)∈Nr(i,j),则有c(k,l)∈Nr(i,j)。

CNN中,每个细胞c(i,j)都可以用一个等效电路来实现,如图2所示。图2中,vuij,vxij,vyij分别定义为c(i,j)的输入电压、状态电压和输出电压,Ixy(i,j;k,l)=A(i,j;k,l)vykl和Ixu(i,j;k,l)=B(i,j;k,l)vukl,A(i,j;k,l)表示c(k,l)的输出vykl与c(i,j)之间的联接权;B(i,j;k,l)表示c(k,l)的输入vukl与c(i,j)之间的联接权,把由元素A(i,j;k,l)组成的矩阵A和由元素B(i,j;k,l)组成的矩阵B称为模板。它们由(2r+1)2个元素组成,而每个神经元与相邻神经元之间的联接都是由A和B中的元素所决定的。应用基尔霍夫电流定律KCL(Kirchhoff’s Current Law)和基尔霍夫电压定律KVL(Kirchhoff’s Voltage Law),一个M×N维细胞的动态过程可以用下述的一阶非线性微分方程来描述。

1.1状态方程

1.2 输出方程

undefined

(1≤i≤M,1≤j≤N) (2)

式(2)表示输出与状态的关系。其中, 输出函数f(v)是一个分段线性函数,如图3所示。

1.3 输入方程

vuij=Eij (1≤i≤M,1≤j≤N) (3)

1.4 约束条件

|vxij(0)|≤1 (1≤i≤M,1≤j≤N) (4)

|vuij|≤1 (1≤i≤M,1≤j≤N) (5)

文献[5]已证明:如果电路参数满足a(i,j;undefined,则在暂态过程结束之后,CNN的每一个胞元将达到稳定平衡点,且所有稳定平衡点的幅值大于1,即

undefined

undefined

该性质保证了细胞神经网络具有二值输出,对于用细胞神经网络提取图像边缘具有重要意义。

CNN应用于图像处理时,如果待处理的图像包含M×N个像素,则CNN就包含M×N个细胞神经元,像素与细胞一一对应。根据CNN初始状态值的约束条件式(4),设定CNN的初始状态值为0,将网络中的每个点代入式(1)进行迭代,直至整个网络收敛,此时为二值输出(见式(7))。该方法将整个图像函数转化为一个动态系统,而动态方程则指导神经元的状态向细胞神经网络所定义的最低能量方向变化。

2 细胞神经网络提取叶脉信息

应用CNN进行图像处理前,需要将彩色植物叶片图像进行灰度化、去噪、灰度值范围调整等预处理,使其输入值满足CNN网络对输入值范围(-1～1)的要求,其后便可以着手网络参数的设计,系统流程图如图4所示。由细胞的状态方程式(1)可看出,网络的状态与输出完全由输出反馈算子A(i,j;k,l)、输入控制算子B(i,j;k,l)和独立电流源I来确定。不同的模版A,B,I所构成的细胞神经网络具有不同的功能和作用。CNN进行图像处理的关键是如何找到合适的模板。

2.1 图像预处理

通过图像预处理使采集到的BMP彩色叶片图像符合细胞神经网络对输入值的要求。经灰度化及去噪后的图像像素灰度值在[0,255]之间。为了满足CNN的约束条件(式(5)),将灰度化和去噪后的图像像素的灰度值[0,255]线性映射到[-1,1]的范围内,即设x∈[0,255],s=2*(x/255-0.5),s∈[-1,1],处理后的图像能够符合了神经网络输入范围。

2.2 网络参数的设计

根据式(1)～式(5)及文献中的一些关于CNN模板的设计思想,经过反复实验,提出了适合叶脉提取的模板为

undefined

2.3 结果分析

图5是传统边缘检测方法与CNN方法的比较结果。图5中的(b),(h),(n),(t)是采用Sobel算子进行边缘提取的效果图,(e),(k),(q),(w)是采用Prewitt算子进行边缘提取的效果图,Sobel算子和Prewitt算子对灰度渐变、噪声较多及模糊的图像处理效果较好;(c),(i),(o),(u)是采用Log算子进行边缘提取的效果图,Log算子经常出现双像素边界,且对噪声比较敏感,较少用其检测边缘,仅用来检测点状物或者判断边缘像素是位于图像明区还是暗区;(d),(j),(p),(v)是采用Canny算子进行边缘提取的效果图,Canny算子不易受噪声干扰,能够检测到真正的弱边缘,其优点在于使用两种不同阈值分别检测强边缘和弱边缘,且仅当强弱边缘相连时才将弱边缘包含在输出图像中,正因为Canny算子具有检测弱边缘的优势,致使被检测出的叶脉图像过于复杂零乱,主次不分,不利于叶脉信息的提取;(f),(e),(r),(x)是采用细胞神经网络提取边缘的效果图,可以看出CNN比传统的边缘检测有更好的提取效果,叶边缘和叶脉的像素都可以被正确检出。

3 结语

通过对植物叶脉提取算法的研究,提出一种基于细胞神经网络的植物叶脉图像提取方法。试验表明,通过网络参数的合理设计比传统方法更有效地提取出叶边缘及叶脉信息,提高了提取准确性。

参考文献

[1]李云峰.叶图像提取研究及虚拟植物可视化实现[D].重庆:重庆大学,2005.

[2]张洪钺.用细胞神经网络提取二值与灰度图像边缘[J].中国图像图形学报,2001,6(10):974.978.

[3]Chua L O Yang L.Cellular neural networks application[J].IEEE Transactions on Circuits and Systems,1988,35(10):1273.1290.

[4]黄蕾.基于细胞神经网络的图像边缘提取算法研究[D].南京:南京航空航天大学,2006.