一种用于叶状植物骨架化及表型提取的自发关键点连接算法

《Frontiers in Plant Science》：A spontaneous keypoints connection algorithm for leafy plants skeletonization and phenotypes extraction

提出一种无需训练和标注的叶骨结构化方法，通过随机生成关键点并应用角度差、凸性约束和曲率最小化规则连接关键点形成叶 skeleton。实验验证该方法在 orchid 和 maize 数据集上表现优异，平均曲率误差0.12，叶召回率92%，有效消除复杂形态学限制。

　　该研究提出了一种基于随机点生成和自适应关键点连接的无监督叶脉骨架提取方法，用于提取叶类植物的形态特征。传统方法通常依赖大量人工标注数据，需要较长的训练时间，并且预设关键点位置限制了其适用范围。相比之下，该方法无需训练和标注，通过自动检测关键点并连接这些关键点，生成叶脉的骨架结构，从而实现对植物形态特征的高效提取。该方法被应用于兰花和玉米的图像数据，并在多种形态条件下展示了其良好的泛化能力。

对于具有随机形态的植物，该方法首先通过设定角度差阈值来确定关键点的连接方向。通过不断扩展圆形搜索区域，算法能够识别出接近叶脉中心的点，从而构建出准确的骨架结构。对于具有规则形态的植物，算法通过最小化曲率来拟合骨架轨迹，确保生成的骨架能够准确反映叶脉的形态特征。这种方法不仅适用于兰花，还能够有效应用于玉米等其他植物，表明其具有良好的跨物种适用性。

在实验中，该方法在兰花图像上达到了平均曲率拟合误差为0.12和平均叶召回率为92%的精度，同时能够准确提取出五种兰花的形态参数。在玉米图像数据集上，该方法同样表现出色，能够预测整个生长周期的相对冠幅，并保持100%的叶召回率。这些结果表明，该方法在处理具有高密度和重叠叶片的复杂植物结构时，具有良好的稳定性和泛化能力。

该方法的实现依赖于图像的二值化处理和形态学操作，以去除噪声并优化图像。在二值化图像的基础上，通过腐蚀和膨胀操作来改善图像质量。然后，随机点在叶区被生成，并根据角度差和凸性约束进行连接，以生成叶脉骨架。该方法在处理不同视角下的图像时，通过调整搜索区域的大小和方向，能够适应不同的叶形态特征，从而在不同条件下保持良好的性能。

实验结果表明，该方法在处理具有高密度和重叠叶片的植物时，能够有效生成骨架结构，并且在不同生长阶段保持稳定的性能。与传统的非学习方法相比，该方法生成的骨架结构更加连续和平滑，避免了由于图像分割问题导致的骨架碎片化。此外，该方法不需要预设关键点，也不需要训练模型，从而减少了人工标注的工作量和计算资源的消耗。

该方法的计算效率也得到了验证。在CPU工作站上，该算法的处理时间在2.247秒到3.556秒之间，且内存占用较低，显示出良好的计算效率。尽管单帧处理时间略高于一些经典方法，但其无需标注和训练，能够自适应地生成关键点和骨架结构，使得其在处理大规模植物数据时具有显著的优势。

该方法的成功应用表明，它能够有效地提取植物的形态特征，为高通量植物表型分析提供了新的解决方案。通过减少人工标注和训练的需求，该方法在实际应用中具有更高的灵活性和适应性，特别是在处理具有复杂形态的植物时，能够提供更准确的表型信息。此外，该方法的计算效率和稳定性使其在农业自动化和植物生长监测中具有广阔的应用前景。