基于改进C-V模型的棉花叶片目标提取方法

李 凯 张建华 韩书庆 孔繁涛 吴建寨

(中国农业科学院 农业信息研究所/农业部农业大数据重点实验室，北京 100081)

棉花病虫害不仅是影响棉花生长的主要因素，更是影响棉产量与棉花品质的重要因素[1-2]。为全面有效、快速准确地对棉花病虫害进行早期识别、诊断，须采用先进技术手段，对其进行科学检测[3-5]。因生长于自然环境下的棉花，一天当中不同时间段所受光照强度并不均匀，因而棉花的成像质量也会受到较大影响，不同时段不同强度的光照都会因局部遮挡在棉花叶片多个部位造成不同程度的阴影区域，加之棉花所处背景生长环境较为复杂，包括背景中滋生的与棉花叶片像素相近的杂草，都会极大降低棉花目标与背景区域的对比度，致使利用普通算法对该类棉花叶片图像进行目标特征提取时，分割效果并不理想，从而无法获得较高的提取精准度[6-10]。

近年来，在农业领域对棉花病害叶部的提取方法进行了相关研究。张武等[11]利用K-means聚类算法、Otsu动态阈值分割法、数学形态学法及面积行分割实验相结合的分割策略，在对小麦条锈病、叶锈病图像进行分割时，只能实现对复杂背景下单一叶片病斑的有效分割，对于分散在多个叶片上的细小病斑，尚不能进行准确分割；张艳诚等[12]在利用一种基于标记测地重建的分水岭算法对棉花重叠病斑图像进行分离时，虽然对棉花叶片轮纹病、炭疽病和红叶枯病的重叠病斑图像能够实现较好分离，然而原始图像中的细小结构和噪声会在处理过程中形成“伪”极小值，导致过分割；此外，基于模糊C均值聚类算法(FCM)的作物病害图像自适应分割方法[13]以及基于颜色与形状特征的棉花害螨图像分割方法[14]等在作物分割研究领域也取得了一定进展，但仍然存在许多需要改进之处。综上所述，K-means聚类算法、Otsu动态阈值分割法、数学形态学法、传统分水岭分割算法等一系列传统方法在对复杂场景下所采集的图像进行处理时往往存在分割精准度不高的情况，而水平集算法则具有一定的性能优势，在对图像进行分割处理时更能获得较好的分割效果。

本研究拟采用一种基于局部信息与全局信息二值拟合的活动轮廓模型，通过对图像全局灰度信息与局部二值匹配信息建立能量方程，并结合距离函数约束项，同时引入高斯核函数，从而避免水平集函数重新初始化，以期改善自然条件下所获取棉花叶片图像因受不同光照强度及复杂背景环境等各种因素的影响，因边缘梯度等局部信息变化不明显而导致的分割效果不理想现象，从而提高演化曲线的稳定性与演化效率，使该方法具有一定鲁棒性。

1 改进的变分水平集图像分割方法

水平集算法由Sethian等[15]提出，用以描述曲线的演化过程。通过将平面闭合曲线C隐含表达为高一维曲面z=φ(x,y,t)的零水平集{φ(x,y,t)=0},以水平集函数来隐含求解曲线演化，从而将曲线演化转换为纯粹的偏微分方程数值求解问题[16]。图像分割中，假设所给定的棉花叶片图像，可将其目标前景特征(棉花叶片)的轮廓边缘视为一条闭合曲线，则对于曲线上每个像素点p(x,y)所构成的闭合曲线C(p,t)，均可将C(p,t)直观视为像素点p(x,y)在图像平面上的运动轨迹。因而图像分割过程当中的曲线演化，便可视为初始轮廓曲线向图像目标前景特征轮廓边界运动的过程。

水平集方法与其他一些依照图像区域的先验知识进行图像分割的方法有所不同[17-19]，随着水平集函数演化过程的不断进行，由符号距离函数构成的水平集函数在迭代过程中因约束条件被破坏而发生退化，为保证水平集函数在演化过程中的稳定性，必须周期性地不断将水平集函数φ(x,y,t)重新初始化为符号距离函数，而水平集函数的重新初始化则根据如下偏微分方程实现：

1.1 不需重新初始化的变分水平集方法

该算法的基本思想是将图像分割问题视为最小化一封闭曲线的能量泛函，能量方程由外部能量项和内部能量项所构成[21]。能量方程表示为：

E(φ)=βEin(φ)+Eout(φ)

(1)

式中：Ein(φ)为水平集函数φ(x,y,t)的内部能量项；β为内部能量项Ein(φ)的权重系数，满足β>0；Eout(φ)为水平集函数φ(x,y,t)的外部能量项。

内部能量项Ein(φ)用以规范化演化曲线形状。作为符号距离函数[22]的一个约束能量项，具体表示为：

(2)

外部能量项Eout(φ)则促使演化曲线向棉花叶片图像中的目标物体边缘演化靠近，并保证曲线在演化过程中收缩运动至棉花叶片图像目标物体边缘处即停止。外部能量项具体表示为：

Eout(φ)=ηUv(φ)+ρTv(φ)

(3)

式中：η和ρ为加权系数，且满足η>0。Uv(φ)与Tv(φ)分别表示为：

(4)

(5)

式中：D为非负的Dirac函数；H为Heaviside函数[19]；v为棉花叶片图像I的边界算子。具体表示为：

(6)

该方法对所分割图像边界具有较好的局域化效果，对于前背景对比度较高、目标前景轮廓边界清晰的图像具有较好的分割效果。因此，总能量函数(1)可表示为：

(7)

利用变分法[23]极小化总能量方程(7)，可得相应关于水平集函数φ的Euler-Largranze方程：

(8)

通过引入步长τ对式(8)离散网格化，得：

(9)

L(φk(x,y))为方程(8)的离散化表达式，于是，第k+1 步水平集函数的迭代式为：

φk+1(x,y)=τL(φk(x,y))+φk(x,y)

(10)

按照式(10)通过迭代计算便可得到更新后的水平集函数，从而实现曲线演化。

1.2 基于局部和全局信息的改进活动轮廓模型

传统分割方法没有充分考虑待分割图像的全局区域信息，只是利用图像的边缘梯度信息，仅能够对对比度较高的图像进行有效分割，而对于拥有噪声、纹理等特征以及前背景分界处对比度不高的边缘模糊图像，则会在图像目标边缘处造成一定“过分割”；此外，该方法所构建模型对于初始曲线轮廓的选取具有较多的条件限制，若没有包围所有待分割物体，则会出现“欠分割”情形[21]。

针对传统算法[21]中所存在的只考虑图像纹理特征与边缘灰度梯度信息等局部结构信息这一缺陷问题，同时为避免在利用基于变分水平集方法的活动轮廓模型分割灰度异质图像时欠佳效果的发生，本研究提出一种基于曲线演化理论和变分水平集方法的模型，将给定图像的全局信息与局部信息有机结合，从而使待分割图像不受灰度不均匀等因素的影响[24-26]。

本研究能量方程构造如下：

E=λEglobal+(1-λ)Epart+Erule

(11)

式中：Eglobal为全局能量项；Epart为局部能量项；Erule为规则化能量项；λ为全局能量项参数，(1-λ)为局部能量项参数，λ满足条件0 ≤λ≤ 1。λ的精确取值根据图像的灰度结构信息而设定，对于灰度分布均匀的图像，全局能量项与局部能量项作用力相等，λ取值应接近或等于0.5，本研究取λ= 0.5；对于灰度分布不均匀的图像，全局能量项作用力减弱，局部能量项作用效果进一步加强，λ取值应该小于0.5，本研究取λ=0.3或λ=0.2。当图像被灰度异质腐蚀时，通过对λ取较小值，并利用图像的纹理特征与边缘灰度梯度信息等局部结构信息来驱使演化曲线向棉花叶片图像目标轮廓线处逼近。

1.2.1全局能量项

根据水平集方法，演化曲线C可用Lipschitz 水平集函数φ表示，即C={p∈Ω丨φ(p)=0}，则全局能量项表示为：

(12)

式中：I为所输入的棉花叶片图像；p为所输入棉花叶片图像的像素点；pΛ为所输入棉花叶片图像中心像素点，pΛ∈Ω；权重系数κ1，κ2≥ 0，起平滑作用；Ω为棉花叶片图像区域，Ω→R；其中Ω被演化曲线C划分为目标(C内部)和背景(C外部)部分；c1和c2分别表示演化曲线C外部与内部的平均灰度值。

当全局能量项式(12)达到最小值时，对于灰度均匀的棉花叶片图像，演化曲线C则会逼近棉花叶片图像中真实的目标轮廓，将目标区域与背景区域分割开。但对于灰度异质图像而言，经多次迭代后，棉花叶片图像中的目标区域与背景区域仍无法被正确分割。因此，为解决该问题，从而使模型更具有普适性，本研究算法引入局部能量项来描述图像纹理特征与边缘灰度梯度信息等局部结构信息。

1.2.2局部能量项

本研究通过引入广义高斯分布得到局部灰度拟合的能量泛函，根据变分水平集方法，局部能量项表示为：

(13)

式中：局部拟合函数f1和f2分别表示演化曲线C外部与内部的图像局部结构信息；Gβ为β的广义高斯分布的概率密度函数，在此表示衰减率。

在局部能量项中，被演化曲线C所划分的棉花叶片图像I中的目标区域与背景区域的平均灰度值c2和c1可分别用演化曲线两侧的拟合函数f1与f2来代替。其中，当棉花叶片图像中某一像素点p远离中心像素点pΛ时，局部能量项中该像素点p处的图像强度I(p)则趋近于0；而当棉花叶片图像中该像素点p接近中心像素点pΛ时，即p处的图像强度I(p)在中心像素点的小领域内时，局部能量项将驱使演化曲线C向棉花叶片图像中目标物体轮廓线处运动。

为避免局部能量项陷入局部极小值，本研究算法充分将全局能量项与局部能量项有机结合，在对棉花叶片图像进行分割时，利用广义高斯分布的滤波算子Gβ对棉花叶片图像进行去噪处理使图像平滑，并根据棉花叶片图像强度信息来选择合适大小的窗口和形状参数，人工设置演化曲线的初试轮廓。在设置高斯核函数窗口尺度参数时，对于图像中小目标区域的分割应设置较小的窗口尺度参数，反之设置较大的窗口尺度参数。当局部能量项达到最小值时，演化曲线C将逼近棉花叶片图像真实目标轮廓线处，从而获得更好的演化效果。

1.2.3规则化项

基于变分水平集的方法，本研究所构建能量方程的全局项与局部项中演化曲线C都用水平集函数φ(p,t)代替，为保持零水平集的光滑性，本研究在所构建能量方程中引入长度惩罚项，通过最小化能量方程(11)，使演化曲线C尽可能短，从而达到约束演化曲线长度变化的目的。长度惩罚项表示为：

(14)

同时，水平集函数在不断演化过程中，由于多次重新初始化将导致其逐渐失去光滑性及符号距离函数的特性，因此，为避免重新初始化所造成的演化曲线C偏离真正目标轮廓现象的发生，本研究所提出的算法同时也引入了符号距离约束项。符号距离约束项表示为：

(15)

由长度惩罚项和符号距离约束项共同构成规则化能量项Erule，表示为：

Erule=μL(φ)+ωP(φ)=

(16)

式中：ω为符号距离保持参数，满足ω>0；μ为长度控制参数，满足μ>0。若μ较大，本研究所提出的活动轮廓模型则适合检测棉花叶片图像中面积较大的目标边缘，并对棉花叶片图像中较大目标进行分割，反之则适合检测棉花叶片图像中面积较小的目标边缘，并对其实施分割。

1.2.4算法步骤

基于局部信息与全局信息二值拟合[27-29]的活动轮廓模型算法实现步骤如下：

1)输入待分割棉花病害叶片样本图像I0(p)，并设置初始曲线C0；

2)以广义高斯分布的滤波算子Gβ对待分割的棉花病害叶片样本图像I0(p)进行平滑滤波处理，并对衰减参数β，全局项参数λ，长度控制参数μ，符号距离保持参数ω等进行设置，使其达到适应分割图像的最优值。本研究各项参数最优取值设定为β=0.8，λ=0.4，μ=0.6×2552，ω=1；

3)根据本研究所构建的能量泛函，按照其离散化形式，对水平集函数进行演化；

4)从水平集函数φ(x,y,t)中提取零水平集{φ(x,y,t)=0}，即演化曲线；

5)判断水平集函数演化过程是否满足终止准则，若满足迭代终止条件，则算法结束，输出图像分割结果；否则转到3)。

2 试验与结果分析

2.1 图像分割试验分析

试验样本图像于2016年5—8月在中国农业大学(西校区)试验基地棉花种植区(东经116.29°，北纬40.04°)采集获得。采集对象为生长于不同背景环境的苗期与花铃期的bt抗虫棉。采集设备为Canon EOS 5D Mark III单反相机，镜头型号为Canon EF 24～70 mm f/2.8L Ⅱ USM，光圈为F18，感光度为ISO-12800，所获图像分辨率均设为320像素×240像素。

综合考虑不同天气条件(晴天、阴天、雨天)，不同时段的光照强度以及棉花所处的不同生长背景环境(白地膜、黑地膜、秸秆、土壤)等3方面因素，对bt抗虫棉进行全方位的图像采集。采集工作分别选择在3种不同天气(晴天、阴天、雨天)下的3个不同时段(8:00—10:00、14:00—15:00、17:00—18:00) 依次进行。其中雨天条件下的图像获取工作，选择在雨后30～60 min后棉花叶片仍然沾有水滴的情况下进行。在采集每一幅图像的过程中，保证单反相机镜头始终与水平面成90°夹角，镜头距离棉花35～40 cm，通过调整拍摄视角尽可能使棉花位于所采集图像的中心位置处，以确保所采集图像的质量。

晴天、阴天、雨天3种天气下分别采集图像400幅，其中每种天气下，所采集的白地膜图像、黑地膜图像、秸秆图像、土壤图像各100幅，共采集图像1 200幅。

对本研究中所获取的棉花叶片样本图像，从中随机选取多幅单个棉花叶片的图像进行分割试验，以验证本研究算法的有效性。分割试验软件平台为Windows7操作系统下的Matlab R2015b；硬件平台为：Inter(R)Core(TM)i7-4500U CPU@1.80 GHz 2.40 GHz处理器，8 G内存。

事先对采集的样本利用Photoshop进行标准人工分割，并对前、背景进行标注，将其作为本研究算法进行比较的基准。为评价本研究算法对棉花叶片图像的真实分割效果，本研究未采用图像形态学方法填补空洞等其他修饰性算法对分割结果进行后期处理。

关于分割试验当中的参数设置，规定：时间步长τ= 0.1；衰减参数β∈[0.2,2]；符号距离保持参数ω=1；长度控制参数μ=ο×2552，ο∈[0,1]，具体根据待分割棉花叶片样本图像中目标特征区域的面积大小而定，目标特征区域较大，μ取较大值，反之取较小值；全局能量项参数λ、局部能量项参数(1-λ) 设置规则如下：

1)若棉花叶片样本图像灰度均匀，全局能量项参数为λ≥0.5，此时全局能量项主导曲线演化，κ1=κ2=1；

2)若棉花叶片样本图像灰度不均匀，全局能量项参数为λ<0.5，局部能量项主导曲线演化，κ1=κ2=1，或根据棉花叶片样本图像的目标与背景特征的灰度差异取κ1=1，κ2=2。

在对数据库中每张图像进行分割时，通过对β、λ、μ、ω等参数进行人工设置，以获得最佳分割效果。对数据库中不同图像进行大量曲线演化试验，根据全部试验结果综合分析考虑，最终确定本研究算法最佳参数取值为β=0.8，λ=0.4，μ=0.6×2552，ω=1。

为后面叙述简单起见，对棉花样本图像所具有的不同背景特征和采集图像时的天气条件分别用数字和大写字母表示：晴天、阴天、雨天3种天气分别用A、B、C表示；白地膜、黑地膜、秸秆、土壤4种背景特征分别用1、2、3、4表示。所采集图像共分为12类，即晴天条件下4类：晴天白地膜(A1)、晴天黑地膜(A2)、晴天秸秆(A3)、晴天土壤(A4)；阴天条件下4类：阴天白地膜(B1)、阴天黑地膜(B2)、阴天秸秆(B3)、阴天土壤(B4)；雨天条件下4类：雨天白地膜(C1)、雨天黑地膜(C2)、雨天秸秆(C3)、雨天土壤(C4)。

图1示出利用本研究算法对晴天条件下所采集的4类(A1，A2，A3，A4)棉花单张叶片图像进行曲线演化试验时所生成的部分曲线演化效果图，初始轮廓均设为圆形(图1(a0) ～ (d0))，半径为2/3×120 像素，即半径r= 80像素，圆心则根据棉花叶片在图像中所处的大概位置，将其设置为偏向棉花叶片所在的方向，即根据棉花叶片在图像中所处的3种位置情形：1)偏向图像左边部位；2)位居图像中间部位；3)偏向图像右边部位，将初始轮廓圆心分别设置为偏左(图1(a0))、偏左或偏右均可(图1(b0)和(c0))、偏右(图1(d0))等3种形式。每种背景模式的棉花叶片图像在进行曲线演化试验时，参数设置均相同(令β=0.8，λ=0.4，μ=0.6×2552，ω=1， 下同)。由图1可以看出，本研究所提出的模型，对于晴天条件下复杂背景的棉花叶片图像基本能够实现叶片目标特征的准确提取，然而当图像中的棉花叶片目标轮廓不光滑，目标的几何边缘较为尖锐时，本研究算法模型则不能实现对该类棉花叶片图像中目标特征的完全提取。在不均匀光滑的目标叶片轮廓部位，曲线无法演化到达较为尖锐的目标叶片几何边缘处，演化曲线并不能将棉花叶片图像的目标轮廓完全包围(图1(d4))。

利用本研究算法对阴天条件下所采集的4类(B1，B2，B3，B4)棉花单张叶片图像进行曲线演化试验，初始轮廓均设为圆形(图2(a0) ～ (d0))，半径为2/3×120 像素，即半径r= 80像素，圆心则根据棉花叶片在图像中所处的大概位置，将其设置为偏向棉花叶片所在的方向，即根据棉花叶片在图像中所处的3种位置情形：1)偏向图像左边部位；2)位居图像中间部位；3)偏向图像右边部位，将初始轮廓圆心分别设置为偏左(图2(a0))、偏左或偏右均可(图2(b0)和(c0))、偏右(图2(d0))等3种形式。每种背景模式的棉花叶片图像在进行曲线演化试验时，参数设置均相同(同上)。由图2可看出，本研究所提出的模型，对于阴天条件下复杂背景的棉花叶片图像基本能够实现叶片目标特征的准确提取，然对于图像中所存在的棉花叶片较为尖锐的轮廓，其轮廓不光滑均匀时，本研究算法模型并未将叶片轮廓完全演化包围，不均匀光滑的叶片轮廓部位，曲线无法演化到达叶片轮廓边缘(图2(a4))。

利用本研究算法对雨天条件下所采集的4类(C1，C2，C3，C4)棉花单张叶片图像进行曲线演化试验，初始轮廓均设为圆形(图3(a0) ～ (d0))，半径为2/3×120 像素，即半径r= 80像素，圆心则根据棉花叶片在图像中所处的大概位置，将其设置为偏向棉花叶片所在的方向，即根据棉花叶片在图像中所处的3种位置情形：1)偏向图像左边部位；2)位居图像中间部位；3)偏向图像右边部位，将初始轮廓圆心分别设置为偏左(图2(c0)和(d0))、偏左或偏右均可(图2(b0))、偏右(图2(a0))等3种形式。每种背景模式的棉花叶片图像在进行曲线演化试验时，参数设置均相同(同上)。由图3可看出，本研究所提出的模型，对于雨天条件下复杂背景的棉花叶片图像基本上能够实现叶片目标特征的准确提取，不受雨天天气对图像成像质量的影响。

A1，晴天白地膜；A2，晴天黑地膜；A3晴天秸秆；A4，晴天土壤。 n为迭代次数。下同。A1, white film on sunny day; A2, black film on sunny day; A3, sunny straw; A4, sunny soil. n is the number of iterations.The samebellow.图1 晴天棉花叶片图像目标特征提取曲线演化实例Fig.1 Example of curve evolution of cotton leaf images target feature extraction in clear days

为验证本研究算法较传统算法的优良性能，本研究亦通过传统模型算法对同种棉花叶片图像进行了目标特征提取试验，并与本研究算法进行性能对比。具体在对样本数据库中每张图像进行曲线演化试验时，规定传统算法与本研究算法在运算时迭代次数相同，两种算法分别对不同图像间运算的迭代次数不同，本研究设定两算法最大迭代次数均相同(最大1 000次)。传统算法与本研究算法的曲线演化试验结果见图4～6。

由图4～6可明显看出，本研究算法能够对不同天气条件、不同背景模式下的单张棉花叶片样本图像的目标特征(棉花叶片)通过曲线演化来进行精准提取；而传统无需重新初始化的方法所构造的模型，由于对棉花单张叶片试验样本图像纹理等特征不敏感，且对前、背景分界处对比度较低的边缘模糊图像也不敏感，因此容易造成“过分割”(图4(e)和(f)，图5(g))；通常传统方法对于初始轮廓的选取具有一定限制，初始轮廓需完全包围所有目标特征(棉花叶片)，否则容易出现“欠分割”(图4(g)，图5(h)，图6(e)、(f)和(h))。

B1，阴天白地膜；B2，阴天黑地膜；B3阴天秸秆；B4，阴天土壤。B1, white film on a cloudy day; B2, black film on a cloudy day; B3, cloudy straw; B4, cloudy soil.图2 阴天棉花叶片图像目标特征提取曲线演化实例Fig.2 Example of curve evolution of cotton leaf images target feature extraction in cloudy days

2.2 图像分割算法评价分析

本研究采用的评价方法以像素为基础，通过计算人工分割图像中叶片区域的像素数, 以及分别利用本研究算法和传统算法所得到图像叶片区域的像素数，使用马修斯相关系数(Matthews correlation coefficient, MCC)验证本研究算法的目标特征提取精度，用以表示对棉花叶片样本图像目标特征提取的准确率。MCC定义如下：

C1，雨天白地膜；C2，雨天黑地膜；C3雨天秸秆；C4，雨天土壤。C1, White film on rainy day; C2, Black film on rainy day; C3, rainy straw; C4, rainy soil.图3 雨天棉花叶片图像目标特征提取曲线演化实例Fig.3 Example of curve evolution of cotton leaf images target feature extraction in rainy days

式中：TP表示真阳性，代表人工分割所得叶片基准区域像素和本研究算法所得叶片前景区域像素重合的数量；TN表示真阴性，代表人工分割所得图像背景基准区域像素和本研究算法所得图像背景区域像素重合的数量；FN表示假阴性，代表人工分割所标注为叶片前景基准区域，但本研究算法分割叶片时却标注为图像背景区域的像素数量；FP表示假阳性，代表人工分割所标注为图像背景基准区域，但本研究算法分割叶片时却标注为叶片前景区域的像素数量。MCC的值为{-1, 1}，其值越大表示分割越精确。

利用本研究算法和传统算法分别对12类棉花图像样本(总共1 200幅，每类100幅)进行测试，并利用MCC法对棉花叶片样本图像目标特征提取的准确率进行计算统计，结果见表1：本研究算法与传统算法的MCC总体水平分别为83.19%和75.10%；其中，本研究算法对晴天、阴天、雨天所获图像的MCC分别为82.23%、82.73%和84.60%；传统算法对晴天、阴天、雨天所获图像的MCC分别为74.17%、76.95%和74.17%。分析可知，本研究算法对不同天气、不同背景模式的单张棉花叶片图像的叶片目标特征能够进行完整提取，基本实现了目标特征提取的精准有效性，与传统算法[21]相比，明显优于传统算法。

(a) ～ (d):本研究算法；(e) ～ (h):传统算法。(a)-(d):The algorithm of this study; (e)-(h): Traditional algorithm.图4 不同算法对晴天棉花叶片图像目标特征提取的效果对比Fig.4 Comparison of the effects of different algorithms on the extraction of target features of cotton leaf images in sunny days

(a)～(d):本研究算法; (e)～(h):传统算法。(a)-(d):The algorithm of this study; (e)-(h): Traditional algorithm.图6 不同算法对雨天棉花叶片图像目标特征提取的效果对比Fig.6 Comparison of the effects of different algorithms on the extraction of target features of cotton leaf images in rainy days

表1 本研究算法与传统算法对棉花叶片样本图像目标特征的MCC统计值Table 1 The MCC statistical value of the proposed algorithm and trditional algorithm for the target feature extraction of cotton leaf sample images %

3 结论与讨论

针对复杂背景与天气条件下的棉花叶片图像，本研究提出一种基于局部和全局信息的改进的活动轮廓模型。针对边缘模糊和灰度不均匀的棉花叶片图像，采用广义高斯函数作为局部二值拟合模型的核函数，并结合图像区域的局部灰度信息和全局灰度信息建立能量泛函，通过变分水平集方法最小化新的能量泛函，得到曲线演化的梯度下降流方程，从而实现对棉花叶部特征的有效精准提取。本研究所提出的算法通过引入符号函数惩罚项，在演化过程中避免水平集函数不断重新初始化的同时，同时也引入曲线长度调整项以保证曲线演化的连续性与光滑性。

1) 从对棉花叶片图像目标特征的提取试验结果可以看出，本研究算法能够对所采集的晴天白地膜(A1)、晴天黑地膜(A2)、晴天秸秆(A3)、晴天土壤(A4)、阴天白地膜(B1)、阴天黑地膜(B2)、阴天秸秆(B3)、阴天土壤(B4)、雨天白地膜(C1)、雨天黑地膜(C2)、雨天秸秆(C3)、雨天土壤(C4)等12类棉花叶片样本图像进行较为准确地目标特征提取。

2) 本研究所提出的算法对晴天、阴天、雨天3种天气下的图像目标特征提取平均准确率分别达82.23%，82.73%和84.60%，总体目标特征提取精度达83.19%，较传统的无需重新初始化的模型算法而言，目标特征提取精度更高，演化效率更高，具有更好的鲁棒性。

3) 当棉花叶片图像中目标几何边缘较为尖锐、目标轮廓不光滑时，本研究算法不能实现对棉花叶片图像中目标特征的完全提取。在不光滑的叶片目标轮廓部位，曲线无法演化至叶片目标轮廓边缘处，此时演化曲线并不能将棉花叶片图像目标轮廓完全包围。

下一步，针对棉花叶片图像中存在的叶片目标几何边缘尖锐等问题，将着重考虑对本研究算法进行进一步优化改进，以消除该算法的局限性，并提高本研究算法目标特征提取的精准度。同时，针对自然条件下采集的棉花叶片之间存在重叠或者粘连的情况，进一步测试改进，以提高算法的鲁棒性和准确性。