随着计算机视觉技术与智能农业管理相互结合,植物叶片表型数据的获取变得更加方便快捷。叶脉网络结构作为植物叶片中的重要组织结构,其定量化描述对于叶片表型提取研究具有重要意义。然而,当前的植物表型提取研究并没有实现真正意义上的高通量自动化叶脉数据提取。具体表现为,一方面,目前大多数相关研究仍依赖于人工处理的叶脉书签图像获取叶脉网络结构。叶片扫描图像受成像环境、光照等因素影响,叶脉网络分割效果有待提升;另一方面,由于叶脉网络结构的复杂性,较少研究尝试自动划分叶脉层级,导致叶脉层级特性仍然需要人工测量。针对目前植物叶片表型提取研究中存在的两大问题,本文的主要工作包括:(1)针对自采集的叶片扫描图像,提出了一种基于Hessian矩阵的自适应形态增强方法,用于分割叶脉网络图像。通过对比分析已有叶脉分割方法在叶片扫描图像上的效果,验证了线状结构增强的必要性。借助叶脉呈线性的特点,利用多尺度Hessian矩阵计算图中每个像素点的方向信息。通过对内在结构的分析,寻找位于线性结构内的像素点,沿其主方向进行选择性膨胀或腐蚀,从而提出了基于Hessian矩阵的自适应形态增强方法。实验结果表明,该方法能在增强线状结构的同时,抑制图像中的噪声,提升叶脉网络分割效果。同时,在叶片扫描图像和叶脉书签图像上均能取得较好的分割效果。(2)针对已有表型提取研究无法自动提取叶脉层级特性这一问题,提出了一种基于双重区域生长的叶脉层级分割方法,尝试自动划分叶脉网络层级。通过区域生长的方式进行叶脉区域的划分,将分析对象从单一像素提升至叶脉片段区域。进而根据网络拓扑响应寻找各级叶脉的主方向,同时,为了克服二值叶脉网络图像中的噪声,设计基于击中击不中限制条件的鲁棒方向滤波器,定位各级初始叶脉片段。并提出基于连接生长的叶脉重建方法,连接属于同一叶脉分支的叶脉片段区域。由于目前缺乏公开的叶脉层级标注数据集,为了验证该方法的有效性,在自采集的大豆叶片扫描图像数据集上,根据提出的叶脉网络层级模型,人工粗略标注了一二级叶脉的位置信息,并从准确性、平移旋转缩放不变性和连接生长策略有效性三个方面进行讨论。实验结果表明,该方法能够在保证准确度基本稳定的同时提升完整度,一级叶脉的平均偏差小于5像素,二级叶脉平均完整度达到了54.28%。同时对平移、旋转和缩放具有不变性。(3)以大豆叶片为例,利用所设计的叶脉分割方法提出了一个植物叶片表型提取方案。该表型提取方案过程主要包含四个步骤:叶片图像数据采集和预处理;叶脉网络分割;叶脉网络层级分割;叶片表型提取。通过迭代细化算法提取叶脉网络图骨架,并根据图结构定义网络中的节点、端点和边,从而实现叶脉网络的定量化描述。以三幅典型的大豆叶片图像为例,提取其一二级叶脉的叶脉密度和分支夹角、以及二级叶脉分支长度和密度四个表型数据,定性的分析其分布趋势。同时,以分支夹角提取为例进行定量分析,平均准确率为94.85%,具有较高可靠性,对指导大豆作物的定向育种具有一定的借鉴意义。本文主要贡献在于结合特定的场景需求,以大豆叶片为例,对植物叶片表型提取研究中存在的关键性难点进行分析,并提出了相应的叶脉分割方法,推动植物叶片表型提取研究,为后期植物叶片表型分析和作物设计育种提供了前期技术支持。