本發(fā)明屬于信息
技術(shù)領(lǐng)域:
,涉及模式識別、圖像處理技術(shù),具體涉及一種利用植物葉形和葉緣特征來識別植物種類的方法。
背景技術(shù):
:植物鑒別在植物學(xué)、農(nóng)業(yè)和園藝等方面都有重要的意義,傳統(tǒng)的植物鑒別都是人工完成的,費時費力,效率低下。隨著科技的發(fā)展,在植物鑒別領(lǐng)域中,研究者們提出了一種智能的鑒別方法——葉片識別技術(shù)。通常情況下,植物學(xué)家通過葉片形狀、葉片邊緣、葉基以及葉脈等識別植物種類。因此,研究人員通過這些葉片特征結(jié)合計算機來識別植物種類。目前主要的葉片識別技術(shù)如下:第一組是通過幾何特征來提取葉形特征。學(xué)者一般通過縱橫比、矩形度、圓形度、形狀參數(shù)、面積凹凸比、周長凹凸比、球形性等幾何特征來描述植物葉形特征。在植物種類識別過程中,這些方法很難捕捉到葉片的葉緣特征,且這些特征的權(quán)重也很難分配。第二組是通過形狀描述子來提取葉緣特征。主流的方法有:sc、idsc、st、hf、hocs、mdm、tar和mtcd方法。這些形狀描述子是可以捕捉葉片的葉緣信息和全局信息,然而因為一些細葉緣信息和全局形狀信息是有不同的模型的,這些形狀描述子可能不會充分反映葉形的全局信息。技術(shù)實現(xiàn)要素:為了克服上述葉片識別方法的不足和缺陷,本發(fā)明的目的在于,提供一種新穎的葉片形狀和邊緣特征來描述植物葉片,這使得新穎特征集攜帶了更多的全局特征和葉緣細節(jié)特征。此外,本發(fā)明還提供了一種組合類型特征識別植物葉片的方法,此方法可以彌補各個特征的不足,將各個特征的優(yōu)點結(jié)合在一起,大大提高了葉片識別的準確率。為了實現(xiàn)上述任務(wù),本發(fā)明采用以下技術(shù)方案:一種基于葉片形狀和邊緣特征的植物葉片識別方法,該方法通過相機采集任一植物葉片的圖像,將所述植物葉片的圖像轉(zhuǎn)換為二值化葉片圖像,包括以下步驟:以二值化葉片圖像的左上角為原點,水平方向為x軸,垂直方向為y軸建立圖像坐標系;提取葉緣特征,包括:步驟11,在二值化葉片圖像中沿著葉片外輪廓逆時針采樣得到n個葉片輪廓點;步驟12,任取一葉片輪廓點作為當前葉片輪廓點pi=(xi,yi),i∈[1,n];找到當前葉片輪廓點pi=(xi,yi)的兩個連續(xù)點(xi-t,yi-t)和(xi+t,yi+t),且三個葉片輪廓連續(xù)點(xi-t,yi-t),(xi,yi)和(xi+t,yi+t)形成一個三角形,所述三角形的重心為cit=(xcit,ycit);其中,步驟13,以葉片輪廓點pi=(xi,yi)為圓心,以輪廓點pi到三角形的形心為cit=(xcit,ycit)的距離為半徑畫圓,得到所畫圓面積及所畫圓和植物葉片的重疊面積sn;步驟14,通過式(1)得到重疊面積sn與圓面積的比值sratio,比值sratio即為葉緣特征;步驟15,重復(fù)步驟12至步驟14,直至所有的葉片輪廓點都作為當前葉片輪廓點,得到植物葉片的葉緣特征sp:提取葉形特征,包括:步驟21,遍歷二值化圖像,提取二值化圖像中葉片輪廓點中y軸坐標值最大的點(xymax,ymax)和y軸坐標值最小的點(xymin,ymin),則葉片最小包圍盒的長度l=y(tǒng)max-ymin;遍歷二值化圖像,提取二值化圖像中葉片輪廓點中x軸坐標值最大的點和x軸坐標值最小的點則葉片最小包圍盒的寬度w=xmax-xmi;n遍歷二值化圖像,提取所有葉片的像素點坐標值,得到葉片的形心;步驟22,以葉片的形心為圓心,以葉片最小包圍盒長度l的為半徑畫圓,m=1,2,...,20,得到所畫圓面積及所畫圓和植物葉片的重疊面積以葉片的形心為圓心,以葉片最小包圍盒寬度w的為半徑畫圓,m=1,2,...,20,得到所畫圓面積及所畫圓和植物葉片的重疊面積步驟23,將和作為葉形特征,即葉形特征為:{w1,w2,...,w20,l1,l2,...,l20}。進一步地,在提取葉緣特征時,將步驟13中以葉片輪廓點pi=(xi,yi)為圓心替換為以三角形的重心cit=(xcit,ycit)為圓心。進一步地,在提取葉形特征時,還包括:步驟24,在步驟23得到的葉形特征中加入5個幾何特征,所述5個幾何特征為{g1,g2,g3,g4,g5};其中:g1:縱橫比;g2:圓形度;g3:周長凹凸比;g4:形狀參數(shù);g5:矩形度;所述葉形特征為:{w1,w2,...,w20,l1,l2,...,l20,g1,g2,g3,g4,g5}。與現(xiàn)有技術(shù)相比,本發(fā)明具有以下技術(shù)效果:本發(fā)明提供了一種新穎的葉片形狀和邊緣特征來描述植物葉片,這使得新穎特征集攜帶了更多的全局特征和葉緣細節(jié)特征。此外,本發(fā)明還提供了一種組合類型特征識別植物葉片的方法,此方法可以彌補各個特征的不足,將各個特征的優(yōu)點結(jié)合在一起,大大提高了葉片識別的準確率。附圖說明圖1為三個不同類型的葉緣值;圖2為三種不同類型的葉緣值;圖3(a)為葉形特征提取前示意圖;3(b)為葉形特征提取示意圖;圖4為特征和分類器選擇;圖5為mtcd和mtcd+sf方法識別率;圖6為tar+mf和tar+mf+sf方法識別率;圖7為tar+mf+mtcd+sf方法識別率。下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步解釋說明。具體實施方式實施例1本實施例提供了一種基于葉片形狀和邊緣特征的植物葉片識別方法,該方法通過相機采集任一植物葉片的圖像,將所述植物葉片的圖像轉(zhuǎn)換為二值化葉片圖像,包括以下步驟:本實施例采用的為swedish葉片數(shù)據(jù)庫和icl葉片數(shù)據(jù)庫中的植物葉片圖像;以二值化葉片圖像的左上角為原點,水平方向為x軸,垂直方向為y軸建立圖像坐標系;提取葉緣特征,包括:步驟11,在二值化葉片圖像中沿著葉片外輪廓逆時針采樣得到n個葉片輪廓點;本實施例中取n=128;步驟12,任取一葉片輪廓點作為當前葉片輪廓點pi=(xi,yi),i∈[1,n];找到當前葉片輪廓點pi=(xi,yi)的兩個連續(xù)點(xi-t,yi-t)和(xi+t,yi+t),且三個葉片輪廓連續(xù)點(xi-t,yi-t),(xi,yi)和(xi+t,yi+t)形成一個三角形,所述三角形的重心為cit=(xcit,ycit);其中,步驟13,以葉片輪廓點pi=(xi,yi)為圓心,以輪廓點pi到三角形的形心為cit=(xcit,ycit)的距離為半徑畫圓,得到所畫圓面積及所畫圓和植物葉片的重疊面積sn;步驟14,通過式(1)得到重疊面積sn與圓面積的比值sratio,比值sratio即為葉緣特征;步驟15,重復(fù)步驟12至步驟14,直至所有的葉片輪廓點都作為當前葉片輪廓點,得到植物葉片的葉緣特征sp:提取葉形特征,包括:步驟21,遍歷二值化圖像,提取二值化圖像中葉片輪廓點中y軸坐標值最大的點(xymax,ymax)和y軸坐標值最小的點(xymin,ymin),則葉片最小包圍盒的長度l=y(tǒng)max-ymin;遍歷二值化圖像,提取二值化圖像中葉片輪廓點中x軸坐標值最大的點和x軸坐標值最小的點則葉片最小包圍盒的寬度w=xmax-xmi;n遍歷二值化圖像,提取所有葉片的像素點坐標值,得到葉片的形心;步驟22,以葉片的形心為圓心,以葉片最小包圍盒長度l的為半徑畫圓,m=1,2,...,20,得到所畫圓面積及所畫圓和植物葉片的重疊面積以葉片的形心為圓心,以葉片最小包圍盒寬度w的為半徑畫圓,m=1,2,...,20,得到所畫圓面積及所畫圓和植物葉片的重疊面積步驟23,將和作為葉形特征,即葉形特征為:{w1,w2,...,w20,l1,l2,...,l20}。實施例2本實施例在實施例例1的基礎(chǔ)上,在提取葉緣特征時,將步驟13中以葉片輪廓點pi=(xi,yi)為圓心替換為以三角形的重心cit=(xcit,ycit)為圓心。實施例3本實施例在實施例1或2的基礎(chǔ)上,在提取葉形特征時,還包括:步驟24,在步驟23得到的葉形特征中加入5個幾何特征,所述5個幾何特征為{g1,g2,g3,g4,g5};其中:g1:縱橫比;g2:圓形度;g3:周長凹凸比;g4:形狀參數(shù);g5:矩形度;所述葉形特征為:{w1,w2,...,w20,l1,l2,...,l20,g1,g2,g3,g4,g5}。實施結(jié)果提取mtcd(multiscaletriangularcentroiddistance)特征,設(shè)置參數(shù)為:n=128;t=63;m=128,64,32,16,8,其中n表示選取的輪廓點數(shù)目,t表示特征尺度,m表示降維級數(shù)。此外,我們分別使用svm(支持向量機),nn(最近鄰),基于余弦距離的分類方法分別對葉片進行分類。得到的分類結(jié)果如圖4所示。從實驗中可以看出:svm是三種分類器中效果最好的;降維后的分類效果和沒有降維的分類效果幾乎相同。故在接下來的實驗中選擇m=16作為降維級數(shù)并且應(yīng)用svm作為分類器。(1)mtcd+sf采用mtcd+sf(sf為本發(fā)明的葉形提取方法),設(shè)置的參數(shù)為:n=128;t=16;m=16。實驗比較了mtcd和mtcd+sf方法,實驗結(jié)果如圖5所示。從實驗結(jié)果可以看出我們提出的sf對于植物種類的識別具有顯著性的作用。(2)tar+mf+sf采用tar+mf+sf方法(mf為本發(fā)明中的葉緣提取方法),參數(shù)的設(shè)置:n=128;t=16;m=16。實驗比較了tar+mf和tar+mf+sf方法,實驗結(jié)果如圖6所示。從實驗結(jié)果可以看出:(1)本發(fā)明提供的方法具有很好的識別效果(2)本發(fā)明提供的mf和sf特征對于分類具有顯著性的作用。(3)tar+mf+mtcd+sf采用tar+mf+mtcd+sf(tar:triangle-arearepresentation)方法,參數(shù)設(shè)置:n=128;t=16;m=16。實驗結(jié)果如圖7所示。從實驗結(jié)果來看本發(fā)明提供的方法具有很高的植物葉片識別效果。為了體現(xiàn)本發(fā)明提供的方法的識別能力,比較了本發(fā)明提供的方法和一些典型的葉片識別方法。表1展示了各個方法的識別率,從表1可以看出,本發(fā)明提供的方法具有很好的識別效果,其中mtcd+sf方法是所有方法中效果最好的。表1:swedish葉片數(shù)據(jù)庫分類結(jié)果(%)表2:icl葉片數(shù)據(jù)庫分類結(jié)果(%)situationstar+mf+mtcd+sfidscfdmdm30t1583.3665.426068.7530t2984.3270.3266.5674.2當前第1頁12