◎南 楠

(三門峽職業(yè)技術(shù)學院信息傳媒學院，河南三門峽4 7 20 0 0)

技術(shù)與應用

基于圖像識別的植物葉片分類研究

◎南 楠

(三門峽職業(yè)技術(shù)學院信息傳媒學院，河南三門峽4 7 20 0 0)

針對植物物種繁多，新物種人工發(fā)現(xiàn)歸類難問題，提出一種結(jié)合植物葉片紋理和邊緣輪廓特征元素，對樣本加權(quán)值建立矩陣并改進目標函數(shù)的新方法，將該方法用于檢測常見的10種植物的500個樣本，實驗結(jié)果顯示平均識別準確率達到91.6%，具有較好的魯棒性。

圖像處理；SVM；分類概率；植物識別

隨著計算機圖像處理技術(shù)的發(fā)展，模式識別對植物種類的識別也應運而生，各種葉片特性提取技術(shù)和研究成果大量出現(xiàn)。文獻[1]采用Otsu算法對隨機提取的6種植物葉片利用暗通道屬性進行分割，提取顏色和不變矩特征使用SVM方法對樣本分類。文獻[2]提出一種先采用WLLE算法對預處理后樣本圖片進行特征提取后，再使用SVM中核函數(shù)建立分類的方法。文獻[3]提出一種通過建立新葉緣特征描述符，并結(jié)合多層分類法建立植物語義字典查詢的方法對樣本植物進行分類。各種研究方法都有優(yōu)缺點，本文提出的研究內(nèi)容主要是基于葉片紋理和葉片邊緣形狀的分割方法對樣本進行分割，采用分形維數(shù)數(shù)方法進行樣本輪廓提取,最后通過改進SVM方法中目標函數(shù)對樣本進行分類，提高植物葉片識別的精準度。

1 圖像識別技術(shù)

圖像識別技術(shù)在30年前已開始研究，國內(nèi)近十年興起并逐漸有所成果，廣泛的應用于工業(yè)、農(nóng)業(yè)生產(chǎn)、植被繁殖、遙感測控、人臉識別、指紋識別等領(lǐng)域。一般的圖像處理默指計算中存儲的數(shù)字圖像，可以使用計算機對其進行分析、處理和合成，來滿足不同的需求。常用的圖像處理技術(shù)包括灰度化、閾值分割、濾波降噪、邊緣檢測、形態(tài)學等，在植物學方面經(jīng)常用于對農(nóng)作物種植，新物種發(fā)現(xiàn)進行歸類。[4]

幾種圖像處理技術(shù)作用各有不同，圖像灰度化作用是將掃描的植物葉片由RGB模式轉(zhuǎn)換為灰度模式，簡化圖像處理的過程與計算量；圖像濾波技術(shù)是將灰度模式圖片中的孤立點、噪點盡量減少，避免對分類結(jié)果造成影響；閾值分割技術(shù)是以最初設(shè)定的閾值為基礎(chǔ)，將圖像分割為目標區(qū)域和背景區(qū)域兩部分，簡單易操作；圖像邊緣檢測技術(shù)是利用算子提取邊緣點集，通過設(shè)定的閾值結(jié)合邊緣點集修補邊緣獲得連續(xù)的邊界；形態(tài)學是利用二值膨脹腐蝕、開操作、閉操作進行邊界提取，孔洞填充，消除細小齒痕，實現(xiàn)圖像邊界光滑連續(xù)效果。[5]

2 植物葉片處理與試驗

植物葉片是每種植物獨有的組成部分，唯一性確定了其是植物種類辨別的重要依據(jù)，為植物分類，建立關(guān)聯(lián)和繁殖培育具有重要意義。基于圖像識別的植物分類技術(shù)實現(xiàn)時，先對植物葉片轉(zhuǎn)換模式，通常都是轉(zhuǎn)換為灰度模式，再進行濾波降噪處理，然后使用圖像分割法對其分割，最后邊緣檢測算法獲取植物葉片輪廓，通過分類器進行歸類。

2.1 樣本采集

植物葉片樣本數(shù)字圖像采集區(qū)域為三門峽黃河濕地公園、陜州風景區(qū)、植物園內(nèi)，包括10種植物：冬青、海桐、荷花玉蘭、樂昌含笑、山茶、深山含笑、石楠、禿瓣杜英、香樟和楊梅，每種植物葉片采集50個，共計500個樣本。選擇50%為訓練樣本，剩余50%為分類測試樣本。

2.2 樣本預處理及分割

葉片樣本采集后使用HP8270掃描儀獲取數(shù)字圖像，生成的原始圖像模式是RGB值，其連續(xù)的顏色分布和多像素結(jié)構(gòu)不易于計算機識別和處理，因此樣本預處理就是將原始圖片顏色模式轉(zhuǎn)變?yōu)榛叶葓D片，并進行降噪處理。

根據(jù)人眼對綠色的敏感程度最高，對藍色的敏感程度最低，采用符合人體生理學的加權(quán)平均值法對圖像進行灰度化處理，原理為根據(jù)重要性對R、G、B分別賦予不同權(quán)值，計算三者加權(quán)平均值，公式如下：

使用上述公式變換后植物葉片灰度圖如下所示（見圖1）。

圖像變?yōu)榛叶葓D后會出現(xiàn)一些噪點，這些點在后期邊緣算法時將會極大影響結(jié)果，需要進行降噪處理，因為后期需要對葉片邊緣輪廓進行提取，選取中值濾波器做為去噪算法，原理是把一點的像素值用周圍多個像素點的中間值代替，消除孤立噪聲點，該算法可以很好的保留邊緣減少模糊度。算法具體實現(xiàn)時設(shè)定一個滑動窗口，按照灰度值由小到大對像素進行排序，求取平均值代替原值，公式如下：

其中，i,j∈N，f(xi,yj)為設(shè)定窗口中二維序列數(shù)，實驗中選擇5×5方形窗口，盡可能細致保留葉邊緣，經(jīng)過降噪后圖像如下所示（見圖2）。

將降噪后圖像使用邊緣檢測算法中Canny算子進行處理，Canny算子實現(xiàn)的基本原理是利用一個非極大值抑制圖像梯度幅值，利用雙閾值計算檢測強邊緣與弱邊緣，結(jié)合兩者結(jié)果建立整個樣本邊緣模型，通過算子檢測后圖像如下所示（見圖3）。

圖1 加權(quán)平均法獲取灰度圖像

圖2 降噪后圖像

2.3 樣本特征提取

葉片特征提取是指采用計算機對樣本分割后的二值圖進行形狀和輪廓信息提取、分析和處理，明確每個樣本的獨有屬性特征作為分類依據(jù)，筆者提取的特征主要是基于葉片紋理和葉片邊緣形狀二者結(jié)合的方法。

紋理包括葉片表面的脈絡(luò)紋路，根據(jù)葉脈走向和對稱性等判斷植物發(fā)育是否正常，是否具有參考性。本文對紋理的提取方法采用分形維數(shù)方法提取。

分形維數(shù)表現(xiàn)出葉片紋理的復雜程度和紋理與整體葉片間的相似度，一般的定義種類有盒維、相似維、關(guān)聯(lián)維、信息維等。試驗中采用盒維，具體做法為首先構(gòu)建出能覆蓋圖像表面的最小盒子數(shù)Hr，再將整幅圖像分割成N×N的小方塊，每塊的邊長都為l。小方塊中有些覆蓋了樣本的輪廓和內(nèi)部紋理，有些是空的，取得非空盒子數(shù)量記為Nr，設(shè)定比例因子r縮小盒子尺寸，Nr值自動增大，當r趨近于0時，盒維公式為：

不斷求取Nr和r的值，在雙對數(shù)坐標中對（logr，logNr）進行直線擬合，得到的直線斜率為分形維數(shù)。

邊緣輪廓的提取是在Canny算子計算后的基礎(chǔ)上進行的，采用關(guān)聯(lián)法，檢測圖4中像素值，從任意一點像素值為1的點開始，掃描周圍相鄰8個點的像素值，若有大于兩個以上點的像素值為1的點，加入到當前集合中，遍歷整幅圖，最后直到為空結(jié)束，生成的即為葉片的輪廓圖形[6]。最終基于紋理和邊緣輪廓提取的結(jié)果如下所示（見圖4）。

圖3 Canny算子檢測后圖像

圖4 樣本提取輪廓圖

2.4 SVM算法植物葉片分類

將提取的紋理及輪廓特征向量融合在一起使用SVM分類器分類，但融合后特征向量的維數(shù)升級，增加了計算的復雜度和周期性。本文采用一種改進SVM算法中目標函數(shù)的方法進行分類，具體的操作步驟如下：

對樣本（這時的樣本包括500個所有植物的訓練樣本和測試樣本）進行分割、提取操作，提取樣本紋理特征和輪廓特征，并將兩種特征拼接，對拼接后樣本圖像分塊，采用張善文等[7]提出的分類概率進行計算。

結(jié)合拼接特征向量和分類概率定義權(quán)值：

其中，Wij為兩樣本間權(quán)值，pi、pj為樣本正確分類的概率，ci、cj為樣本類別標簽，根據(jù)所得權(quán)值構(gòu)造矩陣W={Wij}。

構(gòu)造目標函數(shù)：

將樣本Xi根據(jù)公式(4)從低維映射到高維：

根據(jù)構(gòu)造的權(quán)值矩陣W可得出，當xi和xj最鄰近時值非0，其余都為0。當Hij＞0，使得同類樣本xi和xj對應的低維映射yi與yj之間的距離更小；相反，當Hij＜0，使得不同類樣本xi和xj對應的低維映射xj與yj之間的距離更大。最后再使用SVM進行訓練，生成最終分類器。

3 結(jié)果分析

筆者采用的研究方法主要是將樣本的葉緣特征與內(nèi)部紋理特征相結(jié)合，并引入分類概率降低空間維數(shù)以減少計算復雜度，提高識別精確度。首先將10類樣本集中測試樣本轉(zhuǎn)換成灰度圖使用，再利用中值濾波、雙閾值法對處理后圖像分割，估算出每個測試樣本的正確分類概率pi，根據(jù)公式(4)構(gòu)造權(quán)值矩陣，根據(jù)公式(5)建立目標函數(shù)，通過公式(6)降維后選擇合適SVM分類器進行分類（實驗中選擇徑向基函數(shù)分類），得出如下數(shù)據(jù)（見下表）。

實驗結(jié)果表

由上表可知，訓練樣本平均正確識別率為96%，測試樣本平均識別正確率為91.6%，其中冬青，禿瓣杜英的識別率較低，兩種植物葉緣性狀本身近似，測試樣本中葉片大小差別不大，造成分類結(jié)果誤差較大。其余樣本測試率基本正常，表明該算法辨識度比較準確。

4 結(jié)論

對植物葉片圖像精準識別分類，建立分類數(shù)據(jù)庫，建立植物相關(guān)屬性聯(lián)系，對保護當?shù)刂参?、農(nóng)作物，預防病蟲害都有良好的效果，筆者提出使用SVM算法對植物葉片圖像提取并歸類，改善原有SVM中的目標函數(shù)，使低維向量生成更準確，同時考慮了樣本之間的相似度。實驗表明該算法具有較高的準確性，對今后的農(nóng)林業(yè)發(fā)展也具有重要意義。

[1]桂媛.基于S VM的植物葉片類別識別研究[J].信息技術(shù)與信息化，20 1 5(0 9):1 4 8-1 5 0.

[2]丁嬌，梁棟，閻慶.基于WLLE和S VM的植物葉片圖像識別方法[J].安徽大學學報(自然科學版)，2 0 1 3(4):6 2-6 6.

[3]晏藝真，周堅華.基于葉緣特征的植物圖像分類檢索[J].華東師范大學學報,20 1 5(4):1 5 4-1 6 2.

[4]董紅霞.基于圖像的植物葉片分類方法研究[D].長沙：湖南大學，20 1 3:5-1 6.

[5]姚飛，葉康，周堅華.植物葉圖像特征分析和分類檢索[J].浙江農(nóng)林大學學報，2 0 1 5(3):4 2 6-4 3 3.

[6]鄭小東，王曉潔，高潔.面向植物分類的被子植物葉形特征自動提取[J].中國農(nóng)學通報，2 0 1 1（1 5）：1 4 9-1 5 3.

[7]張善文，王獻鋒，王震，等.基于概率局部判斷映射的植物分類方法[J].農(nóng)業(yè)工程學報，2 0 1 5(1 1):2 1 5-21 8.

（責任編輯 卞建寧）

TP391.4

：B

：1671-9123（2016）01-0127-04

2016-01-20

南楠(1981-)，女，河南洛陽人，三門峽職業(yè)技術(shù)學院信息傳媒學院講師。