熊世明+袁曉洲+樊光瑞

摘 要：對(duì)基于數(shù)字形態(tài)學(xué)特征的植物葉片識(shí)別技術(shù)進(jìn)行了研究。首先闡述了相關(guān)文獻(xiàn)的研究結(jié)果，然后介紹了幾種特征提取技術(shù)并相互進(jìn)行比較，之后介紹了幾種分類(lèi)方法，最后得出結(jié)論并指出一些方法的不足。

關(guān)鍵詞：數(shù)字形態(tài)學(xué)特征；植物葉片識(shí)別；特征提?。环诸?lèi)方法

DOIDOI：10.11907/rjdk.162174

中圖分類(lèi)號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2016）012-0168-02

0 引言

植物圖像識(shí)別研究能從植物的形狀、顏色、紋理和幼苗識(shí)別出種類(lèi)。只知道植物的2D圖像，分析出花朵和幼苗形狀是很困難的，因?yàn)樗鼈兪?D結(jié)構(gòu)的。本文主要論述基于數(shù)字形態(tài)學(xué)的植物種類(lèi)識(shí)別技術(shù)。計(jì)算機(jī)化的數(shù)字形態(tài)學(xué)方法在定量形狀分析、測(cè)試和可視化差異上有高效準(zhǔn)確、重現(xiàn)性好和統(tǒng)計(jì)功能強(qiáng)大的優(yōu)點(diǎn)。植物葉片通常用來(lái)進(jìn)行種類(lèi)識(shí)別，非常適合作為基于數(shù)字形態(tài)學(xué)的測(cè)量對(duì)象。

1 相關(guān)研究

植物在地球上地位至關(guān)重要，和人類(lèi)及其它生物關(guān)系密切。自動(dòng)識(shí)別植物研究是從植物葉或花的圖像中提取一類(lèi)特征，然后進(jìn)行分析識(shí)別。Stefen Fiel[1]提出了一種根據(jù)葉片圖像自動(dòng)識(shí)別植物種類(lèi)的方法：對(duì)葉片圖像進(jìn)行灰度化和規(guī)范化，使用局部特征來(lái)避免分割步驟，克服損壞葉片、分割不標(biāo)準(zhǔn)和被遮擋形狀特征帶來(lái)的影響。有研究者使用增加一個(gè)關(guān)鍵點(diǎn)的方法并用一個(gè)一對(duì)多向量機(jī)來(lái)進(jìn)行分類(lèi)[2]，提出了一種基于數(shù)字形態(tài)學(xué)特征的自動(dòng)識(shí)別方法，15個(gè)特征用來(lái)區(qū)分20種植物。Valliammal和Geethalakxhmi[3]提出了一種結(jié)合閾值分割技術(shù)和H-maxima轉(zhuǎn)換技術(shù)的新方法來(lái)提取葉脈。根據(jù)葉片圖像的灰度直方圖，使用閾值分割方法分割出葉脈區(qū)域，使用H-maxima轉(zhuǎn)換技術(shù)轉(zhuǎn)換為像素作為輸出。Zheru Chi[4]等提出了一種利用植物樹(shù)皮紋理特征并設(shè)計(jì)Gabor濾波器組來(lái)識(shí)別植物種類(lèi)的方法。紋理建模為許多窄帶信號(hào)，根據(jù)中心頻率和振幅的標(biāo)準(zhǔn)化比值來(lái)進(jìn)行區(qū)分。根據(jù)這個(gè)紋理模型，能創(chuàng)建一個(gè)擁有所有種類(lèi)植物樹(shù)皮紋理的紋理庫(kù)，用來(lái)區(qū)分不同植物并設(shè)計(jì)一個(gè)等效的Gabor濾波器組。Brendon J.Woodford[5]等使用果實(shí)/葉片圖像的小波分析來(lái)進(jìn)行分類(lèi)，果實(shí)/葉片圖像中包含果實(shí)和侵害它的昆蟲(chóng)。

2 特征提取技術(shù)

數(shù)字形態(tài)學(xué)特征通常包括幾何特征和不變矩特征。幾何特征有長(zhǎng)寬比、垂直度、凸面面積比、凸面周長(zhǎng)比、球度、圓度、離心率和波形因數(shù)等。Kadir等[6]認(rèn)為葉片特征分為一般視覺(jué)特征和域相關(guān)視覺(jué)特征。一般視覺(jué)特征包含顏色、紋理和形狀；域相關(guān)視覺(jué)特征包含形狀、凹痕和葉脈。Hossain和Amin[7]進(jìn)一步提出，形狀特征由幾種形態(tài)學(xué)特征組成，分別是離心率、面積、周長(zhǎng)、長(zhǎng)軸、短軸、等效直徑、凸面面積和周長(zhǎng)。Valliammal和Geethalaxmi也提出葉片圖像能基于顏色、紋理、形狀或三者綜合來(lái)分類(lèi)。Shabanzade等[8]使用基于統(tǒng)計(jì)矩和直方圖的特征方法來(lái)提取葉片的紋理特征，使用這個(gè)方法是為了避免丟失一些重要信息例如像素點(diǎn)位置和紋理信息。所有被提取的特征被分到局部描述類(lèi)中。此外，在圖像轉(zhuǎn)化為位圖時(shí)，使用閾值分割方法。之后提取的信息被分類(lèi)到全局特征類(lèi)中，所以葉片特征分為全局特征和局部描述符兩類(lèi)。表1是幾種特征提取技術(shù)比較。

3 分類(lèi)方法

3.1 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)能用來(lái)處理分類(lèi)問(wèn)題，它擁有一個(gè)能自然傾向存儲(chǔ)實(shí)驗(yàn)知識(shí)的并行分布處理器。概率神經(jīng)網(wǎng)絡(luò)由徑向基函數(shù)網(wǎng)絡(luò)派生出來(lái)，有輸入層、徑向基層和競(jìng)爭(zhēng)層。徑向基層計(jì)算權(quán)重矩陣中的距離，這些距離由徑向基函數(shù)非線(xiàn)性縮放。競(jìng)爭(zhēng)層找到其中最短距離，并能基于距離找到和輸入集最接近的訓(xùn)練集。神經(jīng)網(wǎng)絡(luò)的最大優(yōu)勢(shì)是能從可利用數(shù)據(jù)中構(gòu)建系統(tǒng)模型，概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度是BP神經(jīng)網(wǎng)絡(luò)的數(shù)倍，它能在某些容易滿(mǎn)足的條件下得到貝葉斯最優(yōu)結(jié)果。然而，在識(shí)別過(guò)程中，隨著訓(xùn)練集中植物葉片種類(lèi)的增加，其運(yùn)算速度會(huì)減慢。

3.2 K平均聚類(lèi)

K平均聚類(lèi)是用來(lái)估計(jì)一組K組均值的簡(jiǎn)單方法。Biva將K平均聚類(lèi)引入到葉片圖像分類(lèi)中。初始時(shí)，聚類(lèi)種子隨機(jī)選取。之后計(jì)算出每個(gè)對(duì)象到每個(gè)聚類(lèi)的歐式距離平方，每個(gè)對(duì)象分配給最近的聚類(lèi)。對(duì)每個(gè)聚類(lèi)都要計(jì)算新的質(zhì)心，并用它代替之前的種子值。因此，一個(gè)對(duì)象到每個(gè)聚類(lèi)的歐式距離平方都是最小值?；谛碌某蓡T分配，聚類(lèi)質(zhì)心會(huì)重新計(jì)算，這個(gè)過(guò)程會(huì)一直重復(fù)，直到?jīng)]有對(duì)象移動(dòng)到聚類(lèi)。

3.3 遺傳算法

遺傳算法主要用在特征分類(lèi)和特征選取上，它的基本目的就是為了最優(yōu)化。遺傳算法能在不用計(jì)算梯度信息和權(quán)重初始化的情況下，高效得到接近最優(yōu)化的連接權(quán)重。遺傳算法的主要優(yōu)點(diǎn)是適應(yīng)能力強(qiáng)，并且具有內(nèi)在并行性。圖像分類(lèi)和很多其它應(yīng)用通常使用遺傳算法來(lái)處理大的、復(fù)雜的、不可微分的多模型空間。

3.4 支持向量機(jī)

支持向量機(jī)是一個(gè)非線(xiàn)性分類(lèi)器，是一個(gè)機(jī)器學(xué)習(xí)工具，也是一個(gè)能深度學(xué)習(xí)數(shù)據(jù)和解決二進(jìn)制分類(lèi)問(wèn)題的強(qiáng)大技術(shù)。支持向量機(jī)有線(xiàn)性可分和線(xiàn)性不可分兩種情況，采用不同的核函數(shù)會(huì)有不同的SVM 算法。支持向量機(jī)分類(lèi)器在解決小樣本、非線(xiàn)性和高維模式識(shí)別方面有許多優(yōu)勢(shì)，而植物葉片分類(lèi)識(shí)別問(wèn)題就是一種非線(xiàn)性模式識(shí)別問(wèn)題。

4 結(jié)語(yǔ)

本文介紹了植物分類(lèi)技術(shù)和葉片特征提取技術(shù)。由于葉片顏色隨著大氣環(huán)境和生長(zhǎng)狀態(tài)的變化而變化，所以它并不是一個(gè)可靠的可提取特征。而種子和花朵只有在考慮3D圖像時(shí)才會(huì)有比較好的識(shí)別效果。本文介紹了一些用來(lái)最優(yōu)化分析的植物分類(lèi)算法，其中計(jì)算化形態(tài)學(xué)的使用有助于分析葉片圖像。筆者認(rèn)為數(shù)字形態(tài)學(xué)也能用來(lái)更加高效地定義種類(lèi)和提供快速種類(lèi)鑒定。對(duì)于正常生長(zhǎng)的葉片，數(shù)字形態(tài)學(xué)特征會(huì)在所有的特征提取中得到最好結(jié)果。但現(xiàn)在的葉片識(shí)別分類(lèi)技術(shù)還不完善，很多分類(lèi)算法還沒(méi)有深入分析比較。通過(guò)比較，就能發(fā)現(xiàn)哪種分類(lèi)算法能提供更加精確的結(jié)果，以更好地幫助植物學(xué)家鑒定植物。

參考文獻(xiàn)：

[1] STEFAN FIEL，ROBERT STABLANIG.Leaf classification using local features[EB/OL].http：//xueshu.baidu.com/s？wd=paperuri：（e0204ec5c3ebe8eeacb87482f87a8143）&filter=sc_long_sign&sc_ks_para=q%3DLeaf+classification+using+local+features&tn=SE_baiduxueshu_c1gjeupa&ie=utf-8&sc_us=11886540654887231086.

[2] JI XIANG DU，XIAO FENG WANG，GUO JUN ZHANG.Leaf shape based plant species recognition[J].Applied Mathematics and Computation，2007（185）：883-893.

[3] N VALIAMMAL，S N GEETHALAKSHMI.Hybrid image segmentation algorithm for leaf recognition and charaterization[C].IEEE，2011.

[4] ZHERU CHI，LI HOUQIANG，WANG CHAO.Plant species recognition based on bark patterm using novel gabor filter banks[J].Proceeding of International Conference on Neural Network and Signal Processing，2003（2）：1035-1038.

[5] BRENDON J WOODFORD，NIKOLA K KASABOV，C HOWARD WEARING.Fruit image analysis using wavelets[EB/OL].http：//xueshu.baidu.com/s？wd=paperuri：（63f53e93a75a279bd4b40ac5daa9fd3b）&filter=sc_long_sign&sc_ks_para=q%3DFruit+image+analysis+using+wavelets&tn=SE_baiduxueshu_c1gjeupa&ie=utf-8&sc_us=6386872225267766126.

[6] ABDUL KADIR，LUKITO EDI，NUGROHO，et al.Leaf classification using shape，color and texture[J].International Journal of Computer Trends andTechnology （IJCTT），2011（7）：225-230.

[7] J HOSSAIN，M A AMIN.Leaf shape identification based plant biometrics[C].13th Internatinal Conference on Computer and Information Technology （ICCIT），2010：458-463.

[8] SHABANZADE，M M ZAHEDI，S A AGHVAMI.Combination of local descriptors and global features for leaf recognition[J].Signal and Image Processing，Int J，2011（2）：23-21.

[9] KRISHNA SINGH，INDRA GUPTA，SANGEETA GUPTA.Retrieval and classification leaf shape by support vector machine using binary decision tree，probabilistic neural network and generic fourier moment technique：a comparitive study[C].IADIS International Conference Computer Graphics，Visualization，Computer Vision and Image Processing，2010.

[10] A KADIR，LE NUGOHO，A SUSANTO，et al.A comparative experiment of several shape methods in recognizing plants[J].IJCSIT，2011，3（6）：3-4.

（責(zé)任編輯：杜能鋼）