叶片识别分析.ppt

叶片识别 叶片识别一般有如下流程： 1.叶片图像 2.图像预处理 3.叶片特征提取 4.叶片分类识别 5.识别结果 叶片图像 进行植物识别一般选取植物的局部特征，如植物的花、叶、茎等器官。但相比起植物其他器官，叶片存活时间长，采集方便。 由于植物叶片基本处于一个平面状态，适合进行二维图像加工。 将植物叶片进行采摘选取样本，放置于单一颜色背景进行拍照获取图像。 叶片预处理 预处理一般包括：尺寸调整、灰度化、图像分割、图像降噪、形态学处理。有时选取颜色特征是不进行图像灰度化。 图像尺寸调整：将图像调整到统一大小便于后期处理。 图像灰度化：利于图像模块化处理，得到更好二值图像 图像分割：指把图像分成各具特性的区域并提出感兴趣的目标。 图像去噪：分割后图像会存在少许噪声，对图像分析产生干扰，通过滤波去除噪声。 图像锐化：增强轮廓显示效果，获取细节清晰图像。 形态学处理：二值后图像会有小孔洞和边缘毛刺。 叶片特征提取 1.几何形状特征（叶片结构，Hu不变距，描述几何特征等）。 2.纹理特征(基于灰度共生矩阵，小波变换等）。 3.颜色特征（RGB,LAB,HSI)。 一般描述几何特征有：偏心率，复杂度，矩形度，球状性等，选取比例型的数据。 灰度共生矩阵描述纹理特征：能量，熵，对比度，相关性等。 HOG特征等 可区分性，独立性，可靠性，数量少。 叶片识别 1.基于关系匹配的识别方法 将植物叶片进行一定处理会提取叶片特征，寻找目标特征和模型特征之间的对应，即输入叶片和样本叶片之间匹配度，相似性度量函数等。 2.基于统计学方法 通过建立数学模型，收集数据进行量化分析和总结，从而得到推断和预测等。近邻法、主成分分析、Fisher判别法（LDA）。 3.机器学习的识别方法 人工神经网络，SVM等 CNN卷积神经网络 传统叶片识别采用两步：第一步，从输入的叶片图像中计算出认为设置的特征；第二部，根据得出的特征去训练分类器，用于测试数据分类。 这种方法好坏往往取决于人为选择的特征是否合理，而人在选择特征时都是靠经验，具有很大的盲目性，并且这种特征不具有迁移性。 猫的视觉系统是分级的，这种分级可以看成是逐层迭代抽象的过程: 瞳孔接收像素，方向选择性细胞抽象出边缘，对边缘进一步抽象得出形状，对形状进一步抽象得出是什么物体 高级特征是低层特征的组合与抽象，越高级的特征越能体现人类的语义信息。图2对这种逐步抽象的分层模型进行了展示，后来研究者提出了一个新名词来命名这种模型 即深度学习模型 CNN基本框架 CNN是一个多层的神经网络，由多个卷积层子采样层交替组成，而每层由多个独立神经元组成，它的基本框架如图3所示 CNN特点 第二个方法就是权值共享。卷积操作看成是提取特征的方式，该方式与位置无关。图像的一部分的 统计特性与其他部分是一样的。这也意味着我们在这一部分学习的特征也能用在另一部分上，所以对于这个图像上的所有位置，我们都能使用同样的学习特征。 子采样层也称最大池采样,它减小了来自上层隐藏层的计算复杂度，同时具有平移不变性，即使有小的位移，提取的特征依然保持不变。 CNN在图像中的应用 1.输入图像是32x32的大小，局部滑动窗的大小是5x5的，由于不考虑对图像的边界进行拓展，则滑动窗将有28x28个不同的位置，也就是C1层的大小是28x28。这里设定有6个不同的C1层，每一个C1层内的权值是相同的。。C1有156个可训练参数，共122,304个连接。 2.S2层是下采样层，有6个14*14的特征图。特征图中的每个单元与C1中相对应特征图的2*2邻域相连接。S2层每个单元的4个输入相加，乘以一个可训练参数，再加上一个可训练偏置。结果通过sigmoid函数计算。可训练系数和偏置控制着sigmoid函数的非线性程度。（最大池采样，抑制噪声，鲁棒性） C3层也是一个卷积层，它有16种不同的卷积核，所以就存在16个特征图了。C3中的每个特征map是连接到S2中的所有6个或者几个特征map的，表示本层的特征map是上一层提取到的特征map的不同组合（这个做法也并不是唯一的）。 为什么不把S2中的每个特征图连接到每个C3的特征图呢？原因有2点。第一，不完全的连接机制将连接的数量保持在合理的范围内。第二，其破坏了网络的对称性。由于不同的特征图有不同的输入，所以迫使他们抽取不同的特征。 S4层是下采样层，由16个5*5大小的特征图构成。 C5层是一个卷积层，