基于PCA和AdaBoost.M1植物叶片图像识别方法.docVIP

基于PCA和AdaBoost.M1植物叶片图像识别方法 　　摘要：为了提高植物叶片的识别准确率，提出一种基于PCA和AdaBoost.M1的植物叶片图像识别方法。首先对植物叶片图像进行图像灰度化、二值化以及边缘提取等预处理，然后提取出13个具有比例、旋转、平移不变性的植物叶片特征参数，再利用PCA对这些特征参数进行降维，最后采用AdaBoost.M1分类器对降维处理后的特征参数进行训练和识别。结果表明，该方法可以有效地提高植物叶片图像的识别率。 　　关键词：叶片识别；PCA；AdaBoost.M1；图像处理 　　中图分类号： TP391.41文献标志码： A 　　文章编号：1002-1302（2016）12-0372-03 　　收稿日期：2015-10-14 　　基金项目：河南省科技计划（编号：152102210357）；河南省科技计划（编号：152102210149）；河南省高等学校青年骨干教师资助计划（编号：2014GGJS-084）；河南省高等学校重点科研项目（编号：16A520030）；郑州轻工业学院校级青年骨干教师培养对象资助计划（编号：XGGJS02）；郑州轻工业学院博士科研基金（?号：2010BSJJ038）；郑州轻工业学院研究生科技创新基金。 　　作者简介：朱颢东（1980―），男，河南虞城人，博士，副教授，硕士生导师，主要研究方向为智能信息处理、计算智能。E-mail：zhuhaodong80@163.com。 　　植物作为地球上物种数量最多的生命形式，是人类生存必不可少的环境资源，它在维护生态平衡、保持水土、改善气候等方面起到了重要的作用。近年来，随着人类社会经济的发展，人与自然界形成竞争，植物种类的多样性正在急剧下降，大量植物处于灭绝的边缘。因此，对植物进行分类研究进而保持植物物种多样性的任务越来越迫切，植物叶片的特征可以作为鉴别植物物种的重要依据。传统的植物叶片识别主要依靠人工，须要投入大量的人员和时间，并且分类的结果容易受到分类人员主观因素影响。随着计算机图像处理技术的不断发展，利用数字图像处理和模式识别技术对植物叶片进行分类工作已经逐步开展。阚江明等利用RBF神经网络结合植物叶片的纹理和形状特征实现植物叶片的分类[1]；王晓峰等提出移动中心超球分类器，并使用植物叶片的形状及其不变矩等特征完成了对20多种植物叶片的分类[2]；王路等应用LVQ神经网对植物叶片的几何特征和纹理特征进行分类识别[3]；朱颢东等利用余弦定理结合K-means对植物叶片进行分类识别[4]。然而，现有的方法存在特征参数获取比较复杂、训练样本特征维数过高和训练识别率低的问题。 　　为了提高植物叶片识别的效率以及准确度，本研究利用植物叶片的形状特征作为识别特征，利用PCA算法对初步提取出的特征参数进行降维，最后在低维空间用AdaBoost.M1算法对这些特征参数进行训练识别。 　　1叶片图像的预处理以及特征提取 　　植物叶片的颜色、形状、纹理等基本特征都可以作为其物种分类的重要依据，但是这些特征的提取容易受到植物叶片获取时的拍摄距离、光照以及阴影等外界因素的影响，所以要对其进行预处理，便于后续的特征提取。 　　1.1图像预处理 　　[JP2]本研究所用的植物叶片图像来自中国科学院合肥智能机械研究所建立的植物叶片图像数据库（http：///data），该数据库有220种植物，一共包含了16 846幅植物叶片图像。以其中的1种植物叶片图像为例，预处理过程如图1所示：（1）将原始彩色图像转化为灰度图像；（2）用Otsu二值化算法对灰度图像进行二值化处理；（3）用Laplace算子对二值化后的叶片图像进行边缘提取得到叶片轮廓。 　　1.2特征提取 　　对植物叶片图像预处理后得到其轮廓，求取叶片的面积、周长、最小外接矩长、最小外接矩宽等几个简单的区域形状特征[5]，但是这些特征会随着植物叶片的改变而发生变化，不能客观地描述植物叶片类型，因此本研究在获取区域形状特征参数的基础上，计算叶片的偏心率、形状参数、纵横轴之比等6个具旋转、比例、平移不变性的几何特征参数。另外，图像矩具有天然的旋转、平移和尺度不变性， 采用Chen提出的 　　[FK（W14][TPZHD1.tif] 　　7项Hu不变矩[6]，4种植物叶片特征参数提取结果如表1所示。 　　1997年Freund和Schipare提出了用于二分类的AdaBoost算法[7]，而AdaBoost.M1是AdaBoost算法处理多类问题的直接推广。 　　（1）给定样本集S={（x1，y1），…，（xn，yn）}，其中xi∈X，yi∈Y={1，2，…，k}分别对应k类样本，i=1，2，…，n，弱分类器为ht：X→Y，t=1，2，…，n，弱分类器数量为T；