基于轮廓特征的植物叶片识别系统.docx

普 楠（苏州大学，江苏 苏州 21500 普 楠 （苏州大学，江苏 苏州 215006） 摘 要：文章提出了一个基于图像识别的植物叶片识别系统，采用 Opencv 计算机视觉库在 Android 平台上进行嵌入式开发，通 过调用移动设备摄像头对即时拍摄的 150 幅植物叶片照片进行物种识别。比较了包括 canny 边缘检测和 EM 分割算法等方法， 再通过自适应核的形态学操作进行后期处理，提取到较准确的叶片边缘轮廓信息。计算轮廓曲率并且统计成曲率直方图特征， 最后通过 SVM 分类器，对特征进行分类，来达到对不同的植物叶片进行识别和分类。识别率较高，运算速度有待提升。 关键 词：图像处理；形态学；EM 算法；直方图比对；SVM；支持向量机 引言 模式识别技术被用于计算机视觉及图像处理领域，近些年得到 了飞速的发展，吸引了世界上众多学者参与研究。如何提取或者测 量叶子的特征是一个长期研究中的话题[1]。这使得模式识别在这个 领域的应用面临了一个新的挑战[2][13]。根据文献[2]，由计算机自动获 取现存植物的数据的做法还没有被实施。 而目前国内外针对植物叶片形状特征中的轮廓特征，对植物叶 片轮廓提取的方法主要分为基于轮廓和基于区域[3]。文章通过对现 场拍摄的植物叶片照片进行预处理，对比[4]中使用的 canny 边缘检 测，我们采用 Expectation-Maximization 算法对植物和背景进行图像 分割[5]，能在移动平台上以较快的速度获取相对更加准确的边缘信 息。结合文章提出的自适应核植物形态学开闭运算，以达到去除叶 片茎的干扰，然后提取植物叶片边缘轮廓的曲率特征。 关于特征的选择，虽然目前已经有许多方法，但大都使用了预 定义的特征。而[9]中使用了一个移动中值中心超球面分类器，因为其 需要大量的迭代计算，不适合在移动平台上应用。相似的做法在[2]中 也提出了。他们的另外一篇论文提出了一个用于叶片形状匹配的简 单的动态规划算法，相对[9]而言计算速度有一定提升。而文章采用采 用的多尺度提取轮廓曲率信息，既能有很短的计算时间，通过实验 筛选出最具代表性的尺度特征，相比采用不变矩或类似于多尺度 距离矩阵[10]等尺度不变方法，不仅能保证识别的成功率，而且计算 量较小。 以上的很多方法都使用了 k-邻域的分类方法[2][8][9]，而有些文章 中采用虚拟神经网络的方法。在[11]中作者结合花和叶子的信息来分 类野生的花，[12]中提出一个虚拟神经网络的运用来分类仙人掌。但 是根据[9]中作者所论证的，SVM 分类将更有利于对高维特征进行更 加精确的分类。 所以文章最后通过 SVM 训练形成的强分类器，与曲率直方图 相交[5]这种方法对比，对其曲率直方图进行分类，使得系统的识别率 更加稳定，达到对不同的植物叶片进行识别和分类。 1 提取叶片 由于植物在不同的季节颜色变化较大，并且叶片受光照环境的 不同，很容易发生颜色的改变；如果以叶片的脉络作为特征，伴随着 叶片的生长变化极大，不利于同种物种的准确识别。同时，为了模拟 在真实环境中需要进行现场拍摄，所以在 Android 平台上进行嵌入 式开发。考虑到移动平台的摄像头像素偏低，我们尽量选择高亮的 背景进行拍摄，为了能够提高识别的准确率，只能通过对叶片轮廓 形状上的特征进行提取。 这样的话，要获得一个描述充分准确的叶片轮廓形状就显得十 分关键。与 canny 边缘检测比较而言，使用 Expectation-Maximization 算法对图像的前景和背景颜色分布进行估计，能够保证提取的轮廓 闭合，完整。如果使用 canny 边缘检测，在叶脉比较突出的情况下， 可能会检测到多个边缘，并且不一定能形成完整闭合的轮廓。通过 EM 训练，利用这个训练结果，对独立的每个像素进行分类。得到一 个最初的分割二值图像，如果图像含有噪点可以利用中值滤波进行 处理，之后通过 Opencv 中的 FindContour 方法取出轮廓，就能保证 所得轮廓的完整和边缘曲率信息的精确，然后通过形态学开闭运算 及根据连通性进行除去阴影区域和叶片的叶杆。 1.1 通过 Expectation-Maximization 算法进行初始分割 我们尝试在 RGB 颜色空间下进行估计，但是效果不太理想，而 在使用 HSV 颜色空间时，提取每个像素所对应的饱和度（Satura－ tion）和明度（value）进行估计，预测结果非常准确。那么一个像素的 概率分布 ξ，由其饱和度和明度的两个高斯分布之和组成： 我们初始化每个高斯模型在各自的期望中心附近分布，注意到 公式中的系数为 0.5，当采用两个相等权重的高斯分布时，从新图像 中读入数据，函数能收敛到相应的阈值。特征提取就通过 EM 分割， 交替地使用每个像素