基于形状特征的叶片识别.docxVIP

基于形状特征的叶片识别 1 植物的分类研究 在所有地球生物中，植物与人类和环境之间是最密切相关的。大量的植物维持着地球大气中氧气和二氧化碳的平衡，植物也是人类生产和生活所必需的资源。但近些年来人类的各种生产活动严重地破坏了生态环境，从而造成植物在数量上的减少甚至物种上的灭绝。值得庆幸的是，人类已经意识到这一危机，从而渐渐开始迈出了保护植物的步伐。 对植物进行分类研究是对其进行保护的第一步也是很重要的一步，但由于人类认知能力有限以及地球上数量众多的植物种类，要做到准确和快速地识别手中的植物是非常困难的。随着近些年来计算机技术的不断发展，图像处理与识别技术在农业中也得到了一定的应用，因此可以考虑使用图像处理技术、模式识别技术且辅助以计算机图像获取设备实现对植物的快速识别。 从植物分类的角度来看，识别一种植物最直接有效和最简单的方法就是从它的叶片着手，而且叶片也是比较容易采集到的，通常在植物学里叶片的形状、颜色和脉络都可以拿来作为分类依据，而我们则把重点放在提取叶片的形状特征作为识别依据上。利用我们提出的移动中心超球分类器对提取的特征进行分类，可以实现对部分叶片的快速和成功的识别。 2 图像预处理 整个叶片图像识别的流程如图1所示。首先我们把采集到的叶片通过数码相机或者扫描仪制成数字图像，然后对图像进行预处理，这其中主要包括阈值分割、形态学处理和轮廓提取三个环节，接下来利用提取出来的轮廓计算叶片形状特征，并使用移动中心超球分类器对特征进行分类进而识别出叶片所属种类。 2.1 基于迭代阈值选择法 在这里分割的目的是为了把叶片与其背景分开并形成二值图像，以便于其后进行的轮廓提取和形状特征的计算。由于不同种类叶片的颜色并不一样，因此在转成灰度图像后很难用一个统一的灰度门限进行分割，因此我们必须针对每一幅图像计算其灰度门限。根据对叶片图像灰度直方图的观察，我们发现叶片与背景的灰度级存在着明显的差异，根据这一特点我们选择了计算较为方便的迭代阈值选择法来计算灰度门限，具体步骤如下： (1）求出整幅图像的最大灰度值和最小灰度值，分别记为Gmax和Gmin，令初始灰度门限; (2）根据灰度门限Tk将图像分割为前景和背景，分别求出两者的平均灰度值Z1和Z2; (4）若Tk=Tk+1，则Tk即为灰度门限，否则到第（2）步，继续迭代计算。 2.2 图像的二值化处理 迭代法可以很好地完成二值分割工作，但我们也发现某些植物叶片可能遭受过虫子的侵蚀（图2(a）），从而在分割后的叶片目标内部存在小的孔洞（图2(b）），影响轮廓的提取，因此这部分图像在二值化后需要进一步处理，为了保持叶片图像的形状特性以及边缘的清晰，我们使用了数学形态学里的闭运算，即先进行膨胀运算，再进行腐蚀运算，这样经过一次或两次处理后就消除了叶片内部的小孔洞（图2(c））。同时在实验中我们发现叶片的叶柄由于长度参差不齐，对形状特征的提取会造成一定的影响从而影响识别率，因此必须在二值化后的图像里消除叶片的叶柄，这里可以使用形态学处理中的开运算，即先进行腐蚀运算，再进行膨胀运算，图2(d）即为消除叶柄后的二值化叶片图像。 2.3 轮廓跟踪算法 由于叶片的轮廓是叶片自身的象素子集，且轮廓同样含有丰富的形态信息，通过轮廓来计算形状特征比通过叶片本身来说计算量要小一些，在大批量的叶片样本处理情况下更是明显节约了时间，因此需要进一步提取叶片的轮廓，我们采用了轮廓跟踪法来找出轮廓。可以看到分割后的图像里叶片目标是由1象素构成的，因此需要寻找由1象素构成的轮廓点，对于1象素点我们考虑跟踪其8个方向的邻域，同时采用弗里曼链码法对找到的轮廓点进行编码。 具体跟踪算法步骤如下： (1）按照从上到下，从左到右的顺序扫描图像，得到的第一个象素值为1的点定为起始点，如果找不到起始点则算法结束； (2）按逆时针顺序从当前点右边开始搜索其8个方向的邻域点，如果找到一个未曾搜索过的1象素点，并且该点上下左右4个方向含有0象素点，则把当前点置为该邻域点，记录下相应的链码值，重复该过程直到找到初始点。 图2(e）显示了对图2(d）中叶片轮廓的跟踪结果。 3 几何特征和hu不变矩 通常可用于植物叶片分类的图像特征有很多，比如形状特征、颜色特征和纹理特征等，根据植物分类的相关理论，叶片的形状特征是判断叶片所属种类的最重要和最有效的依据，因此我们首先考虑提取叶片的几何形状特征用于分类。根据我们采集的叶片来看，不同种类叶片的形状存在着较大的差异，即使是同一种叶片其大小比例也可能有所不同，这样周长、面积，纵轴长、横轴长等常用的绝对值特征就不太适合作为分类依据，应该考虑使用一些相对值特征，在这里我们可以利用叶片轮廓得到一些形状描述（图2(f）所示），包括最小包围盒（boundingbox）、凸包（convex hull）、外切圆（excir