基于數(shù)字形態(tài)學特征的植物葉片識別技術綜述

熊世明+袁曉洲+樊光瑞

摘 要：對基于數(shù)字形態(tài)學特征的植物葉片識別技術進行了研究。首先闡述了相關文獻的研究結果，然后介紹了幾種特征提取技術并相互進行比較，之后介紹了幾種分類方法，最后得出結論并指出一些方法的不足。

關鍵詞：數(shù)字形態(tài)學特征；植物葉片識別；特征提??；分類方法

DOIDOI：10.11907/rjdk.162174

中圖分類號：TP319

文獻標識碼：A文章編號：1672-7800（2016）012-0168-02

0 引言

植物圖像識別研究能從植物的形狀、顏色、紋理和幼苗識別出種類。只知道植物的2D圖像，分析出花朵和幼苗形狀是很困難的，因為它們是3D結構的。本文主要論述基于數(shù)字形態(tài)學的植物種類識別技術。計算機化的數(shù)字形態(tài)學方法在定量形狀分析、測試和可視化差異上有高效準確、重現(xiàn)性好和統(tǒng)計功能強大的優(yōu)點。植物葉片通常用來進行種類識別，非常適合作為基于數(shù)字形態(tài)學的測量對象。

1 相關研究

植物在地球上地位至關重要，和人類及其它生物關系密切。自動識別植物研究是從植物葉或花的圖像中提取一類特征，然后進行分析識別。Stefen Fiel[1]提出了一種根據(jù)葉片圖像自動識別植物種類的方法：對葉片圖像進行灰度化和規(guī)范化，使用局部特征來避免分割步驟，克服損壞葉片、分割不標準和被遮擋形狀特征帶來的影響。有研究者使用增加一個關鍵點的方法并用一個一對多向量機來進行分類[2]，提出了一種基于數(shù)字形態(tài)學特征的自動識別方法，15個特征用來區(qū)分20種植物。Valliammal和Geethalakxhmi[3]提出了一種結合閾值分割技術和H-maxima轉換技術的新方法來提取葉脈。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轉換技術轉換為像素作為輸出。Zheru Chi[4]等提出了一種利用植物樹皮紋理特征并設計Gabor濾波器組來識別植物種類的方法。紋理建模為許多窄帶信號，根據(jù)中心頻率和振幅的標準化比值來進行區(qū)分。根據(jù)這個紋理模型，能創(chuàng)建一個擁有所有種類植物樹皮紋理的紋理庫，用來區(qū)分不同植物并設計一個等效的Gabor濾波器組。Brendon J.Woodford[5]等使用果實/葉片圖像的小波分析來進行分類，果實/葉片圖像中包含果實和侵害它的昆蟲。

2 特征提取技術

數(shù)字形態(tài)學特征通常包括幾何特征和不變矩特征。幾何特征有長寬比、垂直度、凸面面積比、凸面周長比、球度、圓度、離心率和波形因數(shù)等。Kadir等[6]認為葉片特征分為一般視覺特征和域相關視覺特征。一般視覺特征包含顏色、紋理和形狀；域相關視覺特征包含形狀、凹痕和葉脈。Hossain和Amin[7]進一步提出，形狀特征由幾種形態(tài)學特征組成，分別是離心率、面積、周長、長軸、短軸、等效直徑、凸面面積和周長。Valliammal和Geethalaxmi也提出葉片圖像能基于顏色、紋理、形狀或三者綜合來分類。Shabanzade等[8]使用基于統(tǒng)計矩和直方圖的特征方法來提取葉片的紋理特征，使用這個方法是為了避免丟失一些重要信息例如像素點位置和紋理信息。所有被提取的特征被分到局部描述類中。此外，在圖像轉化為位圖時，使用閾值分割方法。之后提取的信息被分類到全局特征類中，所以葉片特征分為全局特征和局部描述符兩類。表1是幾種特征提取技術比較。

3 分類方法

3.1 概率神經(jīng)網(wǎng)絡

概率神經(jīng)網(wǎng)絡能用來處理分類問題，它擁有一個能自然傾向存儲實驗知識的并行分布處理器。概率神經(jīng)網(wǎng)絡由徑向基函數(shù)網(wǎng)絡派生出來，有輸入層、徑向基層和競爭層。徑向基層計算權重矩陣中的距離，這些距離由徑向基函數(shù)非線性縮放。競爭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練集。神經(jīng)網(wǎng)絡的最大優(yōu)勢是能從可利用數(shù)據(jù)中構建系統(tǒng)模型，概率神經(jīng)網(wǎng)絡訓練速度是BP神經(jīng)網(wǎng)絡的數(shù)倍，它能在某些容易滿足的條件下得到貝葉斯最優(yōu)結果。然而，在識別過程中，隨著訓練集中植物葉片種類的增加，其運算速度會減慢。

3.2 K平均聚類

K平均聚類是用來估計一組K組均值的簡單方法。Biva將K平均聚類引入到葉片圖像分類中。初始時，聚類種子隨機選取。之后計算出每個對象到每個聚類的歐式距離平方，每個對象分配給最近的聚類。對每個聚類都要計算新的質(zhì)心，并用它代替之前的種子值。因此，一個對象到每個聚類的歐式距離平方都是最小值?；谛碌某蓡T分配，聚類質(zhì)心會重新計算，這個過程會一直重復，直到?jīng)]有對象移動到聚類。

3.3 遺傳算法

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

3.4 支持向量機

支持向量機是一個非線性分類器，是一個機器學習工具，也是一個能深度學習數(shù)據(jù)和解決二進制分類問題的強大技術。支持向量機有線性可分和線性不可分兩種情況，采用不同的核函數(shù)會有不同的SVM 算法。支持向量機分類器在解決小樣本、非線性和高維模式識別方面有許多優(yōu)勢，而植物葉片分類識別問題就是一種非線性模式識別問題。

4 結語

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

參考文獻：

[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.

（責任編輯：杜能鋼）