CN102324032A - 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法 - Google Patents

Abstract

本发明提供一种基于极坐标系下灰度共生矩阵的纹理特征提取方法，用于花卉种类的模式识别，包括：步骤一，根据花朵的中心对称和放射性的结构特点，从当前花朵数字图像中划分出包含完整纹理信息的纹理特征环区域；步骤二，通过极坐标系下的灰度共生矩阵对所述纹理特征环区域进行特征提取，获得纹理特征。本发明通过分区域特征提取以及极坐标系下的灰度共生矩阵，使得提取的纹理特征能更准确的描述花朵图像的放射性结构特点，进而能够提高花卉识别的准确率。

Description

一种基于极坐标系下灰度共生矩阵的纹理特征提取方法

技术领域

本发明涉及图像识别技术，特别是涉及一种基于极坐标系下灰度共生矩阵的纹理特征提取方法。

背景技术

植物分类学是植物科学体系的基础学科，在农业、林业以及其他相关产业中起着重要的作用。植物分类学依据植物的多种外观性状特征对其进行鉴别和分类。对于这些性状特征的获得，在传统的方式中往往采用人工实地测量的方式进行作业。根据获得的数据对植物进行鉴别，确定其所属类别。整个工作过程不但耗费较多的人力物力，而且对工作人员的专业知识和经验提出很高的要求。随着信息技术和自动识别理论的发展，数字图像采集设备(如数码相机)的逐渐普及，人们可以很方便地采集植物的数字图像，从而精确地获得其外观特征信息，然后运用数字图像处理技术和模式识别技术对采集到的样本做识别分析，从而使植物分类的自动化程度大大提高。并且通过计算机进行分类识别，使得植物分类的效率和准确率有了显著提高。

花卉品种分类学是植物分类学的一个分支。其分类方法可以分为两种：一种是传统的分类方法，使用描述性的语言对花卉性状进行描述，如将花色表达为红，将抗性表达为强。该方法操作简单，结果直观。另一种是数量分类方法，该方法将花卉的各种性状都用数字表示。并将参加运算的每个形状看成某个多维空间中的一维，将样本看作多维空间中的一个点。然后根据样本点在多维空间中的距离，对其进行分类。该方法较为准确、客观，在使用计算机为工具时，便于实现自动化分类。无论哪一种方法，在分类中使用的形状大多是便于观察的定性型性状(例如花色、重瓣性)和便于测量的定量型性状(例如花瓣数)。

目前的花卉品种分类，一般是通过计算机对花卉的数字图像进行分析得到分类结果，采用的一般为模式识别系统，模式识别系统通常由多个环节组成，一般来说包括信息采集、数据处理、特征提取和选择、分类识别或者类型匹配。模式识别系统的设计的关键之处在于选取适当的模式定义、有代表性的样本集、和样本隶属度较高的特征以及有效的分类器等。根据不同的分类要求和样本数据情况，可能会设计出区别较大的不同的模式识别系统，特别是特征定义部分，由于对象的不同会有较大差异。此外，在分类器的设计部分，为了获得更好的识别率和更可靠的模式识别系统，有时需要加入修正规则对可能产生的误判进行修正，或是通过预处理对一些样本进行预判别，从而缩小识别模式系统在样本空间中的判别区域，以增加判别的成功率。

现有的利用模式识别方法对植物进行分类的技术，主要包括基于叶子特征的和基于花朵特征的分类，基于叶子特征的分类技术举例如下：

1)利用边缘检测算子得到叶子轮廓线，并利用数学形态方法处理，以利于坐标链码的形成，从而进行识别；

2)采用比值(叶长/叶宽)对叶形进行描述，以表明叶片是扁长的还是接近圆形的；

3)对叶片轮廓进行基于椭圆傅立叶谐波函数的变换，并用主成分分析法对特征进行选取，采用规范判别式对最优特征向量进行判别和分类；

4)提取叶片的形状特征，并利用移动中心超球分类器进行分类。形状特征包括8个几何形状特征和7个基于轮廓的特征。如纵横轴比、矩形度、面积凹凸比、周长凹凸比、球形度、球状性、偏心率和形状参数等。移动中心超球分类器通过多个特征空间中的超球去表征一类样本点在特征空间的分布。

基于花朵特征的分类技术举例如下：

1)使用带有人工交互的方法获得花朵的外轮廓，然后定义了基于轮廓的形状特征如圆率、向心度、花瓣数、宽高比率等。再加上六个颜色特征：主要颜色的色度、饱和度及其所占的百分比，次要颜色的色度、饱和度及其所占的百分比。共使用十个特征对30类花卉进行识别，并使用一个分段线形函数作为分类器，能够达到91％的识别准确率。

2)使用植物花粉的花卉识别算法。如赵先贵等对花粉的轮廓、结构和纹理三方面特征进行了提取。首先通过高斯滤波对图片进行去噪，然后用二值化方法处理，再进行边界跟踪，从而获得花粉区域的周长、面积、区域圆度等特征。通过计算花粉区域内部的沟孔数来表达其结构。并用灰度共生矩阵方法提取其纹理特征。

综上，模式识别系统的设计的关键之处在于选取适当的模式定义、有代表性的样本集、和样本隶属度较高的特征以及有效的分类器等。从以上技术来看，虽然模式识别方法在植物分类领域已经有了一定的应用，取得了一些成果，但是仍然存在着以下问题：

所采用的特征提取技术仅仅是针对颜色、形状等通常特征，没有能够针对花卉花朵的植物学特征进行深入分析，没有从植物学的专业角度来进行指导，因此提取的特征没能考虑花朵的生物学生长特点，不适于描述放射状生长的花朵纹理特征，使的提取的特征应用到花卉的模式识别后造成花卉识别的准确率不高。

发明内容

本发明的目的是提供一种基于极坐标系下灰度共生矩阵的纹理特征提取方法，通过分区域特征提取以及极坐标系下的灰度共生矩阵，使得提取的纹理特征能更准确的描述花朵图像的放射性结构特点，进而能够提高花卉识别的准确率。

为了实现上述目的，本发明提供了一种基于极坐标系下灰度共生矩阵的纹理特征提取方法，用于花卉种类的模式识别，包括：

步骤一，根据花朵的中心对称和放射性的结构特点，从当前花朵数字图像中划分出包含完整纹理信息的纹理特征环区域；

步骤二，通过极坐标系下的灰度共生矩阵对所述纹理特征环区域的灰度图和梯度图分别进行特征提取，获得纹理特征。

优选地，上述的方法中，所述纹理特征包括：对比度特征、能量特征以及同质性特征。

优选地，上述的方法中，所述步骤一包括：

对花卉图像进行分割，获得花朵图像区域；

对所述花朵图像区域的像素坐标求均值，计算出所述花朵图像区域的区域中心；

通过计算所述花朵图像区域中的各像素与所述区域中心的最大距离，得到花朵区域边缘离所述区域中心的最大距离r；

将与所述区域中心的距离为1/3r至2/3r之间的所有点定义为所述纹理特征环区域。

优选地，上述的方法中，所述步骤二中，

所述极坐标系以所述区域中心为极点，所述灰度共生矩阵中第i行第j列的元素值P(i，j)为：

$P(i,j)=\underset{0}{\overset{360}{\∫}}{p}_{\mathrm{\θ}}\mathrm{d\θ}$

其中，θ为所述极坐标系的角度坐标，P_θ为符合预定条件的点对的数目，所述预定条件为：所述点对的两点之间的距离为d，方向为θ。

优选地，上述的方法中，

所述对比度特征的提取方式为：

I＝∑_i∑_j(i-j)²P(i，j)

其中，I代表对比度，用于反映图像的清晰程度；

所述能量特征的提取方式为：

E＝∑_i∑_j[P(i，j)]²

其中，E代表能量，用于反映图像中灰度分布的均匀性；

所述同质性特征的提取方式为：

$C=({\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\mathrm{ijP}(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y)/{\mathrm{\δ}}_x^2{\mathrm{\δ}}_y^2$

其中，C代表同质性，用于衡量灰度共生矩阵的元素在行方向或列方向上的相似程度；μ_x、μ_y是均值，

为方差。

优选地，上述的方法中，还包括：

通过轮廓跟踪算法找出所述花朵图像区域中花朵的所有边缘点；

利用所述区域中心和所述边缘点，计算出边缘轮廓点个数的特征，以及边缘轮廓点到中心点的距离之和的特征；

计算所述花朵图像区域的连通成分个数，获得连通成分个数的特征；

计算所述花朵图像区域的颜色特征。

优选地，上述的方法中，还包括：

对所述边缘轮廓点个数的特征、边缘轮廓点到中心点的距离之和的特征、连通成分个数的特征、颜色特征、对比度特征、能量特征以及同质性特征进行归一化处理，获得所述当前花朵数字图像的图像特征向量。

为了更好的实现上述目的，本发明还提供了一种基于极坐标系下灰度共生矩阵的纹理特征提取装置，用于花卉种类的模式识别，其包括：

预处理模块，用于：根据花朵的中心对称和放射性的结构特点，从当前花朵数字图像中划分出包含完整纹理信息的纹理特征环区域；

纹理特征提取模块，用于：通过极坐标系下的灰度共生矩阵对所述纹理特征环区域进行特征提取，获得纹理特征。

优选地，上述的装置中，所述纹理特征包括：对比度特征、能量特征以及同质性特征。

优选地，上述的装置中，还包括：

连通特征提取模块，用于：提取连通成分个数的特征；

颜色特征提取模块，用于：提取颜色特征；

形状特征提取模块，用于：提取边缘轮廓点个数的特征、边缘轮廓点到中心点的距离之和的特征；

归一化处理模块，用于：对所述边缘轮廓点个数的特征、边缘轮廓点到中心点的距离之和的特征、连通成分个数的特征、颜色特征、对比度特征、能量特征以及同质性特征进行归一化处理，获得所述当前花朵数字图像的图像特征向量。

本发明实施例至少存在以下技术效果：

1)本发明实施例中，主要通过分区域特征提取以及极坐标系下的灰度共生矩阵，使得提取的纹理特征能更准确的描述花朵图像的放射性结构特点，进而能够提高花卉识别的准确率。

2)本发明实施例中，因为B环区域(也就是纹理特征环区域)不但排除了花朵边缘的缝隙影响，而且是花瓣最为饱满、特征最为突出的部分，而且是环形区域，更为适应放射性的花朵的植物学特征表达，所以B环区域提取的特征，最能表达花朵的纹理特点，因此更为有利于花朵的准确识别。

3)本发明实施例中，提出极坐标系下的灰度共生矩阵，其以花朵区域中心为极点，可以反映360度的纹理变化，从而更适应从环形的区域(也就是纹理特征环区域)提取特征，从而解决仅反映单一方向上纹理变化的传统灰度共生矩阵不适应360度环形的问题，从而可以更好的反映向心对称的放射状花朵纹理，使提取的特征在用到模式识别系统时能更准确的判断花卉种类。

附图说明

图1为本发明实施例提供的方法的步骤流程图；

图2传统的灰度共生矩阵所反应的单一方向上的纹理变化的示意图；

图3为本发明实施例提供的训练库与测试库分别提取特征集的流程图；

图4为本发明实施例提供的特征提取装置的结构图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对具体实施例进行详细描述。

图1为本发明实施例提供的方法的步骤流程图，如图1所示，基于极坐标系下灰度共生矩阵的纹理特征提取方法，包括：

步骤101，根据花朵的中心对称和放射性的结构特点，从当前花朵数字图像中划分出包含完整纹理信息的纹理特征环区域；

步骤102，通过极坐标系下的灰度共生矩阵对所述纹理特征环区域进行特征提取，获得纹理特征。

其中，纹理特征不依赖于颜色或整体亮度变化，并反映了图像灰度空间分布的规律。它可以反映物体表面的微观构造，不同物体具有不同的纹理。

步骤102中获得的纹理特征包括：对比度特征，用于反映图像的清晰程度；能量特征，用于反映图像中灰度分布的均匀性；同质性特征，用于衡量灰度共生矩阵的元素在行方向或列方向上的相似程度。

本发明实施例中，主要通过分区域特征提取以及极坐标系下的灰度共生矩阵，使得提取的纹理特征能更准确的描述花朵图像的放射性结构特点，进而能够提高花卉识别的准确率。

一、分区域特征提取。

花瓣是花朵最主要的组成部分之一，花瓣的形状和分布是花朵重要的特征，不同种类花卉的花瓣形状和分布往往有显著的区别。花朵图像的纹理特征则反映了花瓣、花瓣纹饰及边缘的分布特征，是进行花卉种类识别的重要基础。本发明实施例从花朵图像中分割出包含较完整纹理信息的特征环区域，并对该区域的灰度图和梯度图的纹理特征进行分析和提取。

分割过程包括：计算花朵区域中像素坐标的均值，即可得到区域中心(Cx，Cy)，并通过计算花朵区域中各像素与该中心的最大距离，得到花朵区域边缘离中心的最大距离r。本发明实施例将图像上距离中心(5/6r，r)之间的所有点定义为A环区域，将距离中心(1/3r，2/3r)之间的所有点定义为B环区域。

由于花朵的B环区域往往包含较为完整的纹理信息，因此本发明实施例计算B环区域(也就是纹理特征环区域)内像素的灰度共生矩阵提取其纹理特征。

因为B环区域(也就是纹理特征环区域)，不但排除了花朵边缘的缝隙影响，而且是花瓣最为饱满、特征最为突出的部分，而且是环形区域，更为适应放射性的花朵的植物学特征表达，所以B环区域(也就是纹理特征环区域)所提取的特征，最能表达花朵的纹理特点，因此更为有利于花朵的准确识别。

当然，B环区域定义为(1/3r，2/3r)仅仅是一个实施例，在范围上可以微小调整，例如(2/7r，5/7r)，关键是排除花朵边缘的花瓣缝隙和特征不突出的花朵中心，因此(1/3r，2/3r)不应成为本发明的限制。

二、极坐标下的灰度共生矩阵。

由于花朵的B环区域往往包含较为完整的纹理信息，因此本发明实施例计算B环区域内像素的灰度共生矩阵提取其纹理特征。但是传统的灰度共生矩阵只反应单一方向上的纹理变化，并不适用于常见花朵的放射状中心对称图案。因此本发明实施例改进了传统方法，定义了极坐标下的灰度共生矩阵来提取B环区域的花朵纹理特征。

首先介绍传统灰度共生矩阵：

灰度共生矩阵是一种带有普遍性的纹理分析方法，即空间灰度共生矩阵法(Spatial Gary Level Co-Occurrence Matrix Method)。此方法首先对图像空间灰度分布作统计，得到图像的共生矩阵，然后通过定义在共生矩阵上的14个纹理特征值进行计算，得到图像纹理描述。由于共生矩阵模型方法能够不受分析对象的制约，很好地反映图像的空间灰度分布情况，真正做到反映图像的纹理特征，所以被广泛应用。

灰度共生矩阵是一个n*n矩阵。其中，n是被量化后的图像灰度级数目。例如本发明实施例可以用如下方法将取值范围0-255的灰度级量化到0-7：

$\mathrm{Ng}=\left\{\begin{array}{ccc}0& \mathrm{if}& g\∈\left[\mathrm{0,31}\right]\\ 1& \mathrm{if}& g\∈\left[\mathrm{32,63}\right]\\ 2& \mathrm{if}& g\∈\left[\mathrm{64,95}\right]\\ 3& \mathrm{if}& g\∈\left[\mathrm{96,127}\right]\\ 4& \mathrm{if}& g\∈\left[\mathrm{128,159}\right]\\ 5& \mathrm{if}& g\∈\left[\mathrm{160,191}\right]\\ 6& \mathrm{if}& g\∈\left[\mathrm{192,223}\right]\\ 7& \mathrm{if}& g\∈\left[\mathrm{224,255}\right]\end{array}\right.---(2-1)$

其中，g表示原始灰度级，Ng表示量化后的灰度级。灰度共生矩阵中的元素取值方式如下：统计图像中符合下列条件的点对的数目p：该点对的二点的距离为d，方向为θ(即两点连线与x轴的夹角)，其量化的灰度级分别为i和j。则p就是灰度共生矩阵中第i行和第j列的元素值。d和θ需要被初始化，在计算过程中不变。

然而传统的灰度共生矩阵具有方向性，仅仅统计确定方向θ上的点对，反应单一方向上的纹理变化。对于如图2所示纹理，如果设定其灰度共生矩阵的方向为90度，则会得到一个全零矩阵，因为其垂直方向上的纹理没有变化。如果是其他方向，则会得到非零矩阵，其中水平方向上的变化最剧烈。

对于向心对称的放射状花朵纹理，直角坐标系下的任何一个方向都不能很好的反应其纹理变化。因此本发明实施例提出了以花朵区域中心为极点的极坐标系下的灰度共生矩阵。

与传统的灰度共生矩阵一样，极坐标下的灰度共生矩阵也是一个n*n的矩阵，其中n是被量化后的图像灰度级数目，量化方法和前文所述的传统灰度共生矩阵相同，但是其元素取值方式与传统灰度共生矩阵有所不同：从给定的极坐标系的极点出发，对角度坐标为θ的像素进行采样，符合下列条件的点对的数目P_θ：该点对的二点的距离为d，其量化的灰度级分别为i和j。则

$P(i,j)=\underset{0}{\overset{360}{\∫}}{p}_{\mathrm{\θ}}\mathrm{d\θ}---(2-2)$

即为灰度共生矩阵中第i行和第j列的元素值。

本发明实施例定义花朵区域中心(Cx，Cy)为极坐标系极点，水平向右方向为0度，逆时针方向为正。计算给定花朵区域的灰度共生矩阵时，用离散求和代替积分，计算θ＝1，2，3，...360度时，区域内间隔为1、量化灰度级分别为i和j的点对个数的总和即为矩阵第i行和第j列的元素值(如公式2-3所示)。

$P^{\′}=\underset{l=1}{\overset{360}{\mathrm{\Σ}}}{p}_l---(2-3)$

其中，1为整数，P_l为θ＝1时，给定花朵区域内间隔为1、量化灰度级分别为i和j的点对个数。

这里，本发明实施例将灰度级数设为8，可得8*8灰度共生矩阵。使用上文所述的基于极坐标系的灰度共生矩阵算法，分别对B环区域的灰度图原图和经过sobel算子计算的梯度图进行了计算。梯度算子反映了图像的灰度变化情况，是用来进行边缘检测的，所谓边缘，就是图像中灰度变化最剧烈的地方。也就是说，使用灰度图进行纹理特征进行提取，反映了花瓣纹饰的分布特征以及花瓣的分布特征。而使用梯度图提取的是灰度变化最剧烈的部分的纹理特征，反映了花瓣纹饰区域边缘和花瓣边缘的分布。本发明实施例从原图的灰度图和梯度图中获得了两个灰度共生矩阵GLCM1、GLCM2。其中，本发明实施例使用了3×3大小的sobel算子进行梯度图的计算。在获得灰度共生矩阵后，分别对两个灰度共生矩阵提取其能量、对比度、相关性。这些特征在不同方面反映了花瓣的分布特征。其中能量、对比度、相关性计算公式如下，其中，P(i，j)为灰度共生矩阵中第i行j列元素的值：

(1)能量

E＝∑_i∑_j[P(i，j)]²    (2-4)

能量反映了图像灰度分布的均匀性，当共生矩阵的元素在主对角线上比较集中时，说明图像灰度的分布比较均匀。直观的，当图像具有较粗的纹理时，能量较大；当图像纹理比较细微时，能量较小。

(2)对比度

I＝∑_i∑_j(i-j)²P(i，j)    (2-5)

对比度反映了图像的清晰程度，也反映纹理清晰程度。对比度越大，图像越清晰，图像中的纹理越深。

(3)相关性

$C=({\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\mathrm{ijP}(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y)/{\mathrm{\δ}}_x^2{\mathrm{\δ}}_y^2---(2-6)$

相关性是用来衡量灰度共生矩阵的元素在行方向或列方向上的相似程度。其中，μ_x、μ_y是均值，为方差。

由上可知，本发明实施例提出极坐标系下的灰度共生矩阵，其以花朵区域中心为极点，可以反映360度的纹理变化，从而更适应从环形的区域(也就是纹理特征环区域)提取特征，从而解决仅反映单一方向上纹理变化的传统灰度共生矩阵不适应360度环形的问题，从而可以更好的反映向心对称的放射状花朵纹理，使提取的特征在用到模式识别系统时能更准确的判断花卉种类。

此外，除了纹理特征外，本发明还进行了连通特征、颜色特征、以及形状特征的提取，并且将提取的特征进行了归一化处理。以下对此进行分别介绍。

三、颜色特征提取。

颜色特征是花朵最显著的特征之一，也是图像识别领域常见的一种特征。因为颜色特征往往与对象的种类有重要的联系。颜色特征的计算通常相对简单，并具有和图像的尺寸、方向无关的特性。适合作为模式识别所依据的特征。本发明实施例所采集的数字图像使用的是RGB(红、绿、蓝)颜色空间。RGB色彩空间无法将亮度信息和颜色信息分开，而在HSV(色彩，纯度，明度)空间中亮度信息和颜色信息是彼此独立的。也就是说在HSV空间中对颜色值的采样不受亮度影响，因此本发明实施例将RGB颜色空间转换为HSV色彩空间。

为了能够对颜色进行统计，本发明实施例首先将HS空间划分成大小相同的单元，然后根据给定花朵图像区域中的各像素的H、S值确定其所在单元，其中包含最多像素的单元的坐标值代表了该花朵区域的主颜色成分特征。主颜色成分所占像素的个数与整个花朵区域中像素个数的比值也作为特征。用同样方法，找到包含次多像素的单元的坐标值作为另外两个特征。

经过实验，发现不同样本的颜色在色度环上的分布非常接近。本发明实施例实验所使用的两个实验样本库包含的花卉种类分别达到50种和78种，颜色相近的花卉种类较多，12*6的HS空间划分不足以区分颜色相近的花卉种类样本，所以本发明实施例选择了3600*10的HS空间，将色度H划分为3600等分，将S划分为10等分。如果本发明实施例将HS空间划分成更多的单元，它就可以区分更多的颜色，但是计算量会增加。本发明实施例所采用的HS空间能够有效区分样本颜色，并有较快的计算速度。

四、连通特征提取。

花瓣个数是花朵比较稳定的一个性状，是区分花卉种类的重要特征，不同种类的花朵往往具有不同的花瓣个数。但是对于花瓣顶端彼此相连的花朵，很难计算其花瓣个数。连通成分特征反映了花朵花瓣顶端之间是否相连，当不相连时反映花朵花瓣个数，是识别花卉种类的重要特征。

计算分割出来的花朵区域中像素坐标的均值即可得到区域中心(Cx，Cy)，并通过计算花朵区域中各像素与该中心的最大距离，得到花朵区域边缘离中心的最大距离r。本发明实施例将距离中心(5/6r，r)之间的所有点定义为特征环A区域，将距离中心(1/3r，2/3r)之间的所有点定义为特征环B区域，然后分别对两个区域进行特征提取。

当花瓣边缘不相连的时候，特征环A中会出现彼此不相连的花瓣顶端区域，因此本发明实施例对A环区域提取连通成分个数，对应A环区域的花瓣分布情况。将花朵区域像素视作前景，非花朵区域像素视作背景，计算图像中的四连通成分数，即为连通成分个数，作为连通成分特征。当花瓣顶端彼此不相连的时候，该特征反映花瓣个数。而当花瓣彼此相连时，该特征值为1。

五、多特征融合与归一化处理

以上各小节所定义的特征分别反映了花朵不同方面的信息，为了综合这些信息进行有效的样本种类识别，需要进行多特征融合。而由于各个特征的定义和计算方式不同，它们的取值范围也就不同，不具备直接可比性，因此需要对其进行统一的归一化处理。

多特征融合：

多特征融合就是综合包括颜色、纹理、形状等特征，将每一个特征作为特征向量中的一维，计算出一个综合了多种特征的特征向量。本小节主要研究在将上述特征进行多特征融合的方法，并验证其有效性。

(三)节中得到花卉图像中主、次颜色成分的H、S区间值及其所占百分比等颜色特征；(二)节中得到基于花卉灰度图像和梯度图像的基于极坐标的灰度共生矩阵，并用该矩阵提取了花卉图像的纹理特征；在形状特征提取中可以得到圆度、尖锐度和周长面积比三个特征的特征值；(四)节中得到了花卉外环的连通成分特征。以上特征组成了一个多特征向量，作为图像的底层视觉特征。

图像特征归一化方法：

由于不同的特征的物理意义不同，它们的取值范围也就不同，所以不具备直接可比性。为此，得出的特征向量在输入SVM(支持向量机)中进行训练之前，必须对其进行归一化。特征向量内部的各分量代表了不同的意义，内部归一化的目的是使特征向量内部各分量在分类器中地位相同。而训练库特征与测试库特征归一化的目的是把训练库和特征库的特征归一化到同一区间。内部归一化的常见方法可以分为普通归一化、均匀分布归一化和高斯归一化。本发明实施例采用的方法是普通归一化。

设一个N维的特征向量为F＝[f₁，f₂，...，f_N]。用I₁，I₂，...，I_M代表图像库中的M幅图像，则对于图像库中的任意一幅图像I_i，其对应的特征向量为

这样，对于图像库中的M幅图像，就可以得到一个M×N的特征矩阵F＝f_i，j，其中f_i，j是F_i的第j个特征元素。特征矩阵F的每一列是维数为M的特征序列

表示图像库中所有图像的特征向量的第j个特征分量。

取特征向量中的第i个特征的特征序列中的最大值为maxf_i，最小值为minf_i，那么对向量F中的每一个分量f_i通过以下公式进行归一化：

$f_i=\frac{f_i-{\min f}_i}{{\max f}_i-\min f_i}---(2-9)$

在试验中，图像库分为训练库与测试库，分别提取其特征集。图3为训练库与测试库分别提取特征集的流程图，如图3所示，为了实现高效的分类识别，训练库和测试库的特征集都要进行统一的归一化处理。但是在实际应用中，测试集是不可能预知的，因此本发明实施例首先对训练集进行归一化处理，并存储归一化过程中计算的最大特征值和最小特征值序列，作为归一化参数。当需要对某个测试样本或测试集进行分类识别时，用归一化参数对其进行归一化处理。这样就能够解决实际应用中拍摄的新样本的特征归一化问题。

此外，本发明实施例还提供了一种基于极坐标系下灰度共生矩阵的纹理特征提取装置，用于花卉种类的模式识别，图4为特征提取装置的结构图，如图4所示，其包括：

预处理模块401，用于：根据花朵的中心对称和放射性的结构特点，从当前花朵数字图像中划分出包含完整纹理信息的纹理特征环区域；

纹理特征提取模块402，用于：通过极坐标系下的灰度共生矩阵对所述纹理特征环区域进行特征提取，获得纹理特征。所述纹理特征包括：对比度特征、能量特征以及同质性特征。

此外，特征提取装置还可以包括：

连通特征提取模块403，用于：提取连通成分个数的特征；

颜色特征提取模块404，用于：提取颜色特征；

形状特征提取模块405，用于：提取边缘轮廓点个数的特征、边缘轮廓点到中心点的距离之和的特征。

归一化处理模块406，用于：对所述边缘轮廓点个数的特征、边缘轮廓点到中心点的距离之和的特征、连通成分个数的特征、颜色特征、对比度特征、能量特征以及同质性特征进行归一化处理，获得所述当前花朵数字图像的图像特征向量。

特征提取是模式识别中重要的部分，特征提取的好坏直接决定了识别效果的好坏。因此特征提取装置也是模式识别系统中重要的装置，该特征提取装置的功能是对输入的图像数据进行特征提取。包括分别对花卉图像的颜色、纹理、形状等方面进行特征提取，并将每次的提取结果存储在一个大小为13的double类型的数组中。特征提取装置在建立训练样本特征库和提取测试样本特征向量时都会被调用。

特征提取装置提取出的一个特征向量存储在数组F中。数组中的每个元素对应一个特征，其对应关系如下：F[0]：外特征环连通成分个数；F[1]-F[5]：颜色特征；F[6]：边缘轮廓点个数/边缘轮廓点到中心点的距离之和；F[7]-F[12]：纹理特征。

特征提取装置的主要步骤为：

Step1首先对输入图像依次进行灰度化和二值化处理；

Step2通过对花朵图像区域的像素坐标求均值计算花朵区域的重心，并用轮廓跟踪算法找出花朵的所有边缘点，将其坐标对依次存入一个链表结构中；

Step3利用step2中得到的中心点和边缘点的坐标数据，即可计算出特征F[6]；

Step4计算二值图的外特征环的连通成分个数，即F[0]；

Step5计算花朵区域的颜色特征(统计HS空间分布，计算特征F1-F5)；

Step6计算灰度共生矩阵，然后从中计算特征对比度F[7]，能量F[8]，同质性F[9]；

Step7调用Sobe1算子对原灰度图进行处理，然后调用Step6中的算法提取经过Sobe1算子计算后的灰度图的纹理特征F[10]、F[11]、F[12]。

由上可知，本发明实施例具有以下优势：

1)本发明实施例中，主要通过分区域特征提取以及极坐标系下的灰度共生矩阵，使得提取的纹理特征能更准确的描述花朵图像的放射性结构特点，进而能够提高花卉识别的准确率。

2)本发明实施例中，因为B环区域(也就是纹理特征环区域)不但排除了花朵边缘的缝隙影响，而且是花瓣最为饱满、特征最为突出的部分，而且是环形区域，更为适应放射性的花朵的植物学特征表达，所以B环区域提取的特征，最能表达花朵的纹理特点，因此更为有利于花朵的准确识别。

3)本发明实施例中，提出极坐标系下的灰度共生矩阵，其以花朵区域中心为极点，可以反映360度的纹理变化，从而更适应从环形的区域(也就是纹理特征环区域)提取特征，从而解决仅反映单一方向上纹理变化的传统灰度共生矩阵不适应360度环形的问题，从而可以更好的反映向心对称的放射状花朵纹理，使提取的特征在用到模式识别系统时能更准确的判断花卉种类。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于极坐标系下灰度共生矩阵的纹理特征提取方法，用于花卉种类的模式识别，其特征在于，包括：

步骤一，根据花朵的中心对称和放射性的结构特点，从当前花朵数字图像中划分出包含完整纹理信息的纹理特征环区域；

步骤二，通过极坐标系下的灰度共生矩阵对所述纹理特征环区域进行特征提取，获得纹理特征。

2.根据权利要求1所述的纹理特征提取方法，其特征在于，所述纹理特征包括：对比度特征、能量特征以及同质性特征。

3.根据权利要求2所述的纹理特征提取方法，其特征在于，所述步骤一包括：

对花卉图像进行分割，获得花卉图像区域；

对所述花朵图像区域的像素坐标求均值，计算出所述花朵图像区域的区域中心；

通过计算所述花朵图像区域中的各像素与所述区域中心的最大距离，得到花朵区域边缘离所述区域中心的最大距离r；

将与所述区域中心的距离为1/3r至2/3r之间的所有点定义为所述纹理特征环区域。

4.根据权利要求3所述的纹理特征提取方法，其特征在于，所述步骤二中，

所述极坐标系以所述区域中心为极点，水平向右方向为0度，逆时针方向为正，所述灰度共生矩阵中第i行第j列的元素值P(i，j)为：

$P(i,j)=\underset{0}{\overset{360}{\∫}}{p}_{\mathrm{\θ}}\mathrm{d\θ}$

其中，θ为所述极坐标系的角度坐标，P_θ为符合预定条件的点对的数目，所述预定条件为：所述点对的两点之间的距离为d，方向为θ。

5.根据权利要求4所述的纹理特征提取方法，其特征在于，

所述对比度特征的提取方式为：

I＝∑_i∑_j(i-j)²P(i，j)

其中，I代表对比度，用于反映图像的清晰程度；

所述能量特征的提取方式为：

E＝∑_i∑_j[P(i，j)]²

其中，E代表能量，用于反映图像中灰度分布的均匀性；

所述同质性特征的提取方式为：

$C=({\mathrm{\Σ}}_i{\mathrm{\Σ}}_j\mathrm{ijP}(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y)/{\mathrm{\δ}}_x^2{\mathrm{\δ}}_y^2$

其中，C代表同质性，用于衡量灰度共生矩阵的元素在行方向或列方向上的相似程度；μ_x、μ_y是均值，

为方差。

6.根据权利要求3-5中任意一项所述的纹理特征提取方法，其特征在于，还包括：

通过轮廓跟踪算法找出所述花朵图像区域中花朵的所有边缘点；

利用所述区域中心和所适边缘点，计算出边缘轮廓点个数的特征，以及边缘轮廓点到中心点的距离之和的特征；

计算所述花朵图像区域的连通成分个数，获得连通成分个数的特征；

计算所述花朵图像区域的颜色特征。

7.根据权利要求6所述的纹理特征提取方法，其特征在于，还包括：

对所述边缘轮廓点个数的特征、边缘轮廓点到中心点的距离之和的特征、连通成分个数的特征、颜色特征、对比度特征、能量特征以及同质性特征进行归一化处理，获得所述当前花朵数字图像的图像特征向量。

8.一种基于极坐标系下灰度共生矩阵的纹理特征提取装置，用于花卉种类的模式识别，其特征在于，包括：

预处理模块，用于：根据花朵的中心对称和放射性的结构特点，从当前花朵数字图像中划分出包含完整纹理信息的纹理特征环区域；

纹理特征提取模块，用于：通过极坐标系下的灰度共生矩阵对所述纹理特征环区域进行特征提取，获得纹理特征。

9.根据权利要求8所述的纹理特征提取装置，其特征在于，所述纹理特征包括：对比度特征、能量特征以及同质性特征。

10.根据权利要求9所述的纹理特征提取装置，其特征在于，还包括：

连通特征提取模块，用于：提取连通成分个数的特征；

颜色特征提取模块，用于：提取颜色特征；

形状特征提取模块，用于：提取边缘轮廓点个数的特征、边缘轮廓点到中心点的距离之和的特征；

归一化处理模块，用于：对所述边缘轮廓点个数的特征、边缘轮廓点到中心点的距离之和的特征、连通成分个数的特征、颜色特征、对比度特征、能量特征以及同质性特征进行归一化处理，获得所述当前花朵数字图像的图像特征向量。

Images