CN103824083A - 基于叶片完备局部二值特征的Web在线物种识别方法 - Google Patents
基于叶片完备局部二值特征的Web在线物种识别方法 Download PDFInfo
- Publication number
- CN103824083A CN103824083A CN201410065251.8A CN201410065251A CN103824083A CN 103824083 A CN103824083 A CN 103824083A CN 201410065251 A CN201410065251 A CN 201410065251A CN 103824083 A CN103824083 A CN 103824083A
- Authority
- CN
- China
- Prior art keywords
- species
- complete local
- leaf image
- blade
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于叶片完备局部二值特征的Web在线物种识别方法,包括以下步骤:1)浏览器通过上传接口将叶片图像、交互操作信息上传给Web服务器;2)Web服务器获取叶片图像,并对叶片图像进行图像预处理;3)采用新的完备局部二值模式提取叶片图像新的完备局部二值纹理特征;4)以提取出的新的完备局部二值纹理特征作为SVM分类器的输入,对叶片图像进行识别,获得该叶片图像对应的物种分类编号;5)Web服务器向浏览器反馈物种分类编号及相应的物种信息。与现有技术相比,本发明具有准确率高、方便快捷等优点。
Description
技术领域
本发明涉及一种植物识别方法,尤其是涉及一种基于叶片完备局部二值特征的Web在线物种识别方法。
背景技术
植物分类是通过对各个物种间的比较,可以将各种各样的植物进行鉴定、分群归类、命名排列起来,方便人们对植物的认识、了解。传统的植物分类学研究一般对采集的标本需要人工测量、获得数据,综合植物的外部特征,通过人们的经验常识进行分类,这种方法工作量巨大,并且主观性较强,导致识别错误的可能性大。同样,就地球上有人类记载的有花植物就有约25万种,如此庞大的植物种类,单单的一两个植物学家是不可能知道所有的物种名称的,这对于植物分类的研究带来了极大的困难。
随着模式识别技术和图像处理技术的快速发展,使得利用计算机辅助方式进行植物物种识别成为可能。目前,基于计算机的物种识别技术只要提供有效的物种特征,就有可能实现自动、高效和精确的特征提取和识别分类。并且很多研究已经取得初步的成效,其中特征选取大部分是采用植物叶片分析获得的。在国内,张全法等人提出利用CCD测量植物叶片面积获得叶片特征信息的方法,但是该系统只适合于用单张叶片在特定背景下进行识别,对于自然背景下的叶片不能处理。王晓峰等提出了一种基于多光谱的植物叶片数字信息采集与自动识别系统及其识别方法,但是不能对复杂背景下的叶片进行处理识别。而国外,Peter Belhumeur和DavidJacobs开发了识别植物叶片的移动客户端应用程序。Guyey通过精确定位叶片图像轮廓上的点得到的植物叶片形状特征,并提取17种叶片图像的外形特征作为分类器的输入数据实现40种植物物种的可视化识别;
经调研发现,(1)以上识别方法大多是基于叶片的形状特征实现的,并且外形有时会差别很大,造成很大识别误差,纹理特征就能很好的客服这一缺陷并且纹理的识别应用还很少。(2)传统的识别均是基于嵌入式或者C/S的架构模式的识别系统,需要手持设备,或者安装程序。(3)以上研究工作的对象大都局限于某一特定领域的几种或者少量种类植物,未能普及应用。而且由于自身的缺陷不是很方便快捷,代价比较大。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确率高、方便快捷的基于叶片完备局部二值特征的Web在线物种识别方法。
本发明的目的可以通过以下技术方案来实现:
一种基于叶片完备局部二值特征的Web在线物种识别方法,包括以下步骤:
1)浏览器通过上传接口将叶片图像、交互操作信息上传给Web服务器;
2)Web服务器获取叶片图像,并对叶片图像进行图像预处理:
3)采用新的完备局部二值模式提取叶片图像的新的完备局部二值纹理特征,所述的新的完备局部二值模式具体为:
3a)对叶片图像进行分块处理:
3b)对叶片图像的每一块,遍历3*3或5*5的区域,以原中心点加上周围半径为l的8个邻居作为新中心点,对新中心点的每个像素计算完备局部二值特征或局部二值计数特征,得到新的完备二值特征;
3c)最后统计所有块得到叶片图像最终的特征表达向量:
4)以提取出的完备局部二值纹理特征作为SVM分类器的输入,对叶片图像进行识别,获得该叶片图像对应的物种分类编号:
5)Web服务器向浏览器反馈物种分类编号及相应的物种信息。
步骤1)中,所述的交互操作信息包括图像大小调整、算子参数设定。
步骤2)中,所述的图像预处理包括灰度化、大小校正和边缘补充处理。
步骤3b)具体为:
采用传统完备局部二值模式对新中心点的中心像素分别计算符号部分S、数值部分M、中心部分C,对新中心点上的8个周围像素计算局部二值计数特征LBC,将计算获得的8个LBC求和得到新的特征为L,融合S、M、C、L得到SMC_L或者SM_C_L为最终的识别特征。
所述的对叶片图像进行分块处理时,首先将叶片图像划分成49块,然后经过高斯模糊计算后划分为59块。
步骤4)中,所述的SVM分类器的训练过程具体为:
4a)获取多个植物物种的叶片图像,对于每一个植物物种,均采集多张不同角度、不同光照、不同生长过程的叶片图像;
4b)对所有待训练的植物物种的叶片图像进行预处理和新的完备局部二值纹理特征提取;
4c)分别对每个植物物种设置物种标签,以所有新的完备局部二值纹理特征表达向量和物种标签作为SVM的输入进行训练;
4d)获得训练好的SVM分类器。
所述的Web服务器中设有用于存储物种信息的叶片信息数据库。
所述的物种信息包括植物的花、果实、种子信息以及科普信息。
与现有技术相比,本发明的有益效果为:本发明采用基于CI(Codelgniter)框架的B/S交互式图片识别和处理系统,不再需要手持设备或者安装程序,只需要通过浏览器交互便可实现叶片图像处理、自动识别叶片图像所属的植物物种并提供物种信息资料等各种功能,实现了数据操作和视图设计分离,系统设计更加规范,易于维护。通过上传的叶片图像,即可高效率高准确率地识别出植物的物种类别,出可从数据库中检索出该物种相关的各种资料信息。本发明采用的新的完备局部二值模式,具有较高的识别率,在一些专用的研究数据库上都有很好的识别效果,而且对光照、旋转不变性都有很好的鲁棒性。
具体实施方式
下面结合具体实施例对本发明进行详细说明。本实施例以本发明技术万菜为丽提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于叶片完备局部二值特征的Web在线物种识别方法,该方法应用于B/S架构的交互式系统中,系统主要是基于浏览器/服务器模式的卡发系统,并且系统功能模块统一在CI(CodeIgniter)框架下实现。Web服务器端需要安装配置好Web在线识别网站,同时配置叶片信息数据库。该识别方法具体包括以下步骤:
1)通过浏览器将植物叶片图像上传至Web服务器,并在浏览器中进行交互操作如图像大小调整、算子参数设定等,将所需要的信息一并提供给服务器。
2)Web服务器获取叶片图像,并对叶片图像进行图像预处理,包括灰度化、大小校正和边缘补充处理等。
3)采用新的完备局部二值模式提取叶片图像新的完备局部二值纹理特征,所述的新的完备局部二值模式具体为:
A)对叶片图像进行分块处理,首先将叶片图像划分成49块,然后经过高斯模糊计算后划分为59块:
B)对叶片图像的每一块,遍历3*3或5*5的区域,以原中心点加上周围半径为1的8个邻居作为新的中心点,这样中心就有9个像素点,对中心点的每个像素计算完备局部二值特征或者局部二值计数特征,统计得到新的完备二值特征直方图,具体过程为:
对中心点的中心像素计算S、M、C,这点和传统的完备二值模式一致,对新中心点的周围8个像素计算局部二值计数特征LBC,将计算获得的8个LBC求和得到新的特征为L,融合S、M、C、L得到SMC_L或者SM_C_L为最终的识别特征;
C)最后统计所有块直方图得到叶片图像最终的特征表达向量。
4)以提取出的完备局部二值纹理特征作为SVM分类器的输入,对叶片图像进行识别,获得该叶片图像对应的物种分类编号。
5)Web服务器向浏览器反馈物种分类编号及相应的物种信息,物种信息包括植物的花、果实、种子信息以及科普信息。
SMC_L和SM_C_L表示的是直方图的连接方式,其中SMC_L的完整写法是S/M/C_L,SM_C_L类似。例如其中S_M代表统计出来的两个直方图S和M直接连接一起,而S/M代表的是生成二维直方图,所以S/M/C的具体含义就是生成3维直方图。由于在计算存储时我们是将二维或者3维的直方图展开成一维的数组,所以SMC_L可以认为是先生成3维直方图,然后以一定的方法转换成一维的直方图,最后和L进行连接作为最后的特征向量(特征向量是一维数组表示的,方便表示分类);而SM_C_L表示先生成二维直方图,然后转换成一维的直方图,再依次与C、L进行连接作为最后的特征向量。
本发明采用的新的完备局部二值模式,虽然增加了一点特征维数(很小),但是识别率相比来说能提高2-5百分点。在一些专用的研究数据库上都有很好的识别效果,而且对光照、旋转不变性都有很好的鲁棒性。
Web服务器中配置有用于识别植物物种的SVM分类器,SVM分类器的训练过程具体为:获取多个植物物种的叶片图像,对于每一个植物物种,均采集多张不同角度、不同光照、不同生长过程的叶片图像;对所有待训练的植物物种的叶片图像进行预处理和完备局部二值纹理特征提取;分别对每个植物物种设置物种标签,以所有完备局部二值纹理特征表达向量和物种标签作为SVM的输入进行训练;获得训练好的SVM分类器。
本方法可通过在CI(CodeIgniter)框架下设计网站系统实现:B/S架构的交互式网站系统包括图像上传、图像预处理、图像特征提取和叶片识别四个主要模块,其他还可包括资料介绍,研究进展介绍等。用户也可以根据自己的需要,选择相应其他的功能,比如选择各个算子的操作效果,边缘检测实现效果,图像增强等。系统功能的实现前台(浏览器)主要利用HTML+JAVASCRIPT实现网页的开发和交互,后台(服务器)则主要利用PHP+C,实现PHP对C的调用完成叶片识别和处理功能。
Claims (8)
1.一种基于叶片完备局部二值特征的Web在线物种识别方法,其特征在于,包括以下步骤:
1)浏览器通过上传接口将叶片图像、交互操作信息上传给Web服务器;
2)Web服务器获取叶片图像,并对叶片图像进行图像预处理;
3)采用新的完备局部二值模式提取叶片图像的新的完备局部二值纹理特征,所述的新的完备局部二值模式具体为:
3a)对叶片图像进行分块处理;
3b)对叶片图像的每一块,遍历3*3或5*5的区域,以原中心点加上周围半径为1的8个邻居作为新中心点,对新中心点的每个像素计算完备局部二值特征或二值计数特征,统计得到新的完备二值特征直方图;
3c)最后统计所有块直方图得到叶片图像最终的特征表达向量;
4)以提取出的新的完备局部二值纹理特征作为SVM分类器的输入,对叶片图像进行识别,获得该叶片图像对应的物种分类编号;
5)Web服务器向浏览器反馈物种分类编号及相应的物种信息。
2.根据权利要求1所述的一种基于叶片完备局部二值特征的Web在线物种识别方法,其特征在于,步骤1)中,所述的交互操作信息包括图像大小调整、算子参数设定。
3.根据权利要求1所述的一种基于叶片完备局部二值特征的Web在线物种识别方法,其特征在于,步骤2)中,所述的图像预处理包括灰度化、大小校正和边缘补充处理。
4.根据权利要求1所述的一种基于叶片完备局部二值特征的Web在线物种识别方法,其特征在于,步骤3b)具体为:
采用传统完备局部二值模式对新中心点的中心像素分别计算符号部分S、数值部分M、中心部分C,对新中心点中的周围8个像素计算局部二值计数特征LBC,将计算获得的8个LBC值求和得到新的特征为L,融合S、M、C、L,统计得到SMC_L或者SM_C_L为最终的识别特征。
5.根据权利要求1所述的一种基于叶片完备局部二值特征的Web在线物种识别方法,其特征在于,所述的对叶片图像进行分块处理时,首先将叶片图像划分成49块,然后经过高斯模糊计算后划分为59块。
6.根据权利要求l所述的一种基于叶片完备局部二值特征的Web在线物种识别方法,其特征在于,步骤4)中,所述的SVM分类器的训练过程具体为:
4a)获取多个植物物种的叶片图像,对于每一个植物物种,均采集多张不同角度、不同光照、不同生长过程的叶片图像:
4b)对所有待训练的植物物种的叶片图像进行预处理和新的完备局部二值纹理特征提取:
4c)分别对每个植物物种设置物种标签,以所有新的完备局部二值纹理特征表达向量和物种标签作为SVM的输入进行训练;
4d)获得训练好的SVM分类器。
7.根据权利要求1所述的一种基于叶片完备局部二值特征的Web在线物种识别方法,其特征在于,所述的Web服务器中设有用于存储物种信息的叶片信息数据库。
8.根据权利要求l或7所述的一种基于叶片完备局部二值特征的Web在线物种识别方法,其特征在于,所述的物种信息包括植物的花、果实、种子信息以及科普信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410065251.8A CN103824083B (zh) | 2014-02-25 | 2014-02-25 | 基于叶片完备局部二值特征的Web在线物种识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410065251.8A CN103824083B (zh) | 2014-02-25 | 2014-02-25 | 基于叶片完备局部二值特征的Web在线物种识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103824083A true CN103824083A (zh) | 2014-05-28 |
CN103824083B CN103824083B (zh) | 2017-02-22 |
Family
ID=50759135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410065251.8A Expired - Fee Related CN103824083B (zh) | 2014-02-25 | 2014-02-25 | 基于叶片完备局部二值特征的Web在线物种识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103824083B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361342A (zh) * | 2014-10-23 | 2015-02-18 | 同济大学 | 一种基于几何不变形状特征的在线植物物种识别方法 |
CN105631451A (zh) * | 2016-01-07 | 2016-06-01 | 同济大学 | 一种基于安卓系统的植物叶片识别方法 |
CN105700862A (zh) * | 2014-11-28 | 2016-06-22 | 阿里巴巴集团控股有限公司 | 图形图像处理方法及设备 |
CN111723819A (zh) * | 2020-06-24 | 2020-09-29 | 武汉理工大学 | 一种植物叶片叶脉的分级识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4586482B2 (ja) * | 2004-10-06 | 2010-11-24 | 株式会社サタケ | ライスセンターやカントリーエレベータ等の荷受における生籾の仕分け方法 |
CN102072885A (zh) * | 2010-12-06 | 2011-05-25 | 浙江大学 | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 |
CN102880638A (zh) * | 2012-08-10 | 2013-01-16 | 合肥工业大学 | 一种面向植物叶片的多样化图像检索的自适应的鲁棒cmvm特征降维与抽取方法 |
-
2014
- 2014-02-25 CN CN201410065251.8A patent/CN103824083B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4586482B2 (ja) * | 2004-10-06 | 2010-11-24 | 株式会社サタケ | ライスセンターやカントリーエレベータ等の荷受における生籾の仕分け方法 |
CN102072885A (zh) * | 2010-12-06 | 2011-05-25 | 浙江大学 | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 |
CN102880638A (zh) * | 2012-08-10 | 2013-01-16 | 合肥工业大学 | 一种面向植物叶片的多样化图像检索的自适应的鲁棒cmvm特征降维与抽取方法 |
Non-Patent Citations (3)
Title |
---|
林丰艳: "基于图像多分辨率分析的植物叶片识别系统的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王宪 等: "《基于改进的LBP 人脸识别算法》", 《光电工程》 * |
袁宝华: "《基于完整LBP 特征的人脸识》", 《计算机应用研究》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361342A (zh) * | 2014-10-23 | 2015-02-18 | 同济大学 | 一种基于几何不变形状特征的在线植物物种识别方法 |
CN105700862A (zh) * | 2014-11-28 | 2016-06-22 | 阿里巴巴集团控股有限公司 | 图形图像处理方法及设备 |
CN105700862B (zh) * | 2014-11-28 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 图形图像处理方法及设备 |
CN105631451A (zh) * | 2016-01-07 | 2016-06-01 | 同济大学 | 一种基于安卓系统的植物叶片识别方法 |
CN111723819A (zh) * | 2020-06-24 | 2020-09-29 | 武汉理工大学 | 一种植物叶片叶脉的分级识别方法 |
CN111723819B (zh) * | 2020-06-24 | 2022-04-26 | 武汉理工大学 | 一种植物叶片叶脉的分级识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103824083B (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Parvathi et al. | Detection of maturity stages of coconuts in complex background using Faster R-CNN model | |
Lu et al. | Fine-grained maize tassel trait characterization with multi-view representations | |
Wang et al. | Deep learning approach for apple edge detection to remotely monitor apple growth in orchards | |
CN103093208B (zh) | 一种果蔬识别的方法及系统 | |
CN113657469B (zh) | 基于图像识别的木本植物物候期的自动观测方法和系统 | |
CN104036235A (zh) | 基于叶片hog特征和智能终端平台的植物物种识别方法 | |
CN106407369A (zh) | 一种基于深度学习人脸识别的照片管理方法和系统 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN103824083A (zh) | 基于叶片完备局部二值特征的Web在线物种识别方法 | |
CN103914707B (zh) | 基于支持向量机的绿色通道产品辅助判别方法 | |
CN103279760A (zh) | 一种植物检疫幼虫实时分类方法 | |
CN104063686A (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
Díaz et al. | Grapevine buds detection and localization in 3D space based on structure from motion and 2D image classification | |
CN107680098A (zh) | 一种甘蔗蔗节特征的识别方法 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN114758132B (zh) | 一种基于卷积神经网络的果树病虫害识别方法及系统 | |
CN103714317A (zh) | 一种基于Android平台的植物叶片识别方法 | |
CN110517228A (zh) | 基于卷积神经网络与迁移学习的树干图像快速检测方法 | |
Zhang et al. | Deep learning based rapid diagnosis system for identifying tomato nutrition disorders | |
CN115661647A (zh) | 一种树木栽种生长状况的定时巡检方法 | |
Sun et al. | Monitoring annual urbanization activities in Guangzhou using Landsat images (1987–2015) | |
CN202815869U (zh) | 一种车载微机图像视频数据提取装置 | |
Ma et al. | ApLeafis: an android-based plant leaf identification system | |
AHM et al. | A deep convolutional neural network based image processing framework for monitoring the growth of soybean crops | |
Alshammari et al. | An efficient deep learning mechanism for the recognition of olive trees in Jouf Region |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170222 Termination date: 20200225 |
|
CF01 | Termination of patent right due to non-payment of annual fee |