CN106096563A - 植物自动识别系统和方法 - Google Patents
植物自动识别系统和方法 Download PDFInfo
- Publication number
- CN106096563A CN106096563A CN201610437411.6A CN201610437411A CN106096563A CN 106096563 A CN106096563 A CN 106096563A CN 201610437411 A CN201610437411 A CN 201610437411A CN 106096563 A CN106096563 A CN 106096563A
- Authority
- CN
- China
- Prior art keywords
- plant
- information
- image
- identified
- color
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 235000013399 edible fruits Nutrition 0.000 claims description 12
- 230000015556 catabolic process Effects 0.000 claims description 11
- 238000006731 degradation reaction Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 230000013011 mating Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种植物自动识别系统和方法。所述方法包括如下步骤:获取待识别植物的图像信息;去除待识别植物的图像信息中的噪声;从经过去噪声处理的图像信息中提取植物轮廓特征和颜色特征,并将提取的植物轮廓特征和颜色特征分别与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度;输出匹配度最大的植物信息作为待识别植物的信息。本发明能够为植物非专业人员在不知道植物名称的情况下提供快速识别植物信息的途径,有利于植物非专业人员野外生存。
Description
技术领域
本发明涉及植物识别技术领域,尤其涉及一种植物自动识别系统和方法。
背景技术
据估计,地球上大约有22万到42万种不同类别的植物。对于植物的分类识别是一项庞大复杂的工作,传统的植物识别方法主要依靠相应的植物学家,利用他们自身的专业知识,对植物外形、表皮、叶子等进行研究分析,确认植物类别。然而,对于经常需要进行野外作战或工作的人员来说,不具备专业的植物学知识,很难快速判断出植物所属分类以及名称,更不能得知其生长生活习性。实际上,目前很多机构建立了很完备的电子化植物知识百科,例如百度百科,只要输入植物确切的名称即可查询到该植物的详细信,但是在不知道植物名称的情况下,就无法获取到植物的详细信息。因此,目前现有技术主要的缺陷如下:植物非专业人员在不知道植物名称的情况下不能快速识别植物的信息,不利于其野外生存。
发明内容
本发明的主要目的在于提供一种植物自动识别系统和方法,旨在解决现有技术中植物非专业人员在不知道植物名称的情况下无法快速识别植物的信息,不利于植物非专业人员野外生存的技术问题。
为实现上述目的,本发明提供了一种植物自动识别系统。
所述植物自动识别系统运行于智能终端中,该系统包括植物图像信息获取模块、图像预处理模块、植物特征提取和匹配模块以及植物信息输出模块,其中:
所述植物图像信息获取模块用于获取待识别植物的图像信息;
所述图像预处理模块用于去除待识别植物的图像信息中的噪声;
所述植物特征提取和匹配模块用于从经过去噪声处理的图像信息中提取植物轮廓特征和颜色特征,并将提取的植物轮廓特征和颜色特征分别与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度;
所述植物信息输出模块用于输出匹配度最大的植物信息作为待识别植物的信息。
进一步地,所述数字化子模块用于将待识别植物的原始图像信息采样并量化得到数字图像;
所述归一化子模块用于通过变换处理保留所述数字图像的特定特征;
所述平滑处理子模块用于消除所述数字图像中的噪声;
图像复原子模块用于校正所述数字图像的像素退化;
图像增强子模块用于对所述数字图像中的信息进行图像增强处理以改善所述数字图像的视觉效果。
进一步地,植物特征提取和匹配模块包括轮廓特征提取子模块、颜色特征提取子模块以及匹配度计算子模块,其中:
所述轮廓特征提取子模块用于采用Hu矩匹配算法、轮廓树匹配算法或成对几何直方图匹配算法提取图像信息中的轮廓特征;
所述颜色特征提取子模块用于采用颜色矩算法或颜色集算法提取图像信息中的颜色特征;
所述匹配度计算子模块用于将提取到的图像信息中的轮廓特征和颜色特征后与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度。
优选地,所述待识别植物的图像信息包括待识别植物的叶子、颈、花和果实中的至少两种信息。
优选地,所述待识别植物的信息至少包括该植物的名称、图片、生长习性以及功能。
本发明还提供了一种植物自动识别方法。
所述植物自动识别方法运行于智能终端中,该方法包括如下步骤:
获取待识别植物的图像信息;
去除待识别植物的图像信息中的噪声;
从经过去噪声处理的图像信息中提取植物轮廓特征和颜色特征,并将提取的植物轮廓特征和颜色特征分别与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度;
输出匹配度最大的植物信息作为待识别植物的信息。
进一步地,所述去除待识别植物的图像信息中的噪声的步骤包括:
将待识别植物的原始图像信息采样并量化得到数字图像;
通过变换处理保留所述数字图像的特定特征;
消除所述数字图像中的噪声;
校正所述数字图像的像素退化;
对所述数字图像中的信息进行图像增强处理以改善所述数字图像的视觉效果。
进一步地,所述从经过去噪声处理的图像信息中提取植物轮廓特征和颜色特征,并将提取的植物轮廓特征和颜色特征分别与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度的步骤包括:
采用Hu矩匹配算法、轮廓树匹配算法或成对几何直方图匹配算法提取图像信息中的轮廓特征;
采用颜色矩算法或颜色集算法提取图像信息中的颜色特征;
将提取到的图像信息中的轮廓特征和颜色特征后与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度。
优选地,所述待识别植物的图像信息包括待识别植物的叶子、颈、花和果实中的至少两种信息。
优选地,所述待识别植物的信息至少包括该植物的名称、图片、生长习性以及功能。
相较于现有技术,本发明提供的植物自动识别系统和方法通过去除待识别植物的图像信息中的噪声,消除图像中无关的信息,恢复有用的真实信息,通过提取经过预处理的图像信息的轮廓特征和颜色特征,并与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度,输出匹配度最大的植物信息为待识别植物的信息供用户参考,为植物非专业人员在不知道植物名称的情况下提供快速识别植物信息的途径,有利于植物非专业人员野外生存。
附图说明
图1为本发明植物自动识别系统较佳实施例的功能模块示意图;
图2为本发明植物自动识别系统中图像预处理模块的子功能模块示意图;
图3为本发明植物自动识别系统中植物特征提取和匹配模块的子功能模块示意图;
图4为本发明植物自动识别方法较佳实施例的流程示意图;
图5为图4中步骤S20的细化流程示意图;
图6为图4中步骤S30的细化流程示意图。
具体实施方式
为更进一步阐述本发明为达成上述目的所采取的技术手段及功效,以下结合附图及较佳实施例,对本发明的具体实施方式、结构、特征及其功效进行详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为实现本发明目的,本发明提供了一种植物自动识别系统和方法,通过去除待识别植物的图像信息中的噪声,消除图像中无关的信息,恢复有用的真实信息,通过提取经过预处理的图像信息的轮廓特征和颜色特征,并与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度,输出匹配度最大的植物信息为待识别植物的信息供用户参考,为植物非专业人员在不知道植物名称的情况下提供快速识别植物信息的途径,有利于植物非专业人员野外生存。
参照图1所示,图1为本发明植物自动识别系统较佳实施例的功能模块示意图。
本发明提供的植物自动识别系统10运行于智能终端1中,所述智能终端1为智能手机、智能手持终端或智能平板电脑等携带方便且具有通讯和信息处理能力的微型计算机。所述智能终端1还包括存储单元12、处理单元14和通讯单元16。
所述的存储单元12可以为一种只读存储单元ROM,电可擦写存储单元EEPROM、快闪存储单元FLASH或固体硬盘等。所述的处理单元14可以为一种中央处理器(CentralProcessing Unit,CPU)、微控制器(MCU)、数据处理芯片、或者具有数据处理功能的信息处理单元。所述通讯单元16为一种具有远程通讯功能的无线通讯接口或有线接口,例如,支持GSM、GPRS、WCDMA、CDMA、TD-SCDMA、WiMAX、TD-LTE、FDD-LTE等通讯技术的无线或有线通讯接口。
在本实施例中,植物自动识别系统10包括植物图像信息获取模块100、图像预处理模块102、植物特征提取和匹配模块104以及植物信息输出模块106。本发明所称的模块是指一种能够被所述处理单元14执行并且能够完成固定功能的一系列计算机程序指令段,其存储在存储单元12中。
所述植物图像信息获取模块100用于获取待识别植物的图像信息,所述待识别植物的图像信息包括待识别植物的叶子、颈、花和果实中的至少两种信息。其中叶子的信息至少包括叶片颜色和形状;颈的信息至少包括颈部颜色和直径参数;花的信息至少包括花的形状和颜色;果实的信息至少包括果实的颜色、形状和大小。
所述图像预处理模块102用于去除待识别植物的图像信息中的噪声。图像预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进特征抽取、图像分割、匹配和识别的可靠性。图像预处理过程一般包括数字化、归一化、平滑、复原和增强等步骤。具体地,参照图2所示,图2为本发明植物自动识别系统中图像预处理模块的子功能模块示意图。所述图像预处理模块102包括数字化子模块1020、归一化子模块1022、平滑处理子模块1024、图像复原子模块1026以及图像增强子模块1028:
所述数字化子模块1020用于将待识别植物的原始图像信息采样并量化得到处理单元14能够处理的数字图像。具体地,一幅待识别植物的原始图像信息(即原始图像)的灰度值是空间变量(位置的连续值)的连续函数。在M×N点阵上对该原始图像灰度采样并加以量化(归为2b个灰度等级之一),可以得到计算机能够处理的数字图像。为了使数字图像能重建原来的图像,对M、N和b值的大小预先设置。在接收装置的空间和灰度分辨能力范围内,M、N和b的数值越大,重建图像的质量就越好。当取样周期等于或小于原始图像中最小细节周期的一半时,重建图像的频谱等于原始图像的频谱,因此重建图像与原始图像可以完全相同。由于M、N和b三者的乘积决定一幅图像在智能终端中的存储量,因此在存储量一定的条件下根据图像的不同性质选择合适的M、N和b值,以获取最好的处理效果。
所述归一化子模块1022用于通过变换处理保留所述数字图像的特定特征,使所述数字图像的特定特征在给定变换下具有不变的性质。数字图像的特定特征,例如物体的面积和周长,对于坐标旋转变化来说就具有不变的性质。在一般情况下,某些因素或变换对图像一些性质的影响可通过归一化处理得到消除或减弱,从而可以被选作测量图像的依据。例如对于光照不可控的遥感图片,灰度直方图的归一化对于图像分析是十分必要的。灰度归一化、几何归一化和变换归一化是获取图像不变性质的三种归一化方法。
所述平滑处理子模块1024用于消除所述数字图像中的噪声。常用的平滑方法有中值法、局部求平均法和k近邻平均法。局部区域大小可以是固定的,也可以是逐点随灰度值大小变化的。此外,有时应用空间频率域带通滤波方法。
图像复原子模块1026用于校正所述数字图像的像素退化,使重建或估计得到的数字图像尽可能逼近于理想无退化的数字图像。在实际应用中常常发生图像像素退化现象。例如大气流的扰动,光学系统的像差,相机和物体的相对运动都会使遥感图像发生退化。基本的复原技术是把获取的退化图像g(x,y)看成是退化函数h(x,y)和理想图像f(x,y)的卷积。它们的傅里叶变换存在关系G(u,v=H(u,v)F(u,v)。根据退化机理确定退化函数后,就可从此关系式求出F(u,v),再用傅里叶反变换求出f(x,y),通常称为反向滤波器。当不存在噪声时,维纳滤波器成为理想的反向滤波器。
图像增强子模块1028用于对所述数字图像中的信息有选择地进行图像增强处理以改善所述数字图像的视觉效果,或将所述数字图像转变为更适合于处理单元14处理的形式,以便于数据抽取或识别。例如一个图像增强系统可以通过高通滤波器来突出图像的轮廓线,从而使机器能够测量轮廓线的形状和周长。图像增强技术有多种方法,反差展宽、对数变换、密度分层和直方图均衡等都可用于改变图像灰调和突出细节。
所述植物特征提取和匹配模块104用于从经过去噪声处理的图像信息中提取植物轮廓特征和颜色特征,并将提取的植物轮廓特征和颜色特征分别与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度。具体地,参照图3所示,图3为本发明植物自动识别系统中植物特征提取和匹配模块的子功能模块示意图。该植物特征提取和匹配模块104包括轮廓特征提取子模块1040、颜色特征提取子模块1042以及匹配度计算子模块1044。
所述轮廓特征提取子模块1040用于采用Hu矩匹配算法、轮廓树匹配算法或成对几何直方图匹配算法提取图像信息中的轮廓特征。轮廓通过轮廓特征的提取和匹配能够获得植物图像的要素(例如:叶子、颈、花、果实)的形状、大小等。由于轮廓的Hu矩能够对包括缩放、旋转和镜像映射在内的变化具有不变性,因此在进行轮廓匹配时通过常用Hu矩匹配算法。cvMatchShapes函数可以很方便的实现对2个轮廓间的匹配。轮廓树匹配算法采用树的形式比较两个轮廓。cvMatchContourTrees函数能够实现轮廓树的对比。成对几何直方图匹配算法是指在得到轮廓的成对几何直方图之后,使用直方图对比的方法来进行轮廓匹配。
所述颜色特征提取子模块1042用于采用颜色矩算法或颜色集算法提取图像信息中的颜色特征。颜色直方图用以反映图像颜色的组成分布,即各种颜色出现的概率。颜色矩算法利用线性代数中矩的概念,将图像中的颜色分布用颜色矩表示。利用颜色一阶矩(平均值Average)、颜色二阶矩(方差Variance)和颜色三阶矩(偏斜度Skewness)来描述颜色分布。与颜色直方图不同,利用颜色矩进行图像描述无需量化图像特征。颜色集算法基于颜色实现对大规模图像的检索。该方法将颜色转化到HSV颜色空间后,将图像根据其颜色信息进行图像分割成若干region,并将颜色分为多个bin,每个region进行颜色空间量化建立颜色索引,进而建立二进制图像颜色索引表。为加快查找速度,还可以构造二分查找树进行特征检索。
所述匹配度计算子模块1044用于将提取到的图像信息中的轮廓特征和颜色特征后与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度。具体地,所述预先建立的数据库运行于远程服务器中,智能终端1通过通讯单元16与远程服务器建立通讯连接,从远程服务器的数据库中读取预先存储的植物轮廓特征和颜色特征信息并进行匹配。
所述植物信息输出模块106用于输出匹配度最大的植物信息作为待识别植物的信息。该待识别植物的信息至少包括该植物的名称、图片、生长习性以及功能,以供用户参考,为植物非专业人员在不知道植物名称的情况下提供快速识别植物信息的途径,有利于植物非专业人员野外生存。
本发明所述图像匹配和/或比对过程为现有技术中的图像处理技术,在此不做限定和赘述。
本发明提供的植物自动识别系统通过图像预处理模块去除待识别植物的图像信息中的噪声,消除图像中无关的信息,恢复有用的真实信息,通过植物特征提取和匹配模块提取经过预处理的图像信息的轮廓特征和颜色特征,并与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度,输出匹配度最大的植物信息为待识别植物的信息供用户参考,为植物非专业人员在不知道植物名称的情况下提供快速识别植物信息的途径,有利于植物非专业人员野外生存。
本发明的另外一个方面,提供了一种与上述植物自动识别系统对应的方法。
参照图4所示,图4为本发明植物自动识别方法较佳实施例的流程示意图。
在本实施例中,结合图1、图2和图3所示,所述植物自动识别方法运行于智能设备1中,该方法包括如下步骤:
S10:获取待识别植物的图像信息;
具体地,植物图像信息获取模块100获取待识别植物的图像信息,所述待识别植物的图像信息包括待识别植物的叶子、颈、花、果实中的至少两种信息。其中叶子的信息至少包括叶片颜色和形状;颈的信息至少包括颈部颜色和直径参数;花的信息至少包括花的形状和颜色;果实的信息至少包括果实的颜色、形状和大小。
S20:去除待识别植物的图像信息中的噪声;
具体地,图像预处理模块102去除待识别植物的图像信息中的噪声。图像预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进特征抽取、图像分割、匹配和识别的可靠性。图像预处理过程一般包括数字化、归一化、平滑、复原和增强等步骤。
参照图5所示,图5为图4中步骤S20的细化流程示意图。步骤S20包括如下步骤:
S201:将待识别植物的原始图像信息采样并量化得到数字图像。
具体地,数字化子模块1020将待识别植物的原始图像信息采样并量化得到处理单元14能够处理的数字图像。具体地,一幅待识别植物的原始图像信息(即原始图像)的灰度值是空间变量(位置的连续值)的连续函数。在M×N点阵上对该原始图像灰度采样并加以量化(归为2b个灰度等级之一),可以得到计算机能够处理的数字图像。为了使数字图像能重建原来的图像,对M、N和b值的大小预先设置。在接收装置的空间和灰度分辨能力范围内,M、N和b的数值越大,重建图像的质量就越好。当取样周期等于或小于原始图像中最小细节周期的一半时,重建图像的频谱等于原始图像的频谱,因此重建图像与原始图像可以完全相同。由于M、N和b三者的乘积决定一幅图像在智能终端中的存储量,因此在存储量一定的条件下根据图像的不同性质选择合适的M、N和b值,以获取最好的处理效果。
S202:通过变换处理保留所述数字图像的特定特征。
具体地,归一化子模块1022通过变换处理保留所述数字图像的特定特征,使数字图像的特定特征在给定变换下具有不变的性质。图像的特定特征,例如物体的面积和周长,对于坐标旋转变换来说就具有不变的性质。在一般情况下,某些因素或变换对图像一些性质的影响可通过归一化处理得到消除或减弱,从而可以被选作测量图像的依据。例如对于光照不可控的遥感图片,灰度直方图的归一化对于图像分析是十分必要的。灰度归一化、几何归一化和变换归一化是获取图像不变性质的三种归一化方法。
S203:消除所述数字图像中的噪声。
具体地,所述平滑处理子模块1024消除所述数字图像中的随机噪声。常用的平滑方法有中值法、局部求平均法和k近邻平均法。局部区域大小可以是固定的,也可以是逐点随灰度值大小变化的。此外,有时应用空间频率域带通滤波方法。
S204:校正所述数字图像的像素退化。
具体地,图像复原子模块1026校正各种原因造成的所述数字图像的像素退化,使重建或估计得到的图像尽可能逼近于理想无退化的像场。在实际应用中常常发生图像像素退化现象。例如大气流的扰动,光学系统的像差,相机和物体的相对运动都会使遥感图像发生退化。基本的复原技术是把获取的退化图像g(x,y)看成是退化函数h(x,y)和理想图像f(x,y)的卷积。它们的傅里叶变换存在关系G(u,v=H(u,v)F(u,v)。根据退化机理确定退化函数后,就可从此关系式求出F(u,v),再用傅里叶反变换求出f(x,y),通常称为反向滤波器。当不存在噪声时,维纳滤波器成为理想的反向滤波器。
S205:对所述数字图像中的信息有选择地进行图像增强处理以改善所述数字图像的视觉效果。
具体地,图像增强子模块1028对所述数字图像中的信息有选择地加强和抑制,以改善所述数字图像的视觉效果,或将图像转变为更适合于处理单元14处理的形式,以便于数据抽取或识别。例如一个图像增强系统可以通过高通滤波器来突出图像的轮廓线,从而使机器能够测量轮廓线的形状和周长。图像增强技术有多种方法,反差展宽、对数变换、密度分层和直方图均衡等都可用于改变图像灰调和突出细节。
S30:从经过去噪声处理的图像信息中提取植物轮廓特征和颜色特征,并将提取的植物轮廓特征和颜色特征分别与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度。
具体地,参照图6所示,图6为图4中步骤S30的细化流程示意图。步骤S30包括如下步骤:
S301:采用Hu矩匹配算法、轮廓树匹配算法或成对几何直方图匹配算法提取图像信息中的轮廓特征。
具体地,轮廓特征提取子模块采用Hu矩匹配算法、轮廓树匹配算法或成对几何直方图匹配算法提取图像信息中的轮廓特征。轮廓通过轮廓特征的提取和匹配能够获得植物图像的要素(例如:叶子、颈、花、果实)的形状、大小等。由于轮廓的Hu矩能够对包括缩放、旋转和镜像映射在内的变化具有不变性,因此在进行轮廓匹配时通过常用Hu矩匹配算法。cvMatchShapes函数可以很方便的实现对2个轮廓间的匹配。轮廓树匹配算法采用树的形式比较两个轮廓。cvMatchContourTrees函数能够实现轮廓树的对比。成对几何直方图匹配算法是指在得到轮廓的成对几何直方图之后,使用直方图对比的方法来进行轮廓匹配。
S302:采用颜色矩算法或颜色集算法提取图像信息中的颜色特征。
具体地,颜色特征提取子模块1042采用颜色矩算法或颜色集算法提取图像信息中的颜色特征。颜色直方图用以反映图像颜色的组成分布,即各种颜色出现的概率。颜色矩算法利用线性代数中矩的概念,将图像中的颜色分布用颜色矩表示。利用颜色一阶矩(平均值Average)、颜色二阶矩(方差Variance)和颜色三阶矩(偏斜度Skewness)来描述颜色分布。与颜色直方图不同,利用颜色矩进行图像描述无需量化图像特征。颜色集算法基于颜色实现对大规模图像的检索。该方法将颜色转化到HSV颜色空间后,将图像根据其颜色信息进行图像分割成若干region,并将颜色分为多个bin,每个region进行颜色空间量化建立颜色索引,进而建立二进制图像颜色索引表。为加快查找速度,还可以构造二分查找树进行特征检索。
S303:将提取到的图像信息中的轮廓特征和颜色特征后与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度。
具体地,匹配度计算子模块1044将提取到的图像信息中的轮廓特征和颜色特征后与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度。具体地,所述预先建立的数据库运行于远程服务器中,智能终端1通过通讯单元16与远程服务器建立通讯连接,从远程服务器的数据库中读取预先存储的植物轮廓特征和颜色特征信息并进行匹配。
S40:输出匹配度最大的植物信息作为待识别植物的信息。
具体地,植物信息输出模块106输出匹配度最大的植物信息作为待识别植物的信息。该待识别植物的信息至少包括该植物的名称、图片、生长习性以及功能,以供用户参考,为植物非专业人员在不知道植物名称的情况下提供快速识别植物信息的途径,有利于植物非专业人员野外生存。
本发明所述图像匹配和/或比对过程为现有技术中的图像处理技术,在此不做限定和赘述。
本发明提供的植物自动识别方法通过去除待识别植物的图像信息中的噪声,消除图像中无关的信息,恢复有用的真实信息,通过提取经过预处理的图像信息的轮廓特征和颜色特征,并与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度,输出匹配度最大的植物信息为待识别植物的信息供用户参考,为植物非专业人员在不知道植物名称的情况下提供快速识别植物信息的途径,有利于植物非专业人员野外生存。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效功能变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种植物自动识别系统,其特征在于,所述植物自动识别系统运行于智能终端中,该系统包括植物图像信息获取模块、图像预处理模块、植物特征提取和匹配模块以及植物信息输出模块,其中:
所述植物图像信息获取模块用于获取待识别植物的图像信息;
所述图像预处理模块用于去除待识别植物的图像信息中的噪声;
所述植物特征提取和匹配模块用于从经过去噪声处理的图像信息中提取植物轮廓特征和颜色特征,并将提取的植物轮廓特征和颜色特征分别与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度;
所述植物信息输出模块用于输出匹配度最大的植物信息作为待识别植物的信息。
2.如权利要求1所述的植物自动识别系统,其特征在于,所述图像预处理模块包括数字化子模块、归一化子模块、平滑处理子模块、图像复原子模块以及图像增强子模块,其中:
所述数字化子模块用于将待识别植物的原始图像信息采样并量化得到数字图像;
所述归一化子模块用于通过变换处理保留所述数字图像的特定特征;
所述平滑处理子模块用于消除所述数字图像中的噪声;
图像复原子模块用于校正所述数字图像的像素退化;
图像增强子模块用于对所述数字图像中的信息进行图像增强处理以改善所述数字图像的视觉效果。
3.如权利要求1所述的植物自动识别系统,其特征在于,植物特征提取和匹配模块包括轮廓特征提取子模块、颜色特征提取子模块以及匹配度计算子模块,其中:
所述轮廓特征提取子模块用于采用Hu矩匹配算法、轮廓树匹配算法或成对几何直方图匹配算法提取图像信息中的轮廓特征;
所述颜色特征提取子模块用于采用颜色矩算法或颜色集算法提取图像信息中的颜色特征;
所述匹配度计算子模块用于将提取到的图像信息中的轮廓特征和颜色特征后与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度。
4.如权利要求1所述的植物自动识别系统,其特征在于,所述待识别植物的图像信息包括待识别植物的叶子、颈、花和果实中的至少两种信息。
5.如权利要求1所述的植物自动识别系统,其特征在于,所述待识别植物的信息至少包括该植物的名称、图片、生长习性以及功能。
6.一种植物自动识别方法,其特征在于,所述植物自动识别方法运行于智能终端中,该方法包括如下步骤:
获取待识别植物的图像信息;
去除待识别植物的图像信息中的噪声;
从经过去噪声处理的图像信息中提取植物轮廓特征和颜色特征,并将提取的植物轮廓特征和颜色特征分别与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度;
输出匹配度最大的植物信息作为待识别植物的信息。
7.如权利要求6所述的植物自动识别方法,其特征在于,所述去除待识别植物的图像信息中的噪声的步骤包括:
将待识别植物的原始图像信息采样并量化得到数字图像;
通过变换处理保留所述数字图像的特定特征;
消除所述数字图像中的噪声;
校正所述数字图像的像素退化;
对所述数字图像中的信息进行图像增强处理以改善所述数字图像的视觉效果。
8.如权利要求6所述的植物自动识别方法,其特征在于,所述从经过去噪声处理的图像信息中提取植物轮廓特征和颜色特征,并将提取的植物轮廓特征和颜色特征分别与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度的步骤包括:
采用Hu矩匹配算法、轮廓树匹配算法或成对几何直方图匹配算法提取图像信息中的轮廓特征;
采用颜色矩算法或颜色集算法提取图像信息中的颜色特征;
将提取到的图像信息中的轮廓特征和颜色特征后与预先建立的数据库中的植物轮廓特征和颜色特征信息进行匹配,得到待识别植物与数据库中已存在植物信息的匹配度。
9.如权利要求6所述的植物自动识别方法,其特征在于,所述待识别植物的图像信息包括待识别植物的叶子、颈、花和果实中的至少两种信息。
10.如权利要求6所述的植物自动识别方法,其特征在于,所述待识别植物的信息至少包括该植物的名称、图片、生长习性以及功能。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610437411.6A CN106096563A (zh) | 2016-06-17 | 2016-06-17 | 植物自动识别系统和方法 |
PCT/CN2016/108821 WO2017215206A1 (zh) | 2016-06-17 | 2016-12-07 | 植物自动识别系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610437411.6A CN106096563A (zh) | 2016-06-17 | 2016-06-17 | 植物自动识别系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096563A true CN106096563A (zh) | 2016-11-09 |
Family
ID=57236470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610437411.6A Pending CN106096563A (zh) | 2016-06-17 | 2016-06-17 | 植物自动识别系统和方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106096563A (zh) |
WO (1) | WO2017215206A1 (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503695A (zh) * | 2016-12-02 | 2017-03-15 | 汕头大学 | 一种基于航拍图像的烟草植株识别与计数方法 |
CN106596863A (zh) * | 2016-12-22 | 2017-04-26 | 邬东强 | 一种基于手机摄像头的植物信息采集系统及方法 |
CN106614484A (zh) * | 2017-01-19 | 2017-05-10 | 成都市宏德永兴养殖有限公司 | 果树车载喷药方法 |
CN106776877A (zh) * | 2016-11-28 | 2017-05-31 | 常州市星网计算机技术有限公司 | 摩托车零件型号自动识别方法 |
CN106934416A (zh) * | 2017-02-23 | 2017-07-07 | 广州讯动网络科技有限公司 | 一种基于大数据的模型匹配方法 |
WO2017215206A1 (zh) * | 2016-06-17 | 2017-12-21 | 深圳市易特科信息技术有限公司 | 植物自动识别系统和方法 |
CN107633038A (zh) * | 2017-09-13 | 2018-01-26 | 浙江大学 | 基于图像识别技术的茶叶识别方法及其系统 |
CN108564583A (zh) * | 2018-04-23 | 2018-09-21 | 广州林邦信息科技有限公司 | 样地监测方法、装置及系统 |
CN109409449A (zh) * | 2018-09-10 | 2019-03-01 | 天津大学 | 一种能够识别中药药材的移动终端 |
CN109729236A (zh) * | 2017-10-27 | 2019-05-07 | 富泰华工业(深圳)有限公司 | 潜水记录装置 |
CN110278630A (zh) * | 2019-05-22 | 2019-09-24 | 杭州极致光生物照明有限公司 | 光谱调色照明方法、装置及其水族箱灯具 |
CN111178437A (zh) * | 2019-12-30 | 2020-05-19 | 深圳市芭田生态工程股份有限公司 | 一种施肥方法及计算机可读存储介质 |
CN112579804A (zh) * | 2020-12-28 | 2021-03-30 | 西安航空学院 | 一种有毒植物检测仪 |
CN112580493A (zh) * | 2020-12-16 | 2021-03-30 | 广东省林业科学研究院 | 基于无人机遥感的植物识别方法、装置、设备及存储介质 |
CN113191175A (zh) * | 2020-01-14 | 2021-07-30 | 靳爱丛 | 信息提醒平台及方法 |
CN113407755A (zh) * | 2020-03-17 | 2021-09-17 | 北京百度网讯科技有限公司 | 植物生长状况信息获取方法、装置及电子设备 |
CN113808139A (zh) * | 2021-09-15 | 2021-12-17 | 南京思辨力电子科技有限公司 | 一种物联网智能图像识别方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558883B (zh) * | 2018-12-03 | 2023-04-18 | 宁夏智启连山科技有限公司 | 叶片特征提取方法及装置 |
CN113188662B (zh) * | 2021-03-16 | 2023-05-23 | 云南电网有限责任公司玉溪供电局 | 一种红外热成像故障自动识别系统和方法 |
CN112906656A (zh) * | 2021-03-30 | 2021-06-04 | 自然资源部第三海洋研究所 | 水下照片珊瑚礁识别方法、系统及存储介质 |
CN113111672A (zh) * | 2021-04-13 | 2021-07-13 | 中国科学院东北地理与农业生态研究所 | 一种真湿地植物的判定方法 |
CN117611885A (zh) * | 2023-11-17 | 2024-02-27 | 贵州省生物研究所 | 一种基于Canny边缘检测的候鸟生态调控方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8004576B2 (en) * | 2008-10-31 | 2011-08-23 | Digimarc Corporation | Histogram methods and systems for object recognition |
CN102521600A (zh) * | 2011-11-03 | 2012-06-27 | 北京农业信息技术研究中心 | 基于机器视觉的南美白对虾病害识别方法及系统 |
CN105203456B (zh) * | 2015-10-28 | 2018-09-18 | 小米科技有限责任公司 | 植物品种识别方法及装置 |
CN106096563A (zh) * | 2016-06-17 | 2016-11-09 | 深圳市易特科信息技术有限公司 | 植物自动识别系统和方法 |
-
2016
- 2016-06-17 CN CN201610437411.6A patent/CN106096563A/zh active Pending
- 2016-12-07 WO PCT/CN2016/108821 patent/WO2017215206A1/zh active Application Filing
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215206A1 (zh) * | 2016-06-17 | 2017-12-21 | 深圳市易特科信息技术有限公司 | 植物自动识别系统和方法 |
CN106776877A (zh) * | 2016-11-28 | 2017-05-31 | 常州市星网计算机技术有限公司 | 摩托车零件型号自动识别方法 |
CN106776877B (zh) * | 2016-11-28 | 2020-05-01 | 常州市星网计算机技术有限公司 | 摩托车零件型号自动识别方法 |
CN106503695B (zh) * | 2016-12-02 | 2019-07-09 | 汕头大学 | 一种基于航拍图像的烟草植株识别与计数方法 |
CN106503695A (zh) * | 2016-12-02 | 2017-03-15 | 汕头大学 | 一种基于航拍图像的烟草植株识别与计数方法 |
CN106596863A (zh) * | 2016-12-22 | 2017-04-26 | 邬东强 | 一种基于手机摄像头的植物信息采集系统及方法 |
CN106614484A (zh) * | 2017-01-19 | 2017-05-10 | 成都市宏德永兴养殖有限公司 | 果树车载喷药方法 |
CN106934416A (zh) * | 2017-02-23 | 2017-07-07 | 广州讯动网络科技有限公司 | 一种基于大数据的模型匹配方法 |
CN106934416B (zh) * | 2017-02-23 | 2021-03-30 | 广州讯动网络科技有限公司 | 一种基于大数据的模型匹配方法 |
CN107633038A (zh) * | 2017-09-13 | 2018-01-26 | 浙江大学 | 基于图像识别技术的茶叶识别方法及其系统 |
CN109729236A (zh) * | 2017-10-27 | 2019-05-07 | 富泰华工业(深圳)有限公司 | 潜水记录装置 |
CN108564583A (zh) * | 2018-04-23 | 2018-09-21 | 广州林邦信息科技有限公司 | 样地监测方法、装置及系统 |
CN109409449A (zh) * | 2018-09-10 | 2019-03-01 | 天津大学 | 一种能够识别中药药材的移动终端 |
CN110278630A (zh) * | 2019-05-22 | 2019-09-24 | 杭州极致光生物照明有限公司 | 光谱调色照明方法、装置及其水族箱灯具 |
CN110278630B (zh) * | 2019-05-22 | 2022-09-27 | 杭州极致光生物照明有限公司 | 光谱调色照明方法、装置及其水族箱灯具 |
CN111178437A (zh) * | 2019-12-30 | 2020-05-19 | 深圳市芭田生态工程股份有限公司 | 一种施肥方法及计算机可读存储介质 |
CN113191175A (zh) * | 2020-01-14 | 2021-07-30 | 靳爱丛 | 信息提醒平台及方法 |
CN113407755A (zh) * | 2020-03-17 | 2021-09-17 | 北京百度网讯科技有限公司 | 植物生长状况信息获取方法、装置及电子设备 |
CN112580493A (zh) * | 2020-12-16 | 2021-03-30 | 广东省林业科学研究院 | 基于无人机遥感的植物识别方法、装置、设备及存储介质 |
CN112580493B (zh) * | 2020-12-16 | 2021-11-09 | 广东省林业科学研究院 | 基于无人机遥感的植物识别方法、装置、设备及存储介质 |
CN112579804A (zh) * | 2020-12-28 | 2021-03-30 | 西安航空学院 | 一种有毒植物检测仪 |
CN113808139A (zh) * | 2021-09-15 | 2021-12-17 | 南京思辨力电子科技有限公司 | 一种物联网智能图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2017215206A1 (zh) | 2017-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096563A (zh) | 植物自动识别系统和方法 | |
Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
CN109767422B (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
Liu et al. | A robust automated flower estimation system for grape vines | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
CN110334760B (zh) | 一种基于resUnet的光学元器件损伤检测方法及系统 | |
CN113191374A (zh) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 | |
CN110619619A (zh) | 一种缺陷检测方法、装置及电子设备 | |
CN111060455B (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
CN103150722B (zh) | 应用四元数分割与图论优化的外周血白细胞边缘提取方法 | |
CN116434206A (zh) | 一种基于机器视觉技术的棉花质量性状检测方法 | |
CN109934102B (zh) | 一种基于图像超分辨率的指静脉识别方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN112033937B (zh) | 一种水体提取精度的评价方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
CN114758139B (zh) | 基坑积水检测方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
Tan et al. | Automatic extraction of built-up area based on deep convolution neural network | |
EP3137895A1 (en) | Method and apparatus for processing block to be processed of urine sediment image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161109 |
|
WD01 | Invention patent application deemed withdrawn after publication |