CN106778897B - 基于余弦距离和中心轮廓距离的两次植物物种识别方法 - Google Patents

Abstract

基于余弦距离和中心轮廓距离的两次植物物种识别方法，包含粗略识别和精确识别两个过程，在粗略识别过程中，计算待识别叶片图像与训练集中每一类叶片图像的平均余弦距离，再选择训练集中部分平均余弦距离较大的类别作为待识别叶片图像的候选类；在精确识别过程中，提取候选类中叶片图像与待识别叶片图像的中心轮廓距离向量，然后计算候选类中每类叶片图像的中心轮廓距离与待识别叶片图像的中心轮廓距离向量之间的平均相似度，由此对待识别叶片图像进行精确识别，本发明提高了植物物种识别方法的速度和精度。

Description

基于余弦距离和中心轮廓距离的两次植物物种识别方法

技术领域

本发明属于计算机图像处理和模式识别技术领域，具体涉及基于余弦距离和中心轮廓距离的两次植物物种识别方法。

背景技术

植物及其物种多样化是人和所有动物赖以生存的物质基础，由于多年来的乱砍乱伐和近年来大规模的城市扩张以及超常态的经济发展，导致很多植物物种频临灭绝或已经灭绝，从而严重影响了生态平衡。现在各国政府和很多民众已经认识到了保护植物物种的重要性，随着计算机技术和图像处理技术的不断发展，植物物种识别成为一个较为热门的研究方向，出现了很多利用植物叶片图像进行植物物种自动识别的方法和系统，杜吉祥等人提出叶片形状和神经网络的植物识别方法【Du,J.X.,Huang,D.S.,Wang,X.F.,etal.Shape Recognition Based on Neural Networks Trained by DifferentialEvolution Algorithm.Neurocomputing,2007,70:896-903；Du,J.X.,Zhai,C.M.,Wang,Q.P.Recognition of plant leaf image based on fractal dimensionfeature.Neurocomputing,2013,116:150-156；】，Chaki等人提出了基于叶片纹理和形状的植物识别方法【Jyotismita Chaki,Ranjan Parekh,Samar Bhattacharya.Plant LeafRecognition using Texture and Shape Features with Neural Classifiers.PatternRecognition Letters,2015,58(C):61-68】。传统的基于叶片图像的植物物种识别方法和系统主要研究如何精确提取植物叶片图像的分类特征。但由于植物叶片图像的复杂多样性，使得很多方法和系统的识别效果不能满足在大规模数据库上的植物物种识别的实际需要。

发明内容

为了克服上述现有植物物种识别方法技术的缺点，本发明的目的在于提供基于余弦距离和中心轮廓距离的两次植物物种识别方法，提高了植物物种识别方法的速度和精度。

为了达到上述目的，本发明采取的技术方案为：

基于余弦距离和中心轮廓距离的两次植物物种识别方法，包括如下步骤：

步骤一、将所有有类别标签的C种植物叶片图像组成训练图像集，然后将所有训练集中的样本和一幅待识别的叶片图像转换成灰度图像，再将所有灰度图像缩放为大小都为64×64像素的图像，处理后的训练集中的C个灰度图像子集的集合记为{G₁,G₂,...,G_C}，处理后的待识别叶片图像的灰度图像记为g；

步骤二、计算{G₁,G₂,...,G_C}中的每幅图像与g的余弦距离，

其中：g_ij为第i类子集G_i中的第j幅灰度图像，T表示矩阵转置；

然后计算{G₁,G₂,...,G_C}中的每个图像子集与g的平均余弦距离，

其中：n_i为G_i中的图像数目，i＝1,2,...,C；

步骤三、将步骤二得到的C个平均余弦距离由大到小进行排序，选择前个平均余弦距离对应的个不同种类灰度图像子集作为待识别图像g的候选集，其中表示取不大于的整数运算；

步骤四、对于候选集中任意一幅灰度图像和待识别的灰度图像g，利用Canny边缘检测方法提取灰度图像的边缘轮廓点的坐标，选择该图像的所有轮廓点中纵坐标最大的点作为起始点，按照逆时针顺序将该图像的所有轮廓点进行排序，记为{(x₁,y₁),(x₂,y₂),...,(x_p,y_p)}，p为轮廓点的数目，然后计算轮廓点的中心点的坐标，记为(x₀,y₀)，其中x₀和y₀分别为再计算中心距离向量[d₁,d₂,d₃,...,d_p]，其中d_i(i＝1,2...,p)表示第i个轮廓点(x_i,y_i)到中心点(x₀,y₀)的欧氏距离，计算向量[d₁,d₂,...,d_p]的长度为128的快速傅里叶变换，

其中：τ为单位复数

计算式(3)对应的幅度谱向量，记为[F₀,F₁,F₂,...,F₁₂₇]，将其归一化为然后去掉该向量的第一项后得到作为该图像的中心轮廓特征向量；

步骤五、利用步骤四得到待识别灰度图像g和它的候选集中的每幅叶片图像的中心轮廓特征向量，计算待识别灰度图像g的中心轮廓特征向量和它的候选集中的每幅叶片图像的中心轮廓特征向量之间的相似度，

其中：F为g的中心轮廓特征向量，F_st为候选集中第s类子图像集中的第t幅灰度图像的中心轮廓特征向量；

从候选集集中选择前三个最大的相似度对应的图像，判别选择的三幅图像是否属于同一类，若是属于同一类，则待识别图像的类别属于这一类别，识别过程结束，否则选择前5个最大的相似度对应的不同类图像子集，计算每个子集中所有图像与g的中心轮廓特征向量之间的相似度的平均值，再选择最大的平均相似度对应的图像类别，则待识别图像的类别属于这一类别。

本发明的有益效果为：本发明首先通过余弦距离法排除大规模训练样本集中与待识别叶片图像差异较大的图像类别，从而大幅度地减小了算法的时间复杂度；然后利用中心轮廓距离法得到图像的分类特征，该特征对图像的颜色、变换、大小尺寸和旋转具有鲁棒性，由此计算待识别图像与候选集中的每幅图像之间的相似度，再进行图像类别识别。该方法能够快速识别叶片图像类别，而且减少实际图像识别中图像之间的颜色差异、大小不同、不对齐和图像变换对识别效果带来的影响；利用该方法能够快速、很好地在大规模植物物种数据库中识别未知植物物种。本发明在普通PC计算机上实现，对操作系统没有要求。

附图说明

图1-1和图1-2是两幅原始叶片图像。

图2-1和图2-2是两幅叶片图像的轮廓图像。

图3-1和图3-2是两幅轮廓图像的中心轮廓距离特征向量。

图4-1和图4-2是两个中心轮廓距离特征向量的频域特征向量。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

基于余弦距离和中心轮廓距离的两次植物物种识别方法，包括如下步骤：

步骤一、将所有有类别标签的C种植物叶片图像组成训练图像集，然后将所有训练集中的样本和一幅待识别的叶片图像转换成灰度图像，再将所有灰度图像缩放为大小都为64×64像素的图像，处理后的训练集中的C个灰度图像子集的集合记为{G₁,G₂,...,G_C}，处理后的待识别叶片图像的灰度图像记为g；

步骤二、计算{G₁,G₂,...,G_C}中的每幅图像与g的余弦距离，

其中：g_ij为第i类子集G_i中的第j幅灰度图像，T表示矩阵转置；

然后计算{G₁,G₂,...,G_C}中的每个图像子集与g的平均余弦距离，

其中：n_i为G_i中的图像数目，i＝1,2,...,C；

步骤三、将步骤二得到的C个平均余弦距离由大到小进行排序，选择前个平均余弦距离对应的个不同种类灰度图像子集作为待识别图像g的候选集，其中表示取不大于的整数运算；

参照图1-1和图1-2，从图1-1和图1-2可以看出，不同植物物种的叶片图像之间有差异，若差异很大，就可以利用不同类植物叶片图像之间的余弦距离将他们区分开；

步骤四、对于任意候选集中的一幅灰度图像和待识别灰度图像g，利用Canny边缘检测方法提取灰度图像的边缘轮廓点的坐标，如图2-1和如2-2所示，由于得到的边缘轮廓点是二维数据，在叶片图像识别中不容易处理，所以计算对应的轮廓中心距离向量；

选择该图像的所有轮廓点中纵坐标最大的点作为起始点，按照逆时针顺序将该图像的所有轮廓点进行排序，记为{(x₁,y₁),(x₂,y₂),...,(x_p,y_p)}，p为轮廓点的数目，然后计算轮廓点的中心点的坐标，记为(x₀,y₀)，其中x₀和y₀分别为再计算中心距离向量[d₁,d₂,d₃,...,d_p]，其中d_i(i＝1,2...,p)表示第i个轮廓点(x_i,y_i)到中心点(x₀,y₀)的欧氏距离，如图3-1和图3-2所示，由于中心轮廓距离向量与轮廓的起始点选择有关，所以计算对应的傅里叶变换；

计算向量[d₁,d₂,...,d_p]的长度为128的快速傅里叶变换，

其中：τ为单位复数

计算式(3)对应的幅度谱向量，记为[F₀,F₁,F₂,...,F₁₂₇]，将其归一化为然后去掉该向量的第一项后得到作为该图像的中心轮廓特征向量，该向量不随叶片图像的旋转、平移和尺度变化而变化，在植物物种识别中具有鲁棒性。图4-1和图4-2分别是图3-1和图3-2对应的幅度谱向量，该向量具有鲁棒性，不随图像的旋转、平移和尺度大小变化而变化；

步骤五、利用步骤四得到待识别灰度图像g和它的候选集中的每幅叶片图像的中心轮廓特征向量，然后计算待识别灰度图像g的中心轮廓特征向量和它的候选集中的每幅叶片图像的中心轮廓特征向量之间的相似度，

其中：F为g的中心轮廓特征向量，F_st为候选集中第s类子图像集中的第t幅灰度图像的中心轮廓特征向量；

选择前三个最大的相似度对应的图像，判别选择的三幅图像是否属于同一类，若是属于同一类，则待识别图像的类别属于这一类别，识别过程结束，否则选择前5个最大的相似度对应的不同类图像子集，计算每个子集中所有图像与g的中心轮廓特征向量之间的相似度的平均值，再选择最大的平均相似度对应的图像类别，则待识别图像的类别属于这一类别。

Claims (1)

1.基于余弦距离和中心轮廓距离的两次植物物种识别方法，其特征在于，包括如下步骤：

步骤一、将所有有类别标签的C种植物叶片图像组成训练图像集，然后将所有训练集中的样本和一幅待识别的叶片图像转换成灰度图像，再将所有灰度图像缩放为大小都为64×64像素的图像，处理后的训练集中的C个灰度图像子集的集合记为{G₁,G₂,...,G_C}，处理后的待识别叶片图像的灰度图像记为g；

步骤二、计算{G₁,G₂,...,G_C}中的每幅图像与g的余弦距离，

其中：g_ij为第i类子集G_i中的第j幅灰度图像，T表示矩阵转置；

然后计算{G₁,G₂,...,G_C}中的每个图像子集与g的平均余弦距离，

其中：n_i为G_i中的图像数目，i＝1,2,...,C；

步骤三、将步骤二得到的C个平均余弦距离由大到小进行排序，选择前个平均余弦距离对应的个不同种类灰度图像子集作为待识别图像g的候选集，其中表示取不大于的整数运算；

步骤四、对于候选集中任意一幅灰度图像和待识别的灰度图像g，利用Canny边缘检测方法提取灰度图像的边缘轮廓点的坐标，选择该图像的所有轮廓点中纵坐标最大的点作为起始点，按照逆时针顺序将该图像的所有轮廓点进行排序，记为{(x₁,y₁),(x₂,y₂),...,(x_p,y_p)}，p为轮廓点的数目，然后计算轮廓点的中心点的坐标，记为(x₀,y₀)，其中x₀和y₀分别为再计算中心距离向量[d₁,d₂,d₃,...,d_p]，其中d_i(i＝1,2...,p)表示第i个轮廓点(x_i,y_i)到中心点(x₀,y₀)的欧氏距离，计算向量[d₁,d₂,...,d_p]的长度为128的快速傅里叶变换，

其中：τ为单位复数

计算式(3)对应的幅度谱向量，记为[F₀,F₁,F₂,...,F₁₂₇]，将其归一化为然后去掉该向量的第一项后得到作为该图像的中心轮廓特征向量；

步骤五、利用步骤四得到待识别灰度图像g和它的候选集中的每幅叶片图像的中心轮廓特征向量，计算待识别灰度图像g的中心轮廓特征向量和它的候选集中的每幅叶片图像的中心轮廓特征向量之间的相似度，

其中，F为g的中心轮廓特征向量，F_st为候选集中第s类子图像集中的第t幅灰度图像的中心轮廓特征向量；

从候选集集中选择前三个最大的相似度对应的图像，判别选择的三幅图像是否属于同一类，若是属于同一类，则待识别图像的类别属于这一类别，识别过程结束，否则选择前5个最大的相似度对应的不同类图像子集，计算每个子集中所有图像与g的中心轮廓特征向量之间的相似度的平均值，再选择最大的平均相似度对应的图像类别，则待识别图像的类别属于这一类别。