CN106803093A - 一种基于叶片纹理特征和iOS平台的植物物种识别方法 - Google Patents

一种基于叶片纹理特征和iOS平台的植物物种识别方法 Download PDF

Info

Publication number
CN106803093A
CN106803093A CN201611107938.9A CN201611107938A CN106803093A CN 106803093 A CN106803093 A CN 106803093A CN 201611107938 A CN201611107938 A CN 201611107938A CN 106803093 A CN106803093 A CN 106803093A
Authority
CN
China
Prior art keywords
plant species
server end
leaf image
client
textural characteristics
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
Application number
CN201611107938.9A
Other languages
English (en)
Inventor
黄德双
李泽学
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201611107938.9A priority Critical patent/CN106803093A/zh
Publication of CN106803093A publication Critical patent/CN106803093A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于叶片纹理特征和iOS平台的植物物种识别方法，该方法采用C/S架构，以iOS手机平台为客户端，以计算机为服务器端，所述的客户端用于采集叶片图像、向服务器端发送识别请求和展示植物物种信息数据库，所述的服务器端用于提取叶片图像的特征向量、对叶片图像分类识别、构建植物物种信息数据库和向客户端发送物种信息数据。与现有技术相比，本发明具有识别效率高、准确率高的优点。

Description

一种基于叶片纹理特征和iOS平台的植物物种识别方法
技术领域
本发明涉及一种植物物种识别方法，尤其是涉及一种基于叶片纹理特征和iOS平台的植物物种识别方法。
背景技术
目前，植物物种识别方法主要有三种：
(1)人工贴上的物种标签：这是大部分植物园或公园采取的为方便游客识别植物物种的一种方法，即，将刻有植物相关信息的标签牌贴于植物枝干上供游客阅读。此方法存在着耗费人力物力、传达信息较少、表达不醒目以及标签易被腐蚀等先天性不足，限于此，仅在收费或者受保护的景区得以普及；
(2)人工贴上的二维码：此方法可视为方法(1)的升级版，是物种标签和现代电子技术发展相结合的产物，游客通过扫描贴于植物枝干上的二维码，接入互联网即可获得丰富的植物物种信息，该方法克服了方法(1)中的传递信息少的缺点，但仍存在着耗费人力物理和标签易被腐蚀等缺点，仅在极少数园区得以实施，目前仍处于试验阶段；
(3)专业的植物分类学工作者的研究：这是最传统的植物分类学研究方法，研究者们通过采集标本和人工测量，并结合经验知识和书本指导对标本进行分类，这种方法工作量巨大，并且需要大量专业知识，只能在科研领域得以实施。
以上三种方法由于自身的缺陷都未能够得到普及，目前市场上并没有一种方便快捷并且代价小的植物物种识别方法。
随着机器学习和数字图像处理等技术的快速发展，人们试图借助计算机的强大计算能力和学习能力，对植物物种进行自动识别。过去20年，欧美等国家陆续有科研工作者呼吁通过采用机器学习和数字图像处理技术将植物物种识别实现全自动或半自动的计算机辅助计算。1993年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；1999年Cholhong Im等利用叶片的多边形逼近来识别槭属类植物；2001年Manh利用变形结构来逼近叶片：首先找到骨架，然后在骨架上作垂线。这些研究工作的对象大都局限于某一特定领域的几种植物，未能普及。
申请号为201310670473.8的中国专利公开了一种基于Android平台的植物叶片识别方法，通过Android平台对图像进行处理，然后选择单机识别或联网识别，联网识别中，通过HTTP协议将感兴区图像发送到服务器端，服务器端用servlet进行接收，之后对接收的图像提取特征梯度直方图特征向量，接着送入支持向量机进行分类识别，并将识别结果返回Android平台。申请号为201410228847.5的中国专利公开了一种基于叶片HOG特征和智能终端平台的植物物种识别方法，该方法中，服务器接收客户端的识别请求和叶片图像，对叶片图像进行HOG特征提取，然后以提取出的HOG特征作为训练好的SVM分类器的输入，对叶片图像进行分类识别，根据识别结果从植物物种数据库查找当前叶片图像对应类别的植物物种信息，并发送给客户端。以上方法识别效果有待改进。
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识别效率和准确率高的基于叶片纹理特征和iOS平台的植物物种识别方法。
本发明的目的可以通过以下技术方案来实现：
一种基于叶片纹理特征和iOS平台的植物物种识别方法，该方法采用C/S架构，以iOS手机平台为客户端，以计算机为服务器端，所述的客户端用于采集叶片图像、向服务器端发送识别请求和展示植物物种信息数据库，所述的服务器端用于提取叶片图像的特征向量、对叶片图像分类识别、构建植物物种信息数据库和向客户端发送物种信息数据。
所述的客户端与服务器端之间采用HTTP协议通信，客户端到服务器端的识别请求(上行协议)使用POST请求，服务器端到客户端的物种信息数据(下行协议)使用GET请求。
本发明的方法包括以下步骤：
S1，客户端获取叶片图像并对图像进行预处理；
S2，客户端将预处理后的叶片图像传输给服务器端，并向服务器端发送识别请求；
S3，服务器端使用轮廓波变换算法提取叶片图像的纹理特征；
S4，服务器端以提取出的纹理特征作为训练好的SVM分类器的输入，对叶片图像进行分类识别，获取植物物种的分类编号；
S5，服务器端对植物物种信息数据库进行检索，向客户端发送步骤S4中的植物物种的信息数据。
所述的步骤S3中，叶片图像的纹理特征提取包括以下步骤：
S31，使用轮廓波变换将叶片图像数据分解成4层数据，第1层到第3层是中间频带，第4层是高频带；
S32，分别对4层图像的灰度共生矩阵提取角二阶矩、对比度、相关性和熵作为低频子带的特征；
S33，分别计算4层图像灰度共生矩阵的特征向量作为高频子带的特征，将低频子带和高频子带的特征向量组合起来构成整个叶片图像的特征表达向量，即纹理特征。
所述的SVM分类器的训练方法包括：对所有需要训练的植物物种采集多张不同角度的叶片图像，对叶片图像进行预处理和纹理特征提取，得到不同角度的特征表达向量，并标注植物物种的分类编号，最后以所有特征表达向量和分类编号作为SVM的输入进行训练，得到分类器。
与现有技术相比，本发明具有以下优点：
(1)采用C/S架构，以iOS手机平台为客户端，以计算机为服务器端，方法实施后可供手机用户直接下载使用，通过拍摄植物的叶片图像，即可高效率高准确率地识别出植物的物种类别，并从数据库中检索到该物种相关的各种信息资料。
(2)叶片图像的纹理特征提取中，采用轮廓波变换，具有良好的多分辨率、局部化和方向性等优良特性，去噪效果好；将4层图像的灰度共生矩阵的角二阶矩、对比度、相关性和熵作为低频子带的特征，将灰度共生矩阵的特征向量作为高频子带的特征，将低频子带和高频子带的特征向量组合起来构成整个叶片图像的特征表达向量，识别率高。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图和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方案为前提进行实施，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。
实施例
如图1所示，本发明基于叶片纹理特征和iOS平台的植物物种识别方法包括以下步骤：
S1，客户端获取叶片图像并对图像进行预处理；
S2，客户端将预处理后的叶片图像传输给服务器端，并向服务器端发送识别请求；
S3，服务器端使用轮廓波变换算法提取叶片图像的纹理特征；
S4，服务器端以提取出的纹理特征作为训练好的SVM分类器的输入，对叶片图像进行分类识别，获取植物物种的分类编号；
S5，服务器端对植物物种信息数据库进行检索，向客户端发送步骤S4中的植物物种的信息数据。
本实施例采用C/S架构，以iOS手机平台为客户端，实现叶片图像的采集、识别请求和植物物种信息数据库的展示；以高性能计算机为服务器端，实现对叶片图像的特征提取、训练和识别，以及对植物物种信息数据库的构建和检索。具体的实施步骤包含：
(1)服务器安装Mac操作系统，并安装Web和Console的开发环境。
(2)准备叶片图像训练数据：对于一个植物物种，采集多张不同形态和生长过程的叶片，分别置于白色背景上，通过拍照或扫描的方式获得图像。
(3)对叶片图像进行预处理：包括灰度化、伽马校正、调整大小以及边缘补充等。
(4)使用轮廓波(Contourlet transform)算法提取叶片图像的纹理特征，包括以下步骤：首先进行轮廓波变换，经过轮廓波变换的分解之后，我们来提取灰度共生矩阵的角二阶矩(ASM)、对比度(CON)、相关性(COR)和熵(ENT)这4个参数值作为低频子带的特征；然后将图像数据分解成4层数据，从第1层到第3层是中间频带，最后一层是高频带，通过计算图像数据的均值和方差，从不同的频带提取出特征向量构成高频子带的特征，将低频子带和高频子带的特征向量组合起来构成整个图像的特征向量数据。本实施步骤在Console服务器端实现。
(5)训练支持向量机(SVM)分类器：对所有待训练的植物物种的叶片图像执行(3)和(4)得到各自的特征表达向量，并标注物种编号，最后以所有特征表达向量和物种标签作为SVM的输入进行训练，得到分类器。
(6)客户端通过拍照或者本地数据库选择需要识别的叶片图像，执行(3)，通过HTTP协议的POST请求将数据传输到服务器端进行识别，执行(4)，并调用(5)训练完成的分类器进行识别，最后，服务器端将识别结果和从植物物种数据库中检索到的信息通过HTTP协议发送到客户端。

Claims (5)

1.一种基于叶片纹理特征和iOS平台的植物物种识别方法，其特征在于，该方法采用C/S架构，以iOS手机平台为客户端，以计算机为服务器端，所述的客户端用于采集叶片图像、向服务器端发送识别请求和展示植物物种信息数据库，所述的服务器端用于提取叶片图像的特征向量、对叶片图像分类识别、构建植物物种信息数据库和向客户端发送物种信息数据。
2.根据权利要求1所述的一种基于叶片纹理特征和iOS平台的植物物种识别方法，其特征在于，所述的客户端与服务器端之间采用HTTP协议通信，客户端到服务器端的识别请求使用POST请求，服务器端到客户端的物种信息数据使用GET请求。
3.根据权利要求1所述的一种基于叶片纹理特征和iOS平台的植物物种识别方法，其特征在于，包括以下步骤：
S1，客户端获取叶片图像并对图像进行预处理；
S2，客户端将预处理后的叶片图像传输给服务器端，并向服务器端发送识别请求；
S3，服务器端使用轮廓波变换算法提取叶片图像的纹理特征；
S4，服务器端以提取出的纹理特征作为训练好的SVM分类器的输入，对叶片图像进行分类识别，获取植物物种的分类编号；
S5，服务器端对植物物种信息数据库进行检索，向客户端发送步骤S4中的植物物种的信息数据。
4.根据权利要求1所述的一种基于叶片纹理特征和iOS平台的植物物种识别方法，其特征在于，所述的步骤S3中，叶片图像的纹理特征提取包括以下步骤：
S31，使用轮廓波变换将叶片图像数据分解成4层数据；
S32，分别对4层图像的灰度共生矩阵提取角二阶矩、对比度、相关性和熵作为低频子带的特征；
S33，分别计算4层图像灰度共生矩阵的特征向量作为高频子带的特征，将低频子带和高频子带的特征向量组合起来构成整个叶片图像的特征表达向量，即纹理特征。
5.根据权利要求4所述的一种基于叶片纹理特征和iOS平台的植物物种识别方法，其特征在于，所述的SVM分类器的训练方法包括：对所有需要训练的植物物种采集多张不同角度的叶片图像，对叶片图像进行预处理和纹理特征提取，得到不同角度的特征表达向量，并标注植物物种的分类编号，最后以所有特征表达向量和分类编号作为SVM的输入进行训练，得到分类器。
CN201611107938.9A 2016-12-06 2016-12-06 一种基于叶片纹理特征和iOS平台的植物物种识别方法 Pending CN106803093A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611107938.9A CN106803093A (zh) 2016-12-06 2016-12-06 一种基于叶片纹理特征和iOS平台的植物物种识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611107938.9A CN106803093A (zh) 2016-12-06 2016-12-06 一种基于叶片纹理特征和iOS平台的植物物种识别方法

Publications (1)

Publication Number Publication Date
CN106803093A true CN106803093A (zh) 2017-06-06

Family

ID=58984887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611107938.9A Pending CN106803093A (zh) 2016-12-06 2016-12-06 一种基于叶片纹理特征和iOS平台的植物物种识别方法

Country Status (1)

Country Link
CN (1) CN106803093A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862335A (zh) * 2017-11-07 2018-03-30 河南科技大学 一种基于多尺度反馈度量学习的纹理图像分类方法
CN110148146A (zh) * 2019-05-24 2019-08-20 重庆大学 一种利用合成数据的植物叶片分割方法及系统
CN111552214A (zh) * 2020-05-22 2020-08-18 海尔优家智能科技（北京）有限公司 用于植物浇水的方法、装置及饮水机
CN111814592A (zh) * 2020-03-31 2020-10-23 同济大学 一种基于可叠加胶囊网络的植物叶片识别方法
CN112418082A (zh) * 2020-11-22 2021-02-26 同济大学 基于度量学习和深度特征学习的植物叶片识别系统及方法
CN112434579A (zh) * 2020-11-13 2021-03-02 深圳园林股份有限公司 基于神经网络提取地被植物容纳落叶能力的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036235A (zh) * 2014-05-27 2014-09-10 同济大学 基于叶片hog特征和智能终端平台的植物物种识别方法
CN204926123U (zh) * 2015-08-24 2015-12-30 同济大学 一种基于手持终端叶片图像的植物物种识别装置
US9311564B2 (en) * 2012-10-05 2016-04-12 Carnegie Mellon University Face age-estimation and methods, systems, and software therefor
CN105913408A (zh) * 2016-04-12 2016-08-31 湘潭大学 一种基于双边滤波器的多聚焦图像融合方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9311564B2 (en) * 2012-10-05 2016-04-12 Carnegie Mellon University Face age-estimation and methods, systems, and software therefor
CN104036235A (zh) * 2014-05-27 2014-09-10 同济大学 基于叶片hog特征和智能终端平台的植物物种识别方法
CN204926123U (zh) * 2015-08-24 2015-12-30 同济大学 一种基于手持终端叶片图像的植物物种识别装置
CN105913408A (zh) * 2016-04-12 2016-08-31 湘潭大学 一种基于双边滤波器的多聚焦图像融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZE-XUE LI ET AL.: "Plant Leaf Recognition Based on Contourlet Transform and Support Vector Machine", 《SPRINGERLINK》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862335A (zh) * 2017-11-07 2018-03-30 河南科技大学 一种基于多尺度反馈度量学习的纹理图像分类方法
CN110148146A (zh) * 2019-05-24 2019-08-20 重庆大学 一种利用合成数据的植物叶片分割方法及系统
CN110148146B (zh) * 2019-05-24 2021-03-02 重庆大学 一种利用合成数据的植物叶片分割方法及系统
CN111814592A (zh) * 2020-03-31 2020-10-23 同济大学 一种基于可叠加胶囊网络的植物叶片识别方法
CN111814592B (zh) * 2020-03-31 2024-04-26 同济大学 一种基于可叠加胶囊网络的植物叶片识别方法
CN111552214A (zh) * 2020-05-22 2020-08-18 海尔优家智能科技（北京）有限公司 用于植物浇水的方法、装置及饮水机
CN112434579A (zh) * 2020-11-13 2021-03-02 深圳园林股份有限公司 基于神经网络提取地被植物容纳落叶能力的方法及装置
CN112418082A (zh) * 2020-11-22 2021-02-26 同济大学 基于度量学习和深度特征学习的植物叶片识别系统及方法

Similar Documents

Publication Publication Date Title
CN106803093A (zh) 一种基于叶片纹理特征和iOS平台的植物物种识别方法
CN104036235B (zh) 基于叶片hog特征和智能终端平台的植物物种识别方法
CN105938564B (zh) 基于主成分分析和神经网络的水稻病害识别方法及系统
Kumar et al. Leafsnap: A computer vision system for automatic plant species identification
CN110046631A (zh) 用于自动推断时空图像的变化的系统和方法
CN103824053A (zh) 一种人脸图像的性别标注方法及人脸性别检测方法
CN109271991A (zh) 一种基于深度学习的车牌检测方法
CN103793697A (zh) 一种人脸图像的身份标注方法及人脸身份识别方法
CN110457677B (zh) 实体关系识别方法及装置、存储介质、计算机设备
CN106991449B (zh) 一种生活场景重构辅助识别蓝莓品种的方法
CN109948429A (zh) 图像分析方法、装置、电子设备及计算机可读介质
CN105825228B (zh) 图像识别方法及装置
CN101916279A (zh) 基于图像分析技术的植物物种查询系统及方法
CN110008912B (zh) 一种基于植物识别的社交平台匹配方法和系统
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN110751035A (zh) 一种制种玉米的识别方法及装置
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
CN110399804A (zh) 一种基于深度学习的食品检测识别方法
CN113252584A (zh) 基于5g传输的作物生长检测方法及系统
CN109858521A (zh) 一种基于人工智能深度学习的竹子种类识别方法
Weaver et al. From leaves to labels: Building modular machine learning networks for rapid herbarium specimen analysis with LeafMachine2
CN108256557A (zh) 结合深度学习和邻域集成的高光谱图像分类方法
CN103824083B (zh) 基于叶片完备局部二值特征的Web在线物种识别方法
CN108932270B (zh) 基于贝叶斯和反馈算法的枇杷属种质资源检索对照方法
CN207473623U (zh) 一种用于城市绿地树种识别的遥感系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170606

RJ01 Rejection of invention patent application after publication