CN107122781B - 一种基于叶片形状和边缘特征的植物叶片识别方法 - Google Patents
一种基于叶片形状和边缘特征的植物叶片识别方法 Download PDFInfo
- Publication number
- CN107122781B CN107122781B CN201710141951.4A CN201710141951A CN107122781B CN 107122781 B CN107122781 B CN 107122781B CN 201710141951 A CN201710141951 A CN 201710141951A CN 107122781 B CN107122781 B CN 107122781B
- Authority
- CN
- China
- Prior art keywords
- leaf
- blade
- circle
- image
- point
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- YGLMVCVJLXREAK-MTVMDMGHSA-N 1,1-dimethyl-3-[(1S,2R,6R,7S,8R)-8-tricyclo[5.2.1.02,6]decanyl]urea Chemical compound C([C@H]12)CC[C@@H]1[C@@H]1C[C@@H](NC(=O)N(C)C)[C@H]2C1 YGLMVCVJLXREAK-MTVMDMGHSA-N 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000000295 complement effect Effects 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 31
- 238000002474 experimental method Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010413 gardening Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000003462 vein Anatomy 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
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Character Input (AREA)
Abstract
本发明公开了一种基于叶片形状和边缘特征的植物叶片识别方法,目的在于提供一种具有全面捕捉叶片全局信息和局部信息的特征,对植物种类进行准确识别,公开的叶形特征可以较为全面的捕捉叶片的全局信息,公开的叶缘特征不仅可以捕捉叶片的细节信息还可以反映出叶片边缘点的凹凸性。本发明还采用傅里叶变换对提取的特征进行降维,不仅节省了内存而且还加快了识别速度。此外本发明还提供了几种特征组合的方法,使得特征之间相互补充。本发明公开的特征提取的方法结合特征组合的方法被测试在Swedish数据库和ICL数据库,实验结果表明本发明公开的方法优于其他典型的叶片识别方法。
Description
技术领域
本发明属于信息技术领域,涉及模式识别、图像处理技术,具体涉及一种利用植物叶形和叶缘特征来识别植物种类的方法。
背景技术
植物鉴别在植物学、农业和园艺等方面都有重要的意义,传统的植物鉴别都是人工完成的,费时费力,效率低下。随着科技的发展,在植物鉴别领域中,研究者们提出了一种智能的鉴别方法——叶片识别技术。通常情况下,植物学家通过叶片形状、叶片边缘、叶基以及叶脉等识别植物种类。因此,研究人员通过这些叶片特征结合计算机来识别植物种类。目前主要的叶片识别技术如下:
第一组是通过几何特征来提取叶形特征。学者一般通过纵横比、矩形度、圆形度、形状参数、面积凹凸比、周长凹凸比、球形性等几何特征来描述植物叶形特征。在植物种类识别过程中,这些方法很难捕捉到叶片的叶缘特征,且这些特征的权重也很难分配。
第二组是通过形状描述子来提取叶缘特征。主流的方法有:SC、IDSC、ST、HF、HoCS、MDM、TAR和MTCD方法。这些形状描述子是可以捕捉叶片的叶缘信息和全局信息,然而因为一些细叶缘信息和全局形状信息是有不同的模型的,这些形状描述子可能不会充分反映叶形的全局信息。
发明内容
为了克服上述叶片识别方法的不足和缺陷,本发明的目的在于,提供一种新颖的叶片形状和边缘特征来描述植物叶片,这使得新颖特征集携带了更多的全局特征和叶缘细节特征。此外,本发明还提供了一种组合类型特征识别植物叶片的方法,此方法可以弥补各个特征的不足,将各个特征的优点结合在一起,大大提高了叶片识别的准确率。
为了实现上述任务,本发明采用以下技术方案:一种基于叶片形状和边缘特征的植物叶片识别方法,该方法通过相机采集任一植物叶片的图像,将所述植物叶片的图像转换为二值化叶片图像,包括以下步骤:
以二值化叶片图像的左上角为原点,水平方向为X轴,垂直方向为Y轴建立图像坐标系;
提取叶缘特征,包括:
步骤11,在二值化叶片图像中沿着叶片外轮廓逆时针采样得到N个叶片轮廓点;
步骤12,任取一叶片轮廓点作为当前叶片轮廓点Pi=(xi,yi),i∈[1,N];找到当前叶片轮廓点Pi=(xi,yi)的两个连续点(xi-t,yi-t)和(xi+t,yi+t),且三个叶片轮廓连续点(xi-t,yi-t),(xi,yi)和(xi+t,yi+t)形成一个三角形,所述三角形的重心为Cit=(xcit,ycit);其中,
步骤13,以叶片轮廓点Pi=(xi,yi)为圆心,以轮廓点Pi到三角形的形心为Cit=(xcit,ycit)的距离为半径画圆,得到所画圆面积及所画圆和植物叶片的重叠面积Sn;
步骤14,通过式(1)得到重叠面积Sn与圆面积的比值Sratio,比值Sratio即为叶缘特征;
步骤15,重复步骤12至步骤14,直至所有的叶片轮廓点都作为当前叶片轮廓点,得到植物叶片的叶缘特征SP:
提取叶形特征,包括:
步骤21,遍历二值化图像,提取二值化图像中叶片轮廓点中Y轴坐标值最大的点(xymax,ymax)和Y轴坐标值最小的点(xymin,ymin),则叶片最小包围盒的长度L=ymax-ymin;
遍历二值化图像,提取二值化图像中叶片轮廓点中X轴坐标值最大的点和X轴坐标值最小的点则叶片最小包围盒的宽度W=xmax-xmi;n
遍历二值化图像,提取所有叶片的像素点坐标值,得到叶片的形心;
步骤22,以叶片的形心为圆心,以叶片最小包围盒长度L的为半径画圆,m=1,2,...,20,得到所画圆面积及所画圆和植物叶片的重叠面积
以叶片的形心为圆心,以叶片最小包围盒宽度W的为半径画圆,m=1,2,...,20,得到所画圆面积及所画圆和植物叶片的重叠面积
步骤23,将和作为叶形特征,即叶形特征为:{W1,W2,...,W20,L1,L2,...,L20}。
进一步地,在提取叶缘特征时,将步骤13中以叶片轮廓点Pi=(xi,yi)为圆心替换为以三角形的重心Cit=(xcit,ycit)为圆心。
进一步地,在提取叶形特征时,还包括:
步骤24,在步骤23得到的叶形特征中加入5个几何特征,所述5个几何特征为{G1,G2,G3,G4,G5};
其中:G1:纵横比;G2:圆形度;G3:周长凹凸比;G4:形状参数;G5:矩形度;
所述叶形特征为:{W1,W2,...,W20,L1,L2,...,L20,G1,G2,G3,G4,G5}。
与现有技术相比,本发明具有以下技术效果:
本发明提供了一种新颖的叶片形状和边缘特征来描述植物叶片,这使得新颖特征集携带了更多的全局特征和叶缘细节特征。此外,本发明还提供了一种组合类型特征识别植物叶片的方法,此方法可以弥补各个特征的不足,将各个特征的优点结合在一起,大大提高了叶片识别的准确率。
附图说明
图1为三个不同类型的叶缘值;
图2为三种不同类型的叶缘值;
图3(a)为叶形特征提取前示意图;3(b)为叶形特征提取示意图;
图4为特征和分类器选择;
图5为MTCD和MTCD+SF方法识别率;
图6为TAR+MF和TAR+MF+SF方法识别率;
图7为TAR+MF+MTCD+SF方法识别率。
下面结合附图和具体实施方式对本发明作进一步解释说明。
具体实施方式
实施例1
本实施例提供了一种基于叶片形状和边缘特征的植物叶片识别方法,该方法通过相机采集任一植物叶片的图像,将所述植物叶片的图像转换为二值化叶片图像,包括以下步骤:
本实施例采用的为Swedish叶片数据库和ICL叶片数据库中的植物叶片图像;
以二值化叶片图像的左上角为原点,水平方向为X轴,垂直方向为Y轴建立图像坐标系;
提取叶缘特征,包括:
步骤11,在二值化叶片图像中沿着叶片外轮廓逆时针采样得到N个叶片轮廓点;
本实施例中取N=128;
步骤12,任取一叶片轮廓点作为当前叶片轮廓点Pi=(xi,yi),i∈[1,N];找到当前叶片轮廓点Pi=(xi,yi)的两个连续点(xi-t,yi-t)和(xi+t,yi+t),且三个叶片轮廓连续点(xi-t,yi-t),(xi,yi)和(xi+t,yi+t)形成一个三角形,所述三角形的重心为Cit=(xcit,ycit);其中,
步骤13,以叶片轮廓点Pi=(xi,yi)为圆心,以轮廓点Pi到三角形的形心为Cit=(xcit,ycit)的距离为半径画圆,得到所画圆面积及所画圆和植物叶片的重叠面积Sn;
步骤14,通过式(1)得到重叠面积Sn与圆面积的比值Sratio,比值Sratio即为叶缘特征;
步骤15,重复步骤12至步骤14,直至所有的叶片轮廓点都作为当前叶片轮廓点,得到植物叶片的叶缘特征SP:
提取叶形特征,包括:
步骤21,遍历二值化图像,提取二值化图像中叶片轮廓点中Y轴坐标值最大的点(xymax,ymax)和Y轴坐标值最小的点(xymin,ymin),则叶片最小包围盒的长度L=ymax-ymin;
遍历二值化图像,提取二值化图像中叶片轮廓点中X轴坐标值最大的点和X轴坐标值最小的点则叶片最小包围盒的宽度W=xmax-xmi;n
遍历二值化图像,提取所有叶片的像素点坐标值,得到叶片的形心;
步骤22,以叶片的形心为圆心,以叶片最小包围盒长度L的为半径画圆,m=1,2,...,20,得到所画圆面积及所画圆和植物叶片的重叠面积
以叶片的形心为圆心,以叶片最小包围盒宽度W的为半径画圆,m=1,2,...,20,得到所画圆面积及所画圆和植物叶片的重叠面积
步骤23,将和作为叶形特征,即叶形特征为:{W1,W2,...,W20,L1,L2,...,L20}。
实施例2
本实施例在实施例例1的基础上,在提取叶缘特征时,将步骤13中以叶片轮廓点Pi=(xi,yi)为圆心替换为以三角形的重心Cit=(xcit,ycit)为圆心。
实施例3
本实施例在实施例1或2的基础上,在提取叶形特征时,还包括:
步骤24,在步骤23得到的叶形特征中加入5个几何特征,所述5个几何特征为{G1,G2,G3,G4,G5};
其中:G1:纵横比;G2:圆形度;G3:周长凹凸比;G4:形状参数;G5:矩形度;
所述叶形特征为:{W1,W2,...,W20,L1,L2,...,L20,G1,G2,G3,G4,G5}。
实施结果
提取MTCD(Multiscale Triangular Centroid Distance)特征,设置参数为:N=128;T=63;M=128,64,32,16,8,其中N表示选取的轮廓点数目,T表示特征尺度,M表示降维级数。此外,我们分别使用SVM(支持向量机),NN(最近邻),基于余弦距离的分类方法分别对叶片进行分类。得到的分类结果如图4所示。
从实验中可以看出:SVM是三种分类器中效果最好的;降维后的分类效果和没有降维的分类效果几乎相同。故在接下来的实验中选择M=16作为降维级数并且应用SVM作为分类器。
(1)MTCD+SF
采用MTCD+SF(SF为本发明的叶形提取方法),设置的参数为:N=128;T=16;M=16。实验比较了MTCD和MTCD+SF方法,实验结果如图5所示。从实验结果可以看出我们提出的SF对于植物种类的识别具有显著性的作用。
(2)TAR+MF+SF
采用TAR+MF+SF方法(MF为本发明中的叶缘提取方法),参数的设置:N=128;T=16;M=16。实验比较了TAR+MF和TAR+MF+SF方法,实验结果如图6所示。从实验结果可以看出:(1)本发明提供的方法具有很好的识别效果(2)本发明提供的MF和SF特征对于分类具有显著性的作用。
(3)TAR+MF+MTCD+SF
采用TAR+MF+MTCD+SF(TAR:Triangle-Area Representation)方法,参数设置:N=128;T=16;M=16。实验结果如图7所示。从实验结果来看本发明提供的方法具有很高的植物叶片识别效果。
为了体现本发明提供的方法的识别能力,比较了本发明提供的方法和一些典型的叶片识别方法。表1展示了各个方法的识别率,从表1可以看出,本发明提供的方法具有很好的识别效果,其中MTCD+SF方法是所有方法中效果最好的。
表1:Swedish叶片数据库分类结果(%)
表2:ICL叶片数据库分类结果(%)
Situations | TAR+MF+MTCD+SF | IDSC | FD | MDM |
30T15 | 83.36 | 65.42 | 60 | 68.75 |
30T29 | 84.32 | 70.32 | 66.56 | 74.2 |
Claims (3)
1.一种基于叶片形状和边缘特征的植物叶片识别方法,该方法通过相机采集任一植物叶片的图像,将所述植物叶片的图像转换为二值化叶片图像,其特征在于,包括以下步骤:
以二值化叶片图像的左上角为原点,水平方向为X轴,垂直方向为Y轴建立图像坐标系;
提取叶缘特征,包括:
步骤11,在二值化叶片图像中沿着叶片外轮廓逆时针采样得到N个叶片轮廓点;
步骤12,任取一叶片轮廓点作为当前叶片轮廓点Pi=(xi,yi),i∈[1,N];找到当前叶片轮廓点Pi=(xi,yi)的两个连续点(xi-t,yi-t)和(xi+t,yi+t),且三个叶片轮廓连续点(xi-t,yi-t),(xi,yi)和(xi+t,yi+t)形成一个三角形,所述三角形的形心为Cit=(xcit,ycit);其中,i∈[1,N],t∈[1,T],
步骤13,以叶片轮廓点Pi=(xi,yi)为圆心,以轮廓点Pi到三角形的形心Cit=(xcit,ycit)的距离为半径画圆,得到所画圆面积及所画圆和植物叶片的重叠面积Sn;
步骤14,通过式(1)得到重叠面积Sn与圆面积的比值Sratio,比值Sratio即为叶缘特征;
步骤15,重复步骤12至步骤14,直至所有的叶片轮廓点都作为当前叶片轮廓点,得到植物叶片的叶缘特征SP:
提取叶形特征,包括:
步骤21,遍历二值化图像,提取二值化图像中叶片轮廓点中Y轴坐标值最大的点(xymax,ymax)和Y轴坐标值最小的点(xymin,ymin),则叶片最小包围盒的长度L=ymax-ymin;
遍历二值化图像,提取二值化图像中叶片轮廓点中X轴坐标值最大的点和X轴坐标值最小的点则叶片最小包围盒的宽度W=xmax-xmin;
遍历二值化图像,提取所有叶片的像素点坐标值,得到叶片的形心;
步骤22,以叶片的形心为圆心,以叶片最小包围盒长度L的为半径画圆,m=1,2,...,20,得到所画圆面积及所画圆和植物叶片的重叠面积
以叶片的形心为圆心,以叶片最小包围盒宽度W的为半径画圆,m=1,2,...,20,得到所画圆面积及所画圆和植物叶片的重叠面积
步骤23,将和作为叶形特征,即叶形特征为:{W1,W2,...,W20,L1,L2,...,L20}。
2.如权利要求1所述的基于叶片形状和边缘特征的植物叶片识别方法,其特征在于,在提取叶缘特征时,将步骤13中以叶片轮廓点Pi=(xi,yi)为圆心替换为以三角形的形心Cit=(xcit,ycit)为圆心。
3.如权利要求1或2所述的基于叶片形状和边缘特征的植物叶片识别方法,其特征在于,在提取叶形特征时,还包括:
步骤24,在步骤23得到的叶形特征中加入5个几何特征,所述5个几何特征为{G1,G2,G3,G4,G5};
其中:G1:纵横比;G2:圆形度;G3:周长凹凸比;G4:形状参数;G5:矩形度;
所述叶形特征为:{W1,W2,...,W20,L1,L2,...,L20,G1,G2,G3,G4,G5}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710141951.4A CN107122781B (zh) | 2017-03-10 | 2017-03-10 | 一种基于叶片形状和边缘特征的植物叶片识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710141951.4A CN107122781B (zh) | 2017-03-10 | 2017-03-10 | 一种基于叶片形状和边缘特征的植物叶片识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107122781A CN107122781A (zh) | 2017-09-01 |
CN107122781B true CN107122781B (zh) | 2019-07-09 |
Family
ID=59717969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710141951.4A Active CN107122781B (zh) | 2017-03-10 | 2017-03-10 | 一种基于叶片形状和边缘特征的植物叶片识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107122781B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889839B (zh) * | 2019-11-27 | 2022-11-25 | 贵州中烟工业有限责任公司 | 一种打叶复烤烟片片形的表征方法及系统 |
CN112750143B (zh) * | 2020-12-02 | 2024-04-26 | 上海海洋大学 | 一种基于极值法的茎柔鱼形态特征提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729621A (zh) * | 2013-12-20 | 2014-04-16 | 华南农业大学 | 基于叶片骨架模型的植物叶片图像自动识别方法 |
CN106295661A (zh) * | 2016-08-15 | 2017-01-04 | 北京林业大学 | 叶片图像多特征融合的植物种类识别方法及装置 |
-
2017
- 2017-03-10 CN CN201710141951.4A patent/CN107122781B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729621A (zh) * | 2013-12-20 | 2014-04-16 | 华南农业大学 | 基于叶片骨架模型的植物叶片图像自动识别方法 |
CN106295661A (zh) * | 2016-08-15 | 2017-01-04 | 北京林业大学 | 叶片图像多特征融合的植物种类识别方法及装置 |
Non-Patent Citations (4)
Title |
---|
Leaf shape based plant species recognition;Ji-Xiang Du 等;《Applied Mathematics and Computation》;20060911;全文 |
叶片图像特征提取与识别技术的研究;王晓峰 等;《计算机工程与应用》;20060331;全文 |
基于叶缘特征的植物图像分类检索;晏艺真 等;《华东师范大学学报(自然科学版)》;20150731;全文 |
基于集成神经网络的植物叶片识别方法;恩德 等;《浙江农业学报》;20151228;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN107122781A (zh) | 2017-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108198244B (zh) | 一种苹果叶片点云精简方法及装置 | |
WO2020107866A1 (zh) | 一种文字区域获取方法、装置、存储介质及终端设备 | |
CN103942797B (zh) | 基于直方图和超像素的场景图像文字检测方法及系统 | |
CN104331682B (zh) | 一种基于傅里叶描述子的建筑物自动识别方法 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN104091175B (zh) | 一种基于Kinect深度信息获取技术的害虫图像自动识别方法 | |
CN104299008A (zh) | 基于多特征融合的车型分类方法 | |
CN106446894A (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
CN113269791B (zh) | 一种基于边缘判定与区域生长的点云分割方法 | |
CN103413119A (zh) | 基于人脸稀疏描述子的单样本人脸识别方法 | |
CN102708364B (zh) | 基于分级分类器的指纹图像分类方法 | |
JP2015036992A (ja) | 文字のストロークを保護しながら、文書画像中の下線およびテーブルラインを除去する方法 | |
CN101593205A (zh) | 基于视频的三维模型检索方法 | |
CN107464245B (zh) | 一种图像结构边缘的定位方法及装置 | |
CN107122781B (zh) | 一种基于叶片形状和边缘特征的植物叶片识别方法 | |
Tatsuma et al. | Food image recognition using covariance of convolutional layer feature maps | |
CN112381140B (zh) | 一种基于新特征参数的磨粒图像机器学习识别方法 | |
CN106446921A (zh) | 一种高压输电线障碍物识别方法及装置 | |
CN102136074B (zh) | 一种基于mmi的木材图像纹理分析与识别方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN104318240A (zh) | 一种基于计算机视觉的花蕾判别方法 | |
CN115937160A (zh) | 一种基于凸包算法的爆炸火球轮廓检测方法 | |
CN106683105B (zh) | 图像分割方法及图像分割装置 | |
CN117893924A (zh) | 一种基于树冠形态的无人机激光雷达点云单木分割方法 | |
CN109271882B (zh) | 一种区分颜色的手写体汉字提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |