CN115578603A - 基于多特征提取的人参属植株叶片识别方法 - Google Patents
基于多特征提取的人参属植株叶片识别方法 Download PDFInfo
- Publication number
- CN115578603A CN115578603A CN202211412873.4A CN202211412873A CN115578603A CN 115578603 A CN115578603 A CN 115578603A CN 202211412873 A CN202211412873 A CN 202211412873A CN 115578603 A CN115578603 A CN 115578603A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- layer
- value
- window
- 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 40
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 241000208343 Panax Species 0.000 title claims description 18
- 210000003462 vein Anatomy 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 241000196324 Embryophyta Species 0.000 claims abstract description 10
- 238000013145 classification model Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims abstract description 5
- 241000208340 Araliaceae Species 0.000 claims abstract 6
- 238000005070 sampling Methods 0.000 claims description 17
- 230000003628 erosive effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005429 filling process Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 235000002791 Panax Nutrition 0.000 claims 4
- 230000009977 dual effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 244000131316 Panax pseudoginseng Species 0.000 description 21
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000021028 berry Nutrition 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 229940126680 traditional chinese medicines Drugs 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 235000003181 Panax pseudoginseng Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多特征提取的人参属植株叶片识别方法，涉及植株识别领域，包括获取图像；锐化处理；转化为灰度图像，再进行去除背景、去除噪声和填充处理；提取全局特征；提取形状特征、纹理特征和叶脉特征；分类模型根据提取的特征进行分类识别获得识别结果；基于特征连接的特征金字塔网络进行叶片图像特征提取，基于窗口重叠灰度、旋转不变LBP特征描述符和窗口自适应灰度共生矩阵GLCM特征描述符进行叶片纹理特征提取，基于引导滤波的Canny算子进行叶片叶脉特征提取，通过连接的特征向量进行叶片分类得到结果，对人参属植株叶片的细粒度物体识别具有较好的效果，解决当前叶片识别算法不能识别具有较高类间相似性和类内差异性叶片的问题。
Description
技术领域
本发明涉及植株识别领域，尤其涉及一种基于多特征提取的人参属植株叶片识别方法。
背景技术
中药药材的精准鉴别对于中药使用至关重要，不同的人参属中药具有不同的药性，如果将人参、西洋参、三七等药材替代投药，会影响中药使用的安全性和有效性。对于种植环境下还未进行采收的人参属植株，可通过观察浆果、叶片进行识别。人参属植株的叶片外观大多为掌状复叶，呈束状或扇状且叶脉隆起，相似度较高，而浆果的存在周期较短且相较于叶片而言更难观察到差异。因此，非专业人员通常难以通过对浆果、叶片的观察进行人参属植株的快速辨别，现有以下现有技术公开了关于植株识别的技术：
专利“CN107122781B一种基于叶片形状和边缘特征的植物叶片识别方法”提供一种植物叶片识别方法，使用叶形特征捕捉叶片的全局信息，使用叶缘特征捕捉叶片的细节信息以及叶片边缘点的凹凸性，并采用傅里叶变换对提取的特征进行降维，用于节省内存和加快识别速度。
专利“CN104850822B基于多特征融合的简单背景下的叶片识别方法”基于大津阀值法对叶片图像进行分割，将叶片与背景分割；在分割得到的叶片图像上提取多个叶片的轮廓形状及集合特征的描述子，最后采用局部敏感哈希与自定义的加权置信评分算法对提取的多个特征进行融合并匹配，以得到最终识别结果。
人参属植株叶片外观具有较高的类间相似性和类内差异性，现有叶片识别方法常基于叶片形状特征和边缘特征组合进行识别，或基于叶片几何特征进行识别，依然难以实现细粒度区分，对人参属植株叶片识别效果不佳。
发明内容
本发明的目的就在于为了解决上述问题设计了一种基于多特征提取的人参属植株叶片识别方法。
本发明通过以下技术方案来实现上述目的：
基于多特征提取的人参属植株叶片识别方法，包括：
S1、获取人参属植株叶片图像；
S2、对叶片图像进行锐化处理；
S3、锐化后的图像转化为灰度图像，并对灰度图像依次进行采用迭代阈值选择法去除背景、采用中值滤波法去除噪声和采用灰度形态学的闭运算进行填充的处理；
S4、对锐化后的图像采用特征金字塔网络FPN提取人参属植株叶片的全局特征；
S5、通过S3处理后的图像提取人参属植株叶片的形状特征、纹理特征和叶脉特征；
S6、分类模型根据全局特征、形状特征、纹理特征和叶脉特征对人参属植株进行分类识别获得识别结果。
本发明的有益效果在于：本方法基于特征连接的特征金字塔网络进行叶片图像特征提取，基于窗口重叠灰度、旋转不变LBP特征描述符和窗口自适应灰度共生矩阵GLCM特征描述符进行叶片纹理特征提取，基于引导滤波的Canny算子进行叶片叶脉特征提取，然后通过连接的特征向量进行叶片分类，得到分类结果，对于人参属植株叶片的细粒度物体识别具有较好的效果，解决了当前叶片识别算法不能识别具有较高类间相似性和类内差异性的叶片的问题。
附图说明
图1是本发明基于多特征提取的人参属植株叶片识别方法的流程示意图；
图2是本发明特征金字塔网络FPN的示意图；
图3是本发明特征提取和分类的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图，对本发明的具体实施方式进行详细说明。
基于多特征提取的人参属植株叶片识别方法，包括：
S1、获取人参属植株叶片图像，通过手机或相机等拍摄设备对人参属植株叶片进行拍摄，拍摄角度与叶平面垂直，设置固定拍摄距离为20cm，以保证拍摄叶片大小在固定范围内。
S2、对叶片图像进行锐化处理；具体为：
锐化处理前先采用Fotor图像裁剪工具对原始图像进行裁剪，去除叶片的叶柄部分；进行图像水平镜像变换，将裁剪后的叶片图像的任意点P(x0，y0)沿水平方向镜像到新的位置P′(x，y)，变换公式为
其中，fW为原图像宽度；再进行图像旋转，将主叶脉方向统一调整为竖直方向，将水平镜像变换后输出叶片图像的任意点P′(x0，y0)经顺时针旋转α角度后到达新的位置R(x，y)，变换公式为
其中，α为主叶脉方向与竖直方向的夹角；
S21、采用Sobel算子进行滤波计算，以叶片图像的任意像素点R(x0，y0)为中心，截取3×3的像素窗口，分别计算窗口中心像素在x，y方向的梯度Sx、Sy：Sx＝[R(x0-1，y0+1)+2R(x0，y0+1)+R(x0+1，y0+1)]-[R(x0-1，y0-1)+2R(x0，y0-1)+R(x0+1，y0-1)]
Sy＝[R(x0+1，y0-1)+2R(x0+1，y0)+R(x0+1，y0+1)]-[R(x0-1，y0-1)+2R(x0-1，y0)+R(x0-1，y0+1)]
得到像素点R(x0，y0)增强后的灰度R′(x0，y0)为：
对叶片图像的所有像素点进行迭代计算得到像素点灰度集合R′；
S22、将R′与旋转后的叶片图像进行堆叠得到锐化后的图像R′；由于Sobel算子引入了加权平均，所以对图像中的随机噪声具有一定的平滑作用，还因为采用了间隔两行或两列的差分，所以边缘两侧的像素得到增强，锐化图像的边缘显得粗而亮。
S3、锐化后的图像R′转化为灰度图像，并对灰度图像依次进行采用迭代阈值选择法去除背景、采用中值滤波法去除噪声和采用灰度形态学的闭运算进行填充的处理；
锐化后的图像转化为灰度图像：采用加权法将锐化输出的彩色图像转换为灰度图像G，表示为gray＝0.299*R+0.578*G+0.114*B，其中R、G、B分别表示每个像素点的红、绿、蓝通道值；同时，采用线性拉伸对灰度图像进行增强，拉伸后的灰度图像G′表示为：
其中，A、B分别表示灰度图像G的最小灰度级和最大灰度级，GrayValuemin和GrayValuemax分别表示拉伸后的图像最小灰度级和最大灰度级，本实施例分别取值为20和240；
去除背景：
①计算初始灰度门限阈值T＝(A+B)/2，A、B分别为图像的最小、最大灰度级；
②根据阈值T将叶片图像分割为前景和背景，分别求出两者的平均灰度值ZO、ZB；
③计算新阈值T＝(ZO+ZB)/2；
④迭代步骤②、步骤③，直到阈值T不再变化，则T为最终阈值。此时，叶片灰度图像前景、背景完成分离，并得到去除背景后的灰度图像B；
去除噪声：根据背景去除的灰度图像B的目标像素点B(x0，y0)取3*3的窗口，将邻域窗口内像素点灰度值的中值赋值给目标像素点B(x0，y0)，表示为：
B′(x0，y0)＝med{B(x0+m，y0+n)}
其中，m、n表示窗口内像素点与目标像素点的距离，m、n∈[-1，1]且m、n为整数；对背景去除的灰度图像B的所有像素点遍历进行噪声去除，得到噪声去除的灰度图像B′，中值滤波法简单高效，在去除噪声的同时能够保护图像的细节信息；
填充处理：填充处理依次包括膨胀和腐蚀操作，膨胀操作为对于噪声去除的灰度图像B′(x，y)处的灰度值，移动像素点(m，n)个单位，加上结构化要素K(m，n)的灰度值，然后取灰度值集合的最大值作为灰度膨胀后的结果，表示为：
腐蚀操作为对于膨胀操作的灰度图像H(x，y)处的灰度值，移动像素点(m，n)个单位，减去结构化要素K(m，n)的灰度值，然后取灰度值集合的最小值作为灰度腐蚀后的结果表示为：
其中，H表示膨胀操作后输出的灰度图像，I表示腐蚀操作后输出的灰度图像，K表示对灰度图像进行膨胀或腐蚀运算的结构化要素，结构化要素采用具有一定尺寸和形状的图像分量，
表示灰度形态学膨胀运算，
表示灰度形态学腐蚀运算，m、n表示像素点的位移距离，m、n∈[-1，1]且m，n为整数；
重复填充处理，直至叶片孔洞消除。
S4、对锐化后的图像采用特征金字塔网络FPN提取人参属植株叶片的全局特征；具体包括：特征金字塔网络FPN包括输入层、层1、层2、层3、层4、层5、层6和输出层；输入层用于输入锐化后的图像；层1、层2和层3为自下而上的ResNet网络；将层3进行复制得到层4；对层4进行上采样操作，并对层2进行1*1卷积以修正通道数量，再对处理后的层2、层4进行横向连接操作得到层5；对层5进行上采样操作，对层1进行1*1卷积操作，再对处理后的层1、层5进行横向连接操作得到层6；分别对层4、层5、层6进行全局平均池化操作后进行连接得到输出层输出的全局特征，本方法的特征金字塔网络FPN将每层特征图输出进行连接，能获得更多的语义信息，并减少了冗余特征。
S5、对S3处理后的图像提取人参属植株叶片的形状特征、纹理特征和叶脉特征；
提取形状特征包括：
A、采用Gamma校正法对S3处理后的灰度图像进行颜色标准化；
B、计算图像每个像素的梯度，梯度包括大小和方向；
C、将图像划分成6*6像素的单元，统计单元内9个方向的梯度直方图，形成每个单元的HOG特征描述子，其中，直方图表述的范围为0-180°，即20°表示一个方向；
D、将每3*3个单元组成一个块，块内所有单元的特征向量进行串联并归一化，得到该块的HOG特征描述子；
E、将叶片灰度图像的所有块的HOG特征描述子进行串联，得到叶片形状特征；采用主成分分析PCA进行特征降维，得到降维后的叶片形状特征。
提取纹理特征包括：
a、设置LBP的局部窗口大小为3*3，将S3处理后的灰度图像的左上角设置为局部窗口的初始位置，进行中心点采样；设置采样半径R＝1、采样点P＝8以及行、列的滑动窗口为2进行均匀采样；
b、按从左到右、从上到下的顺序滑动窗口遍历中心点计算灰度、旋转不变LBP值，迭代完成所有像素中心点计算，得到
矩阵输出，表示为：
其中，S表示中心点灰度值与采样点灰度值进行比较，ic表示中心点像素的灰度值，in表示按顺序第n个采样点的灰度值；U(LBPP，R)是对LBP的一致性度量，对应于模式中的空间转换数，即按位0/1变换；
i0表示按顺序第1个采样点的灰度值，iP-1表示按顺序第P个采样点的灰度值，将U值不超过2的模式指定为均匀，上标riu2表示旋转不变均匀模式的使用；基于窗口重叠的灰度、旋转不变局部二值模式LBP特征描述符，降低图像灰度的矩阵维数，窗口只发生部分重叠，与完全重叠窗口相比，减少了像素点LBP的计算，且保留了像素之间的相关性，比非重叠窗口能获得更多的特征；
c、设置图像的灰度级N＝4，步长d为1；
d、计算每个像素点的梯度，并选择滑动窗口，当梯度为0时，选择滑动窗口5*5；当梯度不为0时，选择滑动窗口17*17；
e、根据像素点梯度选择对应的矩阵窗口，对
矩阵输出进行0°、45°、90°、135°四个方向统计灰度共生矩阵，得到四个4*4的统计矩阵；
f、将统计矩阵各元素分别与统计矩阵中所有元素之和作除运算，进行矩阵归一化，得到概率矩阵；
g、依据概率矩阵计算特征值，特征值包括：反映图像灰度分布均匀程度和纹理粗细程度的能量ASM＝∑i∑jPR(i，j)2、反映图像清晰度和纹理沟纹深浅的对比度CON＝∑i∑j(i-j)2PR(i，j)、反映图像局部灰度相关性的相关度CORRLN＝[∑i∑j((i，j)PR(i，j))-μiμj]/σiσj和能反映图像纹理随机性的熵ENT＝-∑i∑jPR(i，j)logPR(i，j)，其中，i，j表示按照某方向同时出现于两个像素的某两个级别的灰度值，PR(i，j)表示满足这种情况的两个像素出现的概率，平均值μi＝∑i∑ji·PR(i，j)，方差
h、计算四个方向矩阵的特征值，按所有统计方向对应的特征值进行平均化操作；
i、移动滑动窗口，迭代进行计算，直到遍历完所有图像像素点，最终输出包含特征值均值和标准差的8维纹理特征。
提取叶脉特征包括：
1)利用引导滤波平滑S3处理后的灰度图像，滤波器公式如下：
其中，I是S3处理后的灰度图像，pj是窗口内输入的带滤波图像像素，qi是滤波后的输出图像像素，W是根据O来确定加权平均运算中所采取的权重，W计算公式如下：
其中，μk是以像素k为中心的窗口内像素点的均值，|ω|是窗口内像素的数量，Ii、Ij指相邻两个像素点的值，σk代表窗口类像素点的方差，∈代表惩罚值，采用引导滤波可以保留更多图像边缘及其连通性，图像细节处理效果更好，且引导滤波的时间复杂度与窗口大小无关；
2)将平滑矫正后的灰度图像进行Canny算子叶脉边缘检测，按照Sobel算子计算像素点梯度幅值和方向，寻找图像的梯度；
3)应用非最大抑制技术过滤掉非边缘像素；
4)使用双阈值方法确定叶脉边缘得到叶脉灰度图像L；
5)采用灰度形态学的开运算对叶脉边缘进行处理，连接断裂区域中的边缘像素，即先腐蚀操作
后膨胀操作
其中，M表示腐蚀操作后输出的叶脉灰度图像，K表示结构化要素，
表示膨胀运算，
表示腐蚀运算。经过两次运算处理后，叶脉断裂区域得到连接；
6)比较当前叶脉边缘像素点数目与上一叶脉边缘像素点数目是否发生变化，若是，则返回3)，反之，则输出叶脉边缘特征，进入S6。
S6、分类模型根据全局特征、形状特征、纹理特征和叶脉特征对人参属植株进行分类识别获得识别结果；具体为：将提取的叶片图像全局特征以及叶片形状特征、纹理特征和叶脉特征进行连接，连接特征依次经过dropout层、全连接层、批量归一化层和Softmax分类器，得到叶片的概率矩阵，选择与最大概率对应的标签作为人参属植株叶片的最终预测类别。采用稀疏交叉熵损失函数对模型进行训练，表达式如下：
其中，n是数据集中包含的人参属植株叶片数，y是真实标签，a是预测标签。特征提取和分类的网络模型图如图3所示。
本发明提出了一种基于深度神经网络和叶片形状、纹理、叶脉特征进行人参属植株叶片鉴别的方法。提出基于特征连接的特征金字塔网络进行叶片图像特征提取，提出窗口重叠灰度、旋转不变LBP特征描述符和窗口自适应灰度共生矩阵GLCM特征描述符进行叶片纹理特征提取，提出基于引导滤波的Canny算子进行叶片叶脉特征提取，然后通过连接的特征向量进行叶片分类，得到分类结果；
与现有的叶片识别技术相比，本发明提出的方案对于人参属植株叶片的细粒度物体识别具有较好的效果，解决了当前叶片识别算法不能识别具有较高类间相似性和类内差异性的叶片的问题。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。
Claims (10)
1.基于多特征提取的人参属植株叶片识别方法，其特征在于，包括：
S1、获取人参属植株叶片图像；
S2、对叶片图像进行锐化处理；
S3、锐化后的图像转化为灰度图像，并对灰度图像依次进行采用迭代阈值选择法去除背景、采用中值滤波法去除噪声和采用灰度形态学的闭运算进行填充的处理；
S4、通过锐化后的图像采用特征金字塔网络FPN提取人参属植株叶片的全局特征；
S5、对S3处理后的图像提取人参属植株叶片的形状特征、纹理特征和叶脉特征；
S6、分类模型根据全局特征、形状特征、纹理特征和叶脉特征对人参属植株进行分类识别获得识别结果。
2.根据权利要求1所述的基于多特征提取的人参属植株叶片识别方法，其特征在于，特征金字塔网络FPN包括输入层、层1、层2、层3、层4、层5、层6和输出层；输入层用于输入锐化后的图像；层1、层2和层3为自下而上的ResNet网络；将层3进行复制得到层4；对层4进行上采样操作，并对层2进行1*1卷积以修正通道数量，再对处理后的层2、层4进行横向连接操作得到层5；对层5进行上采样操作，对层1进行1*1卷积操作，再对处理后的层1、层5进行横向连接操作得到层6；分别对层4、层5、层6进行全局平均池化操作后进行连接得到输出层输出的全局特征。
3.根据权利要求1所述的基于多特征提取的人参属植株叶片识别方法，其特征在于，在S5中，提取形状特征具体包括：
A、采用Gamma校正法对S3处理后的灰度图像进行颜色标准化；
B、计算图像每个像素的梯度，梯度包括大小和方向；
C、将图像划分成6*6像素的单元，统计单元内9个方向的梯度直方图，形成每个单元的HOG特征描述子，其中，直方图表述的范围为0-180°，即20°表示一个方向；
D、将每3*3个单元组成一个块，块内所有单元的特征向量进行串联并归一化，得到该块的HOG特征描述子；
E、将叶片灰度图像的所有块的HOG特征描述子进行串联，得到叶片形状特征；采用主成分分析PCA进行特征降维，得到降维后的叶片形状特征。
4.根据权利要求1所述的基于多特征提取的人参属植株叶片识别方法，其特征在于，提取纹理特征具体包括：
a、设置LBP的局部窗口大小，将S3处理后的灰度图像的左上角设置为局部窗口的初始位置，进行中心点采样；设置采样半径R、采样点P以及行、列的滑动窗口进行均匀采样；
b、按从左到右、从上到下的顺序滑动窗口遍历中心点计算灰度、旋转不变LBP值，迭代完成所有像素中心点计算，得到
矩阵输出，表示为：
其中，S表示中心点灰度值与采样点灰度值进行比较，ic表示中心点像素的灰度值，in表示按顺序第n个采样点的灰度值；U(LBPP,R)是对LBP的一致性度量，对应于模式中的空间转换数，即按位0/1变换；
i0表示按顺序第1个采样点的灰度值，iP-1表示按顺序第P个采样点的灰度值，将U值不超过2的模式指定为均匀，上标riu2表示旋转不变均匀模式的使用；
c、设置图像的灰度级N＝4，步长d为1；
d、计算每个像素点的梯度，并选择滑动窗口；
e、根据像素点梯度选择对应的矩阵窗口，对
矩阵输出进行0°、45°、90°、135°四个方向统计灰度共生矩阵，得到四个4*4的统计矩阵；
f、将统计矩阵各元素分别与统计矩阵中所有元素之和作除运算，进行矩阵归一化，得到概率矩阵；
g、依据概率矩阵计算特征值，特征值包括：反映图像灰度分布均匀程度和纹理粗细程度的能量ASM＝∑i∑jPR(i，j)2、反映图像清晰度和纹理沟纹深浅的对比度CON＝∑i∑j(i-j)2PR(i，j)、反映图像局部灰度相关性的相关度CORRLN＝[∑i∑j((i，j)PR(i，j))-μiμj]/σiσj和能反映图像纹理随机性的熵ENT＝-∑i∑jPR(i，j)logPR(i，j)，其中，i，j表示按照某方向同时出现于两个像素的某两个级别的灰度值，PR(i，j)表示满足这种情况的两个像素出现的概率，平均值μi＝∑i∑ji·PR(i，j)，方差
h、计算四个方向矩阵的特征值，按所有统计方向对应的特征值进行平均化操作；
i、移动滑动窗口，迭代进行计算，直到遍历完所有图像像素点，最终输出包含特征值均值和标准差的8维纹理特征。
5.根据权利要求1所述的基于多特征提取的人参属植株叶片识别方法，其特征在于，提取叶脉特征具体包括：
1)利用引导滤波平滑S3处理后的灰度图像，滤波器公式如下：
其中，I是S3处理后的灰度图像，pj是窗口内输入的带滤波图像像素，qi是滤波后的输出图像像素，W是根据I来确定加权平均运算中所采取的权重，W计算公式如下：
其中，μk是以像素k为中心的窗口内像素点的均值，|ω|是窗口内像素的数量，Ii、Ij指相邻两个像素点的值，σk代表窗口类像素点的方差，∈代表惩罚值；
2)将平滑矫正后的灰度图像进行Canny算子叶脉边缘检测，按照Sobel算子计算像素点梯度幅值和方向，寻找图像的梯度；
3)应用非最大抑制技术过滤掉非边缘像素；
4)使用双阈值方法确定叶脉边界；
5)采用灰度形态学的开运算对叶脉边缘进行处理，连接断裂区域中的边缘像素；
6)比较当前叶脉边缘像素点数目与上一叶脉边缘像素点数目是否发生变化，若是，则返回3)，反之则进入S6。
6.根据权利要求1所述的基于多特征提取的人参属植株叶片识别方法，其特征在于，将全局特征、形状特征、纹理特征和叶脉特征进行连接，并导入分类模型得到叶片的概率矩阵，选择与最大概率对应的标签作为人参属植株叶片的识别结果，分类模型包括dropout层、全连接层、批量归一化层和Soffmax分类器。
7.根据权利要求1所述的基于多特征提取的人参属植株叶片识别方法，其特征在于，锐化图像具体包括：
S21、采用Sobel算子进行滤波计算，以叶片图像的任意像素点R(x0，y0)为中心，截取3×3的像素窗口，分别计算窗口中心像素在x，y方向的梯度Sx、Sy：Sx＝[R(x0-1，y0+1)+2R(x0，y0+1)+R(x0+1，y0+1)]-[R(x0-1，y0-1)+2R(x0，y0-1)+R(x0+1，y0-1)]
Sy＝[R(x0+1，y0-1)+2R(x0+1，y0)+R(x0+1，y0+1)]-[R(x0-1，y0-1)+2R(x0-1，y0)+R(x0-1，y0+1)]
得到像素点R(x0，y0)增强后的灰度R′(x0，y0)为：
对叶片图像的所有像素点进行迭代计算得到像素点灰度集合R′；
S22、将R′与叶片图像进行堆叠得到锐化后的图像R′。
8.根据权利要求1所述的基于多特征提取的人参属植株叶片识别方法，其特征在于，将锐化后的图像R′转化为灰度图像并进行线性拉伸，得到拉伸后的灰度图像G′，对拉伸后的灰度图像G′去除背景，具体包括：
①计算初始灰度门限阈值T＝(A+B)/2，A、B分别为图像的最小、最大灰度级；
②根据阈值T将叶片图像分割为前景和背景，分别求出两者的平均灰度值ZO、ZB；
③计算新阈值T＝(ZO+ZB)/2；
④迭代步骤②、步骤③，直到阈值T不再变化，则T为最终阈值，并得到去除背景后的灰度图像B。
9.根据权利要求8所述的基于多特征提取的人参属植株叶片识别方法，其特征在于，去除噪声具体为：根据背景去除的灰度图像B的目标像素点B(x0，y0)取3*3的窗口，将邻域窗口内像素点灰度值的中值赋值给目标像素点B(x0，y0)，表示为：
B′(x0，y0)＝med{B(x0+m，y0+n)}
其中，m、n表示窗口内像素点与目标像素点的距离，m、n∈[-1，1]且m、n为整数；对背景去除的灰度图像B的所有像素点遍历进行噪声去除，得到噪声去除的灰度图像B′。
10.根据权利要求1所述的基于多特征提取的人参属植株叶片识别方法，其特征在于，采用灰度形态学的闭运算进行填充处理直至叶片孔洞消除，填充处理依次包括膨胀和腐蚀操作，膨胀操作为对于噪声去除的灰度图像B′(x，y)处的灰度值，移动像素点(m，n)个单位，加上结构化要素K(m，n)的灰度值，然后取灰度值集合的最大值作为灰度膨胀后的结果，表示为：
腐蚀操作为对于膨胀操作后的灰度图像H(x，y)处的灰度值，移动像素点(m，n)个单位，减去结构化要素K(m，n)的灰度值，然后取灰度值集合的最小值作为灰度腐蚀后的结果表示为：
其中，H表示膨胀操作后输出的灰度图像，I表示腐蚀操作后输出的灰度图像，K表示对灰度图像进行膨胀或腐蚀运算的结构化要素，结构化要素采用具有一定尺寸和形状的图像分量，
表示灰度形态学膨胀运算，
表示灰度形态学腐蚀运算，m、n表示像素点的位移距离，m、n∈[-1，1]且m，n为整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211412873.4A CN115578603A (zh) | 2022-11-11 | 2022-11-11 | 基于多特征提取的人参属植株叶片识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211412873.4A CN115578603A (zh) | 2022-11-11 | 2022-11-11 | 基于多特征提取的人参属植株叶片识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115578603A true CN115578603A (zh) | 2023-01-06 |
Family
ID=84588813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211412873.4A Pending CN115578603A (zh) | 2022-11-11 | 2022-11-11 | 基于多特征提取的人参属植株叶片识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115578603A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116188585A (zh) * | 2023-04-24 | 2023-05-30 | 成都垣景科技有限公司 | 一种基于无人机摄影测量的山区光伏目标定位方法 |
| CN116630217A (zh) * | 2023-06-15 | 2023-08-22 | 昆明理工大学 | 一种低损伤三七主根的互作感知式进挖方法 |
| CN116758077A (zh) * | 2023-08-18 | 2023-09-15 | 山东航宇游艇发展有限公司 | 一种冲浪板表面平整度在线检测方法及系统 |
| CN117745704A (zh) * | 2023-09-27 | 2024-03-22 | 深圳泰康医疗设备有限公司 | 一种用于骨质疏松识别的脊椎区域分割系统 |
-
2022
- 2022-11-11 CN CN202211412873.4A patent/CN115578603A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116188585A (zh) * | 2023-04-24 | 2023-05-30 | 成都垣景科技有限公司 | 一种基于无人机摄影测量的山区光伏目标定位方法 |
| CN116630217A (zh) * | 2023-06-15 | 2023-08-22 | 昆明理工大学 | 一种低损伤三七主根的互作感知式进挖方法 |
| CN116630217B (zh) * | 2023-06-15 | 2024-05-10 | 昆明理工大学 | 一种低损伤三七主根的互作感知式进挖方法 |
| CN116758077A (zh) * | 2023-08-18 | 2023-09-15 | 山东航宇游艇发展有限公司 | 一种冲浪板表面平整度在线检测方法及系统 |
| CN116758077B (zh) * | 2023-08-18 | 2023-10-20 | 山东航宇游艇发展有限公司 | 一种冲浪板表面平整度在线检测方法及系统 |
| CN117745704A (zh) * | 2023-09-27 | 2024-03-22 | 深圳泰康医疗设备有限公司 | 一种用于骨质疏松识别的脊椎区域分割系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | Investigations on impact of feature normalization techniques on classifier's performance in breast tumor classification | |
| CN115578603A (zh) | 基于多特征提取的人参属植株叶片识别方法 | |
| CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
| Thalji et al. | Iris Recognition using robust algorithm for eyelid, eyelash and shadow avoiding | |
| Rezaei et al. | Gland segmentation in histopathology images using deep networks and handcrafted features | |
| CN107293011A (zh) | 一种智能家居的门禁系统 | |
| Jayavadivel et al. | Investigation on automated surveillance monitoring for human identification and recognition using face and iris biometric | |
| Devi et al. | Analysis & evaluation of Image filtering Noise reduction technique for Microscopic Images | |
| Huynh et al. | Plant identification using new architecture convolutional neural networks combine with replacing the red of color channel image by vein morphology leaf | |
| Bhagya et al. | Analysis of image segmentation algorithms for the effective detection of leukemic cells | |
| Nashat et al. | Automatic segmentation and classification of olive fruits batches based on discrete wavelet transform and visual perceptual texture features | |
| CN113077452B (zh) | 基于dnn网络和斑点检测算法的苹果树病虫害检测方法 | |
| Molachan et al. | Brain Tumor Detection that uses CNN in MRI | |
| CN111639212B (zh) | 一种矿用智能视频分析中的图像检索方法 | |
| Murty et al. | Iris recognition system using fractal dimensions of Haar patterns | |
| CN110136112B (zh) | 一种基于乳腺x线摄影钙化计算机辅助检测算法 | |
| Prem et al. | Classification of exudates for diabetic retinopathy prediction using machine learning | |
| Vyshnavi et al. | Breast density classification in mammogram images | |
| Wang et al. | Binary and multiclass classification of histopathological images using machine learning techniques | |
| Jinisha et al. | Brain tumor classification using SVM and bag of visual word classifier | |
| Khakzar et al. | A rotation invariant retina identification algorithm using tessellation-based spectral feature | |
| Kabacinski et al. | Human Vein Pattern Correlation-A Comparison of Segmentation Methods. | |
| Kale et al. | Lung cancer prognosis by implementing various evolutionary Image processing steps | |
| Mirjat et al. | A Framework for Guava Wilt Disease Segmentation Using K-Means Clustering and Neural Network Techniques | |
| Supe et al. | Image segmentation and classification for medical image processing |
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 |