TWI467499B - 樹葉辨識方法 - Google Patents

Description

樹葉辨識方法

本發明係關於一種樹葉辨識方法，尤其是一種藉由影像分析處理技術辨識一樹葉所屬之植物物種之樹葉辨識方法。

植物界的物種種類繁多，全世界的植物估計約有35萬種，因此許多特徵相似的物種即便是植物專家都難以識別個種差異，何況對於一般民眾而言，所能分辨的植物種類往往寥寥可數。

植物的各項器官當中，樹葉係供辨識植物的重要器官，由於樹葉較花朵以及果實等其它器官更接近二維平面影像，且具備多種幾何特徵之豐富資訊，透過樹葉葉片的外觀形狀、顏色、形態與生長次序等特徵，就能夠分辨多數植物物種。因此，欲辨識一樹葉所屬之植物物種時，樹葉通常是首選的判斷指標。然而，習知樹葉辨識方法皆為透過人力對一樹葉之特徵進行觀察、量測與紀錄，再比對植物圖鑑上的資料以進行植物物種判別，然而對該樹葉葉片進行觀測的過程往往費時費力，加上植物圖鑑上所記載的植物物種不計其數，導致習知樹葉辨識方法效率不彰。此外，人工量測樹葉特徵與肉眼比對圖鑑資料的方式，容易因為人為誤差導致判定結果錯誤。

基於上述原因，有必要進一步提供改良之樹葉辨識方法，以期能夠利用影像分析處理技術辨識樹葉，節省人工 辨識樹葉所耗費之人力、物力與時間，達成快速且精確辨識一樹葉所屬之植物物種之功效。

本發明的目的乃改良上述之缺點，以提供一種樹葉辨識方法，藉由一電腦系統對一待測樹葉進行分析處理，辨識該待測樹葉所屬之植物物種，具有降低樹葉辨識成本之功效。

本發明另一目的係提供一種樹葉辨識方法，該樹葉辨識方法以影像辨識方式辨識一測樹葉所屬之植物物種，辨識時不人為誤差的影響，具有增進樹葉辨識準確性之功效。

本發明樹葉辨識方法，藉由一電腦系統以及該電腦系統所具有之樹葉影像資料庫，辨識一待測樹葉所屬之植物物種，包含：一影像讀取步驟，該電腦系統讀入一待測影像，該待測影像中包含該待測樹葉；一前置處理步驟，係對該待測影像執行灰階處理與二值化處理，該灰階處理係取該待測影像之飽和度作為該待測影像之灰階值，以生成一灰階影像，該二值化處理係選定一閥值，並將該灰階影像各像素之灰階值與該閥值進行比對，該灰階影像中灰階值大於該閥值之像素將轉換成1，灰階值小於該閥值之像素將轉換成0，以產生一二值化圖形，該前置處理步驟另包含一雜點濾除運算，該雜點濾除運算係針對該二值化圖形，進行膨脹與侵蝕運算填補缺洞及消除雜訊，並計算該二值化圖形之一質心位置，該質心位置計算方式如下式所 示： 其中，N為色階值為1之像素的數量，Q (x ,y )為質心位置，p _x (i )為第i個色階值為1之像素的x座標值，p _y (i )為第i個色階值為1之像素的y座標值，將該二值化圖形中最接近該質心位置的圖形判定為一待測樹葉，以分離出該待測影像中的待測樹葉；一特徵擷取步驟，擷取該待測樹葉之特徵值，該特徵值包含至少一明確特徵與至少一統計特徵，該至少一明確特徵為具有一明確數值之樹葉特徵，該至少一統計特徵為具有一數值範圍之樹葉特徵；及一資料比對步驟，篩選出該樹葉影像資料庫中，與該待測樹葉具有相同明確特徵之植物物種，並將各該植物物種之統計特徵與該待測樹葉之統計特徵進行比對運算，以判斷該待測樹葉所屬之植物物種。

本發明之樹葉辨識方法，其中，該資料比對步驟進行比對運算所使用的演算法係包含最小平方法，該最小平方法運算公式如下式(5)所示： 其中，ε 為該待測樹葉相較該樹葉影像資料庫中一植物物種的最小平方誤差，i為該統計特徵的編號，n為該統計特徵的數目，d _i 為自該待測樹葉擷取之第i個統計特徵，ε _i 為 該待測樹葉之第i個統計特徵相較於該植物物種的最小平方誤差，max _i 為該植物物種於該樹葉影像資料庫中，所記錄之第i個統計特徵的最大值，min _i 為該植物物種於該樹葉影像資料庫中，所記錄之第i個統計特徵的最小值。

本發明之樹葉辨識方法，其中，該至少一明確特徵包含上下邊緣點數，該上下邊緣點數係為一水平線與該待測樹葉之葉片上緣及下緣之交點數目，更詳言之，該上下邊緣點數係藉由找出該待測樹葉之葉片之上端點與下端點，據以分別畫出一條水平線作為一上邊界與一下邊界，再以一水平檢測線自該上邊界向下掃描，以另一水平檢測線自該下邊界向上掃描，分別紀錄掃描過程中該水平檢測線與該待測樹葉之交點數目，並統計得出出現次數最多的交點數目，作為該待測樹葉之上邊緣點數與下邊緣點數，合併該上邊緣點數與下邊緣點數即為該上下邊緣點數。

本發明之樹葉辨識方法，其中，該至少一統計特徵包含緊緻性、圓形比、矩形比、凸形封包面積比、角度、長短軸比、葉端長度、葉柄長度與上下半面積比。

本發明之樹葉辨識方法，其中，該灰階處理係取該待測影像之飽和度作為該待測影像之灰階值。

本發明之樹葉辨識方法，其中，該灰階處理係取該待測影像之飽和度，另執行一邊緣偵測運算，計算該待測影像各像素之影像梯度值，並與該飽和度相加作為該待測影像之灰階值。

本發明之樹葉辨識方法，其中，該前置處理步驟另包含一雜點濾除運算，該雜點濾除運算係針對該二值化圖形 ，進行膨脹與侵蝕運算填補缺洞及消除雜訊，再計算該二值化圖形之質心位置。

本發明之樹葉辨識方法，其中，該二值化處理係使用OTSU自動閥值法進行二值化運算。

為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本發明之較佳實施例，並配合所附圖式，作詳細說明如下：本發明全文所述之「像素」(pixels)，係指一影像(image)組成的最小單位，用以表示該影像之解析度(resolution)，例如：若該影像之解析度為1024×768，則代表該影像共有(1024×768=786432)個像素，係本發明所屬技術領域中具有通常知識者可以理解。

本發明全文所述之「色階」(color level)，係指該像素所顯現顏色分量或亮度的濃淡程度，例如：彩色(color)影像之紅色(R)、綠色(G)、藍色(B)分量的色階範圍(range)可為0~255，或者，灰階(gray-level)影像之亮度(luminance)的色階範圍可為0~255，係本發明所屬技術領域中具有通常知識者可以理解。

本發明全文所述之「樹葉」，係指植物的營養器官，且包含葉片、葉柄與托葉等三個部份，其中，樹葉靠近葉柄的部份稱作葉基，沿著主葉脈(primary vein)遠離葉柄的部分稱作葉端，係本發明所屬技術領域中具有通常知識者可以理解。

請參閱第1圖所示，係為本發明樹葉辨識方法較佳實施例之系統架構圖，藉由一待測影像來源1連接一電腦系統2(例如習知電腦主機、檔案伺服器或雲端伺服器等)作為執行架構。其中，該待測影像來源1可為一相機、攝影機、掃描器或儲存裝置等，可儲存只少一待測影像A，該待測影像A可為彩色或黑白影像，且該待測影像A中包含一待測樹葉B之葉片影像與葉柄影像。該電腦系統2具有一樹葉影像資料庫21，該樹葉影像資料庫21包含複數個植物物種之樹葉影像資料，且該複數個植物物種涵蓋所有該待測樹葉B可能屬於之植物物種。該電腦系統2係耦接該待測影像來源1，以接收該待測影像A，並據以執行本發明樹葉辨識方法較佳實施例所揭示的運作流程，可辨識該待測影像A中所包含之待測樹葉B所屬之植物物種。在此實施例當中，該待測影像A係以一RGB彩色影像作為實施態樣進行後續說明，惟不以此為限，依此類推，可應用於黑白影像或其它種類之彩色影像的樹葉辨識，其係本發明所屬技術領域中具有通常知識者可以理解，在此容不贅述。

請參閱第2圖所示，其係本發明樹葉辨識方法較佳實施例之運作流程圖。其中，該樹葉辨識方法包含一影像讀取步驟S1、一前置處理步驟S2、一特徵擷取步驟S3以及一資料比對步驟S4，分別敘述如後。

該影像讀取步驟S1，首先係藉由該電腦系統2，自該待測影像來源1讀入一待測影像A，該待測影像A中包含一待測樹葉B之葉片影像與葉柄影像，且該待測樹葉B之 葉端朝向該待測影像A之上方，該待測樹葉B之葉基朝向該待測影像A之下方。在本實施例當中該待測影像A為一RGB影像，惟本發明不以此為限。當該影像讀取步驟S1完成後，開始進行該前置處理步驟步驟S2。

一般而言讀入的待測影像A來源通常為相機拍攝或掃描之圖檔，該待測影像A內容除了所包含的待測樹葉B外，時常參雜其它外在環境因子或是雜訊成份，例如：亮度分布不均、光線入射角度造成陰影、葉片部分缺損或葉柄斷裂等不利於辨識該樹葉的狀況，因此必須針對該待測影像A進行前置處理步驟S2，其包含一灰階處理子步驟S21、一二值化子步驟S22以及一物件搜尋子步驟S24，且較佳包含一雜點濾除子步驟S23，分別詳細說明如下。

由於樹葉的顏色會因為外在光源的顏色而改變，因此需要對該待測影像A進行灰階處理，在該灰階處理子步驟S21中，係取該待測影像A的飽和度(saturation)S作為灰階值，以生成一灰階影像，相較傳統將RGB影像之紅、綠、藍三種色域之色階值分別乘上權重的色階轉換方式，可有效避免將陰影誤判為葉片輪廓的情形。其中，計算該待測影像A之飽和度S的方式如下式(1)所示： 其中(x,y)為像素座標值，R(x,y)、G(x,y)、B(x,y)分別代表紅、綠、藍三種色域之色階值。

除了直接以飽和度S作為灰階值生成該灰階影像外，該灰階處理子步驟S21較佳包含一邊緣偵測運算，主要原 理係計算該待測影像A中各像素之影像梯度(gradient)值▽I ，該影像梯度值▽I 之計算方法方式如下式(2)所示： 接著將該影像梯度值▽I 與該灰階處理子步驟S21產生之飽和度S相加，以產生該灰階影像。含有該影像梯度值▽I 之灰階影像，相較於單純以飽和度S作為灰階值之灰階影像，具有較清晰之輪廓。

由於本發明樹葉辨識方法僅利用樹葉的形狀特徵來辨識樹葉所屬之植物物種，葉片上的紋路、葉脈、以及顏色深淺皆屬無效特徵資訊，因此需要對該灰階影像進行二值化轉換。該二值化子步驟S22係選定一閥值，並將該灰階影像各像素之灰階值與該閥值進行比對，該灰階影像中灰階值大於該閥值之像素將轉換成1(白色)，灰階值小於該閥值之像素將轉換成0(黑色)，以產生一二值化圖形。其中，選定該閥值的方法可為雙峰法、疊代法或OTSU自動閥值法等，且在本實施例當中較佳使用OTSU自動閥值法。

該雜點濾除子步驟S23對該二值化圖形進行濾除雜點處理，主要原理係使用膨脹(dilation)侵蝕(erosion)兩種基礎型態學運算，填補缺洞或消除雜訊，將該二值化圖形中的待測樹葉B內外部之雜點消除。惟，該雜點濾除子步驟S23係可選擇性執行，例如當一待測影像A足夠清晰，使得據以產生之二值化圖形未包含可能影響後續步驟運算結果之 雜點時，可省略本步驟。

由於該待測影像A除了包含該待測樹葉B外，尚可能攝入其它物體，因此需要對該待測影像A之二值化圖形進行物件搜尋處理以找出該待測樹葉B，該物件搜尋子步驟S24首先計算一質心位置，該質心位置計算方式如下式(3)所示： 其中，N為色階值為1之像素的數量，Q (x ,y )為質心位置，p _x (i )為第i個色階值為1之像素的x座標值，p _y (i )為第i個色階值為1之像素的y座標值。接著將該二值化圖形中最接近該質心位置的圖形判定為該待測樹葉B，並且將該待測樹葉B分離出來，供後續步驟進行樹葉辨識。

該特徵擷取步驟S3係擷取該待測樹葉B中的複數個特徵值C，該複數個特徵值C為樹葉形狀的各種特徵，包含至少一明確特徵C1與至少一統計特徵C2。其中，明確特徵C1指的是具有一明確數值的樹葉特徵，例如葉緣或葉基的端點數、葉片邊緣為凸出或凹陷等；統計特徵C2指的是具有一範圍值的樹葉特徵，例如葉片面積、樹葉長度等。由於該待測樹葉B中包含葉片影像與葉柄影像，因此該特徵擷取步驟S3於開始擷取該複數個特徵值C前，需透過一葉柄分離運算分辨該待測樹葉B之葉片與葉柄。已知該待測樹葉B之葉端朝向該待測影像A之上方，葉基朝向該待測影像A之下方，據此該葉柄分離運算係自該待測樹葉B之下端點取一葉柄寬，並向上比對該待測樹葉B 每一水平位置之寬度，直至找到一水平高度下，該待測樹葉B之寬度大於四倍的該葉柄寬為止，判定該待測樹葉B於該水平高度以下的部份為葉柄，於該水平高度以上的部份為葉片。

在本實施例當中，該明確特徵C1為該待測樹葉B之上下邊緣點數，惟本發明不以此為限，該明確特徵C1亦可為一樹葉之上下端點數等其它特徵，或者可同時包含複數個特徵。請參照第4圖所示，該上下邊緣點數係藉由找出該待測樹葉B、B’之葉片之上端點與下端點，並據以分別畫出一條水平線作為一上邊界L_U 與一下邊界L_D ，再以一水平檢測線T_U 自該上邊界L_U 向下掃描，以另一水平檢測線T_D 自該下邊界L_D 向上掃描，其中，掃描的距離較佳小於該上端點與下端點之間距的一半。分別紀錄掃描過程中該水平檢測線T_U 、T_D 與該待測樹葉B之交點數目，並統計得出出現次數最多的交點數目，作為該待測樹葉B之上邊緣點數與下邊緣點數，合併該上邊緣點數與下邊緣點數即為該上下邊緣點數。例如如圖所示之待測樹葉B，該水平檢測線T_U 自該上邊界L_U 向下掃描時，與該待測樹葉B之交點數目出現次數最多的為4個，而該水平檢測線T_D 自該下邊界L_D 向上掃描時，與該待測樹葉B之交點數目出現次數最多的為2個，因此該待測樹葉B具有上下邊緣點數(4,2)；同理該待測樹葉B’具有上下邊緣點數(2,2)。該樹葉影像資料庫21係依據該明確特徵C1將樹葉所屬之植物物種分類，因此在本實施例當中，該樹葉影像資料庫21可具有上下邊緣點數為(2,2)、(4,2)、(6,2)、(2,4)...等分 類。

在本實施例當中，該至少一統計特徵C2包含該待測樹葉B之緊緻性(compactness)、圓形比(circularity ratio)、矩形比(rectangularity ratio)、凸型封包面積比(convex hull ratio)、角度(angle)、長短軸比、葉端長度、葉柄長度與上下半面積比等共11個統計特徵C2，惟不以此為限。

該緊緻性係為該待測樹葉B之葉片周長的平方與葉片面積的比值，計算公式如下式(4)所示： 其中，CP為緊緻性，P _B 為該待測樹葉B之葉片周長，A _B 為該待測樹葉B之葉片面積，等同於該待測樹葉B之像素個數總和。

該圓形比係為該待測樹葉B之葉片與一圓之面積比，該圓之圓周長和該待測樹葉B之葉片周長相同，計算公式如下式(5)所示： 其中，CR為圓形比，P _B 為該待測樹葉B之葉片周長，A _B 為該待測樹葉B之葉片面積。

該矩形比係為該待測樹葉B之葉片面積與一最小矩形面積的比值，其中該最小矩形面積之產生方式為藉由將該待測樹葉之葉片以1°為單位旋轉，且每旋轉1°即計算一次該待測樹葉B之葉片於旋轉過程中所涵蓋的矩形面績，最後取最小值以得到該最小矩形面積。該矩形比計算公式如 下式(6)所示：： 其中，RR為矩形比，A _B 為該待測樹葉B之葉片面積，A _rect 為該最小矩形面積。

該凸型封包面積比係為該待測樹葉B之葉片面積與一凸形封包面積的比值，其中該凸型封包為一封閉區域涵蓋該待測樹葉B之葉片，且該待測樹葉B之葉片內任意兩點的連線，不會超出該凸型封包的範圍。該凸型封包可透過習知凸形封包演算法對該待測樹葉B之葉片進行運算產生，習知凸形封包演算法主要包含增量式演算法(Incremental coven hull algorithm)、Jarvis步進法(Jarvis march)、Graham掃描法(Graham scan)、單調鏈(Monotone chain)、分冶法(Divide and conquer)或快包法(Quick hull)等，在本實施例當中較佳使用快包法。該凸型封包面積比計算公式如下式(7)所示：： 其中，CHA為凸型封包面積比，A _B 為該待測樹葉B之葉片面積，A _conv 為該凸型封包面積。

請參照第5圖所示，已知該待測樹葉B之葉片之上端點o與下端點p，並測得該待測樹葉B之待測樹葉長度H，於該上端點o垂直向下延伸一自定長度h之高度處，繪製一水平線與該待測樹葉B邊緣具有兩交點m、n，該兩交點m、n分別與該上端點o相連接所形成之夾角，係為 該角度θ ；以及於該下端點p垂直向上延伸一自定長度h之高度處，繪製一水平線與該待測樹葉B邊緣具有兩交點q、r，該兩交點q、r分別與該下端點p相連接所形成之夾角，係為該角度θ ’。在本實施例當中，該自定長度h較佳為該待測樹葉長度H之四分之一及十六分之一，因此將產生四個該角度特徵值。

請再參照第4圖所示之待測樹葉B，若欲擷其角度時，由於該待測樹葉B之上端點有兩個，因此該電腦系統2將任選一點作為參考點。此外，於該參考點垂直向下延伸一自定長度h之高度處，繪製一水平線時，可能與該待測樹葉B邊緣具有4個交點，將無法依據前述方法計算角度特徵值，因此該電腦系統2將計算該水平線與該待測樹葉B相交之總長度，作為一底邊，並取一端點與該底邊組成一標準三角形，該標準三角形可為直角三角型或等腰三角形等，且該端點與該底邊相距該自定長度h，該標準三角形以該端點為頂點之角，可作為所欲擷取之角度特徵值。

該長短軸比係指該待測樹葉B之長軸r_L 與短軸r_S 的比值。其中，長軸r_L 指的是該待測樹葉B之質心位置與邊緣的最長距離，短軸r_S 指的是該待測樹葉B之質心位置與邊緣的最短距離。該待測樹葉B之質心位置的計算方式與該前置處理步驟S2之物件搜尋子步驟S24中所述相同。

該葉端長度之計算方法與該葉柄分離運算相似，係自該待測樹葉B之上端點取一葉端寬，並向下比對該待測樹葉B每一水平位置之寬度，直至找到一水平高度下，該待測樹葉B之寬度大於四倍的該葉端寬為止，該水平高度以 上的部份皆視為該待測樹葉B之葉端，因此該待測樹葉B之上端點與該水平高度之垂直距離即為該葉端長度。

請再參照第4圖所示之待測樹葉B，若欲擷其葉端長度時，由於該待測樹葉B之上端點有兩個，因此該電腦系統2將任選一點作為參考點，依據該參考點之葉端取一葉端寬。此外，向下比對該待測樹葉B每一水平位置之寬度時，應於每一水平位置繪製一水平線，計算該水平線與該待測樹葉B相交之總長度，作為該待測樹葉B於每一水平位置之寬度，與該葉端寬進行比對。

該葉柄長度之計算方法係將該待測樹葉B之葉柄左半部輪廓的像素數量，與右半部輪廓的像素數量相加並取其平均，如此即使該待測樹葉B之葉柄為彎曲狀亦能正確計算出該葉柄長度。

該上下半面積比之計算方法係將擷取該葉端長度時，所判定之該待測樹葉B的葉端去除。接著計算該待測樹葉B之葉片去除葉端後之長度，並依據該長度將該待測樹葉B之葉片劃分為一上半部與一下半部，該上半部與下半部之面積比值即為該上下半面積比。

如上所述，該電腦系統2擷取該待測樹葉B之複數個特徵值C後，執行該資料比對步驟S4，依據該該複數個特徵值C，與該樹葉影像資料庫21複數個植物物種之樹葉影像資料進行比對，以辨識該待測樹葉B所屬之植物物種。

該樹葉影像資料庫21之樹葉影像資料係包含各個植物物種之特徵值C資料，亦即同樣包含該明確特徵C1與該統計特徵C2。其中，由於該統計特徵C2指的是具有一 範圍值的樹葉特徵，因此該統計特徵C2具有一最大值與一最小值。該資料比對步驟S4首先依據該待測樹葉B之明確特徵C1，在本實施例當中為該上下邊緣點數，篩選出該樹葉影像資料庫21中與該待測樹葉B具有相同該上下邊緣點數，因而歸屬於相同分類之植物物種。藉此，可忽略與該待測樹葉B具有不同該上下邊緣點數之植物物種，避免後續步驟針對不可能為該待測樹葉B之植物物種進行冗餘的比對運算。

接著，該資料比對步驟S4藉由一最小平方法運算，將該待測樹葉B之統計特徵C2，與該樹葉影像資料庫21中，和該待測樹葉B屬於相同分類之每一植物物種的統計特徵C2進行逐一比對運算，該最小平方法運算公式如下式(8)所示： 其中，ε 為該待測樹葉B相較該樹葉影像資料庫21中一植物物種的最小平方誤差，i為該統計特徵C2的編號，因此在本實施例當中共有i=1,2,...,11共11個統計特徵C2，d _i 為自該待測樹葉B擷取之第i個統計特徵C2，ε _i 為d _i 相較於該植物物種之第i個統計特徵C2的最小平方誤差，max _i 為該植物物種於該樹葉影像資料庫21中，所記錄之第i個統計特徵C2的最大值，min _i 為該植物物種於該樹葉影像資料 庫21中，所記錄之第i個統計特徵C2的最小值。透過上述公式(8)，計算該樹葉影像資料庫21中和該待測樹葉B屬於相同分類之每一植物物種，相較於該待測樹葉B之最小平方誤差ε ，其中所產生最小平方誤差ε 值最低之植物物種，即可判定為該待測樹葉B所屬之植物物種。

此外，由於各個統計特徵C2的數值範圍並不相同，造成各個統計特徵C2的最小平方誤差ε _i 值大小也不同，導致在上述公式(5)中最小平方誤差ε 受到各個統計特徵C2的影響幅度也可能不同。因此，該資料比對步驟S4在進行該最小平方法運算前較佳包含一正規化運算，係針對該樹葉影像資料庫21所包含之每一植物物種的統計特徵C2，將其最大值與一最小值分別除去該樹葉影像資料庫21的所有植物物種中，該統計特徵C2的最大值，並且將自該待測樹葉B擷取之統計特徵C2，同樣除去該樹葉影像資料庫21的所有植物物種中，該統計特徵C2的最大值。據此，可避免各個統計特徵C2對該最小平方誤差ε 所造成的影響幅度不同。

綜上所述，本發明之樹葉辨識方法始於該影像讀取步驟S1，係由該電腦系統2讀入一待測影像A，經由該前置處理步驟S2，對該待測影像A進行影像分析處理，以將該待測影像A轉換為一二值化圖形，並擷取出該待測樹葉B，供該特徵擷取步驟S2擷取該待測樹葉B之特徵值C，再交由該資料比對步驟S6，將該特徵值C與該樹葉影像資料庫21之複數個植物物種之樹葉影像資料進行比對運算，以辨識該待測樹葉B所屬之植物物種。據此，本發明 之樹葉辨識方法可達成透過影像分析處理技術辨識樹葉之目的。

藉此，本發明樹葉辨識方法較佳實施例僅需藉由該待測影像來源1所提供之待測影像A配合一電腦系統2即可辨識樹葉，效率相較於傳統人工量測樹葉特徵再以肉眼比對圖鑑資料具有大幅度提升，並能夠節省人工辨識樹葉所耗費之人力、物力與時間，以降低樹葉辨識所需成本。

再者，本發明樹葉辨識方法較佳實施例使用影像辨識方式，辨識一待測樹葉B所屬之植物物種，可避免人為量測及判斷所產生之誤差，增進樹葉辨識的準確度。

本發明樹葉辨識方法較佳實施例，僅需藉由分析處理一影像，即可快速而有效地量測該影像A中的樹葉所屬之植物物種，因此，可以提高樹葉辨識效率與準確度，進而達到「降低樹葉辨識成本」及「增加樹葉辨識準確性」等功效。

雖然本發明已利用上述較佳實施例揭示，然其並非用以限定本發明，任何熟習此技藝者在不脫離本發明之精神和範圍之內，相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

〔本發明〕

1‧‧‧待測影像來源

2‧‧‧電腦系統

3‧‧‧樹葉影像資料庫

A‧‧‧待測影像

B‧‧‧待測樹葉

B’‧‧‧待測樹葉

C‧‧‧特徵值

C1‧‧‧明確特徵

C2‧‧‧統計特徵

S1‧‧‧影像讀取步驟

S2‧‧‧前置處理步驟

S21‧‧‧灰階處理子步驟

S22‧‧‧二值化子步驟

S23‧‧‧雜點濾除子步驟

S24‧‧‧物件搜尋子步驟

S3‧‧‧特徵擷取步驟

S4‧‧‧資料比對步驟

L_U ‧‧‧上邊界

L_D ‧‧‧下邊界

T_U ‧‧‧水平檢測線

T_D ‧‧‧水平檢測線

H‧‧‧樹葉長度

h‧‧‧自定長度

θ ‧‧‧角度

θ ’‧‧‧角度

o‧‧‧上端點

p‧‧‧下端點

m、n‧‧‧交點

q、r‧‧‧交點

S‧‧‧飽和度

▽I ‧‧‧影像梯度值

第1圖：本發明樹葉辨識方法較佳實施例之系統架構圖

第2圖：本發明樹葉辨識方法較佳實施例之運作流程圖

第3圖：本發明樹葉辨識方法較佳實施例之前置處理步 驟之內部流程圖

第4圖：本發明樹葉辨識方法較佳實施例之上下邊緣點數計算示意圖

第5圖：本發明樹葉辨識方法較佳實施例之角度計算示意圖

S1‧‧‧影像讀取步驟

S2‧‧‧前置處理步驟

S3‧‧‧特徵擷取步驟

S4‧‧‧資料比對步驟

Claims (6)

1. 一種樹葉辨識方法，藉由一電腦系統以及該電腦系統所具有之樹葉影像資料庫，辨識一待測樹葉所屬之植物物種，包含：一影像讀取步驟，該電腦系統讀入一待測影像，該待測影像中包含該待測樹葉；一前置處理步驟，係對該待測影像執行灰階處理與二值化處理，該灰階處理係取該待測影像之飽和度作為該待測影像之灰階值，以生成一灰階影像，該二值化處理係選定一閥值，並將該灰階影像各像素之灰階值與該閥值進行比對，該灰階影像中灰階值大於該閥值之像素將轉換成1，灰階值小於該閥值之像素將轉換成0，以產生一二值化圖形，該前置處理步驟另包含一雜點濾除運算，該雜點濾除運算係針對該二值化圖形，進行膨脹與侵蝕運算填補缺洞及消除雜訊，並計算該二值化圖形之一質心位置，該質心位置計算方式如下式所示： 其中，N為色階值為1之像素的數量，Q (x ,y )為質心位置，p _x (i )為第i個色階值為1之像素的x座標值，p _y (i )為第i個色階值為1之像素的y座標值，將該二值化圖形中最接近該質心位置的圖形判定為一待測樹葉，以分離出該待測影像中的待測樹葉；一特徵擷取步驟，擷取該待測樹葉之特徵值，該特徵值包含至少一明確特徵與至少一統計特徵，該至少一明確 特徵為具有一明確數值之樹葉特徵，該至少一統計特徵為具有一數值範圍之樹葉特徵；及一資料比對步驟，篩選出該樹葉影像資料庫中，與該待測樹葉具有相同明確特徵之植物物種，並將各該植物物種之統計特徵與該待測樹葉之統計特徵進行比對運算，以判斷該待測樹葉所屬之植物物種。
2. 如申請專利範圍第1項所述之樹葉辨識方法，其中，該資料比對步驟進行比對運算所使用的演算法係包含最小平方法，該最小平方法運算公式如下式所示： 其中，ε 為該待測樹葉相較該樹葉影像資料庫中一植物物種的最小平方誤差，i為該統計特徵的編號，n為該統計特徵的數目，d _i 為自該待測樹葉擷取之第i個統計特徵，ε _i 為該待測樹葉之第i個統計特徵相較於該植物物種的最小平方誤差，max _i 為該植物物種於該樹葉影像資料庫中，所記錄之第i個統計特徵的最大值，min _i 為該植物物種於該樹葉影像資料庫中，所記錄之第i個統計特徵的最小值。
3. 如申請專利範圍第1或2項所述之樹葉辨識方法，其中，該至少一明確特徵包含上下邊緣點數，該上下邊緣點數係藉由找出該待測樹葉之葉片之上端點與下端點，據以分別畫出一條水平線作為一上邊界與一下邊界，再以一水平檢測線自該上邊界向下掃描，以另一水平檢測線 自該下邊界向上掃描，分別紀錄掃描過程中該水平檢測線與該待測樹葉之交點數目，並統計得出出現次數最多的交點數目，作為該待測樹葉之上邊緣點數與下邊緣點數，合併該上邊緣點數與下邊緣點數即為該上下邊緣點數。
4. 如申請專利範圍第3項所述之樹葉辨識方法，其中，該至少一統計特徵包含緊緻性、圓形比、矩形比、凸形封包面積比、角度、長短軸比、葉端長度、葉柄長度與上下半面積比。
5. 如申請專利範圍第1或2項所述之樹葉辨識方法，其中，該灰階處理係另執行一邊緣偵測運算，計算該待測影像各像素之影像梯度值，並與該飽和度相加作為該待測影像之灰階值。
6. 如申請專利範圍第1或2項所述之樹葉辨識方法，其中，該二值化處理係使用OTSU自動閥值法進行二值化運算。